Nền tảng xây dựng chatbot AI cho doanh nghiệp 2026: so sánh Rasa, Botpress và Microsoft Copilot Studio

Rasa, Botpress và Microsoft Copilot Studio là ba con đường khác nhau để xây cùng một thứ: một chatbot AI phục vụ khách hàng và nhân viên của doanh nghiệp. Rasa là framework mã nguồn mở cho đội ngũ kỹ thuật muốn kiểm soát mọi chi tiết; Botpress là nền tảng low-code cho đội ngũ muốn xây nhanh một agent có thể gọi API và làm việc thật; Microsoft Copilot Studio là studio low-code trong hệ sinh thái Microsoft, mạnh nhất khi doanh nghiệp đã dùng Microsoft 365, Teams và Power Platform. Không có nền tảng nào tốt nhất cho mọi doanh nghiệp — chỉ có nền tảng phù hợp nhất với đội ngũ, dữ liệu và kênh mà doanh nghiệp đang có.

Bài viết này so sánh ba nền tảng theo cùng một khung: chúng hiểu ngôn ngữ như thế nào, quản lý hội thoại ra sao, tích hợp kênh và hệ thống nội bộ bằng cách nào, chi phí thực tế gồm những gì, và khi nào nên chọn nền tảng nào. Mọi mức giá được nêu đều là giá công bố trên trang của nhà cung cấp hoặc các bài tổng hợp kiểm chứng trong tháng 10/2026, và doanh nghiệp nên kiểm tra lại trang giá chính thức trước khi quyết định, vì các nền tảng này thay đổi bảng giá khá thường xuyên.

Vì sao việc chọn nền tảng chatbot lại khó hơn việc chọn chatbot?

Nhiều doanh nghiệp bắt đầu bằng câu hỏi “chatbot nào tốt nhất?” và nhận được hàng chục câu trả lời mâu thuẫn nhau. Lý do là câu hỏi đó thiếu bối cảnh. Một chatbot trả lời FAQ trên website cần rất ít so với một agent đặt phòng phải tra cứu tồn kho, giữ phòng và bàn giao cho lễ tân. Một đội ngũ có ba lập trình viên Python sẽ hạnh phúc với một framework mở; một đội ngũ chỉ có nhân viên vận hành sẽ khổ sở với cùng framework đó. Một công ty đã dùng Microsoft 365 cho toàn bộ nhân viên sẽ thấy Copilot Studio tự nhiên như một phần mở rộng; một công ty dùng Google Workspace và Zalo sẽ thấy nó lạc lõng.

Chọn sai nền tảng không chỉ tốn tiền mua bản quyền. Chi phí lớn nhất thường là chi phí chuyển đổi: nội dung hội thoại, dữ liệu huấn luyện, tích hợp API và quy trình bàn giao đều phải làm lại khi đổi nền tảng. Vì vậy, quyết định đúng là quyết định dựa trên năm câu hỏi: đội ngũ của bạn giỏi cái gì, dữ liệu của bạn đang ở đâu, khách hàng của bạn đang ở kênh nào, chatbot cần làm được việc gì (chỉ trả lời hay phải hành động), và bạn chấp nhận mức độ khóa chặt vào nhà cung cấp tới đâu. Ba nền tảng trong bài này đại diện cho ba câu trả lời khác nhau cho năm câu hỏi đó.

Ba triết lý thiết kế khác nhau

Rasa xuất phát từ triết lý “kiểm soát tối đa”: mã nguồn mở, tự host, đội ngũ tự xây pipeline hiểu ngôn ngữ và quản lý hội thoại, tự quyết định dữ liệu đi đâu và mô hình nào được dùng. Đổi lại, doanh nghiệp phải tự lo hạ tầng, bảo trì và nâng cấp. Botpress xuất phát từ triết lý “xây nhanh, làm việc thật”: trình soạn thảo trực quan low-code, agent có thể gọi API và công cụ ngay trong luồng hội thoại, triển khai đa kênh, trả phí theo mức sử dụng. Copilot Studio xuất phát từ triết lý “nằm trong hệ sinh thái”: xây agent bằng ngôn ngữ tự nhiên và low-code, kết nối sẵn với dữ liệu Microsoft 365, Teams, SharePoint, Dataverse và hơn 1.400 connector, tính phí theo Copilot Credit cho mỗi lần agent trả lời hoặc hành động.

Một cách hình dung khác: Rasa giống như mua đất và tự xây nhà — tốn công nhất nhưng nhà đúng ý mình nhất. Botpress giống như thuê một xưởng đã có sẵn máy móc — vào làm ngay, tùy biến được nhiều, nhưng vẫn phải tự vận hành. Copilot Studio giống như thuê căn hộ trong một tòa nhà đã có sẵn điện nước, bảo vệ và siêu thị tầng trệt — tiện nhất nếu bạn đã sống trong tòa nhà đó, bất tiện nếu bạn sống ở nơi khác.

Rasa là gì? Framework mã nguồn mở cho đội kỹ thuật

Rasa là một framework mã nguồn mở để xây dựng trợ lý hội thoại và tác nhân AI, nổi tiếng trong giới kỹ thuật với hơn 21.000 sao trên GitHub. Khác với các nền tảng chatbot dạng kéo-thả, Rasa không phải là một sản phẩm đóng gói sẵn để người không biết code dùng ngay; nó là một bộ công cụ cho lập trình viên xây dựng hệ thống hội thoại theo đúng yêu cầu của mình, chạy trên hạ tầng của chính doanh nghiệp.

Điểm mạnh lịch sử của Rasa là hai thành phần: NLU (Natural Language Understanding) và quản lý hội thoại (dialogue management). Thành phần NLU nhận diện ý định của người dùng và trích xuất thực thể — ví dụ, từ câu “đặt phòng đôi ngày 14 tháng 11” sẽ nhận ra ý định đặt phòng, loại phòng là phòng đôi, ngày là 14/11. Thành phần quản lý hội thoại quyết định bước tiếp theo dựa trên ý định, thực thể và lịch sử trò chuyện: hỏi thêm ngày trả phòng, tra cứu giá, hay xác nhận đặt phòng. Trong các phiên bản hiện đại, Rasa đã phát triển thêm CALM (Conversational AI with Language Models), một cách tiếp cận kết hợp mô hình ngôn ngữ lớn với luồng nghiệp vụ có kiểm soát.

CALM và Flows: LLM hiểu, luồng nghiệp vụ quyết định

CALM là thay đổi kiến trúc quan trọng nhất của Rasa trong những năm gần đây, và là điểm doanh nghiệp cần hiểu rõ khi đánh giá Rasa năm 2026. Trong cách tiếp cận truyền thống, Rasa dùng mô hình học máy được huấn luyện từ các ví dụ hội thoại (stories) để dự đoán hành động tiếp theo. Cách này chính xác và kiểm soát được, nhưng cần nhiều dữ liệu huấn luyện và khó xử lý các câu nói ngoài kịch bản.

CALM tách việc hiểu ngôn ngữ khỏi việc thực thi nghiệp vụ. Mô hình ngôn ngữ lớn đóng vai trò “bộ tạo lệnh” (command generator): nó đọc câu nói của người dùng và dịch thành các lệnh có cấu trúc, ví dụ “bắt đầu luồng đặt phòng” hay “đặt slot ngày nhận phòng là 14/11”. Sau đó, các luồng nghiệp vụ (Flows) đã được định nghĩa sẵn sẽ quyết định hệ thống làm gì tiếp theo: thu thập thông tin theo từng bước, gọi API, kiểm tra điều kiện, xác nhận với người dùng, hoặc chuyển sang luồng khác. Mô hình ngôn ngữ không được tự ý bịa ra bước nghiệp vụ; nó chỉ được hiểu ý người dùng và chuyển thành lệnh, còn việc thực thi tuân theo luồng đã định.

Cách tách này giải quyết một bài toán mà nhiều doanh nghiệp gặp phải với chatbot LLM thuần túy: mô hình nói rất trôi chảy nhưng đôi khi hành động sai quy trình — ví dụ xác nhận đặt phòng khi chưa đủ thông tin, hay báo giá mà không tra cứu dữ liệu. Với CALM, doanh nghiệp giữ được sự linh hoạt của LLM trong việc hiểu ngôn ngữ, đồng thời giữ được tính xác định của luồng nghiệp vụ trong những bước nhạy cảm như giá cả và đặt phòng. Đây cũng là triết lý tương tự kiến trúc nhiều tầng: phần cần sáng tạo thì để mô hình lo, phần cần chính xác thì để quy tắc lo.

NLU cổ điển vẫn còn chỗ đứng

Mặc dù CALM là hướng đi mới, Rasa vẫn hỗ trợ các mẫu NLU cổ điển và cho phép dùng song song cả hai cách tiếp cận. Điều này quan trọng với doanh nghiệp đã đầu tư vào dữ liệu huấn luyện intent và entity từ trước, hoặc với các trường hợp mà độ chính xác xác định quan trọng hơn sự linh hoạt: ví dụ phân loại yêu cầu hỗ trợ kỹ thuật, nhận diện mã sản phẩm, hay trích xuất ngày tháng theo định dạng chặt chẽ. Một pipeline NLU cổ điển với DIET và TEDPolicy có thể đạt độ chính xác cao và chạy nhanh trên hạ tầng của doanh nghiệp, không cần gọi mô hình ngôn ngữ lớn bên ngoài cho mỗi câu nói.

Về mặt thực hành, đội ngũ triển khai Rasa cần chuẩn bị ba loại dữ liệu: dữ liệu NLU (các ví dụ câu nói cho mỗi ý định), các luồng hội thoại mẫu (stories hoặc flows), và các hành động tùy chỉnh bằng Python (custom actions) để gọi API, truy vấn cơ sở dữ liệu hay tính toán nghiệp vụ. Đây là công việc của lập trình viên, không phải của nhân viên vận hành. Doanh nghiệp không có lập trình viên Python hoặc không muốn duy trì đội ngũ kỹ thuật cho chatbot sẽ thấy Rasa nặng nề, dù bản thân framework là miễn phí.

Triển khai, bảo mật và chi phí của Rasa

Rasa Open Source miễn phí và tự host: doanh nghiệp tự triển khai trên máy chủ của mình hoặc trên cloud của mình, tự chịu trách nhiệm về hạ tầng, giám sát và nâng cấp. Điều này mang lại lợi thế lớn về bảo mật và tuân thủ: dữ liệu hội thoại không rời khỏi hạ tầng của doanh nghiệp, phù hợp với các ngành có yêu cầu nghiêm ngặt về dữ liệu như tài chính, y tế hay chính phủ. Rasa cũng hỗ trợ triển khai on-premise và đa ngôn ngữ, cùng khả năng tích hợp voice, SMS và các kênh nhắn tin.

Chi phí của Rasa không nằm ở bản quyền mà nằm ở con người và hạ tầng. Doanh nghiệp cần lập trình viên Python hiểu về xử lý ngôn ngữ tự nhiên, cần máy chủ đủ mạnh để chạy mô hình NLU (các thư viện NLP như spaCy có thể tiêu tốn nhiều bộ nhớ), và cần thời gian huấn luyện, kiểm thử và bảo trì mô hình. Rasa Pro và Rasa Platform là các phiên bản thương mại bổ sung phân tích, công cụ gán nhãn và hạ tầng được quản lý, với giấy phép và giới hạn sử dụng riêng — doanh nghiệp cần xác minh giấy phép và giới hạn hiện hành trước khi chọn, vì ranh giới giữa bản mở và bản thương mại đã thay đổi theo thời gian. Một lưu ý thực tế: Rasa Open Source hiện ở nhánh 3.6.x trong đầu năm 2026, với các bản vá cho Python 3.10 trở lên; đội ngũ triển khai nên kiểm tra phiên bản mới nhất và tài liệu chính thức tại thời điểm triển khai.

Khi nào nên chọn Rasa?

Chọn Rasa khi doanh nghiệp có đội ngũ kỹ thuật mạnh, yêu cầu kiểm soát dữ liệu ở mức cao nhất, cần tùy biến sâu logic hội thoại và tích hợp với hệ thống nội bộ phức tạp, hoặc muốn tránh phụ thuộc vào một nhà cung cấp SaaS duy nhất. Rasa đặc biệt phù hợp với chatbot phục vụ quy trình nghiệp vụ phức tạp, nhiều bước, nhiều điều kiện rẽ nhánh — ví dụ quy trình xử lý yêu cầu bồi thường bảo hiểm, quy trình tư vấn tài chính có kiểm soát, hay chatbot nội bộ tra cứu dữ liệu nhạy cảm. Không nên chọn Rasa khi đội ngũ không có lập trình viên, khi cần ra mắt trong một hai tuần, hay khi chatbot chỉ cần trả lời FAQ đơn giản — trong những trường hợp đó, chi phí kỹ thuật của Rasa sẽ lớn hơn nhiều so với giá trị nó mang lại.

Botpress là gì? Nền tảng low-code xây agent làm việc thật

Botpress là một nền tảng low-code để xây dựng các AI agent và chatbot có thể suy luận, hành động và tích hợp với hệ thống sẵn có của doanh nghiệp. Khác với Rasa, Botpress hướng tới việc giúp đội ngũ phi kỹ thuật hoặc bán kỹ thuật xây dựng được chatbot hoạt động thật trong thời gian ngắn, thông qua Botpress Studio — một trình soạn thảo trực quan dạng kéo-thả, nơi hội thoại được thiết kế như một sơ đồ các nút và luồng.

Botpress đã tái định vị từ “công cụ chatbot” thành “nền tảng AI agent”. Sự thay đổi này phản ánh đúng xu hướng chung: chatbot hiện đại không chỉ trả lời, mà còn phải gọi API, tra cứu dữ liệu, cập nhật hệ thống và hoàn thành tác vụ. Trong Botpress Studio, đội ngũ có thể kết hợp các nút tuân theo từng bước cố định với các nút tự chủ (autonomous nodes), nơi AI tự quyết định bước tiếp theo dựa trên công cụ được cấp, trong giới hạn đã đặt ra. Đây là sự cân bằng thực dụng giữa kiểm soát và linh hoạt: những bước nhạy cảm thì viết rõ từng bước, những bước linh hoạt thì để AI xử lý.

Botpress Studio: canvas trực quan, code khi cần

Điểm mạnh dễ thấy nhất của Botpress là trải nghiệm xây dựng. Người dùng kéo-thả các thẻ (cards) lên canvas, nối chúng thành luồng, gắn kiến thức (knowledge base), kết nối công cụ và API, rồi triển khai lên webchat, WhatsApp, Telegram, Slack hay Facebook Messenger. Nền tảng có hơn 100 tích hợp sẵn với các công cụ như WhatsApp, Telegram, HubSpot, Notion, Calendly, Zendesk và Google Drive, cùng khả năng dịch tự động sang hơn 100 ngôn ngữ.

Tuy nhiên, “low-code” không có nghĩa là “no-code hoàn toàn”. Khi cuộc trò chuyện cần làm việc gì đó ngoài các thẻ có sẵn — ví dụ gọi một API nội bộ với logic phức tạp, hay tính toán giá theo quy tắc riêng — đội ngũ vẫn cần viết JavaScript trong thẻ “Execute Code” hoặc xây dựng Action tùy chỉnh. Các bài đánh giá thực tế đều lưu ý điểm này: Botpress rất nhanh cho tới khi gặp yêu cầu tùy chỉnh, và từ đó trở đi đội ngũ cần người thoải mái với logic và code nhẹ. Doanh nghiệp nên đánh giá trung thực năng lực này trước khi chọn: nếu không có ai trong đội có thể viết một đoạn JavaScript gọi API, Botpress sẽ dừng lại ở mức chatbot trả lời từ kiến thức có sẵn, chứ không trở thành agent làm việc thật.

Hệ thống RAG, bộ nhớ và khả năng debug

Botpress có hệ thống RAG (Retrieval-Augmented Generation) tích hợp để trả lời dựa trên tài liệu của doanh nghiệp: tải tài liệu lên, hệ thống chia nhỏ, lập chỉ mục và truy xuất đoạn liên quan mỗi khi khách hỏi. Điều này giúp chatbot trả lời dựa trên nguồn thật thay vì bịa đặt, với điều kiện tài liệu nguồn được cập nhật và tổ chức tốt. Botpress cũng có bộ nhớ bền vững (persistent memory) để agent nhớ ngữ cảnh và thông tin khách đã cung cấp trong cuộc trò chuyện, cùng bộ phân tích tích hợp để theo dõi hiệu suất hội thoại.

Một tính năng được nhiều đội kỹ thuật đánh giá cao là trình gỡ lỗi (debugger) tích hợp: nó cho thấy chính xác vì sao bot đưa ra quyết định đó, kèm nhật ký chi tiết từng bước của cuộc trò chuyện. Khi chatbot trả lời sai, đội ngũ có thể truy vết xem lỗi nằm ở khâu truy xuất kiến thức, khâu suy luận hay khâu gọi công cụ — thay vì đoán mò. Đây là tính năng tưởng nhỏ nhưng quyết định tốc độ cải thiện chatbot theo thời gian. Một nền tảng không có công cụ truy vết tốt sẽ khiến đội ngũ mất rất nhiều thời gian mỗi khi chatbot trả lời sai.

Giá Botpress 2026: trả theo cuộc trò chuyện, AI tính riêng

Bảng giá Botpress đã thay đổi trong năm 2026, và doanh nghiệp cần đọc kỹ vì có hai thành phần: phí gói theo tháng và phí AI sử dụng (AI Spend). Theo trang giá của Botpress và các bài tổng hợp kiểm chứng tháng 10/2026, các gói cho workspace mới từ 14/05/2026 gồm: gói Free 0 USD với 100 cuộc trò chuyện và 3 AI agent; gói Plus 150 USD/tháng (thanh toán theo năm) với 250 cuộc trò chuyện/tháng, 25 USD AI usage đi kèm và webchat white-label; gói Team 750 USD/tháng với 1.500 cuộc trò chuyện/tháng, 150 USD AI usage đi kèm và bàn giao cho nhân viên trực tiếp; gói Enterprise giá tùy chỉnh. Số cuộc trò chuyện vượt gói được tính thêm, ví dụ 65 USD cho mỗi 100 cuộc trò chuyện thêm trên gói Plus. Một số bài đánh giá cũ hơn ghi nhận mức giá khác (Plus 89 USD/tháng hay Team 495 USD/tháng cộng AI Spend), phản ánh các lần thay đổi giá trước đó — đây là lý do doanh nghiệp nên kiểm tra trang giá chính thức tại thời điểm mua, thay vì tin vào một con số duy nhất trong bài viết này hay bất kỳ bài viết nào.

Điểm cần lưu ý nhất trong cách tính phí của Botpress là đơn vị tính là cuộc trò chuyện (conversation), không phải số ghế (seat) hay số tin nhắn. Một cuộc trò chuyện có thể gồm nhiều tin nhắn, và một khách hàng quay lại nhiều lần có thể tạo ra nhiều cuộc trò chuyện. Doanh nghiệp có lưu lượng chat lớn nhưng mỗi cuộc trò chuyện ngắn sẽ thấy mô hình này hợp lý; doanh nghiệp có ít khách nhưng mỗi khách chat rất dài cũng cần tính toán kỹ, vì chi phí AI Spend sẽ tăng theo mức sử dụng mô hình. Lời khuyên thực tế: trước khi cam kết gói năm, hãy chạy thử gói Free và gói tháng (nếu có) trong một tháng cao điểm thật sự, đo số cuộc trò chuyện và AI Spend thực tế, rồi mới quyết định gói năm.

Khi nào nên chọn Botpress?

Chọn Botpress khi doanh nghiệp muốn ra mắt nhanh một chatbot hoặc agent có thể gọi API và làm việc thật, có đội ngũ bán kỹ thuật (hiểu logic, biết JavaScript cơ bản), cần triển khai đa kênh gồm WhatsApp, Messenger, Telegram và webchat, và muốn trả phí theo mức sử dụng thay vì đầu tư hạ tầng riêng. Botpress phù hợp với chatbot hỗ trợ khách hàng, thu thập lead, đặt lịch hẹn và trả lời dựa trên tài liệu nội bộ. Không nên chọn Botpress khi doanh nghiệp yêu cầu dữ liệu tuyệt đối không rời khỏi hạ tầng của mình, khi cần tùy biến sâu tới mức framework mở mới đáp ứng được, hay khi ngân sách chỉ cho phép chi phí cố định thấp và lưu lượng chat khó dự đoán — trong trường hợp đó, cách tính phí theo cuộc trò chuyện cộng AI Spend có thể gây bất ngờ.

Microsoft Copilot Studio là gì? Studio low-code trong hệ sinh thái Microsoft

Microsoft Copilot Studio là nền tảng low-code của Microsoft để xây dựng và phát hành các AI agent và quy trình làm việc, kế thừa từ Power Virtual Agents trước đây. Người dùng xây agent bằng ngôn ngữ tự nhiên và giao diện low-code, kết nối agent với dữ liệu nội bộ, rồi phát hành lên Teams, SharePoint, Microsoft 365 Copilot, website và nhiều kênh khác. Điểm khác biệt lớn nhất của Copilot Studio so với hai nền tảng còn lại không nằm ở công nghệ chatbot, mà nằm ở vị trí của nó: nó là một phần của Power Platform và hệ sinh thái Microsoft 365.

Sự khác biệt giữa Copilot Studio và Microsoft 365 Copilot cũng là điểm nhiều doanh nghiệp hay nhầm lẫn, nên cần nói rõ. Microsoft 365 Copilot (nay gọi là Microsoft Copilot) là AI tích hợp sẵn trong Word, Outlook, Excel và Teams cho từng người dùng, tính phí 30 USD/người/tháng khi thanh toán theo năm. Copilot Studio là studio để xây agent riêng: agent có thể phục vụ khách hàng bên ngoài, phục vụ người dùng không có giấy phép Copilot, hoặc chạy tự động theo quy trình. Một giấy phép Microsoft 365 Copilot đã bao gồm khả năng xây agent nội bộ cho nhân viên đó; nhưng khi agent được phát hành ra kênh ngoài, phục vụ khách hàng, hoặc chạy tự động, doanh nghiệp cần gói Copilot Studio riêng. Nói ngắn gọn: Copilot là AI cho từng nhân viên, Copilot Studio là xưởng để xây AI cho cả tổ chức và khách hàng.

Ba harness và cách agent suy luận

Copilot Studio không chạy theo một mô hình thực thi duy nhất. Mọi agent được xây trên một trong ba “harness” — thuật ngữ của Microsoft để chỉ engine đứng sau agent. Harness GitHub Copilot dành cho công việc suy luận nhiều bước, phức tạp: agent tự diễn giải yêu cầu, tự chọn công cụ và tự làm việc qua các bước mà không cần mọi đường đi được viết sẵn. Harness tiêu chuẩn (standard) phù hợp với agent có luồng rõ ràng, kết hợp chủ đề (topics), công cụ và quy trình. Harness Copilot chat mở rộng chính Microsoft 365 Copilot Chat bằng tri thức riêng của tổ chức. Việc chọn harness ngay từ đầu sẽ ảnh hưởng tới cách tính phí và khả năng của agent, nên đội ngũ nên thử nghiệm cả ba với cùng một bài toán thật trước khi quyết định.

Về mặt xây dựng, Copilot Studio cho phép mô tả mục tiêu kinh doanh bằng ngôn ngữ tự nhiên và để hệ thống lắp ráp agent từ các thành phần phù hợp, hoặc xây thủ công bằng topics, công cụ, luồng agent (agent flows) và nguồn tri thức. Agent có thể được giao tài khoản riêng và tham gia vào quy trình nghiệp vụ, gọi Power Automate flows, đọc và ghi bảng Dataverse, và dùng cùng danh mục connector của Power Platform. Một số tính năng như agent thoại xử lý cuộc gọi điện thoại (IVR) và làm việc nhóm nhiều agent cũng đã xuất hiện trong nền tảng.

Kết nối dữ liệu: 1.400+ connector và MCP

Điểm mạnh nhất của Copilot Studio là kết nối. Nền tảng có hơn 1.400 connector bên ngoài, và nguồn tri thức tích hợp gồm website công khai, SharePoint, OneDrive for Business, Dataverse, Salesforce, ServiceNow, Azure SQL, cùng nhiều nguồn khác qua Power Platform connectors. Hỗ trợ Model Context Protocol (MCP) đã đạt trạng thái sẵn sàng chung từ tháng 5/2025, nghĩa là agent có thể gọi bất kỳ máy chủ MCP nào, không chỉ các máy chủ của Microsoft. Đây là một lợi thế lớn trong bối cảnh các hệ thống doanh nghiệp đang dần mở dữ liệu qua MCP: agent không chỉ đọc tài liệu tĩnh mà có thể truy vấn dữ liệu sống từ các hệ thống khác nhau.

Tuy nhiên, sức mạnh kết nối này chỉ phát huy khi dữ liệu của doanh nghiệp đã nằm trong hoặc kết nối được với hệ sinh thái Microsoft. Một doanh nghiệp dùng SharePoint, Teams, Outlook và Dataverse sẽ thấy agent kết nối dữ liệu trong vài giờ. Một doanh nghiệp dùng Google Workspace, Zalo, và hệ thống nội bộ tự xây sẽ phải xây thêm lớp kết nối, và lợi thế của Copilot Studio sẽ giảm đi đáng kể. Đây là câu hỏi đầu tiên cần trả lời khi đánh giá Copilot Studio: dữ liệu quan trọng nhất mà chatbot cần đọc đang nằm ở đâu?

Giá Copilot Studio 2026: Copilot Credit

Copilot Studio tính phí bằng Copilot Credit, không tính theo ghế ngồi. Theo tài liệu giá của Microsoft và các bài tổng hợp kiểm chứng tháng 9–10/2026, một gói 25.000 Copilot Credit có giá 200 USD/tháng, hoặc trả theo mức sử dụng qua Azure với giá 0,01 USD mỗi credit. Mức tiêu thụ được tính theo loại thao tác: một câu trả lời theo kịch bản tốn 1 credit, một câu trả lời sinh bởi AI tốn 2 credit, một hành động của agent tốn 5 credit, và việc gắn câu trả lời vào dữ liệu của tenant (grounding) có thể tốn 10 credit. Nhân viên đã có giấy phép Microsoft 365 Copilot 30 USD/người/tháng được dùng agent nội bộ mà không tốn thêm credit; lưu lượng khách hàng bên ngoài luôn tốn credit.

Ví dụ minh họa từ các bài phân tích: một ví dụ hỗ trợ 900 phiên mỗi ngày của Microsoft sử dụng khoảng 1.800 USD credit mỗi tháng. Một ví dụ khác: 200 nhân viên hỏi 4.000 câu hỏi có căn cứ mỗi tháng tốn khoảng 400 USD tiền gói credit, so với 4.200 USD nếu mua 200 ghế Copilot Business giá 21 USD mỗi ghế. Các ví dụ này cho thấy mô hình credit có thể rẻ hơn nhiều so với mua ghế cho từng người, khi agent phục vụ nhiều người dùng với số lượng câu hỏi vừa phải. Ngược lại, nếu agent phục vụ khách hàng bên ngoài với lưu lượng lớn và mỗi cuộc trò chuyện tốn nhiều credit (nhiều câu trả lời sinh bởi AI, nhiều hành động), chi phí có thể tăng nhanh. Doanh nghiệp nên ước tính chi phí bằng cách đo số câu trả lời và hành động trung bình mỗi cuộc trò chuyện trong giai đoạn thử nghiệm, rồi nhân với lưu lượng dự kiến — thay vì chỉ nhìn giá gói 200 USD/tháng và cho rằng đó là toàn bộ chi phí.

Một lưu ý quan trọng: bản dùng thử miễn phí của Copilot Studio cho phép xây và kiểm thử agent nhưng không phát hành trực tiếp (publish live). Doanh nghiệp cần lên kế hoạch ngân sách cho giai đoạn chạy thật, không chỉ giai đoạn thử nghiệm. Ngoài ra, lớp quản trị Microsoft Agent 365 (ra mắt tháng 5/2026) và Microsoft Purview giúp quản lý và kiểm soát mất dữ liệu khi tổ chức có nhiều agent — một yếu tố cần tính tới khi chatbot không còn là dự án của một đội nhỏ mà trở thành hệ thống của cả công ty.

Khi nào nên chọn Copilot Studio?

Chọn Copilot Studio khi doanh nghiệp đã dùng Microsoft 365, Teams, SharePoint và Power Platform cho phần lớn nhân viên, khi chatbot chủ yếu phục vụ nhân viên nội bộ hoặc khách hàng trong hệ sinh thái Microsoft, khi đội ngũ quản trị đã quen với Power Platform và muốn tận dụng connector sẵn có thay vì xây tích hợp mới. Copilot Studio đặc biệt mạnh cho agent nội bộ: trợ lý nhân sự trả lời chính sách, agent IT hỗ trợ nhân viên, agent tra cứu dữ liệu kinh doanh từ SharePoint và Dataverse. Không nên chọn Copilot Studio khi doanh nghiệp không dùng Microsoft 365, khi khách hàng chính ở trên Zalo, Facebook hay WhatsApp và cần tích hợp sâu với các kênh đó, hay khi đội ngũ muốn tự host toàn bộ dữ liệu và tránh phụ thuộc vào một nhà cung cấp cloud duy nhất.

So sánh trực tiếp: NLU, quản lý hội thoại và tích hợp

Tiêu chí	Rasa	Botpress	Microsoft Copilot Studio
Bản chất	Framework mã nguồn mở	Nền tảng low-code xây AI agent	Studio low-code trong hệ sinh thái Microsoft
Người xây chính	Lập trình viên Python, đội ML	Đội bán kỹ thuật, biết JavaScript cơ bản	Maker, IT, đội Power Platform
Hiểu ngôn ngữ (NLU)	Pipeline NLU tùy chỉnh (DIET), entity, intent; CALM dùng LLM tạo lệnh	LLM + RAG trên tài liệu doanh nghiệp, dịch 100+ ngôn ngữ	LLM (mặc định GPT-4.1 trong builder, có thêm model khác), nguồn tri thức Microsoft
Quản lý hội thoại	Stories / Flows có kiểm soát, Flow Policy thực thi nghiệp vụ	Canvas trực quan: nút cố định + nút tự chủ, bộ nhớ bền vững	Topics, agent flows, ba harness (GitHub Copilot / standard / Copilot chat)
Gọi API / hành động	Custom Actions bằng Python, tự do hoàn toàn	Execute Code (JavaScript), Actions, 100+ tích hợp sẵn	Power Automate, Dataverse, 1.400+ connector, MCP
Kênh triển khai	Web, voice, SMS, Messenger, WhatsApp (tự tích hợp)	Webchat, WhatsApp, Telegram, Slack, Messenger, Instagram	Teams, SharePoint, Microsoft 365, website, app, voice
Dữ liệu ở đâu	Tự host, dữ liệu ở trong hạ tầng doanh nghiệp	Cloud Botpress (có lựa chọn tự host ở gói cao)	Cloud Microsoft, gắn với tenant Microsoft 365
Khả năng kiểm soát	Cao nhất: code, model, hạ tầng đều của mình	Trung bình–cao: luồng rõ ràng, debug chi tiết	Trung bình: mạnh trong hệ sinh thái, phụ thuộc Microsoft
Tốc độ ra mắt	Chậm nhất: cần xây, huấn luyện, triển khai	Nhanh: kéo-thả, template sẵn, triển khai trong ngày/tuần	Nhanh nếu đã dùng Microsoft 365; chậm nếu phải xây kết nối ngoài

Hiểu ngôn ngữ: ba cách tiếp cận, ba đánh đổi

Rasa cho đội ngũ quyền kiểm soát sâu nhất đối với cách hệ thống hiểu ngôn ngữ: tự chọn pipeline, tự huấn luyện intent và entity, tự quyết định ngưỡng tin cậy. Với CALM, Rasa bổ sung khả năng dùng LLM để hiểu câu nói tự nhiên, nhưng vẫn giữ luồng nghiệp vụ làm người quyết định cuối cùng. Đánh đổi là đội ngũ phải hiểu rõ về NLU và phải duy trì dữ liệu huấn luyện. Botpress đặt cược vào LLM và RAG: tải tài liệu lên, để mô hình trả lời dựa trên tài liệu, dịch tự động sang nhiều ngôn ngữ. Cách này nhanh và linh hoạt, nhưng chất lượng phụ thuộc rất nhiều vào chất lượng tài liệu nguồn và cách cấu hình truy xuất. Copilot Studio cũng dùng LLM, nhưng gắn chặt với nguồn tri thức của Microsoft: SharePoint, Dataverse, website và các connector. Nếu tài liệu của doanh nghiệp đã nằm trong SharePoint, agent sẽ trả lời tốt ngay; nếu tài liệu nằm rải rác ở Google Drive, Zalo và máy tính cá nhân, agent sẽ trả lời dựa trên một phần dữ liệu thiếu.

Một điểm chung cần nhấn mạnh: không nền tảng nào tự động hiểu tiếng Việt tốt nếu không được chuẩn bị dữ liệu tiếng Việt. Rasa cần dữ liệu huấn luyện tiếng Việt. Botpress cần tài liệu tiếng Việt chất lượng và kiểm thử với câu hỏi tiếng Việt thật. Copilot Studio cần nguồn tri thức tiếng Việt trong SharePoint hoặc website. Doanh nghiệp Việt Nam nên dành thời gian kiểm thử cả ba nền tảng bằng cùng một bộ 50 câu hỏi tiếng Việt thật của khách hàng — gồm câu có dấu, không dấu, viết tắt và teencode — trước khi quyết định. Bộ câu hỏi kiểm thử này có giá trị hơn bất kỳ bảng so sánh tính năng nào.

Quản lý hội thoại: ai quyết định bước tiếp theo?

Câu hỏi cốt lõi của quản lý hội thoại là: khi khách nói một câu, ai quyết định chatbot làm gì tiếp theo — một quy tắc đã viết sẵn, một mô hình học máy, hay một mô hình ngôn ngữ lớn? Rasa với CALM trả lời: LLM hiểu và đề xuất lệnh, luồng nghiệp vụ quyết định và thực thi. Botpress trả lời: canvas quyết định phần lớn, nút tự chủ để AI quyết định trong giới hạn đã cấp. Copilot Studio trả lời: topics và agent flows quyết định phần có cấu trúc, harness GitHub Copilot để AI tự suy luận với công việc nhiều bước.

Không có câu trả lời nào đúng tuyệt đối. Với quy trình nhạy cảm như báo giá, đặt phòng, xử lý hoàn tiền, cách tiếp cận có kiểm soát (luồng rõ ràng, quy tắc rõ ràng) an toàn hơn. Với câu hỏi mở như tư vấn sản phẩm, giải thích khái niệm, trò chuyện tự nhiên, cách tiếp cận linh hoạt (LLM tự suy luận) mang lại trải nghiệm tốt hơn. Nền tảng tốt là nền tảng cho phép doanh nghiệp pha trộn cả hai trong cùng một chatbot: chỗ nào cần chính xác thì khóa chặt, chỗ nào cần linh hoạt thì mở ra. Cả ba nền tảng trong bài đều cho phép pha trộn ở mức độ khác nhau; khác biệt nằm ở mức độ dễ dàng và mức độ kiểm soát khi pha trộn.

Tích hợp hệ thống nội bộ: nơi nhiều dự án chatbot thất bại

Phần lớn dự án chatbot không thất bại vì chatbot nói không hay, mà vì chatbot không đọc được dữ liệu thật của doanh nghiệp. Một chatbot đặt phòng không tra cứu được tồn kho thì chỉ là FAQ biết nói. Một chatbot hỗ trợ khách hàng không đọc được lịch sử đơn hàng thì chỉ có thể trả lời chung chung. Vì vậy, khả năng tích hợp là tiêu chí quan trọng hơn giao diện kéo-thả.

Rasa tích hợp bằng code: đội ngũ viết custom action bằng Python để gọi bất kỳ API nào, truy vấn bất kỳ cơ sở dữ liệu nào. Linh hoạt nhất, nhưng tốn công nhất. Botpress tích hợp bằng Actions và Execute Code: gọi API qua giao diện trực quan, viết JavaScript khi cần logic phức tạp, dùng hơn 100 tích hợp sẵn cho các công cụ phổ biến. Copilot Studio tích hợp bằng connector: hơn 1.400 connector, Power Automate flows, Dataverse, MCP. Nhanh nhất nếu hệ thống cần kết nối đã có connector sẵn, chậm nhất nếu hệ thống đó nằm ngoài hệ sinh thái Microsoft và không có connector.

Khi đánh giá tích hợp, doanh nghiệp nên liệt kê ba hệ thống quan trọng nhất mà chatbot phải đọc hoặc ghi dữ liệu: ví dụ PMS và phần mềm định giá đối với khách sạn, CRM và hệ thống đơn hàng đối với thương mại điện tử, HRM và hệ thống nghỉ phép đối với chatbot nội bộ. Sau đó hỏi từng nhà cung cấp: kết nối với ba hệ thống này bằng cách nào, mất bao lâu, có cần viết code không, và dữ liệu cập nhật theo thời gian thực hay theo đợt. Câu trả lời cho ba hệ thống đó có giá trị hơn danh sách 1.400 connector.

So sánh chi phí thực tế: đừng chỉ nhìn giá gói

Chi phí chatbot gồm ít nhất năm thành phần, và giá gói tháng chỉ là một trong năm. Doanh nghiệp so sánh ba nền tảng mà chỉ nhìn giá gói sẽ đưa ra kết luận sai.

Thành phần chi phí	Rasa	Botpress	Copilot Studio
Phí nền tảng	Open Source miễn phí; Pro/Platform có phí theo giấy phép	Free 0 USD; Plus 150 USD/tháng; Team 750 USD/tháng (thanh toán theo năm, giá kiểm chứng 10/2026)	Gói 25.000 Copilot Credit 200 USD/tháng hoặc 0,01 USD/credit trả theo dùng
Phí sử dụng AI	Tự trả nếu dùng LLM bên ngoài; tự host thì tốn hạ tầng	AI Spend tính riêng trên phí gói; Plus kèm 25 USD, Team kèm 150 USD	Đã tính trong credit: 1 credit/câu trả lời kịch bản, 2 credit/câu trả lời sinh bởi AI, 5 credit/hành động
Chi phí con người	Cao nhất: lập trình viên Python, kỹ sư ML, vận hành hạ tầng	Trung bình: người xây luồng, người biết JavaScript khi cần	Trung bình: maker, IT, quản trị Power Platform
Hạ tầng	Tự lo máy chủ, giám sát, sao lưu, nâng cấp	Đã gồm trong cloud; tự host chỉ ở gói cao	Đã gồm trong cloud Microsoft
Chi phí chuyển đổi	Thấp về giấy phép, cao về công sức nếu rời đi (code riêng)	Trung bình: luồng và tích hợp phải làm lại khi đổi nền tảng	Cao nếu rời hệ sinh thái Microsoft: dữ liệu và connector gắn với tenant

Một ví dụ tính toán minh họa. Giả sử một doanh nghiệp có 1.000 cuộc trò chuyện mỗi tháng, mỗi cuộc trò chuyện trung bình 8 lượt trao đổi. Với Botpress gói Team 750 USD/tháng (1.500 cuộc trò chuyện) cộng AI Spend, chi phí có thể rơi vào khoảng 750–900 USD/tháng tùy mức sử dụng mô hình. Với Copilot Studio, nếu mỗi cuộc trò chuyện tốn trung bình 10 credit (kết hợp câu trả lời sinh bởi AI và vài hành động), 1.000 cuộc trò chuyện tốn 10.000 credit, tức khoảng 80–200 USD tùy cách mua gói — rẻ hơn đáng kể trên giấy. Nhưng nếu doanh nghiệp chưa dùng Microsoft 365, họ phải cộng thêm chi phí giấy phép, đào tạo và xây kết nối. Với Rasa, phí nền tảng là 0 USD, nhưng chi phí một lập trình viên bán thời gian để duy trì hệ thống có thể cao hơn cả hai gói SaaS cộng lại. Vì vậy, không có đáp án chung cho câu hỏi “nền tảng nào rẻ nhất” — chỉ có đáp án cho một doanh nghiệp cụ thể, với lưu lượng, đội ngũ và hạ tầng cụ thể của họ.

Một lưu ý về giá Botpress và Copilot Studio: cả hai đều đã thay đổi bảng giá trong năm 2025–2026. Botpress chuyển sang mô hình tính AI Spend riêng từ tháng 5/2026, và các bài đánh giá cũ ghi nhận mức giá Plus 89 USD/tháng hay Team 495 USD/tháng đã không còn đúng với bảng giá mới. Microsoft đổi tên đơn vị “messages” thành “Copilot Credits” từ 01/09/2025, giữ nguyên quy mô gói nhưng thay đổi cách gọi. Doanh nghiệp nên luôn kiểm tra trang giá chính thức tại thời điểm quyết định và yêu cầu báo giá bằng văn bản cho lưu lượng dự kiến của mình, thay vì dựa vào bất kỳ bài viết so sánh nào — kể cả bài viết này.

Khi nào chọn nền tảng nào? Cây quyết định 5 câu hỏi

Thay vì ghi nhớ bảng so sánh dài, doanh nghiệp có thể dùng cây quyết định năm câu hỏi dưới đây. Trả lời trung thực năm câu hỏi này thường sẽ chỉ ra một nền tảng rõ ràng hơn bất kỳ bảng tính năng nào.

Câu 1: Đội ngũ của bạn có lập trình viên Python và thời gian duy trì hệ thống không?

Nếu có, và yêu cầu kiểm soát dữ liệu ở mức cao, Rasa là ứng cử viên mạnh. Nếu không, loại Rasa ngay từ đầu — một framework mã nguồn mở trong tay đội ngũ không có lập trình viên sẽ trở thành gánh nặng, không phải lợi thế.

Câu 2: Dữ liệu quan trọng nhất của bạn đang ở đâu?

Nếu dữ liệu nằm trong Microsoft 365, SharePoint, Dataverse và Teams, Copilot Studio có lợi thế lớn. Nếu dữ liệu nằm trong CRM, hệ thống đặt phòng, Google Drive hay các API riêng, Botpress hoặc Rasa sẽ linh hoạt hơn. Nếu dữ liệu nhạy cảm và không được rời khỏi hạ tầng của doanh nghiệp, Rasa là lựa chọn duy nhất trong ba nền tảng đáp ứng trọn vẹn yêu cầu này ở bản Open Source.

Câu 3: Khách hàng của bạn đang ở kênh nào?

Nếu khách hàng chủ yếu ở WhatsApp, Messenger, Telegram và webchat, Botpress có lợi thế về tích hợp kênh sẵn có. Nếu khách hàng và nhân viên chủ yếu ở Teams và Microsoft 365, Copilot Studio là lựa chọn tự nhiên. Nếu kênh chính là website riêng và doanh nghiệp muốn tự xây tích hợp cho từng kênh, Rasa cho quyền kiểm soát cao nhất.

Câu 4: Chatbot cần làm việc gì — chỉ trả lời hay phải hành động?

Nếu chatbot chỉ cần trả lời dựa trên tài liệu, cả ba nền tảng đều làm được, và nên chọn nền tảng rẻ nhất và nhanh nhất với đội ngũ hiện có. Nếu chatbot phải gọi API, cập nhật hệ thống, tạo đặt phòng hay xử lý giao dịch, cần đánh giá kỹ khả năng hành động: Rasa qua custom action Python, Botpress qua Actions và Execute Code, Copilot Studio qua Power Automate và connector. Hãy yêu cầu mỗi nhà cung cấp demo đúng một luồng hành động thật của doanh nghiệp, thay vì xem demo chung.

Câu 5: Bạn chấp nhận mức độ khóa chặt (vendor lock-in) tới đâu?

Rasa khóa chặt thấp nhất: code và dữ liệu là của doanh nghiệp, có thể mang đi. Botpress khóa chặt ở mức trung bình: luồng và tích hợp gắn với nền tảng, nhưng dữ liệu và API vẫn là của doanh nghiệp. Copilot Studio khóa chặt cao nhất nếu doanh nghiệp xây toàn bộ agent xoay quanh hệ sinh thái Microsoft: rời đi đồng nghĩa với làm lại phần lớn tích hợp và quy trình. Mức độ khóa chặt chấp nhận được phụ thuộc vào chiến lược dài hạn: nếu doanh nghiệp đã xác định gắn bó với Microsoft trong 5 năm tới, khóa chặt không phải vấn đề; nếu doanh nghiệp muốn giữ quyền linh hoạt, nên ưu tiên nền tảng mở hoặc kiến trúc tách bạch dữ liệu khỏi nền tảng chatbot.

Lộ trình triển khai 4 tuần cho doanh nghiệp vừa và nhỏ

Dù chọn nền tảng nào, lộ trình triển khai thực tế cho doanh nghiệp vừa và nhỏ thường gói gọn trong 4 tuần. Tuần 1 dành cho việc xác định phạm vi: chọn một use case duy nhất để làm trước — ví dụ trả lời FAQ và báo giá, hoặc hỗ trợ đặt lịch hẹn — thay vì cố làm mọi thứ cùng lúc. Thu thập 100–200 câu hỏi thật của khách hàng, nhóm theo ý định, và chuẩn bị tài liệu nguồn (bảng giá, chính sách, hướng dẫn) ở dạng sạch, cập nhật. Tuần 2 dành cho việc xây dựng: dựng luồng hội thoại chính, kết nối một hệ thống dữ liệu quan trọng nhất, và viết đáp án chuẩn cho 30–50 câu hỏi phổ biến nhất.

Tuần 3 dành cho kiểm thử có kiểm soát: cho nhân viên đóng vai khách hàng và hỏi 50 câu khó, gồm câu tiếng Việt không dấu, câu viết tắt, câu hỏi lắt léo và câu cố tình dẫn dụ chatbot báo sai giá. Mở chatbot cho 20–30% lượng truy cập thật, theo dõi hàng ngày và sửa lỗi. Tuần 4 dành cho mở rộng và đo lường: mở cho 100% lưu lượng, theo dõi tỷ lệ tự xử lý, tỷ lệ chuyển đổi thành hành động (đặt phòng, đặt lịch, tạo yêu cầu), thời gian phản hồi khi bàn giao, và danh sách câu hỏi chưa trả lời được. Mỗi tuần họp ngắn 30 phút để xem dữ liệu và bổ sung nội dung — chatbot không cải thiện nếu không ai xem dữ liệu của nó.

Checklist trước khi ký hợp đồng hoặc chốt triển khai

• Đã kiểm thử cả ba nền tảng (hoặc ít nhất hai) bằng cùng một bộ 50 câu hỏi tiếng Việt thật của khách hàng.
• Đã demo một luồng hành động thật: tra cứu dữ liệu, tạo yêu cầu hoặc đặt phòng, không chỉ trả lời văn bản.
• Đã xác định rõ dữ liệu chatbot được phép đọc và không được phép ghi, sửa hay xóa.
• Đã có báo giá bằng văn bản cho lưu lượng dự kiến trong 3 tháng cao điểm, gồm cả phí AI Spend hoặc credit.
• Đã xác định người chịu trách nhiệm xem báo cáo hàng tuần và cập nhật nội dung.
• Đã có quy trình bàn giao cho con người, gồm ngưỡng bàn giao, người trực và thời gian phản hồi tối đa.
• Đã kiểm tra điều khoản về dữ liệu: dữ liệu hội thoại được lưu ở đâu, trong bao lâu, ai có quyền truy cập, và có thể xuất ra khi rời nền tảng không.

Nhìn về 2026–2027: chatbot đang trở thành agent

Xu hướng rõ ràng nhất trong năm 2026 là ranh giới giữa chatbot và agent đang mờ dần. Cả ba nền tảng trong bài đều đang di chuyển theo cùng một hướng: từ trả lời câu hỏi sang thực hiện hành động, từ kịch bản cố định sang suy luận linh hoạt có kiểm soát, từ một kênh duy nhất sang đa kênh và đa phương thức (chat, voice, hành động). Rasa đi theo hướng CALM và Flows. Botpress tái định vị thành nền tảng AI agent với nút tự chủ và gọi công cụ. Copilot Studio đi theo hướng agent đa bước với ba harness và MCP.

Đối với doanh nghiệp, điều này có hai hệ quả. Thứ nhất, khi chọn nền tảng hôm nay, hãy chọn nền tảng có thể lớn lên thành agent ngày mai: hôm nay trả lời FAQ, tháng sau tra cứu dữ liệu, quý sau tạo được giao dịch. Một nền tảng chỉ biết trả lời văn bản tĩnh sẽ phải thay mới hoàn toàn khi doanh nghiệp muốn tiến thêm một bước. Thứ hai, khả năng kiểm soát sẽ ngày càng quan trọng hơn khả năng nói hay. Khi agent được phép hành động — sửa dữ liệu, tạo đơn hàng, gửi tiền — thì ranh giới giữa đọc và ghi, giữa suy luận và thực thi, giữa tự chủ và phê duyệt của con người sẽ quyết định agent đó là tài sản hay rủi ro. Kiến trúc mà Rasa thể hiện qua CALM, hay kiến trúc nhiều tầng mà chatbot ADC áp dụng, đều là những cách trả lời cho cùng một câu hỏi: làm sao để AI vừa thông minh, vừa không vượt quá quyền hạn của nó.

Câu hỏi thường gặp (FAQs)

Nên chọn Rasa, Botpress hay Microsoft Copilot Studio cho doanh nghiệp vừa và nhỏ?

Không có đáp án chung cho mọi doanh nghiệp. Chọn Rasa nếu doanh nghiệp có lập trình viên Python, cần kiểm soát dữ liệu tuyệt đối và tùy biến sâu. Chọn Botpress nếu doanh nghiệp muốn ra mắt nhanh, có đội bán kỹ thuật và cần chatbot đa kênh gồm WhatsApp, Messenger và webchat. Chọn Microsoft Copilot Studio nếu doanh nghiệp đã dùng Microsoft 365, Teams và SharePoint, và chatbot chủ yếu phục vụ nhân viên nội bộ hoặc khách hàng trong hệ sinh thái Microsoft. Cách chọn đúng là kiểm thử cả ba bằng cùng một bộ 50 câu hỏi tiếng Việt thật của khách hàng và một luồng hành động thật, rồi quyết định dựa trên kết quả đó.

Rasa có miễn phí không?

Rasa Open Source miễn phí và doanh nghiệp tự host trên hạ tầng của mình, nhưng chi phí thực tế nằm ở con người và hạ tầng: lập trình viên Python, kỹ sư hiểu về xử lý ngôn ngữ tự nhiên, máy chủ đủ mạnh và thời gian bảo trì. Rasa Pro và Rasa Platform là các phiên bản thương mại có phí, bổ sung phân tích, công cụ gán nhãn và hạ tầng được quản lý. Vì vậy, “miễn phí” chỉ đúng với phí bản quyền, không đúng với tổng chi phí sở hữu, và doanh nghiệp nên tính cả chi phí nhân sự trước khi cho rằng Rasa là lựa chọn rẻ nhất.

Botpress giá bao nhiêu một tháng năm 2026?

Theo trang giá của Botpress và các bài tổng hợp kiểm chứng tháng 10/2026, gói Free là 0 USD với 100 cuộc trò chuyện và 3 AI agent; gói Plus là 150 USD/tháng khi thanh toán theo năm với 250 cuộc trò chuyện/tháng; gói Team là 750 USD/tháng với 1.500 cuộc trò chuyện/tháng; gói Enterprise có giá tùy chỉnh. Ngoài phí gói, doanh nghiệp còn trả phí AI Spend cho mức sử dụng mô hình, với một khoản AI usage đi kèm trong gói Plus và Team. Botpress đã thay đổi bảng giá trong năm 2026, nên doanh nghiệp cần kiểm tra trang giá chính thức tại thời điểm mua.

Microsoft Copilot Studio tính phí như thế nào?

Microsoft Copilot Studio tính phí bằng Copilot Credit, không tính theo ghế ngồi. Một gói 25.000 Copilot Credit có giá 200 USD/tháng, hoặc trả theo mức sử dụng qua Azure với giá 0,01 USD mỗi credit. Một câu trả lời theo kịch bản tốn 1 credit, một câu trả lời sinh bởi AI tốn 2 credit, và một hành động của agent tốn 5 credit. Nhân viên đã có giấy phép Microsoft 365 Copilot 30 USD/người/tháng được dùng agent nội bộ mà không tốn thêm credit; lưu lượng khách hàng bên ngoài luôn tốn credit.

Microsoft Copilot Studio khác Microsoft 365 Copilot ở điểm nào?

Microsoft 365 Copilot là AI tích hợp sẵn trong Word, Outlook, Excel và Teams cho từng người dùng, tính phí 30 USD/người/tháng. Microsoft Copilot Studio là studio để xây agent riêng, phục vụ khách hàng bên ngoài, người dùng không có giấy phép Copilot, hoặc chạy tự động theo quy trình. Một giấy phép Microsoft 365 Copilot đã bao gồm khả năng xây agent nội bộ; nhưng khi agent được phát hành ra kênh ngoài hoặc chạy tự động, doanh nghiệp cần gói Copilot Studio riêng.

Doanh nghiệp không có lập trình viên có dùng được Rasa không?

Rất khó. Rasa là framework cho lập trình viên: cần chuẩn bị dữ liệu NLU, luồng hội thoại và custom action bằng Python, đồng thời tự triển khai và bảo trì hạ tầng. Doanh nghiệp không có lập trình viên nên chọn Botpress hoặc Microsoft Copilot Studio, hai nền tảng low-code cho phép đội ngũ phi kỹ thuật hoặc bán kỹ thuật xây dựng chatbot qua giao diện trực quan. Nếu doanh nghiệp vẫn muốn dùng Rasa, cần thuê hoặc hợp tác với đội ngũ kỹ thuật bên ngoài và tính chi phí này vào tổng chi phí sở hữu.

Chatbot xây trên nền tảng nào thì hiểu tiếng Việt tốt nhất?

Không có nền tảng nào tự động hiểu tiếng Việt tốt nếu không được chuẩn bị dữ liệu tiếng Việt. Rasa cần dữ liệu huấn luyện tiếng Việt, Botpress cần tài liệu tiếng Việt chất lượng, Copilot Studio cần nguồn tri thức tiếng Việt trong SharePoint hoặc website. Doanh nghiệp nên kiểm thử mọi nền tảng bằng cùng một bộ 50 câu hỏi tiếng Việt thật của khách hàng, gồm câu có dấu, không dấu, viết tắt và teencode, rồi chọn nền tảng trả lời tốt nhất trên bộ câu hỏi đó.

Có thể chuyển chatbot từ nền tảng này sang nền tảng khác không?

Có thể, nhưng tốn công sức. Nội dung hội thoại, dữ liệu huấn luyện, tích hợp API và quy trình bàn giao thường phải làm lại khi đổi nền tảng, vì mỗi nền tảng có định dạng luồng và cách tích hợp riêng. Rasa có mức độ khóa chặt thấp nhất vì code và dữ liệu là của doanh nghiệp; Botpress ở mức trung bình; Copilot Studio khóa chặt cao nhất nếu doanh nghiệp xây toàn bộ agent xoay quanh hệ sinh thái Microsoft. Vì vậy, nên chọn kỹ ngay từ đầu thay vì chọn tạm rồi đổi sau.

Liên hệ AIA qua hotline 0939 936 168 để được tư vấn giải pháp AI phù hợp với doanh nghiệp của bạn.