SEO không còn chỉ là từ khóa: Kỷ nguyên Multimodal Search
Multimodal Search
Trong nhiều năm làm Digital Marketing, tôi thường bắt đầu một kế hoạch SEO bằng một câu hỏi quen thuộc:
Khách hàng đang tìm kiếm bằng từ khóa nào?
Cách tiếp cận này vẫn đúng.
Nhưng nó không còn đủ.
Hãy tưởng tượng một người đang lướt TikTok và nhìn thấy một đôi giày họ thích. Trước đây, họ phải cố mô tả nó bằng từ khóa.
“Giày sneaker trắng đế dày.”
“Giày giống mẫu này.”
“Giày thể thao màu trắng nam.”
Bây giờ, họ có thể khoanh trực tiếp đôi giày trên màn hình bằng Circle to Search. Hoặc họ chụp ảnh và đưa vào Google Lens.
Không cần biết tên sản phẩm.
Không cần nghĩ ra từ khóa chính xác.
Thậm chí, người dùng có thể thêm một câu hỏi:
Có mẫu tương tự nhưng màu đen và giá dưới 2 triệu không?
Đây là lúc SEO bắt đầu bước sang một giai đoạn khác.
Thứ người dùng nhìn thấy cũng có thể trở thành một truy vấn tìm kiếm.
Và đó là lý do Multimodal Search đáng để người làm SEO quan tâm ngay từ bây giờ.
Tóm tắt nhanh
Multimodal Search là hình thức tìm kiếm sử dụng nhiều loại tín hiệu cùng lúc. Đó có thể là hình ảnh, văn bản và ngữ cảnh.
Ví dụ:
Hình ảnh một chiếc ghế + “Có mẫu tương tự cho căn hộ nhỏ không?”
Ngày 24/09/2026, Google bắt đầu bổ sung báo cáo web multimodal Search vào Search Console. Dữ liệu bao gồm tìm kiếm qua Google Lens, Circle to Search, upload ảnh vào Google Search và tính năng “Search this image” trên Chrome. Google cho biết báo cáo này đang được triển khai toàn cầu.
Điều này tạo ra một số thay đổi đáng chú ý cho SEO:
- Keyword không còn là tín hiệu duy nhất.
- Hình ảnh cần được xem như nội dung.
- Context quanh hình ảnh trở nên quan trọng hơn.
- Entity và structured data có vai trò lớn hơn.
- Ecommerce là một trong những lĩnh vực có thể chịu tác động sớm.
- Marketer giờ có thể bắt đầu đo traffic từ Multimodal Search trong Search Console.
Trong bài này, tôi dùng cụm “Multimodal SEO” để mô tả cách tối ưu website cho bối cảnh đó. Đây không phải tên một sản phẩm chính thức của Google.
1. Multimodal Search là gì?
Multimodal Search có thể hiểu đơn giản là tìm kiếm bằng nhiều loại thông tin cùng lúc.
Thay vì chỉ nhập:
ghế sofa màu be
người dùng có thể chụp ảnh một chiếc sofa và hỏi:
Có mẫu tương tự nhưng nhỏ hơn cho phòng khách 20m² không?
Lúc này, hệ thống phải hiểu nhiều lớp thông tin.
Nó cần nhận diện:
- Vật thể trong ảnh.
- Màu sắc.
- Kiểu dáng.
- Chất liệu.
- Ý nghĩa câu hỏi.
- Điều kiện về kích thước.
- Các kết quả phù hợp trên web.
Google đã kết hợp Lens với AI Mode để người dùng có thể đặt những câu hỏi phức tạp hơn dựa trên hình ảnh. AI Mode có thể hiểu toàn cảnh, vật thể, màu sắc, hình dạng và những yếu tố khác trong ảnh. blog.google
Có thể hình dung khác biệt như sau:
Search truyền thống
Keyword → Search Results
Multimodal Search
Image + Question + Context → Answer + Search Results
Điểm khác biệt không chỉ nằm ở công nghệ.
Nó nằm ở việc người dùng không còn phải chuyển mọi nhu cầu của mình thành từ khóa.
2. Vì sao Multimodal Search đáng chú ý vào lúc này?
Visual Search không phải khái niệm mới.
Google Lens đã tồn tại nhiều năm. Circle to Search cũng được Google giới thiệu từ năm 2024.
Điểm mới vào tháng 9/2026 là marketer bắt đầu có thêm khả năng đo lường loại tìm kiếm này rõ hơn.
Ngày 24/09, Google công bố báo cáo Multimodal Search mới trong Search Console.
Theo Google, dữ liệu bao gồm những truy vấn sử dụng hình ảnh thông qua:
- Google Lens.
- Circle to Search trên Android.
- Upload ảnh vào Google Search.
- “Search this image” trên Chrome.
Website chỉ bắt đầu thấy dữ liệu khi thực sự nhận được traffic từ các loại truy vấn này.
Đây là chi tiết tôi cho rằng rất đáng chú ý.
Trong SEO, khi Google bắt đầu cung cấp một nhóm dữ liệu riêng, marketer có thể bắt đầu đánh giá nó như một nguồn discovery thực tế.
Trước đây, chúng ta biết người dùng tìm kiếm bằng hình ảnh.
Bây giờ, chúng ta dần có thể trả lời câu hỏi tiếp theo:
Website của mình có đang được tìm thấy bằng hình ảnh hay không?
3. Search Intent đang thay đổi như thế nào?
SEO truyền thống thường đặt câu hỏi:
Người dùng đang gõ gì?
Multimodal Search khiến chúng ta phải hỏi thêm:
Người dùng đang nhìn thấy gì?
Và quan trọng hơn:
Họ muốn làm gì tiếp theo với thứ đang nhìn thấy?
Đây là khác biệt lớn.
Một hình ảnh có thể kích hoạt rất nhiều intent.
Người dùng nhìn thấy một đôi giày
Họ có thể muốn:
- Biết thương hiệu.
- Tìm đúng model.
- Tìm mẫu tương tự.
- So sánh giá.
- Mua sản phẩm.
Người dùng nhìn thấy một món ăn
Họ có thể muốn:
- Biết tên món.
- Tìm công thức.
- Tìm nhà hàng.
- Biết nguyên liệu.
Người dùng nhìn thấy một địa danh
Họ có thể muốn:
- Biết địa điểm.
- Xem lịch sử.
- Tìm tour.
- Tìm khách sạn gần đó.
Người dùng nhìn thấy một món đồ nội thất
Họ có thể muốn:
- Xác định phong cách.
- Tìm sản phẩm tương tự.
- Tìm nơi bán.
- Thiết kế căn phòng theo phong cách đó.
Vì vậy, một hình ảnh không chứa một search intent duy nhất.
Nó chứa một tập hợp những khả năng tìm kiếm.
Google đã mở rộng Circle to Search trong năm 2026 để nhận diện nhiều vật thể trong cùng một hình ảnh. Một bộ trang phục, chẳng hạn, có thể được phân tách thành giày, áo và phụ kiện để tìm từng món. Google cũng cho biết shopping là một trong những cách sử dụng phổ biến của Circle to Search.
Theo tôi, đây là lúc khái niệm search intent cần được nhìn rộng hơn.
Không chỉ là:
Query Intent
mà còn là:
Visual Context + User Intent
4. Multimodal Search thay đổi SEO ở điểm nào?
Keyword không biến mất.
Tôi nghĩ đây là điều cần nói rõ.
Người dùng vẫn nhập từ khóa. Google vẫn cần text. Website vẫn cần title, heading, nội dung và internal link tốt.
Tuy nhiên, hệ thống tìm kiếm đang sử dụng nhiều tín hiệu hơn.
Có thể hình dung SEO truyền thống theo cách đơn giản:
Text → Keyword → Ranking
Trong môi trường Multimodal Search, bài toán mở rộng thành:
Text + Image + Video + Entity + Context → Discoverability
Một bài viết có nội dung text tốt nhưng hình ảnh rất nghèo nàn vẫn có thể SEO tốt.
Nhưng website đó có thể đang bỏ lỡ một lớp discovery khác.
Đặc biệt, điều này đáng chú ý với những ngành mà khách hàng thường bắt đầu nhu cầu bằng hình ảnh.
Ví dụ:
- Thời trang.
- Nội thất.
- Du lịch.
- Ẩm thực.
- Mỹ phẩm.
- Ecommerce.
Do đó, tôi không nghĩ Multimodal Search tạo ra một loại SEO hoàn toàn mới.
Nó khiến SEO trở nên đa định dạng hơn.
5. Hình ảnh trên website cần được xem như nội dung
Một lỗi khá phổ biến là coi hình ảnh như phần trang trí.
Viết xong bài rồi mới tìm một ảnh stock để đặt ở đầu.
Cách làm này vẫn có thể phù hợp trong một số trường hợp.
Nhưng nếu muốn tận dụng Visual Search, hình ảnh nên đóng góp giá trị thực cho nội dung.
Google khuyến nghị đặt hình ảnh gần phần văn bản liên quan. Tên file, caption, title và alt text cũng cung cấp thêm ngữ cảnh cho công cụ tìm kiếm.
Tên file cần có nghĩa
Thay vì:
IMG_89372.jpg
có thể dùng:
multimodal-search-google-lens.jpg
Tên file không phải nơi để nhồi keyword.
Nó chỉ cần giúp mô tả ảnh rõ hơn.
Alt text cần mô tả đúng ảnh
Google cho biết alt text giúp cả accessibility lẫn việc hiểu chủ đề của hình ảnh. Google sử dụng alt text cùng computer vision và nội dung trang để hiểu ảnh.
Ví dụ, thay vì:
SEO, SEO image, Multimodal Search, Google Lens, SEO AI
hãy dùng:
Người dùng sử dụng Google Lens để tìm một đôi giày từ ảnh chụp
Ngắn hơn.
Nhưng hữu ích hơn.
Hình ảnh cần nằm đúng ngữ cảnh
Nếu đang giải thích Search Console, hãy đặt screenshot Search Console ở đó.
Nếu đang giải thích customer journey, hãy dùng diagram customer journey.
Context giữa hình và text giúp cả người đọc lẫn hệ thống hiểu nội dung tốt hơn.
Hình ảnh nguyên bản ngày càng đáng đầu tư
Với DigiVibe, tôi đang ưu tiên nhiều hơn:
- Infographic.
- Diagram.
- Screenshot có chú thích.
- Flowchart.
- Hình giải thích khái niệm.
- Data visualization.
Một infographic tốt có thể truyền tải nội dung mà một stock photo gần như không thể làm được.
6. Entity có thể quan trọng hơn một keyword đơn lẻ
Khi một hệ thống nhìn vào hình ảnh, bài toán đầu tiên là nhận ra:
Đây là gì?
Sau đó mới tới:
Nó liên quan tới thứ gì?
Ví dụ, với ảnh một đôi giày, hệ thống có thể cần hiểu:
- Đây là giày.
- Thuộc thương hiệu nào.
- Model nào.
- Màu gì.
- Là sản phẩm nào.
- Merchant nào đang bán.
- Giá bao nhiêu.
Đó là bài toán về entity.
Vì vậy, hình ảnh không nên tồn tại độc lập.
Nó cần kết nối với thông tin trên trang.
Ví dụ:
Image
↓
Tên sản phẩm
↓
Brand
↓
Description
↓
Structured Data
↓
Product Feed
Khi tất cả những thông tin này nhất quán, công cụ tìm kiếm có thêm dữ liệu để hiểu thực thể đang được mô tả.
Theo tôi, đây là lý do không nên đồng nhất Multimodal SEO với Image SEO.
Image SEO chỉ là một phần.
Phần còn lại là context và entity.
7. Structured Data và Product Data ngày càng quan trọng
Điều này đặc biệt rõ với ecommerce.
Một bức ảnh có thể giúp hệ thống nhận ra:
Đây là một đôi giày thể thao.
Nhưng structured data có thể cung cấp thêm:
- Product name.
- Brand.
- Price.
- Availability.
- Rating.
- Shipping information.
Google cho biết Product structured data có thể giúp thông tin sản phẩm xuất hiện phong phú hơn trong Search, Google Images và Google Lens.
Với merchant listing, Product markup còn hỗ trợ các thông tin như giá, tình trạng còn hàng, vận chuyển và chính sách đổi trả.
Vì vậy, với ecommerce, tôi sẽ không tách riêng:
SEO hình ảnh
và:
Product SEO.
Chúng đang ngày càng liên quan tới nhau.
Đây cũng là điểm kết nối trực tiếp với câu chuyện AI Shopping.
Nếu khách hàng nhìn thấy sản phẩm rồi dùng AI để tìm, hệ thống cần nhiều hơn một bức ảnh đẹp.
Nó cần dữ liệu sản phẩm đủ rõ để hiểu và so sánh.
8. Những website nào có thể chịu tác động sớm nhất?
Không phải mọi website đều cần ưu tiên Multimodal Search như nhau.
Một blog về pháp luật và một website thời trang có nhu cầu rất khác.
Theo tôi, một số nhóm nên theo dõi sớm hơn.
Ecommerce
Đây có lẽ là trường hợp rõ nhất.
Người dùng nhìn sản phẩm, tìm sản phẩm tương tự rồi mua.
Google cũng khuyến nghị merchant cung cấp dữ liệu sản phẩm cho Merchant Center và làm theo Image SEO best practices nếu muốn sản phẩm có khả năng được tìm thấy qua Google Lens.
Fashion & Beauty
Hình ảnh đóng vai trò rất lớn trong quyết định.
Người dùng có thể thấy một outfit trên mạng xã hội rồi tìm từng món trong bộ đồ.
Google hiện đã cho Circle to Search nhận diện nhiều vật thể trong cùng một outfit trên các thiết bị được hỗ trợ. blog.google
Travel
Một bức ảnh có thể trở thành điểm bắt đầu của hành trình:
Đây là đâu?
Sau đó:
Đi tháng nào đẹp?
Rồi:
Tour nào đi địa điểm này?
Visual discovery có thể dẫn trực tiếp tới nhu cầu du lịch.
F&B
Ảnh món ăn có thể kích hoạt:
- Tìm tên món.
- Tìm nhà hàng.
- Tìm công thức.
- Tìm địa điểm.
Interior & Home
Đây là một use case rất tự nhiên.
Người dùng nhìn thấy một căn phòng đẹp rồi muốn tìm:
- Ghế.
- Đèn.
- Bàn.
- Thảm.
- Phong cách thiết kế.
Automotive
Hình ảnh có thể giúp nhận diện:
- Mẫu xe.
- Phụ kiện.
- Linh kiện.
- Kiểu mâm.
- Các chi tiết ngoại thất.
Nói cách khác, ngành càng visual, Multimodal Search càng đáng được theo dõi.
9. Search Console mới cho marketer biết điều gì?
Đây là phần tôi đặc biệt quan tâm.
Bởi cuối cùng marketer bắt đầu có dữ liệu để kiểm tra giả thuyết.
Google cho biết Multimodal Search hiện có thể được lọc trong các báo cáo Performance. Ngoài Search Results, dữ liệu multimodal cũng xuất hiện trong báo cáo Generative AI features.
Anh có thể vào Search Console và tìm filter Multimodal Search trong Performance Reports.
Sau đó, thay vì chỉ nhìn tổng traffic, hãy đặt một số câu hỏi.
Trang nào nhận nhiều Multimodal impressions?
Điều này giúp biết loại content nào đang được phát hiện qua visual search.
Trang nào nhận click?
Impression không đồng nghĩa với giá trị.
Cần xem đâu là content thực sự đưa người dùng vào website.
Nội dung nào có xu hướng visual mạnh?
Ví dụ website du lịch có thể phát hiện:
- Bài về địa danh nhận multimodal traffic.
- Bài hướng dẫn visa gần như không có.
Điều đó hoàn toàn hợp lý.
Quốc gia và thiết bị nào tạo traffic?
Vì Multimodal Search gắn nhiều với smartphone, device mix có thể cung cấp thêm insight.
Điểm cần lưu ý là Google mới bắt đầu triển khai dữ liệu này từ ngày 24/09/2026. Vì vậy, không nên đưa ra kết luận quá sớm chỉ từ vài ngày dữ liệu.
Tôi sẽ bắt đầu theo dõi.
Nhưng chưa tối ưu website chỉ vì một biểu đồ mới.
10. Checklist tối ưu Multimodal SEO cho website
Nếu bắt đầu từ hôm nay, tôi sẽ không cố “SEO mọi hình ảnh”.
Thay vào đó, tôi sẽ ưu tiên những hình ảnh có khả năng giúp khách hàng khám phá, hiểu hoặc ra quyết định.
Một checklist cơ bản có thể gồm:
1. Audit hình ảnh quan trọng
Tập trung trước vào:
- Product images.
- Infographic.
- Diagram.
- Location images.
- Hình ảnh hỗ trợ quyết định.
2. Đặt tên file rõ nghĩa
Không cần dài.
Chỉ cần mô tả hợp lý.
3. Viết alt text thực sự hữu ích
Mô tả ảnh.
Đừng viết danh sách keyword.
Google cũng cảnh báo việc keyword stuffing trong alt text tạo trải nghiệm kém và có thể bị xem là spam.
4. Đặt hình cạnh nội dung liên quan
Hình và đoạn text xung quanh nên nói về cùng một chủ đề.
5. Ưu tiên hình nguyên bản khi có thể
Một infographic giải thích quy trình thường có giá trị hơn một stock photo chung chung.
6. Đảm bảo Google crawl được ảnh
Google khuyến nghị sử dụng HTML <img> thông thường để giúp crawler phát hiện ảnh. Image sitemap cũng có thể hỗ trợ với những hình ảnh khó được tìm thấy.
7. Dùng structured data đúng chỗ
Đặc biệt với:
- Product.
- Article.
- Recipe.
- Ecommerce.
8. Chuẩn hóa entity
Tên sản phẩm, thương hiệu, mô tả và dữ liệu liên quan nên nhất quán.
9. Chuẩn hóa product data
Nếu là ecommerce, hãy đặc biệt quan tâm:
- Price.
- Availability.
- Brand.
- SKU.
- Variant.
10. Theo dõi Search Console
Đừng tối ưu bằng cảm giác.
Hãy xem Multimodal Search có thực sự tạo traffic cho website của mình hay không.
11. Những sai lầm cần tránh
Mỗi xu hướng SEO mới thường đi kèm một loạt “hack”.
Multimodal Search có lẽ cũng không ngoại lệ.
Tuy nhiên, tôi sẽ tránh ít nhất sáu việc sau.
Nhồi keyword vào alt text
Alt text không phải một trường keyword ẩn.
Tạo hàng trăm ảnh AI chỉ để có thêm media
Số lượng hình ảnh không đồng nghĩa với giá trị.
Nếu ảnh không bổ sung thông tin, nó không giúp người đọc.
Dùng cùng một stock photo ở quá nhiều bài
Ảnh vẫn đẹp.
Nhưng giá trị thông tin gần như bằng không.
Tối ưu hình nhưng bỏ qua nội dung xung quanh
Google sử dụng cả nội dung trang để hiểu hình ảnh.
Vì vậy, một hình ảnh tối ưu tốt nằm trong một trang nội dung yếu chưa chắc mang lại nhiều giá trị.
Quên UX và tốc độ tải
Ảnh chất lượng cao không đồng nghĩa với file 8 MB.
Hình ảnh vẫn cần responsive và phù hợp với trải nghiệm trên nhiều thiết bị. Google cũng đưa responsive images vào nhóm Image SEO best practices.
Nghĩ Multimodal Search sẽ thay thế SEO truyền thống
Tôi không thấy lý do để tin điều đó.
Text vẫn quan trọng.
Keyword vẫn quan trọng.
Internal link vẫn quan trọng.
Technical SEO vẫn quan trọng.
Multimodal chỉ mở rộng thêm cách người dùng tìm thấy nội dung.
12. Từ Keyword SEO đến Multimodal SEO
SEO đã thay đổi nhiều lần.
Ban đầu, chúng ta tập trung rất mạnh vào keyword.
Sau đó, ngành chuyển dần sang search intent.
Tiếp theo là entity, semantic search và trải nghiệm người dùng.
Bây giờ AI lại mở rộng phạm vi thêm một bước.
Có thể hình dung quá trình đó như sau:
SEO giai đoạn đầu
Keyword
SEO hiện đại
Keyword + Search Intent
SEO trong kỷ nguyên AI
Intent + Entity + Context + Media
Tôi không nghĩ chúng ta nên ngừng keyword research.
Ngược lại, keyword vẫn là một nguồn dữ liệu rất giá trị.
Nhưng đã đến lúc ngừng xem keyword là toàn bộ thế giới của SEO.
Khi một người có thể đưa camera lên, chụp thứ trước mặt và đặt câu hỏi, hành vi tìm kiếm đã thay đổi.
SEO cũng phải thay đổi theo.
Và câu tôi muốn giữ lại sau bài này là:
Trong kỷ nguyên Multimodal Search, thứ người dùng nhìn thấy cũng có thể trở thành một truy vấn.
Câu hỏi thường gặp về Multimodal Search
Multimodal Search là gì?
Multimodal Search là cách tìm kiếm kết hợp nhiều loại dữ liệu, chẳng hạn hình ảnh, văn bản và ngữ cảnh. Người dùng có thể đưa một hình ảnh vào công cụ tìm kiếm rồi đặt thêm câu hỏi về những gì họ đang nhìn thấy.
Multimodal Search có thay thế tìm kiếm bằng từ khóa không?
Không. Keyword Search và Multimodal Search có thể tồn tại song song. Multimodal Search bổ sung thêm cách người dùng diễn đạt nhu cầu khi từ khóa không đủ thuận tiện.
Google Search Console có đo Multimodal Search không?
Có. Từ ngày 24/09/2026, Google bắt đầu triển khai báo cáo web Multimodal Search trong Search Console. Dữ liệu bao gồm Lens, Circle to Search, image uploads và “Search this image” trên Chrome.
Alt text có quan trọng với Multimodal SEO không?
Có, nhưng không nên coi alt text là một thủ thuật ranking. Alt text hỗ trợ accessibility và cung cấp thêm ngữ cảnh để Google hiểu hình ảnh. Google khuyến nghị mô tả ảnh hữu ích và tránh keyword stuffing.
Structured data có giúp Multimodal Search không?
Structured data giúp Google hiểu nội dung và thực thể trên trang rõ hơn. Với ecommerce, Product structured data có thể cung cấp các thông tin như giá, availability, thương hiệu và hình ảnh cho các trải nghiệm Search, Images và Lens.
Website nào nên quan tâm Multimodal Search trước?
Những ngành phụ thuộc mạnh vào hình ảnh đáng theo dõi trước. Ví dụ gồm ecommerce, thời trang, mỹ phẩm, du lịch, F&B, nội thất và automotive.
Biên soạn bởi Wayne Nguyen
Chia sẻ góc nhìn thực tế về Digital Marketing, AI và hành vi của khách hàng trong thời đại mới
Về tác giả
Wayne Nguyen là người làm trong lĩnh vực Digital Marketing, tập trung vào SEO, nội dung và ứng dụng AI trong phân tích hành vi người dùng. DigiVibe là nơi Wayne hệ thống lại và chia sẻ các quan sát, kinh nghiệm thực tế trong quá trình làm nghề.
