Nền tảng tìm kiếm tri thức doanh nghiệp bằng AI là hệ thống lập chỉ mục toàn bộ dữ liệu nội bộ rải rác trong email, Drive, Slack, CRM và wiki, rồi trả lời nhân viên bằng ngôn ngữ tự nhiên với trích dẫn nguồn và tôn trọng đúng quyền truy cập của từng người. Trong ba cái tên dẫn đầu năm 2026 — Glean, Coveo và Sana AI — Glean mạnh nhất ở tìm kiếm nội bộ thuần túy và agent, Coveo mạnh nhất ở nền tảng relevance dùng chung cho cả khách hàng lẫn nhân viên, còn Sana AI mạnh nhất ở trợ lý tri thức gắn với học tập và họp hành trong hệ sinh thái Workday.
Bài viết này không bàn lại kiến trúc RAG chung chung. Bài viết so sánh ba sản phẩm cụ thể: chúng lập chỉ mục như thế nào, cơ chế RAG và phân quyền của chúng khác nhau ra sao, chúng xử lý dữ liệu nhạy cảm, dữ liệu cũ và dữ liệu mâu thuẫn như thế nào, chi phí thực tế là bao nhiêu, và doanh nghiệp Việt Nam nên chọn sản phẩm nào theo từng kịch bản. Mọi con số về giá và tính năng đều ghi rõ nguồn và thời điểm kiểm chứng, vì giá của cả ba nhà cung cấp đều thay đổi theo hợp đồng và không có bảng giá công khai đầy đủ.
Nền tảng tìm kiếm tri thức doanh nghiệp bằng AI là gì?
Nền tảng tìm kiếm tri thức doanh nghiệp bằng AI là một lớp phần mềm nằm trên toàn bộ kho dữ liệu nội bộ của doanh nghiệp. Nó kết nối tới các hệ thống mà nhân viên đang dùng hằng ngày — email, ổ đĩa đám mây, chat nội bộ, quản lý dự án, CRM, hệ thống hỗ trợ khách hàng, wiki và kho tài liệu — rồi xây một chỉ mục thống nhất để con người có thể hỏi bằng ngôn ngữ tự nhiên thay vì phải nhớ tài liệu nằm ở đâu.
Định nghĩa ngắn gọn này cần được phân biệt với ba thứ hay bị nhầm lẫn. Thứ nhất, nó không phải là công cụ tìm kiếm trên web. Công cụ tìm kiếm web lập chỉ mục nội dung công khai; nền tảng tri thức doanh nghiệp lập chỉ mục nội dung riêng tư, có quyền truy cập và có ngữ cảnh tổ chức. Thứ hai, nó không phải là chatbot LLM thông thường. Chatbot thông thường trả lời dựa trên kiến thức đã huấn luyện sẵn và có thể bịa ra câu trả lời; nền tảng tri thức doanh nghiệp phải trả lời dựa trên tài liệu thật của doanh nghiệp, có trích dẫn tới đúng tài liệu gốc, và phải nói rõ khi không tìm thấy bằng chứng. Thứ ba, nó không phải là một hệ thống quản lý tài liệu mới. Doanh nghiệp không cần di chuyển tài liệu vào một kho khác; nền tảng này đọc dữ liệu tại chỗ, thông qua connector, và tôn trọng quyền truy cập vốn có của từng hệ thống nguồn.
Vì sao doanh nghiệp cần nó vào năm 2026? Vì tri thức doanh nghiệp ngày nay không nằm trong một cuốn sổ tay hay một thư mục Drive gọn gàng. Một quyết định về giá bán có thể nằm trong một email cũ, một thread Slack, một trang Confluence, một hợp đồng PDF và một ghi chú trong CRM cùng lúc. Một nhân viên mới có thể mất nhiều ngày chỉ để tìm ra ai là người phụ trách một khách hàng, quy trình hoàn tiền hiện hành là gì, hay phiên bản mới nhất của một chính sách nằm ở đâu. Khi quy mô vượt quá vài chục người, chi phí của việc “không tìm thấy” trở thành chi phí thật: nhân viên hỏi lại đồng nghiệp, làm lại việc đã có người làm, trả lời khách hàng chậm, hoặc tệ hơn là trả lời sai vì dùng tài liệu đã lỗi thời.
Một nền tảng tốt giải quyết vấn đề này bằng ba lớp. Lớp thứ nhất là thu thập và lập chỉ mục: kết nối tới các nguồn, đọc nội dung, trích xuất văn bản từ PDF, slide, bảng tính, bản ghi cuộc họp và cả video, rồi biến nội dung thành dạng mà máy có thể tìm kiếm theo ngữ nghĩa. Lớp thứ hai là truy hồi và xếp hạng: khi người dùng đặt câu hỏi, hệ thống tìm ra những đoạn tài liệu liên quan nhất, xếp hạng chúng theo độ phù hợp, độ mới và độ tin cậy, rồi lọc bỏ những tài liệu mà người hỏi không có quyền xem. Lớp thứ ba là sinh câu trả lời: mô hình ngôn ngữ lớn tổng hợp các đoạn đã truy hồi thành một câu trả lời mạch lạc, kèm trích dẫn, thay vì chỉ trả về một danh sách liên kết.
Vì sao tìm kiếm nội bộ truyền thống thất bại?
Tìm kiếm nội bộ truyền thống thất bại vì nó dựa trên từ khóa chính xác, trong khi con người hỏi bằng ý định. Một nhân viên gõ “chính sách làm việc từ xa” sẽ không tìm thấy tài liệu có tiêu đề “Quy định về hình thức làm việc linh hoạt” dù hai cụm từ nói cùng một việc. Một nhân viên gõ tên một sản phẩm cũ sẽ không tìm thấy tài liệu dùng tên mã nội bộ của sản phẩm đó. Và khi cùng một câu hỏi có thể có đáp án trong mười tài liệu khác nhau, tìm kiếm từ khóa không biết tài liệu nào mới nhất, tài liệu nào là bản chính thức, tài liệu nào chỉ là bản nháp.
Vấn đề thứ hai là sự phân mảnh. Mỗi hệ thống có một ô tìm kiếm riêng, một cú pháp riêng và một kho kết quả riêng. Google Drive tìm được file, Slack tìm được tin nhắn, Confluence tìm được trang wiki, Salesforce tìm được bản ghi khách hàng — nhưng không có ô tìm kiếm nào tìm được cả bốn cùng lúc và sắp xếp chúng theo một thứ tự duy nhất. Nhân viên phải tự nhớ tài liệu nằm ở đâu trước khi tìm, điều này đi ngược lại bản chất của việc tìm kiếm.
Vấn đề thứ ba là quyền truy cập. Trong doanh nghiệp, không phải ai cũng được xem mọi thứ. Tài liệu lương, hợp đồng, dữ liệu khách hàng, chiến lược giá và hồ sơ nhân sự đều có giới hạn. Một hệ thống tìm kiếm nội bộ nếu không hiểu quyền truy cập sẽ gây ra hai lỗi đối nghịch: hoặc nó giấu cả những tài liệu người dùng được phép xem, hoặc nó để lộ những tài liệu người dùng không được phép xem. Cả hai lỗi đều nghiêm trọng, nhưng lỗi thứ hai là lỗi an ninh.
Vấn đề thứ tư là tri thức ẩn trong con người và trong cuộc trò chuyện. Rất nhiều quyết định quan trọng không nằm trong tài liệu chính thức mà nằm trong các cuộc họp, các thread thảo luận và kinh nghiệm của những người đã từng xử lý vấn đề tương tự. Tìm kiếm truyền thống không đọc được cuộc họp, không hiểu ai là chuyên gia về chủ đề nào, và không thể trả lời câu hỏi dạng “ai là người hiểu rõ nhất về khách hàng này”.
Chính vì vậy, các nền tảng AI thế hệ mới không chỉ cải tiến ô tìm kiếm. Chúng xây một đồ thị tri thức về con người, dự án, tài liệu và mối quan hệ giữa chúng; chúng hiểu ngữ nghĩa thay vì chỉ khớp từ khóa; và chúng dùng mô hình ngôn ngữ để tổng hợp câu trả lời có trích dẫn. Phần còn lại của bài viết sẽ xem ba sản phẩm dẫn đầu thực hiện những việc đó khác nhau như thế nào.
Cơ chế hoạt động: từ connector tới câu trả lời có trích dẫn
Để so sánh công bằng, cần hiểu một nền tảng tìm kiếm tri thức doanh nghiệp vận hành qua sáu bước. Mỗi bước đều có quyết định kỹ thuật ảnh hưởng trực tiếp tới chất lượng câu trả lời, tốc độ và an toàn.
Bước 1: Kết nối nguồn dữ liệu bằng connector
Connector là cầu nối giữa nền tảng và từng hệ thống nguồn như Google Drive, SharePoint, Slack, Microsoft Teams, Confluence, Jira, Salesforce, Zendesk, GitHub hay Workday. Một connector tốt không chỉ đọc được tiêu đề và nội dung, mà còn đọc được siêu dữ liệu: ai tạo, khi nào cập nhật, thuộc dự án nào, ai có quyền xem, tài liệu thuộc loại nào. Số lượng connector và chất lượng của chúng là một trong những tiêu chí phân biệt rõ nhất giữa các nền tảng. Glean công bố hơn 275 connector, bao gồm cả các connector qua MCP, theo các bài đánh giá độc lập kiểm chứng tháng 9–10/2026; Coveo công bố hơn 100 connector dựng sẵn cho Salesforce, SAP, ServiceNow và AWS; Sana AI cung cấp các connector doanh nghiệp cho Slack, Drive, Notion, Salesforce, Asana, GitHub, Zendesk cùng khả năng xây connector tùy chỉnh qua MCP ở gói Enterprise.
Khi đánh giá connector, đừng chỉ đếm số lượng. Hãy hỏi ba câu: connector có đồng bộ quyền truy cập từ hệ thống nguồn hay không, tần suất đồng bộ là bao lâu, và connector có đọc được nội dung trong file đính kèm, hình ảnh và bản ghi cuộc họp hay không. Một connector chỉ đồng bộ mỗi đêm sẽ khiến câu trả lời sáng hôm sau vẫn dựa trên tài liệu của hôm qua. Một connector không đọc được PDF đính kèm trong email sẽ bỏ sót đúng loại tài liệu mà nhân viên hay gửi cho nhau nhất.
Bước 2: Trích xuất, làm sạch và chia nhỏ nội dung
Sau khi kết nối, hệ thống phải trích xuất văn bản từ nhiều định dạng: tài liệu Word, Google Docs, slide PowerPoint, bảng tính Excel và Sheets, file PDF, file CSV, video MP4 và cả bản ghi cuộc họp. Sana AI công bố khả năng đọc tốt các định dạng này, bao gồm cả file video; Glean và Coveo cũng xử lý đa định dạng qua pipeline lập chỉ mục của mình. Nội dung sau đó được làm sạch — loại bỏ header, footer, chữ ký email lặp lại, lịch sử trích dẫn dài — rồi chia thành các đoạn nhỏ gọi là chunk. Cách chia chunk quyết định chất lượng truy hồi: chia quá nhỏ thì mất ngữ cảnh, chia quá lớn thì mô hình ngôn ngữ phải đọc nhiều nội dung thừa và dễ lạc đề.
Một chi tiết quan trọng mà nhiều doanh nghiệp bỏ qua là xử lý tài liệu trùng lặp và tài liệu lỗi thời. Cùng một chính sách có thể tồn tại ở ba phiên bản trong ba thư mục khác nhau. Một nền tảng tốt phải nhận ra đâu là bản mới nhất, đâu là bản đã bị thay thế, và ưu tiên bản chính thức khi trả lời. Nếu không, AI sẽ trích dẫn cả ba bản và khiến người dùng hoang mang.
Bước 3: Vector hóa và lập chỉ mục ngữ nghĩa
Mỗi đoạn nội dung được chuyển thành một vector — một dãy số thể hiện ý nghĩa của đoạn đó — bằng mô hình embedding. Khi người dùng đặt câu hỏi, câu hỏi cũng được chuyển thành vector, và hệ thống tìm những đoạn có vector gần nhất, tức là có ý nghĩa gần nhất. Đây là điểm khác biệt cốt lõi so với tìm kiếm từ khóa: hệ thống hiểu rằng “chính sách hoàn tiền” và “quy định trả lại tiền cho khách” là cùng một ý, dù không chia sẻ từ khóa nào.
Hầu hết nền tảng hiện nay dùng tìm kiếm hybrid: kết hợp tìm kiếm vector theo ngữ nghĩa với tìm kiếm từ khóa truyền thống, rồi dùng một mô hình xếp hạng lại để chọn ra những đoạn tốt nhất. Coveo gọi cách tiếp cận của mình là nền tảng AI-Relevance, trong đó mô hình học máy tự động điều chỉnh thứ hạng dựa trên hành vi thực tế của người dùng — họ nhấp vào kết quả nào, bỏ qua kết quả nào, và hoàn thành công việc sau cú nhấp đó hay không. Glean bổ sung một lớp đồ thị tri thức doanh nghiệp, gọi là Enterprise Graph, ra mắt tháng 9/2025, để hiểu mối quan hệ giữa con người, dự án và tài liệu, nhờ đó trả lời được những câu hỏi nhiều bước như “dự án này do ai phụ trách, tài liệu gần nhất của họ là gì”.
Bước 4: Truy hồi có kiểm soát quyền truy cập
Đây là bước quan trọng nhất về mặt an ninh và cũng là bước dễ bị hiểu sai nhất. Truy hồi có kiểm soát quyền nghĩa là: trước khi mô hình ngôn ngữ nhìn thấy bất kỳ tài liệu nào, hệ thống đã lọc bỏ mọi tài liệu mà người hỏi không có quyền xem trong hệ thống nguồn. Quyền này không phải do nền tảng tự đặt ra, mà được đồng bộ từ chính Google Drive, SharePoint, Slack hay Salesforce. Cả ba nền tảng trong bài đều nhấn mạnh nguyên tắc này: người dùng chỉ thấy kết quả mà họ đã được phép xem ở nơi khác.
Vì sao thứ tự này quan trọng? Vì nếu mô hình ngôn ngữ được đọc tài liệu nhạy cảm rồi mới được dặn “đừng tiết lộ”, nó vẫn có thể vô tình rò rỉ thông tin qua cách diễn đạt, qua ví dụ, hoặc qua việc xác nhận sự tồn tại của một tài liệu. Cách làm đúng là lọc ở tầng truy hồi, để mô hình không bao giờ nhìn thấy nội dung bị cấm. Khi đánh giá bất kỳ nền tảng nào, hãy yêu cầu nhà cung cấp chứng minh bằng một bài kiểm tra thực tế: một nhân viên không có quyền xem tài liệu lương hỏi về lương, và xem hệ thống trả lời ra sao. Câu trả lời đúng là hệ thống nói không tìm thấy thông tin mà người hỏi được phép xem, chứ không phải xác nhận tài liệu đó tồn tại rồi từ chối.
Bước 5: Sinh câu trả lời bằng RAG
RAG, viết tắt của Retrieval-Augmented Generation, là kỹ thuật mà mô hình ngôn ngữ chỉ được phép trả lời dựa trên những đoạn tài liệu vừa truy hồi được, thay vì dựa trên kiến thức huấn luyện sẵn. Mỗi khẳng định trong câu trả lời cần gắn với một trích dẫn tới đúng đoạn tài liệu gốc. Đây là cơ chế chống bịa đặt quan trọng nhất của nền tảng tri thức doanh nghiệp. Tuy nhiên, RAG không phải là phép màu. Nếu truy hồi sai tài liệu, RAG sẽ sinh ra câu trả lời sai một cách tự tin. Nếu tài liệu gốc đã lỗi thời, RAG sẽ trích dẫn tài liệu lỗi thời một cách chính xác. Vì vậy, chất lượng của RAG phụ thuộc hoàn toàn vào chất lượng của chỉ mục, của việc xếp hạng và của việc quản trị tri thức.
Một điểm khác biệt giữa các nền tảng là mức độ “mở” của mô hình ngôn ngữ. Glean cho biết nền tảng của họ không phụ thuộc vào một mô hình duy nhất mà có thể định tuyến tới OpenAI, Anthropic, Google Gemini, Amazon Nova và các mô hình mở, đồng thời cho phép doanh nghiệp dùng khóa API của riêng mình. Sana AI cũng xây kiến trúc không phụ thuộc mô hình, cho phép doanh nghiệp ở gói Enterprise lựa chọn giữa các mô hình của OpenAI, Anthropic, Azure, Cohere và cả mô hình tự lưu trữ. Coveo thì kết hợp mô hình relevance độc quyền của mình với các mô hình ngôn ngữ lớn bên ngoài, và từ bản phát hành mùa xuân 2026 đã chuyển lớp trả lời sinh thành sang dùng AWS Bedrock với mô hình Nova Lite để cải thiện khả năng mở rộng. Với doanh nghiệp Việt Nam, khả năng chọn mô hình có ý nghĩa thực tế: nó quyết định dữ liệu có phải rời khỏi khu vực pháp lý mong muốn hay không, và chi phí suy luận sẽ thay đổi ra sao khi đổi nhà cung cấp mô hình.
Bước 6: Phản hồi, kiểm chứng và cải tiến liên tục
Một nền tảng tri thức tốt không dừng lại ở câu trả lời đầu tiên. Nó ghi lại câu hỏi nào được hỏi nhiều, câu trả lời nào bị người dùng đánh dấu là sai, tài liệu nào được trích dẫn nhiều nhất, và khoảng trống tri thức nào đang tồn tại — những câu hỏi mà không có tài liệu nào trả lời được. Sana AI gọi đây là tính năng curation: chuyên gia trong doanh nghiệp có thể xác minh và duy trì các bộ sưu tập tri thức theo từng chủ đề. Coveo cung cấp bảng điều khiển cho Relevance Generative Answering, hiển thị tỷ lệ trả lời, mức độ gắn nguồn, phản hồi người dùng và tình trạng mô hình. Glean bổ sung lớp quản trị Glean Protect trong bản cập nhật Agents tháng 1/2026 để kiểm soát cách các agent tự động truy cập và hành động trên dữ liệu.
Vòng phản hồi này là thứ biến một công cụ tìm kiếm thành một hệ thống tri thức sống. Nếu không có nó, doanh nghiệp sẽ triển khai một lần rồi để hệ thống dần lỗi thời cùng với tài liệu. Nếu có nó, mỗi câu hỏi không có đáp án trở thành một tín hiệu để đội ngũ viết thêm tài liệu, cập nhật chính sách, hoặc gắn cờ tài liệu cũ cần rà soát.
Glean là gì? Nền tảng Work AI cho tìm kiếm nội bộ
Glean là nền tảng Work AI dành cho doanh nghiệp, kết hợp tìm kiếm doanh nghiệp có kiểm soát quyền, trợ lý AI và các agent tự động trên một đồ thị tri thức được xây từ các ứng dụng đã kết nối của doanh nghiệp. Theo các bài đánh giá độc lập kiểm chứng tháng 9–10/2026, Glean kết nối tới hơn 275 công cụ làm việc, từ Slack, Google Drive, Confluence, Jira, Salesforce tới Microsoft 365, và chỉ trả lời từ những nội dung mà từng nhân viên được phép xem.
Điểm mạnh lớn nhất của Glean là sự tập trung. Đây là sản phẩm được xây từ đầu cho một bài toán duy nhất: giúp nhân viên tìm thấy tri thức nội bộ nhanh và chính xác. Tìm kiếm là trụ cột đầu tiên và là trụ cột mạnh nhất. Trợ lý AI là lớp thứ hai, cho phép nhân viên hỏi bằng ngôn ngữ tự nhiên và nhận câu trả lời tổng hợp có trích dẫn. Agent là lớp thứ ba, cho phép xây các quy trình tự động như soạn thảo trả lời, tạo ticket, tóm tắt tài liệu hay chuẩn bị báo cáo. Trong bản cập nhật Agents tháng 1/2026, Glean bổ sung Agent Builder, thư viện Agent Library, khả năng điều phối agent và lớp quản trị Glean Protect.
Về mặt kỹ thuật, Glean có ba đặc điểm đáng chú ý. Thứ nhất là Enterprise Graph, đồ thị tri thức doanh nghiệp ra mắt tháng 9/2025, ánh xạ mối quan hệ giữa con người, dự án và tài liệu, cộng thêm một đồ thị cá nhân cho từng nhân viên về những người họ làm việc cùng và những việc họ đang làm. Đồ thị này giúp Glean trả lời các câu hỏi nhiều bước và xác định ai là chuyên gia về một chủ đề, ngay cả khi người đó đã chuyển nhóm hoặc rời công ty. Thứ hai là khả năng không phụ thuộc mô hình: Glean định tuyến tới OpenAI, Anthropic, Google Gemini, Amazon Nova và các mô hình mở, đồng thời hỗ trợ mang khóa API của riêng doanh nghiệp cho OpenAI, Azure OpenAI, Vertex, Bedrock hoặc Anthropic. Thứ ba là MCP Gateway và MCP server riêng, cho phép các agent bên ngoài như Claude, ChatGPT hay Cursor truy vấn chỉ mục của Glean một cách có kiểm soát.
Về quy mô kinh doanh, Glean cho biết đã vượt mốc 100 triệu USD doanh thu định kỳ hằng năm vào tháng 2/2025, và hoàn thành vòng gọi vốn Series F trị giá 150 triệu USD vào tháng 6/2025 với định giá 7,2 tỷ USD, theo các bài tổng hợp kiểm chứng tháng 9/2026. Một bài đánh giá khác ghi nhận Glean đã vượt 300 triệu USD doanh thu định kỳ hằng năm vào tháng 5/2026. Các con số này cho thấy Glean không còn là startup nhỏ mà là một nhà cung cấp đã có quy mô, nhưng người đọc nên nhớ rằng đây là con số do công ty công bố hoặc do báo chí dẫn lại, không phải báo cáo tài chính đã kiểm toán công khai.
Về giá, Glean không công bố bảng giá chuẩn; trang giá của hãng dẫn tới yêu cầu demo và báo giá theo hợp đồng. Các nguồn độc lập tổng hợp từ dữ liệu mua hàng cho biết mức giá được báo khoảng 45–50 USD mỗi người dùng mỗi tháng cho giấy phép Enterprise Search, cộng thêm khoảng 15 USD mỗi người dùng mỗi tháng cho gói bổ sung Work AI, với mức tối thiểu khoảng 100 ghế và hợp đồng hằng năm. Một nguồn khác ghi nhận mức khoảng 45–48 USD mỗi người dùng mỗi tháng ở quy mô 200–230 ghế, và khoảng 25 USD mỗi người dùng mỗi tháng ở quy mô khoảng 700 người. Một nguồn khác nữa ước tính hợp đồng trung vị khoảng 99.000 USD mỗi năm. Sự chênh lệch này là bình thường với phần mềm doanh nghiệp: giá cuối cùng phụ thuộc vào quy mô, thời hạn, mức chiết khấu và các điều khoản triển khai. Điều doanh nghiệp cần rút ra là Glean không dành cho nhóm nhỏ dưới vài chục người, và ngân sách cần chuẩn bị ở mức hợp đồng doanh nghiệp, không phải mức đăng ký tự phục vụ vài chục USD.
Hạn chế của Glean cũng cần nói thẳng. Thứ nhất, giá cao và không có gói tự phục vụ hay dùng thử công khai, nên doanh nghiệp nhỏ khó tiếp cận. Thứ hai, triển khai nặng về CNTT: kết nối hàng chục hệ thống, đồng bộ quyền, xây đồ thị tri thức và kiểm thử chất lượng truy hồi cần thời gian và nhân sự. Thứ ba, theo một số bài đánh giá, khả năng thực thi quy trình tự động nhiều bước của Glean vẫn còn hạn chế so với các nền tảng agent chuyên sâu; Glean mạnh ở truy hồi và trả lời, chưa mạnh ở việc tự hoàn thành các tác vụ vận hành phức tạp. Thứ tư, thời gian trả lời đôi khi chậm: một bài tổng hợp đánh giá trên PeerSpot ghi nhận độ chính xác khoảng 80–85% và thời gian phản hồi đôi khi 15–20 giây. Con số này là trải nghiệm của người dùng được khảo sát, không phải cam kết hiệu năng chính thức, nhưng nó nhắc doanh nghiệp cần kiểm thử với dữ liệu thật của mình trước khi ký hợp đồng.
Một lưu ý kỹ thuật đáng chú ý: từ ngày 3/3/2026, Glean không còn lập chỉ mục Slack theo cách cũ mà lấy tin nhắn trực tiếp qua Slack Real-Time Search API. Thay đổi này có thể ảnh hưởng tới độ trễ và phạm vi nội dung Slack mà Glean trả về, và doanh nghiệp đang dùng Slack nhiều nên hỏi rõ nhà cung cấp về cơ chế này trong quá trình đánh giá.
Coveo là gì? Nền tảng AI-Relevance cho cả khách hàng lẫn nhân viên
Coveo là nền tảng AI-Relevance của công ty Coveo Solutions Inc., niêm yết trên Sở giao dịch chứng khoán Toronto với mã CVO. Khác với Glean chỉ tập trung vào nội bộ, Coveo xây một lớp lập chỉ mục và xếp hạng duy nhất rồi dùng chung cho bốn dòng giải pháp: AI Commerce cho thương mại điện tử, AI Service cho dịch vụ khách hàng, AI Website cho website, và AI Workplace cho môi trường làm việc nội bộ. Cùng một chỉ mục có kiểm soát quyền sẽ phục vụ cả khách hàng trên cửa hàng trực tuyến, nhân viên hỗ trợ trong trung tâm dịch vụ, và nhân viên nội bộ trên intranet.
Triết lý của Coveo là bán “mức độ phù hợp” chứ không bán “ô tìm kiếm”. Hệ thống kéo nội dung từ các nguồn qua connector, lập chỉ mục kèm quyền truy cập của hệ thống nguồn, rồi xếp hạng bằng các mô hình học máy học từ hành vi thực tế: người dùng nhấp vào đâu, mua gì, bỏ qua gì. Coveo ML bao gồm khả năng phát hiện thuật ngữ thông minh và tự động điều chỉnh mức độ phù hợp dựa trên tín hiệu hành vi mà không cần viết quy tắc thủ công. Lớp trả lời sinh thành của hãng, gọi là Relevance Generative Answering, sinh câu trả lời có căn cứ từ chỉ mục có kiểm soát quyền, kèm bảng điều khiển theo dõi tỷ lệ trả lời, mức độ gắn nguồn, phản hồi người dùng và tình trạng mô hình.
Về quy mô, Coveo là một trong số ít nhà cung cấp tìm kiếm doanh nghiệp có số liệu tài chính công khai vì là công ty niêm yết. Trong kết quả tài chính năm 2026 kết thúc ngày 31/3/2026, Coveo báo cáo tổng doanh thu 148,3 triệu USD, tăng 11%, doanh thu đăng ký SaaS 142,5 triệu USD, tăng 13%, và lỗ ròng 28,9 triệu USD. Trong quý đầu tiên của năm tài chính 2027, công bố ngày 30/7/2026, doanh thu quý là 38,5 triệu USD, tăng 8%, doanh thu SaaS 37,4 triệu USD, tăng 9%, lỗ ròng thu hẹp còn 5,8 triệu USD và tiền mặt ở mức 107,1 triệu USD. Công ty cũng cho biết có hơn 700 khách hàng doanh nghiệp, bao gồm SAP, Cisco, Dell và Salesforce, và xử lý hơn 25 tỷ sự kiện mỗi tháng trên nền tảng theo số liệu do hãng công bố. Coveo được vinh danh là Leader trong báo cáo Gartner Magic Quadrant 2026 cho Search and Product Discovery, và đạt chứng nhận ISO 27001, ISO 27018, SOC 2, tương thích HIPAA, với SLA 99,999% theo các bài tổng hợp.
Về hiệu quả thực tế, ví dụ được trích dẫn nhiều nhất là SAP: theo các bài tổng hợp, SAP đã chuyển hướng 1,64 triệu trường hợp hỗ trợ và đạt tỷ lệ tự phục vụ thành công 83,5% trên các hệ thống SAP for Me và SAP Concur nhờ dùng Coveo. Đây là con số do khách hàng và nhà cung cấp công bố, không phải kết quả kiểm chứng độc lập, nhưng nó minh họa đúng cách Coveo được đo lường: không phải bằng độ trễ truy vấn mà bằng tỷ lệ chuyển hướng trường hợp, tỷ lệ chuyển đổi và tỷ lệ tự phục vụ thành công.
Về tính năng mới, bản phát hành mùa xuân 2026 của Coveo bổ sung Conversational Search dùng agent tìm kiếm để xử lý câu hỏi tiếp nối, Generative Answers for Cases để đưa câu trả lời ngắn có căn cứ vào quy trình xử lý ticket, RAG-as-a-Service để các dịch vụ agent trên AWS như Bedrock AgentCore và Amazon Q dùng được lớp truy hồi của Coveo mà không cần tự xây hạ tầng RAG, và Coveo MCP Server để kết nối trực tiếp với ChatGPT Enterprise và Anthropic Claude. Tháng 2/2026, Coveo ra mắt Hosted MCP Server kết nối nền tảng AI-Relevance trực tiếp với ChatGPT Enterprise và Claude. Tháng 3/2026, Coveo công bố hợp tác AI có chủ quyền với Bell Canada, tích hợp nền tảng vào Bell AI Fabric để phục vụ chính phủ và các ngành chịu quản lý tại Canada.
Về giá, Coveo cũng không công bố một bảng giá đơn giản cho mọi khách hàng; giá được báo theo hợp đồng dựa trên lưu lượng, số lượng nguồn và dòng giải pháp. Doanh nghiệp nên yêu cầu báo giá theo đúng kịch bản sử dụng của mình — ví dụ chỉ dùng AI Workplace cho 200 nhân viên nội bộ sẽ có giá rất khác với việc dùng cả AI Commerce cho cửa hàng trực tuyến có hàng triệu lượt truy vấn. Điểm mạnh của Coveo là nếu doanh nghiệp đã cần một nền tảng tìm kiếm cho cả website thương mại và dịch vụ khách hàng, việc dùng chung một chỉ mục sẽ tiết kiệm đáng kể so với mua ba hệ thống riêng. Điểm yếu là nếu doanh nghiệp chỉ cần tìm kiếm nội bộ, Coveo có thể là giải pháp quá lớn, quá nặng và đắt hơn so với nhu cầu thực tế.
Một lưu ý nữa: vì Coveo là công ty niêm yết, các bản tin tài chính của hãng là nguồn đáng tin cậy để đánh giá sức khỏe nhà cung cấp, nhưng chúng không nói lên chất lượng truy hồi cho dữ liệu tiếng Việt. Doanh nghiệp Việt Nam cần kiểm thử trực tiếp với tài liệu tiếng Việt có dấu, tên riêng và thuật ngữ chuyên ngành của mình, vì mô hình relevance được huấn luyện chủ yếu trên dữ liệu tiếng Anh có thể xếp hạng kém hơn trên nội dung tiếng Việt.
Sana AI là gì? Trợ lý tri thức gắn với học tập và họp hành
Sana AI là nền tảng AI-native do công ty Sana Labs phát triển, tự định vị là “siêu trí tuệ cho nơi làm việc hiện đại”, và từ năm 2026 đã trở thành một phần của hệ sinh thái Workday với tên gọi Sana from Workday. Khác với Glean tập trung vào tìm kiếm và Coveo tập trung vào relevance đa kênh, Sana xây dựng một bộ ba gắn kết: trợ lý tri thức doanh nghiệp, agent tự động hóa công việc, và nền tảng học tập Sana Learn.
Trợ lý tri thức của Sana, gọi là Sana AI hay Sana Agents, cho phép nhân viên trò chuyện với toàn bộ tri thức công ty: hỏi về thông số sản phẩm, chính sách lương, quy trình nội bộ và nhận câu trả lời cập nhật kèm trích dẫn chính xác. Hệ thống lập chỉ mục tài liệu, giao tiếp và cả bản ghi cuộc họp, hỗ trợ hơn 50 ngôn ngữ, đọc được PDF, PowerPoint, Word, Google Docs, bảng tính Excel, Sheets, CSV và video MP4. Người dùng có thể kết hợp tri thức nội bộ với duyệt web công khai theo từng câu hỏi, với quyền bật tắt do quản trị viên kiểm soát. Các trợ lý có thể được tùy chỉnh không cần viết code cho từng lĩnh vực chuyên môn, và người dùng có thể chuyển đổi giữa các trợ lý theo miền ngay từ thanh trò chuyện.
Điểm khác biệt rõ nhất của Sana là khả năng biến cuộc họp thành tri thức có thể tìm kiếm. Sana AI ghi âm, chuyển thành văn bản, tóm tắt và lưu trữ các cuộc họp trên Zoom, Microsoft Teams và Google Meet, để không một thông tin nào trao đổi bằng lời nói bị mất đi. Đây là cầu nối quan trọng với bài toán tóm tắt cuộc họp: tri thức không chỉ nằm trong tài liệu viết sẵn mà còn nằm trong những gì người ta đã nói. Cùng với đó, Sana Learn tự động tạo nội dung đào tạo và cung cấp một gia sư AI hoạt động 24/7 cho nhân viên, biến tri thức doanh nghiệp thành chương trình học tập có cấu trúc thay vì chỉ là kho tài liệu thụ động.
Về kiến trúc, Sana xây dựng theo hướng không phụ thuộc mô hình ngôn ngữ: doanh nghiệp ở gói Enterprise có thể lựa chọn giữa các mô hình của OpenAI, Anthropic, Azure, Cohere và cả mô hình tự lưu trữ. Dữ liệu của khách hàng không được dùng để huấn luyện các mô hình bên thứ ba, theo công bố của hãng. Về bảo mật, Sana đạt chứng nhận SOC 2 và ISO 27001, tuân thủ GDPR, mã hóa dữ liệu khi lưu trữ bằng AES 256 và khi truyền tải bằng TLS 1.2 trở lên, hỗ trợ triển khai single-tenant cho khách hàng doanh nghiệp, xác thực SSO, SAML và SCIM, cùng thỏa thuận xử lý dữ liệu doanh nghiệp. Các connector dựng sẵn bao gồm Slack, Drive, Notion, Asana, GitHub, Salesforce, Mixpanel, Monday, Zapier, Figma và Zendesk, và khách hàng Enterprise có thể xây connector tùy chỉnh qua MCP client.
Về giá, trang giá hiện tại của Sana chỉ liệt kê gói Enterprise với giá tùy chỉnh theo báo giá; các bài đánh giá kiểm chứng tháng 10/2026 cho biết các gói Free và Team cũ vẫn xuất hiện trong một số tài liệu hỗ trợ, với giới hạn 1.000 tài liệu cho mỗi tích hợp ở gói miễn phí, nhưng không còn là mức giá đáng tin cậy để lập ngân sách. Doanh nghiệp nên coi Sana là sản phẩm báo giá theo hợp đồng, tương tự Glean và Coveo, và yêu cầu báo giá chính thức trước khi đưa vào kế hoạch. Việc Sana trở thành một phần của Workday vào năm 2026 cũng có hai mặt: mặt tích cực là khách hàng Workday sẽ có tích hợp sâu hơn với hệ thống nhân sự và tài chính; mặt cần cân nhắc là lộ trình sản phẩm, chính sách giá và mức độ ưu tiên cho khách hàng ngoài hệ sinh thái Workday có thể thay đổi, và doanh nghiệp nên hỏi rõ điều này trong quá trình đánh giá.
Hạn chế của Sana cần được nhìn thẳng. Thứ nhất, Sana là nền tảng trẻ hơn so với Coveo về tuổi đời trong lĩnh vực tìm kiếm doanh nghiệp, và hệ sinh thái connector tuy rộng nhưng vẫn đang được bổ sung liên tục. Thứ hai, các tính năng nâng cao như SSO SAML, SCIM, API và connector tùy chỉnh chỉ có ở gói Enterprise, nên doanh nghiệp vừa và nhỏ có thể thấy gói thấp thiếu những thứ cần thiết cho triển khai nghiêm túc. Thứ ba, vì Sana gắn chặt với học tập và họp hành, doanh nghiệp chỉ cần tìm kiếm nội bộ thuần túy có thể thấy mình đang trả tiền cho nhiều tính năng không dùng tới. Ngược lại, với doanh nghiệp đang xây văn hóa học tập nội bộ và có nhiều cuộc họp chứa tri thức quan trọng, chính sự gắn kết này lại là lý do để chọn Sana.
So sánh trực tiếp Glean, Coveo và Sana AI
Bảng dưới đây tóm tắt những khác biệt quan trọng nhất. Giá được ghi là giá được báo hoặc giá theo hợp đồng, không phải giá niêm yết chính thức, vì cả ba nhà cung cấp đều không công bố bảng giá đầy đủ. Doanh nghiệp nên dùng bảng này để rút ngắn danh sách, không nên dùng nó để quyết định cuối cùng mà không kiểm thử.
| Tiêu chí | Glean | Coveo | Sana AI |
|---|---|---|---|
| Định vị cốt lõi | Work AI: tìm kiếm nội bộ + trợ lý + agent | AI-Relevance Platform cho commerce, service, website, workplace | Trợ lý tri thức + agent + học tập Sana Learn |
| Số connector công bố | Hơn 275, gồm cả connector qua MCP | Hơn 100 connector dựng sẵn | Connector doanh nghiệp + MCP client ở gói Enterprise |
| Cơ chế truy hồi | Tìm kiếm ngữ nghĩa + Enterprise Graph + RAG có kiểm soát quyền | Hybrid search + Coveo ML tự điều chỉnh relevance + Relevance Generative Answering | Tìm kiếm ngữ nghĩa + RAG + curation bởi chuyên gia |
| Mô hình ngôn ngữ | Không phụ thuộc mô hình; OpenAI, Anthropic, Gemini, Nova, mô hình mở; dùng khóa riêng được | Mô hình relevance độc quyền + LLM bên ngoài; từ 2026 dùng AWS Bedrock Nova Lite | Không phụ thuộc mô hình; OpenAI, Anthropic, Azure, Cohere, tự lưu trữ |
| Phân quyền truy cập | Đồng bộ quyền từ hệ thống nguồn; lọc ở tầng truy hồi | Quyền ở cấp tài liệu đi kèm nội dung; chỉ trả lời từ tài liệu được phép xem | Phản chiếu quyền qua SSO; chỉ thấy nội dung đã được phép xem |
| Điểm mạnh nổi bật | Đồ thị tri thức, agent builder, MCP gateway | Một chỉ mục cho cả khách hàng và nhân viên; đo bằng kết quả kinh doanh | Biến cuộc họp thành tri thức; học tập AI; hơn 50 ngôn ngữ |
| Giá | Không công bố; được báo khoảng 45–50 USD/người/tháng cho tìm kiếm, cộng khoảng 15 USD cho AI, tối thiểu khoảng 100 ghế | Báo giá theo hợp đồng; theo lưu lượng và dòng giải pháp | Enterprise báo giá tùy chỉnh; gói Free/Team cũ không còn đáng tin để lập ngân sách |
| Bảo mật | SOC 2 Type II, ISO 27001, ISO 42001 | ISO 27001, ISO 27018, SOC 2, tương thích HIPAA, SLA 99,999% | SOC 2, ISO 27001, GDPR, AES 256, TLS 1.2+, single-tenant |
| Phù hợp nhất | Doanh nghiệp vừa và lớn, tri thức rải rác nhiều ứng dụng | Doanh nghiệp cần cả tìm kiếm khách hàng và nhân viên trên một nền tảng | Doanh nghiệp coi trọng học tập nội bộ và tri thức trong cuộc họp; khách hàng Workday |
Nên chọn nền tảng nào theo từng kịch bản?
Không có nền tảng tốt nhất cho mọi doanh nghiệp. Có nền tảng phù hợp nhất cho từng bài toán, từng quy mô và từng ngân sách. Dưới đây là các kịch bản thường gặp và lựa chọn gợi ý, kèm lý do.
Kịch bản 1: Công ty công nghệ 200–1.000 người, tri thức rải rác trong Slack, Drive, Confluence, Jira và GitHub
Chọn Glean. Đây đúng là bài toán mà Glean được xây để giải quyết: nhiều hệ thống, nhiều tài liệu kỹ thuật, nhiều cuộc thảo luận, và nhân viên cần tìm nhanh cả tài liệu lẫn con người. Đồ thị tri thức của Glean phát huy tác dụng khi câu hỏi liên quan tới ai làm gì, dự án nào dùng tài liệu nào, và quyết định nào đã được đưa ra trong một thread Slack cũ. Doanh nghiệp nên bắt đầu bằng một nhóm thí điểm khoảng 50–100 người, đo thời gian tìm kiếm trước và sau, rồi mới mở rộng.
Kịch bản 2: Doanh nghiệp thương mại điện tử hoặc dịch vụ có cả website bán hàng, trung tâm hỗ trợ và intranet nội bộ
Chọn Coveo. Lợi thế của Coveo không nằm ở ô tìm kiếm nội bộ đơn lẻ mà nằm ở việc dùng chung một chỉ mục và một lớp relevance cho cả khách hàng lẫn nhân viên. Khi khách hàng tìm sản phẩm trên website, nhân viên hỗ trợ tìm giải pháp trong trung tâm dịch vụ, và nhân viên nội bộ tìm chính sách trên intranet, cả ba đều dùng cùng một nguồn tri thức đã được xếp hạng và kiểm soát quyền. Doanh nghiệp sẽ tiết kiệm được chi phí mua và vận hành ba hệ thống riêng, và quan trọng hơn là tránh được tình trạng ba nơi trả lời ba đáp án khác nhau cho cùng một câu hỏi.
Kịch bản 3: Doanh nghiệp đang xây văn hóa học tập, nhiều tri thức nằm trong cuộc họp và đào tạo nội bộ
Chọn Sana AI. Nếu bài toán lớn nhất của doanh nghiệp là nhân viên mới học việc chậm, kiến thức nằm trong đầu người cũ và trong các cuộc họp không ai ghi chép, thì Sana Learn và khả năng biến cuộc họp thành tri thức có thể tìm kiếm là lợi thế mà Glean và Coveo không nhấn mạnh bằng. Doanh nghiệp cũng nên cân nhắc nếu đã dùng Workday, vì tích hợp trong cùng hệ sinh thái thường giúp triển khai nhanh hơn và quản trị người dùng đơn giản hơn.
Kịch bản 4: Doanh nghiệp Việt Nam dưới 100 người, ngân sách hạn chế
Cân nhắc kỹ trước khi chọn cả ba. Cả ba nền tảng đều là sản phẩm doanh nghiệp với giá theo hợp đồng, mức tối thiểu về số ghế và chi phí triển khai không nhỏ. Với quy mô dưới 100 người, doanh nghiệp nên thử các bước rẻ hơn trước: tổ chức lại kho tài liệu trong Notion hoặc Confluence, dùng trợ lý tri thức nội bộ tự xây trên RAG với quy mô nhỏ, hoặc dùng ADC Knowledge Assistant và các giải pháp tương tự ở quy mô vừa. Chỉ khi đã đo được chi phí của việc không tìm thấy tri thức — ví dụ nhân viên hỗ trợ trả lời sai vì dùng tài liệu cũ, hay nhân viên mới mất hai tuần mới làm việc độc lập được — thì mới có cơ sở để đầu tư vào một nền tảng doanh nghiệp. Nếu vẫn quyết định chọn một trong ba, hãy yêu cầu bản thí điểm có giới hạn thời gian và phạm vi dữ liệu, với tiêu chí thành công được viết ra trước.
Kịch bản 5: Doanh nghiệp trong ngành chịu quản lý chặt — tài chính, y tế, chính phủ
Ưu tiên Coveo hoặc Glean, tùy bài toán, và yêu cầu bằng chứng tuân thủ bằng văn bản. Coveo có lợi thế về chứng nhận ISO 27018 và tính tương thích HIPAA cùng SLA 99,999%; Glean có ISO 42001 về quản trị AI bên cạnh SOC 2 Type II và ISO 27001; Sana có SOC 2, ISO 27001 và tùy chọn triển khai single-tenant. Nhưng chứng nhận chỉ là điểm khởi đầu. Doanh nghiệp cần hỏi thêm: dữ liệu được lưu ở khu vực nào, mô hình ngôn ngữ nào xử lý dữ liệu, dữ liệu có được dùng để huấn luyện hay không, nhật ký truy cập được giữ bao lâu, và quy trình xóa dữ liệu khi nhân viên nghỉ việc diễn ra như thế nào. Với dữ liệu nhạy cảm, doanh nghiệp cũng nên cân nhắc phương án triển khai mà nhà cung cấp lưu trữ trong tài khoản đám mây của chính doanh nghiệp, như tùy chọn Customer Hosted của Glean trong AWS hoặc GCP của khách hàng.
Checklist đánh giá trước khi mua: 15 câu hỏi phải hỏi nhà cung cấp
Đừng mua nền tảng tìm kiếm tri thức chỉ vì xem demo đẹp. Demo dùng dữ liệu mẫu sạch sẽ luôn cho kết quả tốt. Hãy dùng checklist dưới đây trong buổi đánh giá, và yêu cầu nhà cung cấp trả lời bằng dữ liệu thật của doanh nghiệp, không phải bằng slide.
- Connector có đồng bộ quyền truy cập từ hệ thống nguồn hay không, và đồng bộ mất bao lâu sau khi quyền thay đổi?
- Hệ thống xử lý tài liệu trùng lặp và tài liệu lỗi thời như thế nào? Bản mới nhất có luôn được ưu tiên không?
- Khi người dùng hỏi về tài liệu mà họ không có quyền xem, hệ thống trả lời ra sao? Có xác nhận sự tồn tại của tài liệu đó không?
- Câu trả lời có trích dẫn tới đúng đoạn tài liệu gốc không? Trích dẫn có thể nhấp để mở tài liệu gốc không?
- Hệ thống xử lý dữ liệu tiếng Việt như thế nào? Đã kiểm thử với tài liệu tiếng Việt có dấu và thuật ngữ chuyên ngành của doanh nghiệp chưa?
- Mô hình ngôn ngữ nào xử lý dữ liệu? Dữ liệu có rời khỏi khu vực pháp lý mà doanh nghiệp yêu cầu không? Dữ liệu có được dùng để huấn luyện không?
- Tốc độ trả lời trung bình với dữ liệu thật là bao nhiêu giây? Có cam kết trong hợp đồng không?
- Hệ thống đo lường chất lượng như thế nào? Tỷ lệ câu hỏi không có đáp án là bao nhiêu, và ai chịu trách nhiệm lấp khoảng trống tri thức đó?
- Quản trị viên có thể xem nhật ký câu hỏi và câu trả lời không? Nhật ký được giữ bao lâu và ai có quyền xem?
- Khi nhân viên nghỉ việc, dữ liệu và quyền truy cập của họ được thu hồi và xóa như thế nào?
- Chi phí bao gồm những gì: phí ghế, phí sử dụng mô hình, phí triển khai, phí đào tạo, phí hỗ trợ? Có phí ẩn nào khi tăng số lượng tài liệu hay số lượng truy vấn không?
- Hợp đồng tối thiểu là bao lâu? Điều khoản thoát hợp đồng và xuất dữ liệu khi chấm dứt ra sao?
- Nhà cung cấp hỗ trợ triển khai như thế nào: có đội ngũ tại khu vực không, thời gian triển khai thí điểm là bao lâu, ai chịu trách nhiệm làm sạch dữ liệu?
- Hệ thống có tích hợp với các agent và công cụ AI khác của doanh nghiệp qua MCP hoặc API không?
- Có khách hàng tham chiếu trong cùng ngành và cùng quy mô không? Có thể trao đổi trực tiếp với họ không?
Nếu nhà cung cấp không trả lời thỏa đáng ba câu đầu tiên — về quyền truy cập, tài liệu lỗi thời và trích dẫn — hãy dừng lại. Ba câu này quyết định hệ thống có an toàn và đáng tin hay không. Mọi tính năng khác đều là thứ yếu nếu hệ thống để lộ tài liệu nhạy cảm hoặc trả lời sai mà không có nguồn để kiểm chứng.
Lộ trình triển khai 90 ngày cho doanh nghiệp Việt Nam
Triển khai nền tảng tìm kiếm tri thức không phải là mua phần mềm rồi bật lên. Đó là một dự án thay đổi cách tổ chức làm việc với tri thức. Lộ trình 90 ngày dưới đây chia công việc thành ba giai đoạn, mỗi giai đoạn có đầu ra đo được.
Ngày 1–30: Chuẩn bị dữ liệu và chọn nhóm thí điểm
Tuần đầu tiên dành cho việc kiểm kê tri thức: liệt kê tất cả hệ thống đang chứa tài liệu, ai là chủ sở hữu của từng hệ thống, tài liệu nào là bản chính thức, tài liệu nào đã lỗi thời. Đây là công việc tẻ nhạt nhưng quyết định 80% chất lượng của hệ thống sau này. Một chỉ mục xây trên dữ liệu rác sẽ chỉ giúp nhân viên tìm thấy rác nhanh hơn. Song song, chọn một nhóm thí điểm 30–50 người đại diện cho các phòng ban khác nhau, và thu thập 50–100 câu hỏi thật mà họ hay hỏi đồng nghiệp: “quy trình hoàn tiền cho khách đặt qua OTA là gì”, “ai phụ trách hợp đồng với nhà cung cấp này”, “báo giá mới nhất cho gói này nằm ở đâu”. Danh sách câu hỏi này sẽ trở thành bộ kiểm thử cho hệ thống.
Cuối giai đoạn này, doanh nghiệp cần có ba thứ: một bản đồ dữ liệu đã được làm sạch bước đầu, một nhóm thí điểm đã cam kết tham gia, và một bộ 50–100 câu hỏi kiểm thử có đáp án đúng đã được xác minh bởi con người. Nếu không có đáp án đúng do con người xác minh, doanh nghiệp sẽ không thể biết hệ thống trả lời đúng hay sai.
Ngày 31–60: Thí điểm, đo lường và sửa tri thức
Kết nối 3–5 hệ thống quan trọng nhất trước, không kết nối tất cả cùng lúc. Cho nhóm thí điểm dùng hệ thống trong công việc thật hằng ngày, và đo ba chỉ số: thời gian tìm kiếm trung bình trước và sau, tỷ lệ câu hỏi có đáp án đúng, và mức độ hài lòng của người dùng. Mỗi tuần, đội ngũ xem lại những câu hỏi không có đáp án hoặc có đáp án sai, và sửa ở gốc: viết thêm tài liệu, cập nhật tài liệu cũ, hoặc gắn cờ tài liệu trùng lặp. Đây là giai đoạn quan trọng nhất, vì nó biến dự án công nghệ thành dự án tri thức. Nhiều doanh nghiệp thất bại ở đây vì họ nghĩ mua phần mềm là xong, trong khi thực tế phần mềm chỉ phơi bày những lỗ hổng tri thức đã tồn tại từ lâu.
Ngày 61–90: Mở rộng, đào tạo và đưa vào vận hành chính thức
Khi tỷ lệ đáp án đúng đạt mức chấp nhận được — doanh nghiệp nên tự đặt ngưỡng, ví dụ 85% câu hỏi kiểm thử có đáp án đúng và có trích dẫn — mới mở rộng kết nối thêm hệ thống và mở rộng người dùng. Tổ chức đào tạo ngắn theo vai trò: nhân viên học cách đặt câu hỏi tốt, quản lý học cách xem báo cáo khoảng trống tri thức, quản trị viên học cách quản lý quyền và curation. Ban hành quy định rõ ràng: tài liệu chính thức phải nằm ở đâu, ai chịu trách nhiệm cập nhật, và câu trả lời của AI phải được kiểm chứng với tài liệu gốc trước khi dùng cho khách hàng hay quyết định quan trọng. Sau 90 ngày, hệ thống cần có một chủ sở hữu rõ ràng trong tổ chức, không phải là nhà cung cấp, mà là một người chịu trách nhiệm về chất lượng tri thức hằng tuần.
Những sai lầm thường gặp khi triển khai
Sai lầm thứ nhất là kỳ vọng AI sẽ tự sửa dữ liệu xấu. AI chỉ giúp tìm dữ liệu nhanh hơn; nếu dữ liệu sai, lỗi thời hay mâu thuẫn, AI sẽ trích dẫn dữ liệu sai một cách tự tin. Doanh nghiệp phải làm sạch dữ liệu trước và duy trì việc đó liên tục.
Sai lầm thứ hai là kết nối quá nhiều nguồn ngay từ đầu. Khi kết nối 20 hệ thống cùng lúc, doanh nghiệp sẽ không biết lỗi đến từ đâu khi câu trả lời sai. Hãy bắt đầu với ít nguồn nhưng chất lượng cao, rồi mở rộng dần.
Sai lầm thứ ba là không kiểm thử phân quyền. Nhiều dự án chỉ kiểm thử với tài khoản quản trị viên, người có quyền xem mọi thứ, nên không phát hiện ra lỗi rò rỉ quyền cho tới khi một nhân viên bình thường nhìn thấy tài liệu lương của người khác. Hãy kiểm thử với tài khoản của từng vai trò: nhân viên mới, nhân viên phòng khác, quản lý, và người ngoài dự án.
Sai lầm thứ tư là đo lường sai chỉ số. Số lượng câu hỏi được hỏi không nói lên chất lượng. Hãy đo tỷ lệ câu hỏi có đáp án đúng và có trích dẫn, thời gian tiết kiệm được, và số quyết định sai vì dùng tài liệu cũ đã giảm hay chưa. Nếu không đo được, doanh nghiệp sẽ không biết có nên tiếp tục trả tiền hay không.
Sai lầm thứ năm là bỏ qua thay đổi hành vi. Nhân viên đã quen hỏi đồng nghiệp qua chat sẽ không tự nhiên chuyển sang hỏi AI. Cần có người dẫn dắt trong từng nhóm, có ví dụ cụ thể về câu hỏi hay, và có cơ chế phản hồi khi AI trả lời sai để người dùng tin tưởng rằng phản hồi của họ được lắng nghe.
Kết luận: chọn theo bài toán, không chọn theo thương hiệu
Glean, Coveo và Sana AI đều là những nền tảng nghiêm túc, đã được kiểm chứng ở quy mô doanh nghiệp, và đều có thể mang lại giá trị thật nếu triển khai đúng. Glean là lựa chọn mạnh nhất khi bài toán là tìm kiếm nội bộ thuần túy trên nhiều ứng dụng. Coveo là lựa chọn mạnh nhất khi doanh nghiệp cần một nền tảng relevance dùng chung cho cả khách hàng và nhân viên. Sana AI là lựa chọn đáng cân nhắc nhất khi doanh nghiệp coi trọng học tập nội bộ, tri thức trong cuộc họp và hệ sinh thái Workday. Không có lựa chọn nào đúng cho mọi doanh nghiệp, và lựa chọn sai thường không phải vì sản phẩm kém mà vì doanh nghiệp mua sản phẩm cho bài toán của người khác.
Với doanh nghiệp Việt Nam, lời khuyên thực tế nhất là: bắt đầu từ bài toán, không bắt đầu từ sản phẩm. Viết ra 50 câu hỏi thật mà nhân viên đang hỏi nhau mỗi tuần. Đo xem mỗi câu hỏi tốn bao nhiêu thời gian để trả lời. Làm sạch 100 tài liệu quan trọng nhất. Rồi mới mời hai nhà cung cấp làm thí điểm với dữ liệu thật và so sánh bằng cùng một bộ kiểm thử. Nền tảng nào trả lời đúng nhiều hơn, trích dẫn rõ ràng hơn, tôn trọng quyền truy cập tốt hơn và có tổng chi phí sở hữu thấp hơn trong ba năm mới là nền tảng đáng chọn. Và sau khi chọn, hãy nhớ rằng công việc thật mới bắt đầu: duy trì tri thức là công việc hằng tuần, không phải dự án một lần.
Câu hỏi thường gặp (FAQs)
Nền tảng tìm kiếm tri thức doanh nghiệp bằng AI là gì?
Nền tảng tìm kiếm tri thức doanh nghiệp bằng AI là hệ thống lập chỉ mục toàn bộ dữ liệu nội bộ rải rác trong email, Drive, Slack, CRM và wiki, rồi trả lời nhân viên bằng ngôn ngữ tự nhiên với trích dẫn tới tài liệu gốc. Nó khác với chatbot thông thường ở chỗ nó chỉ trả lời dựa trên tài liệu thật của doanh nghiệp và tôn trọng đúng quyền truy cập của từng người. Ba nền tảng dẫn đầu năm 2026 là Glean, Coveo và Sana AI, mỗi nền tảng mạnh ở một bài toán khác nhau.
Glean khác Coveo như thế nào?
Glean tập trung vào tìm kiếm nội bộ thuần túy với đồ thị tri thức và agent, kết nối hơn 275 công cụ làm việc và chỉ trả lời từ nội dung mà người hỏi được phép xem. Coveo là nền tảng AI-Relevance dùng chung một chỉ mục cho cả thương mại điện tử, dịch vụ khách hàng, website và môi trường làm việc nội bộ, và được đo bằng tỷ lệ chuyển hướng trường hợp và tỷ lệ chuyển đổi. Doanh nghiệp chỉ cần tìm kiếm nội bộ nên ưu tiên Glean; doanh nghiệp cần cả tìm kiếm khách hàng và nhân viên nên ưu tiên Coveo.
Sana AI có gì khác so với Glean và Coveo?
Sana AI khác ở chỗ nó gắn trợ lý tri thức với học tập và họp hành: Sana Learn tự động tạo nội dung đào tạo và cung cấp gia sư AI, còn Sana AI ghi âm, chuyển thành văn bản và lập chỉ mục các cuộc họp trên Zoom, Teams và Google Meet. Sana hỗ trợ hơn 50 ngôn ngữ, có kiến trúc không phụ thuộc mô hình ngôn ngữ, và từ năm 2026 là một phần của hệ sinh thái Workday. Doanh nghiệp coi trọng đào tạo nội bộ và tri thức trong cuộc họp nên cân nhắc Sana trước.
Nền tảng tìm kiếm tri thức doanh nghiệp có an toàn không? AI có làm lộ tài liệu mật không?
Một nền tảng được thiết kế đúng sẽ không làm lộ tài liệu mật, vì nó lọc quyền truy cập ở tầng truy hồi trước khi mô hình ngôn ngữ nhìn thấy nội dung. Người dùng chỉ nhận được câu trả lời từ những tài liệu mà họ đã được phép xem trong hệ thống nguồn như Drive hay SharePoint. Tuy nhiên, doanh nghiệp phải kiểm thử điều này bằng tài khoản của từng vai trò, yêu cầu bằng chứng chứng nhận SOC 2 và ISO 27001, và hỏi rõ dữ liệu có được dùng để huấn luyện mô hình hay không.
Chi phí của Glean, Coveo và Sana AI là bao nhiêu?
Cả ba nền tảng đều không công bố bảng giá đầy đủ mà báo giá theo hợp đồng. Glean được các nguồn độc lập báo khoảng 45–50 USD mỗi người dùng mỗi tháng cho giấy phép tìm kiếm, cộng khoảng 15 USD cho gói AI, với mức tối thiểu khoảng 100 ghế. Coveo và Sana AI báo giá theo hợp đồng dựa trên lưu lượng, số nguồn và dòng giải pháp. Doanh nghiệp nên yêu cầu báo giá chính thức theo đúng kịch bản sử dụng và tính tổng chi phí sở hữu trong ba năm, gồm phí ghế, phí triển khai và phí hỗ trợ.
Doanh nghiệp nhỏ dưới 100 người có nên dùng Glean, Coveo hay Sana AI không?
Doanh nghiệp dưới 100 người nên cân nhắc kỹ vì cả ba đều là sản phẩm doanh nghiệp với giá theo hợp đồng và chi phí triển khai không nhỏ. Trước khi mua, doanh nghiệp nên tổ chức lại kho tài liệu, thử trợ lý tri thức quy mô nhỏ, và đo chi phí thật của việc không tìm thấy tri thức. Chỉ khi chi phí đó đủ lớn và đã có bộ câu hỏi kiểm thử rõ ràng thì mới nên đầu tư vào một nền tảng doanh nghiệp với bản thí điểm có giới hạn.
RAG là gì và vì sao nó quan trọng với tìm kiếm tri thức doanh nghiệp?
RAG, viết tắt của Retrieval-Augmented Generation, là kỹ thuật mà mô hình ngôn ngữ chỉ trả lời dựa trên những đoạn tài liệu vừa truy hồi được từ kho nội bộ, thay vì dựa trên kiến thức huấn luyện sẵn. RAG quan trọng vì nó gắn mỗi khẳng định với một trích dẫn tới tài liệu gốc, giúp người dùng kiểm chứng và giảm nguy cơ AI bịa ra câu trả lời. Tuy nhiên, chất lượng của RAG phụ thuộc hoàn toàn vào chất lượng chỉ mục, xếp hạng và quản trị tri thức của doanh nghiệp.
Làm thế nào để triển khai nền tảng tìm kiếm tri thức doanh nghiệp thành công?
Triển khai thành công cần lộ trình 90 ngày: 30 ngày đầu kiểm kê và làm sạch dữ liệu, chọn nhóm thí điểm và xây bộ 50–100 câu hỏi kiểm thử có đáp án đúng; 30 ngày tiếp theo thí điểm với 3–5 hệ thống quan trọng nhất, đo tỷ lệ đáp án đúng và sửa tri thức ở gốc; 30 ngày cuối mở rộng, đào tạo theo vai trò và giao cho một chủ sở hữu rõ ràng chịu trách nhiệm về chất lượng tri thức hằng tuần. Yếu tố quyết định không phải là phần mềm mà là dữ liệu sạch và thói quen đặt câu hỏi tốt của nhân viên.
Liên hệ AIA qua hotline 0939 936 168 để được tư vấn giải pháp AI phù hợp với doanh nghiệp của bạn.
