AI đánh giá một công ty phần mềm dựa vào đâu

2MONA hỏi AI những gì về mona.software, và vì sao đo trên chính site mình

MONA hỏi ba mô hình AI cùng 16 câu về mona.software, mỗi câu đóng vai một người đang đi tìm nhà cung cấp phần mềm, rồi so điểm qua ba lần sửa trang. Đo trên chính site của mình thì MONA biết chính xác trang đã đổi gì giữa hai vòng, nên thay đổi của điểm gắn được với từng lần sửa.

3Điểm AI chấm qua ba vòng sửa trang

Điểm tin cậy đi ngang ở vòng 2 (4,77 → 4,68) rồi tăng lên 5,50 ở vòng 3. Vòng 3 là lần đầu cả Codex và Claude cùng tăng ở cả bốn tiêu chí.

Hai mô hình chấm khác nhau khá xa trên cùng đầu vào, nên bài so từng mô hình với chính nó qua các vòng. Codex chấm cao hơn Claude ở cả bốn tiêu chí và cả ba vòng.

GPT-5.5 không tìm web có 15, 6, 0 câu trả lời ở ba vòng do cổng lỗi, nên có trong file điểm nhưng không đưa vào so sánh.

4AI bắt lỗi gì trên trang của một công ty phần mềm

AI bắt nhiều nhất ở những con số không có định nghĩa và những chỗ chữ trên trang nói khác nhau. Sáu phát hiện dưới đây đánh số F1 đến F6, mỗi phát hiện có link riêng để trích.

1. F1

   Sửa chữ đang có trên trang đủ đổi điểm. Điểm tin cậy ghép cặp đi từ 4,77 ở vòng 1 xuống 4,68 ở vòng 2 rồi lên 5,50 ở vòng 3. Vòng 3 là vòng đầu tiên cả Codex và Claude cùng tăng ở cả bốn tiêu chí so với vòng trước.

2. F2

   AI hỏi nguồn và cách đo của con số ở phần lớn câu trả lời. Số câu trả lời nhắc tới số liệu thiếu nguồn, thiếu cách đo hoặc chưa kiểm chứng là 38/47 ở vòng 1, 25/38 ở vòng 2 và 24/32 ở vòng 3. Con số không kèm mẫu số, ngày tính và cách đo là thứ AI hỏi lại đầu tiên.

3. F3

   Gỡ một con số không có cách đếm thì lời chê về nó hết ngay vòng sau. Một con số trên trang chủ không có cách đếm được nhắc ở 29/47 câu vòng 1; sau khi gỡ, vòng 2 còn 0/38 và vòng 3 còn 0/32. Một cụm từ tuyệt đối về bảo mật đi từ 16/47 xuống 0/38 câu.

4. F4

   Mỗi con số trên trang case cần cỡ mẫu và ngày của riêng nó. Một khối chỉ số khảo sát chưa ghi cỡ mẫu được nhắc ở 27/38 câu vòng 2. Ở vòng 3, khi các trang case chỉ giữ số có định nghĩa riêng, còn 1/32 câu.

5. F5

   AI đọc cả chữ người xem không thấy. Đầu vào vòng 3 dài 99.238 ký tự, trong đó con số 14.000 xuất hiện 32 lần, 28 lần là cùng một dòng menu in lại ở mỗi tab. Chữ mặc định của hiệu ứng tải trang, hiện trước khi JavaScript đếm số, được nhắc ở 6/32 câu vòng 3.

6. F6

   Câu hỏi lạnh gần như không đổi, và hai mô hình chấm lệch nhau. Với 4 câu hỏi lạnh, điểm tin cậy ghép cặp là 6,13 → 6,13 → 6,50 (4 câu có điểm mỗi vòng). Trên cùng đầu vào vòng 3, Codex cho độ tin cậy 6,07 còn Claude cho 4,93.

5AI đọc HTML, JSON-LD và llms.txt ra sao

Trợ lý AI đọc HTML trước khi JavaScript chạy, đọc JSON-LD như lời công ty tự khai và đọc llms.txt như bản tóm tắt chính thức. Chỗ nào ba lớp này nói khác chữ người xem thấy, AI ghi thành điểm trừ.

6Doanh nghiệp nhờ AI tìm nhà cung cấp nên hỏi thế nào

Doanh nghiệp nhờ AI lập danh sách nhà cung cấp nên đưa AI đúng trang cần đọc và hỏi từng con số, vì câu hỏi chung chung chỉ cho lại câu trả lời chung chung.

1. Đưa AI đọc trang case cụ thể của nhà cung cấp, không chỉ trang chủ.
2. Hỏi từng con số: là tổng hay số cùng lúc, đo ngày nào, bằng công cụ gì.
3. Hỏi pháp nhân ký hợp đồng, mã số thuế và ngày thành lập của pháp nhân đó.
4. Hỏi cùng một câu ở hai mô hình khác nhau rồi so hai câu trả lời.
5. Mở lại nguồn mà AI trích trước khi tin một kết luận.

Sáu trang case phần mềm MONA đưa vào đầu vào vòng 2 và 3:

• The IELTS Workshop
• PWEV by L'Oréal
• Ngọc Thành Jewelry
• Bệnh viện Hoàn Mỹ Sài Gòn
• Polytex Far Eastern Việt Nam
• Khoa Y, Đại học Y Dược TP.HCM

8Giới hạn của phép đo

• 16 câu hỏi, mỗi câu chạy một lần mỗi vòng, nên chưa đo độ dao động khi hỏi lại cùng một câu.
• Đề bài yêu cầu phê bình gay gắt, nên điểm tuyệt đối thấp hơn cách hỏi thường; bài chỉ so các vòng với nhau.
• Điểm do Claude trích từ câu trả lời, trong đó có câu trả lời của chính Claude, nên có thể lệch theo cách Claude đọc.
• GPT-5.5 lỗi cổng (15, 6, 0 câu qua ba vòng) và Gemini chưa chạy được, nên so sánh chỉ còn hai mô hình.
• Câu hỏi lạnh phụ thuộc kết quả tìm web của ngày chạy, và mỗi vòng chỉ có 4 câu lạnh có điểm tin cậy.
• Phát hiện F2 đến F5 đếm bằng mẫu tìm chữ, nên câu nói cùng ý bằng chữ khác không được đếm.
• MONA đo trên chính site của mình. File điểm, câu hỏi và mã tính lại được công bố; câu trả lời nguyên văn công bố sau.

9Nhật ký phiên bản và trích dẫn

@techreport{mona_nc01_2026,
  author = {{Nhóm kỹ thuật MONA Software}},
  title = {AI đánh giá một công ty phần mềm dựa vào đâu},
  institution = {Công ty TNHH Phần mềm MONA},
  number = {NC-01, bản 1.0},
  year = {2026},
  month = sep,
  url = {https://mona.software/nghien-cuu/ai-danh-gia-cong-ty-phan-mem/},
  note = {Đo 25/09–28/09/2026}
}