Quản lý tri thức doanh nghiệp bằng AI thường dựa trên một niềm tin: chỉ cần AI đọc đúng tài liệu, nó sẽ trả lời đúng. Năm 2025, một đánh giá của Đại học Stanford đã kiểm chứng niềm tin đó trên các công cụ AI tra cứu pháp lý được quảng cáo là "không bịa", vốn chỉ trả lời dựa trên kho tài liệu. Kết quả: chúng vẫn đưa ra thông tin sai trong 17-33% số lần.
Tài liệu nội bộ của doanh nghiệp hiếm khi được chăm chút kỹ như một kho văn bản pháp lý. Quy trình thường chỉ mô tả trường hợp thông thường, nhiều bản đã cũ, và ít bản có người đứng tên. Với câu hỏi hằng ngày, AI trả lời nhanh và trôi chảy, nhân viên mới bớt phải hỏi. Tuy nhiên, doanh nghiệp thường mất tiền ở chính những trường hợp nằm ngoài quy trình, và ở đó AI có thể đưa ra hướng dẫn đúng trên giấy nhưng sai ngoài xưởng. Người được gọi đến vẫn là người có kinh nghiệm.
Một AI đã học hết quy trình không khiến người giỏi trở nên thừa, mà làm thay đổi công việc của họ. Bài viết phân tích vì sao có tài liệu chưa có nghĩa là làm được việc, rủi ro của một AI "biết nói" nhưng "không biết làm", và bốn quyết định quản trị giúp những gì AI tra cứu luôn đúng.
Có tài liệu chưa có nghĩa là làm được việc
Bài đầu tiên của loạt bài đã phân tích vì sao người giỏi thường dè dặt khi được đề nghị chia sẻ kinh nghiệm. Bài này đi tiếp một bước: khi họ đã chia sẻ và tài liệu đã được nạp đủ, AI vẫn còn thiếu điều gì? Năm khái niệm thường bị dùng lẫn với nhau sẽ giúp trả lời câu hỏi đó.
| Khái niệm | Hiểu theo cách đời thường | Ví dụ trên một đơn hàng |
|---|---|---|
| Dữ liệu | Những con số, ghi chép chưa được đọc ra ý nghĩa | Đơn 5.000 sản phẩm, giao ngày 20 |
| Thông tin | Dữ liệu được đặt vào bối cảnh để nói lên một điều cụ thể | Đến ngày 20, xưởng chỉ kịp làm 4.000 sản phẩm |
| Tri thức | Hiểu biết đã được thực tế kiểm chứng: vì sao, và nên làm gì | Khi thiếu công suất, tách thành nhiều đợt giao và thống nhất với khách trước |
| Năng lực | Làm được việc đó trong điều kiện thực tế: đủ thời gian, đủ quyền hạn, biết cần gọi ai | Biết khách nào chấp nhận giao tách đợt và cần liên hệ ai bên đó |
| Phán đoán | Lựa chọn đúng khi quy tắc không đủ hoặc mâu thuẫn nhau | Quyết định rằng giữ khách hàng này quan trọng hơn chỉ tiêu chi phí tháng này |
Tài liệu là nền móng. Mỗi tầng phía trên lại cần thêm những điều mà tài liệu không chứa đựng.
AI được nạp tài liệu làm tốt ở ba dòng đầu: tìm được dữ liệu, đặt dữ liệu vào bối cảnh và nhắc lại tri thức mà ai đó đã viết ra. Còn năng lực và phán đoán phụ thuộc vào tình huống cụ thể, vào quyền được hành động và vào việc chấp nhận hậu quả. Đó là giới hạn của quản lý tri thức doanh nghiệp chỉ dựa trên tài liệu, và cũng là chỗ người có kinh nghiệm vẫn phải gánh vác công việc.
Giới hạn này không giống nhau ở mọi nơi. Với những việc có tính lặp lại cao, như trả lời câu hỏi về chính sách đổi trả, tài liệu bao quát gần hết các trường hợp và AI có thể đảm nhận phần lớn. Khoảng trống chỉ thực sự đáng kể ở những nơi ngoại lệ vừa nhiều vừa tốn kém: sản xuất, mua hàng, hậu mãi, khách hàng lớn.
Quy trình viết cho trường hợp thông thường, còn tiền mất ở trường hợp ngoại lệ
Quy trình được viết cho trường hợp xảy ra thường xuyên nhất. Ngoại lệ là khi những giả định của quy trình không còn đúng: vật liệu khác, dung sai chặt hơn, hay máy đang chạy chậm hơn bình thường. Các nghiên cứu quan sát tại nơi làm việc từ lâu đã ghi nhận khoảng cách này: cách con người thực sự làm việc thường khác với cách sổ tay, khóa đào tạo và bản mô tả công việc ghi lại, và chính phần khác biệt ấy thường là nơi kinh nghiệm hữu ích được hình thành.
Dấu hiệu thường gặp: nhiều doanh nghiệp sản xuất nạp hàng trăm quy trình vào trợ lý AI. Khi có một đơn hàng đặc biệt, chẳng hạn dùng vật liệu thay thế, yêu cầu hoàn thiện cao hơn và thời gian giao ngắn, AI vẫn đưa ra công đoạn chuẩn và định mức chuẩn. Nó không thể biết một máy đang chạy chưa ổn định với vật liệu đó, hay khách hàng này chấp nhận giao tách đợt. Giám đốc sản xuất mong bớt phụ thuộc vào tổ trưởng lâu năm; nhân viên kế hoạch mới tin AI vì câu trả lời đầy đủ, mạch lạc; còn tổ trưởng biết quy trình sai ở đâu nhưng không ai hỏi, và việc ghi chép lại cũng không nằm trong nhiệm vụ của họ. Mỗi người đều hành động hợp lý ở vị trí của mình. Rủi ro nằm ở khoảng trống giữa họ.
Cách xử lý một trường hợp ngoại lệ thường nằm ở xưởng, chứ không nằm trong tập quy trình.
Cách khắc phục dễ thấy nhất là viết mọi ngoại lệ vào quy trình. Tuy nhiên, cách này có cái giá của nó: quy trình dài ra, bắt đầu mâu thuẫn nhau, và khó dùng hơn cho cả người lẫn AI. Cách phân chia thực tế hơn là ghi lại những ngoại lệ lặp đi lặp lại, còn với trường hợp hiếm thì giúp hệ thống nhận ra "đây không phải trường hợp thông thường" để chuyển cho người xử lý.
Tài liệu cũ, chồng chéo, không ai đứng tên: điểm yếu của quản lý tri thức doanh nghiệp
Để thấy vì sao tài liệu cũ lại quan trọng đến vậy, cần hiểu rõ AI "học" quy trình của công ty bằng cách nào. Trong phần lớn các hệ thống triển khai tại doanh nghiệp, AI không học theo nghĩa được huấn luyện. Khi có người đặt câu hỏi, hệ thống tìm trong kho tài liệu, chọn những đoạn có vẻ liên quan rồi viết câu trả lời dựa trên đó, giống như một nhân viên mới lật sổ tay để tra. Cách làm này gọi là truy xuất tài liệu để trả lời (retrieval-augmented generation, RAG). Huấn luyện là chuyện khác: nó thay đổi chính mô hình AI.
| Tra cứu tài liệu (RAG) | Huấn luyện mô hình | |
|---|---|---|
| AI lấy hiểu biết từ đâu | Tài liệu của công ty, được đọc ngay lúc có câu hỏi | Những gì đã ngấm vào mô hình trong quá trình huấn luyện |
| Khi một quy trình thay đổi | Sửa tài liệu là câu trả lời thay đổi ngay | Phải huấn luyện lại: chậm, tốn kém, khó sửa đúng một chi tiết |
| Có chỉ ra được câu trả lời lấy từ đâu không? | Được, nếu tài liệu ghi rõ ngày và người chịu trách nhiệm | Nhìn chung là không |
| Rủi ro chính | Tài liệu cũ hoặc sai sẽ cho ra câu trả lời cũ hoặc sai | Hiểu biết đã lỗi thời mà khó truy ra nguồn gốc |
Phần lớn AI trong doanh nghiệp đọc tài liệu khi được hỏi. Vì thế, câu trả lời tốt đến đâu phụ thuộc vào tài liệu tốt đến đâu.
Nghiên cứu đặt nền móng cho cách làm này nêu rõ sự đánh đổi: hiểu biết nằm bên trong mô hình thì khó cập nhật và khó truy ra nguồn, nên phương pháp này giữ tri thức trong một kho tài liệu bên ngoài. Với CEO, hệ quả khá rõ ràng: AI trả lời tốt đến đâu phụ thuộc vào tài liệu tốt đến đâu. Giữ cho tài liệu luôn đúng không còn là việc lưu trữ đơn thuần, mà đã trở thành phần cốt lõi của quản lý tri thức doanh nghiệp.
Từ đó, ba vấn đề lộ ra. Lỗi thời: quy trình được viết một lần, nhưng công việc thì thay đổi liên tục, và không ai có nhiệm vụ gỡ bỏ bản cũ. Chồng chéo: hai bộ phận viết hai bản cho cùng một bước, chẳng hạn quy cách đóng gói xuất khẩu trước và sau khi khách hàng đổi yêu cầu về nhãn. Nhân viên lâu năm biết bản nào đã hết hiệu lực. AI thì không; nó có thể tìm thấy cả hai bản và trộn lẫn chúng. Không ai đứng tên: khi tài liệu sai mà không ai chịu trách nhiệm sửa, nó sẽ cứ sai mãi.
Cái giá phải trả ở đây là thời gian. Người biết rõ tài liệu nào còn đúng lại chính là những người có kinh nghiệm vốn đã bận rộn nhất. Một doanh nghiệp nhỏ với vài chục quy trình ít thay đổi không cần bộ máy quản lý tri thức doanh nghiệp nặng nề. Nhưng doanh nghiệp có sản phẩm, khách hàng và quy định thay đổi theo từng quý thì cần.
Trong quản lý tri thức doanh nghiệp, người giỏi chuyển từ trực tiếp xử lý sang đặt quy tắc và kiểm tra
Bằng chứng rõ nhất về chỗ AI giúp ích và chỗ AI gây hại đến từ một thí nghiệm thực địa với 758 tư vấn viên của Boston Consulting Group, do các nhà nghiên cứu của Trường Kinh doanh Harvard và một số trường đại học khác thực hiện năm 2023. Ở 18 nhiệm vụ sát thực tế nằm trong khả năng của AI, nhóm dùng AI hoàn thành nhiều hơn 12,2% số việc, nhanh hơn 25,1% và chất lượng tốt hơn rõ rệt. Ngược lại, ở một nhiệm vụ phức tạp được chọn để nằm ngay ngoài khả năng của AI, nhóm dùng AI có khả năng đưa ra lời giải đúng thấp hơn 19% so với nhóm không dùng.
Cùng một công cụ có thể giúp ích ở việc này nhưng gây hại ở việc khác. Nguồn: Dell'Acqua và cộng sự, tài liệu nghiên cứu của Trường Kinh doanh Harvard, 2023.
Các nhà nghiên cứu gọi hiện tượng này là đường biên lởm chởm (jagged frontier): AI làm tốt việc này nhưng lại yếu ở những việc khác trông khó ngang nhau, và từ bên ngoài không thể thấy đường biên nằm ở đâu. Vì thế, cần có người biết một việc nằm ở phía nào của đường biên. Người đó chính là chuyên gia. Trên thực tế, vai trò này gồm bốn phần:
- Quyết định việc nào giao cho AI: câu hỏi nào AI có thể tự trả lời, câu nào cần chuyển cho người.
- Viết quy tắc và ngoại lệ: không viết lại toàn bộ quy trình, mà ghi rõ những điều kiện khiến quy trình không còn đúng.
- Kiểm tra mẫu câu trả lời của AI so với cách công việc đã thực sự được làm.
- Xử lý tình huống mới và biến những tình huống lặp lại thành quy tắc.
Đây cũng là câu trả lời cho câu hỏi ở tiêu đề bài. Quản lý tri thức doanh nghiệp bằng AI không làm mất đi nhu cầu về người giỏi, mà thay đổi cách họ dành thời gian. Tuy nhiên, sự đánh đổi là có thật: thời gian dành để kiểm tra AI là thời gian không dành cho đơn hàng, nên vai trò này chỉ phát huy khi được tính vào khối lượng công việc và tiêu chí đánh giá. Và nếu chỉ một chuyên gia là người kiểm tra duy nhất, sự phụ thuộc vào một người chỉ đơn giản chuyển sang chỗ khác.
Rủi ro của AI "biết nói" nhưng "không biết làm"
Câu trả lời của AI nghe tự tin như nhau, dù đúng hay sai. Người quản lý và nhân viên mới thường đánh giá câu trả lời qua mức độ đầy đủ và trôi chảy, vì đó là điều họ nhìn thấy được. Đây là gốc rễ của rủi ro "biết nói" nhưng "không biết làm": giải thích mạch lạc không đồng nghĩa với làm được việc, và AI không nhìn thấy máy móc, không cảm nhận được tâm trạng của khách hàng, cũng không phải trả giá khi sai.
Tra cứu tài liệu giúp giảm rủi ro này nhưng không xóa bỏ được hoàn toàn. Một nghiên cứu có bình duyệt công bố năm 2025 đã kiểm tra các công cụ AI tra cứu pháp lý thương mại hàng đầu, vốn được nhà cung cấp quảng cáo là nhờ tra nguồn nên không bịa câu trả lời. Kết quả cho thấy các công cụ này sai ít hơn chatbot thông thường, nhưng vẫn đưa ra thông tin sai trong khoảng 17% đến 33% số lần. Tra cứu luật không giống lập kế hoạch sản xuất, nhưng bài học vẫn áp dụng được: có đúng tài liệu chưa bảo đảm sẽ hiểu đúng tài liệu.
Chẳng hạn, khi được hỏi cách xử lý một khiếu nại chất lượng, AI soạn đủ các bước nhưng lại đề xuất đổi cả lô hàng, trong khi hợp đồng với khách hàng này chỉ quy định đổi phần bị lỗi. Cách kiểm tra đơn giản nhất là lấy lại những trường hợp công ty đã xử lý tốt, hỏi AI, rồi so với cách chuyên gia đã thực sự làm. Với những câu tra cứu ít hậu quả, rủi ro này nhỏ; nhưng với việc liên quan đến tiền bạc, khách hàng hay an toàn, đây là rủi ro chính.
Câu trả lời trôi chảy chưa phải là câu trả lời đã được kiểm tra. Việc kiểm tra vẫn cần người hiểu công việc.
Vòng phản hồi từ công việc thực tế giữ cho quản lý tri thức doanh nghiệp không bị lỗi thời
Một kho tài liệu nếu để yên sẽ kém dần theo từng tháng, vì công việc thay đổi còn tài liệu thì không. Nguồn cập nhật đáng tin cậy duy nhất là chính công việc hằng ngày. Mỗi lần có người làm khác hướng dẫn của AI, hoặc xử lý một trường hợp tài liệu chưa đề cập, doanh nghiệp lại học thêm được một điều, nhưng thường để mất vì không ai ghi lại.
AI trả lời theo tài liệu
Người làm xử lý tình huống thực tế
Ghi lại điểm khác biệt trong ba dòng
Người phụ trách xem xét và quyết định
Cập nhật tài liệu hoặc bổ sung ngoại lệ
Mỗi trường hợp tài liệu bỏ sót trở thành một lần cập nhật, thay vì một bài học chỉ một người nhớ.
Ghi chú nên ngắn gọn: tình huống là gì, AI đã gợi ý gì, thực tế đã làm gì và vì sao. Người phụ trách mảng đó xem các ghi chú theo một nhịp cố định, rồi quyết định sửa tài liệu, bổ sung ngoại lệ hay chỉ coi đó là một trường hợp riêng. Cái giá là thêm việc ghi chép, đúng nỗi lo "thêm việc" mà bài đầu tiên đã nêu, nên mỗi ghi chú chỉ nên mất vài phút. Vòng phản hồi này cũng có thể âm thầm ngừng lại nếu không ai đọc ghi chú: người làm thấy không có gì thay đổi và thôi không ghi nữa.
Bốn quyết định quản trị cho quản lý tri thức doanh nghiệp bằng AI
Danh mục nguồn tri thức, mỗi nguồn có một người phụ trách
Liệt kê những nguồn AI được phép tra cứu: quy trình, quy định về giá, thông số sản phẩm, điều khoản hợp đồng. Mỗi nguồn có một người đứng tên, chịu trách nhiệm về độ chính xác. Tài liệu chưa có người đứng tên thì không nên cho AI sử dụng.
Phiên bản, hạn rà soát và ngày hết hiệu lực
Mỗi tài liệu cần có số phiên bản, ngày ban hành và hạn rà soát. Khi bản mới được duyệt, bản cũ phải được gỡ bỏ, không để nằm song song. Tài liệu quá hạn rà soát sẽ được đánh dấu cho đến khi người phụ trách xác nhận lại.
Kiểm thử trên tình huống thật và ngoại lệ
Trước khi dựa vào AI ở một mảng, hãy tập hợp một bộ trường hợp đã xảy ra, kể cả những ca khó, rồi so sánh câu trả lời của AI với cách chuyên gia đã xử lý. Lặp lại bài kiểm tra này mỗi khi tài liệu hoặc AI thay đổi.
Gắn AI với dữ liệu nghiệp vụ thật, trong phạm vi quyền hạn
Quy trình cho biết nên làm gì trong trường hợp chung. Còn đơn hàng, tồn kho và lịch sử giao dịch của khách hàng cho biết điều gì đang đúng hôm nay. AI đọc được cả hai nguồn sẽ trả lời sát thực tế hơn. Ai được xem thông tin gì sẽ là chủ đề của một bài sau trong loạt.
Quản lý tri thức doanh nghiệp bằng AI không phải dự án nạp tài liệu một lần là xong. Đó là công việc thường xuyên để giữ cho những gì AI đọc luôn đúng, và việc ấy thuộc về những người hiểu công việc nhất.
Hạn rà soát và người đứng tên giúp việc duy trì tài liệu trở thành một nhiệm vụ quản lý thường kỳ.
Những điểm cần thận trọng
AI sẽ không hấp thụ được hết tri thức ngầm (tacit knowledge). Tài liệu tốt hơn và vòng phản hồi giúp thu hẹp khoảng trống, nhưng không lấp đầy được. Khả năng phán đoán trong tình huống mới và các mối quan hệ cá nhân vẫn thuộc về con người.
Đừng nhầm tra cứu với học. Khi có người nói AI "đã học" quy trình của công ty, hãy hỏi lại đó là tra cứu tài liệu hay huấn luyện. Thường thì đó là tra cứu, và đây là tin tốt: sửa tài liệu là sửa được câu trả lời.
Bằng chứng có giới hạn. Thí nghiệm với tư vấn viên dùng một mô hình AI của năm 2023 và các nhiệm vụ được thiết kế riêng cho nghiên cứu; các mô hình mới hơn có thể đẩy đường biên ra xa hơn. Nghiên cứu pháp lý chỉ bao quát một lĩnh vực. Cả hai đều không được thực hiện tại Việt Nam. Chúng cho thấy một quy luật đáng để quản lý, chứ không phải dự báo cho doanh nghiệp của bạn.
Đừng dựng bộ máy lớn hơn nhu cầu. Doanh nghiệp nhỏ không cần một phòng ban riêng cho quản lý tri thức doanh nghiệp. Hãy bắt đầu từ hai mươi câu hỏi nhân viên hay đặt ra nhất và những mảng mà ngoại lệ gây tốn kém nhất.
Hướng Viindoo chọn
Một AI đã đọc hàng trăm quy trình vẫn có thể lập sai kế hoạch cho một đơn hàng đặc biệt, vì nó không biết một máy đang chạy chưa ổn định với vật liệu thay thế, hay khách hàng này chấp nhận giao tách đợt. Những hiểu biết đó vắng mặt trong tài liệu không phải do tình cờ: chúng nằm trong công việc hằng ngày, và chưa ai đưa việc ghi lại chúng vào nhiệm vụ của tổ trưởng.
Vì vậy, Viindoo coi quản lý tri thức doanh nghiệp là một phần của việc vận hành, chứ không phải một thư viện tách riêng. Viindoo xây dựng nền tảng quản trị doanh nghiệp Agentic AI, nơi quy trình, kinh nghiệm, dữ liệu nghiệp vụ và AI cùng nằm trong một hệ thống. Nhờ đó, tri thức luôn nằm cạnh đơn hàng, tồn kho và sản xuất mà nó mô tả, và doanh nghiệp tự quyết định ai giữ từng mảng tri thức.
Cách tiếp cận đó khớp với bốn quyết định trong bài. Mỗi nguồn tri thức có người phụ trách, có phiên bản và hạn rà soát như mọi quy trình khác. Câu trả lời của AI có thể được đối chiếu với dữ liệu vận hành thực tế, như máy nào đang chạy hay khách hàng này từng chấp nhận điều gì, trong đúng phạm vi quyền hạn của từng người. Vai trò của tổ trưởng cũng chuyển từ gánh mọi thứ trong đầu sang quyết định các ngoại lệ và cập nhật quy tắc, để quản lý tri thức doanh nghiệp có người chịu trách nhiệm rõ ràng.
Với nhân viên kế hoạch mới, hỏi AI nên dễ dàng như hỏi một đồng nghiệp: không cần biết tài liệu nằm ở đâu hay bản nào mới nhất. Viindoo đóng vai xương sống ở phía sau, giữ cho tri thức, dữ liệu và quyền truy cập luôn đi cùng nhau, để câu trả lời vừa dễ có được vừa đáng tin cậy.
Dĩ nhiên, không nền tảng nào tự nắm bắt được phần phán đoán chưa từng được viết ra. Quản lý tri thức doanh nghiệp vẫn cần vòng phản hồi từ công việc thực tế và những con người đã nói ở trên; nền tảng chỉ giúp vòng phản hồi đó không bị đứt gãy.
Bốn câu hỏi để doanh nghiệp tự kiểm tra
- Ai xác nhận tài liệu AI đang đọc vẫn còn đúng, và lần gần nhất họ làm việc đó là khi nào?
- AI có chỉ ra được câu trả lời lấy từ tài liệu nào, phiên bản nào không?
- Khi có người xử lý khác với hướng dẫn của AI, bài học đó được ghi lại ở đâu?
- Việc nào đang nằm ngoài vùng AI làm tốt, và ai trong công ty biết đường biên đó nằm ở đâu?
Câu hỏi thường gặp
Thường là không. Phần lớn AI trong doanh nghiệp tra cứu tài liệu khi được hỏi rồi trả lời dựa trên đó (RAG). Huấn luyện là thay đổi chính mô hình. Khi AI tra cứu tài liệu, sửa tài liệu là sửa được câu trả lời, vì thế giữ cho tài liệu luôn đúng là đòn bẩy chính.
Có, nhưng ở một vai trò khác. Quy trình chỉ bao quát trường hợp thông thường. Chuyên gia quyết định việc nào AI xử lý được, viết các ngoại lệ, kiểm tra câu trả lời của AI và xử lý tình huống mới. Một thí nghiệm lớn với 758 tư vấn viên cho thấy người dùng AI làm kém hơn ở nhiệm vụ nằm ngay ngoài khả năng của AI.
Có giúp giảm lỗi, nhưng không loại bỏ hết. Một nghiên cứu có bình duyệt năm 2025 về các công cụ AI tra cứu pháp lý có tra nguồn vẫn ghi nhận thông tin sai trong 17% đến 33% số câu trả lời.
Tùy vào mức độ thay đổi của từng mảng. Quy định ổn định có thể rà soát mỗi năm một lần; quy định về sản phẩm, giá, khách hàng có thể cần rà soát theo quý, kèm thêm một lần rà soát mỗi khi ghi chú phản hồi cho thấy cùng một chỗ hổng lặp lại.
Bài tiếp theo trong loạt: khi AI đã được kết nối với tài liệu và dữ liệu của công ty, nó bắt đầu soạn thảo và gợi ý những việc thực tế. Nếu một gợi ý sai và có người làm theo, ai sẽ chịu trách nhiệm về kết quả? AI làm sai, ai chịu trách nhiệm?
Nguồn tham khảo
- Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Vượt qua giới hạn công nghệ nghệ thuật kinh tế: Bằng chứng thực nghiệm về hoạt động của trí tuệ nhân tạo mang lại năng suất và chất lượng công việc của người lao động tri thức.. Harvard Business School Working Paper 24-013. 758 tư vấn viên BCG.
- Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Không gây ảo giác? Đánh giá độ tin cậy của các công cụ nghiên cứu pháp lý AI hàng đầu.. Tạp chí Nghiên cứu Pháp luật Thực nghiệm, 22, 216-242.
- Lewis, P., Perez, E., Piktus, A., và cộng sự (2020). Tạo nội dung tăng cường sức mạnh bằng cách truy xuất các tác vụ xử lý ngôn ngữ tự động chuyên sâu về kiến thức. Hội nghị NeurIPS 2020.
- Brown, J. S., & Duguid, P. (1991). Học tập trong tổ chức và cộng đồng thực hành: Hướng tới một quan điểm thống nhất về làm việc, học tập và đổi mới. Khoa học tổ chức, 2(1), 40-57.
