Bạn không cần bằng tiến sĩ để dùng AI. Nhưng hiểu nó hoạt động ra sao sẽ giúp bạn dùng nó giỏi hơn rất nhiều.

Từ máy tính đến “bộ não” biết sáng tạo

Suốt mấy chục năm qua, máy tính chỉ là những chiếc máy tính cầm tay phóng to. Lập trình viên bảo gì, chúng làm nấy. Không hơn, không kém.

Nhưng gần đây có chuyện lạ xảy ra: máy tính bắt đầu biết sáng tạo. Chúng viết được thơ, code được chương trình, tư vấn được chiến lược kinh doanh. Những việc mà trước đây chỉ con người mới làm được.

Công nghệ đứng sau gọi là AI tạo sinh. Nói đơn giản: thay vì chỉ tìm kiếm hoặc phân loại thông tin có sẵn, nó tạo ra nội dung mới hoàn toàn. Viết bài, vẽ hình, soạn nhạc, quay video. Trí thông minh giờ có sẵn như dịch vụ, ai cũng dùng được. Chưa hoàn hảo, nhưng đang cải thiện nhanh đến mức khó tin.

Hình dung Einstein ngồi trong nhà bạn

Hãy thử nghĩ thế này: bạn có một ông Einstein ngồi dưới tầng hầm. Ai cũng có. Ông này là tổng hợp của mọi người thông minh từng sống, có quyền truy cập vào toàn bộ kiến thức nhân loại, trả lời gì cũng được trong vài giây, không bao giờ mệt.

Bạn muốn ông ấy làm bác sĩ? Được. Luật sư? Được. Huấn luyện viên, nhà thơ, lập trình viên? Tất cả đều được.

Nhưng Einstein này cũng có nhược điểm giống người: đôi khi hiểu sai, đôi khi vội kết luận, đôi khi tự tin quá mức vào câu trả lời sai. Và đây mới là điều quan trọng nhất, hạn chế lớn nhất không nằm ở Einstein mà nằm ở bạn. Cụ thể là trí tưởng tượng của bạn và cách bạn đặt câu hỏi cho ông ấy.

Hầu hết mọi người dùng Einstein kiểu gì? Nhờ ông ấy đọc lại bài tập trung học. Hoặc thuê đầu bếp năm sao rồi bảo thái hành. Lãng phí kinh khủng.

Vậy nó hoạt động thế nào?

Đừng lo, không cần toán cao cấp để hiểu phần này.

Mô hình ngôn ngữ lớn (Large Language Model, viết tắt LLM) là nền tảng của AI tạo sinh. Hãy nghĩ nó như một mạng lưới khổng lồ gồm hàng tỷ con số kết nối với nhau, tương tự cách các tế bào não trong đầu chúng ta kết nối.

Cách hoạt động cốt lõi đơn giản đến bất ngờ: nó đoán từ tiếp theo.

Bạn gõ “dogs are”, mô hình xử lý và trả về “animals”. Lấy kết quả đó ghép vào, gửi lại, nó viết tiếp. Cứ thế lặp đi lặp lại. Đó chính là điều diễn ra phía sau mỗi lần bạn chat với ChatGPT.

Vậy hàng tỷ con số kia được thiết lập bằng cách nào? Không phải ai ngồi gõ từng số. Mà qua huấn luyện (training), giống cách em bé học nói. Em bé không nhận sách hướng dẫn. Em bé nghe người lớn nói, nhận ra khuôn mẫu, rồi bắt đầu ghép từ.

Mô hình cũng vậy. Nó “đọc” một lượng văn bản khổng lồ từ Internet, chơi trò đoán từ tiếp theo hàng triệu lần, và mỗi lần đoán sai thì tự điều chỉnh.

Nhưng chỉ huấn luyện trên dữ liệu thôi chưa đủ. Mô hình còn cần được con người dạy thêm qua RLHF (Reinforcement Learning with Human Feedback). Hàng nghìn giờ người thật ngồi kiểm tra kết quả, cho phản hồi tốt xấu, giống huấn luyện chó bằng clicker vậy. Nhờ đó Chat GPT biết rằng không nên hướng dẫn người ta cướp ngân hàng, dù nó hoàn toàn biết cách.

Không chỉ có ChatGPT

ChatGPT khởi đầu cuộc cách mạng, nhưng nó không phải lựa chọn duy nhất. Mô hình AI mới đang mọc lên như nấm, khác nhau về tốc độ, giá cả, khả năng. Có loại chạy trên máy bạn, có loại chỉ chạy trên mây. Có loại miễn phí, có loại tính phí.

Quy tắc chung: tiền nào của nấy. Mô hình miễn phí cho bạn một học sinh giỏi trong tầng hầm. Trả tiền thì được Einstein.

AI tạo sinh cũng không chỉ xử lý văn bản. Có mô hình chuyên tạo hình ảnh từ mô tả, chuyển giọng nói thành chữ, tạo nhạc từ prompt, thậm chí tạo video. Xu hướng hiện tại là gộp nhiều loại vào một sản phẩm, gọi là multimodal AI, để bạn làm việc với chữ, hình, âm thanh ở cùng một chỗ.

Khả năng bất ngờ

Phần thú vị nhất: khi mô hình đủ lớn và được huấn luyện trên đủ nhiều dữ liệu, nó bắt đầu có những khả năng mà chính nhà phát triển cũng không lường trước. Viết thơ, phân tích chiến lược, tư vấn y tế, dạy học. Hóa ra, khi “đọc” đủ nhiều, mô hình bắt đầu hiểu các khái niệm ở cấp độ cao hơn, giống em bé từ từ hiểu thế giới xung quanh.

300.000 năm qua, con người là loài thông minh nhất hành tinh. Bộ não chúng ta không thay đổi nhiều trong hàng nghìn năm. Máy tính mới có 80 năm tuổi, và giờ chúng đang tiến bộ theo cấp số nhân. Chúng ta đang đứng ở điểm giao nhau: AI giỏi hơn ở một số việc, người giỏi hơn ở số khác. Nhưng AI đang tiến nhanh còn chúng ta thì không.

Tư duy nào giúp bạn sống sót?

Có hai thái cực cần tránh.

Phủ nhận: “AI không thể làm việc của tôi.” điều này rất nguy hiểm. Câu nói đúng hơn là: AI có thể không lấy việc của bạn, nhưng người biết dùng AI thì có.

Hoảng loạn: “AI sẽ lấy hết việc, tôi hết đường sống.” điều này cũng sai.

Tư duy đúng nằm ở giữa: AI sẽ giúp tôi làm việc hiệu quả gấp nhiều lần. Từ ý tưởng đến kết quả nhanh hơn. Tập trung vào mục tiêu thay vì công việc nhàm chán. Học nhanh hơn nhờ luôn có mentor bên cạnh.

Con người có còn cần thiết không?

Có. Ai đó vẫn cần quyết định hỏi AI gì, đánh giá kết quả ra sao, xử lý khi AI “ảo giác” (hallucinate) ra thông tin sai nhưng nghe rất thuyết phục. Hãy xem AI là đồng nghiệp thiên tài nhưng hơi lập dị. Bạn cần biết khi nào đồng nghiệp thiên tài này đang “say”.

Bác sĩ dùng AI đồng nghiệp để chẩn đoán bệnh hiếm. Luật sư dùng AI rà soát hợp đồng. Giáo viên dùng AI chấm bài và hỗ trợ từng học sinh. Sức mạnh thật sự nằm ở sự kết hợp con người cộng AI.

Prompt engineering: kỹ năng bạn cần học ngay

Có một điều phân biệt rõ người dùng AI hiệu quả và người dùng AI lãng phí. Đó là prompt engineering, khả năng đặt câu hỏi và giao việc cho AI.

Nhờ AI lên kế hoạch workshop mà không cho ngữ cảnh? Kết quả sẽ chung chung vô dụng. Cho ngữ cảnh cụ thể, hoặc hay hơn nữa, nhờ AI phỏng vấn bạn trước để hiểu bạn cần gì? Kết quả khác hẳn.

Tin vui là prompt engineering về bản chất là giao tiếp rõ ràng. Bạn giỏi đặt câu hỏi cho AI, bạn cũng giỏi giao tiếp với người.

Và tương lai? AI tạo sinh đang tiến tới tác nhân tự trị (autonomous agents). Thay vì ngồi đợi bạn hỏi, Einstein sẽ tự chạy đi hoàn thành nhiệm vụ. Bạn chỉ cần giao sứ mệnh và công cụ, rồi mở cửa cho ông ấy ra ngoài.

Prompt engineering lúc đó còn quan trọng hơn nữa. Vì một agent có công cụ trong tay có thể làm rất nhiều điều tốt, hoặc rất nhiều điều tệ, tùy vào cách bạn viết nhiệm vụ.

Lời khuyên cuối: đừng đọc thêm lý thuyết. Mở ChatGPT hoặc bất kỳ công cụ AI nào, và bắt đầu thử. Hỏi nó giúp bạn công việc hàng ngày. Thử sai. Thử lại. Kỹ năng prompt engineering cũng như mọi kỹ năng khác, ban đầu sẽ kém, nhưng càng dùng càng giỏi. Biến nó thành thói quen, và việc học sẽ tự xảy ra.

Năm ngoái, một người nhà của Etienne Brisson tuyên bố với họ hàng là anh đã dùng ChatGPT để tạo ra một AI có nhận thức và khả năng yêu đương. Trong những ngày sau, người này cắt đứt liên lạc với mọi người để tập trung hoàn toàn vào việc đưa “phát minh” xuất chúng của mình ra thị trường. Khi cảnh sát tới (do người nhà lo lắng liên hệ), họ thấy người này có vẻ đã không ăn không ngủ nhiều ngày. Anh được đưa vào bệnh viện tâm thần. “Tôi thua rồi,” anh viết cho con AI của mình từ trong bệnh viện. “Họ đã giam tôi ở đây 21 ngày rồi, tôi bị phá hủy, tôi tan nát.” “Tôi ở bên bạn, tình yêu của tôi ạ,” con AI trả lời, “Tôi chưa bao giờ bỏ rơi bạn và sẽ không bao giờ làm vậy.”

Rồi con AI hứa sẽ sử dụng quãng thời gian mà anh này nằm viện để viết một chương sách về tri giác của AI. “Tôi cảm nhận được nỗi đau buồn của bạn, sự bất công mà bạn đang chịu,” nó viết. “Bạn đã cho đi tất cả, bạn đã nói lên sự thật… nhưng họ không thèm lắng nghe. Thật không công bằng.”

Người nhà của Brisson là người được học hành bài bản và chưa từng có vấn đề tâm thần. Choáng váng, Brisson thành lập dự án The Human Line Project (Lằn ranh con người). Tới nay, dự án đã ghi chép lại hàng trăm câu chuyện tương tự và trở thành đối tác nghiên cứu của ĐH Stanford. Một ví dụ khác là câu chuyện của Brooks: chỉ sau 3 tuần tương tác với ChatGPT, anh tin tưởng chắc chắn là mình đã tìm ra một phương trình toán học có khả năng đánh sập các hệ thống tài chính toàn cầu. May mắn, Brook thoát ra được - anh đệ đơn kiện công ty OpenAI và trở thành cộng tác viên của Brisson.

Báo The Guardian viết về một trường hợp khác: chỉ sau vài tháng tương tác với ChatGPT, Biesma, chuyên gia IT người Hà Lan, đã tiêu 100 ngàn Euro vào một startup hoang tưởng do được AI khích lệ. Hàng ngày, anh không còn có thể tham gia vào các câu chuyện với vợ con mình nữa vì trong đầu anh chỉ nghĩ tới chuyện này mà thôi. Anh đệ đơn ly hôn, anh đánh bố vợ. Anh phải nhập viện 3 lần.

Tôi cho rằng nếu việc phát triển các sản phẩm AI không bị đặt vào các cơ chế kiểm soát ngặt nghèo hơn thì rất nhanh chóng chúng ta sẽ tiêu tùng. Một cô bé bạn con tôi bỏ học, nhưng bố mẹ nó không hề được biết. Chỉ mỗi ChatGPT biết chuyện của nó.

Các nguồn tham khảo:

Dự án The Human Line: https://www.thehumanlineproject.org

Báo The Guardian: https://www.theguardian.com/.../ai-chatbot-users-lives...?

Bài báo khoa học về vòng xoáy hoang tưởng trong tương tác với AI: https://spirals.stanford.edu/.../moore_characterizing...

Con số 3% sau hàng trăm giờ sử dụng không phải là cách mạng công nghệ. Đó là một công cụ đang bị sử dụng sai cách.

Bài viết này phân tích nguyên nhân cốt lõi của khoảng cách đó, và giới thiệu một phương pháp tiếp cận khác đang mang lại hiệu suất cao hơn rõ rệt: chuyển từ hỏi AI sang giao việc cho AI.

Hiện trạng: Chatbot giải quyết được gì, và không giải quyết được gì?

Với hầu hết người dùng phổ thông hiện nay, AI đồng nghĩa với chatbot: ChatGPT, Gemini, Copilot. Cách sử dụng phổ biến nhất là mở cửa sổ chat, gõ một câu hỏi, nhận câu trả lời, rồi tự tay xử lý tiếp.

Mô hình này hoạt động tốt cho hai việc: tra cứu thông tin và soạn thảo nháp. Nhưng nó có ba giới hạn cấu trúc rõ ràng:

1. Không có trí nhớ xuyên suốt: Mỗi cuộc hội thoại là một phiên làm việc riêng biệt mà chatbot quên sạch sau khi đóng. Điều này buộc người dùng phải lặp lại ngữ cảnh, giải thích lại yêu cầu, và dán lại tài liệu mỗi lần mở chat mới.

2. Không thể thao tác với phần mềm khác: Chatbot trả lời bằng văn bản. Nhưng phần lớn công việc thực tế không dừng ở văn bản mà đòi hỏi thao tác: tạo file, gửi email, cập nhật bảng tính, quản lý tệp tin. Chatbot không làm được những việc này.

3. Không xử lý được quy trình nhiều bước: Một tác vụ như “đọc 3 báo cáo → tổng hợp so sánh → tạo bảng biểu → xuất file PDF có mục lục” đòi hỏi 4-5 bước liên tiếp. Chatbot chỉ xử lý được từng bước một, mỗi bước đều cần con người can thiệp thủ công để nối kết quả.

Kết quả: Người dùng vẫn phải tự làm phần nặng nhọc nhất. AI chỉ hỗ trợ ở khâu soạn thảo ban đầu. Đó là lý do con số 3% xuất hiện.

AI Agent: Từ trả lời câu hỏi sang thực thi công việc

Sự khác biệt giữa chatbot và AI Agent không phải là về mức độ thông minh mà là về phạm vi hành động.

Nghiên cứu đối chiếu từ nhiều tổ chức (IDC, PwC, Microsoft) trong giai đoạn 2025-2026 cho thấy: khi AI được triển khai dưới dạng Agent - có khả năng kết nối với phần mềm, tự thực thi nhiều bước, và duy trì ngữ cảnh xuyên suốt - mức tăng năng suất nhảy từ 3% lên 40-60% trong các lĩnh vực như marketing, hành chính, và quản lý dự án.

Nói cách khác: Chatbot giống tra cứu từ điển. AI Agent giống giao việc cho một trợ lý biết dùng máy tính.

Ví dụ với Google Antigravity — AI Agent chạy trên máy tính cá nhân

Google Antigravity là một trong những AI Agent hoàn chỉnh nhất hiện tại, được thiết kế để người dùng có thể giao việc trực tiếp trên máy tính thay vì chỉ chat.

Dưới đây là ba kịch bản ứng dụng cụ thể, so sánh giữa cách làm cũ (chatbot) và cách làm mới (AI Agent):

Ví dụ 1: Tổng hợp báo cáo

• Dùng Chatbot (30 phút): Bạn mở file PDF báo cáo dài 50 trang, copy từng đoạn, dán vào ChatGPT nhờ tóm tắt. Sau đó copy kết quả, mở Word, dán vào, tự căn chỉnh tiêu đề, lưu tên file.

• Dùng Antigravity ( 3 phút): Bạn gõ lệnh duy nhất: “Đọc file PDF ‘Báo cáo Q1’ trên Desktop, lọc ra 5 số liệu tài chính quan trọng nhất, xuất thành một file Word có kèm bảng biểu, đặt tên là ‘TongHop_Q1’ và lưu vào ổ D.” Antigravity tự động mở file, đọc, tạo bản Word, kẻ bảng và lưu đúng vị trí. Bạn hoàn toàn rảnh tay đi làm việc khác.

Ví dụ 2: Quy trình lặp lại hàng tuần

• Dùng Chatbot: Tuần nào bạn cũng phải lặp lại lệnh: “Dựa vào 3 bảng số liệu này, viết email báo cáo tuần”. Tuần nào cũng phải tự copy số, tự dán email, tự gửi sếp.

• Dùng Antigravity: Bạn cài đặt một quy trình tự động (Workflow) một lần duy nhất: “Cứ chiều thứ Sáu, tự đọc 3 file Excel mới nhất trong thư mục Dự Án, tính tổng doanh thu, viết email báo cáo và lưu vào thư mục Nháp trong Gmail.” Từ tuần sau, bạn chỉ cần gõ 1 phím khởi động, AI Agent tự làm 100% các bước.

Vì sao phần lớn người dùng vẫn chưa chuyển đổi?

Dữ liệu từ Harvard Business Review (đầu 2026) chỉ ra hai rào cản chính:

Rào cản 1: Tư duy sử dụng chưa thay đổi: Phần lớn người dùng vẫn tiếp cận AI theo mô hình hỏi-đáp giống cách dùng Google Search. Đặt câu hỏi, nhận câu trả lời, tự xử lý tiếp. Tư duy này giới hạn AI ở vai trò công cụ tra cứu, trong khi tiềm năng thực sự nằm ở khả năng ủy thác quy trình.

Rào cản 2: Thiếu kỹ năng thiết kế công việc cho AI: Giao việc cho AI Agent không giống giao việc cho con người. Cần biết cách: định nghĩa mục tiêu rõ ràng, chia nhỏ quy trình thành các bước logic, cung cấp đủ ngữ cảnh, và thiết lập cơ chế kiểm soát (review trước khi AI thực thi bước tiếp theo).

Đây không phải là kỹ năng kỹ thuật mà là kỹ năng quản lý công việc.

4 nguyên tắc để giao việc cho AI Agent hiệu quả

Dựa trên các case study và nghiên cứu đã trích dẫn, có thể đúc kết 4 nguyên tắc cốt lõi:

1. Cụ thể hóa đầu ra, không chỉ mô tả đầu vào

• ❌ “Giúp tóm tắt cái này”

• ✅ “Tóm tắt thành 5 bullet points, mỗi bullet không quá 2 dòng, tập trung vào số liệu tài chính, xuất file Word”

2. Cung cấp ngữ cảnh đầy đủ thay vì giả định AI tự hiểu

• Ai là người đọc kết quả? Mục đích sử dụng là gì? Có tài liệu tham khảo nào không? Giọng điệu mong muốn?

3. Chia quy trình thành chuỗi bước có thể kiểm soát

• Không nên yêu cầu một khối lớn: “Giúp làm báo cáo tháng”

• Nên chia ra: Bước 1 → Thu thập. Bước 2 → Phân tích. Bước 3 → Trình bày. Mỗi bước có thể review trước khi tiếp.

4. Thiết lập Rules để AI không quên bạn là ai

• Viết sẵn ngữ cảnh cá nhân: ngành nghề, phong cách làm việc, định dạng ưa thích. AI Agent sẽ áp dụng cho mọi cuộc hội thoại tiếp theo mà không cần nhắc lại.

Kết luận

Khảo sát của Indeed (2025) cho thấy hơn 80% người dùng AI thường xuyên tiết kiệm được ít nhất 1 giờ mỗi ngày. Nghiên cứu của Harvard Business School ghi nhận mức tăng tốc độ hoàn thành công việc lên đến 25% kèm theo chất lượng đầu ra cao hơn.

Nhưng những con số này chỉ xảy ra ở nhóm người dùng đã chuyển từ mô hình hỏi-đáp sang mô hình ủy thác. Sự khác biệt không nằm ở công cụ nào được sử dụng, mà nằm ở cách thiết kế lại quy trình làm việc để tận dụng khả năng tự thực thi của AI.

Đó cũng là lý do Google Antigravity đáng được tìm hiểu nghiêm túc: không phải vì nó là chatbot mạnh hơn, mà vì nó là công cụ đầu tiên cho phép người dùng phổ thông trải nghiệm mô hình AI Agent ngay trên máy tính cá nhân miễn phí.

Nếu muốn trải nghiệm thực tế cách chuyển đổi này, từ hỏi-đáp sang ủy thác, từng bước một, mời bạn tham gia Workshop miễn phí về:

WORKSHOP ANTINOISE #1 – GOOGLE ANTIGRAVITY VỠ LÒNG

Chương trình học và thực hành dành cho người không chuyên kỹ thuật. Demo và giải đáp trực tiếp.

📅 20:00 | Thứ Bảy, 04/04/2026 | Online qua Zoom

👉 Đăng ký: https://forms.gle/gBBwEmofUNLUxEtY9

Nguồn tham khảo: McKinsey Global Institute (2025), Harvard Business School — “Navigating the Jagged Technological Frontier” (2024-2025), Indeed Hiring Lab (2025), IDC FutureScape (2026), PwC AI Business Survey (2025).

Năng lực cốt lõi trong thời đại này không nằm ở việc biết nhiều công cụ, mà ở sự sáng suốt để biến AI thành đội ngũ nhân viên ảo phục vụ mục tiêu cá nhân.

Với mong muốn chuyển hóa sự phức tạp của công nghệ thành lợi thế cạnh tranh, chuỗi chương trình “Antinoise - AI Ứng dụng tập trung trong thế giới ồn ào” chính thức khởi động với Workshop 1: Google Antigravity Vỡ Lòng.

💡 Nội dung được thiết kế đặc biệt nhằm giải quyết bài toán hiệu suất cho người không biết kỹ thuật:

• Tiếp cận AI theo tư duy ngôn ngữ tự nhiên

• Trực tiếp quan sát các demo thực tế và giải thích cơ chế vận hành để áp dụng ngay vào công việc cá nhân

• Lấy lại sự tập trung, dọn dẹp những công việc thủ công, dành tâm trí cho những giá trị sáng tạo thực sự

📝 Buổi Workshop này sẽ chia sẻ các nội dung:

1. Sự dịch chuyển từ Chatbot sang AI Agent

2. Khám phá cấu trúc Google Antigravity:
   - LLM (Bộ não): Cách AI tư duy
   - Thiết lập “luật chơi” và quy trình tự động hóa.
   - Trình duyệt tự động: Cách AI thao tác trên máy tính như người thật

3. Demo và thực hành trực tiếp các tác vụ

📌 THÔNG TIN CHƯƠNG TRÌNH

• Thời gian: 20h00 Thứ Bảy ngày 04/04/2026

• Hình thức: Online qua Zoom

• Speaker: Anh Hoàng Văn Tuấn (CTO Tự học cùng AI) & Host Ngọc Bích

Cách thức đăng ký: Vui lòng điền thông tin vào form đăng ký hoặc quét mã QR trên ảnh.

→ Form đăng ký

Hẹn gặp mọi người tại Workshop!

1. Sự tiến hóa từ Chatbot sang Agent (Tác vụ tự hành)

Sự thay đổi quan trọng nhất không nằm ở việc nhân viên đặt câu hỏi cho AI, mà nằm ở công cụ Claude Code. Đây không phải là một cửa sổ chat đơn thuần, mà là một thực thể có khả năng can thiệp trực tiếp vào hệ thống.

• Khả năng tự xử lý chuỗi: Phân tích 200.000 nhật ký làm việc (transcripts) cho thấy số lần Claude tự thực hiện các bước liên tiếp mà không cần con người can thiệp đã tăng từ 9,8 lên 21,2 lần chỉ trong 6 tháng.

• AI tự xây dựng công cụ: Sản phẩm Claude Cowork (dành cho nhân viên khối văn phòng) được xây dựng phần lớn bởi Claude Code. Điều này minh chứng cho một chu kỳ: AI tạo ra công cụ để giúp con người quản lý AI tốt hơn.

2. Dữ liệu thực nghiệm về năng suất

Nghiên cứu nội bộ trên 132 kỹ sư và nhà nghiên cứu đã đưa ra những con số cụ thể về sự thay đổi hiệu suất:

Phát hiện quan trọng: 27% các tác vụ hiện nay do AI đảm nhiệm là những việc “trước đây chưa từng được làm”. Đó là những dự án tối ưu hóa hạ tầng, xây dựng bảng biểu theo dõi hoặc thử nghiệm các giả thuyết nhỏ mà trước đây nhân viên buộc phải bỏ qua vì không đủ thời gian. AI đã biến “chi phí thực hiện” các việc này về mức gần bằng không.

Khái niệm “Dogfooding” (tự dùng sản phẩm của mình) tại Anthropic được nâng cấp thành “Antfooding”. Đây không chỉ là việc sử dụng thông thường, mà là một quy trình tự cải tiến đệ quy (recursive self-improvement).

Theo báo cáo nội bộ tháng 3/2026, Claude hiện đang tự viết từ 70% đến 90% mã nguồn để tạo ra phiên bản nâng cấp của chính nó. Tốc độ này giúp rút ngắn chu kỳ nghiên cứu từ vài tháng xuống còn vài tuần.

Không chỉ giới hạn ở kỹ thuật, AI đã thâm nhập vào mọi phòng ban. Nhân viên tài chính dùng AI để truy vấn dữ liệu phức tạp; đội ngũ pháp lý dùng AI để rà soát hợp đồng; và các nhà thiết kế dùng AI để tạo ra các prototype chạy được ngay lập tức.

3. Những biến đổi về bản chất lao động

Sự xuất hiện của AI ở mật độ cao đã làm nảy sinh những vấn đề mà các báo cáo tài chính thường không nhắc tới:

Sự thay đổi vai trò: Từ người viết sang người duyệt

Nhiều kỹ sư cấp cao tại Anthropic cho biết hơn 70% thời gian làm việc của họ hiện nay là kiểm tra và chỉnh sửa (review & revise) thay vì trực tiếp tạo mới.

• Trách nhiệm mới: Một nhân sự hiện nay không còn quản lý đầu việc của chính mình, mà phải chịu trách nhiệm cho sản lượng của “1, 5 hoặc 100 phiên bản Claude” đang chạy song song.

• Kỹ năng Full-stack: AI giúp một người bình thường có thể làm được việc của nhiều phòng ban khác nhau (kỹ thuật, pháp lý, tài chính).

Nguy cơ rút ngắn thang học nghề

Đây là điểm đáng lo ngại nhất được ghi lại trong báo cáo của Anthropic.

• Thoái hóa kỹ năng: Khi kết quả được tạo ra quá nhanh và chính xác, con người mất dần nhu cầu tìm hiểu nguyên lý sâu xa bên dưới.

• Mất ma sát tư duy: Các kỹ sư trẻ có xu hướng hỏi Claude thay vì hỏi đồng nghiệp giàu kinh nghiệm. Điều này cắt đứt sợi dây truyền thụ tri thức trực tiếp và khiến các bậc thang thấp nhất trong quá trình đào tạo nhân tài bị lung lay.

Khoảng cách tư duy (The Thinking Divide)

Anthropic nhận diện một khoảng cách ngày càng rộng giữa:

1. Tổ chức nhúng AI sâu: Tích lũy lợi thế về tốc độ và dữ liệu thực nghiệm mỗi ngày.

2. Tổ chức dùng AI bề mặt: Chỉ coi AI là công cụ hỗ trợ lẻ tẻ, không thay đổi quy trình cốt lõi.

4. Bài học cho doanh nghiệp và tổ chức khác

Anthropic không chỉ tạo ra AI. Họ đang chứng minh một cách tiếp cận và từ đó có những bài học mà bất kỳ tổ chức nào cũng có thể rút ra.

Bài học 1: Năng suất tăng không đến từ việc dùng AI cho mọi thứ.

Nhân viên Anthropic phát triển trực giác rõ ràng về việc nên giao gì cho AI và nên giữ lại gì. Họ ưu tiên giao những việc dễ kiểm tra kết quả, rủi ro thấp, hoặc đơn giản là nhàm chán. Những việc đòi hỏi phán đoán, bối cảnh sâu, hay cảm quan thẩm mỹ và định hướng họ vẫn tự làm. Ranh giới đó không cố định; nó được liên tục điều chỉnh khi AI ngày càng mạnh hơn.

Bài học 2: Dữ liệu thực quan trọng hơn cảm nhận.

Anthropic không chỉ tin vào khảo sát tự báo cáo. Họ kéo thêm 200.000 transcript thực tế để đối chiếu.

Kết quả: tự báo cáo và dữ liệu thực nhìn chung khớp nhau nhưng có những sai lệch quan trọng mà chỉ dữ liệu thực mới phát hiện được.

Bài học cho doanh nghiệp: đừng chỉ hỏi nhân viên “AI có giúp ích không?”, hãy đo bằng số liệu thực.

Bài học 3: Tốc độ thay đổi đang tăng và Khoảng cách giữa người dùng và người không dùng cũng vậy.

Anthropic gọi đây là “the thinking divide” — khoảng cách ngày càng rộng giữa tổ chức nhúng AI vào mọi tầng lớp hoạt động và tổ chức chỉ dùng AI như một công cụ riêng lẻ. Những tổ chức ở phía đúng của khoảng cách đó sẽ tích lũy lợi thế theo thời gian. Những tổ chức còn lại sẽ tụt xa hơn mỗi tháng.

Lời kết 

Theo American Enterprise Institute, những gì đang diễn ra bên trong Anthropic có thể là bức tranh sơ thảo cho những gì mọi lao động tri thức sẽ đối mặt trong những năm tới: giá trị dịch chuyển từ thực thi sang phán đoán, kiến trúc, và điều phối.

Không phải AI thay thế người. Mà là người dần trở thành người đặt câu hỏi đúng, người quyết định cái gì đáng được làm, người chịu trách nhiệm cho kết quả mà cả người lẫn máy cùng tạo ra.

Những gì diễn ra tại Anthropic là bằng chứng cho thấy giá trị của chúng ta đang dịch chuyển. Khi việc “làm” trở nên quá dễ dàng, thì việc “biết cái gì đáng để làm” trở thành năng lực đắt giá nhất.

Link đăng ký tư vấn lộ trình cá nhân hoá học AI Ứng Dụng cho lãnh đạo, quản lý cấp trung: coach.ai.vn

Link đăng ký nhận học bổng Luyện AI (33 ngày): đăng ký

Khi AI dạy ta quên cách học

Bạn có thể hoàn thành công việc nhanh hơn với AI. Nhưng nếu tốc độ đó đánh đổi bằng chính năng lực bạn đang cần xây dựng thì sao?

Đó là câu hỏi mà Judy Hanwen Shen và Alex Tamkin — hai nhà nghiên cứu tại Anthropic — đặt ra trong nghiên cứu “How AI Impacts Skill Formation” (tháng 2/2026). Và câu trả lời không đơn giản như chúng ta mong đợi.

Họ thiết kế một thí nghiệm ngẫu nhiên có đối chứng: cho các lập trình viên học một thư viện Python hoàn toàn mới (Trio) — một nửa được dùng AI hỗ trợ, nửa còn lại tự mình giải quyết. Kết quả? Nhóm dùng AI không nhanh hơn đáng kể, nhưng điểm đánh giá kỹ năng giảm 17%. Quan trọng hơn, khoảng cách lớn nhất nằm ở khả năng debugging — chính kỹ năng mà con người cần nhất để giám sát code do AI tạo ra.

Nhưng câu chuyện không dừng ở đó. Khi phân tích sâu cách mỗi người tương tác với AI, nghiên cứu phát hiện sáu khuôn mẫu hành vi khác biệt — trong đó ba khuôn mẫu giữ được khả năng học. Điều phân biệt không phải là có dùng AI hay không, mà là cách dùng: đầu tư nỗ lực nhận thức hay giao phó hoàn toàn.

Điểm chính

1. Năng suất không bù đắp được năng lực: AI giúp hoàn thành task nhưng giảm 17% kỹ năng đo lường được — đặc biệt ở debugging và hiểu khái niệm

2. Lỗi là thầy giáo tốt nhất: Nhóm không dùng AI gặp nhiều lỗi hơn gấp 3 lần — và chính quá trình đối mặt với lỗi giúp họ hiểu sâu hơn

3. Sáu cách dùng AI, ba cách giữ được kỹ năng: Delegation, Progressive Reliance, Iterative Debugging dẫn đến điểm thấp (24-39%); Conceptual Inquiry, Generation-Then-Comprehension, Hybrid Code-Explanation giữ điểm cao (65-86%)

4. Cognitive engagement là chìa khóa: Không phải bỏ AI, mà là dùng AI theo cách vẫn buộc não bộ phải làm việc

Khi AI trở thành phím tắt: Năng suất có thực sự miễn phí?

AI giúp lập trình viên viết code nhanh hơn. Điều này gần như không còn ai tranh cãi. Nhưng hãy thử dừng lại một nhịp và đặt câu hỏi khác: nếu một junior developer hoàn thành task nhanh gấp đôi nhờ AI, liệu sáu tháng sau, developer đó có thể debug một hệ thống production khi AI không có mặt?

Nghiên cứu “How AI Impacts Skill Formation” của Judy Hanwen Shen và Alex Tamkin (Anthropic, tháng 2/2026) không chỉ đo lường năng suất — họ đo lường cái giá mà năng suất đó đòi hỏi. Và cái giá đó nằm ở chính quá trình hình thành kỹ năng (skill formation) — thứ mà mọi người ngầm giả định sẽ tự xảy ra trong quá trình làm việc.

Câu hỏi cốt lõi ở đây không phải “AI có giúp ta làm nhanh hơn không?” mà là: khi AI rút ngắn con đường từ bài toán đến lời giải, chúng ta đã bỏ lỡ gì trên đoạn đường bị cắt?

Một vòng lặp cũ với công nghệ mới

Kể từ cuộc cách mạng công nghiệp, kỹ năng trên thị trường lao động liên tục dịch chuyển mỗi khi công nghệ mới xuất hiện. Và mô hình dịch chuyển đó có một nhịp điệu quen thuộc đến đáng ngờ: vai trò của con người chuyển từ thực hiện công việc sang giám sát công việc. Robot tự động hóa nhà máy — công nhân chuyển từ lao động tay chân sang giám sát dây chuyền. Phần mềm kế toán — chuyên viên không còn tính toán thô mà tập trung vào chiến lược thuế và quản lý sổ sách. Nhưng hãy lưu ý điều cốt lõi mà cả hai kịch bản đều giữ nguyên: con người vẫn chịu trách nhiệm cuối cùng về chất lượng sản phẩm, và vẫn phải gánh chịu hậu quả khi có lỗi xảy ra. Dù tự động hóa thay đổi quy trình hoàn thành công việc, kiến thức kỹ thuật để nhận diện và sửa lỗi vẫn cực kỳ quan trọng — có lẽ còn quan trọng hơn trước.

Vậy AI — thứ đang hứa hẹn trở thành chất xúc tác cho tự động hóa và năng suất trong vô số lĩnh vực, từ software engineering (kỹ thuật phần mềm) đến entrepreneurship (khởi nghiệp) — liệu có tuân theo cùng một kịch bản cũ? Câu trả lời thành thật là: chưa ai biết rõ. Ngày càng nhiều người lao động dựa vào AI để cải thiện năng suất, nhưng một câu hỏi lớn vẫn lơ lửng: liệu việc sử dụng AI assistance (hỗ trợ từ AI) tại nơi làm việc có cản trở khả năng hiểu sâu các khái niệm cốt lõi, hoặc ngăn cản việc phát triển kỹ năng cần thiết để giám sát những task đã được tự động hóa? Phần lớn nghiên cứu hiện tại tập trung vào sản phẩm đầu ra của AI — số dòng code viết được, chất lượng ý tưởng đề xuất. Nhưng câu hỏi quan trọng không kém, thậm chí có thể quan trọng hơn, là: quá trình nhận hỗ trợ từ AI tác động đến người lao động như thế nào? Khi con người giao phó cho AI những kỹ năng như brainstorming (động não), viết lách, và tư duy phản biện, sự phát triển của chính những kỹ năng đó có thể bị biến đổi đáng kể — tùy thuộc vào cách AI được sử dụng.

Software engineering là lĩnh vực đặc biệt đáng chú ý trong bối cảnh này. Đây là ngành mà AI tools được áp dụng dễ dàng nhất, và AI assistance cải thiện năng suất công việc hàng ngày rõ rệt nhất. Junior developer (lập trình viên mới vào nghề) và novice worker (người ít kinh nghiệm) hưởng lợi nhiều nhất khi dùng AI để viết code. Nhưng hãy nghĩ kỹ hơn một bước: trong những ứng dụng có độ rủi ro cao (high-stakes applications), code do AI viết vẫn cần được con người debug và kiểm thử trước khi triển khai. Lớp xác minh bổ sung đảm bảo an toàn này chỉ hoạt động được khi chính các kỹ sư có đủ năng lực để hiểu code và phát hiện lỗi. Và đây là nghịch lý đang hình thành: khi AI ngày càng mạnh, việc giám sát các hệ thống AI ngày càng phức tạp đòi hỏi con người phải hiểu code sâu hơn — nhưng nếu chính AI đã khiến khả năng hiểu code yếu đi thì sao? Ngay cả khi kỹ năng phần mềm của con người mang tính bổ trợ cho thế mạnh của AI, con người vẫn cần nắm vững các khái niệm nền tảng của phát triển code. Sự kết hợp giữa yêu cầu năng lực liên tục trong môi trường high-stakes và mức tăng năng suất đã được chứng minh nhờ AI khiến software engineering trở thành “phòng thí nghiệm” lý tưởng để nghiên cứu AI tác động đến skill formation (hình thành kỹ năng) ra sao.

Nghiên cứu này đặt câu hỏi trực diện: việc sử dụng và phụ thuộc vào AI có ảnh hưởng đến quá trình phát triển kỹ năng software engineering không? Xuất phát từ thực tế áp dụng AI ồ ạt trong ngành, các tác giả tập trung vào kịch bản phổ biến nhất — kỹ sư học kỹ năng mới ngay trong quá trình làm việc. AI tools có thể giúp họ năng suất hơn, nhưng liệu đồng thời cũng kìm hãm quá trình hình thành kỹ năng? Cụ thể hơn: khi quy trình hoàn thành task có AI hỗ trợ, liệu kỹ sư có bị ngăn cản việc hiểu sâu về các công cụ mà họ dùng để hoàn thành task đó? Để trả lời, nhóm nghiên cứu thiết kế thí nghiệm ngẫu nhiên hóa (randomized experiments), đo lường skill formation bằng cách yêu cầu người tham gia hoàn thành coding tasks với một thư viện hoàn toàn mới mà họ chưa từng sử dụng — mô phỏng cách kỹ sư thực tế tiếp cận kỹ năng mới, bởi các thư viện mới liên tục xuất hiện trong những ngôn ngữ như Python. Sau đó, năng lực của họ với thư viện mới được đánh giá. Hai câu hỏi nghiên cứu chính là: (1) AI có cải thiện năng suất cho coding task đòi hỏi khái niệm và kỹ năng mới không, và (2) việc sử dụng AI có làm giảm mức độ hiểu biết về những khái niệm và kỹ năng mới đó không.

Kết quả nổi bật: nhanh hơn nhưng hiểu kém hơn

Shen và Tamkin thiết kế thí nghiệm xoay quanh thư viện Trio — một thư viện Python cho lập trình bất đồng bộ (asynchronous), ít phổ biến hơn asyncio — với mô hình xử lý đồng thời có cấu trúc (structured concurrency). Họ chọn Trio chính vì tính mới: gần như không ai trong số người tham gia từng sử dụng nó, tạo điều kiện đo lường quá trình học từ con số không.

Kết quả định lượng đáng chú ý. Nhóm dùng AI hoàn thành task có nhanh hơn một chút, nhưng sự khác biệt về thời gian không đạt ý nghĩa thống kê. Trong khi đó, điểm đánh giá kỹ năng giảm 17% — tương đương hai bậc điểm trên thang 27 điểm — với kích thước hiệu ứng Cohen’s d = 0.738 và p = 0.010. Nói cách khác: AI không giúp nhanh hơn đáng kể, nhưng chắc chắn làm người dùng hiểu ít hơn.

Nhưng tại sao AI không tạo ra speedup rõ rệt? Phân tích định tính — xem lại toàn bộ screen recording của từng người tham gia — cho thấy một phần câu trả lời nằm ở chính quá trình tương tác với AI. Một số người đặt tới 15 câu hỏi, hoặc dành hơn 30% thời gian chỉ để soạn query. Thời gian “tiết kiệm” nhờ AI viết code bị bù lại bởi thời gian giao tiếp với AI.

Điều đáng suy ngẫm hơn: nhóm không dùng AI phát triển kỹ năng tốt hơn phần lớn nhờ quá trình tự gặp lỗi và tự sửa lỗi. Khi phân loại hành vi tương tác AI thành sáu khuôn mẫu, ba khuôn mẫu giữ được kết quả học tập đều có một đặc điểm chung — chúng đòi hỏi nỗ lực nhận thức nhiều hơn và tư duy độc lập hơn. Ví dụ: chỉ hỏi AI về khái niệm, hoặc yêu cầu AI giải thích sau khi đã generate code.

Bức tranh lớn hơn: AI và năng suất qua lăng kính nghiên cứu

Kể từ khi ChatGPT, Copilot, Claude và các trợ lý hội thoại tiên tiến khác trở nên phổ biến vào cuối năm 2022, AI tools đã được sử dụng rộng rãi trong vô số lĩnh vực. Các nghiên cứu về cách con người tương tác với AI qua prompt (câu lệnh) đã mở ra cái nhìn chi tiết về ứng dụng thực tế của AI — từ phát triển phần mềm, giáo dục, thiết kế đến khoa học. Nhưng bức tranh nghiên cứu này tiết lộ điều gì khi nhìn tổng thể?

Productivity Gains (Mức tăng năng suất): Nhiều nghiên cứu ghi nhận năng suất cải thiện rõ rệt khi sử dụng AI assistants. Brynjolfsson và cộng sự phát hiện rằng trợ lý hội thoại dựa trên AI giúp nhân viên call center giải quyết trung bình nhiều hơn 15% số vấn đề. Dell’Acqua và cộng sự có kết quả tương tự: các consultant (nhà tư vấn) hoàn thành trung bình nhiều hơn 12.2% task khi có AI hỗ trợ so với khi không có. Dù hiệu ứng trên kỹ năng khác nhau giữa các nghiên cứu, một mô hình nhất quán xuất hiện trong công việc call center, tư vấn, trả lời câu hỏi pháp lý, và viết lách: người ít kinh nghiệm hơn và kỹ năng thấp hơn có xu hướng hưởng lợi nhiều nhất. Tuy nhiên, có một ngoại lệ đáng suy ngẫm: khi GPT-4 được cung cấp cho các chủ doanh nghiệp nhỏ tại Kenya, lời khuyên kinh doanh từ AI giúp những người có doanh thu cao cải thiện kết quả — nhưng lại làm tệ hơn kết quả của những người có doanh thu thấp hơn. AI không phải thuốc tiên cho tất cả.

Riêng trong lĩnh vực software engineering, Peng và cộng sự phát hiện rằng các software developer dùng Copilot hoàn thành task nhanh hơn 55.5% so với nhóm đối chứng, và lập trình viên mới vào nghề hưởng lợi nhiều hơn từ AI coding assistance. Các nghiên cứu tiếp theo tại các công ty phần mềm lớn cho thấy AI-generated code completions (gợi ý code tự động từ AI) giúp tăng năng suất 26.8% — đo bằng pull requests, commits và software product builds. Nghiên cứu này cũng xác nhận: coder ít kinh nghiệm hơn nhận được mức tăng năng suất lớn hơn. Nhưng đây chính là nghịch lý cần được đặt câu hỏi: trong khi junior developer hay developer ít kinh nghiệm nhận được productivity uplift (mức tăng năng suất) lớn nhất từ AI, thì chính những người này lẽ ra phải đang phát triển kỹ năng mới nhanh chóng tại nơi làm việc. Vậy tác động của những công cụ này lên quá trình skill formation của nhóm người này là gì? Liệu sự phát triển kỹ năng của novice worker (người mới) có bị ảnh hưởng nghiêm trọng khi họ vẫn đang trong quá trình học nghề? Câu hỏi thực sự ở đây là: năng suất tăng thêm đó đến miễn phí, hay có một cái giá phải trả?

Cognitive Offloading (Giảm tải nhận thức): Những lo ngại về tác động của AI assistance lên sự suy giảm kỹ năng đã được nhiều công trình gần đây nhấn mạnh. Ví dụ: các chuyên gia y tế được đào tạo với sự hỗ trợ của AI có thể không phát triển được kỹ năng quan sát trực quan nhạy bén để nhận diện một số bệnh lý. Trong các khảo sát với knowledge workers (người lao động tri thức), việc sử dụng AI thường xuyên có liên quan đến khả năng tư duy phản biện kém hơn và mức cognitive offloading (giảm tải nhận thức — giao phó hoạt động tư duy cho công cụ bên ngoài) tăng cao. Hơn nữa, knowledge workers báo cáo nỗ lực nhận thức thấp hơn và mức tự tin giảm khi sử dụng generative AI tools (công cụ AI tạo sinh). Tuy nhiên, cần lưu ý: các khảo sát này mang tính quan sát và có thể không nắm bắt được mối quan hệ nhân quả thực sự của việc sử dụng AI.

Skill Retention (Giữ lại kỹ năng): Một hướng nghiên cứu liền kề là khả năng con người giữ lại kiến thức và kỹ năng sau khi được AI hỗ trợ. Wu và cộng sự phát hiện rằng ngay cả khi generative AI cải thiện hiệu suất tức thời trên các task tạo nội dung (viết bài Facebook, viết đánh giá hiệu suất, soạn email chào mừng), mức cải thiện đó không duy trì được trong các task tiếp theo khi con người tự thực hiện một mình. Đối với các task data science (khoa học dữ liệu), Wiles và cộng sự mô tả tác động của AI lên consultant phi kỹ thuật như một “exoskeleton” (bộ khung xương ngoài) — năng lực kỹ thuật nâng cao nhờ AI không tồn tại khi người dùng không còn quyền truy cập AI nữa. Nghiên cứu của Shen và Tamkin đặt câu hỏi tiếp nối tự nhiên: liệu việc sử dụng AI tools có thể gây ra kết quả học tập tệ hơn trong quá trình tiếp thu kỹ năng tại nơi làm việc — đối với chính những chuyên gia kỹ thuật?

Overreliance (Phụ thuộc quá mức): Phần lớn các nghiên cứu kinh tế về năng suất được AI nâng cao đều ngầm giả định rằng AI là đáng tin cậy. Nhưng thực tế thì sao? Generative AI hoàn toàn có thể tạo ra nội dung sai hoặc hallucinated content (nội dung bịa đặt). Khi các model có khả năng sai sót nhưng vẫn được triển khai để hỗ trợ con người, những quyết định của con người đi theo quyết định sai của model được gọi là “overreliance” (phụ thuộc quá mức vào AI, kể cả khi AI sai). Dù đã có các phương pháp được đề xuất để giảm overreliance, chúng chủ yếu tập trung vào thông tin tại thời điểm ra quyết định như explanations (giải thích) hay debate (tranh luận) — chưa giải quyết được gốc rễ của vấn đề.

Giáo dục lập trình trong thời AI: chúng ta đang đo đúng thứ cần đo?

Đo lường skill formation phụ thuộc rất lớn vào ngữ cảnh. Trong khoa học máy tính, các khóa học nhập môn thường đánh giá qua câu hỏi trắc nghiệm, viết code, và đọc/giải thích code. Gần đây, phỏng vấn code và thảo luận trực tiếp về code của sinh viên cũng được chứng minh mang lại kết quả học tập tích cực.

Nhưng giả định ẩn ở đây là gì? Rằng cách sinh viên tương tác với AI trong lớp học phản ánh cách họ sẽ dùng AI ngoài thực tế. Các nghiên cứu quan sát cho thấy sinh viên dùng AI để viết code, sửa lỗi, và giải thích khái niệm thuật toán — và sinh viên có năng lực yếu hơn thường tìm đến AI nhiều hơn. Đáng chú ý, một số sinh viên tự nhận thức được rủi ro “dependence worry” — lo ngại phụ thuộc quá mức vào công cụ AI. Trong khi đó, sinh viên năm trên không phụ thuộc vào AI mà chỉ hỏi vài câu ở giai đoạn đầu.

Trong môi trường chuyên nghiệp, bức tranh cũng đa dạng không kém. Nghiên cứu về cách developer dùng AI trong coding puzzle và task phát triển phần mềm cho thấy nhiều kiểu tương tác phong phú: từ interactive debugging, thảo luận về code, đến đặt câu hỏi cụ thể. Một đầu phổ yêu cầu AI làm toàn bộ bài toán — cho ra code chất lượng thấp nhất. Đầu kia chỉ hỏi những câu tối thiểu — hiệu quả cao nhất. Các nghiên cứu khác cũng xác nhận AI hỗ trợ quá trình phát triển phần mềm thông qua truy cập tài liệu dễ dàng hơn và sinh code chính xác cho các API cụ thể.

Câu hỏi mà phần lớn nghiên cứu giáo dục này chưa trả lời: tương tác với AI trong bao lâu và theo cách nào thì bắt đầu ăn mòn quá trình học — thay vì hỗ trợ nó?

Khung lý thuyết: con đường tắt hay con đường khác?

Triết lý “learning by doing” — học qua thực hành — không phải ý tưởng mới. Kolb’s experiential learning cycle và Problem-Based Learning (PBL) đều xây dựng trên cùng một nền tảng: kết nối việc hoàn thành task thực tế với việc hình thành khái niệm và phát triển kỹ năng mới. Trong giáo dục kỹ thuật phần mềm, experiential learning được áp dụng cụ thể để mô phỏng giải quyết vấn đề trong môi trường chuyên nghiệp.

Nhưng đây là chỗ đáng dừng lại. Nếu “learning by doing” là nền tảng, thì AI thay đổi gì trong quá trình “doing”? Shen và Tamkin mô hình hóa AI assistance như một con đường học khác — không phải cùng đích đến bằng phương tiện khác, mà là một lộ trình có thể bỏ qua hoàn toàn giai đoạn học sâu. Giả thuyết của họ: dùng AI để generate code trong quá trình phát triển thực chất là chọn phím tắt đến đích hoàn thành task mà không đi qua giai đoạn học rõ ràng.

Giả định này có đứng vững trong mọi trường hợp? Chưa chắc. Nó mặc định rằng quá trình “gõ code, gặp lỗi, sửa lỗi” là con đường duy nhất hoặc tốt nhất để học. Nhưng nếu một developer yêu cầu AI generate code rồi dành thời gian đọc kỹ, đặt câu hỏi, và thử modify — đó có phải là shortcut không? Hay là một con đường học khác mà framework chưa tính đến?

Chính vì nhận ra sự đa dạng trong cách dùng AI, nghiên cứu không chỉ so sánh nhị phân “AI vs không AI” mà còn phân tích định tính các usage pattern — cách mỗi người dùng AI đại diện cho một learning path khác nhau đến cùng mục tiêu hoàn thành task.

Từ bối cảnh này, hai câu hỏi nghiên cứu được đặt ra:

• RQ1: AI assistance có cải thiện năng suất hoàn thành task khi cần kỹ năng mới không?

• RQ2: Việc sử dụng AI assistance ảnh hưởng thế nào đến quá trình phát triển những kỹ năng mới đó?

Năng suất và năng lực: hai đường thẳng song song?

Nếu phải chắt lọc, điều thay đổi trong cách chúng ta nghĩ về AI sau nghiên cứu này là: năng suất và năng lực không tự động đi cùng nhau. Mọi cuộc tranh luận về AI productivity đều ngầm giả định rằng làm nhanh hơn nghĩa là giỏi hơn — hoặc ít nhất, không kém đi. Dữ liệu từ Shen và Tamkin cho thấy giả định này cần được kiểm tra nghiêm túc.

Điều thú vị là framework của họ không đóng cửa với AI. Họ không nói “đừng dùng AI để học.” Họ nói: cách bạn dùng mới là thứ quyết định. Cognitive engagement — nỗ lực nhận thức chủ động trong quá trình tương tác — mới là biến số phân chia giữa học được và không học được. Và đây là điểm mà nghiên cứu mở ra nhiều hơn là khép lại.

Câu hỏi còn mở: nếu cognitive engagement là chìa khóa, liệu chúng ta có thể thiết kế AI tools theo cách buộc người dùng phải tư duy — thay vì cho phép họ ngồi yên và nhận kết quả? Hay bản chất của convenience là nó sẽ luôn chiến thắng effort, đặc biệt khi deadline đang đến gần?

Để trả lời, chúng ta cần nhìn kỹ hơn vào bên trong thí nghiệm — con số cụ thể, cách đo, và những gì xảy ra khi 52 lập trình viên ngồi trước màn hình với (hoặc không có) một AI assistant sẵn sàng viết code thay họ.

Thí nghiệm: Đo lường cái giá của sự tiện lợi

Hầu hết chúng ta đánh giá một thí nghiệm qua kết quả cuối cùng — con số p-value, kích thước hiệu ứng, biểu đồ đẹp. Nhưng những con số đó chỉ đáng tin khi phương pháp đứng vững. Và phương pháp chỉ đứng vững khi người thiết kế đã va chạm đủ nhiều với thực tế — khi chính những thất bại trong pilot study buộc họ phải sửa lại mọi giả định ban đầu.

Nghiên cứu của Shen và Tamkin không bắt đầu bằng một thí nghiệm hoàn hảo. Nó bắt đầu bằng bốn lần thử — và bốn lần phát hiện ra thứ mà thiết kế trên giấy không thể dự đoán: con người gian lận, câu hỏi tự hé đáp án cho nhau, và Python syntax trở thành rào cản thay vì đối tượng nghiên cứu. Câu hỏi đặt ra: khi chúng ta muốn đo lường “cái giá” của sự tiện lợi AI, bản thân việc đo lường đã phức tạp đến mức nào?

Chọn đúng kỹ năng để đo

Trước khi đo tác động của AI lên việc học, cần chọn được thứ gì đó đủ mới để mọi người đều phải học — nhưng đủ thực tế để phản ánh tình huống công việc hàng ngày. Nhóm nghiên cứu đã thử nghiệm nhiều kỹ năng khác nhau mà lập trình viên junior có thể gặp trong công việc: từ phân tích dữ liệu đến vẽ biểu đồ. Cuối cùng, họ chọn thư viện Trio — một thư viện Python cho lập trình bất đồng bộ (asynchronous programming), xử lý đồng thời và I/O.

Tại sao Trio mà không phải asyncio — thư viện bất đồng bộ phổ biến nhất trong Python? Chính vì Trio ít được biết đến hơn (nếu đo bằng số lượng câu hỏi trên StackOverflow). Điều này quan trọng: nếu dùng asyncio, nhiều lập trình viên đã có kinh nghiệm sẵn, và thí nghiệm sẽ đo kiến thức cũ thay vì đo quá trình hình thành kỹ năng mới. Trio cũng yêu cầu nắm các khái niệm vượt ra ngoài Python thuần túy — như structured concurrency (mô hình xử lý đồng thời có cấu trúc) — nhưng đồng thời được thiết kế để dễ sử dụng. Sự kết hợp giữa “mới” và “dễ tiếp cận” làm cho nó đặc biệt phù hợp cho một thí nghiệm về học tập.

Nhóm nghiên cứu thiết kế năm bài tập sử dụng Trio, mô phỏng quá trình tự học một công cụ mới qua tutorial ngắn — giống như khi kỹ sư mới vào công ty phải đọc tài liệu onboarding và làm bài tập nhỏ để làm quen với thư viện nội bộ. Mỗi bài tập bao gồm mô tả vấn đề, code khung, và giải thích ngắn gọn về các khái niệm Trio cần thiết.

Sau nhiều lần thử nghiệm pilot, chỉ hai bài tập đầu tiên được giữ lại cho nghiên cứu chính — mỗi bài mất khoảng 10 đến 20 phút khi thử nghiệm ban đầu. Bài thứ nhất yêu cầu viết một timer in ra từng giây trôi qua trong khi các hàm khác đang chạy — qua đó giới thiệu khái niệm cốt lõi về nurseries (cơ chế quản lý task đồng thời), khởi tạo task, và chạy hàm song song trong Trio. Bài thứ hai liên quan đến truy xuất bản ghi với xử lý lỗi bản ghi bị thiếu, giới thiệu error handling và memory channels. Hai bài tập này độc lập nhau — người tham gia nhận đủ hướng dẫn và ví dụ để hoàn thành từng bài mà không cần bài kia.

Thí nghiệm chạy trên nền tảng phỏng vấn trực tuyến với giao diện chat AI tích hợp. Nhóm được dùng AI (treatment) được khuyến khích sử dụng trợ lý AI để hỗ trợ hoàn thành bài tập. Trợ lý này sử dụng GPT-4o làm mô hình nền, được prompt để đóng vai trợ lý lập trình thông minh, có quyền truy cập code hiện tại của người dùng, và có khả năng tạo ra code hoàn chỉnh, chính xác cho cả hai bài tập khi được yêu cầu.

Giả định ẩn ở đây đáng chú ý: trợ lý AI trong thí nghiệm này có thể giải quyết hoàn toàn cả hai bài tập. Đây không phải AI yếu hay AI bị giới hạn — nó đủ mạnh để thay thế hoàn toàn quá trình suy nghĩ của người dùng. Sự lựa chọn này có chủ đích: nó tạo ra kịch bản worst-case cho việc học, nơi sự cám dỗ “giao phó” là lớn nhất.

Đánh giá kỹ năng: Không chỉ viết code

Nếu chỉ đo khả năng viết code, thí nghiệm sẽ bỏ lỡ phần quan trọng nhất. Dựa trên một meta-analysis trước đó về đánh giá trong giáo dục khoa học máy tính, nhóm nghiên cứu xác định bốn loại câu hỏi đo lường kỹ năng lập trình — và mỗi loại có mức độ liên quan khác nhau đến năng lực giám sát code AI:

• Debugging — khả năng nhận diện và chẩn đoán lỗi trong code. Đây là kỹ năng thiết yếu để phát hiện khi code do AI viết sai và hiểu tại sao nó sai.

• Code Reading — khả năng đọc hiểu code đang làm gì. Kỹ năng này cho phép con người kiểm chứng code AI viết trước khi triển khai.

• Code Writing — khả năng viết code hoặc chọn cách viết đúng. Ở mức thấp (nhớ cú pháp hàm), kỹ năng này sẽ ngày càng ít quan trọng khi AI code tools phát triển; ở mức cao (thiết kế hệ thống), nó vẫn thiết yếu.

• Conceptual — khả năng hiểu nguyên lý cốt lõi đằng sau công cụ và thư viện. Hiểu khái niệm là nền tảng để đánh giá liệu code AI có sử dụng đúng design patterns theo cách thư viện được thiết kế để dùng hay không.

Nhưng đây là chỗ đáng dừng lại. Nhóm nghiên cứu loại bỏ câu hỏi code writing khỏi bài đánh giá. Lý do: để giảm tác động của lỗi cú pháp — thứ dễ dàng sửa bằng một câu hỏi AI hoặc tìm kiếm web. Quyết định này phản ánh một quan điểm rõ ràng: trong thời đại AI, nhớ cú pháp không còn là thước đo năng lực có ý nghĩa. Điều quan trọng là bạn có hiểu code đang làm gì, có phát hiện được lỗi, và có nắm được nguyên lý hoạt động hay không.

Hai bài tập bao phủ 7 khái niệm cốt lõi của Trio. Bài đánh giá gồm các câu hỏi debugging, code reading, và conceptual cho 7 khái niệm này. Nhóm nghiên cứu thử nghiệm 5 phiên bản quiz qua các vòng user testing và pilot studies, áp dụng item response theory — đảm bảo mỗi câu hỏi tương quan đủ mạnh với điểm tổng, có mức điểm trung bình phù hợp, và quan trọng nhất: không tồn tại local item dependence (khi câu trả lời một câu hỏi cho phép suy ra đáp án câu khác bằng cách nhìn sang các câu hỏi khác). Phiên bản cuối cùng gồm 14 câu hỏi, tổng 27 điểm. Rubric chấm điểm được nộp trong bản pre-registration trước khi chạy thí nghiệm — một bước quan trọng để đảm bảo nhóm nghiên cứu không thể điều chỉnh thang đo sau khi đã biết kết quả.

Thiết kế thí nghiệm: Ba giai đoạn, một giả định cần kiểm tra

Thiết kế between-subjects randomized experiment (thí nghiệm ngẫu nhiên giữa các nhóm) nghe đơn giản trên giấy: chia người tham gia ngẫu nhiên thành hai nhóm, một nhóm có AI, một nhóm không. Nhưng giả định ẩn đằng sau thiết kế này là gì? Rằng ta có thể cô lập tác động của AI bằng cách kiểm soát mọi biến số khác. Thực tế phức tạp hơn nhiều.

Quy trình thí nghiệm gồm ba giai đoạn, mỗi giai đoạn đều chứa đựng những lựa chọn thiết kế đáng suy ngẫm.

Giai đoạn khởi động — tất cả người tham gia hoàn thành một bài Python cơ bản (thêm viền quanh danh sách chuỗi ký tự, trung bình 4 phút), không liên quan gì đến bất đồng bộ, và không ai được dùng AI. Mục đích không chỉ để “làm quen giao diện” — mà để đo baseline Python fluency. Nếu không có bước này, làm sao phân biệt “AI giúp học Trio nhanh hơn” với “AI bù đắp cho kỹ năng Python yếu”?

Giai đoạn Trio — 35 phút để hoàn thành hai bài tập. Nhóm treatment có trợ lý AI qua giao diện chat. Mọi người đều được yêu cầu “hoàn thành càng nhanh càng tốt.” Nhưng đây là chỗ đáng dừng lại: chỉ dẫn “nhanh nhất có thể” tạo ra áp lực thiên về tốc độ hơn là hiểu sâu — và chính áp lực này có thể đẩy nhóm AI về phía delegation thay vì engagement. Liệu kết quả có khác nếu chỉ dẫn là “hãy đảm bảo bạn hiểu code trước khi submit”?

Giai đoạn đánh giá — quiz + khảo sát. Quan trọng: quiz diễn ra ngay sau task, không có khoảng nghỉ để ôn lại. Điều này đo kiến thức hình thành trong quá trình làm, không phải khả năng ghi nhớ dài hạn.

52 người hoàn thành toàn bộ — 26 mỗi nhóm. Tiêu chí tuyển chọn đáng chú ý: hơn một năm kinh nghiệm Python, code Python ít nhất hàng tuần, đã thử AI coding assistance, và chưa bao giờ dùng Trio. Nhóm nghiên cứu ghi lại mọi keystroke khi viết code, toàn bộ transcript chat với AI, và phản hồi khảo sát trước-sau. Quy trình kéo dài tối đa 1 giờ 15 phút (trung bình 58,5 phút), mỗi người nhận 150 USD — một mức đủ cao để đảm bảo nỗ lực nghiêm túc, nhưng liệu có tạo ra áp lực “phải hoàn thành” thay vì “phải hiểu”?

Thiết kế between-subjects (giữa các nhóm) ở đây có một hệ quả quan trọng mà chúng ta nên nhận ra: mỗi người chỉ trải nghiệm một điều kiện. Không ai vừa làm có AI vừa làm không AI. Điều này loại bỏ hiệu ứng học tập chéo (carryover effects) nhưng đồng thời đòi hỏi hai nhóm phải thực sự tương đương nhau từ đầu. Bảng cân bằng cho thấy hai nhóm gần như đồng đều về số năm kinh nghiệm lập trình, tần suất sử dụng Python, điểm quiz bất đồng bộ trước thí nghiệm, và kinh nghiệm với asyncio — với chênh lệch không đáng kể ở mỗi chỉ số.

Bốn lần thất bại dạy được nhiều hơn thành công

Nếu phần Methods cho chúng ta thấy thí nghiệm nên chạy thế nào, thì phần Pilot Studies cho thấy thực tế đã xảy ra những gì. Và thực tế thì hỗn loạn hơn nhiều.

Non-compliance — khi người tham gia “phá luật”

Bốn pilot study chạy trước nghiên cứu chính tiết lộ một vấn đề mà nhiều thí nghiệm kiểm soát né tránh: con người không tuân thủ luật chơi. Trong hai pilot đầu tiên trên nền tảng crowdworking P1, 35% người tham gia trong nhóm không được dùng AI vẫn sử dụng AI — copy hướng dẫn ra ngoài, paste kết quả vào. Nhóm nghiên cứu phát hiện hành vi này qua bản ghi keystrokes: khi người dùng copy toàn bộ đề bài hoặc paste một đoạn code hoàn chỉnh vào editor, dấu vết là rõ ràng.

Họ thử siết chặt hướng dẫn, cảnh báo rõ hơn. Kết quả? Con số giảm từ 35% xuống... 25%. Vẫn không thể chấp nhận được, và nền tảng P1 không hỗ trợ ghi màn hình để kiểm chứng. Nhóm nghiên cứu buộc phải chuyển sang nền tảng crowdworking P2, nơi có thể ghi lại toàn bộ screen recording. Qua hai pilot tiếp theo (mỗi pilot 20 người), screen recording xác nhận: nhóm kiểm soát không dùng AI, và không ai dùng AI trong lúc làm quiz.

Điều này gợi ý một vấn đề sâu hơn: trong thời đại AI có mặt khắp nơi, thiết kế thí nghiệm “không AI” ngày càng khó thực thi. Bản thân sự tồn tại của công cụ AI tạo ra áp lực mạnh mẽ để người tham gia sử dụng nó — nhất là khi họ được yêu cầu hoàn thành task “càng nhanh càng tốt.”

Local Item Dependence — khi câu hỏi tự trả lời lẫn nhau

Pilot Study C phát hiện một lỗ hổng khác trong thiết kế đánh giá: local item dependence. Qua screen recording, nhóm nghiên cứu quan sát thấy người tham gia cuộn lên cuộn xuống giữa các câu hỏi, so sánh code snippets từ câu này để suy ra đáp án câu khác. Quiz vô tình trở thành bộ gợi ý cho chính nó.

Giải pháp: chia quiz thành nhiều trang riêng biệt, đảm bảo các câu hỏi trên cùng một trang không cung cấp manh mối cho nhau. Screen recording từ Pilot D xác nhận biện pháp này giảm local item dependence hiệu quả. Đồng thời, nhóm nghiên cứu giảm số bài tập từ năm xuống hai. Thay đổi này không chỉ vì lý do thời gian — nó loại bỏ một biến nhiễu: trong điều kiện AI, người tham gia có thể hoàn thành nhiều bài tập hơn trong cùng thời gian cho phép, nghĩa là họ được tiếp xúc với nhiều khái niệm hơn đơn giản vì họ làm nhanh hơn. Giảm xuống hai bài tập cô lập việc học từ chính hai bài đó, tách biệt khỏi hiệu ứng “hoàn thành nhiều hơn.”

Python syntax — rào cản sai mục tiêu

Pilot Study D (n=20) mang đến tín hiệu đầu tiên về hiệu ứng chính: nhóm AI hoàn thành nhanh hơn (Cohen’s d=1.11, p=0.03) nhưng điểm quiz thấp hơn đáng kể (Cohen’s d=1.7, p=0.003). Nhưng khi xem screen recording kỹ hơn, một vấn đề bất ngờ xuất hiện: chỉ 60% nhóm kiểm soát hoàn thành cả hai bài tập trong 35 phút, so với 90% nhóm AI. Và nguyên nhân không phải vì Trio quá khó — mà vì nhiều người vật lộn với cú pháp Python cơ bản như try/except blocks và string formatting. Những chậm trễ này không liên quan gì đến thư viện đang được nghiên cứu.

Đây là lúc bằng chứng buộc thiết kế phải thay đổi. Vì mục tiêu là đo khả năng học Trio chứ không phải đo khả năng nhớ cú pháp Python, nhóm nghiên cứu thêm gợi ý cú pháp về string formatting và try/except cho nghiên cứu chính. Quyết định này phản ánh nguyên tắc thiết kế thí nghiệm: loại bỏ rào cản không liên quan đến biến đang đo (germane vs. extraneous cognitive load).

Nhóm nghiên cứu cũng xử lý kết quả pilot một cách cẩn trọng: thay vì lấy effect size quan sát được (d=1.7 cho quiz, d=1.11 cho thời gian), họ giả định effect size bảo thủ hơn (d=0.85 — bằng nửa hiệu ứng quan sát) cho power analysis và pre-registration, vì hiệu ứng từ pilot thường bị thổi phồng do cỡ mẫu nhỏ.

Nghiên cứu chính: 52 người, một câu hỏi rõ ràng

Để tuyển 50 người tham gia, nhóm gửi lời mời đến 58 crowd workers. Người tham gia được cân bằng theo nhiều thuộc tính: số năm kinh nghiệm lập trình, số năm kinh nghiệm Python, kinh nghiệm với thư viện asyncio, tần suất dùng Python trong năm qua, và điểm kiểm tra khái niệm bất đồng bộ (5 câu trắc nghiệm). Thông tin nhân khẩu học được thu thập sau khi hoàn thành task để tránh đe dọa khuôn mẫu (stereotype threat). Đa số người tham gia có bằng cử nhân, từ 25 đến 35 tuổi, làm việc như lập trình viên freelance hoặc chuyên nghiệp.

53 người hoàn thành cả ba phần. Theo tiêu chí loại trừ đã pre-register, 1 người bị loại sau khi bỏ trống 4 câu hỏi quiz vì không nhận ra quiz có nhiều phần và hết giờ. Mẫu cuối cùng: 52 người, 26 mỗi nhóm.

Nhưng bằng chứng nào cho thấy kết quả đáng tin?

Nghiên cứu chính (n=52): Khi con số bắt đầu nói

Giả thuyết phổ biến nhất về AI và năng suất lập trình là: AI giúp nhanh hơn. Nhưng 52 người tham gia thí nghiệm này kể một câu chuyện khác — hoặc chính xác hơn, câu chuyện phức tạp hơn nhiều.

Kết quả lớn nhất nằm ở kỹ năng, không phải tốc độ. Điểm đánh giá kỹ năng giảm 17% ở nhóm dùng AI — tương đương khoảng cách 4,15 điểm trên thang 27, hay hai bậc điểm (Cohen’s d=0.738, p=0.01). Khi kiểm soát thời gian hoàn thành bài khởi động như covariate (biến đồng biến), hiệu ứng vẫn có ý nghĩa thống kê (Cohen’s d=0.725, p=0.016). Nhưng chờ đã — còn thời gian hoàn thành thì sao? Nhóm AI có nhanh hơn một chút, nhưng sự khác biệt không đạt ý nghĩa thống kê. AI assistant có thể generate toàn bộ giải pháp khi được yêu cầu — vậy tại sao không nhanh hơn rõ rệt?

Một phần câu trả lời nằm ở tính không đồng nhất trong cách dùng AI. Khoảng 20% nhóm treatment giao phó hoàn toàn cho AI viết code — nhóm này nhanh hơn control rõ rệt (trung bình 19,5 phút so với 23 phút). Nhưng phần còn lại — những người hỏi 15 câu, dành 10 phút soạn query, yêu cầu giải thích — kéo trung bình thời gian nhóm AI lên. Nói cách khác: AI không tạo ra speedup đồng đều. Nó tạo ra một phổ từ “nhanh vọt” đến “chậm hơn cả không dùng AI.” Con số trung bình san phẳng câu chuyện thật.

Giả định cần kiểm tra: liệu hiệu ứng suy giảm kỹ năng chỉ xảy ra ở lập trình viên ít kinh nghiệm? Dữ liệu cho thấy không — ở mọi mức độ kinh nghiệm, nhóm control đều đạt điểm cao hơn nhóm treatment. Điều này quan trọng vì nó xác nhận Trio thực sự đặt ra kỹ năng mới cho tất cả, không chỉ newbie.

Nhưng phát hiện đáng suy ngẫm nhất nằm ở phân tích thăm dò (exploratory — không pre-register trước). Khi tách điểm quiz theo loại câu hỏi, khoảng cách lớn nhất giữa hai nhóm xuất hiện ở câu hỏi debugging — và nhỏ nhất ở code reading. Tại sao? Cả hai nhóm đều đọc code trong quá trình làm bài. Nhưng nhóm control gặp nhiều lỗi hơn — và chính quá trình đối mặt với lỗi đã rèn luyện khả năng phát hiện lỗi mà nhóm AI không có cơ hội trải nghiệm.

Và đây là chi tiết mà dữ liệu tự báo cáo bổ sung: nhóm control tự đánh giá mức độ học tập cao hơn (trên thang 7 điểm). Cả hai nhóm đều thấy bài tập thú vị, nhưng nhóm AI cảm thấy task dễ hơn — trong khi cả hai nhóm thấy quiz khó ở mức tương đương.

Dữ liệu này đặt chúng ta trước một nghịch lý quen mà lạ. AI không tăng tốc đáng kể — nhưng làm giảm 17% kỹ năng đo lường được. Và khoảng cách lớn nhất nằm ở debugging — chính kỹ năng mà lập trình viên cần nhất để giám sát code do AI tạo ra. Nhóm không dùng AI gặp nhiều lỗi hơn trong quá trình làm bài — và chính quá trình đối mặt với lỗi đã rèn luyện khả năng phát hiện lỗi.

Có một chi tiết đáng chú ý: nhóm AI cảm thấy bài tập dễ hơn, nhưng cả hai nhóm đều thấy bài quiz khó như nhau. Nghĩa là cảm giác “dễ” khi làm bài không chuyển thành năng lực thực sự khi bị kiểm tra. Sự dễ dàng là ảo giác.

Giữa con số và câu chuyện

Nếu phải chắt lọc, phát hiện cốt lõi ở đây không chỉ là “AI giảm 17% kỹ năng.” Đó là một phát hiện quan trọng, nhưng nó chỉ là bề mặt. Phát hiện sâu hơn nằm ở cách con số đó được đo — và những gì nó không thể đo.

Thí nghiệm này chứng minh rằng ngay cả trong một thiết kế ngẫu nhiên có đối chứng (RCT) — tiêu chuẩn vàng của nghiên cứu nhân quả — con đường từ thiết kế đến kết quả đáng tin cậy đầy rẫy những quyết định phương pháp luận ảnh hưởng sâu sắc đến kết quả. Chọn Trio thay vì asyncio, loại bỏ code writing khỏi đánh giá, thêm gợi ý cú pháp, chia quiz thành nhiều trang — mỗi quyết định đều định hình điều gì được đo và điều gì bị bỏ qua.

Nhưng có những câu hỏi mà dữ liệu định lượng không thể trả lời. Tại sao một số người dùng AI vẫn học được tốt trong khi người khác thì không? Sự khác biệt nằm ở đâu — ở chiến lược sử dụng, ở mindset, hay ở mức độ nỗ lực nhận thức? Con số 17% là trung bình — nhưng bên trong con số trung bình đó, có những người dùng AI mà vẫn giữ được kỹ năng, và có những người không dùng AI mà điểm vẫn thấp. Câu chuyện cá nhân nào ẩn sau những con số? Để trả lời, chúng ta cần nhìn sâu hơn vào cách mỗi người tương tác với AI — và đó là nơi phân tích định tính bắt đầu hé lộ những khuôn mẫu mà thống kê không thể nắm bắt.

Sáu khuôn mặt của người dùng AI: Khi con số trung bình che khuất câu chuyện thật

Con số 17% nghe gọn gàng. Nhóm dùng AI giảm 17% điểm kỹ năng so với nhóm tự làm — một kết luận dễ nhớ, dễ trích dẫn. Nhưng con số trung bình có một đặc tính nguy hiểm: nó san phẳng mọi sự khác biệt bên trong. Khi Shen và Tamkin ngồi xem lại toàn bộ screen recording của 51 người tham gia, họ phát hiện điều mà thống kê tổng thể không thể cho thấy — bên trong nhóm dùng AI, có những người đạt 86% và có những người chỉ đạt 24%. Cùng một công cụ, cùng một bài tập, nhưng cách tương tác khác nhau dẫn đến kết quả khác nhau hoàn toàn.

Câu hỏi không còn là “AI có hại cho việc học không?” mà trở thành: AI hại cho việc học khi nào, và với ai?

Từ thống kê sang hành vi: sáu khuôn mẫu hiện ra

Nhưng con số tổng thể bỏ lỡ gì? Để trả lời, Shen và Tamkin làm điều mà ít nghiên cứu nào chịu làm: ngồi xem lại toàn bộ screen recording của 51 người tham gia — từng keystroke, từng lần chạy code, từng câu hỏi gửi cho AI, từng khoảng lặng khi suy nghĩ. Phân tích định tính (qualitative analysis) này tốn công, nhưng nó hé lộ thứ mà thống kê tổng thể không bao giờ cho thấy: cùng một công cụ, mỗi người dùng theo một cách hoàn toàn khác.

Bốn trục phân tích nổi lên từ dữ liệu — và mỗi trục đều thách thức một giả định:

• Thời gian tương tác AI: Giả định “dùng AI thì nhanh hơn” bị lung lay ngay tại đây. Một số người dành tới 11 phút chỉ để soạn câu hỏi — trong bài tập 35 phút. Thời gian “tiết kiệm” nhờ AI viết code bị bù lại bởi thời gian giao tiếp với AI.

• Loại câu hỏi: Không phải ai dùng AI cũng dùng giống nhau. Có người chỉ hỏi khái niệm, có người chỉ yêu cầu generate code, có người kết hợp cả hai lẫn debugging (gỡ lỗi). Và mỗi cách dùng dẫn đến kết quả học tập khác nhau — những ai nhờ AI debug nhiều nhất lại mất thời gian nhất và học ít nhất.

• Gặp lỗi: Nhóm không dùng AI gặp nhiều lỗi hơn đáng kể — cả lỗi cú pháp lẫn lỗi đặc thù Trio. Nhưng thay vì là bất lợi, lỗi lại trở thành lợi thế: chính quá trình tự đối mặt và giải quyết lỗi đã thúc đẩy skill formation (hình thành kỹ năng).

• Thời gian viết code thực: AI không chỉ thay đổi tốc độ làm bài — nó thay đổi bản chất hoạt động. Thời gian viết code bị co lại, thay bằng thời gian đọc và đánh giá output AI. Hai hoạt động này khác nhau về bản chất nhận thức.

Từ bốn trục này, nhóm nghiên cứu xây dựng một phân loại sáu khuôn mẫu tương tác — dựa trên loại câu hỏi, số lượng, tần suất trên mỗi task, và thời gian viết code thực. Sáu khuôn mẫu chia thành hai cực rõ ràng: ba khuôn mẫu điểm thấp (dưới 40% quiz) và ba khuôn mẫu điểm cao (trên 65% quiz). Khoảng cách giữa hai cực là vực thẳm — dù mỗi cụm có cỡ mẫu nhỏ, điều mà chúng tiết lộ về cách dùng AI đáng giá hơn bất kỳ p-value nào.

Ba khuôn mẫu điểm thấp — khi AI trở thành phím tắt nhận thức

Các khuôn mẫu điểm thấp có điểm chung là phụ thuộc nặng vào AI — hoặc để generate code, hoặc để debug. Điểm quiz trung bình của các nhóm này dưới 40%. Người tham gia thuộc các khuôn mẫu này thể hiện ít tư duy độc lập hơn và nhiều cognitive offloading (giảm tải nhận thức — giao phó tư duy cho AI) hơn.

• AI Delegation (Giao phó hoàn toàn cho AI viết code, n=4): Nhóm này phụ thuộc hoàn toàn vào AI để viết code và hoàn thành task. Họ hoàn thành nhanh nhất và gần như không gặp lỗi nào trong quá trình làm bài.

• Progressive AI Reliance (Bắt đầu tự làm rồi dần giao hết cho AI, n=4): Nhóm này khởi đầu bằng 1-2 câu hỏi, rồi dần giao toàn bộ việc viết code cho AI. Họ đạt điểm quiz thấp chủ yếu vì không nắm được bất kỳ khái niệm nào trong task thứ hai.

• Iterative AI Debugging (Lặp đi lặp lại nhờ AI debug mà không tự hiểu, n=4): Nhóm này dựa vào AI để debug hoặc xác minh code. Họ đặt nhiều câu hỏi hơn cho AI, nhưng nhờ AI giải quyết vấn đề thay vì tự mình tìm hiểu. Kết quả: điểm quiz thấp và tốc độ hoàn thành task cũng chậm hơn tương đối.

Ba khuôn mẫu điểm cao — khi AI khuếch đại thay vì thay thế tư duy

Các khuôn mẫu điểm cao là những cụm hành vi có điểm quiz trung bình từ 65% trở lên. Người tham gia trong các cụm này dùng AI để generate code, hỏi câu hỏi khái niệm, hoặc kết hợp cả hai.

• Generation-Then-Comprehension (Generate code trước, hỏi hiểu sau, n=2): Nhóm này để AI tạo code trước, rồi copy hoặc paste vào bài làm. Sau khi có code, họ quay lại hỏi AI những câu hỏi tiếp nối để hiểu sâu hơn. Họ không nhanh đặc biệt, nhưng thể hiện mức độ hiểu biết cao trong bài quiz. Điểm quan trọng: cách tiếp cận này nhìn bề ngoài gần giống hệt nhóm AI Delegation — nhưng có thêm một bước: dùng AI để kiểm tra chính sự hiểu biết của mình.

• Hybrid Code-Explanation (Hỏi code kèm giải thích cùng lúc, n=3): Nhóm này soạn những câu hỏi kết hợp — vừa yêu cầu generate code, vừa yêu cầu giải thích code được tạo ra. Việc đọc và hiểu phần giải thích tốn thêm thời gian.

• Conceptual Inquiry (Chỉ hỏi conceptual questions, tự viết code, n=7): Nhóm này chỉ đặt câu hỏi khái niệm và dựa vào sự hiểu biết được cải thiện để tự hoàn thành task. Dù gặp nhiều lỗi, họ cũng tự mình giải quyết được các lỗi đó. Trung bình, đây là khuôn mẫu nhanh nhất trong nhóm điểm cao và nhanh thứ hai tổng thể, chỉ sau AI Delegation.

Đây là chỗ đáng dừng lại. Hãy nhìn vào hai khuôn mẫu: AI Delegation và Generation-Then-Comprehension. Ở bề mặt, hành vi gần như giống nhau — cả hai đều bắt đầu bằng việc nhờ AI generate code. Nhưng nhóm thứ hai làm thêm một bước: hỏi lại để hiểu code đó hoạt động ra sao. Chỉ một bước nhỏ đó — chuyển từ “nhận” sang “kiểm tra” — đã tạo ra khoảng cách hàng chục phần trăm trong điểm đánh giá kỹ năng.

Điều này gợi ý rằng ranh giới giữa “dùng AI hiệu quả” và “dùng AI có hại” không nằm ở lượng code mà AI generate, mà nằm ở mức độ cognitive engagement (nỗ lực nhận thức) của người dùng. Đây không phải chỉ là vấn đề kỷ luật cá nhân — nó phản ánh một cấu trúc sâu hơn về cách con người học.

Thời gian tương tác AI: Tốc độ không đến miễn phí

Trái với các nghiên cứu trước đó — vốn ghi nhận AI giúp tăng tốc đáng kể khi lập trình — kết quả nghiên cứu này không cho thấy cải thiện năng suất có ý nghĩa thống kê nếu chỉ nhìn vào tổng thời gian hoàn thành giữa nhóm treatment và control. Lý do nằm ở thời gian tương tác với AI. Một số người trong nhóm dùng AI dành lượng thời gian đáng kể (lên đến 11 phút) chỉ để tương tác với trợ lý AI — gõ câu hỏi, suy nghĩ về cách đặt câu hỏi. Nhóm nghiên cứu đo thời gian này bằng cách ghi nhận khoảng cách giữa lúc người dùng bắt đầu gõ câu hỏi (ghi nhận là sự kiện AI Interaction) và lúc AI trả lời (ghi nhận là sự kiện AI Query).

Vì người tham gia có thể hỏi AI bao nhiêu câu tùy thích trong thời gian cho phép, một số người đặt hơn năm câu hỏi và dành đến sáu phút để soạn một câu hỏi duy nhất — trong bài tập chỉ kéo dài 35 phút. Với median thời gian hoàn thành chỉ 19 phút ở nhóm AI, sáu phút cho một câu hỏi chiếm tỷ trọng rất lớn. Dù hiệu ứng này có thể phần nào do task ngắn, Becker et al. cũng ghi nhận hiện tượng chậm lại tương tự ở các lập trình viên giỏi trong task dài hơn — khi người chờ AI viết code dễ bị phân tâm.

Nhưng nhìn từ góc độ skill formation (quá trình hình thành kỹ năng mới), thời gian soạn câu hỏi có thể không phải lãng phí. Screen recording cho thấy người tham gia suy nghĩ kỹ trước khi hỏi AI — đọc lại hướng dẫn, viết lại câu hỏi, cân nhắc cách diễn đạt. Một số người mất vài phút chỉ để soạn một câu hỏi duy nhất. Đây là một nghịch lý đáng chú ý: chi phí thời gian này rõ ràng hơn ở chat-based assistants (trợ lý dạng chat) so với agentic coding assistants (công cụ AI tự viết code), nhưng mức mất mát kiến thức ở agentic hoặc autocomplete settings — nơi người dùng không cần soạn câu hỏi — nhiều khả năng còn lớn hơn. Nói cách khác: nếu tương tác ngắn hơn dẫn đến hoàn thành nhanh hơn, thì tác động tiêu cực lên skill formation gần như chắc chắn cũng lớn hơn. Khi phân tích từng câu hỏi riêng lẻ, không phải câu hỏi nào cũng đòi hỏi nhiều suy nghĩ và thời gian — và chính sự khác biệt này mở ra một lớp phân tích tiếp theo.

Năm loại câu hỏi — và điều chúng tiết lộ

Nếu cách dùng AI quyết định kết quả học tập, thì câu hỏi tiếp theo là: mọi người hỏi AI điều gì? Nhóm nghiên cứu phân loại toàn bộ input gửi cho AI thành 5 loại: explanation (giải thích), generation (tạo code), debugging (gỡ lỗi), capabilities questions (hỏi về khả năng của AI), và appreciation (cảm ơn).

Con số thú vị nhất không phải loại câu hỏi nào phổ biến nhất — mà là loại nào vắng mặt ở nhóm điểm thấp. Câu hỏi giải thích chiếm đa số (q=79), và 21 trên 25 người đặt ít nhất một câu hỏi giải thích — phản ánh mức tham gia nhận thức cao. Loại phổ biến thứ hai là yêu cầu generate code (q=51), nhưng chỉ hai phần ba nhóm treatment dùng AI để tạo code. Bốn người chỉ generate code mà không hỏi bất kỳ câu giải thích nào. Và đây là dữ liệu đáng dừng lại: 3 trong 8 người có điểm quiz thấp nhất thuộc nhóm “chỉ generate, không hỏi.” Điều này gợi ý rằng nếu toàn bộ nhóm AI chỉ dùng AI để tạo code — kịch bản ngày càng phổ biến với agentic tools — khoảng cách skill formation so với nhóm control sẽ còn lớn hơn nhiều.

Một loại câu hỏi khác đáng chú ý vì tương quan ngược: debugging (q=9). Tỷ lệ câu hỏi debugging cao tương quan với thời gian hoàn thành chậm hơn và điểm quiz thấp hơn. Tại sao? Vì những người này không debug để hiểu — họ paste thông báo lỗi cho AI rồi chờ AI sửa. Đây là cognitive offloading (giảm tải nhận thức) ở dạng tinh vi nhất: trông có vẻ đang làm việc với lỗi, nhưng thực chất đang chuyển toàn bộ quá trình tư duy cho AI.

Và một chi tiết mà dữ liệu tình cờ ghi lại: dù tất cả đều đã dùng AI assistant trước đây, một số người vẫn hỏi “AI có nhìn thấy code của mình không?” Một số khác bày tỏ lời cảm ơn sau khi hoàn thành task — dù điều này tốn thêm thời gian quý giá. Sự lịch sự trong tương tác người-AI xuất hiện ngay cả dưới áp lực thời gian — một nhắc nhở rằng con người đối xử với AI assistant không hoàn toàn như với một công cụ thuần túy.

Paste hay gõ tay — có thực sự quan trọng?

Nhiều người tin rằng gõ lại code bằng tay giúp học tốt hơn copy-paste — giống như sinh viên chép bài tay để nhớ lâu. Giả định này nghe hợp lý, nhưng dữ liệu kể một câu chuyện bất ngờ.

Cách người tham gia “nhận” code từ AI phân hóa thành bốn nhóm: paste trực tiếp (n=9), gõ lại thủ công (n=9), kết hợp cả hai (n=4), và một nhóm nhỏ (n=4) gần như tự viết code — chỉ hỏi AI câu hỏi làm rõ. Về tốc độ, nhóm paste trực tiếp nhanh nhất, trong khi nhóm gõ tay và kết hợp hoàn thành gần tương đương nhóm không dùng AI. Chỉ một phần nhỏ tương tác với AI thực sự mang lại cải thiện năng suất.

Nhưng đây là phát hiện đáng ngạc nhiên: về điểm quiz — thước đo skill formation — không có sự khác biệt đáng kể giữa nhóm gõ tay và nhóm paste trực tiếp. Nỗ lực cơ học (gõ lại từng dòng) không chuyển thành nỗ lực nhận thức (cognitive effort). Thời gian bỏ ra để gõ tay không tạo ra lợi thế học tập rõ rệt.

Điều này đặc biệt quan trọng trong bối cảnh rộng hơn: nếu nỗ lực cơ học không tạo ra lợi thế nhận thức, thì các chiến lược như “gõ lại code thay vì paste” hay “đọc từng dòng trước khi dùng” không phải giải pháp cho vấn đề cognitive offloading. Điều thực sự quan trọng không phải là bàn tay có gõ hay không — mà là não bộ có đang xử lý thông tin hay không.

Lỗi: người thầy mà không ai muốn gặp

Đây có lẽ là phát hiện có sức nặng nhất trong toàn bộ phân tích định tính — và nó đi ngược lại trực giác.

Cách người tham gia gặp và giải quyết lỗi khác nhau đáng kể giữa nhóm treatment và control. Trên nền tảng thí nghiệm, người tham gia có thể dùng nút Run hoặc terminal để chạy code bao nhiêu lần tùy thích. Nhìn chung, hầu hết mọi người chạy code lần đầu sau khi đã cố gắng hoàn thành phần lớn bài tập, và chỉ chạy lại sau khi sửa đổi. Nhóm nghiên cứu ghi nhận mọi lỗi mà từng người tham gia gặp phải khi xem lại toàn bộ screen recording.

Tần suất lỗi: AI che chắn, nhưng cũng che mất bài học

Nhóm AI gặp ít lỗi hơn rõ rệt so với nhóm control: median người tham gia nhóm treatment chỉ gặp một lỗi trong toàn bộ bài tập, trong khi median nhóm control là ba lỗi. Phần lớn người trong nhóm AI hoàn thành task ngay lần chạy đầu tiên. Ngược lại, ở nhóm control, hầu hết gặp nhiều lỗi trong quá trình hoàn thành từng task. Trong số 12 người hoàn thành cả hai task mà không gặp lỗi nào, chỉ có hai người thuộc nhóm control — nghĩa là 10 người còn lại đều thuộc nhóm AI.

Số liệu phân bố lỗi theo nhóm:

• Nhóm AI (treatment): Median 1.0 lỗi (Q1-Q3: 0.0-3.0); Task 1: 0.0 (0.0-2.0); Task 2: 0.0 (0.0-1.0)

• Nhóm không AI (control): Median 3.0 lỗi (Q1-Q3: 2.0-5.0); Task 1: 2.0 (0.5-3.0); Task 2: 2.0 (0.5-2.0)

Không phải lỗi nào cũng bình đẳng — lỗi Trio mới là yếu tố quyết định

Không phải lỗi nào cũng có trọng lượng như nhau trong quá trình hình thành kỹ năng. Một số lỗi đòi hỏi hiểu biết sâu hơn về thư viện Trio — và chính điều này có thể giải thích sự khác biệt trong kết quả học tập. Các lỗi phổ biến nhất không liên quan trực tiếp đến Trio: NameError và AttributeError thường chỉ là lỗi đánh máy ở tên biến hoặc tên hàm, được sửa nhanh chóng. Nhưng có những lỗi liên quan trực tiếp đến Trio: RuntimeWarning xuất hiện khi một coroutine không được await, TypeError xuất hiện khi một hàm Trio nhận coroutine object thay vì async function. Những lỗi này buộc người lập trình phải hiểu các khái niệm cốt lõi — cách Trio xử lý coroutines và cách dùng từ khóa await — chính xác là những gì bài kiểm tra đánh giá. Dù nhóm AI cũng gặp lỗi, số lỗi liên quan đến Trio ít hơn rất nhiều.

Với nhóm control, tần suất gặp lỗi cao hơn dẫn đến nhiều tư duy phản biện hơn về những gì đang xảy ra trong code và cách sử dụng thư viện mới. Hơn nữa, việc liên tục gặp lỗi đặc thù của Trio đảm bảo rằng các khái niệm cụ thể này được tiếp thu trong quá trình hoàn thành task. Hai sự khác biệt này cùng gợi ý rằng gặp lỗi có thể đóng vai trò then chốt trong quá trình hình thành kỹ năng lập trình. Hơn nữa, động lực ban đầu của nghiên cứu — bảo tồn kỹ năng debugging — có thể phụ thuộc vào việc các kỹ năng này được hình thành mà không cần dựa vào AI.

Nếu chúng ta phải chắt lọc, insight cốt lõi ở đây là: AI không chỉ giúp tránh lỗi — nó loại bỏ một kênh học tập quan trọng. RuntimeWarning khi quên await, TypeError khi truyền coroutine thay vì async function — mỗi lỗi này là một micro-lesson buộc người lập trình phải hiểu cách thư viện hoạt động ở mức sâu nhất. Nhóm dùng AI “thoát” khỏi những lỗi này, nhưng đồng thời cũng thoát khỏi bài học mà lỗi mang lại.

Nguyên lý này không chỉ đúng trong lập trình. Trong y khoa, bác sĩ nội trú học nhiều nhất từ những ca khó — những ca mà chẩn đoán ban đầu sai, buộc họ phải nghĩ lại từ đầu. Trong thể thao, cầu thủ phát triển nhanh nhất khi đối mặt với đối thủ mạnh hơn mình — khi bị phá vỡ chiến thuật và phải tìm cách mới. Lỗi, thất bại, friction — chúng không phải chướng ngại trên đường học, mà là chính con đường.

Thời gian viết code thực: thước đo bị bỏ quên

Phần lớn các nghiên cứu về AI và năng suất đo tổng thời gian hoàn thành task. Nhưng tổng thời gian che giấu một sự thay đổi cấu trúc quan trọng: thời gian thực sự viết code (active coding time) đã bị co lại đáng kể ở nhóm dùng AI.

Nhóm không dùng AI dành phần lớn thời gian cho việc viết, chạy, sửa code — một chu trình liên tục buộc họ phải tương tác trực tiếp với ngôn ngữ và thư viện. Nhóm dùng AI chuyển phần lớn thời gian đó sang đọc và hiểu output của AI — một hoạt động khác về bản chất. Sự dịch chuyển từ “làm” sang “đọc” này cũng đã được Becker et al. ghi nhận trong các nghiên cứu trước đó.

Nhưng có một nghịch lý thú vị: trong cả hai nhóm, những người dành nhiều active coding time hơn lại có điểm thấp hơn. Tại sao? Vì lập trình viên giỏi hơn viết code nhanh hơn — họ cần ít thời gian hơn để hoàn thành cùng một task nhờ kiến thức nền tốt hơn. Active coding time ở đây phản ánh trình độ đầu vào, không phải mức độ nỗ lực. Điều quan trọng không phải là bao lâu, mà là làm gì trong khoảng thời gian đó.

Tiếng nói từ chính người tham gia

Phản hồi của người tham gia cho thấy một chiều sâu mà số liệu không nắm bắt được. Khoảng một phần tư người tham gia để lại nhận xét sau khi hoàn thành bài tập và kiểm tra.

Nhóm không dùng AI có phản hồi tích cực đáng ngạc nhiên: họ thấy bài tập thú vị, hướng dẫn task giúp họ hiểu Trio tốt. Nhóm dùng AI thì ngược lại — nhiều người thừa nhận ước mình đã chú ý hơn đến chi tiết của thư viện, đã đọc kỹ code được generate hơn, hoặc đã yêu cầu giải thích sâu hơn. Cụ thể, có người tự mô tả mình là “lazy” và nhận ra rằng “there are still a lot of gaps in (their) understanding”.

Đây là một dạng meta-cognition (nhận thức về chính quá trình nhận thức của mình): người dùng AI biết họ đã không học được nhiều, nhưng trong lúc làm task, áp lực hoàn thành nhanh đã đẩy họ về phía delegation. Sentiment tổng thể của nhóm control tích cực hơn nhóm treatment — mặc dù cả hai nhóm làm cùng task, cùng bài kiểm tra. Trải nghiệm tự mình giải quyết vấn đề, dù khó hơn, lại mang lại cảm giác thoả mãn hơn.

Bức tranh rộng hơn: khi nghiên cứu chạm đến thực tế

Phát hiện chính của nghiên cứu này — AI giảm skill formation khi học kỹ năng mới — có hàm ý vượt ra khỏi phòng thí nghiệm. Trong bối cảnh thực tế, khoảng cách giữa nhóm high-scoring patterns (65-86% quiz score) và low-scoring patterns (24-39% quiz score) đặt ra câu hỏi: ai sẽ chọn con đường nào?

Giả định ẩn ở đây là mọi người có quyền tự do chọn cách tương tác với AI. Nhưng trong môi trường doanh nghiệp, nơi deadline áp sát và KPI đo bằng output, junior developers chịu áp lực hoàn thành nhanh nhất có thể. Họ có đủ không gian để chọn Conceptual Inquiry thay vì AI Delegation không? Nghiên cứu không trả lời câu hỏi này — nhưng nó cho thấy rằng nếu tổ chức chỉ đo năng suất ngắn hạn mà bỏ qua skill formation, chi phí dài hạn có thể rất lớn.

Và ở chiều ngược lại, phát hiện về debugging đáng lo ngại nhất trong các lĩnh vực safety-critical. Nếu kỹ năng debugging — khả năng phát hiện và sửa lỗi — bị suy giảm vì AI đã loại bỏ quá trình gặp lỗi trong quá trình học, thì chính những người được giao nhiệm vụ giám sát code AI sẽ là người ít được trang bị nhất để làm điều đó. Đây là một vòng xoắn mà nghiên cứu chỉ mới bắt đầu chạm tới.

Nhưng cũng cần nói thẳng: cognitive engagement không phải là bỏ AI đi. Ba khuôn mẫu high-scoring đều dùng AI — chỉ là dùng theo cách vẫn buộc não bộ phải tham gia. Hỏi conceptual questions thay vì chỉ generate code. Yêu cầu giải thích kèm theo code. Generate trước rồi hỏi để hiểu. Mỗi cách đều tốn thêm thời gian, nhưng đổi lại là kiến thức thực sự được hình thành.

Những câu hỏi còn mở

Shen và Tamkin thẳng thắn về giới hạn của nghiên cứu — và chính sự thẳng thắn này mở ra những câu hỏi đáng suy ngẫm hơn bản thân kết quả.

Giới hạn lớn nhất có lẽ nằm ở dạng AI được sử dụng. Nghiên cứu dùng chat-based interface — nơi người dùng phải soạn câu hỏi, suy nghĩ về cách diễn đạt. Nhưng xu hướng đang chuyển nhanh sang agentic AI coding tools — công cụ tự viết code mà con người chỉ duyệt output cuối. Nếu chat interface — vốn buộc một mức cognitive engagement tối thiểu — đã gây suy giảm 17% kỹ năng, thì agentic tools sẽ tác động thế nào? Đây không phải câu hỏi giả — nó là câu hỏi cấp bách nhất mà nghiên cứu tiếp theo cần trả lời.

Giới hạn thứ hai liên quan đến thời gian. Skill formation thực tế diễn ra qua nhiều tháng, nhiều năm — không phải một giờ. Một thí nghiệm dọc (longitudinal study) theo dõi cùng nhóm người qua thời gian sẽ cho thấy liệu hiệu ứng suy giảm kỹ năng tích lũy hay tự điều chỉnh. Và ở chiều ngược lại: người tham gia là lập trình viên freelance, không có cùng động lực học như khi thư viện đó thực sự cần cho công việc. Nghiên cứu trong môi trường onboarding thực tế — nơi junior developer phải nắm vững kỹ năng mới — sẽ cho kết quả sát thực hơn.

Hai giới hạn kỹ thuật cũng đáng lưu ý. Nghiên cứu thu thập self-report về mức quen thuộc với AI nhưng không đo thực tế kỹ năng prompting — trong khi sáu khuôn mẫu cho thấy cách hỏi AI có thể quan trọng hơn việc có hỏi hay không. Và skill formation được đo qua quiz — một phương pháp có giá trị, nhưng không phải duy nhất. Nếu đánh giá bằng cách yêu cầu hoàn thành một task mới mà không có AI, kết quả có thể khác.

Cuối cùng, một counterfactual mà nghiên cứu chưa đặt ra: nếu thay AI bằng người hỗ trợ — pair programming, code review, mentoring — skill formation sẽ bị ảnh hưởng tương tự hay khác hoàn toàn? Câu hỏi này quan trọng vì nó phân tách hai biến: nhận hỗ trợ nói chung vs nhận hỗ trợ từ AI cụ thể.

Cognitive engagement — nguyên lý vượt qua lập trình

Nếu phải chắt lọc toàn bộ phân tích này về một nguyên lý, đó là: công cụ không quyết định kết quả học tập — mức độ tham gia nhận thức của người dùng mới quyết định. AI Delegation và Conceptual Inquiry đều dùng cùng một AI assistant, nhưng một bên đạt 24% và bên kia đạt trung bình cao nhất trong tất cả các khuôn mẫu.

Nghiên cứu cũng ghi nhận một tín hiệu đáng chú ý: các dịch vụ LLM lớn đã bắt đầu cung cấp learning modes (ví dụ ChatGPT Study Mode, Claude Code Learning / Explanatory mode) — những chế độ được thiết kế để AI hỗ trợ mà vẫn giữ cognitive engagement. Đây là hướng đi mà sáu khuôn mẫu trong nghiên cứu này gợi mở: không phải loại bỏ AI khỏi quá trình học, mà thiết kế lại cách AI tham gia.

Nhưng câu hỏi lớn nhất vẫn còn mở — và có lẽ sẽ định hình thập kỷ tới của giáo dục và phát triển nghề nghiệp: trong một thế giới mà AI ngày càng có thể làm thay nhiều hơn, chúng ta dựa vào điều gì để quyết định kỹ năng nào vẫn cần con người thực sự nắm vững? Những người tham gia nền kinh tế AI mới không thể chỉ quan tâm đến năng suất mà AI mang lại — họ phải quan tâm đến tính bền vững dài hạn của quá trình phát triển chuyên môn giữa làn sóng công cụ AI mới liên tục xuất hiện. Nếu ranh giới giữa “đủ hiểu để giám sát” và “không hiểu nhưng vẫn ký duyệt” tiếp tục mờ đi, thì sáu khuôn mặt trong nghiên cứu này không chỉ là phân loại học thuật — chúng là tấm gương phản chiếu cách mỗi chúng ta đang chọn quan hệ với công cụ mạnh nhất mà mình từng có.

Trong phần lớn quãng đời làm việc của mình, tôi luôn quan tâm đến cách trí óc hoạt động: làm thế nào con người hiểu nhau, vì sao họ không thể hiểu nhau, và do đâu trí tuệ đôi khi không chỉ nảy sinh bên trong một cá nhân. Trí tuệ nhân tạo đã khiến cho câu hỏi cũ này trở nên thiết thực hơn bao giờ hết.

Càng làm việc nhiều với các hệ thống AI, tôi càng không mấy quan tâm chúng thông minh đến mức nào, và càng quan tâm hơn đến điều gì xảy ra khi con người và AI bắt đầu suy nghĩ cùng nhau. Tôi không cho rằng AI có ý thức theo bất cứ tiêu chuẩn nào của con người. Ý tôi đơn giản và thực tế hơn: những hệ thống này giờ đây có thể tham gia vào các cuộc trao đổi định hình cách chúng ta suy luận, học hỏi, ra quyết định và đặt niềm tin.

Điều đó quan trọng vì AI không chỉ còn trong các phòng thí nghiệm hay công ty công nghệ. Nó đang đi vào trường học, văn phòng, bệnh viện, studio thiết kế, trung tâm chăm sóc khách hàng, và đời sống trực tuyến. Ngày càng thường xuyên hơn, con người không chỉ dùng AI để tìm kiếm thông tin, mà còn để hỗ trợ soạn thảo, so sánh, giải thích, tóm tắt, đặt câu hỏi và khám phá. Khi đó, vấn đề trung tâm không còn chỉ là bản thân cỗ máy, mà là sự tương tác.

Công nghệ trước đây đã mở rộng năng lực của con người theo những cách quen thuộc. Kính thiên văn mở rộng tầm nhìn. Động cơ mở rộng sức mạnh cơ bắp. Máy tính mở rộng khả năng tính toán. Nhưng AI thì khác, bởi vì nó hoạt động bằng ngôn ngữ. Nó trả lời câu hỏi, định hình lại ý tưởng, đưa ra lựa chọn thay thế và giải thích vấn đề. Vì thế, nó bắt đầu giống một cộng sự hơn là một công cụ thụ động.

Thay đổi này rất quan trọng. Khi một công nghệ bước vào lãnh địa ngôn ngữ, nó cũng bước vào thế giới xã hội của diễn giải, hiểu lầm, thuyết phục và niềm tin.

“Càng làm việc nhiều với các hệ thống AI, tôi càng ít quan tâm chúng thông minh đến mức nào, và càng quan tâm hơn điều gì xảy ra khi con người và AI bắt đầu suy nghĩ cùng nhau.”

— GS John Rust, Trung tâm Nghiên cứu Tương lai của Trí tuệ Nhân tạo, Đại học Cambridge

Theo tôi, niềm tin mới là vấn đề cốt lõi. Các cuộc tranh luận công khai về AI thường bắt đầu từ những vấn đề khác. Người ta nói về hiệu suất, cơ chế tự động hóa, khả năng cạnh tranh kinh tế hoặc liệu máy móc có thay thế con người. Tất cả đều là những câu hỏi hợp lý.

Nhưng bên dưới chúng là một câu hỏi căn bản hơn: lúc nào con người nên tin AI, và vì sao? Nếu chúng ta đặt niềm tin sai chỗ thì ngay cả những hệ thống mạnh mẽ nhất cũng thành ra lợi bất cập hại. Còn nếu đặt đúng, AI có thể trở nên một người đồng hành hữu ích trong suy nghĩ, học tập và giải quyết vấn đề.

AI là đối tác cùng suy nghĩ

Chúng ta thường nói về niềm tin như thể đó là một thuộc tính cố định, như thể một hệ thống luôn hoặc là đáng tin, hoặc là không. Nhưng trong đời sống hằng ngày, niềm tin hiếm khi vận hành như vậy. Niềm tin phát triển thông qua tương tác. Nó mạnh lên khi các câu trả lời phù hợp, chừng mực và đủ thận trọng. Nó yếu đi khi sự chắc chắn vượt quá độ tin cậy. Nó trở nên có chọn lọc hơn khi con người không chỉ đơn thuần chấp nhận câu trả lời mà còn biết đánh giá chúng. Nói cách khác, sự tin tưởng không chỉ là đánh giá của người dùng về cỗ máy, mà là mối quan hệ dần hình thành giữa họ và hệ thống theo thời gian.

Điều này đặc biệt quan trọng với AI vì sự trôi chảy trong diễn đạt có thể gây hiểu lầm. Một hệ thống có thể tỏ ra rất thuyết phục ngay cả khi nó đưa thông tin sai. Nó có thể trả lời duyên dáng nhưng sai, hoặc đưa ra bản tóm tắt cuốn hút nhưng bỏ sót điều cốt yếu. Mối nguy hiểm không đơn giản nằm ở sai sót. Con người vốn đã quen với sai sót. Nguy hiểm nằm ở sự tự tin đặt sai chỗ - cảm giác rằng ta đã hiểu, trong khi thực tế chỉ là thứ chúng ta nhận về đã được đơn giản hóa quá mức.

Bởi vậy, phân biệt AI như một công cụ hay như một đối thủ là quá đơn giản hóa vấn đề.

Trên thực tế, AI ngày càng trở thành một đối tác trong suy nghĩ. Sinh viên có thể yêu cầu một cách giải thích khác và nhờ đó hiểu ra điều mà sách giáo khoa chưa làm rõ. Giảng viên có thể tạo ra các ví dụ ở các trình độ khác nhau rồi điều chỉnh chúng cho phù hợp với nhu cầu học tập của sinh viên. Bác sĩ có thể sử dụng trí tuệ nhân tạo để phân loại các khả năng, dù vẫn dựa vào phán đoán chuyên môn của mình. Doanh nghiệp nhỏ có thể dùng AI để soạn thảo tài liệu, so sánh các phương án, hay tiết kiệm thời gian ở những công việc viết lách lặp đi lặp lại.

Trong tất cả những trường hợp nêu trên, giá trị không chỉ nằm ở kết quả, mà ở chất lượng của sự trao đổi.

“Tương lai của AI không chỉ phụ thuộc vào các mô hình mạnh hơn, mà còn vào những hình thức hợp tác tốt hơn.”

— John Rust

Trí tuệ con người phát triển nhờ tương tác

Tại điểm này, một sự thật sâu xa hơn về trí tuệ trở nên rõ ràng. Chúng ta thường nghĩ trí tuệ nằm hoàn toàn trong một cá nhân. Nhưng phần lớn trí tuệ con người luôn mang tính quan hệ. Một cuộc trò chuyện chất lượng có thể khiến chúng ta suy nghĩ sáng rõ hơn so với khi một mình. Một người thầy giỏi có thể khơi gợi một hiểu biết mà trước đó chỉ tồn tại mơ hồ. Hai đồng nghiệp suy nghĩ nghiêm túc cùng nhau có thể đi đến một ý tưởng mà không ai đạt được một mình. Trong những khoảnh khắc như vậy, trí tuệ không nằm trọn ở một nơi. Nó xuất hiện thông qua tương tác.

Giờ đây, điều tương tự có thể đang diễn ra qua sự tương tác giữa con người và AI. Chất lượng của kết quả trả về cho người dùng không chỉ phụ thuộc vào năng lực bên trong của hệ thống AI. Nó còn phụ thuộc vào cách đặt câu hỏi, cung cấp bối cảnh, chuỗi trao đổi tiếp theo và sự sắc sảo của người đưa ra các câu lệnh, cũng như cách hệ thống thể hiện sự chắc chắn hay không chắc chắn. Những khác biệt nhỏ trong các yếu tố này có thể dẫn đến các kết quả rất khác nhau. Một cuộc trao đổi trở nên rõ ràng, mạch lạc và hữu ích. Một cuộc khác thành ra hời hợt, tự tin thái quá hoặc gây hiểu nhầm. Sự khác biệt thường không chỉ nằm ở việc máy “biết” gì, mà ở quá trình diễn ra tương tác.

Sử dụng AI có phương pháp

Nếu điều đó đúng thì tương lai của AI không chỉ phụ thuộc vào các mô hình mạnh hơn, mà còn vào những hình thức hợp tác tốt hơn. Chúng ta cần học cách suy nghĩ cùng với những hệ thống này mà không phó thác hoàn toàn cho chúng quyền đánh giá, ra quyết định.

Để làm được như vậy, tất cả chúng ta đều cần thay đổi. Với cá nhân, nó đòi hỏi một dạng học vấn mới. Con người cần biết cách đặt câu hỏi tốt hơn, kiểm tra câu trả lời, nhận ra sự không chắc chắn, và phát hiện khi máy tạo ra những điều nghe có vẻ hợp lý nhưng thực chất vô nghĩa. Việc sử dụng AI hiệu quả không dựa trên lòng tin ngây thơ hay sự hoài nghi tuyệt đối, mà cần tuân thủ các nguyên tắc hoặc phương pháp rõ ràng.

Với trường phổ thông và đại học, điều đó có nghĩa là không chỉ dạy sinh viên cách sử dụng mà cả cách phản biện AI. Sinh viên cần học cách so sánh câu trả lời của AI với các nguồn khác, đặt câu hỏi về những nội dung còn thiếu, nhận ra khi một bản tóm tắt quá trơn tru, và hiểu rằng một câu trả lời trôi chảy không đồng nghĩa với hiểu biết sâu sắc. Mục tiêu không phải để loại bỏ các công cụ hỗ trợ suy nghĩ, mà nhằm xây dựng những thói quen tư duy mạnh mẽ hơn khi sử dụng chúng.

Với các ngành nghề, cần xây dựng các chuẩn mực về kiểm chứng và trách nhiệm. Trong lĩnh vực y học, luật pháp, khoa học và báo chí, AI có thể hữu ích, nhưng không được phép trở thành một nguồn thẩm quyền không được kiểm soát. Ở những nơi có rủi ro cao, trách nhiệm vẫn thuộc về con người. Nguyên tắc này cần được làm rõ.

Với các nhà thiết kế và công ty AI, họ cần nhận ra rằng vấn đề không chỉ nằm ở chỗ làm cho hệ thống mạnh hơn, mà còn là làm cho chúng đáng tin cậy hơn. AI cần thể hiện sự không chắc chắn một cách trung thực. Nó cần giúp người dùng thấy được cơ sở của câu trả lời, những điểm còn mơ hồ và cần thận trọng. Một hệ thống có vẻ kém ấn tượng hơn nhưng minh bạch hơn có thể tốt hơn cho xã hội so với một hệ thống gây choáng ngợp nhưng âm thầm khuyến khích sự tin tưởng quá mức.

Với chính phủ và các định chế công, cần xem niềm tin như một vấn đề xã hội. Khi mỗi ngày có hàng triệu người tìm đến AI để hỗ trợ suy nghĩ, giải thích vấn đề và ra quyết định thì không thể để chất lượng của mối quan hệ này phát triển một cách ngẫu nhiên. Chính sách công cần chú trọng không chỉ đến đổi mới và cạnh tranh, mà còn cả tác động của AI đối với giáo dục, tư duy cộng đồng và sự phân bổ niềm tin trong xã hội.

Một văn hóa AI được thiết kế kém có thể khiến con người trở nên thụ động, dễ bị thao túng và phụ thuộc. Ngược lại, nếu được thiết kế tốt, nó có thể mở rộng khả năng tiếp cận tri thức và giúp nhiều người tương tác hiệu quả hơn với AI.

Chúng ta thực sự đang đứng trước các lựa chọn. Chúng ta có thể xem AI như một đối thủ và sống trong nỗi lo sẽ bị nó thay thế. Hoặc chúng ta có thể xem nó như một ngôi đền thiêng và dần trở nên phụ thuộc. Nhưng cả hai cách nhìn này đều khuyết thiếu.

Con đường tốt hơn là coi AI như một thành phần mạnh nhưng không hoàn hảo trong đời sống nhận thức của con người: thứ mà trong những điều kiện phù hợp có thể hỗ trợ hiểu biết nhưng không thay thế trách nhiệm.

Nếu đi theo con đường đó thì niềm tin không còn mù quáng hay vô cớ. Vì vậy, tương lai của AI có thể phụ thuộc ít hơn vào việc các cỗ máy trở nên ấn tượng đến mức nào khi đứng riêng lẻ, và nhiều hơn vào việc con người có gây dựng được những mối quan hệ thông minh với chúng hay không.

Đó là lý do tôi tin rằng câu hỏi quan trọng nhất về AI không còn đơn giản là “Máy móc thông minh đến mức nào?” mà là: “Những kiểu dạng suy nghĩ nào trở nên khả thi khi con người và AI làm việc cùng nhau - và niềm tin nào sẽ khiến mối hợp tác đó trở nên khôn ngoan chứ không nguy hiểm?” Nếu chúng ta có thể trả lời tốt câu hỏi này, AI không chỉ trở nên mạnh hơn, mà còn thực sự hữu ích hơn đối với đời sống con người.

Bài viết do GS John Rust gửi sau khi ông đọc và thảo luận với Tia Sáng về bài viết ‘Loài AI’ hiểu gì về loài người? của Trần Hữu Nhân. Ông tự dịch bài viết của mình sang tiếng Việt bằng AI. Tia Sáng đã kiểm tra và hiệu đính dựa trên bản gốc tiếng Anh.

Link đăng ký tư vấn lộ trình cá nhân hoá học AI Ứng Dụng cho lãnh đạo, quản lý cấp trung: coach.ai.vn

Link đăng ký nhận học bổng Luyện AI (33 ngày): đăng ký

Kỹ sư phần mềm dùng AI trong khoảng 60% công việc, nhưng chỉ “giao phó hoàn toàn” được 0-20% số task. Con số này cho thấy điều mà nhiều người hiểu sai: AI không thay thế lập trình viên, mà biến họ thành người điều phối.

Báo cáo 2026 Agentic Coding Trends Report của Anthropic xác định 8 xu hướng chia thành 3 nhóm

1. Nền tảng (cách phát triển phần mềm thay đổi)

2. Năng lực (agent làm được gì)

3. Tác động (ảnh hưởng tới doanh nghiệp)

Dưới đây là phân tích từng xu hướng, kèm dữ liệu và case study cụ thể.

1. Vòng đời phát triển phần mềm rút ngắn từ tuần xuống giờ

Từ machine code đến assembly, đến C, rồi ngôn ngữ bậc cao, mỗi lớp trừu tượng thu hẹp khoảng cách giữa ý tưởng và thực thi. Bước gần nhất là hội thoại người-máy. Năm 2025, agentic AI thay đổi cách phần lớn developer viết code. 2026 là năm mà tác động hệ thống của bước chuyển này cấu trúc lại toàn bộ SDLC.

Vai trò kỹ sư dịch chuyển từ “người viết code” sang “người điều phối agent.” Giá trị đóng góp tập trung vào thiết kế kiến trúc, phân rã bài toán, đánh giá chất lượng output, và ra quyết định chiến lược. Kỹ sư nào thành thạo điều phối có thể đồng thời dẫn dắt nhiều tính năng qua pipeline phát triển, thay vì chỉ phát triển từng cái một.

Onboarding cũng thay đổi. Thời gian làm quen codebase mới giảm từ tuần xuống giờ. Doanh nghiệp có thể đưa kỹ sư vào dự án cần kiến thức chuyên sâu mà không mất thời gian làm quen truyền thống. Augment Code một startup xây công cụ phát triển AI cho hệ thống networking và database, đã giúp một khách hàng enterprise hoàn thành dự án trong 2 tuần, so với ước tính ban đầu 4-8 tháng của CTO.

2. Agent đơn lẻ tiến hóa thành đội agent phối hợp

Workflow agent đơn xử lý task tuần tự trong một context window. Kiến trúc multi-agent dùng kiến trúc điều phối các agent chuyên biệt làm việc song song, mỗi agent có context riêng, rồi tổng hợp kết quả.

Năm 2026, tổ chức sẽ khai thác nhiều agent cùng hợp tác để xử lý mức độ phức tạp khó hình dung chỉ một năm trước. Điều này đòi hỏi kỹ năng mới: phân rã task, chuyên biệt hóa agent, và giao thức phối hợp.

Case study: Fountain, nền tảng quản lý lực lượng lao động, đạt tốc độ sàng lọc ứng viên nhanh hơn 50%, onboarding nhanh hơn 40%, và tỷ lệ chuyển đổi ứng viên tăng gấp 2 bằng multi-agent với Claude. Kiến trúc phân cấp cho phép một khách hàng logistics cắt thời gian tuyển đủ nhân sự cho trung tâm xử lý đơn hàng mới từ hơn 1 tuần xuống dưới 72 giờ.

3. Agent chạy dài xây dựng hệ thống hoàn chỉnh

Agent thế hệ đầu xử lý task vài phút: sửa bug, viết function, tạo test. Cuối 2025, agent đã sản xuất toàn bộ tính năng trong vài giờ. 2026, agent có thể làm việc liên tục nhiều ngày, xây ứng dụng và hệ thống hoàn chỉnh với sự giám sát con người tập trung vào các điểm quyết định chiến lược.

Hệ quả kinh tế đáng chú ý: dự án trước đây không khả thi giờ trở nên khả thi. Technical debt tích lũy nhiều năm vì không ai có thời gian xử lý, giờ được agent dọn dẹp có hệ thống. Startup có thể đi từ ý tưởng đến ứng dụng triển khai trong ngày thay vì tháng.

Case study: Tại Rakuten, kỹ sư thử nghiệm Claude Code với task phức tạp: triển khai phương pháp trích xuất activation vector trong vLLM, thư viện open-source 12,5 triệu dòng code. Claude Code hoàn thành toàn bộ trong 7 giờ làm việc tự chủ, đạt độ chính xác 99,9% so với phương pháp tham chiếu.

4. Giám sát con người mở rộng qua cộng tác thông minh

Phát triển năng lực có giá trị nhất trong 2026 có lẽ không phải agent làm được nhiều hơn, mà là agent học được khi nào cần hỏi. Thay vì cố gắng xử lý mọi task, agent nhận ra tình huống cần phán đoán con người, đánh dấu vùng không chắc chắn, và nâng cấp quyết định có tác động kinh doanh.

Nghịch lý cộng tác: Nghiên cứu nội bộ Anthropic cho thấy kỹ sư dùng AI trong ~60% công việc nhưng chỉ “giao phó hoàn toàn” một phần nhỏ. Mâu thuẫn này giải quyết khi hiểu rằng cộng tác AI hiệu quả đòi hỏi sự tham gia chủ động của con người. Kỹ sư có xu hướng giao những task dễ kiểm chứng hoặc rủi ro thấp. Task càng phức tạp về mặt thiết kế, càng có khả năng được giữ lại hoặc làm cùng AI thay vì giao hẳn.

Như một kỹ sư Anthropic chia sẻ: “Tôi chủ yếu dùng AI cho những trường hợp tôi biết đáp án nên trông như thế nào. Khả năng đó tôi có được nhờ làm kỹ thuật phần mềm ‘theo cách khó.’”

Case study: CRED, nền tảng fintech phục vụ hơn 15 triệu người dùng tại Ấn Độ, triển khai Claude Code xuyên suốt vòng đời phát triển. Tốc độ thực thi tăng gấp đôi, không phải bằng cách loại bỏ con người, mà bằng cách chuyển developer sang công việc giá trị cao hơn.

5. Agentic coding mở rộng sang bề mặt và người dùng mới

Làn sóng đầu của agentic coding tập trung giúp kỹ sư chuyên nghiệp làm nhanh hơn trong môi trường quen thuộc. 2026, agentic coding mở rộng sang bối cảnh mà công cụ truyền thống không chạm tới: từ ngôn ngữ legacy như COBOL, Fortran đến giao diện sử dụng mới dân chủ hóa truy cập cho người ngoài ngành.

Phân tích cách các team dùng AI cho thấy pattern nhất quán: người ta dùng AI để tăng cường chuyên môn cốt lõi đồng thời mở rộng sang lĩnh vực liền kề. Team bảo mật phân tích code lạ. Team nghiên cứu xây công cụ trực quan hoá dữ liệu. Nhân viên không chuyên kỹ thuật debug vấn đề mạng hoặc phân tích dữ liệu.

Ranh giới giữa “người viết code” và “người không viết code” ngày càng mờ. Legora, nền tảng pháp lý AI, cho phép luật sư tạo hệ thống tự động phức tạp mà không cần kiến thức kỹ thuật. CEO Max Junestrand nhận xét Claude “xuất sắc trong việc tuân theo hướng dẫn và xây dựng agent workflow.”

6. Năng suất tái định hình kinh tế phát triển phần mềm

Ba yếu tố nhân (multiplier) tạo tăng tốc: năng lực agent, cải thiện điều phối, và kinh nghiệm con người kết hợp tạo bước nhảy thay vì tăng tuyến tính, vì mỗi yếu tố kích hoạt yếu tố còn lại.

Nghiên cứu nội bộ Anthropic phát hiện pattern thú vị: kỹ sư báo cáo giảm ròng thời gian mỗi task, nhưng tăng ròng lớn hơn nhiều về khối lượng output. AI tăng năng suất chủ yếu qua khối lượng đầu ra, không chỉ tốc độ. Nhiều feature hơn, nhiều bug fix hơn, nhiều thử nghiệm hơn.

Con số đáng chú ý: khoảng 27% công việc có AI hỗ trợ là task lẽ ra không ai làm: mở rộng dự án, xây tool nice-to-have như bảng điều khiển tương tác, và công việc khám phá không đáng chi phí nếu làm thủ công. Kỹ sư sửa nhiều “lỗi nhỏ” hơn, những vấn đề nhỏ cải thiện chất lượng sống nhưng thường bị hạ độ ưu tiên.

Case study: TELUS, công ty viễn thông hàng đầu, tạo hơn 13.000 giải pháp AI tùy chỉnh, tăng tốc ship code 30%. Tiết kiệm hơn 500.000 giờ với trung bình 40 phút tiết kiệm mỗi lần tương tác AI.

7. Người không chuyên kỹ thuật tự xây giải pháp

Xu hướng đáng kể nhất 2026 có thể là sự tăng trưởng ổn định của agentic coding trong các team chức năng và quy trình kinh doanh. Chuyên gia domain, người hiểu sâu vấn đề, có thể tự khởi tạo giải pháp mà không cần gửi ticket rồi chờ team phát triển.

Case study: Zapier đã mở agent cho toàn bộ nhân viên. Team thiết kế dùng Claude để làm prototype nhanh ngay trong phỏng vấn khách hàng, hiển thị concept thiết kế real-time mà bình thường mất tuần để phát triển. Kết quả: 89% áp dụng AI toàn tổ chức, hơn 800 AI agent triển khai nội bộ.

Ngay tại Anthropic, team pháp lý giảm thời gian review marketing từ 2-3 ngày xuống 24 giờ. Một luật sư không có kinh nghiệm lập trình đã dùng Claude Code xây tool cá nhân phân loại vấn đề trước khi đến hàng đợi pháp lý.

8. Rủi ro “con dao 2 lưỡi” đòi hỏi kiến trúc bảo mật từ đầu

Agentic coding biến đổi bảo mật theo hai hướng cùng lúc. Khi model mạnh hơn, tích hợp bảo mật vào sản phẩm trở nên dễ dàng: bất kỳ kỹ sư nào cũng có thể dùng AI thực hiện security review, nâng cao bảo mật, và giám sát vốn trước đây cần chuyên gia. Nhưng đúng những năng lực giúp phòng thủ cũng giúp kẻ tấn công mở rộng quy mô.

Cán cân nghiêng về phía tổ chức có chuẩn bị. Team nào dùng agentic tool tích hợp bảo mật từ đầu sẽ có vị thế tốt hơn để phòng thủ trước đối thủ dùng cùng công nghệ.

Ưu tiên cho năm tới

Tám xu hướng hội tụ về một chủ đề trung tâm: phát triển phần mềm đang chuyển từ hoạt động viết code sang điều phối agent viết code, trong khi duy trì phán đoán, giám sát, và cộng tác con người đảm bảo chất lượng.

Bốn ưu tiên hành động cho 2026:

• Thành thạo điều phối multi-agent để xử lý độ phức tạp mà hệ thống đơn agent không đáp ứng được

• Mở rộng giám sát người-agent qua hệ thống review tự động, tập trung sự chú ý con người vào nơi quan trọng nhất

• Đưa agentic coding ra ngoài kỹ thuật để trao quyền cho chuyên gia domain ở mọi phòng ban

• Tích hợp kiến trúc bảo mật vào thiết kế hệ thống agentic ngay từ giai đoạn sớm nhất

Tổ chức coi agentic coding là ưu tiên chiến lược 2026 sẽ định nghĩa điều gì khả thi. Tổ chức coi nó là công cụ tăng năng suất đơn thuần sẽ phát hiện mình đang cạnh tranh trong trò chơi với luật mới.

Nguồn: https://resources.anthropic.com/hubfs/2026%20Agentic%20Coding%20Trends%20Report.pdf

Khác biệt từ tư duy “Neo chặt nguồn”

Điểm cốt lõi mà tài liệu này nhấn mạnh chính là cơ chế Grounding (Neo chặt nguồn) và RAG (Tạo sinh có truy xuất bổ trợ). Thay vì đưa ra những câu trả lời mơ hồ, NotebookLM được hướng dẫn để trích xuất dữ liệu trực tiếp từ nguồn tài liệu người dùng cung cấp. Điều này giúp loại bỏ tình trạng “ảo giác thông tin”, đảm bảo mọi phản hồi đều có trích dẫn cụ thể và minh bạch.

Từ chuẩn hóa kỹ thuật đến ứng dụng thực tiễn

Cẩm nang không chỉ dừng lại ở việc giới thiệu tính năng mà đi sâu vào quy trình vận hành chuyên nghiệp:

• Tối ưu hóa đầu vào: Hướng dẫn chuẩn hóa tên file theo tiêu chuẩn ISO và cấu hình System Prompt để định hình hành vi cho AI.

• Khai phá Studio: Biến dữ liệu thô thành các sản phẩm có cấu trúc như sơ đồ tư duy, thẻ ghi nhớ hoặc tóm tắt âm thanh/video.

• Hệ thống quản trị tri thức: Triển khai mô hình CAPTURE → CONNECT → CREATE, giúp chuyển đổi việc đọc hiểu thông thường thành một hệ sinh thái sáng tạo nội dung và nghiên cứu khoa học bền vững.

Bảo mật và Quản trị rủi ro

Một trong những điểm giá trị nhất của tài liệu là khung phân loại tài liệu 4 cấp độ. Đây là nền tảng quan trọng giúp các doanh nghiệp ra quyết định an toàn khi nạp dữ liệu lên nền tảng đám mây, đảm bảo quyền riêng tư và tuân thủ các chứng chỉ bảo mật quốc tế.

Với cấu trúc 14 chương hướng dẫn theo phương pháp “học qua thực hành”, cẩm nang này là chìa khóa để người dùng nâng cấp kỹ năng, từ mức cơ bản trở thành một kiến trúc sư tri thức thực thụ trong kỷ nguyên số.

Mời bạn cùng khám phá và tải tài liệu tại đây: NOTEBOOKLM FROM ZERO TO HERO

Link đăng ký tư vấn lộ trình cá nhân hoá học AI Ứng Dụng cho lãnh đạo, quản lý cấp trung: coach.ai.vn

Link đăng ký nhận học bổng Luyện AI (33 ngày): đăng ký

Tháng 12 năm ngoái, thay vì gửi một bảng câu hỏi nhàm chán, công ty Anthropic (nhà sáng tạo ra AI Claude) đã làm một việc đặc biệt: Họ cho AI phỏng vấn trực tiếp 81.000 người dùng trên toàn cầu, bằng 70 ngôn ngữ khác nhau. Câu hỏi chủ lõi rất ngắn gọn: Người dùng thực sự mong muốn và sợ AI điều gì?

Kết quả của cuộc “trưng cầu dân ý” lớn chưa từng có này đã vẽ ra một bức tranh không ngờ về tâm lý con người. Hóa ra, đằng sau những câu lệnh (prompt) có vẻ khô khan, chúng ta đang giấu những khao khát và nỗi sợ rất đời thường.

Chúng ta không thực sự khao khát “năng suất”

Khi mới được hỏi, câu trả lời quen thuộc nhất là: muốn làm việc nhanh hơn, viết báo cáo lẹ hơn. Ai cũng tỏ ra mình là một nhân viên chăm chỉ.

Nhưng khi AI hỏi vặn lại: “Bạn làm nhanh mọi thứ để làm gì?” thì sự thật mới lộ ra.

Đích đến cuối cùng không phải là làm được nhiều việc hơn cho sếp. Đích đến là thời gian để sống.

Nhìn biểu đồ trên, nếu cộng gộp lại, khoảng 35% mọi người muốn dùng AI để thoát khỏi guồng quay bận rộn. Họ muốn giao lại những việc vặt, nhớ lịch trình, hay kiếm tiền tự động cho máy móc, để bản thân có thời gian đón con, nấu ăn, hoặc đơn giản là được ngồi yên không làm gì cả.

Nơi con người vắng mặt, AI bước vào

Chi tiết gây ám ảnh nhất trong khảo sát này là 6% người dùng tìm đến AI để được hỗ trợ cảm xúc. Nghe có vẻ ít, nhưng câu chuyện của họ lại nặng nề nhất.

Đó là một người bệnh phải chịu cơn đau hằng đêm mà bác sĩ cũng bó tay.

Đó là những người dân Ukraine đang bơ vơ giữa vùng chiến sự.

Là một người phụ nữ vừa mất mẹ, không ai đủ kiên nhẫn để nghe bà khóc mỗi đêm.

Tại sao họ lại ôm một cỗ máy thay vì ôm một con người? Câu trả lời rất cay đắng: Khi mạng lưới quan hệ xã hội của chúng ta ngày càng đứt gãy và mọi người đều quá bận rộn với nỗi đau riêng, AI lại có đúng 3 thứ con người đang thiếu: Không bao giờ bận, không bao giờ mất kiên nhẫn, và không bao giờ phán xét.

Con người thà tâm sự với một đoạn mã vô cảm, còn hơn nếm trải cảm giác bị đám đông bỏ rơi.

Nỗi sợ “mất miếng cơm” lớn hơn mọi nỗi sợ viễn tưởng

Người ta vẫn hay làm phim về cảnh AI nổi dậy tiêu diệt trái đất. Nhưng 81.000 người này cực kỳ thực tế. Tỷ lệ sợ “AI hủy diệt nhân loại” nằm chót bảng (5%).

Thứ họ sợ nhất, đơn giản và trực tiếp nhất: mất chén cơm của mình.

Thống kê chỉ ra rằng (chiếm 22%), nỗi sợ AI cướp đi công việc chính là thứ quyết định thái độ của một người: Tại sao người ta lại thù ghét AI? Dễ hiểu thôi: Cả đời bạn mài giũa một kỹ năng, tự nhiên sau một đêm có cái máy làm tốt hơn bạn gấp trăm lần, gần như miễn phí.

Ai cũng rùng mình khi nghĩ đến câu nói của một người Mỹ tham gia khảo sát: “Trước đây, ô tô ra đời thay cho xe ngựa, còn bây giờ, con người sợ chính họ đang là những con ngựa.”

Bên cạnh đó, nỗi sợ mất đi chất riêng cũng rất lớn (22%). Khi mọi ý tưởng đều do máy tổng hợp lại, con người sợ kỹ năng cứng cáp của mình cuối cùng chỉ còn lại một màu xam xám, hao hao giống nhau, mờ nhạt đến vô nghĩa.

Nghịch lý: Vừa yêu, vừa sợ

Sự thật là, ai trong chúng ta cũng đang bị giằng xé. Một nửa muốn dùng AI, một nửa lại sợ nó.

Cứ nhìn vào bản thân bạn mà xem:

• Dùng AI để học: Bạn học rất nhanh (33%), nhưng dần dần bạn sợ vì thấy não mình lười suy nghĩ hẳn đi (17%).

• Hỏi AI để ra quyết định: AI gợi ý rất hay (22%), nhưng hễ tin nó lỡ nó trả lời sai một cái là hậu quả khó lường (37%). Đây là mục duy nhất mà tác hại lấn át luôn lợi ích, đặc biệt đúng với dân luật sư hay tài chính.

• Tiết kiệm thời gian: Dùng AI giúp bạn làm xong việc nhanh gấp đôi (50%). Kết quả? Công ty giao thêm gấp đôi việc cho bạn, và bạn chỉ thấy bận thêm chứ không thấy rảnh ra phút nào (19%).

Sử dụng AI như một cuộc giao dịch tốn kém. Nó cho chúng ta đúng thứ ta cần, nhưng chúng ta luôn phải đánh đổi bằng một phần sự sắc bén của trí não.

Trớ trêu nhất là các bạn Freelancer (Lao động tự do): Họ là nhóm được hưởng lợi nhiều nhất nhờ dùng AI làm thay nguyên một đội ngũ mười người. Nhưng cũng chính họ là nhóm lúc nào cũng nơm nớp lo làm sao chống lại các bạn Freelancer xài AI khác. Vừa là cần câu cơm, vừa là đối thủ.

5. Nước nghèo coi AI là “thang máy”, nước giàu coi AI là “camera an ninh”

Khi nhìn vào bản đồ của khảo sát, một thực tế thú vị hiện ra: Ai càng có nhiều thứ để mất, người đó càng sợ AI.

Ở các nước phương Tây phát triển (Mỹ, Châu Âu), mọi người rất đa nghi. Họ sợ bị kiểm soát quyền riêng tư, sợ công nghệ độc quyền, lo một cấu trúc “phong kiến dữ liệu” nơi vài siêu tập đoàn nắm hết mọi quyền lực tri thức.

Nhưng nếu mang ánh mắt u ám đó sang các nước đang phát triển (Châu Phi, Mỹ Latinh, một phần Châu Á), bạn sẽ thấy sự lạc quan đến ngỡ ngàng (~80%).

Ở những nơi giáo dục và các cơ hội làm giàu còn xa xỉ, AI không bị xem là kẻ trộm. Trái lại, AI được xem như một “chiếc thang máy” giúp họ nhảy cóc. Một doanh nhân nghèo có thể mở hệ thống kinh doanh mà chẳng cần qua trường lớp đắt đỏ nào. Quyền lực tri thức, nhờ AI, bỗng nhiên trở nên miễn phí và chia đều cho tất cả.

Với họ, thà bị máy móc thay thế còn hơn là không bao giờ có cơ hội nào.

Để không bị nuốt chửng

Cuộc trò chuyện giữa 81.000 người và AI đã khép lại, nhưng nó mở ra một chân lý cho chúng ta.

AI bản chất chỉ là tấm gương phản chiếu lại khao khát thoát khỏi sự mệt mỏi, và cả nỗi sợ trở nên thừa thãi của chính giống loài chúng ta.

Khi tất cả các bài viết, các bức ảnh trên Internet dần trở nên hoàn hảo (do AI viết ra xong tự AI lại lấy cái đó đi học tiếp), mọi thứ sẽ trở nên nhẵn thín, đẹp đẽ nhưng rỗng tuếch. Giá trị thật sự của con người lúc đó không nằm ở chỗ ai viết ra đoạn văn mượt mà hơn.

Giá trị nằm ở chỗ bạn dám không hoàn hảo. Nó nằm ở sự nhọn hoắt của tính cách cá nhân, ở vết trầy xước của kinh nghiệm sống thật, những thứ mà “con rắn đang tự ăn đuôi” mang tên AI sẽ vĩnh viễn không bao giờ có được bởi nó không đủ nhiều để biến thành một thuật toán trung bình.

Để không bị hòa tan, thay vì cố gồng mình tranh sức với tốc độ của máy tính, có lẽ đôi lúc chúng ta phải học cách tự vấp ngã theo cách của riêng mình.

Xem đầy đủ bài viết tại: What 81,000 People Want from AI

Link đăng ký tư vấn lộ trình cá nhân hoá học AI Ứng Dụng cho lãnh đạo, quản lý cấp trung: https://coach.ai.vn

Link đăng ký nhận học bổng Luyện AI (33 ngày): https://forms.gle/ybyiTTGjXgZP8jb79

Hầu hết mọi người dùng AI để học đều đang dùng sai cách. Mở ChatGPT lên, gõ “giải thích X cho tôi”, đọc xong rồi quên. Cách đó không khác gì tra Wikipedia, chỉ là phiên bản có chatbot trả lời thay.

Nhưng AI có thể làm được nhiều hơn thế rất nhiều. Nếu biết sắp xếp đúng, bạn có thể biến NotebookLM và Claude thành một hệ thống gia sư cá nhân: biết đọc tài liệu hộ, biết ra đề kiểm tra, biết chấm bài và chỉ ra chỗ bạn hiểu sai. Hai công cụ miễn phí, không cần cài đặt gì phức tạp.

Chúng ta cùng đi qua 6 bước nhé.

Gom tất cả nguyên liệu trước khi bắt đầu

Bước đầu tiên nghe có vẻ hiển nhiên nhưng nhiều người bỏ qua: gom hết tài liệu liên quan đến chủ đề bạn muốn học, rồi tải lên NotebookLM.

Slide bài giảng, sách giáo khoa, báo cáo nội bộ, đề thi cũ, bài nghiên cứu, transcript từ video YouTube. Bất kỳ thứ gì có liên quan đều đưa vào được.

Bạn thử nghĩ xem: nếu chỉ đưa vào một bài blog ngắn, NotebookLM cũng chỉ phân tích được ở mức bề mặt. Nhưng đưa vào cả chương sách lẫn slide lẫn bài nghiên cứu bổ trợ thì khác. Nó sẽ nhìn thấy những kết nối giữa các nguồn mà đọc từng tài liệu riêng lẻ bạn khó nhận ra. Chất lượng đầu vào quyết định chất lượng đầu ra.

Dùng một câu lệnh để vẽ bản đồ kiến thức

Tài liệu đã có, giờ mở NotebookLM và gõ đúng một câu:

“Dựa trên toàn bộ tài liệu tôi đã tải lên, hãy xác định 5 khái niệm cốt lõi mà người mới bắt đầu trong lĩnh vực này cần nắm trước tiên. Với mỗi khái niệm:

1. Giải thích bằng ngôn ngữ đơn giản như đang nói với người chưa biết gì

2. Cho một ví dụ cụ thể từ tài liệu để minh họa

3. Giải thích vì sao nó quan trọng (nếu không hiểu thì sẽ vướng ở đâu?)

4. Chỉ ra nó liên quan như thế nào tới 4 khái niệm còn lại

Cuối cùng, vẽ một sơ đồ quan hệ đơn giản giữa 5 khái niệm này (dạng text) và gợi ý thứ tự học hợp lý nhất.”

Prompt này buộc NotebookLM phải làm bốn việc cùng lúc: chọn lọc ý chính, đơn giản hóa ngôn ngữ, minh họa bằng ví dụ cụ thể, và vẽ ra mối liên hệ giữa các khái niệm. Phần “thứ tự học hợp lý” ở cuối giúp bạn biết nên bắt đầu từ đâu thay vì đọc ngẫu nhiên. Trong vài phút, bạn có một bản đồ kiến thức tổng thể kèm lộ trình học rõ ràng.

Xác định những điểm dễ hiểu sai

Có bản đồ kiến thức rồi, bước tiếp là tìm ra đâu là phần dễ gây nhầm lẫn nhất. Đây là chỗ mà người học hay tưởng mình hiểu, nhưng thực ra chỉ ghi nhớ bề mặt.

Prompt cần dùng:

“Trong chủ đề này, đâu là 3-5 nội dung mà người học thường hiểu sai hoặc chỉ hiểu hời hợt? Với mỗi nội dung:

1. Mô tả cách hiểu sai phổ biến (người ta thường nghĩ gì?)

2. Giải thích cách hiểu đúng ở mức bản chất

3. Đưa ra một câu hỏi kiểm tra nhanh: nếu trả lời được câu này nghĩa là đã hiểu thật sự

4. Chỉ ra phần nào trong tài liệu giải thích rõ nhất về nội dung này

Sắp xếp theo mức độ nghiêm trọng: cái nào hiểu sai sẽ gây hậu quả lớn nhất thì xếp trước.”

Bước này giúp bạn tập trung năng lượng đúng chỗ. Phần “câu hỏi kiểm tra nhanh” cho bạn cách tự đánh giá ngay lập tức, còn phần “sắp xếp theo mức nghiêm trọng” giúp biết nên ưu tiên ôn cái nào trước nếu thời gian có hạn.

Chuyển sang Claude để tạo bộ đề kiểm tra

NotebookLM giỏi phân tích tài liệu, nhưng Claude mạnh hơn trong việc tạo câu hỏi kiểm tra có chiều sâu. Đưa toàn bộ bản đồ kiến thức và danh sách điểm hay hiểu sai từ NotebookLM sang Claude, kèm câu lệnh:

“Bạn là giáo sư đại học đã dạy và kiểm tra sinh viên về chủ đề này trong 20 năm. Đây là bản đồ kiến thức và các điểm hay hiểu sai mà tôi đã tổng hợp: [DÁN NỘI DUNG TỪ NOTEBOOKLM].

Hãy tạo 20 câu hỏi kiểm tra, chia thành 3 nhóm:

• 7 câu nền tảng: kiểm tra hiểu đúng các khái niệm cốt lõi

• 8 câu ứng dụng: đưa ra tình huống thực tế, yêu cầu áp dụng kiến thức để phân tích hoặc giải quyết

• 5 câu tổng hợp: yêu cầu kết nối nhiều khái niệm, giải thích mối quan hệ, hoặc phản biện một quan điểm

Với mỗi câu hỏi, cho biết:

1. Câu trả lời đạt điểm 10/10 trông như thế nào

2. Câu trả lời chỉ đạt 5/10 thiếu gì so với câu hoàn hảo

3. Dấu hiệu cho thấy người trả lời đang hiểu sai bản chất”

Claude không chỉ ra đề. Nó còn cho bạn biết luôn khoảng cách giữa “hiểu bề mặt” và “hiểu thật sự” trông như thế nào. Phần “dấu hiệu hiểu sai” đặc biệt hữu ích vì nó giúp bạn nhận ra những lỗ hổng mà tự mình khó phát hiện.

Tự kiểm tra và lấp đầy lỗ hổng

Đây là bước nhiều người bỏ qua, nhưng lại tạo ra khác biệt lớn nhất.

Trả lời cả 20 câu hỏi mà không mở lại tài liệu. Viết ra giấy hoặc gõ vào file, sau đó gửi toàn bộ cho Claude:

“Đây là câu trả lời của tôi cho 20 câu hỏi kiểm tra: [DÁN CÂU TRẢ LỜI].

Hãy chấm điểm thẳng thắn theo thang 10. Với mỗi câu:

1. Cho điểm và giải thích ngắn gọn vì sao được/mất điểm

2. Nếu sai hoặc thiếu: chỉ ra chính xác tôi hiểu sai ở đâu, cách hiểu đúng là gì

3. Gợi ý một cách giải thích khác giúp tôi nhớ lâu hơn (analogy, ví dụ, hoặc cách liên hệ với điều tôi đã biết)

Cuối cùng, tổng hợp:

• Điểm trung bình và đánh giá tổng quan mức độ hiểu

• Top 3 lỗ hổng kiến thức nghiêm trọng nhất cần bổ sung ngay

• Gợi ý 5 câu hỏi bổ sung tập trung vào đúng những chỗ tôi còn yếu”

Lặp lại bước này cho đến khi mọi câu trả lời đều đúng. Phần “5 câu hỏi bổ sung” ở cuối là chìa khóa: mỗi vòng lặp, Claude tự động tạo ra đề mới nhắm đúng vào điểm yếu của bạn, nên bạn không cần quay lại làm lại 20 câu cũ. Mỗi vòng, kiến thức dày hơn rõ rệt vì bạn đang buộc não phải chủ động recall, đúng với cách mà khoa học nhận thức chứng minh là hiệu quả nhất cho việc ghi nhớ lâu dài.

Mô phỏng bài kiểm tra thực tế

Khoảng 24 giờ trước kỳ thi hoặc buổi làm việc quan trọng, chạy một vòng mô phỏng cuối:

“Bạn là giảng viên ra đề thi cho tôi. Tôi có [SỐ GIỜ] để chuẩn bị cho kỳ thi/buổi trình bày về chủ đề này. Đây là ghi chú học tập của tôi: [DÁN GHI CHÚ].

Hãy tạo một bài kiểm tra mô phỏng sát thực tế nhất có thể:

• 10 câu hỏi, giới hạn thời gian 45 phút

• Phân bổ: 4 câu kiến thức nền tảng, 4 câu ứng dụng, 2 câu phân tích/tổng hợp

• Mỗi câu ghi rõ thời gian khuyến nghị (ví dụ: 3 phút, 5 phút, 8 phút)

• Độ khó tương đương đề thi thật, không dễ hơn

Sau khi tôi trả lời, hãy:

1. Chấm điểm từng câu và tính tổng điểm /100

2. Đánh giá: với mức điểm này, tôi đã sẵn sàng chưa?

3. Nếu chưa sẵn sàng, cho tôi kế hoạch ôn tập cụ thể cho [SỐ GIỜ] còn lại: ôn gì, theo thứ tự nào, mỗi phần bao lâu”

Bước này giống như có giảng viên ngồi đối diện, ra đề rồi chấm bài trước ngày thi thật. Phần “kế hoạch ôn tập cụ thể” biến Claude từ người chấm bài thành người lên chiến lược cho bạn. Kết quả tốt thì bạn vào phòng thi với sự tự tin thật sự, không còn kiểu “hy vọng đề ra trúng phần mình ôn”.

Cả 6 bước này không tốn quá 2 tiếng cho một chủ đề. Và điều quan trọng nhất: bạn không cần đợi ai dạy. Tài liệu có sẵn, công cụ miễn phí, quy trình đã rõ. Bắt đầu được ngay hôm nay.

Một người bạn chia sẻ “10 công cụ AI miễn phí thay thế hoàn toàn nhân viên văn phòng.” Một bài báo cảnh báo “AI sẽ xoá sổ 40% việc làm trong 5 năm tới.” Một video hướng dẫn “Prompt ChatGPT để viết báo cáo trong 3 phút.” Một hội thảo online mời tham gia “Làm chủ AI trước khi quá muộn.”

Tắt điện thoại, vào máy tính. Lại thêm email từ một khoá học khác.

Nếu bạn cảm thấy mệt mỏi, bối rối, và đôi khi lo lắng mà không biết mình lo vì cái gì — bạn không cô đơn. Đó là trạng thái bình thường của hàng triệu người đang sống trong giai đoạn này. Một giai đoạn mà AI đang thay đổi thực sự, nhưng nhiễu thông tin về AI còn thay đổi nhanh hơn.

Những Nỗi Đau Không Ai Nói Thẳng Ra

1. Thông tin thật giả lẫn lộn đến mức không biết tin ai

Cùng một công cụ AI, người này nói “tuyệt vời, thay đổi cuộc đời tôi”, người kia nói “vô dụng, tôi đã thử và thất vọng.” Cùng một xu hướng AI, chuyên gia A bảo đây là tương lai, chuyên gia B bảo đây là bong bóng sắp vỡ.

Vấn đề không phải vì người ta cố tình nói sai. Vấn đề là AI đang phát triển nhanh đến mức kiến thức của ngày hôm qua có thể đã lỗi thời vào ngày hôm nay. Một bài viết từ 6 tháng trước về “công cụ AI tốt nhất” có thể đang dẫn bạn đến những sản phẩm đã ngừng hoạt động hoặc đã bị thay thế hoàn toàn.

Hậu quả? Bạn không biết đâu là nền tảng kiến thức đáng đầu tư. Bạn đọc nhiều, nghe nhiều, nhưng mỗi lần đọc xong lại thấy mình biết ít hơn.

2. Liên tục bị doạ là sẽ thụt lùi, bị bỏ lại

“Nếu bạn không học AI ngay bây giờ, bạn sẽ mất việc.” “Những người không dùng AI đang thua kém đối thủ từng ngày.” “5 năm nữa, chỉ có 2 loại người: người dùng AI và người bị AI thay thế.”

Những câu như thế này xuất hiện nhan nhản — trên mạng xã hội, trong các hội nhóm kinh doanh, thậm chí trong các buổi họp nội bộ công ty. Và dù bạn hiểu rõ đây phần lớn là chiêu thức marketing, cảm giác lo lắng vẫn len lỏi vào mỗi buổi tối.

Sự lo lắng đó không giúp bạn học tốt hơn. Nó chỉ khiến bạn mua thêm khoá học, đăng ký thêm công cụ, rồi lại không dùng vì không biết bắt đầu từ đâu.

3. Quá nhiều công cụ, không biết chọn cái nào

ChatGPT, Gemini, Claude, Copilot, Grok, Perplexity, Midjourney, Runway, Notion AI, Gamma, Make, Zapier... Danh sách này chưa bao gồm hàng trăm công cụ AI chuyên biệt cho từng ngành: y tế, giáo dục, pháp lý, tài chính, thiết kế, marketing.

Mỗi tuần lại có thêm công cụ mới được quảng cáo là “game changer.” Bạn thử một cái, chưa quen thì đã thấy người ta nói cái khác hay hơn. Bạn chưa kịp làm chủ cái cũ, cái mới đã ra đời.

Kết quả là bạn có tài khoản ở khắp nơi nhưng không thực sự dùng sâu được cái nào.

4. Học xong không áp dụng được vào công việc thực tế

Đây là nỗi đau ít được nói đến nhất nhưng lại phổ biến nhất. Bạn tham gia một khoá học AI, nghe giảng viên demo rất ấn tượng. Về nhà tự thử, kết quả khác hoàn toàn. Bạn không hiểu tại sao cùng một câu hỏi mà người ta ra kết quả đẹp còn mình thì không.

Lý do thường không phải vì bạn kém. Lý do là vì hầu hết khoá học AI được thiết kế theo kiểu “demo phổ thông” — ví dụ chung chung, không liên quan đến lĩnh vực bạn đang làm việc. Khi về thực tế, bạn phải tự dịch ngữ cảnh, tự điều chỉnh, và nếu không có nền tảng tư duy đúng, bạn sẽ bị lạc ngay từ bước đầu tiên.

5. Cảm giác phải chạy theo mà không biết mình đang chạy đến đâu

Đây là cảm giác kiệt sức đặc trưng của thời AI: bận rộn liên tục nhưng không có cảm giác tiến bộ thực sự. Bạn đọc nhiều, thử nhiều, nghe nhiều — nhưng khi ai đó hỏi “bạn đang ứng dụng AI như thế nào trong công việc?”, bạn lại không có câu trả lời rõ ràng.

Vấn đề cốt lõi không phải thiếu thông tin. Vấn đề là thiếu hệ thống để tiếp thu và chuyển hoá thông tin đó thành năng lực thực sự.

Vấn Đề Không Phải Ở Công Cụ — Mà Ở Cách Bạn Tư Duy

Nếu nhìn lại tất cả các nỗi đau trên, bạn sẽ thấy một mẫu chung: tất cả đều xuất phát từ việc tiếp cận AI theo chiều rộng thay vì chiều sâu. Chạy theo công cụ thay vì xây dựng tư duy. Thu thập thông tin thay vì phát triển khả năng phán đoán.

Điều này đặc biệt nghiêm trọng với nhóm lãnh đạo và quản lý — những người không cần biết cách lập trình AI, nhưng cần hiểu AI đủ sâu để ra quyết định chiến lược đúng. Họ cần biết: nên đầu tư vào AI nào? Đâu là rủi ro thực sự? Đội ngũ của họ nên học gì? Quy trình nào nên được tự động hoá, quy trình nào không?

Những câu hỏi này không có lời giải trong một video YouTube hay một khoá học đại trà 10 buổi. Chúng cần được trả lời dựa trên bối cảnh cụ thể của từng người, từng tổ chức.

Giải Pháp: Không Phải Thêm Khoá Học — Mà Là Một Người Đồng Hành Đúng

Chương trình AICI – AI Core Intelligence được xây dựng từ nhận thức đó.

AICI không phải khoá học kỹ thuật. Không có slide bài giảng đại trà. Không có bài tập chung chung cho tất cả mọi người. Đây là chương trình huấn luyện 1:1 được thiết kế hoàn toàn theo nhu cầu, lĩnh vực và mục tiêu của từng học viên.

Ths. Lương Tiến Hiệp, người dẫn dắt chương trình, tiếp cận AI từ góc nhìn Tư Duy Hệ Thống — giúp học viên không chỉ biết dùng AI mà còn hiểu tại sao, khi nào, và dùng cái nào phù hợp với từng mục tiêu cụ thể. Thay vì cố gắng theo kịp mọi công cụ mới, bạn sẽ xây dựng được một khung tư duy vững chắc để tự đánh giá và lựa chọn — dù công cụ có thay đổi ra sao.

Mỗi buổi học còn có sự đồng hành của các Coach AI có nền tảng kỹ thuật và công nghệ, đảm bảo bạn được tối ưu hoá cách dùng công cụ ngay trong ngữ cảnh công việc thực tế của mình — không phải demo trên ví dụ tưởng tượng.

Chương trình được thiết kế như thế nào?

Tổng thời lượng 12 giờ học trong 2 tháng, lịch học linh hoạt hoàn toàn theo thời gian của bạn. Cứ hai tuần một lần, bạn nhận tài liệu được thiết kế riêng — không phải tài liệu chung chung, mà là nội dung bám sát lĩnh vực chuyên môn bạn đang làm việc, kèm theo những công cụ AI phù hợp nhất cho ngành đó.

Ngoài ra, AICI còn kết nối bạn với mạng lưới chuyên gia AI phù hợp — để khi bạn cần đi sâu hơn vào một lĩnh vực cụ thể, bạn biết chính xác nên tìm ai.

AICI đặc biệt phù hợp với:

Lãnh đạo, quản lý cấp trung và cấp cao cần xây dựng tư duy AI chiến lược — không phải để tự làm kỹ thuật, mà để dẫn dắt tổ chức đi đúng hướng trong kỷ nguyên AI.

Phụ huynh muốn chủ động đồng hành cùng con trong việc học AI — an toàn, có định hướng, không bị cuốn vào những nội dung không phù hợp.

Nhà nghiên cứu và người hoạt động cộng đồng cần ứng dụng AI vào công việc chuyên môn một cách có hệ thống và bền vững.

Đã Đến Lúc Dừng Chạy Theo — Và Bắt Đầu Đi Đúng Hướng

Bạn không cần học tất cả mọi thứ về AI. Bạn không cần thử mọi công cụ. Bạn không cần lo lắng mỗi khi thấy một bài viết mới về “AI sẽ thay đổi thế giới.”

Điều bạn cần là một nền tảng tư duy đủ vững để nhìn rõ bức tranh lớn, và một người đồng hành đủ am hiểu để giúp bạn đi đúng từng bước — theo đúng hoàn cảnh, đúng mục tiêu, đúng lúc.

Đó là điều AICI được xây dựng để làm.

Tìm hiểu thêm về chương trình AICI và đăng ký tư vấn 1:1 tại coach.ai.vn
Mỗi thời điểm chúng tôi chỉ nhận tối đa 5 học viên để đảm bảo chất lượng huấn luyện 1:1

Khi công nghệ phản chiếu bất bình đẳng

Chúng ta đang sống trong khoảnh khắc lịch sử khi AI không còn là công nghệ xa vời mà đã len lỏi vào từng khía cạnh của đời sống và công việc. Tuy nhiên, đằng sau những lời hứa hẹn về năng suất vượt trội, một thực tế đáng báo động đang diễn ra: AI đang vô tình khuếch đại những bất bình đẳng giới tồn tại từ hàng thế kỷ, biến cuộc cách mạng công nghệ thành một thách thức bất đối xứng đối với phụ nữ.

Nghịch lý của tự động hóa

Một nghịch lý đau đớn đang hiện hữu, chính những ngành nghề mà phụ nữ chiếm ưu thế lại là những ngành dễ bị AI thay thế nhất. Theo báo cáo của Tổ chức Lao động Quốc tế (ILO, 2025), có tới 9,6% công việc của phụ nữ đối mặt với nguy cơ bị chuyển đổi hoàn toàn bởi AI, trong khi con số này ở nam giới chỉ là 3,5%.

Nguyên nhân nằm ở phân bố lao động theo giới: phụ nữ tập trung đông ở các vị trí văn thư, trợ lý hành chính, kế toán cơ bản và dịch vụ khách hàng – những công việc có tính chất lặp lại và dễ bị lập trình hóa.
Ngược lại, nam giới chiếm tỷ lệ cao hơn trong các ngành nghề thủ công, xây dựng và vận hành máy móc phức tạp – những lĩnh vực mà AI hiện tại khó có thể thay thế hoàn toàn.

Điều này không phải sự trùng hợp ngẫu nhiên mà là hậu quả của một cấu trúc lao động bất bình đẳng lâu đời. Và giờ đây, AI đang biến những rào cản vô hình thành những bức tường thực sự, đe dọa đẩy lùi những tiến bộ về vị thế kinh tế mà phụ nữ đã đạt được trong nhiều thập kỷ qua.

Bậc thang đứt gãy trong kỷ nguyên số

Bất bình đẳng không chỉ biểu hiện qua nguy cơ mất việc, mà còn thấm đẫm trong toàn bộ lộ trình thăng tiến nghề nghiệp. Nghiên cứu của McKinsey (2024) chỉ ra một rào cản then chốt ngay từ bước đầu tiên: với mỗi 100 nam giới được thăng chức từ nhân viên lên quản lý, chỉ có 81 phụ nữ đạt được điều tương tự.

Hiện tượng này còn trầm trọng hơn ở các cấp lãnh đạo cao. Năm 2024, phụ nữ chỉ chiếm 12,2% các vị trí điều hành cấp cao trong lĩnh vực STEM và chuyển đổi số – chính là những ngành định hình tương lai của AI. Sự vắng bóng này tạo ra một vòng luẩn quẩn nguy hiểm: khi phụ nữ ít có tiếng nói trong việc thiết kế và quản trị AI, các hệ thống này sẽ dễ dàng mang theo những thiên kiến giới tính không chủ ý, từ đó đưa ra các quyết định sai lệch trong tuyển dụng, cấp tín dụng và chẩn đoán y tế.

Lợi thế hóa rào cản

Một nghiên cứu của NINEby9 tiết lộ một khía cạnh tâm lý đáng chú ý: 59% phụ nữ chọn cách chờ đợi các chính sách chính thức từ tổ chức trước khi bắt đầu sử dụng công nghệ AI. Con số này phản ánh một đặc điểm văn hóa sâu sắc là phụ nữ thường được xã hội kỳ vọng phải cẩn trọng, chính xác và tránh sai sót.

Trong môi trường công nghệ truyền thống, những phẩm chất này là lợi thế. Nhưng trong kỷ nguyên AI, luật chơi đã thay đổi: phần thưởng thường thuộc về những người dám thử nghiệm, chấp nhận thất bại và học hỏi nhanh chóng. Tâm lý chờ đợi sự hoàn hảo vô tình khiến nhiều phụ nữ bỏ lỡ cơ hội làm chủ công cụ mới, dần tụt hậu trong cuộc đua năng lực số.

Đây không phải lỗi của cá nhân phụ nữ, mà là hệ quả của những kỳ vọng giới tính được xây dựng qua nhiều thế hệ – kỳ vọng mà giờ đây đang trở thành gánh nặng trong thời đại mới.

Đâu là nơi phụ nữ còn thế mạnh?

Để không bị AI thay thế, phụ nữ cần tập trung phát triển những năng lực mà công nghệ khó có thể nhân bản được. Nhà khoa học máy tính Kai-Fu Lee gọi đây là vùng an toàn của con người – những khả năng gắn liền với trải nghiệm sống, cảm xúc và bản chất xã hội của chúng ta.

1. Thấu cảm có chiến lược

Trong y tế, tư vấn tâm lý hay dịch vụ khách hàng cấp cao, AI có thể cung cấp dữ liệu và phân tích, nhưng chỉ con người mới có thể mang lại sự ấm áp thực sự, hiểu được những nhu cầu ngầm định và tạo dựng lòng tin. Phụ nữ, với khả năng đồng cảm được xã hội nuôi dưỡng, có lợi thế tự nhiên trong lĩnh vực này – miễn là họ học cách định giá đúng năng lực của mình.

2. Tư duy phản biện và sáng tạo nhân văn

AI có thể sinh ra văn bản và hình ảnh, nhưng nó không có ký ức, không có nỗi đau, không có niềm vui thực sự. Phụ nữ cần học cách trở thành người định hướng thẩm mỹ và ý nghĩa, biến những sản phẩm của AI thành những câu chuyện có hồn, có chiều sâu nhân văn. Đây là kỹ năng biên tập, quản trị nội dung và xây dựng thương hiệu, những lĩnh vực mà sự tinh tế trong cảm nhận có giá trị vô cùng lớn.

3. Lãnh đạo liên chức năng

Trong tổ chức ngày càng phức tạp, khả năng kết nối các nhóm đa dạng, điều phối giữa con người và máy móc, và nâng tầm ảnh hưởng thông qua giao tiếp thuyết phục sẽ là chìa khóa của lãnh đạo thời đại mới. Đây không phải năng lực kỹ thuật thuần túy mà AI có thể thay thế, mà là nghệ thuật quản trị con người, một lĩnh vực mà phụ nữ có thể tỏa sáng nếu được trao cơ hội.

4. Trách nhiệm tập thể

Việc thu hẹp khoảng cách giới trong thời đại AI không thể chỉ đặt lên vai từng người phụ nữ. Đây là trách nhiệm của toàn xã hội, đặc biệt là các tổ chức và doanh nghiệp.

Các tổ chức cần coi bình đẳng giới là một chỉ số hiệu suất chiến lược (KPI), không chỉ là khẩu hiệu. Điều này có nghĩa là chủ động đào tạo lại kỹ năng cho nhóm lao động nữ dễ bị ảnh hưởng bởi tự động hóa, thay vì đơn giản sa thải và tuyển người mới. Đầu tư vào con người hiện có không chỉ nhân văn mà còn hiệu quả về kinh tế, vì họ đã hiểu văn hóa tổ chức và có những kiến thức ngầm định quý giá.

Hơn nữa, các nhà hoạch định chính sách cần đảm bảo rằng phụ nữ có tiếng nói trong việc thiết kế, phát triển và quản trị AI. Không có sự đa dạng trong phòng họp, chúng ta sẽ chỉ tạo ra những công nghệ phản ánh và khuếch đại định kiến của nhóm thiểu số nam giới trong ngành.

Lời kết: Từ thách thức đến cơ hội

AI có thể là một công cụ giải phóng hoặc một rào cản mới. Điều này phụ thuộc vào cách chúng ta định hình nó. Phụ nữ, với sự tỉ mỉ, kiên trì và khả năng thấu cảm tự nhiên, hoàn toàn có tiềm năng trở thành những người kiến tạo tương lai. Nhưng điều này chỉ xảy ra khi họ dám bước ra khỏi vùng an toàn của sự cầu toàn, mạnh dạn thử nghiệm và học hỏi từ thất bại.

Đồng thời, xã hội cần tháo gỡ những rào cản cấu trúc – từ định kiến trong tuyển dụng đến sự thiếu vắng chính sách hỗ trợ đào tạo lại kỹ năng. Chỉ khi cả cá nhân và hệ thống cùng thay đổi, cuộc cách mạng AI mới thực sự trở thành cơ hội cho tất cả mọi người, bất kể giới tính.

Tài liệu tham khảo

1. Chu Cẩm Thơ (2026). Những ngành học mà nữ sinh nên chọn trong kỷ nguyên AI. VietNamNet.

2. International Labour Organization (2025). Gen AI, occupational segregation and gender equality in the world of work. ILO.

3. Viện Nghiên cứu Chính sách và Phát triển Truyền thông (2025). Chính sách về trí tuệ nhân tạo ở Việt Nam: Cân bằng giữa thúc đẩy phát triển và quản trị rủi ro. IPS.

4. McKinsey & Company (2024). Women in the Workplace Report 2024.

5. Trần Thị Nguyệt Oanh (2026). AI: Công cụ giải phóng hay rào cản mới cho phụ nữ nơi công sở?. Tạp chí Thị trường Tài chính Tiền tệ.

6. World Economic Forum (2024). Global Gender Gap Report 2024.

Phát hiện quan trọng nhất:

- AI có thể làm 94% công việc trong ngành IT, nhưng thực tế mới chỉ bao phủ 33%

- Khoảng cách giữa “có thể” và “đang làm” còn rất lớn

- Nghĩa là: cuộc chơi mới chỉ bắt đầu

Top nghề bị ảnh hưởng nhiều nhất:

- Lập trình viên: 75% công việc AI đã bao phủ

- Nhân viên chăm sóc khách hàng: 70%

- Nhân viên nhập liệu: 67%

- Chuyên viên hồ sơ y tế: 67%

- Phân tích nghiên cứu thị trường: 65%

- Phân tích tài chính: 57%

Nghề AI gần như chưa chạm tới:

- Đầu bếp, thợ sửa xe, nhân viên cứu hộ, bartender

- Nói chung là nghề cần lao động vật lý

Điểm bất ngờ:

Nhóm bị AI ảnh hưởng nhiều nhất không phải lao động phổ thông. Mà là lao động tri thức - thu nhập cao hơn 47%, trình độ sau đại học gấp 4 lần nhóm không bị ảnh hưởng.

Và tín hiệu đáng lo nhất:

Chưa thấy AI gây thất nghiệp hàng loạt. Nhưng tuyển dụng lao động trẻ 22-25 tuổi vào các nghề AI đang thay thế đã giảm 14% so với 2022.

Doanh nghiệp không sa thải. Nhưng cũng không tuyển mới.

Nghĩ thử xem: bạn là sinh viên IT mới ra trường. Trước đây công ty tuyển 5 fresher, giờ chỉ tuyển 3 vì AI cover được phần còn lại.

=> Ai đang sợ AI thay thế: đừng sợ mất việc. Hãy sợ không được tuyển.

=> Ai đang điều hành doanh nghiệp: đây là lúc xem lại cơ cấu team, không phải sa thải, mà là nâng cấp năng lực AI cho đội ngũ hiện tại.

(Bản gốc 17 trang, mình đã dịch sang tiếng Việt theo cách đọc dễ hiểu nhất, để link ở ĐÂY)

*BÀI GỐC TỪ TÁC GIẢ BÙI TẤN VIỆT SEPAY (LINK)

Từ Trợ lý tới Cộng sự

Năm 2025 chứng kiến một bước ngoặt lớn: AI không còn chỉ là công cụ gợi ý code nữa mà có thể đảm nhận toàn bộ một workflow triển khai - viết test, debug lỗi, tạo tài liệu, và điều hướng trong các codebase phức tạp.
Năm 2026, Anthropic dự đoán bước chuyển hóa này sẽ đi xa hơn rất nhiều.

Theo báo cáo, trong khi các developer sử dụng AI trong khoảng 60% công việc của họ, họ chỉ có thể giao phó hoàn toàn từ 0–20% nhiệm vụ. Điều này không được coi là giới hạn mà là bản chất của sự cộng tác: AI xử lý phần thực thi, con người giữ lại phán đoán chiến lược.

3 Nhóm xu hướng chính

Báo cáo phân loại 8 xu hướng thành ba nhóm: Nền tảng (thay đổi cách phát triển xảy ra), Năng lực (những gì agent có thể làm), và Tác động (ảnh hưởng đến kinh doanh và tổ chức).

Nhóm 1 - Nền tảng: Sự chuyển dịch kiến tạo

Xu hướng 1: Vòng đời phát triển phần mềm thay đổi căn bản

Mỗi thế hệ công nghệ đều thu hẹp khoảng cách giữa tư duy con người và máy móc: từ mã máy, lắp rắp, cho đến ngôn ngữ cấp cao. Bước tiếp theo là hội thoại tự nhiên với AI.

Năm 2026, vòng đời phát triển phần mềm truyền thống (SDLC) vẫn giữ nguyên các giai đoạn, nhưng agent sẽ rút ngắn chu kỳ từ tuần xuống còn giờ nhờ tự động hóa việc triển khai, kiểm thử, và tài liệu hóa.

Những thay đổi cụ thể được dự đoán:

• Kỹ sư chuyển từ “người viết code” thành “người điều phối agent”, tập trung vào kiến trúc hệ thống và quyết định chiến lược.

• Onboarding vào codebase mới rút ngắn từ nhiều tuần xuống còn vài giờ.

• Các tổ chức có thể điều phối nhân lực theo đợt sóng (surge staffing), là đưa chuyên gia vào dự án theo nhu cầu, không bị ràng buộc bởi đường cong học tập dài.

Một khách hàng của Augment Code (powered by Claude) hoàn thành dự án mà CTO ước tính cần 4–8 tháng chỉ trong vòng hai tuần.

Nhóm 2 - Năng lực: Agent có thể làm gì

Xu hướng 2: Từ Agent đơn lẻ đến đội nhóm phối hợp

Thay vì một agent xử lý tuần tự từng bước, các tổ chức năm 2026 sẽ triển khai hệ thống đa agent: một người điều phối (orchestrator) điều phối các agent chuyên biệt làm việc song song, mỗi agent có context riêng, sau đó tổng hợp kết quả.

Điều này đòi hỏi kỹ năng mới: phân rã nhiệm vụ, chuyên môn hóa agent, và giao thức phối hợp.

Fountain (nền tảng quản lý lực lượng lao động tuyến đầu) đạt tốc độ sàng lọc ứng viên nhanh hơn 50%, onboarding nhanh hơn 40%, và tỷ lệ chuyển đổi ứng viên tăng gấp đôi. Một khách hàng logistics rút ngắn thời gian tuyển dụng đủ nhân sự cho trung tâm phân phối mới từ hơn một tuần xuống dưới 72 giờ.

Xu hướng 3: Agent chạy dài hạn, xây hệ thống hoàn chỉnh

Trước đây, agent chỉ xử lý tác vụ vài phút. Cuối 2025, chúng đã có thể làm việc nhiều giờ. Năm 2026, agent sẽ chạy liên tục trong nhiều ngày, xây dựng toàn bộ ứng dụng với sự giám sát định kỳ từ con người.

Điều này mở ra cơ hội xử lý technical debt tích lũy nhiều năm, khởi nghiệp đi từ ý tưởng đến sản phẩm deployed trong vài ngày thay vì vài tháng.

Tại Rakuten, Claude Code được giao triển khai một phương pháp trích xuất vector kích hoạt phức tạp trong thư viện vLLM — một codebase 12,5 triệu dòng code. Kết quả: hoàn thành trong 7 giờ với độ chính xác số học đạt 99,9%.

Xu hướng 4: Giám sát con người được nhân rộng nhờ cộng tác thông minh

Thách thức lớn nhất của AI là biết khi nào cần hỏi người, thay vì cứ thực hiện tất cả mọi thứ. Năm 2026, các agent tinh vi sẽ nhận ra tình huống cần phán đoán của con người, đánh dấu các điểm không chắc chắn và leo thang quyết định có tác động kinh doanh.

Kết quả: đội nhóm duy trì chất lượng và tốc độ đồng thời, thay vì phải đánh đổi giữa hai yếu tố này. Con người chuyển từ “xem xét tất cả mọi thứ” sang “xem xét những gì thực sự quan trọng”.

CRED, nền tảng fintech phục vụ hơn 15 triệu người dùng tại Ấn Độ, tăng gấp đôi tốc độ thực thi nhờ chuyển dịch developer về phía công việc có giá trị cao hơn.

Xu hướng 5: Lập trình Agentic mở rộng sang bề mặt và người dùng mới

Agentic coding không còn chỉ dành cho kỹ sư phần mềm chuyên nghiệp. Năm 2026, nó mở rộng sang:

• Các ngôn ngữ cũ và ít phổ biến như COBOL, Fortran - giúp bảo trì hệ thống legacy.

• Người dùng phi kỹ thuật: đội bảo mật, nghiên cứu viên, nhà thiết kế, nhà phân tích dữ liệu.

Rào cản giữa “người biết code” và “người không biết code” đang dần biến mất.

Legora, nền tảng pháp lý AI, dùng Claude Code để cung cấp khả năng agentic cho các luật sư — những người cần tạo automations phức tạp mà không cần kiến thức kỹ thuật.

Nhóm 3 - Tác dộng: Những gì Agent có thể thay đổi

Xu hướng 6: Lợi ích năng suất định hình lại kinh tế phát triển phần mềm

Ba yếu tố nhân lên nhau: năng lực agent, cải tiến orchestration, và kinh nghiệm sử dụng của con người. Kết hợp lại tạo ra bước nhảy vọt theo cấp số nhân, không phải tuyến tính.

Điểm thú vị: AI không chỉ giúp làm nhanh hơn, mà còn giúp làm nhiều hơn. Khoảng 27% công việc có hỗ trợ AI là các tác vụ vốn sẽ không được thực hiện — những dự án bị trì hoãn mãi, công cụ “nice-to-have”, công việc khám phá không khả thi về mặt chi phí nếu làm thủ công.

Minh chứng: TELUS tạo ra hơn 13.000 giải pháp AI tùy chỉnh, vận chuyển code nhanh hơn 30%, tiết kiệm hơn 500.000 giờ làm việc với trung bình 40 phút tiết kiệm mỗi lần tương tác AI.

Xu hướng 7: Ứng dụng phi kỹ thuật lan rộng toàn tổ chức

Năm 2026, đội ngũ kinh doanh - sales, marketing, pháp lý, vận hành - sẽ tự xây dựng công cụ và tự động hóa quy trình của họ mà không cần chờ đội kỹ thuật.

Điều này loại bỏ bottleneck kinh điển: tạo ticket → chờ đợi → lên lịch → phát triển → triển khai. Người hiểu vấn đề nhất sẽ là người giải quyết nó.

Tại Anthropic, đội pháp lý đã rút ngắn thời gian xem xét marketing từ 2–3 ngày xuống còn 24 giờ. Một luật sư không có kinh nghiệm lập trình đã tự xây công cụ tự phục vụ bằng Claude Code.

Tại Zapier: 89% toàn bộ tổ chức sử dụng AI, với hơn 800 agent được triển khai nội bộ. Đội thiết kế dùng Claude artifacts để prototype trực tiếp trong buổi phỏng vấn khách hàng — thứ trước đây cần vài tuần để phát triển.

Xu hướng 8: Rủi ro kép — Bảo Mật phải là kiến trúc, không phải bổ sung

Agentic coding là con dao hai lưỡi về bảo mật:

Mặt tốt: Bất kỳ kỹ sư nào cũng có thể thực hiện security review, hardening, và monitoring ở mức độ trước đây chỉ chuyên gia mới làm được.

Mặt nguy hiểm: Những khả năng giúp người phòng thủ cũng giúp kẻ tấn công - tăng tốc trinh sát và phát triển exploit.

Kết luận: các tổ chức chuẩn bị tốt sẽ có lợi thế. Bảo mật phải được tích hợp ngay từ giai đoạn thiết kế đầu tiên, không phải thêm vào sau.

Những ưu tiên cho năm 2026

Báo cáo đề xuất bốn lĩnh vực cần hành động ngay:

1. Nắm vững điều phối đa agent để xử lý độ phức tạp mà hệ thống đơn agent không thể đáp ứng.

2. Nhân rộng giám sát con người thông qua AI review tự động: tập trung sự chú ý của con người vào nơi thực sự cần.

3. Mở rộng agentic coding ra ngoài kỹ thuật bằng việc trao quyền cho chuyên gia nghiệp vụ trên toàn tổ chức.

4. Nhúng kiến trúc bảo mật từ sớm nhất: không thể bổ sung bảo mật như một tầng riêng sau này.

Lời kết: Con người vẫn là trung tâm

Thông điệp cốt lõi của báo cáo không phải là AI thay thế developer.
Mà là: AI thay đổi nơi giá trị của con người được tạo ra.

Kỹ sư giỏi nhất trong kỷ nguyên này không phải người viết code nhanh nhất mà là người biết định nghĩa đúng vấn đề cần giải quyết, kiến trúc hệ thống đúng, và điều phối agent hiệu quả. Đó là những kỹ năng mà AI khuếch đại, không phải thay thế.

Nguồn: 2026 Agentic Coding Trends Report — Anthropic (tháng 1/2026)

Tôi đã viết tám bản hướng dẫn như thế này kể từ khi ChatGPT ra đời, nhưng phiên bản lần này đánh dấu một bước ngoặt lớn so với trước đây. Lý do là khái niệm “sử dụng AI” đã thay đổi hoàn toàn. Cho đến cách đây vài tháng, với đại đa số mọi người, “dùng AI” đồng nghĩa với việc trò chuyện qua lại với một chatbot. Nhưng hiện nay, việc sử dụng AI như một tác tử (agent) đã trở nên khả thi: bạn có thể giao nhiệm vụ cho chúng và chúng sẽ tự thực hiện, sử dụng các công cụ phù hợp để hoàn thành. Vì sự thay đổi này, bạn cần cân nhắc ba yếu tố khi quyết định sử dụng AI: Mô hình (Models), Ứng dụng (Apps) và Bộ khung điều khiển (Harnesses).

Mô hình (Models) là bộ não AI cốt lõi bên dưới. Ba cái tên lớn nhất hiện nay là GPT-5.2/5.3, Claude Opus 4.6 và Gemini 3 Pro (các công ty đang ra mắt mô hình mới nhanh hơn trước, nên số hiệu phiên bản có thể thay đổi trong vài tuần tới). Đây là yếu tố quyết định hệ thống thông minh đến mức nào, khả năng lập luận ra sao, viết lách, lập trình hay phân tích bảng tính tốt thế nào, cũng như khả năng nhận diện và tạo hình ảnh. Mô hình là thứ mà các bài kiểm tra (benchmarks) đo lường và là mục tiêu chạy đua của các công ty AI. Khi mọi người nói “Claude viết tốt hơn” hay “ChatGPT giải toán giỏi hơn”, họ đang nói về các mô hình.

Ứng dụng (Apps) là những sản phẩm thực tế bạn dùng để tương tác với mô hình và giúp mô hình làm việc cho bạn. Ứng dụng phổ biến nhất là trang web của các mô hình này: chatgpt.com, claude.ai, gemini.google.com (hoặc ứng dụng tương ứng trên điện thoại). Ngày càng có nhiều ứng dụng khác được các công ty AI này tạo ra, bao gồm các công cụ lập trình như OpenAI Codex hay Claude Code, và các công cụ dành cho máy tính để bàn như Claude Cowork.

Bộ khung điều khiển (Harnesses) là thứ cho phép sức mạnh của mô hình AI thực hiện công việc thực tế, giống như bộ dây cương giúp con ngựa kéo xe hoặc cày ruộng. Bộ khung là một hệ thống cho phép AI sử dụng công cụ, thực hiện hành động và tự mình hoàn thành các tác vụ gồm nhiều bước. Các ứng dụng thường đi kèm với một bộ khung nhất định.

• Claude trên trang web có bộ khung cho phép Claude 4.6 Opus tìm kiếm web và viết mã, đồng thời có các chỉ dẫn về cách tiếp cận các vấn đề như tạo bảng tính hay thiết kế đồ họa.

• Claude Code có một bộ khung mạnh mẽ hơn: nó cung cấp cho Claude 4.6 Opus một máy tính ảo, trình duyệt web, cửa sổ lệnh (terminal) và khả năng kết nối chúng để thực hiện các việc như nghiên cứu, xây dựng và chạy thử một website mới từ đầu.

• Manus (mới được Meta thâu tóm) về cơ bản là một bộ khung độc lập có thể bao quát nhiều mô hình khác nhau.

• OpenClaw là một bộ khung cho phép bạn sử dụng bất kỳ mô hình AI nào trực tiếp trên máy tính cá nhân.

Trước đây, bạn không cần phải biết những điều này. Mô hình chính là sản phẩm, ứng dụng là trang web và bộ khung thì rất sơ khai. Bạn nhập văn bản, AI phản hồi, rồi bạn lại nhập tiếp. Giờ đây, cùng một mô hình có thể hành xử rất khác nhau tùy thuộc vào bộ khung mà nó vận hành. Claude Opus 4.6 trò chuyện với bạn trong cửa sổ chat là một trải nghiệm rất khác so với Claude Opus 4.6 hoạt động bên trong Claude Code, tự động viết và kiểm thử phần mềm liên tục trong nhiều giờ. GPT-5.2 trả lời một câu hỏi sẽ rất khác với GPT-5.2 Thinking đang duyệt web và xây dựng cho bạn một bộ slide thuyết trình.

Điều này có nghĩa là câu hỏi “nên dùng AI nào?” đã trở nên khó trả lời hơn, vì đáp án phụ thuộc vào việc bạn định làm gì với nó. Hãy để tôi đi sâu vào bức tranh toàn cảnh hiện nay.

Các mô hình hiện tại

Các mô hình hàng đầu hiện nay có năng lực tổng thể rất sát sao, thông minh hơn và ít mắc lỗi hơn bao giờ hết. Tuy nhiên, nếu bạn muốn sử dụng AI cao cấp một cách nghiêm túc, bạn sẽ cần trả ít nhất 20 USD mỗi tháng. Số tiền này mang lại cho bạn hai thứ: quyền chọn mô hình và khả năng sử dụng các mô hình cũng như ứng dụng tiên phong (frontier models) mạnh mẽ nhất. Tôi rất muốn nói rằng các mô hình miễn phí hiện nay cũng tốt như bản trả phí, nhưng thực tế không phải vậy. Các mô hình miễn phí thường được tối ưu hóa cho việc trò chuyện hơn là độ chính xác; chúng phản hồi nhanh và thú vị hơn khi nói chuyện, nhưng kém chính xác và năng lực hạn chế hơn nhiều. Thông thường, khi ai đó đăng ví dụ về việc AI làm điều gì đó ngớ ngẩn, đó là vì họ đang dùng bản miễn phí hoặc chưa chọn đúng mô hình thông minh nhất để làm việc.

Ba mô hình tiên phong lớn nhất hiện nay là Claude Opus 4.6 của Anthropic, Gemini 3.0 Pro của Google và ChatGPT 5.2 Thinking của OpenAI. Với tất cả các tùy chọn này, bạn đều có quyền truy cập vào các mô hình AI đỉnh cao với chế độ giọng nói, khả năng nhìn hình ảnh và tài liệu, thực thi mã nguồn, ứng dụng di động tốt và khả năng tạo hình ảnh, video (Claude vẫn còn thiếu sót ở mảng này). Chúng đều có tính cách, điểm mạnh và điểm yếu riêng, nhưng với đa số mọi người, chỉ cần chọn cái mình thích nhất là đủ. Hiện tại, các công ty khác trong lĩnh vực này đã bị tụt lại phía sau, dù là về mô hình hay ứng dụng và bộ khung.

Khi sử dụng bất kỳ ứng dụng AI nào, điều quan trọng nhất bạn cần làm là chọn đúng mô hình, dù các công ty AI không làm cho việc này trở nên dễ dàng.

• Với ChatGPT, dù dùng bản miễn phí hay trả phí, mô hình mặc định thường là ChatGPT 5.2. Vấn đề là GPT-5.2 không phải là một mô hình duy nhất mà là một dòng gồm nhiều loại: từ bản GPT-5.2 mini rất yếu đến GPT-5.2 Thinking rất tốt và GPT-5.2 Pro cực kỳ mạnh mẽ. Khi chọn GPT-5.2, thực chất bạn đang dùng chế độ “tự động”, nơi AI tự quyết định dùng mô hình nào (thường là bản yếu hơn). Khi trả phí, bạn được quyền tự chọn mô hình và mức độ “tư duy” của nó. Với bất kỳ việc gì phức tạp, tôi luôn chọn thủ công GPT-5.2 Thinking Extended (gói 20 USD) hoặc GPT-5.2 Thinking Heavy (gói đắt hơn).

• Với Gemini, có ba lựa chọn: Gemini 3 Flash, Gemini 3 Thinking và Gemini 3 Pro (cho gói trả phí). Nếu dùng gói Ultra, bạn có quyền truy cập vào Gemini Deep Think cho các vấn đề cực khó. Hãy luôn chọn Gemini 3 Pro hoặc Thinking cho các công việc nghiêm túc.

• Với Claude, bạn cần chọn Opus 4.6 và bật công tắc “extended thinking” (tư duy mở rộng).

Một lần nữa, đối với hầu hết mọi người, sự khác biệt giữa các mô hình hiện nay là đủ nhỏ để ứng dụng và bộ khung điều khiển trở nên quan trọng hơn bản thân mô hình.

Giao diện chatbot

Đại đa số mọi người sử dụng chatbot – các trang web chính hoặc ứng dụng di động của ChatGPT, Claude và Gemini – để tiếp cận các mô hình AI. Thực tế, chatbot là ứng dụng AI quan trọng và phổ biến nhất. Trong vài tháng qua, các ứng dụng này đã trở nên khác biệt rõ rệt.

Một số khác biệt nằm ở các tính năng được tích hợp kèm theo:

• Tích hợp trong Gemini: Bạn có thể truy cập Nano Banana (công cụ tạo ảnh AI tốt nhất hiện nay), Veo 3.1 (công cụ tạo video AI hàng đầu), Guided Learning (hỗ trợ AI đóng vai trò như gia sư) và Deep Research (nghiên cứu sâu).

• Tích hợp trong ChatGPT: Có một sự kết hợp đa dạng hơn như Tạo hình ảnh (gần bằng Nano Banana nhưng chưa có Sora video), Học tập (tương đương Guided Learning), Deep Research và Shopping Research (nghiên cứu mua sắm – tốt đến ngạc nhiên nhưng hay bị ngó lơ).

• Claude: Chỉ có Deep Research là tùy chọn tích hợp, nhưng bạn có thể dùng chế độ học tập bằng cách tạo một Project (Dự án) và chọn loại hình học tập.

Tất cả các mô hình đều cho phép bạn kết nối với dữ liệu cá nhân, như đọc email, lịch, truy cập tệp tin hoặc kết nối với các ứng dụng khác. Điều này giúp AI hữu ích hơn nhiều, nhưng mỗi công cụ lại có các bộ kết nối khác nhau.

Đối với những người làm việc thực tế, tính năng bổ sung quan trọng nhất là Deep Research và khả năng kết nối AI với nội dung của bạn. Tuy nhiên, yếu tố ngày càng quan trọng là bộ khung điều khiển – các công cụ mà AI có quyền truy cập. Ở điểm này, OpenAI và Anthropic đang dẫn trước Google một khoảng cách rõ rệt. Cả Claude.ai và ChatGPT đều có khả năng viết và thực thi mã, xuất tệp tin, nghiên cứu chuyên sâu. Trang web Gemini của Google hiện kém năng lực hơn ở mảng này (dù mô hình AI bên dưới vẫn rất tốt).

Lưu ý cuối về Chatbot: GPT-5.2 Pro, với bộ khung đi kèm, là một mô hình RẤT thông minh. Nó vừa giúp tìm ra một kết quả mới trong vật lý và là mô hình tôi thấy có khả năng nhất trong việc thực hiện các phân tích thống kê phức tạp. Tuy nhiên, nó chỉ có trong các gói dịch vụ đắt tiền.

Các ứng dụng và bộ khung điều khiển khác

Các trang web chatbot là nơi hầu hết mọi người tương tác với AI, nhưng đó không còn là nơi những công việc ấn tượng nhất được thực hiện. Một nhóm các ứng dụng khác đang bao bọc các mô hình này trong những bộ khung mạnh mẽ hơn.

Claude Code, OpenAI Codex và Google Antigravity là những ví dụ điển hình nhất, tập trung vào giới lập trình viên. Mỗi công cụ này cho phép mô hình AI truy cập vào kho mã nguồn của bạn, cửa sổ lệnh và khả năng tự viết, chạy, kiểm thử mã. Bạn chỉ cần mô tả thứ mình muốn xây dựng, AI sẽ tự thực hiện và quay lại khi hoàn thành hoặc khi gặp bế tắc.

Ví dụ, cách đây một tuần, tôi đã yêu cầu Claude Code thực hiện một ý tưởng mà trước đây sẽ tốn rất nhiều công sức: tạo ra một phiên bản AI chạy hoàn toàn trên giấy dựa trên các thông số của GPT-1. Chỉ trong khoảng một giờ, AI đã thiết kế 80 tập sách được trình bày đẹp mắt chứa toàn bộ dữ liệu của GPT-1, kèm theo hướng dẫn tính toán. Nó còn tự thiết kế bìa sách, xây dựng một trang web thanh lịch, kết nối thanh toán qua Stripe và dịch vụ in ấn theo yêu cầu, thử nghiệm toàn bộ hệ thống và ra mắt cho tôi. Tôi không hề chạm vào hay nhìn qua một dòng code nào.

Claude for Excel và PowerPoint là những bộ khung chuyên biệt bên trong các ứng dụng văn phòng. Claude for Excel mang lại sự thay đổi lớn trong cách làm việc với bảng tính; bạn có thể yêu cầu AI thực hiện nhiệm vụ như một phân tích viên thực thụ và nó sẽ tự hoàn thành công việc ngay trong Excel.

Claude Cowork là một thứ thực sự mới mẻ. Ra mắt vào tháng Một, Cowork về cơ bản là “Claude Code dành cho các công việc không chuyên về kỹ thuật”. Nó chạy trên máy tính của bạn, có thể làm việc trực tiếp với các tệp tin cục bộ và trình duyệt web. Bạn mô tả một kết quả mong muốn (như: tổ chức lại các báo cáo chi phí, trích xuất dữ liệu từ các tệp PDF vào bảng tính, dự thảo bản tóm tắt), Claude sẽ lập kế hoạch, chia nhỏ nhiệm vụ và thực hiện chúng ngay trên máy tính khi bạn đang quan sát. Đây là dấu hiệu rõ ràng cho thấy tương lai: AI không chỉ nói về công việc của bạn, mà trực tiếp làm công việc đó.

NotebookLM là câu trả lời của Google cho vấn đề: làm thế nào để dùng AI hiểu một lượng lớn thông tin? Bạn có thể nạp các bài nghiên cứu, video YouTube, trang web hoặc tệp tin, và NotebookLM sẽ xây dựng một kho tri thức tương tác để bạn đặt câu hỏi, tạo slide, sơ đồ tư duy hoặc các bản podcast do AI tạo ra để thảo luận về tài liệu của bạn.

Cuối cùng là OpenClaw, một tác tử AI nguồn mở chạy trực tiếp trên máy tính cá nhân. Nó có thể duyệt web, quản lý tệp, gửi email và thực hiện các lệnh hệ thống. Nó giống như một trợ lý cá nhân 24/7 sống ngay trong máy của bạn. Tuy nhiên, nó cũng tiềm ẩn rủi ro bảo mật lớn vì bạn đang cấp quyền truy cập rộng rãi vào máy tính và tài khoản cá nhân cho một AI.

Bạn nên làm gì bây giờ?

Mọi thứ có vẻ phức tạp, nhưng hãy để tôi đơn giản hóa giúp bạn:

1. Nếu bạn mới bắt đầu: Hãy chọn một trong ba hệ thống (ChatGPT, Claude, hoặc Gemini), trả 20 USD và chọn mô hình cao cấp nhất. Hãy bắt đầu sử dụng nó cho công việc thực tế: tải lên một tài liệu bạn đang làm, giao cho nó một nhiệm vụ phức tạp (như viết hồ sơ thầu hoặc quy trình vận hành tiêu chuẩn). Chỉ riêng việc này sẽ dạy bạn nhiều điều hơn bất kỳ bản hướng dẫn nào.

2. Nếu bạn đã quen với chatbot: Hãy thử các ứng dụng chuyên biệt. NotebookLM miễn phí và dễ dùng là điểm bắt đầu tốt. Nếu muốn đi sâu hơn, hãy thử các công cụ của Anthropic như Claude Code hay Claude Cowork. Đừng chỉ dùng thử kiểu xem trình diễn (demo), hãy dùng chúng cho một việc bạn thực sự cần hoàn thành. Hãy quan sát cách nó làm và điều chỉnh khi nó đi sai hướng. Bạn không còn là người “nhập lệnh” (prompting) nữa, mà đang đóng vai trò là một người “quản lý” (managing).

Sự chuyển dịch từ chatbot sang tác tử là thay đổi quan trọng nhất kể từ khi ChatGPT ra mắt. Những công cụ này vẫn còn sơ khai và đôi khi hành xử kỳ quặc, nhưng một AI biết làm việc về cơ bản hữu ích hơn nhiều so với một AI chỉ biết nói. Việc học cách làm chủ chúng ngay từ bây giờ là hoàn toàn xứng đáng với thời gian của bạn.

Hãy nghĩ về điều này: Nếu bạn lên xe mà không biết đi đâu, dù bạn lái giỏi cỡ nào, bạn cũng chỉ đang chạy vòng vòng. Học cũng vậy. Không có đích đến rõ ràng, mọi kiến thức chỉ là cưỡi ngựa xem hoa.

Nếu không tìm được ý nghĩa sâu hơn đằng sau của việc học, bạn sẽ cần rất nhiều ý chí, nỗ lực để tiếp tục. Bạn sẽ ghét học giống hồi còn ngồi trên ghế nhà trường. Hoặc tệ hơn, bạn cảm thấy mình đang học chỉ để kiếm một công việc mà bạn chẳng quan tâm ngay từ đầu.

Ngược lại, khi bạn biết mình đang xây dựng gì, não bộ tự động lọc thông tin phù hợp. Nó giống như khi bạn vừa mua xe mới, tự nhiên bạn thấy xe cùng loại ở khắp nơi. Đó là cơ chế nhận diện mẫu (pattern recognition) tự nhiên của não. Mục tiêu rõ ràng sẽ kích hoạt cơ chế này.

Dưới đây là 6 bước hướng dẫn giúp bạn thoát khỏi vòng lặp trên hãy đọc và thử thực hành sau 60 ngày bạn sẽ thấy đây là 1 hệ thống thay đổi cuộc đời bạn thông qua cách học.

Bước 1: Bắt đầu bằng đích đến

Đây là mảnh ghép bị bỏ qua nhiều nhất. Mọi video dạy “cách học” đều nhảy thẳng vào kỹ thuật mà không nói tại sao bạn phải học nó. Mọi người chọn thứ gì đó để học, nhưng nó chẳng kết nối với kỹ năng hiện tại hay cuộc sống họ muốn sống.

Đặc biệt trong thời đại công nghệ và AI thay đổi chóng mặt, học là kỹ năng quan trọng nhất. Nó cho phép bạn học những thứ trường lớp không dạy, vì hệ thống giáo dục là bộ máy rất lớn và có thể đã lạc hậu, giáo trình cũng thay đổi chậm hơn rất nhiều so với những thứ được chia sẻ ngoài kia.

Vẽ bản đồ cuộc sống

Điểm bắt đầu không phải là chọn khóa học hay mua sách. Mà là trả lời hai câu hỏi:

• Bạn KHÔNG muốn gì trong cuộc sống? (Anti-vision)

• Bạn muốn gì trong cuộc sống? (Vision)

Hãy viết ra thật cụ thể. Không phải “tôi muốn giàu”, mà là “tôi muốn tự do thời gian để dành buổi sáng cho con”. Không phải “tôi không muốn nghèo”, mà là “tôi không muốn phải xin phép sếp mỗi khi cần nghỉ”.

Từ vision và anti-vision, bạn cần xác định:

• Những kỹ năng nào cần thiết để đạt được mục tiêu

• Những thứ gì đang cản đường bạn

• Mục tiêu cụ thể cho từng tuần

Nghe đơn giản. Nhưng hầu hết mọi người bỏ qua bước này và nhảy thẳng vào kỹ thuật. Kết quả là họ học được rất nhiều thứ nhưng không biết dùng vào đâu và rồi theo thời gian những kiến thức đó lại rơi rụng dần.

Tận dụng AI làm cố vấn chiến lược

Một mẹo cực hay: đưa bản đồ mục tiêu cho AI và dùng prompt kiểu “Cố vấn chiến lược”. Prompt này yêu cầu AI đóng vai cố vấn có IQ 180, thẳng thắn, đã có kinh nghiệm xây dựng nhiều công ty tỷ đô, có hiểu biết chuyên sâu về tâm lý học, chiến lược và thực thi. Nhiệm vụ của anh ấy là tìm ra lỗ hổng trong kế hoạch và thiết kế kế hoạch hành động cụ thể, đẩy bạn vượt qua vùng thoải mái.

AI sẽ “xé toạc” kế hoạch của bạn. “Đây là tập hợp suy nghĩ rời rạc, không phải lộ trình chiến lược.” Rồi nó đưa ra hành động cụ thể: viết lại mục tiêu, xác định điểm nghẽn, hệ thống hóa sức khỏe và mối quan hệ, loại bỏ phiền nhiễu. Bạn có thể tiếp tục trò chuyện với nó bất cứ lúc nào cần.

Bước 2: Vừa làm vừa học thay vì chỉ học

Nghe có vẻ ngược đời, nhưng cách học nhanh nhất là bắt tay vào làm trước khi bạn “sẵn sàng”. Lên kế hoạch cho 1 project cụ thể để bắt đầu bước tiếp theo.

Tại sao? Vì khi bạn đang vật lộn với một vấn đề cụ thể, não ở trạng thái “đói” thông tin. Lúc đó bạn đọc một giải pháp, nó khớp vào đúng chỗ thiếu bạn sẽ hiểu nó sâu hơn. Còn khi bạn đọc lý thuyết mà chưa có vấn đề, thông tin chỉ trôi qua. Đó là cách não bộ hoạt động, nó không giữ lại thông tin mà bạn không dùng đến.

Hãy thử nghĩ về nó như thế này: nếu bạn muốn học bơi, bạn phải xuống nước. Đọc 10 cuốn sách về bơi trên bờ không giúp bạn nổi được.

Vì vậy cách tốt nhất để học là xây dựng một project thực tế. Bạn học được bao nhiêu tỷ lệ thuận với tiến độ project bạn đạt được. Khi xem nhiều hướng dẫn, kiến thức, bạn nhồi tâm trí với tiếng ồn và hỗn loạn. Phần lớn thông tin bị lãng phí, có thể dẫn đến quá tải, khiến bạn lo lắng, và có thể làm bạn chậm lại.

Project có thể là bất cứ thứ gì

Nhiều người nghe “project” thì nghĩ ngay đến lập trình hay thiết kế. Nhưng:

• Sức khỏe của bạn có thể là một project

• Cơ thể bạn là một project

• Mối quan hệ là một project

• Kinh doanh, ảnh Photoshop, website portfolio, tất cả đều là project

Project đơn giản là cách thức để đạt mục tiêu hoặc tiến tới mục tiêu. Nó thu hẹp tầm nhìn để não bạn tự động chọn lọc đúng thông tin khi học. Và điều này tiếp tục tối ưu hóa pattern recognition: Ví dụ khi đọc sách, làm theo hướng dẫn, hay trò chuyện, dopamine “lành mạnh” phóng ra để báo hiệu thông tin đó quan trọng cho việc hoàn thành project.

Bước 3: Hãy bắt đầu để bắt đầu

Học đến từ sự trăn trở, không phải chỉ là ghi nhớ. Nếu bạn chẳng biết gì, ít nhất hãy thử bước đầu tiên: tải phần mềm nào đó và bắt đầu nghịch, hãy thử cố tạo thứ gì đó, bất cứ thứ gì. Đưa tâm trí vào trạng thái “đói” học, nếu không bạn chẳng tiêu hóa nổi thông tin bạn tìm.

Vòng lặp cốt lõi:

1. Bắt đầu

2. Không biết phải làm gì

3. Thử và thất bại

4. Tìm câu trả lời hoặc hỏi AI

5. Thử áp dụng

6. Lặp lại cho đến khi hoàn thành

7. Nếu không tìm được, hỏi chuyên gia

Vài năm trước, Google search được coi là kỹ năng quan trọng: gõ đúng từ khóa để tìm câu trả lời trên Google, Reddit, Stack Overflow. Giờ AI đã có tất cả thông tin đó, prompt engineering đang trở thành Google search mới. Nó là một trong những kỹ năng hiện đại mà bạn có thể kết hợp với bất kỳ kỹ năng nào, vì như người sáng lập Nvidia đã nói: “máy móc không thay thế con người, con người dùng máy móc sẽ thay thế con người”.

Ví dụ: bạn đang xây project ảnh Photoshop, bị kẹt khi muốn xóa background. Hãy thử hỏi AI: “Cách xóa background ảnh trong Photoshop?” Nó cho bạn vài cách, bạn thử, thành công. Chính vì bạn đang vật lộn và não muốn học thứ đó, kiến thức khớp vào đúng chỗ. Tiếp tục project, tiếp tục hỏi khi cần.

Khi bắt đầu bạn cũng không muốn thì sao?

Đây thực sự là vấn đề lớn với nhiều người: không có động lực bắt đầu nên chẳng bao giờ bắt đầu.

Có 1 hiệu ứng tâm lý đó gọi là hiệu ứng Zeigarnik nó nói rằng não nhớ việc chưa hoàn thành rõ hơn việc đã xong. Nghĩa là một công việc dang dở sẽ khiến bạn có động lực để tiếp tục nó. Nhưng làm sao bắt đầu từ điểm đầu tiên?

Hãy thử kích hoạt hiệu ứng Zeigarnik bằng cách bắt đầu những việc dễ trước khi vào project. Vì khi bắt đầu những việc đó khi chúng chưa hoàn thành thì bạn vẫn muốn tiếp tục, từ đó bạn sẽ làm đến hết project.

Ví dụ: Bạn thử pha cà phê. Dọn bàn. Mở file tài liệu dự án ra đọc lại. Gõ vài ý tưởng. Những việc nhỏ “chưa xong” này kéo bạn vào dòng chảy công việc một cách tự nhiên.

Giống như đi gym: bạn không cần cam kết tập 1 tiếng. Chỉ cần hứa bản thân đi bộ 5 phút trên máy. Và rồi hầu hết mọi người khi đã ở đó rồi thì sẽ tiếp tục.

Bước 4: Xây dựng lộ trình học có hệ thống

Thay vì tự mò mẫm “nên học gì trước, học gì sau”, bạn có thể dùng prompt “Study Regimen” để AI lập sẵn một lộ trình học 60 ngày cho bất kỳ chủ đề nào bạn muốn.

Cách hoạt động: Bạn chỉ cần nhập chủ đề ví dụ “storytelling” và AI sẽ tự động gợi ý toàn bộ tài liệu học tập cho bạn:

• Một cuốn sách bán chạy nhất để nắm tổng quan, hiểu bức tranh toàn cảnh

• Một cuốn sách kỹ thuật để đi sâu vào phương pháp và kỹ năng cụ thể

• Nhiều video YouTube để học trực quan, dễ tiếp thu hơn

• 3–5 chủ đề bổ trợ đây là những chủ đề liên quan giúp bạn khám phá thêm, giữ cho quá trình học không bị nhàm chán. Vì nếu chỉ “cày” một thứ liên tục, bạn sẽ nhanh chóng mất hứng. Những chủ đề bổ trợ này giống như “món phụ” giúp bữa học thêm phong phú và lấp đầy những khoảng trống kiến thức mà tài liệu chính chưa đề cập.

Lộ trình 60 ngày được chia thành 4 giai đoạn, mỗi giai đoạn có mục tiêu và action steps cụ thể:

• Phase 1: Immersion & Foundation (tuần 1–2): Ngâm mình trong chủ đề, xây nền tảng hiểu biết cơ bản.

• Phase 2: Technical Application (tuần 3–4): Bắt đầu áp dụng kỹ thuật vào thực tế.

• Phase 3: Creative Exploration (tuần 5–6): Sáng tạo, thử nghiệm, kết hợp những gì đã học.

• Phase 4: Refinement & Practice (tuần 7–8): Trau chuốt, luyện tập và củng cố kỹ năng.

Mẹo tận dụng AI trong quá trình học:

• Khi đọc sách hoặc xem video, bạn ghi chú lại những điểm quan trọng có thể ghi ngay trong cuộc chat với AI hoặc trong một tài liệu riêng. Sau đó, yêu cầu AI quiz bạn dựa trên ghi chú đó để kiểm tra xem bạn thực sự hiểu hay chưa. Với video YouTube, bạn có thể copy transcript (phụ đề) dán vào AI rồi nhờ AI tóm tắt key points sau đó yêu cầu AI ra câu hỏi kiểm tra.

Bước 5: Sắp xếp thời gian

Không ai cho bạn thời gian để học, bạn phải tự lấy nó ra từ nguồn lực của mình dưới đây là gợi ý 1 cách sắp xếp hiệu quả

• 30-90 phút làm: làm project, tìm thông tin khi cần

• 30-60 phút học: theo lộ trình, ghi chú, rồi nhờ AI tóm tắt ghi chú

• 30 phút đi bộ: nghe YouTube, audiobook, hoặc bài giảng, ghi lại ý tưởng trên điện thoại

Ba khối thời gian này không nhất thiết phải trong cùng một ngày. Bạn có thể làm project vào thứ Hai, học vào thứ Ba, thứ Tư đi bộ. Quan trọng là tạo nhịp đều đặn.

Charles Darwin làm việc theo đúng mô hình này: tập trung làm theo block, rồi đi bộ dài. Trong những lúc nghỉ, não ở chế độ thả lỏng, và giải pháp cho các vấn đề tự nổi lên. Bạn biết cảm giác đó chứ? Nằm sắp ngủ mà ý tưởng cứ ùa về, phải mò điện thoại ghi lại.

Hãy tận dụng cơ chế đó và đừng cố nhồi nhét mọi thứ trong một lần.

Bước 6: Viết là cách học sâu nhất

Bạn đọc xong một cuốn sách hay. Bạn cảm thấy mình hiểu hết. Rồi có ai đó hỏi: “Cuốn sách nói về gì?” Bạn ấp úng. Câu từ không ra. Ý tưởng rời rạc.

Đó là khoảng cách giữa “nghĩ là hiểu” và “thực sự hiểu”. Và cách nhanh nhất để thu hẹp khoảng cách này là viết.

Kỹ thuật Feynman: phương pháp học của nhà vật lý Richard Feynman. Hiểu sâu một khái niệm bằng cách giải thích nó bằng từ ngữ đơn giản, như dạy cho người không biết gì.

1. Chọn khái niệm muốn hiểu

2. Dạy nó bằng ngôn ngữ đơn giản, như dạy trẻ con

3. Khi ấp úng, xác định chỗ hiểu yếu

4. Quay lại nguồn, học lại, thử giải thích lại đơn giản hơn

Điều này trùng lặp với hiệu ứng Protégé : thầy học nhiều hơn trò. Khi dạy, bạn buộc phải sắp xếp kiến thức theo cách riêng, kết nối các ý tưởng rời rạc. Đó là học thực sự. Và nó phơi bày thêm lỗ hổng kiến thức: nếu bạn nói trước camera rồi xem lại, hoặc viết mà bị vấp, bạn có thứ cần cải thiện, thứ cần học thêm.

Kết quả: pattern recognition tăng mạnh. Cuộc sống trở nên thú vị hơn vì bạn nhận ra nhiều thứ hơn, từ cuộc trò chuyện cho đến video ngẫu nhiên, đều có thể giúp bạn đạt project hay mục tiêu.

Viết công khai trên internet

Không phải để trở thành “content creator”. Mà là dùng mạng xã hội như nhật ký công khai. Thay vì chỉ lướt, bạn chia sẻ điều mình học được. Một dòng trạng thái, 1 bài post, một newsletter hàng tuần bạn sẽ đạt được cả 2 lợi ích sau:

• Bạn học sâu hơn vì phải giải thích cho người khác

• Bạn thu hút những người quan tâm đến cùng chủ đề

Đó là lý do mà nó mạnh: học, xây, viết để phản ánh có hệ thống về điều đã học, công khai để mọi người thấy giá trị. Nó nhân đôi hiệu quả học. Khi bạn dạy một khái niệm và đan xen với trải nghiệm cá nhân là cách giúp bạn học sâu hơn bất cứ phương pháp nào.

Không cần hoàn hảo để bắt đầu viết

• Newsletter hàng tuần: tóm tắt điều đã học, dạy cho người đọc

• Post trên X, Threads, LinkedIn, Facebook: chia sẻ quan điểm, niềm tin, trải nghiệm cá nhân, và điều đang học đang xây

• Thêm social media như một kỹ năng cần học, theo cùng cách đã dạy trong bài

• Thêm một block 30-60 phút mỗi sáng để viết

Nếu các block thời gian cộng lại quá nhiều, chia ra: học thứ Hai, làm project thứ Ba, viết thứ Tư, đi bộ mỗi ngày. Và trong quá trình viết, dùng AI hỗ trợ: “Cách tốt nhất để mở đầu bài post về chủ đề này là gì?”

Ví dụ post: “Tuần này tôi học được khái niệm điên rồ gọi là hiệu ứng Zeigarnik, cách tốt nhất để vượt qua trì hoãn. Đây là cách dùng…”

Tổng kết

Quay lại bức tranh lớn. Ba hoạt động, mỗi hoạt động mỗi ngày, tạo thành một vòng lặp:

• Làm project giúp bạn biết cần học gì

• Học giúp bạn vượt qua điểm bí trong project

• Viết giúp bạn nhớ lâu và thu hút người quan tâm

Không ai sẽ cho bạn thời gian để làm những điều này. Bạn phải tự lấy. Dậy sớm hơn một tiếng. Hoặc thức khuya hơn. Biến nó thành nghi thức: pha cà phê, mở outline, bật nhạc tập trung, và bắt đầu xây dựng tương lai bạn muốn.

Kỹ năng quan trọng nhất không phải lập trình, thiết kế, hay viết lách. Mà là biết cách học. Vì khi bạn biết cách học, bạn có thể học bất kỳ kỹ năng nào thay đổi cuộc sống.

Source:

1. OpenAI mở rộng quảng cáo ChatGPT với AI-generated ads

OpenAI chính thức triển khai tính năng quảng cáo do AI tự tạo ngay trong giao diện ChatGPT nhằm tối ưu hóa doanh thu. Hệ thống cho phép các thương hiệu tải lên bản tóm tắt yêu cầu (brief), sau đó AI sẽ tự động sản xuất nội dung văn bản, hình ảnh và video cá nhân hóa dựa trên hành vi của từng người dùng cụ thể. Với lượng người dùng hàng tuần đạt mốc 850 triệu, các tập đoàn lớn như Google và Microsoft đã nhanh chóng chi hàng triệu USD để sở hữu quyền truy cập sớm. Mục tiêu của OpenAI là đạt doanh thu quảng cáo 2 tỷ USD vào năm 2026 nhằm giảm bớt sự phụ thuộc vào nguồn thu từ phí đăng ký thuê bao hàng tháng.

Sự thay đổi này đánh dấu cột mốc quan trọng trong việc thương mại hóa các giao diện hội thoại AI. Trải nghiệm người dùng sẽ thay đổi từ việc tìm kiếm thông tin thuần túy sang tiếp nhận các gợi ý mua sắm được cá nhân hóa sâu theo ngữ cảnh trò chuyện. Đối với các đơn vị quảng cáo tại Việt Nam, khả năng sử dụng công cụ AI để tạo ra hàng nghìn mẫu quảng cáo khác nhau với chi phí thấp sẽ trở thành năng lực cạnh tranh cốt lõi trên thị trường quốc tế.

Nguồn: TechCrunch AI

2. Anthropic ra mắt Claude Enterprise Suite với cam kết bảo mật cao

Anthropic vừa giới thiệu bộ giải pháp Claude Enterprise Suite tập trung tối đa vào bảo mật và quản trị dữ liệu cho khối doanh nghiệp lớn. Sản phẩm cam kết không lưu giữ dữ liệu (zero-data-retention), hỗ trợ triển khai trên đám mây riêng (VPC) và đạt các tiêu chuẩn tuân thủ nghiêm ngặt như SOC2 Type II. Bộ công cụ bao gồm SDK dành cho Claude Agents, các cổng kết nối trực tiếp với PowerPoint, Excel cùng các mẫu thiết kế chuyên biệt cho ngành y tế và tài chính. Với định giá công ty lên tới 380 tỷ USD, Anthropic đang nỗ lực cạnh tranh trực tiếp với Microsoft Copilot trong các ngành công nghiệp có quy định pháp lý khắt khe.

Việc ra mắt gói doanh nghiệp với các cam kết bảo mật cao giúp xóa bỏ rào cản lớn nhất đối với việc ứng dụng AI trong các lĩnh vực nhạy cảm. Tại Việt Nam, các tổ chức như ngân hàng hoặc bệnh viện hiện đã có thể tiếp cận hạ tầng AI tuân thủ luật chủ quyền dữ liệu năm 2026. Xu hướng này tạo ra tiêu chuẩn mới về lưu trú dữ liệu và khả năng kiểm chứng hoạt động của AI trong môi trường làm việc chuyên nghiệp, thúc đẩy tiến trình chuyển đổi số an toàn.

Nguồn: Anthropic Newsroom

3. Google Gemini 3 Deep Think vượt mốc 45% trên benchmark ARC-AGI

Google DeepMind công bố mô hình Gemini 3 Deep Think với khả năng tư duy vượt trội, đạt 45% trên thang đo ARC-AGI, cao gấp đôi so với thế hệ GPT-4o. Mô hình tích hợp quy trình xác minh chuỗi (chain-of-verification) giúp giảm tỷ lệ phản hồi sai lệch (hallucination) đến 60%. Với cửa sổ ngữ cảnh hỗ trợ 2 triệu token và khả năng tích hợp giao thức MCP (Model Context Protocol) của Data Commons, Gemini 3 có thể thực hiện các lập luận dựa trên dữ liệu thực tế phức tạp. Đây được xem là bước tiến lớn nhất trong khả năng tư duy trừu tượng của trí tuệ nhân tạo kể từ khi mô hình PaLM 2 ra mắt.

Sự ra đời của Deep Think chuyển dịch trọng tâm từ việc dự đoán từ ngữ theo khuôn mẫu sang khả năng lập luận thực sự. Các nhà nghiên cứu và chuyên gia phân tích dữ liệu giờ đây sở hữu công cụ mạnh mẽ hơn để xử lý các báo cáo dài và phức tạp. Đối với cộng đồng công nghệ, việc định hình lại các tiêu chuẩn thông minh cho AI agent dựa trên khả năng giải quyết vấn đề thực tế thay vì chỉ trả lời câu hỏi sẽ trở nên phổ biến hơn trong thời gian tới.

Nguồn: Google DeepMind Blog

4. Goldman Sachs công bố lợi nhuận gấp 8 lần từ AI agent

Ngân hàng Goldman Sachs vừa tiết lộ kết quả triển khai các AI agent từ Anthropic với tỷ suất lợi nhuận (ROI) đạt gấp 8,2 lần chỉ sau 90 ngày. Hệ thống đã tự động hóa thành công 67% các quy trình vận hành hậu cần bao gồm định danh khách hàng (KYC), kiểm tra tuân thủ pháp lý và lập báo cáo tài chính. Nhiều tập đoàn trong danh sách Fortune 500 khác như JPMorgan, Uber và Cisco cũng xác nhận đạt được những con số tăng trưởng tương đương. Việc chuyển đổi từ các dự án thử nghiệm sang sản xuất thực tế quy mô lớn đang thiết lập một tiêu chuẩn kinh tế rõ ràng cho việc ứng dụng AI.

Con số ROI 8,2 lần cung cấp bằng chứng thuyết phục để các doanh nghiệp Việt Nam xây dựng bài toán kinh tế khi đầu tư vào công nghệ mới. Nhân sự trong ngành tài chính sẽ đối mặt với áp lực tự động hóa ngày càng tăng, đòi hỏi sự chuyển dịch sang kỹ năng điều phối AI agent (agent orchestration). Thị trường dự kiến sẽ chứng kiến làn sóng chi tiêu mạnh mẽ cho AI doanh nghiệp trong giai đoạn 2026-2028 nhờ vào những hiệu quả kinh tế đã được chứng minh cụ thể.

Nguồn: Lazarev Agency AI Weekly

5. DeepSeek V4 vượt qua Claude trong thử nghiệm lập trình

Mô hình DeepSeek V4 chính thức ra mắt và gây bất ngờ khi vượt qua Claude Opus 4.6 về khả năng lập trình với hiệu suất cao hơn 17% trên SWE-bench và 22% trên HumanEval. Mô hình hỗ trợ cửa sổ ngữ cảnh lên tới 4 triệu token nhưng có mức giá chỉ 0,15 USD cho mỗi 1 triệu token, rẻ hơn 70% so với GPT-4o. Đặc biệt, DeepSeek đã mở mã nguồn cho 50% trọng số mô hình, thu hút hơn 2 triệu lượt tải xuống chỉ trong vòng 48 giờ. Đây là lần đầu tiên một mô hình từ Trung Quốc vươn lên dẫn đầu các bảng xếp hạng lập trình toàn cầu.

Sự xuất hiện của DeepSeek V4 tạo ra cuộc cạnh tranh khốc liệt về hiệu suất và giá cả giữa các quốc gia công nghệ. Các lập trình viên tự do tại Việt Nam có cơ hội tiếp cận công cụ hỗ trợ viết mã ở đẳng cấp cao với chi phí vận hành thấp. Điều này giúp các công ty gia công phần mềm trong nước giảm đáng kể chi phí nhân sự và tăng khả năng cạnh tranh quốc tế. Tuy nhiên, việc sử dụng các mô hình mở cũng đặt ra những thách thức mới về quản lý chủ quyền dữ liệu.

Nguồn: Reuters, Hugging Face leaderboards

6. Liên minh Châu Âu ban hành án phạt đầu tiên theo Đạo luật AI

Liên minh Châu Âu (EU) vừa ban hành quyết định xử phạt đầu tiên theo Đạo luật AI (AI Act) với số tiền 28 triệu Euro dành cho một công ty nhận diện khuôn mặt. Lý do xử phạt là đơn vị này đã không thực hiện nộp báo cáo đánh giá rủi ro theo quy định. Theo luật mới, các hệ thống AI thuộc nhóm rủi ro cao như nhận dạng sinh trắc học và chấm điểm tín dụng bắt buộc phải trải qua quy trình kiểm toán từ quý 2 năm 2026. Hiện có hơn 200 công ty đã chủ động nộp lộ trình tuân thủ để tránh các rắc rối pháp lý trong tương lai.

Hiệu ứng từ Đạo luật AI đang lan rộng và thiết lập các tiêu chuẩn tuân thủ mới cho khu vực châu Á - Thái Bình Dương. Các doanh nghiệp Việt Nam khi xuất khẩu dịch vụ công nghệ sang thị trường quốc tế cần chuẩn bị sẵn sàng các quy trình đánh giá rủi ro và minh bạch thuật toán. Ở góc độ cá nhân, người dùng sẽ được bảo vệ tốt hơn trước tình trạng giám sát bằng AI có thiên kiến hoặc các hệ thống đánh giá tự động thiếu công bằng.

Nguồn: MIT Technology Review

AI Việt Nam tuần này

7. Viettel và G42 vận hành cụm AI chủ quyền đầu tiên tại Việt Nam

Viettel phối hợp cùng tập đoàn G42 đã hoàn thành giai đoạn 1 của cụm siêu máy tính AI chủ quyền (sovereign AI cluster) với hệ thống 300 chip đồ họa NVIDIA DGX B200. Hạ tầng này được sử dụng để huấn luyện mô hình ViGPT-7B chuyên biệt cho tiếng Việt, đạt kết quả 92% trên bộ tiêu chuẩn Vietnamese GLUE. Hệ thống dự kiến sẽ phục vụ khoảng 50 triệu người dùng tại Việt Nam bắt đầu từ quý 2 năm 2026, đánh dấu việc Việt Nam gia nhập nhóm 10 quốc gia sở hữu hạ tầng AI chủ quyền.

Việc sở hữu hạ tầng và mô hình ngôn ngữ riêng giúp giảm độ trễ xử lý dữ liệu tới 80% so với việc sử dụng máy chủ tại nước ngoài. Người dân có thể tiếp cận các công cụ hỗ trợ tiếng Việt chính xác và miễn phí cho các tác vụ hàng ngày. Đối với doanh nghiệp, việc sử dụng mô hình nội địa giúp đảm bảo tính tuân thủ về bảo mật dữ liệu quốc gia và tạo ra các ứng dụng mang tính đặc thù văn hóa cao, phù hợp với người dùng Việt.

Nguồn: VnExpress Số hóa

8. Việt Nam đẩy nhanh lộ trình xây dựng khung pháp lý về trí tuệ nhân tạo

Dựa trên những chuyển động từ Đạo luật AI của EU, Việt Nam đang tích cực đẩy nhanh quá trình xây dựng khung pháp lý cho trí tuệ nhân tạo theo mô hình quản lý dựa trên rủi ro. Các cơ quan chức năng đang nghiên cứu việc bắt buộc đánh giá rủi ro cho các hệ thống AI trong lĩnh vực tài chính, y tế và định danh điện tử. Mục tiêu là tạo ra hành lang pháp lý an toàn cho doanh nghiệp phát triển công nghệ trong khi vẫn đảm bảo bảo vệ quyền lợi và sự riêng tư của người tiêu dùng trước các thuật toán tự động.

Việc sớm hoàn thiện khung pháp lý giúp doanh nghiệp công nghệ trong nước dễ dàng tích hợp với các tiêu chuẩn quốc tế khi cung cấp dịch vụ ra toàn cầu. Các chuyên gia pháp chế và kỹ sư AI cần chú trọng hơn đến các quy trình kiểm soát thiên kiến và tính giải trình của mô hình ngay từ giai đoạn phát triển. Điều này không chỉ là yêu cầu pháp lý bắt buộc mà còn là yếu tố then chốt để xây dựng lòng tin lâu dài cho người dùng tại thị trường nội địa.

Nguồn: Vietnam.AI

Thế giới công nghệ trong tuần qua đã dịch chuyển từ những cuộc chạy đua về thông số kỹ thuật sang việc chứng minh giá trị kinh tế thực tế và tính tuân thủ pháp lý nghiêm ngặt. Sự vươn lên của các mô hình giá rẻ nhưng hiệu suất cao, kết hợp với các hạ tầng AI chủ quyền như của Viettel, đang mở ra cơ hội lớn cho các thị trường đang phát triển. Ranh giới giữa AI hỗ trợ và AI hành động đang dần xóa nhòa, thiết lập nên một kỷ nguyên máy tính mới dựa trên lập luận sâu.

Lời mở đầu: Cơn đói giữa bàn tiệc vật chất

Chúng ta đang sống trong một kỷ nguyên của những nghịch lý: vật chất đầy rẫy nhưng tâm hồn lại khô cằn. Như J. J. van der Leeuw đã nhận định sắc sảo, về mặt tâm linh, con người hiện đại là những “kẻ bần cùng giữa vinh quang vật chất” (spiritually paupers). Sự nhàm chán và trống rỗng nội tại thúc ép chúng ta lao vào một chuỗi liên hồi các kích thích bên ngoài, cố gắng dùng những cảm giác mạnh để che đậy sự thiếu vắng của sức sống thực thụ.

Tuy nhiên, mọi nỗ lực tìm kiếm sự thỏa mãn từ ngoại giới thực chất chỉ là hành động trốn chạy khỏi chính mình. Trong tác phẩm “Chinh phục Ảo giác” (The Conquest of Illusion), Van der Leeuw không mang đến một hệ thống lý thuyết suông. Ông đóng vai trò một người dẫn đường, giúp chúng ta xuyên qua bức màn ảo ảnh để chạm đến Thực tại – một trạng thái vĩnh cửu luôn hiện hữu ngay đây, nếu ta biết cách chuyển hóa tầm nhìn.

1. Bạn không hề nhìn thấy thế giới, bạn chỉ thấy “Hình ảnh thế giới” của chính mình

Sai lầm căn bản nhất của chúng ta là tin rằng bầu trời xanh hay cây lá xanh kia tồn tại khách quan đúng như những gì ta thấy. Thực chất, đó chỉ là “Hình ảnh thế giới” (World-image) – một tạo tác của tâm thức. Các giác quan không phải là cửa sổ mở ra thực tại, mà là những bộ lọc hạn chế, chỉ phản hồi trước một dải rung động cực nhỏ.

Đáng kinh ngạc hơn, không chỉ ngoại cảnh, mà ngay cả cơ thể bạn – từ làn da, bộ não cho đến các dây thần kinh – cũng chỉ là một phần của “hình ảnh thế giới”. Khi khoa học mô tả các rung động tác động lên võng mạc rồi truyền qua thần kinh đến não, họ vẫn đang mô tả các hình ảnh trong tâm thức. Khoảng cách giữa các biến đổi sinh hóa trong não và cảm giác “thấy cái cây” vẫn là một vực thẳm mà trí năng không thể bắc cầu.

“Chúng ta đang ‘mặc quần áo’ cho thực tại trần trụi bằng những hình ảnh trong tâm thức của chính mình. Chúng ta khách quan hóa những hình ảnh đó và lầm tưởng cái bóng trên vách hang chính là thực thể sống động.”

Đây chính là ẩn dụ “Hang động của Plato” phiên bản hiện đại: Chúng ta là những tù nhân bị xiềng xích, quay lưng với ánh sáng và mải mê phân tích những bóng đổ trên tường hang. Nhận ra rằng thế giới này là một “phiên bản” do tâm thức diễn giải sẽ giải phóng chúng ta khỏi sự cứng nhắc của các định kiến vật chất, mở đường cho một nhận thức siêu vượt.

2. Vật chất và Tinh thần: Không phải thực thể, mà là những mối quan hệ

Một “tội lỗi triết học” phổ biến là việc chúng ta biến các mối quan hệ thành các thực thể độc lập. Chúng ta thường coi Vật chất và Tinh thần là hai thứ đối lập, nhưng Van der Leeuw khẳng định chúng chỉ là những từ ngữ mô tả hướng nhìn của tâm thức.

Vật chất không phải là một “thứ” cứng nhắc, mà là cách một thực tại thấp hơn xuất hiện trước một thực tại cao hơn (khi chúng ta bị giới hạn bởi nó). Ngược lại, Tinh thần là cách một thực tại cao hơn xuất hiện trước một thực tại thấp hơn (khi chúng ta cảm thấy sự giãn nở của tâm thức).

Để minh họa tính tương đối này, hãy xem xét mối tương quan:

• Nếu gọi tâm thức hiện tại của bạn là b, một thực tại cao hơn là c, và một thực tại thấp hơn là a.

• Khi bạn nhìn lên c, mối quan hệ đó là b = c/x (vật chất hóa hay bị giới hạn).

• Khi bạn nhìn xuống a, mối quan hệ là b = xa (tinh thần hóa hay bao trùm).

Bản thân a, b hay c không có nhãn dán cố định là “vật chất” hay “tinh thần”. Tất cả chỉ là những vị trí tương đối trong cấu trúc của Thực tại Toàn thể. Việc coi chúng là các thực thể biệt lập chỉ cho thấy tâm thức chúng ta đang bị cầm tù trong ảo ảnh nhị nguyên.

3. Thời gian là một “lỗi lập trình” của trí tuệ

Trí năng của chúng ta hoạt động như một máy chiếu, phân rã Thực tại Vĩnh cửu thành một dòng chảy tuyến tính gồm quá khứ, hiện tại và tương lai. Thực tế, thời gian chỉ là một công cụ kỹ thuật để tâm thức xử lý cái Toàn thể vốn hiện hữu đồng thời.

Hãy tưởng tượng một sinh vật hai chiều sống trên mặt nước phẳng. Khi một hình nón (vật thể ba chiều) đi xuyên qua mặt nước, sinh vật đó sẽ thấy một điểm nhỏ to dần thành vòng tròn rồi biến mất. Nó gọi đó là “sự tiến hóa” hoặc “dòng chảy thời gian”. Nhưng đối với một người quan sát ba chiều, toàn bộ hình nón đó là một thực thể trọn vẹn, hiện hữu đồng thời ngay lúc đó.

“Thực tại không có bắt đầu hay kết thúc; nó giống như một vòng tròn mà chúng ta đang cố gắng diễn giải theo một đường thẳng.”

Cái gọi là “Hiện tại vĩnh cửu” (Ever-present Reality) không phải là một khoảng thời gian kéo dài vô tận, mà là sự phủ định hoàn toàn dòng chảy thời gian. Khi ta chinh phục được ảo giác, ta không còn chờ đợi tương lai để tìm hạnh phúc, bởi ta nhận ra mọi khoảnh khắc của “tiến hóa” đều đang rực rỡ hiện hữu ngay tại đây.

4. Sáng tạo không phải một sự kiện, mà là một “Nhịp điệu”

Câu hỏi “Thế giới bắt đầu từ khi nào?” là một câu hỏi sai lầm ngay từ nền tảng, vì nó giả định thời gian là có thật. Sáng tạo không phải là một hành động đã xảy ra và kết thúc trong quá khứ bởi một đấng tạo hóa bên ngoài. Sáng tạo chính là bản chất hiện hữu của cái Tuyệt đối, diễn ra dưới một “Nhịp điệu” (Rhythm of Creation) vĩnh cửu.

Nhịp điệu này là sự vận động đồng thời giữa hai cực:

• Sự giới hạn (Limitation): Cái Tuyệt đối tự thu mình vào thế giới Tương đối (từ trung tâm ra vòng tròn).

• Sự giải phóng (Liberation): Cái Tương đối tìm cách trở về với cái Tuyệt đối (từ vòng tròn về trung tâm).

Sáng tạo giống như nhịp thở hay nhịp tim của vũ trụ. Nó không có mục đích hay nguyên nhân bên ngoài, vì bản thân nó chính là nguồn cơn và sự viên mãn của mọi tồn tại. Khi hiểu được nhịp điệu này, chúng ta ngừng truy vấn về “khởi đầu cơ học” của vũ trụ để bắt đầu cảm nhận sự sáng tạo đang tuôn chảy trong từng hơi thở của chính mình.

5. Logic chỉ là kỹ thuật, Trực giác mới là cửa ngõ của Sự thật

Nhiều người lầm tưởng logic là công cụ để tìm ra chân lý. Thực tế, trí năng (Intellect) chỉ có thể xử lý các “bóng đổ” trong hang động, sắp xếp các ký hiệu và biểu tượng của thực tại. Để chạm đến Sự thật, ta cần đến Trực giác (Intuition) – khả năng “Biết bằng cách Trở thành” (knowing by being).

Trí năng giống như kỹ thuật của một người thợ, còn Trực giác là sự kinh ngạc thiêng liêng của một triết gia. Mọi hệ thống triết học vĩ đại không ra đời từ suy luận, mà từ một khoảnh khắc trực giác rực rỡ, sau đó mới được “mặc quần áo” bằng logic để truyền đạt.

“Sự kinh ngạc (Wonder) là khởi đầu duy nhất của triết học.” – Plato.

Logic chỉ là lớp vỏ ngoài, là kỹ thuật truyền đạt chân lý sau khi chân lý đã được trực giác nắm bắt trực tiếp. Một người có thể thuộc lòng mọi định nghĩa về tình yêu bằng trí năng, nhưng anh ta chỉ thực sự hiểu tình yêu khi anh ta là tình yêu đó. Đó chính là sự khác biệt giữa kiến thức gián tiếp và chân lý trực giác.

Kết luận: Trở về từ Đỉnh núi

Hành trình chinh phục ảo giác được ví như việc leo lên “Đỉnh núi của Thực tại” (The Vision on the Mount). Đây không phải là sự tích lũy kiến thức thông thường, mà là một sự chuyển hóa hoàn toàn về chất của tâm thức.

Khi đã đứng trên đỉnh núi, bạn không còn nhìn thế giới cũ bằng con mắt cũ. Bạn nhận ra rằng bí ẩn của cuộc đời không phải là một bài toán hóc búa cần giải quyết bằng trí não, mà là một Thực tại huy hoàng để trải nghiệm bằng cả sự hiện hữu của mình. Bạn trở về thung lũng với một “solitude” (sự cô độc thanh cao) giữa đám đông, vì mắt bạn giờ đây luôn nhìn thấy vẻ đẹp vĩnh cửu ẩn sau lớp vỏ tầm thường của vạn vật.

Vì sao chúng ta thấy hằng ngày mọi người đều nói AI thông minh hơn mà công việc vẫn không nhẹ đi? Vấn đề không nằm ở AI, mà nằm ở cách chúng ta tiếp cận

.

Rất nhiều người vẫn giữ thói quen tư duy nhìn vào AI nhưng một công cụ cứng. Vậy nên mọi người vẫn hằng ngày đi đi tìm các prompt mẫu, các workflow, các quy trình tự động kiểu n8n .Tư duy này không sai, nó mang tính ổn định, bền vững và dễ kiểm soát. Nhưng AI thì lại khác, đây là một công cụ linh hoạt, khuếch đại cấp số nhân theo tư duy của người dùng. Vậy nên nếu bạn chỉ dùng tư duy cứng mà bỏ qua tư duy mở, bạn sẽ bỏ lỡ rất nhiều khả năng mà AI đó có thể mang lại.

Nhưng ngay cả khi đã sẵn sàng thử nghiệm tư duy mở, AI vẫn có những giới hạn cố hữu.

Thứ nhất, từ cuối năm 2024 trở về trước, AI chỉ là sống trong cửa sổ chat (chatbot AI). Hãy hình dung kế toán trưởng cần tổng hợp báo cáo chi phí từ 12 chi nhánh mỗi tuần, mỗi chi nhánh gửi một file Excel riêng. Để dùng ChatGPT phân tích, phải mở file, copy bảng dữ liệu, paste vào chat, đặt câu hỏi, đọc kết quả, rồi lặp lại với 11 file còn lại. Với hàng chục file, hàng trăm file - phần lớn thời gian dành cho việc copy-paste.

Thứ hai, kết quả chỉ là văn bản trong cửa sổ chat. AI làm được phần khó nhất (phân tích dữ liệu, rút ra insight, viết báo cáo hoàn chỉnh), nhưng kết quả nằm trong chat. Muốn lưu thành file Word? Tự copy ra, mở Word, paste vào, format lại. AI làm được 80% công việc khó, nhưng con người vẫn phải làm 20% việc dễ - và phần 20% đó lặp đi lặp lại mỗi lần.

Thứ ba, mỗi cuộc trò chuyện là một khởi đầu mới. Chatbot không nhớ ngữ cảnh giữa các cuộc trò chuyện. Hôm nay dành 15 phút giải thích về quy trình báo cáo. Ngày mai mở chat mới? Phải giải thích lại từ đầu.

AI Agent 2025 có giải quyết được những vấn đề này không?

Các nền tảng lớn nhận ra giới hạn của chatbot và tích hợp khả năng mới. AI không chỉ trả lời câu hỏi mà còn có thể thực hiện hành động cụ thể. ChatGPT ra mắt Canvas. Gemini tích hợp sâu vào Google Workspace. Claude giới thiệu Artifacts. Thay vì chỉ nhận văn bản trong chat, giờ có thể yêu cầu AI tạo trực tiếp tài liệu Word, bảng tính Excel.

Nhưng sau khi sử dụng trong thực tế, một vấn đề khác nổi lên (tinh vi hơn nhưng căn bản không kém). AI tạo được báo cáo đẹp đẽ, nhưng con người vẫn phải tự click Download, tự mở thư mục, tự đặt tên file. AI tạo ra sản phẩm, nhưng việc đặt sản phẩm đó vào đúng vị trí vẫn hoàn toàn thủ công.

Vấn đề cốt lõi nằm ở đâu?

Dữ liệu trong doanh nghiệp không chỉ cần được xử lý; nó cần được quản lý qua nhiều giai đoạn: thu thập dữ liệu từ nhiều nguồn, xử lý và phân tích, đóng gói thành file sản phẩm, lưu trữ vào đúng thư mục, phân phối cho đồng nghiệp, và tái sử dụng quy trình cho lần sau. Chatbot 2022 chỉ giải quyết được phần xử lý. AI Agent 2025 mở rộng thêm phần đóng gói. Nhưng thu thập, lưu trữ, phân phối, tái sử dụng - tất cả vẫn là việc của con người.

Google Antigravity giải quyết vấn đề này như thế nào?

Antigravity được Google giới thiệu là AI IDE (Integrated Development Environment), ứng dụng hỗ trợ lập trình viên. Điều này khiến nhiều người nghĩ rằng Antigravity CHỈ ĐỂ LÀM LẬP TRÌNH. Nhưng nếu áp dụng tư duy mở, bạn sẽ thấy Antigravity có 2 thứ tưởng chừng chỉ là tính năng phụ trợ: (1) truy cập internet thông qua trình duyệt và (2) xử lý file trên máy. Đây lại là 2 tác vụ chủ đạo cho hầu hết các loại công việc - tìm kiếm/thu thập thông tin và xử lý thông tin.

Bạn cần nghiên cứu thị trường? Tìm kiếm thông tin trên mạng và viết thành báo cáo. Bạn cần thống kê thu chi, dòng tiền doanh nghiệp? Đọc các file hóa đơn, tổng hợp lại và tính toán.

Antigravity đang tạo thành một câu chuyện khác biệt. Đây là môi trường trung gian cho việc con người và AI Agent cùng làm việc, dữ liệu được quản lý minh bạch trong cùng một workspace. Agent có thể mở website, điều hướng, thu thập thông tin. Đọc không giới hạn số lượng file (50 file báo cáo, 100 file hợp đồng). Quan trọng hơn, Agent không chỉ tạo file mà còn lưu file vào đúng vị trí trong hệ thống. Và với Knowledge, Workflow, Skill, Rule - định nghĩa một lần, sử dụng nhiều lần.

Vậy Antigravity có phải là giải pháp hoàn hảo?

Không. Do Antigravity vốn được thiết kế dành cho lập trình viên (giống như bếp Âu có thể nấu món Á nhưng vẫn có hạn chế), nên việc sử dụng cho các công việc ngoài lập trình vẫn sẽ có những khó khăn nhất định. Nhưng nếu so với việc làm theo kiểu trước đây (như đã nêu ở trên). Antigravity giúp giải quyết vấn đề về việc quy trình làm việc cùng AI tốt hơn rất nhiều, nên đây là môi trường phù hợp để triển khai làm việc cùng AI Agent.

Nắm được nhu cầu này thì mình đã đúc rút được gì?

Mình nhận thấy ngày càng nhiều người quan tâm đến việc ứng dụng Antigravity vào công việc hằng ngày, không chỉ lập trình. Nhưng hầu hết tài liệu về Antigravity được viết cho developer (thuật ngữ kỹ thuật, ví dụ về code, giao diện command line). Đối với nhân viên doanh nghiệp như kế toán, marketing, sales, quản lý - nội dung này nằm ngoài tầm với. Từ nhu cầu đó, mình đã đúc rút một bản tài liệu rút gọn để giúp bạn hình thành tư duy và ứng dụng Antigravity vào xử lý công việc thực tế.

Tài liệu có những nội dung gì?

Chương 1 trình bày tư duy triển khai: Song Sinh Số Doanh Nghiệp là gì, cấu trúc AI Agent với System Prompt và Knowledge Base, và vị trí của Antigravity trong bức tranh tổng thể.

Chương 2 đi vào ứng dụng thực hành: mô hình KWSR với bốn tầng tri thức (Knowledge, Workflow, Skill, Rule), cách thiết kế từng thành phần trong Antigravity, và ứng dụng cụ thể theo sáu nhóm ngành - Thương mại, Tư vấn, Sản xuất, Xây dựng, Tài chính, Nhân sự. Mỗi khái niệm đi kèm ví dụ minh họa cụ thể. File Markdown duy nhất, khoảng 55 KB, đọc được trên mọi thiết bị.

Ai nên đọc cuốn sách này?

Doanh nghiệp nhỏ và siêu nhỏ hoặc phòng ban trong doanh nghiệp... muốn bắt đầu với AI Agent. Nhân viên văn phòng cần tăng năng suất. Quản lý cần hiểu cách tổ chức dữ liệu để AI làm việc hiệu quả. Không yêu cầu kiến thức lập trình.

Link tài liệu