Atlan là gì? Data catalog và context layer cho AI

Atlan là nền tảng danh mục dữ liệu (data catalog) và quản trị dữ liệu (data governance) giúp doanh nghiệp tìm, lập hồ sơ và quản lý tài sản dữ liệu nằm rải rác trên kho dữ liệu, pipeline và công cụ BI (phân tích kinh doanh).

Atlan hoạt động như một trung tâm điều khiển thống nhất (unified control plane): nó kéo siêu dữ liệu (metadata) từ kho dữ liệu, công cụ BI và CRM (quản lý quan hệ khách hàng) về chung một đồ thị tri thức (knowledge graph) duy nhất.

Với Atlan, dữ liệu vừa được liệt kê vừa được làm giàu ngữ cảnh để phục vụ các tác nhân AI (AI agent) — thứ quyết định một agent trả lời dựa trên dữ liệu đáng tin hay dựa trên bản sao lỗi thời nào đó.

Danh mục dữ liệu doanh nghiệp trở thành tầng ngữ cảnh đã kiểm duyệt cho các AI agent

Atlan là gì?

Atlan ra đời năm 2020, khởi đầu là một dự án nội bộ rồi mới tách ra thành sản phẩm thương mại. Tháng 5/2024, công ty đạt định giá hơn 750 triệu USD sau vòng gọi vốn Series C trị giá 105 triệu USD, do quỹ đầu tư quốc gia Singapore GIC và Meritech Capital dẫn dắt. Phần đáng chú ý nằm ở lựa chọn kiến trúc: Atlan dựng trên các định dạng mở như Apache Iceberg, nên tư duy "metadata-as-code" ở đây là thứ chạy được thật chứ không phải một khẩu hiệu, và doanh nghiệp cũng đỡ lo chuyện bị khóa chặt vào nhà cung cấp (vendor lock-in).

Kiến trúc xếp lớp của Atlan: Metadata Lakehouse ở dưới, Enterprise Data Graph ở giữa và tầng tin cậy ở trên

Lớp nền bên dưới là thứ Atlan gọi là Metadata Lakehouse, nơi siêu dữ liệu từ Snowflake, Databricks hay Salesforce được đồng bộ theo thời gian thực. Khác biệt so với một kho lưu trữ tĩnh nằm ở chỗ bạn thao tác được ngay trên đó: kỹ sư truy vấn SQL thẳng vào siêu dữ liệu quản trị, hoặc dựng dashboard trên dữ liệu dòng dõi (lineage), và quản trị dữ liệu vì thế trở thành một phần của luồng vận hành kỹ thuật thay vì một tài liệu ai đó phải nhớ đi đọc.

Đứng ở trung tâm nền tảng là Enterprise Data Graph — đồ thị gom ngữ cảnh từ toàn bộ hệ dữ liệu về một biểu diễn duy nhất luôn được cập nhật. Bằng cách ánh xạ siêu dữ liệu kỹ thuật, siêu dữ liệu xã hội và siêu dữ liệu vận hành vào cùng một đồ thị truy vấn được, Atlan cho bạn nhìn thấy tài sản dữ liệu di chuyển ra sao, ai đang dùng nó và logic nghiệp vụ nào nằm phía sau.

Data catalog giải quyết vấn đề gì?

Doanh nghiệp nào chạy đủ lâu rồi cũng rơi vào cảnh hỗn loạn dữ liệu (data chaos). Hàng trăm nghìn tài sản không được lập hồ sơ, còn đội ngũ kỹ thuật ôm một khoản nợ quản trị mỗi ngày một dày thêm. Bắt con người ngồi viết mô tả bằng tay cho hàng triệu cột dữ liệu là chuyện bất khả thi, nên đến lúc triển khai AI, bài toán khởi động lạnh (cold start problem) hiện ra ngay trước mặt.

Hỗn loạn dữ liệu: hàng loạt tài sản không có hồ sơ và mỗi công cụ AI tự dựng một bộ ngữ cảnh riêng

Lập hồ sơ thủ công thất bại ở quy mô này vì con người không tài nào theo kịp tốc độ sinh dữ liệu. Cách làm truyền thống trông chờ vào việc người quản lý dữ liệu (data steward) nhập tay từng mô tả, và đó chính là bức tường khiến các dự án AI thí điểm không bao giờ lên được production. Không có ngữ cảnh mà máy đọc được, một AI agent không thể diễn giải đúng cấu trúc dữ liệu.

Rồi đến lượt hiện tượng bùng nổ tác nhân (agent sprawl) làm mọi thứ tệ thêm. Khi mỗi công cụ AI tự xây một bộ ngữ cảnh riêng, không bộ nào khớp với bộ nào. Nếu không có một tầng ngữ cảnh dùng chung, AI agent sẽ hoạt động "mù", trả về kết quả sai lệch vì không hiểu các quy tắc kinh doanh ẩn sau những bảng dữ liệu thô.

Atlan thực sự làm những gì?

Trên Metadata Lakehouse, Atlan dựng thêm một tầng tin cậy (trust layer) lo phần quyền truy cập và phân loại tài sản. Nền tảng cắm được vào hơn 80 hệ thống khác nhau, trong đó có dbt, Tableau và các kho dữ liệu lớn. Ở khâu thu thập siêu dữ liệu, Atlan ưu tiên tự động hóa bằng cách phân tích truy vấn SQL (SQL parsing), thay cho mô hình lập hồ sơ nặng thao tác tay của lớp công cụ quản trị thế hệ trước mà Collibra và Alation đại diện.

Triết lý nền tảng ở đây là "active metadata": ngữ cảnh được đưa thẳng vào nơi bạn đang làm việc thay vì bắt bạn mở thêm một công cụ nữa. Tiện ích mở rộng Chrome của Atlan là ví dụ rõ nhất, khi nó hiển thị siêu dữ liệu, lineage và chính sách quản trị ngay bên trong giao diện Snowflake và Tableau. Nghe thì nhỏ, nhưng đó đúng là ranh giới giữa một công cụ người ta dùng hằng ngày và một công cụ người ta quên mất là mình có.

Nền tảng này cũng dùng các quy tắc cấu hình và trợ lý AI để tự động làm giàu thông tin cho dữ liệu. Atlan tuyên bố có thể cắt giảm tới 95% thời gian tìm kiếm và hiểu dữ liệu cho các kỹ sư. Con số đó do chính nhà cung cấp công bố, nên tôi đọc nó như mức trần trong điều kiện lý tưởng hơn là một cam kết. Dù vậy, hướng đi vẫn rõ: đây là bước chuyển từ siêu dữ liệu thụ động (passive metadata) sang siêu dữ liệu chủ động, nơi siêu dữ liệu không chỉ để xem mà còn để kích hoạt các quy trình hạ tầng tự động.

Data lineage: dữ liệu đến từ đâu

Dòng dõi dữ liệu (data lineage) trong Atlan được dựng chi tiết tới từng cột (column-level lineage). Đây là yếu tố sống còn nếu bạn không muốn AI trả về kết quả rỗng (NULL) vì thực hiện các phép nối (JOIN) sai cột. Atlan tái cấu trúc dòng dõi theo ba đường: phân tích logic biến đổi trong SQL, gọi thẳng API riêng của các công cụ BI, và tiêu thụ sự kiện OpenLineage từ Airflow, Spark hoặc dbt Cloud.

Dòng dõi dữ liệu tới từng cột, dựng từ phân tích SQL, API công cụ BI và sự kiện OpenLineage

Khả năng theo dõi dòng dõi giúp AI agent kiểm tra nguồn gốc (provenance), chất lượng và chủ sở hữu của dữ liệu trước khi phản hồi người dùng. Truy ngược một chỉ số về tận nguồn, hệ thống chỉ ra được chính xác phép biến đổi nào đã áp dụng, và bắt được sự cố thượng nguồn, chẳng hạn một lần đổi schema hoặc một phép kiểm tra chất lượng thất bại, trước khi nó kịp làm hỏng câu trả lời.

Lineage còn được kéo vào vòng đời phát triển qua tính năng phân tích tác động (impact analysis). Tính năng này kết nối trực tiếp với pull request trên GitHub và GitLab, để kỹ sư dữ liệu nhìn thấy "bán kính ảnh hưởng" của một thay đổi schema trước khi merge. Đây là chi tiết tôi thích nhất ở sản phẩm, vì nó đặt việc quản trị vào đúng chỗ kỹ sư đang đứng chứ không phải trong một cổng thông tin nào đó không ai mở. Atlan cho biết việc cung cấp đầy đủ ngữ cảnh qua lineage giúp cải thiện 38% độ chính xác của các mô hình chuyển văn bản sang SQL (text-to-SQL).

Governance: ai được dùng dữ liệu nào

Quản trị dữ liệu trong Atlan không đứng riêng một góc. Các nhãn bảo mật như thông tin định danh cá nhân (PII) và các chính sách tuân thủ tự lan truyền theo dòng dõi dữ liệu. Nếu một cột nguồn được gắn thẻ nhạy cảm, mọi bảng phái sinh phía hạ nguồn thừa hưởng luôn nhãn đó, và rủi ro bỏ sót trong các pipeline phức tạp cũng biến mất theo.

Nhãn dữ liệu nhạy cảm PII lan truyền từ cột nguồn xuống mọi bảng phái sinh phía hạ nguồn

Cơ chế này chuyển quản trị từ một công việc tuân thủ mà con người phải ngồi đọc thành một khuôn khổ mà máy đọc được. Chính sách đi kèm dữ liệu, thay vì nằm lại trong một bảng tính phía sau. Atlan hỗ trợ cấp quyền không chạm (zero-touch provisioning), với chính sách được gắn thẳng vào tài sản và thực thi ngay tại thời điểm truy vấn trên Snowflake hay Databricks.

Đối với AI agent, cơ chế này đóng vai trò như một bộ lọc bảo mật, ngăn việc sử dụng dữ liệu trái phép hoặc rò rỉ thông tin nhạy cảm vào phản hồi của mô hình ngôn ngữ lớn (LLM).

Quyền hạn áp dụng cho agent giống hệt như áp dụng cho người dùng, nên một agent không thể đọc thứ mà người vận hành nó không được phép đọc.

Atlan cho AI agent: máy chủ MCP

Để AI có thể nói chuyện trực tiếp với hạ tầng dữ liệu, Atlan triển khai máy chủ Model Context Protocol (MCP server). MCP cho phép các AI agent truy vấn đồ thị lineage để hiểu về độ tin cậy của dữ liệu trước khi hành động. Thay vì chỉ đọc dữ liệu thô, máy giờ đây đọc được cả các quy tắc vận hành liên quan.

Máy chủ MCP trả về nguồn gốc, điểm chất lượng, chính sách và người sở hữu của một cột trong một lần gọi

Trong một lần gọi, agent có thể nhận về cả một chuỗi ngữ cảnh cho một cột dữ liệu: nguồn gốc, điểm chất lượng, chính sách quản trị và người chịu trách nhiệm. Nhờ đó AI trả lời được cả những câu hỏi về hạ tầng như "Bảng này có đang gặp sự cố chất lượng không?" hay "Ai là người chịu trách nhiệm cho metric này?".

Về mặt kiến trúc, cái thay đổi là trách nhiệm "biết" dữ liệu được chuyển từ câu prompt sang tầng ngữ cảnh có quản lý. Prompt viết cứng sẽ hỏng ngay khi dữ liệu bên dưới đổi; một agent đọc ngữ cảnh từ máy chủ MCP thì không.

Từ data catalog đến context layer

Khác biệt lớn nhất nằm ở đối tượng phục vụ: data catalog cũ phục vụ con người đọc chính sách, còn tầng ngữ cảnh phục vụ máy thực thi chính sách. Tại sự kiện Activate 2026 ngày 29/4/2026, Atlan giới thiệu Context Lakehouse, kiến trúc mà công ty cho biết đã ghi nhận 8 tỉ lượt đọc trong 90 ngày. Mục tiêu là ngăn tình trạng mỗi công cụ AI tự dựng một bộ ngữ cảnh mâu thuẫn với các bộ còn lại.

So sánh: data catalog cũ phục vụ con người đọc chính sách, tầng ngữ cảnh phục vụ máy thực thi chính sách

Atlan cũng đưa ra khái niệm Context Repos: các gói ngữ cảnh nghiệp vụ có phiên bản, di chuyển được, vận hành theo cách tương tự một repository trên GitHub. Bạn xây dựng, kiểm chứng và chứng nhận ngữ cảnh trước khi đẩy nó ra production. Kèm theo đó là hiệu ứng ngữ cảnh cộng dồn (context compounding): mỗi lần agent tương tác, các tín hiệu chất lượng và phản hồi lại làm giàu thêm cho đồ thị.

Công cụ Context Engineering Studio cho phép kỹ sư chuyển từ kiểu kiểm tra theo xác suất sang các bộ kiểm thử tự động, bằng cách chạy mô phỏng dựa trên SQL và dashboard có sẵn để xác thực độ chính xác của AI agent trước khi đẩy ra production. Hệ quả kiến trúc đáng giá nhất là tri thức nghiệp vụ trở thành tài sản di chuyển được: bạn đổi mô hình AI mà không mất phần ngữ cảnh đã mã hóa.

Sản phẩm cloud có quản lý, không self-host

Atlan vận hành theo mô hình SaaS (phần mềm chạy như dịch vụ trên cloud của nhà cung cấp) và không có bản tự cài đặt. Với một số doanh nghiệp, riêng câu đó đã đủ để gạch tên. Bài toán bảo mật được giải bằng kiến trúc Secure Agent: hạ tầng quản lý nằm trên cloud của Atlan, nhưng thành phần truy cập nguồn dữ liệu chạy bên trong môi trường của khách hàng, chẳng hạn một cụm Kubernetes. Thành phần này thu thập siêu dữ liệu và phân tích SQL ngay sau tường lửa của doanh nghiệp.

Mô hình cloud có quản lý: dữ liệu thô ở lại trong doanh nghiệp, chỉ siêu dữ liệu được gửi lên cloud của Atlan

Điều đó có nghĩa dữ liệu thô không rời khỏi vùng an toàn của doanh nghiệp; chỉ siêu dữ liệu cần cho tầng ngữ cảnh mới được gửi lên cloud. Mô hình này đáp ứng yêu cầu về cư trú dữ liệu (data residency) mà không buộc doanh nghiệp phải tự vận hành cả một hệ thống phức tạp. Đổi lại, bạn chấp nhận chu kỳ cập nhật và lịch bảo trì do nhà cung cấp quyết định.

Giới hạn và đánh giá thực tế từ người dùng

Đánh giá độc lập từ người dùng trên PeerSpot cho thấy nền tảng được khen về lineage và tự động hóa, nhưng vẫn còn những chỗ chưa hoàn thiện. Tính năng Playbooks, thứ dùng để tự động hóa quy trình, khó cấu hình với các tác vụ có logic phức tạp và đôi khi cần đến đội hỗ trợ kỹ thuật của Atlan. Một số người dùng mô tả phần tùy biến quản trị còn cơ bản, đặc biệt là luồng phê duyệt quyền truy cập.

Phản hồi cũng chỉ ra vài khoảng trống rất thực dụng: chưa có báo cáo email theo lịch cho các tài sản đang quản lý, và khả năng phát hiện dữ liệu trùng lặp cần hoàn thiện thêm để tránh làm nhiễu đồ thị siêu dữ liệu. Một số ý kiến cho rằng việc phối hợp giữa các đội nhóm chưa thật trực quan. Không có gì trong danh sách này là lỗi chí mạng, nhưng chúng đều thuộc loại phiền toái mà bạn chỉ phát hiện ra sau khi đã ký hợp đồng.

Về mặt chi phí, Atlan tính phí theo mô hình nền tảng, khác với Microsoft Purview vốn tính theo số lượng tài sản, khoảng 0,50 USD mỗi tài sản mỗi ngày. Với doanh nghiệp có hàng triệu bảng dữ liệu, mô hình của Atlan thường tối ưu hơn về dài hạn. Nhưng đây vẫn là phần mềm doanh nghiệp: nó không có bậc giá dành cho đội nhỏ, và đó là ranh giới thực tế nhất khi cân nhắc.

Khi nào bạn thực sự cần Atlan?

Bạn nên cân nhắc Atlan khi đang vận hành một hệ dữ liệu hiện đại (modern data stack) quanh Snowflake, Databricks và dbt, và bắt đầu cảm nhận được sự hỗn loạn của siêu dữ liệu. Atlan trở thành mảnh ghép cần thiết nếu doanh nghiệp muốn mở rộng quy mô AI agent nghiêm túc, tức là đến lúc một sai lệch ngữ cảnh đủ sức để lại hậu quả vận hành thật.

Ngược lại, nếu hệ dữ liệu của bạn gọn trong vài chục bảng và một người nắm hết, thì một data catalog doanh nghiệp là thứ bạn chưa cần, và tiền nên tiêu vào chỗ khác. Vấn đề mà Atlan giải quyết chỉ xuất hiện ở quy mô mà không ai còn nhớ nổi một cột dữ liệu nghĩa là gì.

Tiêu chuẩn cao nhất mà một tầng ngữ cảnh hướng tới là "cùng một câu hỏi, cùng một câu trả lời" trên mọi công cụ.

Khi hạ tầng của bạn cần đúng điều đó, cần thực thi chính sách tự động và cần đánh giá được ngữ cảnh mà AI đang đọc, đó là lúc một sản phẩm như Atlan phát huy giá trị.