Mức tăng 3 điểm AI citation share (tỷ lệ câu trả lời AI có nhắc đến thương hiệu hoặc nội dung của bạn) trong tuần này có thể không nói lên điều gì. Nghiên cứu công bố tháng 4/2025 chỉ ra rằng một lần đọc duy nhất từ bất kỳ công cụ theo dõi AI visibility nào thường quá nhiễu để phân biệt thay đổi thực với biến động ngẫu nhiên, và lượng dữ liệu cần thiết để có con số đáng tin thay đổi đáng kể theo từng nền tảng và chủ đề.
Tại sao điểm AI visibility của bạn cứ thay đổi liên tục?
Vì các mô hình đằng sau ChatGPT, Gemini và Perplexity được thiết kế với tính ngẫu nhiên có chủ đích. Hỏi cùng một câu hai lần, hệ thống có thể trả về nguồn khác nhau mỗi lần. Citation share vì vậy chỉ là ảnh chụp nhanh của một mục tiêu đang dịch chuyển liên tục, không phải một phép đo cố định.
Một nghiên cứu trước đó của Ron Sielinski, đồng sáng lập IQRush, minh họa điều này bằng ví dụ cụ thể. Khi kiểm tra SearchGPT với các truy vấn về thiết bị chạy bộ, Tom’s Guide xuất hiện trong khoảng 9,5% số lần được trích dẫn, trong khi Runner’s World chiếm khoảng 6,0%, theo dữ liệu trong nghiên cứu đó. Nhìn bề ngoài, Tom’s Guide dẫn rõ ràng. Nhưng biên độ sai số (khoảng thống kê mà con số thực có thể rơi vào) của cả hai đủ rộng để chồng lên nhau. Khoảng cách 3,5 điểm ở quy mô mẫu đó không thể xác nhận ai thực sự đứng trước.
Cần bao nhiêu dữ liệu để một thứ hạng thực sự đáng tin?
Bản preprint (nghiên cứu chưa qua phản biện đồng nghiệp) của IQRush công bố ngày 11/4/2025 trả lời thẳng câu hỏi này. Nghiên cứu xác định hai điều kiện phải cùng được thỏa mãn mới xem một thứ hạng là đáng tin:
- Thứ tự phải ổn định. Ban đầu, mỗi câu trả lời mới thêm vào đều có thể xáo trộn thứ hạng vì chưa site nào tạo được khoảng cách rõ. Chỉ sau khi tích lũy đủ câu trả lời, các site dẫn đầu mới bứt ra và thứ tự không thay đổi nữa.
- Khoảng cách giữa các site top phải vượt biên độ sai số. Nếu hai đối thủ quá sát nhau, dù thứ tự trông có vẻ ổn định thì kết quả vẫn có thể chỉ phản ánh biến động ngẫu nhiên, không phải hiệu suất thực.
Qua 30 bài kiểm tra theo nền tảng và chủ đề, trải đều trên ba engine, nghiên cứu IQRush ghi nhận: để cả hai điều kiện cùng được đáp ứng, cần từ 33 đến 94 câu trả lời có chứa trích dẫn. Ba trong số 30 bài không bao giờ đạt điểm này dù đã hỏi đến 125 câu, tất cả đều trên SearchGPT, nơi các site top quá tương đồng để phân biệt rõ.
Một nhóm nghiên cứu độc lập tại Đại học St. Gallen (Julius Schulte, Malte Bleeker và Philipp Kaufmann) cũng công bố nghiên cứu riêng tháng 4/2025 và đi đến cùng kết luận từ bộ dữ liệu hoàn toàn độc lập: một lần đo là không đủ tin cậy, cần lấy mẫu lặp lại trước khi có thể tin vào kết quả.
Nền tảng bạn theo dõi có ảnh hưởng đến lượng dữ liệu cần thiết không?
Có, và theo chiều ngược với những gì hầu hết mọi người nghĩ. Theo nghiên cứu IQRush, biến số quyết định không phải là số lượng trích dẫn trong một câu trả lời, mà là mỗi câu trả lời đó mang bao nhiêu thông tin độc lập.
- Gemini thường tập trung trích dẫn vào một nhóm nhỏ site trong cùng một câu trả lời, nên nhiều trích dẫn trong số đó chứa thông tin trùng lặp.
- SearchGPT trả về ít trích dẫn hơn mỗi câu trả lời nhưng phân phối rộng hơn. Mỗi câu trả lời theo đó mang nhiều tín hiệu độc lập hơn so với con số trích dẫn thô cho thấy.
Cùng số lượng câu trả lời thu thập được không mua được cùng mức độ tin cậy trên hai nền tảng. Ngân sách dữ liệu đủ để có kết quả đáng tin trên Gemini có thể vẫn để bạn phỏng đoán trên SearchGPT.
Các site xếp hạng cao ổn định hơn phần giữa danh sách đến mức nào?
Vị trí top là phần có thể bảo vệ nhất. Với đủ câu trả lời, các site dẫn đầu bứt ra khỏi phần giữa. Nhưng ngay cả top 10 cũng không hoàn toàn sạch: nghiên cứu IQRush ghi nhận biên độ sai số điển hình khoảng 5 vị trí cho một site trong top 10, và cứ 5 site thì có 1 site mang sai số vượt quá 10 vị trí. Thứ hạng ở phần giữa và cuối danh sách gần như là tung đồng xu giữa các vị trí kề nhau.
Nghiên cứu của SparkToro được Search Engine Journal trích dẫn cũng cho thấy: các công cụ AI trả về danh sách thương hiệu được gợi ý khác nhau trong hơn 99% số lần khi hỏi cùng một câu hỏi, theo phát hiện Rand Fishkin lần đầu công bố tháng 1/2025. Nghiên cứu đó để ngỏ câu hỏi cần hỏi bao nhiêu lần trước khi kết quả ổn định. Bản preprint IQRush, theo nhận định của tác giả bài viết trên Search Engine Journal, là câu trả lời rõ ràng nhất cho đến nay.
Điều này có nghĩa gì với AI search visibility?
Cách đơn giản nhất để hình dung: nếu bạn thực hiện khảo sát với chỉ một người trả lời, bạn sẽ không gọi đó là khảo sát. Hầu hết các dashboard AI visibility hiện nay đưa cho bạn con số từ một người trả lời duy nhất, nhưng trình bày như một đường xu hướng.
Xét một kịch bản cụ thể. Một brand manager sửa lại nội dung trang sản phẩm và hôm sau kiểm tra công cụ theo dõi điểm AI citation. Điểm tăng 3 điểm. Trông như một chiến thắng. Nhưng dữ liệu IQRush cho thấy mức dao động 3 điểm trên SearchGPT có thể xảy ra giữa các lần chạy liên tiếp mà không có bất kỳ thay đổi nội dung nào, hoàn toàn nằm trong biên độ dao động tự nhiên. Không có nhiều lần đo trước và sau thay đổi, “chiến thắng” đó không thể phân biệt được với nhiễu nền.
Điều này kéo theo một hệ quả mà nghiên cứu không nói thẳng nhưng suy ra trực tiếp: các team đưa ra quyết định nội dung dựa trên điểm citation từ một lần chạy duy nhất có thể đang phản ứng với nhiễu thay vì tín hiệu thực.
Câu hỏi thực tế cần đặt ra với bất kỳ vendor AI visibility nào không phải là con số đó là bao nhiêu, mà là họ có báo cáo kèm khoảng tin cậy không. Con số trông gọn gàng, chính xác thực ra có thể là dấu hiệu cảnh báo: vendor có thể chỉ thu thập một lần rồi định dạng đầu ra, thay vì lấy mẫu đủ để biết con số đó có ổn định hay không.
Còn một vấn đề tinh tế hơn cho các thương hiệu theo dõi nhiều đối thủ. Phát hiện của IQRush cho thấy khoảng cách ở giữa danh sách thường nằm trong biên độ sai số, nghĩa là thương hiệu xếp thứ 5 và thứ 8 có thể không phân biệt được về mặt thống kê. Quyết định phản ứng với đối thủ nào trong chiến lược nội dung cần tính đến việc khoảng cách quan sát được là thực hay chỉ là nhiễu.
Một điều nghiên cứu chưa trả lời: cần bao nhiêu lần chạy trước khi bắt đầu một chiến dịch đo lường. Bản preprint IQRush ghi rõ việc tính ngân sách kiểm tra trước (pre-test budget, tức lượng mẫu tối thiểu cần chuẩn bị trước khi bắt đầu) là hướng nghiên cứu tương lai, vì lượng mẫu cần thiết phụ thuộc vào phân phối trích dẫn của từng nền tảng. Không có một con số chung áp dụng cho mọi trường hợp.
Góc nhìn Hingewise
Nghĩ đơn giản thế này: bạn không thể đánh giá sức khỏe từ một lần đo huyết áp buổi sáng. Điểm AI citation cũng không khác.
Lấy ví dụ một thương hiệu thực phẩm thấy mình xuất hiện trong 12% câu trả lời AI về “đồ ăn healthy” vào thứ Hai, rồi 15% vào thứ Tư. Điều đó không có nghĩa họ đã làm đúng điều gì ở giữa. Rất có thể con số chỉ dao động trong biên độ tự nhiên của engine, không liên quan đến bất kỳ thay đổi nội dung nào.
Điều nghiên cứu này làm rõ thêm: ngay cả khi bạn lấy mẫu lặp lại, ngân sách lấy mẫu phải được thiết kế theo đặc thù từng nền tảng. Một vendor áp cùng ngưỡng mẫu cho Gemini và SearchGPT là dấu hiệu họ chưa giải bài toán này đúng cách. Hai nền tảng có cấu trúc trích dẫn khác nhau về bản chất: cùng 50 câu trả lời thu thập được, mức độ tin cậy cho ra trên mỗi nền tảng là không giống nhau.
Nhận định của Hingewise: cho đến khi các vendor báo cáo khoảng tin cậy thay vì con số điểm đơn lẻ, mọi chỉ số AI citation đều là giả thuyết cần kiểm chứng, không phải kết quả để hành động ngay.
Trước khi hành động dựa trên báo cáo AI citation tiếp theo: danh sách kiểm tra nhanh
- Hỏi vendor: họ báo cáo khoảng tin cậy hay chỉ một con số điểm đơn? Con số trông “gọn gàng” là dấu hiệu cần nghi ngờ, không phải reassurance.
- Sau thay đổi nội dung: đo trước và sau nhiều lần, không phải một lần. Một lần trước và một lần sau không đủ để tách tín hiệu thực ra khỏi nhiễu nền.
- Kiểm tra nền tảng bạn đang theo dõi: Gemini và SearchGPT có cấu trúc trích dẫn khác nhau về bản chất và cần lượng mẫu khác nhau để đạt kết quả đáng tin.
- Với khoảng cách giữa các đối thủ ở giữa danh sách (ví dụ vị trí 5 so với vị trí 8): xác nhận xem khoảng cách đó có vượt biên độ sai số không trước khi đưa ra quyết định chiến lược.
- Nếu tool thông báo “chưa đủ dữ liệu”: đó là dấu hiệu tốt. Tool in ra thứ hạng tự tin mọi lúc mới là điều đáng lo hơn.
- Nhớ ngưỡng tối thiểu: nghiên cứu IQRush cho thấy cần từ 33 đến 94 câu trả lời có chứa trích dẫn tùy nền tảng và chủ đề trước khi thứ hạng có thể xem là ổn định.
- Ưu tiên theo dõi vị trí top hơn phần giữa danh sách: biên độ sai số mở rộng nhanh ở phần giữa và cuối, đến mức các vị trí kề nhau gần như không phân biệt được.
Nguồn: IQRush preprint, Ron Sielinski, ngày 11/4/2025; nghiên cứu Đại học St. Gallen (Julius Schulte, Malte Bleeker, Philipp Kaufmann), tháng 4/2025; Search Engine Journal; SparkToro / Rand Fishkin, tháng 1/2025.
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.