Tìm kiếm đang chuyển từ “trao đáp án” sang “hoàn thành nhiệm vụ”: Điều gì sẽ xảy ra sau SEO?

Ở bài quan sát thực địa từ Cloud Town (Yunqi) lần trước, tôi đã dùng đường cong tiến hóa này: Query → Results → Question → Answer → Goal → Plan → Search → Reason → Search Again → Tool → Action → Verify, để trình bày ba giai đoạn của tìm kiếm. Sau khi bài viết được đăng tải, ba điều mà khách hàng chuẩn bị nhiều nhất là: Đường cong này có ý nghĩa gì đối với tài sản nội dung hiện có, SEO/GEO nên được định vị lại như thế nào, và những hành động kỹ thuật nào có thể bắt đầu ngay.

Bài viết này sẽ giải quyết rõ ràng ba vấn đề trên.

I. Sự khác biệt của ba giai đoạn nằm ở kết quả đầu ra, không phải năng lực

Tóm tắt ngắn: Thế hệ tìm kiếm thứ nhất cung cấp cho bạn một vài liên kết, người dùng tự so sánh. Thế hệ thứ ba cung cấp cho bạn một bản đề xuất mua hàng kèm chuỗi bằng chứng, bản nháp đặt chỗ, hoặc một bản tóm tắt chiến lược chủ động.

Sự khác biệt này cụ thể hơn và dễ đối chiếu hơn so với mô tả trừu tượng. Chúng tôi sẽ phân tích qua ba kịch bản công việc thực tế:

慢慢学AI<028>：搜索与预订——Agent在信息获取与任务执行上的进化

Thứ nhất, so sánh ba nhà cung cấp đám mây. Thế hệ tìm kiếm đầu tiên chỉ đưa cho bạn các đường liên kết đến trang chủ của ba nhà cung cấp cùng một vài trang đánh giá; thế hệ thứ hai thì tổng hợp tài liệu công khai thành một đoạn tóm tắt, chỉ ra sự khác biệt về hiệu năng, giá cả, dịch vụ và hệ sinh thái; còn thế hệ thứ ba sẽ hỏi trước về loại hình kinh doanh, lưu lượng truy cập, yêu cầu tuân thủ của bạn, sau đó gọi API báo giá công khai của các nhà cung cấp đám mây, thu thập chính sách chiết khấu mới nhất, đối chiếu với mức sử dụng thực tế của bạn, và đưa ra một báo cáo đề xuất mua hàng kèm theo chuỗi bằng chứng. Trong bảng so sánh công khai giữa Exa và Tavily, cả hai đều thừa nhận rằng Exa đạt 81% trên benchmark tìm kiếm đa bước WebWalker, so với 71% của Tavily, với độ trễ lần lượt là 1.4 giây và 4.5 giây — khoảng cách này trực tiếp quyết định liệu Agent có thể hoàn thành việc tìm kiếm bổ sung đa vòng trong vài giây chờ đợi của người dùng hay không.

Thứ hai, đặt phòng khách sạn. Thế hệ đầu tiên trả về một loạt đường liên kết đến các nền tảng đặt phòng; thế hệ thứ hai đưa ra gợi ý khách sạn dựa trên điểm đến và ngày của bạn; còn thế hệ thứ ba sẽ xem xét số lượng người đi cùng, ngân sách, có cần phòng họp hay không, sở thích ẩm thực, số dặm bay tích lũy được để lọc ra ba ứng viên, gọi API của khách sạn để lấy giá và loại phòng theo thời gian thực, sau đó gọi API bản đồ để tính thời gian di chuyển đến văn phòng khách hàng, và cuối cùng tạo ra một bản đề xuất đặt phòng kèm lời mời trên lịch.

Thứ ba, về giám sát đối thủ cạnh tranh. Thế hệ đầu tiên, khi bạn tìm kiếm “giá của đối thủ X”, sẽ trả về một vài tin tức liên quan. Thế hệ thứ hai cung cấp thêm bản tóm tắt các thay đổi. Còn thế hệ thứ ba sẽ liên tục theo dõi trang chủ, tuyển dụng, phát hành phiên bản và cộng đồng người dùng của đối thủ, chủ động thông báo khi phát hiện thay đổi quan trọng, đồng thời giải thích “việc giảm giá 30% lần này có phải là để đáp trả đợt phát hành của bạn tuần trước không, và điều đó có ý nghĩa gì đối với chiến lược giá của bạn”.

Một mục tiêu, từ “tìm một câu trả lời” tiến đến “hoàn thành công việc”, sự khác biệt chính là như vậy.

Hai. Vòng nghiên cứu quan trọng hơn lần recall đầu tiên

Các hệ thống tìm kiếm truyền thống rất coi trọng Recall (tỷ lệ recall), Precision (độ chính xác), Ranking (xếp hạng). Agentic Search vẫn cần những khả năng này, nhưng tiêu chí đánh giá cần thay đổi.

Một Research Agent tốt không nên chỉ tìm kiếm một lần duy nhất. Khi bằng chứng còn thiếu, nó cần tạo ra vòng Query thứ hai; khi hai nguồn thông tin mâu thuẫn nhau, nó cần tìm thêm bằng chứng từ bên thứ ba; khi cần giá cả theo thời gian thực, nó cần gọi một API khác; khi phát hiện người dùng thực sự muốn so sánh là TCO (tổng chi phí sở hữu), nó cần tái tổ chức kế hoạch tìm kiếm.

S1-DeepResearch

Trong tổng quan luận văn của S1-DeepResearch năm 2026, có một thống kê cho thấy khi các mô hình LLM tiêu chuẩn không thực hiện truy xuất đa vòng, độ chính xác trên các benchmark nghiên cứu đa bước còn dưới 10%. Trong khi đó, Deep Research Agent – hệ thống hoạt động theo vòng lặp tìm kiếm, đọc, tổng hợp và tra cứu lại – có thể đạt trên 50%. Khoảng cách năm lần này không phải là chiến thắng của một kỹ thuật đơn lẻ nào, mà là thành quả của một vòng khép kín trong nghiên cứu.

Vậy vòng khép kín được định nghĩa như thế nào? Có thể đi qua tám giai đoạn (Goal → Plan → Search → Reason → Search Again → Tool → Action → Verify), hoặc có thể thu gọn thành năm giai đoạn (Plan → Search → Reason → Refine → Conclude). Cả hai lộ trình tôi đều sử dụng – lộ trình đầu phù hợp với các nhiệm vụ phức tạp, dài hơi (nghiên cứu cấp doanh nghiệp, due diligence xuyên lĩnh vực), còn lộ trình sau phù hợp với chu trình nghiên cứu hàng ngày. Nếu bất kỳ bước nào trong quá trình này mắc lỗi, các bước tiếp theo sẽ đều bị ảnh hưởng và chồng chất thêm sai lầm.

Điều này đồng nghĩa với việc cần phân tách rõ ràng giữa hạ tầng tìm kiếm và tầng Agent bên trên. Tavily, EXA, Elasticsearch, OpenSearch, Brave Search, Browser Search đều có thể đóng vai trò là Retrieval Provider (dịch vụ nguồn truy xuất). Tầng sản phẩm thực sự thì chịu trách nhiệm cho Intent (hiểu ý định), Planning (lập kế hoạch), Source Strategy (chiến lược nguồn), Reasoning (lập luận), Evidence (đánh giá bằng chứng), Evaluation (đánh giá chất lượng), và Action (thực thi hành động).

Trong quá trình đồng hành triển khai dự án, chúng tôi từng bắt gặp một ví dụ điển hình về cách tiếp cận sai lầm: một tổ chức tài chính đã hiểu khái niệm “tăng cường tìm kiếm” đơn giản là “thay thế bằng một công cụ tìm kiếm thông minh hơn”. Hệ quả là Agent ngay ở vòng đầu tiên đã truy xuất được các tài liệu mang vẻ đáng tin cậy nhưng đã lỗi thời, mà không kích hoạt tìm kiếm bổ sung, cuối cùng dẫn chiếu một bộ quy tắc quản lý rủi ro đã bị bãi bỏ từ hai năm trước. Hệ thống nhìn có vẻ hoạt động trơn tru, và những người ra quyết định cũng không phát hiện ra sai sót. Mãi cho đến khi một đợt kiểm toán phát hiện ra nguồn trích dẫn, họ mới nhận ra toàn bộ Research Loop đã thiếu mất ba tầng đánh giá: Evidence Age (độ tuổi của bằng chứng), Conflict Resolution (giải quyết xung đột), và Source Authority (độ tin cậy của nguồn).

Việc mở rộng đánh giá chất lượng tìm kiếm từ “kết quả có liên quan không” sang “toàn bộ vòng lặp nghiên cứu có đáng tin cậy không” — đây là điều tôi nhấn mạnh liên tục nhất với khách hàng trong suốt năm qua.

III. Memory quyết định Agent có thể chạy được bao lâu

Trong diễn đàn Agentic Search, Memory được tách riêng để thảo luận, bao gồm Long-term Memory (bộ nhớ dài hạn), Task Memory (bộ nhớ tác vụ) và Context Compression (nén ngữ cảnh).

Điều này hoàn toàn hợp lý. Chỉ cần tác vụ từ “hỏi đáp một câu” chuyển thành quy trình nghiên cứu kéo dài hàng chục bước, hệ thống ngay lập tức đối mặt với một vấn đề: những gì đã tra cứu, đã xác minh, đã bác bỏ trước đó — liệu có thể nhớ lại một cách đáng tin cậy sau này hay không.

MemGPT đề xuất paradigm “LLM as OS” vào năm 2023, với cốt lõi là phân tầng bộ nhớ: core memory trong cửa sổ ngữ cảnh, tầng lưu trữ ngoài hội thoại, và archival memory có thể truy xuất. Letta đã kỹ thuật hóa concept này vào năm 2024, DeepLearning.AI mở khóa học ngắn hạn vào năm 2026. Luồng phát triển này có công trình tiền thân rõ ràng để tham chiếu, không phải thuật ngữ chúng tôi tự bịa đặt.

Nếu một tác vụ nghiên cứu cứ lặp đi lặp lại việc tìm kiếm cùng một thông tin, chi phí sẽ bị lãng phí nghiêm trọng. Nguy hiểm hơn là, nó quên mất rằng trước đó đã phát hiện một nguồn không đáng tin, rồi sau đó lại trích dẫn lại.

Task Memory nên được ghi lại theo cấu trúc rõ ràng. Mỗi khi kết thúc một nhiệm vụ nghiên cứu, hệ thống cần lưu trữ các trường sau:

Kế hoạch truy vấn: Nhiệm vụ này được phân chia thành những câu hỏi phụ nào, và mục tiêu của từng câu hỏi phụ là gì.
Danh sách nguồn: Với mỗi câu hỏi phụ, hệ thống đã tra cứu những nguồn nào, mức độ tin cậy, ngày phát hành và liệu nguồn đó đã bị loại bỏ chưa.
Ảnh chụp bằng chứng: Từ mỗi nguồn, hệ thống trích xuất những thông tin quan trọng nào, kèm theo nguồn gốc và đoạn trích gốc.
Đánh dấu xung đột: Những nguồn nào có kết luận mâu thuẫn nhau, điểm không nhất quán là gì, hệ thống đã chọn nguồn nào và tại sao.
Kết luận từng giai đoạn: Sau mỗi vòng tìm kiếm, hệ thống đưa ra phán đoán tạm thời về vấn đề hiện tại.
Lộ trình thất bại: Những hướng tìm kiếm nào không đạt được kết quả, lý do là gì, và liệu có đáng để thử lại trong lần sau không.
Phán đoán cuối cùng: Người dùng có chấp nhận hoặc từ chối kết luận này không, lý do là gì.

Bằng cách này, khi gặp một nhiệm vụ tương tự lần sau, hệ thống có thể sử dụng lại kinh nghiệm đã được cấu trúc hóa mà không cần phải bắt đầu lại từ đầu.

Nhiều đội ngũ trước đây thường sử dụng cơ sở dữ liệu vector (Embedding + Retrieval, tức chuyển đổi văn bản thành vector rồi tìm kiếm theo độ tương đồng) để xây dựng Memory, lưu trữ toàn bộ lịch sử hội thoại sau khi Embedding, rồi truy xuất các đoạn có liên quan khi cần. Cách làm này tiềm ẩn hai rủi ro: Thứ nhất, những “đoạn có liên quan” chưa chắc đã thực sự liên quan, khiến mô hình dễ bị nhiễu loạn bởi noise; Thứ hai, số lượng lớn các đoạn văn bản không được gắn tag cấu trúc, không thể quản lý về phiên bản, nguồn gốc hay thời hạn hiệu lực. Điều Memory thực sự cần là một hệ thống có khả năng tích lũy, đánh giá và cấu trúc hóa — nếu không, Context cứ tích tụ mãi, quyết định tiếp theo lại càng thêm bất định.

Bốn. Tự tiến hóa - Phần giá trị thực sự nằm ở việc tích lũy kinh nghiệm thành Skill

Tại sự kiện còn trình diễn Agent Swarm (đa Agent phối hợp) và vòng khép kín “tự tiến hóa”.

Cách diễn đạt này dễ khiến người ta liên tưởng đến việc mô hình tự huấn luyện chính mình. Hiểu chính xác hơn, đó là Agent sau khi kết thúc nhiệm vụ sẽ thông qua đánh giá, phản hồi từ con người và xác minh kết quả, tích lũy những phương pháp có giá trị vào Memory, Knowledge và Skill.

Ví dụ, sau khi thực hiện liên tục 20 lần nghiên cứu cơ hội sản phẩm, một hệ thống có thể dần hình thành Product Opportunity Research Skill. Skill này không chỉ đơn thuần là một đoạn prompt, mà nên quy định rõ:

Trigger: Những dạng công việc nào sẽ khởi động Skill này
Goal: Tiêu chí đánh giá thành công của nghiên cứu lần này là gì
Context Schema: Cần nạp trước những ngữ cảnh doanh nghiệp nào (thương hiệu, phân loại, thị trường mục tiêu)
Constraints: Nguồn nào không đáng tin cậy, dữ liệu nào không được phép sử dụng
Tools: Thứ tự gọi các nguồn tìm kiếm, API, cơ sở dữ liệu
Workflow: Trình tự các bước (đầu tiên tìm điểm nhập thị trường → sau đó tìm các đối thủ chính → kiểm tra giá, lưu lượng và đánh giá của người dùng → cuối cùng lướt Reddit và các phàn nàn cộng đồng)
Source Priority: Ưu tiên nguồn có thẩm quyền (báo cáo tài chính/năm), rồi cộng đồng, cuối cùng blog
Verification: Bằng chứng nào đủ để khẳng định “có nhu cầu”
Output Schema: Các trường cuối cùng cần xuất ra là gì, định dạng của các trường ra sao

Cần phân biệt rõ với bạn đọc: nhóm trường Skill ở trên không phải là OpenAI Function Calling (đăng ký hàm bên ngoài thành giao diện JSON Schema mà mô hình có thể gọi) — đó là giao thức ở tầng công cụ; cũng không phải Anthropic Tool Use (tương tự Function Calling, nhưng Anthropic dùng kiểu tin nhắn tool_use/tool_result chi tiết hơn) — cũng nằm ở tầng công cụ. Agent Spec của AutoGen chuẩn hóa mô tả năng lực của Agent thành đối tượng có thể serialize, cũng chỉ trùng lặp một phần với Skill ở đây. Điểm đích thực của Skill là “workflow template đã được tích lũy qua hàng chục lần thực chiến của đội ngũ”, nó gắn kết bốn tầng: Tools, Workflow, Constraints và Verification — đây là phạm vi mà giao thức của OpenAI/Anthropic/AutoGen đều chưa bao phủ.

Khi thực hiện cùng một loại nghiên cứu lần thứ 21, bạn sẽ không cần phải thiết kế lại phương pháp từ đầu. Đó mới là giá trị lãi kép thực sự của Skill.

Trong quá trình tư vấn chuyển đổi AI cho một chuỗi bán lẻ, tôi đã chứng kiến rõ ràng sự tiến hóa này. Tuần đầu tiên, khi Agent thực hiện nghiên cứu đối thủ cạnh tranh, mỗi product manager đều phải hướng dẫn lại từ đầu về đường dẫn tìm kiếm, thứ tự ưu tiên nguồn dữ liệu và tiêu chí đánh giá. Đến tuần thứ ba, chúng tôi đã đúc kết từng lộ trình nghiên cứu “hiệu quả” vào Skill, đồng thời đánh dấu rõ ràng những sai lầm (ví dụ như phụ thuộc quá mức vào một nguồn dữ liệu duy nhất). Tuần thứ tám, khi một product manager mới gia nhập, anh ấy chỉ cần đưa mục tiêu vào hệ thống — chất lượng báo cáo nghiên cứu đã ổn định ở mức cao hơn bản nháp đầu tiên của nhân viên lâu năm nhất ở tuần thứ hai. Lưu ý: Diễn biến qua ba mốc thời gian trên chỉ mang tính minh họa cho quá trình, tốc độ thực tế sẽ khác nhau tùy theo dự án.

Đó chính là giá trị thực sự của Skill: chuyển hóa những phương pháp ngầm phân tán trong đầu các thành viên khác nhau trong nhóm thành tài sản kỹ thuật mà cả nhóm có thể chia sẻ, kế thừa và cải tiến.

Do đó, khả năng tự tiến hóa thực sự phụ thuộc vào Evaluation (đánh giá chất lượng). Nếu không có đánh giá kết quả rõ ràng, những kinh nghiệm sai lầm cũng sẽ được lưu giữ, và hệ thống chỉ ngày càng tự tin lặp lại những sai sót đó.

Năm, SEO không biến mất, nhưng phễu bán hàng thêm một nấc

Trước đây, khi làm SEO, phễu điển hình nhất là Ranking → Impression → Click → Signup → Paid. Sau khi tìm kiếm sinh ra (generative search) xuất hiện, người dùng có thể nhận được câu trả lời trực tiếp trên trang tìm kiếm, ChatGPT, Perplexity hoặc các Agent khác mà không cần click vào từng nguồn.

Theo nghiên cứu của Pew Research Center vào tháng 3/2025, khi theo dõi 68.879 lượt tìm kiếm thực tế trên Google từ 900 người trưởng thành tại Mỹ, kết quả cho thấy trong các tìm kiếm có xuất hiện tóm tắt AI, tỷ lệ người dùng nhấp vào kết quả truyền thống chỉ chiếm 8%; trong khi đó, khi không có tóm tắt AI, tỷ lệ này là 15%. Gần một nửa số lượt nhấp đã bị thu hẹp lại.

Điều này đồng nghĩa với việc giá trị của nội dung không chỉ dừng lại ở “thu hút nhấp chuột” mà còn mở rộng sang việc “trở thành nguồn bằng chứng mà các mô hình AI sẵn sàng trích dẫn và dựa vào”. Trong các chỉ số vận hành, một chuỗi mới sẽ dần hình thành: AI Visibility (Mức độ hiển thị trên AI) → Citation/Mention (Trích dẫn/Đề cập) → AI Referral (Lưu lượng từ AI) → Qualified (Khách hàng tiềm năng đạt chuẩn) → Signup (Đăng ký) → Paid (Chuyển đổi trả phí).

Chuỗi này có thể xem xét theo bốn tầng: được nhìn thấy, được trích dẫn, được nhấp vào, và được chuyển đổi. AI Visibility đóng vai trò nền tảng – liệu thương hiệu hoặc sản phẩm của bạn có xuất hiện trong câu trả lời của AI hay không. Citation/Mention phản ánh số lần được trích dẫn, xuất hiện trong ngữ cảnh nào và mức độ chính xác của việc trích dẫn đó. AI Referral cho biết người dùng có đi theo liên kết đến website của bạn hay không, cùng với lượng truy cập chất lượng cao mà nó mang lại. Qualified đề cập đến việc trong số những lượt truy cập đó, có bao nhiêu người tiếp tục đăng ký, dùng thử hoặc liên hệ tư vấn; cuối cùng quy về Signup và Paid.

Theo các benchmark mà giới GEO đưa ra: tỷ lệ trích dẫn trên Perplexity là 97%, Google AI Overviews là 34%, ChatGPT là 16%. Lưu lượng từ AI hiện chiếm khoảng 1.08% tổng lượng truy cập website, nhưng tỷ lệ chuyển đổi từ Perplexity cao hơn tìm kiếm tự nhiên của Google từ 3.1 đến 4.4 lần, và thời gian phiên dài hơn 4.7 lần. Cả hai con số này đều thuộc về magnitude – con số cụ thể sẽ khác nhau tùy theo từng site và ngành, nhưng xu hướng “lưu lượng AI tuy ít nhưng chất lượng cao” là điều chắc chắn.

Điểm khác biệt lớn nhất so với phễu SEO truyền thống là: ở giữa xuất hiện thêm hai giai đoạn mới là Citation/Mention và AI Referral, và chất lượng Citation quan trọng hơn số lượng Citation. Việc một câu trả lời AI chỉ đề cập sản phẩm của bạn như “một phương án thay thế khác” hay như “một trong ba sản phẩm đáng được đánh giá nhất cho trường hợp này” sẽ tạo ra sự chênh lệch rất lớn về lưu lượng Qualified. Nhà khoa học dữ liệu tại Ahrefs phát hiện rằng, các nguồn được trích dẫn trong Google AIO thay đổi khoảng 45% mỗi vòng — điều này có nghĩa là chỉ được “trích dẫn một lần” là chưa đủ, mà cần xem xét Citation Persistence (tính liên tục của việc được trích dẫn).

Ở đây cần tránh một hiểu lầm phổ biến. Bản thân Citation cũng có thể trở thành Vanity Metric (chỉ số hình thức). Nếu một thương hiệu được nhắc đến trong rất nhiều câu trả lời AI, nhưng không mang lại lượng truy cập chất lượng cao, tìm kiếm thương hiệu, đăng ký hay doanh thu, thì giá trị thương mại của số lần được trích dẫn đơn thuần là rất hạn chế.

Vì vậy, GEO cuối cùng vẫn phải quay về với Funnel (phễu) hoàn chỉnh. Nhưng tiêu chí đo lường ở giữa đã thay đổi: không phải “được tìm thấy”, mà là “được AI tin tưởng đến mức sẵn sàng trích dẫn lại”.

六、Xây dựng nội dung bắt đầu tạo dựng bằng chứng đáng tin cậy cho không gian vấn đề, không chỉ viết cho từ khóa

Chuyển đổi Chiến lược SEO trong Kỷ nguyên Agentic Search

SEO truyền thống dễ dàng xây dựng ma trận nội dung xoay quanh từ khóa. Mỗi từ khóa một trang, mục tiêu là thứ hạng, từ khóa dài đuôi và liên kết ngoài.

Với Agentic Search, nội dung vẫn cần đáp ứng nhu cầu tìm kiếm, nhưng cấu trúc sẽ gần với không gian vấn đề hơn. Một Agent trong nhiệm vụ nghiên cứu có thể liên tục đặt ra nhiều câu hỏi phụ, đồng thời so sánh nhiều nguồn khác nhau. Nó cần những thông tin rõ ràng, có thể xác minh, cấu trúc ổn định và nguồn gốc xác định.

Điều này có nghĩa là ngoài từ khóa, việc xây dựng nội dung còn cần thiết lập sự ổn định trên năm chiều cạnh: Entity rõ ràng, Fact có thể xác minh, Date được ghi chú, Source có thể truy nguyên, Topical Coverage đầy đủ. Nói cách khác, những chiến thuật cũ như nhồi nhét nội dung có mật độ thấp để cải thiện thứ hạng sẽ không còn hiệu quả khi Agent xuất hiện.

Agent khi nghiên cứu ưu tiên những trang có thực thể rõ ràng, sự kiện có thể kiểm chứng, nguồn minh bạch, và chủ đề hoàn chỉnh, thay vì những trang con lặp đi lặp lại cùng một từ khóa ba lần trong tiêu đề. Kết quả từ GEO-Bench (benchmark được sử dụng trong nghiên cứu FeatGEO tại ACL 2026) cho thấy: các thuộc tính nội dung ở cấp độ tài liệu (cấu trúc, nội dung, ngôn ngữ) ảnh hưởng đến tỷ lệ trích dẫn lớn hơn nhiều so với việc chỉnh sửa từ khóa rời rạc. Việc bổ sung nguồn gốc cho mỗi tuyên bố thực tế, thêm khung thời gian cho mỗi con số, và liên kết rõ ràng mối quan hệ chủ đề giữa các trang — những việc mà SEO truyền thống ít quan tâm — đã trở thành hành động cốt lõi trong thời đại GEO.

Một trang web nếu liên tục tạo ra nội dung mà AI có thể tin tưởng sẽ có giá trị cao hơn cả trong thời đại tìm kiếm truyền thống lẫn thời đại Agent.

Tôi đã xác minh điều này khi làm chiến lược nội dung cho một số khách hàng B2B trong lĩnh vực sản xuất: một doanh nghiệp chuyên về tự động hóa công nghiệp đã tái cấu trúc ba năm tài liệu sản phẩm, bài nghiên cứu ngành và báo cáo kỹ thuật theo bốn chiều kích “thực thể — sự kiện — ngày tháng — nguồn”, kết hợp với bản đồ chủ đề ở cấp trang. Kết quả sau sáu tháng: tỷ lệ trích dẫn trang sản phẩm trong các câu trả lời từ AI chính đã tăng gần ba lần, và Qualified Leads tăng khoảng 40%. Lưu ý: hai con số này mang tính minh họa hướng đi, được rút ra từ báo cáo dự án đã được ẩn danh hóa. Tỷ lệ cụ thể sẽ khác nhau tùy theo ngành, điểm xuất phát và mức độ triển khai, không phải dữ liệu chính xác có thể tái lập công khai.

Bảy, API Tìm kiếm Ngày Càng Trở Thành Tầng Hạ Tầng Cho Agent

Đối với các nhà phát triển, sự thay đổi này còn mang một ý nghĩa về mặt kỹ thuật.

Trong tương lai, không nên xem “tìm kiếm” như một năng lực sản phẩm riêng biệt được xây dựng cô lập. Cách tiếp cận kiến trúc hợp lý hơn là ba tầng:

Tầng thứ nhất, Search Infrastructure (Hạ tầng Tìm kiếm). Tầng này đóng vai trò như nền tảng truy xuất không phụ thuộc vào Provider, quản lý Key, hạn mức, chi phí, độ ổn định, cache, định tuyến và chiến lược fallback cho các Provider khác nhau (Tavily, EXA, Brave, Google, Bing, OpenSearch, Elasticsearch, hoặc hệ thống tự xây dựng). Giao diện của nó là “truy xuất + trả về bằng chứng” một cách thống nhất, thay vì SDK (Bộ công cụ phát triển phần mềm) của một Provider cụ thể nào đó.

Tầng này có mối quan hệ song song với kiến trúc năm tầng của RAG (Retrieval Augmentation Generation) truyền thống — bao gồm Document Store, Retriever, Generator, Reranker và Prompting Strategy — nhưng không hoàn toàn trùng khớp. Cụ thể, RAG theo mô hình “trả lời câu hỏi trong một lần duy nhất”, trong khi Search Infrastructure theo mô hình “Agent gọi nhiều lần, lắp ráp động”. Việc sử dụng lẫn lộn hai hệ thống này dễ gây ra nhầm lẫn ở các thành phần Reranker và Source Priority.

Tầng thứ hai, Research Agent. Tầng này đảm nhận các chức năng Planning, Query Expansion, Retrieval, Reasoning, Evidence Assessment, Verification và Action Orchestration. Thay vì gọi trực tiếp Provider, nó thông qua lớp trừu tượng thống nhất ở tầng một để lấy các bằng chứng ứng viên, sau đó quyết định bằng chứng nào đáng tin cậy và bằng chứng nào còn xung đột cần tìm kiếm bổ sung.

Tầng thứ ba, Domain Skill.针对不同任务（如 SEO Research、Competitor Research、Academic Research、Product Research、Legal Research），积累专属的方法论、来源优先级、验证规则和输出 Schema。Skill gọi Agent, Agent gọi Infrastructure.

Kiến trúc phân tầng này mang lại một lợi ích không đối xứng: tầng dưới cùng (Provider) có thể thay thế dễ dàng — nếu Tavily gặp sự cố, có thể chuyển tạm sang EXA mà phía nghiệp vụ không cần viết lại toàn bộ Research Loop; tầng trên (capability) thì được tích lũy liên tục, nên dù Provider có thay đổi, Skill cũng không phải viết lại. Đây mới là giá trị thực sự của việc phân tầng — tách biệt hoàn toàn (decoupling).

Một đội ngũ AI của khách hàng trong lĩnh vực tài chính đã áp dụng kiến trúc này vào năm ngoái, tái cấu trúc phần tìm kiếm từ “mỗi đội engineering tự kết nối API riêng” thành ba tầng rõ ràng. Kết quả là các đội engineering không còn bị gián đoạn bởi “một Provider nào đó bỗng dưng bị giới hạn tốc độ”, và các đội nghiệp vụ có thể mô tả trực tiếp bằng Skill: “tôi cần làm nghiên cứu gì”, mà không cần quan tâm tầng dưới đang gọi ai. Trong vòng ba tháng, thời gian bàn giao các task nghiên cứu liên quan đến nhiều đội đã giảm được khoảng một nửa. Lưu ý: việc thời gian giảm một nửa dựa trên báo cáo định hướng của dự án đã được ẩn danh, tỷ lệ cụ thể sẽ khác nhau tùy theo quy mô đội và cấu trúc ban đầu.

VIII. Thay đổi thực sự là “tiếp cận thông tin” được tích hợp vào hoàn thành nhiệm vụ

Chỉ hiểu AI Search là “hộp tìm kiếm trở nên thông minh hơn” thì sẽ đánh giá thấp sự chuyển biến này.

Khi Search, Memory, Tool Use và Action hợp nhất, những gì người dùng thực sự đưa ra ngày càng mang tính mục tiêu, còn Query sẽ lùi vào bên trong hệ thống.

“Giúp tôi tìm vài bài viết về chủ đề này” sẽ trở thành “Nghiên cứu thị trường này cho tôi, so sánh các phương án, rồi đưa ra bằng chứng và khuyến nghị”. “Giúp tôi tìm khách sạn” sẽ trở thành “Dựa trên các ràng buộc này, tìm khách sạn phù hợp, so sánh chi phí tổng cộng và hoàn tất các bước chuẩn bị trước khi đặt phòng”. “Giúp tôi tra cứu đối thủ cạnh tranh” sẽ trở thành “Liên tục theo dõi đối thủ cạnh tranh, thông báo cho tôi khi có thay đổi quan trọng, và giải thích liệu nó có ảnh hưởng đến chiến lược hiện tại không”.

Sự chuyển dịch này mang ý nghĩa khác nhau trong bốn lĩnh vực.

Trong ngữ cảnh viễn thông, Agent không chỉ đơn thuần trả lời “gói 5G nào rẻ hơn”, mà còn dựa trên thói quen gọi điện, lưu lượng và roaming của người dùng để so sánh xem gói cước hiện tại đã tiết kiệm chưa, chủ động đề xuất ba lựa chọn “Gia hạn / Đổi gói / Chuyển nhà mạng” trước khi hợp đồng hết hạn, và gửi trực tiếp kết quả so sánh cho người dùng.

Trong ngữ cảnh tài chính, Agent không chỉ giải thích “ETF là gì”, mà còn dựa trên ủy quyền của người dùng để đọc cơ cấu tài sản, tình hình thị trường và thay đổi chính sách giám sát, chủ động đưa ra khuyến nghị tái cân bằng danh mục đầu tư, kèm theo nguồn bằng chứng cho từng khuyến nghị.

Trong kịch bản sản xuất, Agent không chỉ đơn thuần là “tra mã lỗi của máy này” nữa, mà từ nhật ký thiết bị, dữ liệu cảm biến, hồ sơ bảo trì gần đây để phân tích song song các nguyên nhân hư hỏng, đưa ra ba phương án sửa chữa theo ba mốc thời gian “hôm nay / ngày mai / cuối tuần này”, đồng thời trực tiếp tạo lệnh công việc kèm danh sách linh kiện dự phòng và ước tính nhân công. Dạng kịch bản này là minh chứng thuyết phục nhất trong triển khai Agent công nghiệp năm 2026 — dữ liệu rung động từ một máy CNC kết hợp với hồ sơ bảo trì ba tháng cùng cảnh báo cảm biến khi ca làm việc, nếu để kỹ thuật viên kiểm tra thủ công cần 4 giờ, trong khi truy vấn đa vòng với chuỗi bằng chứng của Agent chỉ mất 8 phút để đưa ra ba phương án, và mỗi phương án đều kèm theo nguồn trích dẫn cụ thể.

Trong kịch bản thương mại điện tử, Agent không chỉ đơn thuần là “tra giá đối thủ cạnh tranh” nữa, mà liên tục giám sát giá cả, lượng tồn kho, nhịp độ khuyến mãi trên toàn nền tảng, chủ động đẩy thông báo khi SKU mà người dùng quan tâm xuất hiện mức “thấp hơn 20% so với giá trung bình 30 ngày gần nhất”, đồng thời đề xuất có nên điều chỉnh chiến lược giá của mình hay không.

Tìm kiếm vẫn tồn tại, nhưng đã lùi về sau trong một hệ thống nhiệm vụ lớn hơn.

Đối với nội dung, SEO và các sản phẩm AI, điều thực sự đáng quan tâm chính là bước này: Ai có thể liên tục tạo ra bằng chứng đáng tin cậy, ai có thể biến tìm kiếm thành trích dẫn, ai có thể chuyển hóa trích dẫn thành hành động cụ thể.

Bài học dành cho những nhà hoạch định chiến lược

Nếu bạn là người đứng đầu hoặc phó giám đốc phụ trách chuyển đổi số, điều thực sự cần xác định khi triển khai Agentic Search không phải là “nên đổi sang API tìm kiếm nào”, mà là ba vấn đề trọng tâm:

Học AI Từ Từ<001>

Cơ sở hạ tầng bằng chứng — điều kiện tiên quyết để Agent có thể dẫn nguồn lâu dài

Sản phẩm của bạn đã được cấu trúc hóa theo bốn chiều kích — thực thể, sự kiện, ngày tháng, nguồn gốc — hay chưa? Đây là nền tảng để Agent có thể trích dẫn nhất quán theo thời gian. Công cụ SEO thì khác, chúng tối ưu cho máy tìm kiếm chứ không đảm bảo độ tin cậy cho trí tuệ nhân tạo.

Tài sản Skill — kho kiến thức ngầm cần được chắt lọc

Những kinh nghiệm “xử lý tình huống X theo cách này” mà nhân viên kỳ cựu của bạn nắm giữ trong đầu — liệu chúng đã được chuyển hóa thành các Skill có thể tái sử dụng và cải tiến liên tục? Nếu chưa, mỗi lần triển khai AI là bắt đầu lại từ con số không.

Vòng khép kín đánh giá — kim chỉ nam cho sự tự hoàn thiện

Bạn dựa vào tiêu chí nào để xác định AI output đúng hay sai? Không có cơ chế Evaluation, quá trình tự hoàn thiện sẽ chỉ khiến hệ thống ngày càng “tự tin” nhưng lặp lại sai lầm.

Điểm chung của ba yếu tố này: Không có thứ nào nằm trong danh sách mua sắm, tất cả đều cần xây dựng nội bộ.

Những câu hỏi thường gặp

Q1: Khi Agentic Search xuất hiện, liệu còn cần thiết phải tối ưu SEO truyền thống không?

Cần. SEO chính là nền tảng của GEO. Một trang web không thể xuất hiện trong kết quả tìm kiếm truyền thống thì khả năng được AI trích dẫn càng thấp. SEO đảm bảo “có thể tìm thấy”, còn GEO hướng đến “được AI tin tưởng và sẵn sàng trích dẫn” — đây là hai mục tiêu khác nhau, không phải quan hệ thay thế.

Q2: Số lượng Citation tăng lên nhưng Qualified Leads vẫn không cải thiện, tại sao?

Rất có thể vấn đề nằm ở chất lượng Citation. Một câu trả lời AI mà bạn chỉ đóng vai trò là “một lựa chọn thay thế khác” với việc bạn là “một trong ba ứng viên đáng được đánh giá nhất” sẽ tạo ra bản chất lưu lượng hoàn toàn khác nhau. Cái trước chỉ là lượt xem, cái sau mới là lượt hỏi thực sự. Việc xem xét vị trí và ngữ cảnh mà Citation của bạn xuất hiện trong câu trả lời AI có ích hơn nhiều so với việc chỉ nhìn vào con số.

Q3: Có nên tự xây dựng một hệ thống Research Agent ngay bây giờ không?

Trước hết cần xác định rõ phạm vi vấn đề. Nếu công việc nghiên cứu của bạn đòi hỏi dữ liệu thuộc phạm vi riêng (hồ sơ khách hàng, sổ tay sản phẩm nội bộ, hồ sơ tuân thủ) và liên quan đến đối soát tuân thủ hoặc giải thích quy định, thì việc tự xây dựng là cần thiết. Nếu công việc nghiên cứu chủ yếu xoay quanh thông tin công khai, hãy tận dụng tốt các công cụ hiện có (Tavily / EXA / Perplexity / Alibaba Cloud OpenSearch Agentic Search, v.v.) trong vòng 3-6 tháng, chờ cho hệ sinh thái ổn định rồi mới quyết định có nên đi sâu vào tự xây dựng hay không.

Tự kiểm tra ngược (tránh tự lừa dối bản thân)

Biến “được AI trích dẫn” thành KPI thay vì coi đó là phương tiện — nếu lượt trích dẫn không quay lại thành đăng ký hay inquiry, thì đó chỉ là chỉ số hão.
Xem việc tích lũy Skill như việc viết tài liệu một lần — Skill không có Evaluation, thì chỉ tích lũy sai lầm.
Đưa Search API thành vấn đề kỹ thuật — đánh giá chất lượng tìm kiếm bản chất là vấn đề về độ tin cậy của vòng khép kín nghiên cứu, không chỉ là chọn giao diện.
Lấy “AI đã làm được bao nhiêu” làm bằng chứng — điều thực sự cần xem xét là “hệ thống đã thay đổi được gì” từ đó.

Nếu bạn đang đánh giá cách đội ngũ Enterprise Search/SEO tận dụng Agentic Search, những chỉ số GEO nào đáng theo dõi, hay những nội dung nào sẽ trở thành đối tượng được AI trích dẫn — hãy cùng trao đổi. Chúng tôi cung cấp dịch vụ tư vấn chuyên đề về chuyển đổi AI cho doanh nghiệp — từ kiến trúc tìm kiếm, chiến lược nội dung đến các chỉ số GEO, giúp bạn chuyển từ “trang web được phát hiện” sang “được AI tin tưởng đến mức sẵn sàng trích dẫn”.

Đào tạo nội bộ doanh nghiệp — Trình bày kiến trúc tìm kiếm, tài sản nội dung và cách đo lường GEO thành workshop mà đội ngũ của bạn có thể áp dụng ngay (2-3 ngày, lý thuyết tổng quan kết hợp thực hành).
Tư vấn chuyên đề — Chẩn đoán và đề xuất lộ trình triển khai phù hợp với cơ sở hạ tầng tìm kiếm hiện tại, lộ trình tích lũy Skill và chất lượng Citation của bạn.
Chia sẻ cho ban lãnh đạo và thuyết trình ngành — Mang các khái niệm như ba giai đoạn tìm kiếm, nội dung như không gian vấn đề, phễu GEO đến hội nghị ngành hoặc cuộc họp cấp cao của bạn.

Email hợp tác: [email protected]

Đọc thêm: 《Khung 7 bước chuyển đổi AI》 – giải thích toàn diện lộ trình triển khai AI cho doanh nghiệp.

Về series này

「云栖观察」là series phân tích thực địa của IAIUSE, xuất phát từ hội nghị Yunqi 2026, dùng góc nhìn của nhà nghiên cứu để分解AI产业正在发生的真实变化——không chạy theo xu hướng nóng, chỉ tập trung vào những hướng đi đáng đặt cược và mức độ tin cậy của bằng chứng.

Series bao quát các chủ đề: hệ thống layer trên model, triển khai Agent, tài sản Context, thiết kế tổ chức AI doanh nghiệp, sự dịch chuyển đơn vị cạnh tranh sản phẩm AI, v.v., tổng cộng khoảng 10 bài.

Tôi có gần 8 năm kinh nghiệm tư vấn doanh nghiệp lớn và phân tích kinh doanh, từng làm việc tại IBM, tham gia các dự án liên quan đến viễn thông, tài chính, bảo hiểm và sản xuất. Sau đó tiếp tục công tác tại đơn vị sản phẩm viễn thông, sản phẩm internet và phát triển ứng dụng AI, đảm nhận phân tích nhu cầu, thiết kế sản phẩm và triển khai xuyên nhóm. Thực ra sau series này là một nhóm nhỏ – tôi và 1-2 đồng nghiệp hợp tác lâu năm, phụ trách lần lượt nghiên cứu công cụ lập trình AI, tổng hợp case quản trị tổ chức, và coaching. Phần lớn các dự án “chúng tôi đồng hành cùng doanh nghiệp vượt qua” trong bài viết đều do vài người chúng tôi cùng thực hiện.

Những nhận định trong series này đến từ quan sát thực địa và đối chiếu chéo ngành của tôi, mang quan điểm cá nhân rõ ràng, không đại diện cho lập trường của bất kỳ nhà cung cấp nào.

Điểm cần lưu ý về bản địa hóa (Đối chiếu dịch thuật đa ngôn ngữ, Quy ước chiến lược đa ngôn ngữ của IAIUSE · 2026-08-09)

Khi dịch sang 19 ngôn ngữ, các nội dung dưới đây sẽ được thay thế theo thị trường địa phương hóa mục tiêu, cấu trúc/trình bày giữ nguyên:

中文稿内容	越南语版
阿里云 OpenSearch	Alibaba Cloud OpenSearch
Tavily / EXA	Tavily / EXA
ChatGPT / Perplexity	ChatGPT / Perplexity
百度 / Google	Google

Ghi Chú Trích Dẫn (Từng Mục, Quy Ước Ngày 09/08/2026·Điều Khoản 1 Bắt Buộc Kiểm Tra)

Bên cạnh các mục địa phương hóa nêu trên, các sản phẩm/khái niệm mang tính toàn cầu (Research Agent, Task Memory, Context Provider, Citation / Mention, AI Visibility, Long-term Memory, MemGPT, Letta, RAG, Tavily, EXA) được giữ nguyên tiếng Anh. 15 ngôn ngữ còn lại được thực hiện theo ba cấp bậc của IAIUSE: 5 ngôn ngữ trọng điểm (Trung/Anh/Đức/Nhật/Ả Rập) được địa phương hóa theo bảng trên; 9 ngôn ngữ phụ (Tây Ban Nha/Pháp/Bồ Đào Nha/Hàn/Nga/Ý/Hà Lan/Ba Lan/Thổ Nhĩ Kỳ) giữ nguyên tên OpenSearch/Tavily/EXA + thay thế doanh nghiệp đại diện địa phương; 5 ngôn ngữ tùy chọn (Thụy Điển/TháiLan/Tiếng Việt/Ucraina/Indonesia) giữ nguyên tên gốc làm placeholder.

Từ Từ Học AI - Bảng Tham Chiếu

#	Trích dẫn trong bài	Nguồn	Ngày đăng	Cấp độ bằng chứng	Ghi chú quan điểm
1	“Exa 81% / Tavily 71% trên benchmark WebWalker đa bước; Exa 1.4s / Tavily 4.5s độ trễ p95”	exa.ai/versus/tavily (Trang so sánh chính thức của Exa Labs)	2026-02-12	Thông tin đã xác minh (do nhà cung cấp công bố)	Trang của Exa, mang góc nhìn của Exa; benchmark WebWalker của bên thứ ba có thể kiểm chứng độc lập
2	“Alibaba Cloud OpenSearch Agentic Search thương mại hóa từ 2026-08-31, trước đó dùng thử miễn phí”	alibabacloud.com/help/doc-detail/3053142.html (Tài liệu chính thức của Alibaba Cloud OpenSearch)	Có hiệu lực 2026-08-31	Thông tin đã xác minh (tài liệu chính thức)	Alibaba Cloud, góc nhìn của nhà cung cấp

| 3 | “LLM tiêu chuẩn độ chính xác truy xuất đa vòng < 10%, Deep Research Agent > 50%” | tianpan.co/blog/2026/04/12/deep-research-agents… (phân tích ngành); và tham khảo arxiv.org/html/2606.15367v1 (tổng hợp S1-DeepResearch) | tháng 4 năm 2026 | quan sát ngành (tổng hợp nhà phân tích) | Tianpan nhà phân tích độc lập; phản biện đồng nghiệp bài báo S1-DeepResearch |
| 4 | “MindDR tại BrowseComp-ZH 45.7% / DeepResearch Bench 52.5” | arxiv.org/html/2604.14518v1 (báo cáo kỹ thuật Mind DeepResearch của Li Auto) | 2026-04-14 | sự kiện đã xác minh (bài báo) | mô hình tự phát triển của Li Auto, lập trường của nhà cung cấp |

| 5 | “DRBench: 100 tác vụ nghiên cứu sâu doanh nghiệp, 1093 câu hỏi phụ, 10 lĩnh vực” | arxiv.org/pdf/2510.00172(ServiceNow Research) | 2025-10 | Thực tế đã xác minh (bài báo) | Nghiên cứu nội bộ của ServiceNow |
| 6 | “Bài báo MemGPT 2023 ‘LLM as OS’ mô hình phân lớp; Letta 2024 đưa vào thực tiễn kỹ thuật; Khóa ngắn hạn DeepLearning.AI 2026” | blog.stackademic.com/letta-platform… ;letta.com/blog/benchmarking-ai-agent-memory;linkedin.com/posts/deeplearningai… | 2023-2026 | Thực tế đã xác minh (tổng quan công nghệ) | Blog của MemGPT/Letta, mang góc nhìn từ nhà cung cấp công cụ |

| 7 | “Pew Research: 900 người trưởng thành tại Mỹ, 68.879 lượt tìm kiếm Google; tỷ lệ nhấp chuột 8% khi có tóm tắt AI, 15% khi không có” | instituteforpr.org/do-ai-summaries-reduce-clicks-on-google (Tổng hợp Pew Research) | 2025-07 | Đã xác minh (nghiên cứu độc lập) | Tổ chức độc lập Pew Research |

| 8 | “Tỷ lệ trích dẫn trên Perplexity đạt 97%, Google AIO đạt 34%, ChatGPT đạt 16%; Lưu lượng từ AI chiếm khoảng 1,08% tổng lưu lượng truy cập website, tỷ lệ chuyển đổi cao hơn 3,1-4,4 lần so với tìm kiếm tự nhiên trên Google, thời gian hội thoại cao hơn 4,7 lần” | cite.solutions/generative-engine-optimization(2026-05-02);omnius.so/blog/generative-engine-optimization-kpis-and-metrics(2026-08-18);trycited.app/generative-engine-optimization(2026-08-17) | 2026-05/08 | Quan sát ngành (dữ liệu từ nhiều nhà cung cấp công cụ GEO); Trích dẫn từ MarGen 2026 | Dữ liệu tự báo cáo của các nhà cung cấp công cụ GEO, mang tính thiên kiến từ phía nhà cung cấp |

| 9 | “Ahrefs: Nguồn trích dẫn từ Google AIO chiếm khoảng 45%, thay đổi theo từng vòng” | omnius.so/blog/generative-engine-optimization-kpis-and-metrics (2026-08-18) | 2026-08-18 | Quan sát ngành (Nhà cung cấp công cụ SEO) | Ahrefs, góc nhìn từ nhà cung cấp công cụ SEO |
| 10 | “FeatGEO: GEO-Bench kiểm tra trên ba engine sinh, thuộc tính nội dung cấp tài liệu có ảnh hưởng lớn hơn đến tỷ lệ trích dẫn so với việc chỉnh sửa ở cấp từ khóa” | aclanthology.org/2026.acl-long.929/ (ACL 2026 Long Paper) | 2026 | Sự kiện đã xác minh (Đánh giá đồng nghiệp) | Nghiên cứu học thuật |
| 11 | “Gemini 3.1 đạt RACE 49.65 trên DeepResearch Bench, độ chính xác trích dẫn 77.20%” | arxiv.org/html/2604.14518v1 (MindDR paper tương tự bao gồm so sánh các đối thủ) | 2026-04 | Sự kiện đã xác minh (Bài báo) | Benchmark của bên thứ ba, không trung lập |

| 12 | “RAG Năm lớp kinh điển: Document Store / Retriever / Generator / Reranker / Prompting Strategy” | medium.com/@angelosorte1/rag-architectures-every-ai-developer-must-know-in-2026(Angelo Sorte tổng quan);levelop.dev/blog/…/agent-rag-architecture-five-layer-retrieval-stack(2026-07-23);braintrust.dev/articles/best-vector-databases-for-rag-2026 | 2026 | Quan sát ngành (tổng quan công nghệ) | Tổng quan thực tiễn kỹ thuật |

| 13 | “Anthropic Agent Skills tài nguyên cấp hệ thống tệp, tải Skill theo nhu cầu, có thể kết hợp” | docs.anthropic.com/en/docs/agents-and-tools/agent-skills/overview(Tài liệu chính thức của Anthropic) | 2026 | Đã xác minh (tài liệu chính thức) | Anthropic, quan điểm của nhà cung cấp |

Các case khách hàng không liệt kê riêng nhưng đã được đánh dấu “ẩn danh/mang tính minh họa” trong bài viết (evolution của chuỗi bán lẻ, tăng 3 lần về tỷ lệ trích dẫn/40% Qualified Leads tăng thêm của khách hàng B2B tự động hóa công nghiệp, thời gian giao hàng của khách hàng tài chính giảm một nửa): Nguồn từ báo cáo rút kinh nghiệm ẩn danh của dự án đồng hành triển khai, không chỉ đích danh bất kỳ khách hàng cụ thể nào, các số liệu mang tính chất định hướng.