Nghiên cứu về khả năng hiển thị thông tin AI: Sự tiến hóa của cơ chế khám phá từ tìm kiếm truyền thống đến tìm kiếm tạo sinh

1. Tóm tắt điều hành (Executive Summary)

Các phát hiện nghiên cứu:

1. Sự chuyển đổi mô hình khả năng hiển thị: Tìm kiếm AI đã chuyển từ tìm kiếm truyền thống phụ thuộc vào "nhấp để truy cập" sang tìm kiếm tạo sinh phụ thuộc vào "tổng hợp câu trả lời". Khả năng hiển thị thông tin không còn là thứ hạng trang web đơn lẻ, mà là một mắt xích trong toàn bộ quy trình khám phá, truy xuất, trích dẫn và tiếp thu thông tin.
2. Mô hình quy trình thay thế mô hình thuật toán: Sự thành công của tìm kiếm AI phụ thuộc vào một mô hình "quy trình thông tin" đa giai đoạn (truy xuất $\rightarrow$ hiểu $\rightarrow$ tạo sinh $\rightarrow$ trích dẫn), thay vì một thuật toán xếp hạng đơn lẻ có thể đảo ngược được.
3. Sự phức tạp của cơ chế trích dẫn: Trích dẫn của AI không phải là tín hiệu xếp hạng đơn thuần, mà là kết quả của sự tương tác đồng bộ giữa nhiều khía cạnh như tính toàn vẹn của thông tin, độ tin cậy của nguồn, cấu trúc nội dung và tính nhất quán của thực thể, đòi hỏi tổ chức phải chuyển trọng tâm từ "bị tìm kiếm" sang "được hiểu".
4. Bản chất của khoảng cách khả năng hiển thị: Khoảng cách giữa khả năng hiển thị của tìm kiếm truyền thống và tìm kiếm AI bắt nguồn từ sự khác biệt cơ bản trong cơ chế hiểu ngữ nghĩa, khả năng thích ứng ngữ cảnh và cơ chế lựa chọn thông tin, điều này đòi hỏi các tổ chức phải thực hiện điều chỉnh kiến trúc sâu sắc hơn về cấu trúc nội dung và tính nhất quán của thực thể.

2. Bối cảnh nghiên cứu (Research Background)

Tại sao tìm kiếm AI trở thành đối tượng nghiên cứu mới?

Tìm kiếm AI đã vượt ra ngoài phạm vi truy xuất thông tin truyền thống, nó đại diện cho một sự thay đổi cơ bản trong cách tiếp cận việc thu thập và tiêu thụ kiến thức. Sự thay đổi này thúc đẩy việc định nghĩa lại khả năng hiển thị thông tin: nó không còn là việc "tôi có xuất hiện ở vị trí thứ N trong danh sách kết quả không", mà là việc "thông tin của tôi có thể được hệ thống AI nắm bắt, hiểu, tích hợp và trích dẫn làm thành phần câu trả lời đáng tin cậy hay không".

Thay đổi trong tìm kiếm: Người dùng không còn hài lòng với thứ tự của danh sách, mà mong muốn nhận được câu trả lời trực tiếp và tổng hợp. Điều này dẫn đến hành vi người dùng chuyển từ "duyệt liên kết" sang "đọc tóm tắt" hoặc "nhận kết luận trực tiếp".

Thay đổi trong hành vi người dùng: Nhu cầu của người dùng về việc "khám phá" và "hiểu" thông tin đồng bộ được nâng cao. Họ cần các đoạn kiến thức có cấu trúc, có thể trích dẫn, thay vì một tập hợp các liên kết văn bản phân tán.

Thay đổi về công nghệ: Sự phổ biến của các Mô hình Ngôn ngữ Lớn (LLMs) và AI tạo sinh đã nâng việc xử lý thông tin từ "khớp từ khóa" lên "hiểu ngữ nghĩa" và "tổng hợp tạo sinh". Điều này đòi hỏi trọng tâm nghiên cứu của chúng ta phải chuyển từ việc thông tin tồn tại ở đâu, sang cách thông tin được hệ thống hiểu và sử dụng.

3. Bối cảnh tìm kiếm AI hiện tại (Current AI Search Landscape)

Hệ sinh thái tìm kiếm AI hiện tại thể hiện tính không đồng nhất cao về nền tảng, mỗi bên tham gia chính vận hành các mô hình xử lý và truy xuất thông tin khác nhau, điều này tạo nên nguồn gốc của sự phức tạp trong khả năng hiển thị thông tin.* Les LLM généralistes comme ChatGPT / Gemini / Claude : Ils représentent la capacité de « génération et de synthèse » basée sur des modèles pré-entraînés à grande échelle. Leur visibilité dépend fortement de la largeur des connaissances couvertes par leurs données d'entraînement et de leur capacité à suivre des instructions complexes.

• Google AI Overviews / Mode IA : Ils représentent la recherche générative profondément intégrée aux systèmes de recherche de base (Core Search Systems). Leur visibilité reste étroitement liée aux mécanismes sous-jacents du SEO traditionnel, mais l'objectif d'optimisation s'est déplacé vers la « génération de réponses en amont ».
• Perplexity : En tant qu'outil axé sur l'extraction précise de citations et la traçabilité des sources en temps réel, il met l'accent sur la précision de la « recherche » et de la « citation », révélant la sensibilité des utilisateurs à la crédibilité des sources d'information.
• Microsoft Copilot : En tant que combinaison de services d'entreprise et de recherche, sa visibilité se concentre sur la manière d'intégrer efficacement la base de connaissances de l'entreprise (Knowledge Base) dans les processus de recherche et de génération de l'IA.

4. Principales découvertes de recherche

Découverte de recherche 1 : La visibilité de l'IA n'est plus un classement unique, mais une mesure de la performance du pipeline d'information.

• Phénomène : Google a publié des directives concernant les fonctionnalités d'IA générative, indiquant explicitement que l'optimisation des caractéristiques de l'IA reste le « SEO », mais il insiste désormais sur un « pipeline » plutôt que sur un seul algorithme.
• Mécanisme : Le succès de la recherche par IA dépend d'un processus continu : intention de l'utilisateur $\rightarrow$ Compréhension/Divergence de la requête $\rightarrow$ Recherche $\rightarrow$ Sélection/Réordonnancement $\rightarrow$ Contexte $\rightarrow$ Base $\rightarrow$ Synthèse de la réponse $\rightarrow$ Citation $\rightarrow$ Résultat utilisateur. Chaque étape peut devenir un goulot d'étranglement pour la visibilité de l'information.
• Impact : Les organisations doivent passer d'un objectif unique de « comment obtenir des clics » à « à quelle étape du pipeline d'information mon contenu réussit ou échoue », déplaçant ainsi l'accent de l'optimisation pure de mots-clés vers l'architecture de l'information et la présentation structurée.

Découverte de recherche 2 : L'identification des entités est le fossé clé entre « être recherché » et « être compris ».### Phát hiện nghiên cứu 2: Nhận dạng thực thể là rào cản then chốt giữa "được tìm kiếm" và "được hiểu".

• Hiện tượng: Hệ thống AI có thể nhận dạng các thực thể như thương hiệu, nhân vật, nhưng "được tìm thấy" không đồng nghĩa với "được hiểu". Nếu một thực thể được đề cập nhưng mối liên hệ ngữ cảnh yếu hoặc danh tính không nhất quán, AI có thể không thể nhúng nó chính xác vào đồ thị tri thức như một nguồn đáng tin cậy.
• Cơ chế: Sự hiểu biết của AI phụ thuộc vào Tính nhất quán của thực thể (Entity Consistency) và Tính toàn vẹn của ngữ cảnh (Contextual Integrity). Nếu một thương hiệu được trình bày không nhất quán trên các kênh khác nhau, hoặc mối liên hệ của nó trong đồ thị tri thức không mạnh, AI sẽ khó xác lập nó là một thực thể có thẩm quyền.
• Ảnh hưởng: Các thương hiệu cần tập trung vào việc xây dựng hình ảnh thực thể nhất quán trên nhiều nền tảng để đảm bảo có một điểm neo nhận dạng ổn định trong hệ thống nhận thức của AI.

Phát hiện nghiên cứu 3: Định nghĩa cơ chế trích dẫn đang chuyển từ "tín hiệu xếp hạng" sang "chất lượng tiếp thu".

• Hiện tượng: Các quan sát trong ngành chỉ ra rằng việc AI trích dẫn không phải là một chỉ số xếp hạng tuyến tính. Một số nền tảng nêu rõ rằng chỉ số trích dẫn không nhất thiết tương đương với thứ hạng hoặc uy tín cuối cùng. Hệ thống đang phân biệt giữa "được đề cập" và "được tiếp thu".
• Cơ chế: Việc AI trích dẫn là kết quả của sự tương tác của nhiều yếu tố như Tín hiệu thẩm quyền thông tin (Authority Signals), Cấu trúc nội dung và Xác minh bên ngoài. Nội dung phải có tính toàn vẹn thông tin và dễ dàng cho hệ thống AI trích xuất "câu trả lời sạch, tự chứa".
• Ảnh hưởng: Chiến lược nội dung cần chuyển từ "tạo trích dẫn" sang "thiết kế cấu trúc có thể được trích xuất", tức là tập trung vào định dạng Q&A rõ ràng và tổ chức luận điểm minh bạch, thay vì chỉ theo đuổi số lượng liên kết bên ngoài.

Phát hiện nghiên cứu 4: Bản chất của khoảng cách khả năng hiển thị nằm ở "sự khác biệt trong hiểu ngữ nghĩa".

• Hiện tượng: Có sự khác biệt cơ bản giữa các quy tắc khả năng hiển thị của tìm kiếm truyền thống (khớp từ khóa) và tìm kiếm tạo sinh (hiểu ngữ nghĩa). Các yêu cầu về cấu trúc nội dung, độ sâu ngữ nghĩa và khả năng thích ứng ngữ cảnh là hoàn toàn khác nhau.
• Cơ chế: Tìm kiếm truyền thống tập trung vào "mức độ khớp từ khóa"; tìm kiếm tạo sinh tập trung vào "bắt giữ độ sâu ý định và tính mạch lạc của ngữ cảnh". Điều này dẫn đến khoảng cách khả năng hiển thị do "sự khác biệt về cấu trúc nội dung" và "sự khác biệt về hiểu ngữ nghĩa".
• Ảnh hưởng: Các tổ chức phải thiết lập các chiến lược khả năng hiển thị cụ thể cho từng nền tảng, nhận ra rằng không có tiêu chuẩn "tối ưu hóa AI" phổ quát, mà chỉ có các chiến lược điều chỉnh phù hợp với LLM và hệ thống tìm kiếm cụ thể.

5. Phân tích Kỹ thuật và Hệ thống (Technical & System Analysis)

Phân tích cơ chế truy xuất AI

Cách AI xử lý thông tin đã phát triển từ việc thu thập và lập chỉ mục đơn giản thành một hoạt động "đường ống thông tin" phức tạp, đa giai đoạn:

Giai đoạn tìm kiếm truyền thống: Crawler $\rightarrow$ Index $\rightarrow$ Khớp từ khóa $\rightarrow$ Xếp hạng $\rightarrow$ Nhấp chuột.### Analyse du mécanisme de recherche par IA La manière dont l'IA traite l'information a évolué d'un simple crawl et indexation vers une opération complexe et multi-étapes de « pipeline d'information » :

Phase de recherche traditionnelle : Crawler $ \rightarrow $ Index $ \rightarrow $ Correspondance de mots-clés $ \rightarrow $ Classement $ \rightarrow $ Clic. Phase de génération par IA : Crawler/Agent $ \rightarrow $ Index $ \rightarrow $ Embedding (Vectorisation) $ \rightarrow $ Retrieval (Récupération) $ \rightarrow $ Ranking (Classement) $ \rightarrow $ Generation (Génération) $ \rightarrow $ Citation (Citation).

Impact des étapes clés :

• Embedding (Vectorisation) : Détermine la « distance » de l'information dans l'espace sémantique, c'est la base de la compréhension sémantique. Des embeddings de mauvaise qualité entraînent des biais dans la récupération.
• Retrieval (Récupération) : Détermine quelles informations l'IA peut « voir ». Si les extraits récupérés ne correspondent pas à l'intention profonde de la requête initiale de l'utilisateur, la qualité de la génération subséquente sera considérablement réduite.
• Citation (Citation) : C'est le produit final visible. Il mesure si le système d'IA considère l'information récupérée comme une « base factuelle » et l'intègre dans la réponse finale, plutôt que de la considérer comme un simple point de référence.

RAG (Retrieval-Augmented Generation) et flux d'information

Le RAG est le paradigme technologique central de la découverte d'information par l'IA. Il transforme une base de connaissances externe (Knowledge Base) en contexte accessible aux LLM. Dans le contexte de la recherche par IA, l'optimisation du RAG se concentre sur :

1. Structuration de la base de connaissances : La base de connaissances doit supporter une identification d'entités efficace et une extraction rapide du contexte.
2. Précision de la recherche : Il faut concevoir des stratégies de récupération plus intelligentes pour garantir que les extraits récupérés ne sont pas seulement pertinents, mais possèdent également une « unicité informationnelle » et une « autorité » suffisantes.
3. Guidage du processus de génération : Comment, par l'ingénierie des invites (Prompt Engineering) ou les instructions système, guider le LLM pour qu'il s'appuie en priorité sur les blocs d'information récupérés et hautement visibles lors de la génération de la réponse.

6. Impact organisationnel### Tác động đến đội ngũ truyền thông doanh nghiệp

Vai trò của đội ngũ truyền thông doanh nghiệp đang chuyển đổi từ "người phân phối nội dung" sang "kiến trúc sư của đường ống thông tin". Nội dung mà họ cần quan tâm không chỉ là việc đăng tải nội dung, mà còn là đảm bảo nội dung có được:

• Khả năng trích xuất có cấu trúc: Thiết kế nội dung cần ưu tiên cách AI "đọc" và "trích xuất" thông tin (như tiêu đề rõ ràng, luận điểm mạch lạc).
• Tính nhất quán của thực thể: Đảm bảo thông tin về thương hiệu là thống nhất trên tất cả các điểm tiếp xúc kỹ thuật số để hỗ trợ việc nhận dạng thực thể của AI.
• Tích lũy tín hiệu uy tín: Theo dõi các xác minh bên ngoài và chữ ký của các tác giả chuyên môn để tăng trọng số thông tin trong chuỗi trích dẫn của AI.

Tác động đến đội ngũ thương hiệu

Đội ngũ thương hiệu cần xây dựng "khung giám sát khả năng hiển thị của AI", khung này không phụ thuộc vào các công cụ xếp hạng truyền thống, mà đo lường sự hiện diện thực tế của thương hiệu trong hệ thống nhận thức của AI thông qua các thử nghiệm "truy vấn-trích dẫn" trên nhiều LLM và giao diện tìm kiếm.

Tác động đến các tổ chức ngành

Việc xây dựng tiêu chuẩn và kiến thức ngành đòi hỏi phải xem xét cách cấu trúc hóa những kiến thức này để LLM có thể sử dụng chúng làm cơ sở để tạo ra các câu trả lời dựa trên thế hệ (generative answers), điều này đòi hỏi các tổ chức ngành phải có khả năng mô hình hóa thông tin mang tính tiên phong.

7. Tín hiệu nghiên cứu tương lai (Future Research Signals)

Các hướng nghiên cứu tương lai đáng chú ý bao gồm:

• Nghiên cứu về tính ổn định của việc trích dẫn AI: Khi các mô hình được lặp lại, xu hướng AI trích dẫn các nguồn cụ thể có thay đổi dữ dội không? Tính ổn định lâu dài của cơ chế trích dẫn là gì?
• Sự phân mảnh và hợp nhất của các điểm truy cập tìm kiếm: Khi AI được tích hợp vào mọi cấp độ của hệ điều hành, ứng dụng và công cụ tìm kiếm, các điểm truy cập thông tin của người dùng sẽ bị phân mảnh hơn như thế nào, và AI sẽ tích hợp thông tin như thế nào qua các điểm truy cập này?
• Tính năng động của thực thể thương hiệu: Sơ đồ tri thức AI được cập nhật và phát triển theo thời gian như thế nào? Liệu thực thể thương hiệu có được tái cấu trúc nhận thức của nó liên tục theo tương tác của AI giống như một hệ thống sinh học không?
• Định lượng sự khác biệt giữa các mô hình: Làm thế nào để định lượng một cách có hệ thống sự khác biệt giữa các LLM khác nhau (ví dụ: Gemini so với Perplexity) về cơ chế khám phá, lựa chọn và trích dẫn thông tin, từ đó xây dựng chiến lược thông tin cụ thể cho từng nền tảng?

8. Góc nhìn nghiên cứu của Veerixa (Veerixa Research Perspective)Veerixa 研究视角 (Veerixa Research Perspective)

AI搜索时代的核心变化，并非信息量的减少，而是信息选择和信息处理机制的范式转移。我们正从一个基于“位置竞争”（Ranking）的可见性游戏，过渡到一个基于“管道性能”（Pipeline Performance）的可见性评估体系。成功的可见性策略，不再是盲目追求高频词的堆砌，而是深入理解信息从输入到最终吸收的每一个技术节点，并在该节点上进行精准的结构化和权威性锚定。AI时代的竞争，是关于构建一个更可靠、更可被系统信任的信息流。

9. 结论 (Conclusion)

AI搜索正在系统性地重构信息获取的底层逻辑。组织对“信息权威性”的认知必须从“谁在搜索我”提升到“我的信息能否被AI系统准确地理解并作为答案引用”。未来的信息可见性研究，必须聚焦于构建和优化这个复杂的信息处理管道，而非试图逆向工程一个单一的、静止的排名算法。