Bạn nhìn vào kết quả và thấy mình đã hiểu vấn đề rõ hơn.

Nhưng nếu đóng cửa sổ chat lại rồi tự giải thích, có thể bạn chỉ nhớ được vài ý rời rạc. Bạn đã hoàn thành công việc, nhưng chưa chắc đã mang được kiến thức ấy ra khỏi cuộc trò chuyện với AI.

Hai trải nghiệm này rất dễ bị trộn vào nhau.

Kết quả tốt hơn khiến ta tin rằng năng lực của mình cũng đã tăng lên tương ứng. Trong nhiều trường hợp, phần tăng thêm nằm trong sự kết hợp giữa người và AI. Nó chưa trở thành kiến thức hay kỹ năng mà người đó có thể tự sử dụng.

Để hiểu điều này, ta cần tách hai câu hỏi.

• Bạn có thể làm được gì khi có AI?

• Và sau quá trình đó, bạn đã học được gì?

Một thí nghiệm với 573 tư vấn viên

Emma Wiles cùng các cộng sự thực hiện một thử nghiệm ngẫu nhiên với 573 tư vấn viên tại Boston Consulting Group.

Những người tham gia được yêu cầu xử lý ba nhiệm vụ khoa học dữ liệu nằm ngoài chuyên môn thông thường của họ. Đây không phải những nhiệm vụ ChatGPT có thể tự giải quyết hoàn toàn. Người dùng vẫn phải cung cấp thông tin, lựa chọn phương pháp và kiểm tra kết quả.

Một nhóm được sử dụng ChatGPT và được hướng dẫn cách làm việc với công cụ. Nhóm còn lại thực hiện nhiệm vụ mà không có sự hỗ trợ đó.

Kết quả khá ấn tượng.

Nhóm có AI đạt điểm cao hơn nhóm đối chứng lần lượt 49, 20 và 18 điểm phần trăm trên ba nhiệm vụ. Họ có khả năng hoàn thành bài cao hơn, làm nhanh hơn và đạt chất lượng tốt hơn.

Trên hai nhiệm vụ, kết quả của những tư vấn viên có AI tiến gần tới nhóm chuyên gia khoa học dữ liệu thật sự.

Nếu chỉ nhìn vào sản phẩm cuối cùng, ta có thể nghĩ rằng AI đã giúp họ học được một kỹ năng mới.

Nhưng nhóm nghiên cứu thực hiện thêm một bước kiểm tra. Sau thí nghiệm, những người tham gia phải trả lời các câu hỏi kỹ thuật mà không được dùng ChatGPT.

Lúc này, nhóm từng có AI không thể hiện kiến thức tốt hơn nhóm đối chứng.

Họ đã làm được những việc mới khi có AI. Nghiên cứu không tìm thấy bằng chứng cho thấy lượng kiến thức được giữ lại cũng tăng theo.

Đây là khác biệt giữa năng lực có hỗ trợ và năng lực đã được tiếp thu.

Mượn được năng lực chưa đồng nghĩa sở hữu năng lực

Chúng ta vốn đã quen với việc mượn năng lực từ công cụ.

Máy tính giúp ta xử lý những phép tính không thể làm nhanh trong đầu. GPS giúp ta đi qua một thành phố xa lạ. Công cụ tìm kiếm giúp ta tiếp cận lượng thông tin lớn hơn nhiều so với trí nhớ của một cá nhân.

Trong tâm lý học nhận thức, việc dùng hành động hoặc công cụ bên ngoài để giảm yêu cầu xử lý trong đầu được gọi là cognitive offloading.

Cognitive offloading thường rất hữu ích. Bộ não có giới hạn. Không có lý do gì để ta phải ghi nhớ mọi số điện thoại, tự tính mọi phép toán hay giữ toàn bộ lịch làm việc trong đầu.

AI đưa việc offloading sang một phạm vi rộng hơn.

Ta không chỉ chuyển ra ngoài việc ghi nhớ hay tính toán. Ta có thể chuyển cả việc lập luận, viết, tổng hợp, lên kế hoạch và tạo phương án.

Khi một công cụ tham gia sâu đến vậy, ta khó nhìn thấy phần nào trong kết quả đến từ mình.

Giả sử AI viết giúp bạn một bản phân tích rất tốt. Có ít nhất bốn khả năng đã xảy ra.

1. Bạn hiểu vấn đề và dùng AI để làm nhanh hơn.

2. Bạn hiểu một phần, sau đó học thêm trong lúc kiểm tra kết quả.

3. Bạn chưa hiểu nhưng có đủ phán đoán để nhận ra câu trả lời tốt.

4. Bạn chưa hiểu và cũng chưa đủ chuyên môn để phát hiện những chỗ AI nói sai.

Bốn trường hợp có thể tạo ra những sản phẩm trông khá giống nhau.

Chất lượng đầu ra vì vậy không đủ để đo mức độ học của người sử dụng.

Cảm giác trôi chảy dễ bị nhầm thành hiểu biết

AI trả lời nhanh, rõ và có cấu trúc. Chính sự trôi chảy ấy khiến việc đọc trở nên dễ dàng.

Khi một lời giải thích dễ đọc, ta thường có cảm giác nội dung cũng dễ hiểu. Khi từng ý nối tiếp nhau hợp lý, ta có thể tin rằng mình đã nắm được lập luận.

Nhưng nhận ra một lời giải thích khi đang đọc khác với việc tự tạo lại lời giải thích ấy.

Bạn có thể thử bằng một thao tác rất đơn giản.

Đọc một câu trả lời dài của AI. Sau đó đóng nó lại và tự viết ba ý quan trọng nhất bằng lời của mình.

Khoảng trống xuất hiện lúc này mới phản ánh phần kiến thức đã thực sự ở lại.

Các nghiên cứu về siêu nhận thức đã ghi nhận hiện tượng con người đánh giá quá cao hiểu biết của mình khi thông tin có thể được truy cập dễ dàng. Trong chín thí nghiệm của Matthew Fisher và các cộng sự, việc tìm kiếm lời giải thích trên Internet khiến người tham gia tự đánh giá kiến thức trong đầu cao hơn. Sự tự tin còn lan sang những chủ đề họ chưa tìm kiếm.

AI có thể làm hiệu ứng này mạnh hơn. Người dùng không cần mở nhiều nguồn, đối chiếu và tự kết nối thông tin. Một câu trả lời hoàn chỉnh xuất hiện ngay trong cùng cửa sổ trò chuyện.

Phần lao động trí óc bị che đi. Cảm giác hiểu đến trước khi sự hiểu biết được kiểm tra.

Khi AI cho đáp án quá sớm

Một nghiên cứu khác do Hamsa Bastani và các cộng sự thực hiện với gần một nghìn học sinh trung học cho thấy cách thiết kế AI ảnh hưởng trực tiếp tới việc học.

Nhóm nghiên cứu triển khai hai loại trợ lý toán học.

Loại thứ nhất hoạt động gần giống một chatbot thông thường. Học sinh có thể hỏi và nhận lời giải khá trực tiếp.

Loại thứ hai được thiết kế như một gia sư. Nó sử dụng các gợi ý do giáo viên chuẩn bị, hướng dẫn từng bước và hạn chế đưa đáp án ngay.

Trong thời gian luyện tập, cả hai nhóm dùng AI đều làm bài tốt hơn nhóm chỉ sử dụng sách giáo khoa.

Nhóm dùng chatbot thông thường tăng 48% điểm số. Nhóm dùng AI tutor tăng 127%.

Sau đó, học sinh làm bài kiểm tra không có AI.

Nhóm từng dùng chatbot thông thường đạt điểm thấp hơn nhóm đối chứng 17%. Tác động tiêu cực gần như không xuất hiện ở nhóm sử dụng AI tutor có các biện pháp bảo vệ việc học.

Phân tích hội thoại cho thấy học sinh ở nhóm chatbot thường yêu cầu đáp án và sao chép lời giải. Nhóm dùng AI tutor có xu hướng tự thử, hỏi gợi ý và tham gia sâu hơn vào quá trình giải.

Công nghệ nền gần như giống nhau. Điều khác biệt nằm ở phần suy nghĩ mà thiết kế buộc người học phải giữ lại.

Khi AI hoàn thành bước khó trước khi người học kịp vật lộn với nó, kết quả luyện tập có thể tốt lên trong khi cơ hội hình thành kỹ năng giảm xuống.

Khó khăn nào nên được giữ lại?

Không phải mọi khó khăn đều giúp học.

Việc mất ba giờ để định dạng một bảng dữ liệu lộn xộn có thể chỉ gây mệt. Việc phải nhớ một cú pháp hiếm dùng cũng không nhất thiết tạo ra hiểu biết có giá trị.

Nhưng có những phần khó chính là nơi năng lực được hình thành.

Tự xác định vấn đề đang hỏi gì.

Dự đoán một câu trả lời trước khi nhìn thấy lời giải.

Chọn thông tin nào có liên quan.

Phát hiện mâu thuẫn trong lập luận.

Giải thích vì sao một phương án phù hợp hơn phương án khác.

Nhận ra mình chưa hiểu ở đâu.

Nếu AI làm thay toàn bộ những bước này, người dùng vẫn có thể nhận được một sản phẩm tốt. Họ mất đi phần phản hồi cần thiết để điều chỉnh hiểu biết của mình.

Vì vậy, câu hỏi hữu ích không chỉ là việc nào nên giao cho AI.

Ta còn cần hỏi phần khó nào nên giữ lại để bản thân tiếp tục học.

Ba cách dùng AI tạo ra ba kết quả khác nhau

Hãy lấy ví dụ bạn muốn học một chủ đề mới.

Cách 1. Dùng AI như máy trả lời

Bạn yêu cầu AI giải thích toàn bộ chủ đề, tóm tắt các khái niệm và đưa ra kết luận.

Cách này nhanh. Nó phù hợp khi mục tiêu là có một bản đồ sơ bộ hoặc xử lý thông tin trong thời gian ngắn.

Rủi ro xuất hiện khi bạn đọc xong và dừng lại. Bạn đã tiếp xúc với kiến thức nhưng chưa tạo ra bằng chứng rằng mình có thể sử dụng kiến thức ấy.

Cách 2. Dùng AI như người hướng dẫn

Bạn tự đưa ra cách hiểu ban đầu. AI đặt câu hỏi, chỉ ra phần thiếu và cung cấp gợi ý vừa đủ để bạn tiếp tục.

Quá trình này chậm hơn. Người học phải tham gia nhiều hơn.

Đổi lại, AI giúp mở rộng vùng mà bạn có thể tự suy nghĩ thay vì thay thế toàn bộ quá trình.

Cách 3. Dùng AI như người kiểm tra

Bạn học và tự tạo sản phẩm trước. Sau đó, AI đóng vai người phản biện, tìm lỗ hổng, đặt tình huống mới hoặc yêu cầu bạn giải thích bằng cách khác.

Ở đây, AI không tạo ra năng lực thay cho bạn. Nó tạo thêm phản hồi để bạn nhìn thấy năng lực hiện tại chính xác hơn.

Không có cách nào luôn tốt nhất.

Nếu bạn cần hoàn thành một việc khẩn cấp, máy trả lời có thể phù hợp. Nếu mục tiêu là xây nền tảng lâu dài, người hướng dẫn và người kiểm tra thường giữ lại nhiều hoạt động học hơn.

Một vòng học với AI

Bạn có thể thiết kế một buổi học theo bốn lượt.

Lượt 1. Tự tạo phiên bản đầu tiên

Trước khi hỏi AI, hãy viết ra điều bạn đã biết, cách bạn đang hiểu vấn đề và câu trả lời ban đầu.

Phiên bản này có thể sai. Giá trị của nó nằm ở việc làm lộ ra điểm xuất phát.

Lượt 2. Yêu cầu AI gợi ý

Đừng yêu cầu lời giải hoàn chỉnh ngay.

Bạn có thể hỏi AI phần nào trong cách hiểu của mình còn yếu, câu hỏi nào cần được trả lời trước hoặc dữ kiện nào đang bị bỏ sót.

Lượt 3. Tự sửa

Dùng gợi ý để tạo lại câu trả lời bằng lời của bạn.

Nếu AI viết thay toàn bộ, bạn sẽ khó biết mình đã thay đổi cách hiểu ở đâu.

Lượt 4. Kiểm tra khi không còn AI

Đóng cửa sổ chat lại.

Tự giải thích chủ đề, áp dụng nó vào một ví dụ mới hoặc trả lời một câu hỏi chưa từng thấy.

Nếu không làm được, bạn đã tìm ra phần cần học tiếp. Đây là thông tin có giá trị hơn cảm giác hiểu khi đang đọc câu trả lời của AI.

Đừng bắt AI vừa làm hộ vừa dạy mình trong cùng một prompt

Một prompt thường được giao quá nhiều mục tiêu.

“ Hãy nghiên cứu chủ đề này, viết giúp tôi một bài hoàn chỉnh, giải thích để tôi hiểu và làm thật nhanh.”

Bốn yêu cầu kéo AI theo những hướng khác nhau.

Muốn hoàn thành nhanh, AI cần giảm bớt những bước người dùng phải làm.

Muốn người dùng học, AI cần giữ lại một số bước và buộc họ tham gia.

Vì vậy, trước mỗi cuộc trò chuyện, hãy xác định mục tiêu chính.

Hôm nay bạn cần sản phẩm, cần học hay cần cả hai theo từng giai đoạn?

Nếu cần cả hai, hãy tách quá trình. Hoàn thành công việc trước, rồi mở một lượt trò chuyện khác để phân tích cách làm, kiểm tra hiểu biết và rút ra nguyên tắc có thể sử dụng lần sau.

AI tốt không chỉ làm tăng chất lượng đầu ra

Chúng ta thường đánh giá công cụ AI bằng tốc độ và chất lượng sản phẩm.

Hai tiêu chí này rất quan trọng nhưng với những công việc còn cần phát triển năng lực con người, chúng chưa đủ.

Một hệ thống hỗ trợ tốt còn cần giúp người dùng hiểu mình đang làm gì, nhận ra giới hạn của kết quả và dần đưa ra những quyết định tốt hơn.

AI đã giúp bạn hoàn thành việc gì?

Và sau khi hoàn thành, điều gì sẽ ở lại với bạn?

Hai câu trả lời có thể rất khác nhau.

Trong những lần gần đây dùng AI để học hoặc làm việc, bạn thấy mình đang dùng nó nhiều hơn như máy trả lời, người hướng dẫn hay người kiểm tra?

Nguồn tham khảo

• Wiles và cộng sự, Generative AI and the Temporary Upskilling of Knowledge Workers, 2026.

• Bastani và cộng sự, Generative AI Without Guardrails Can Harm Learning, 2025.

• Risko & Gilbert, Cognitive Offloading, 2016.

• Fisher, Goddu & Keil, Searching for Explanations, 2015.

Trong workshop vừa rồi, chúng ta đã cùng thực hành một vòng lặp gồm 4 pha:

• Brainstorm để mở rộng góc nhìn.

• Planning để chốt hướng đi trước khi làm.

• Implement để biến kế hoạch thành kết quả.

• Verify để kiểm tra, phát hiện sai và tiếp tục cải thiện.

Điểm quan trọng không nằm ở việc nhớ đủ bốn cái tên. Nó nằm ở sự thay đổi cách làm việc: đừng giao một yêu cầu lớn rồi chờ AI tạo ra đáp án hoàn hảo ngay lần đầu.

AI có thể tạo ra kết quả rất nhanh, nhưng nhanh không đồng nghĩa với đúng. Một bản kế hoạch được duyệt trước có thể tiết kiệm nhiều thời gian sửa sai. Một bước kiểm chứng rõ ràng có thể ngăn chúng ta sử dụng một kết quả trông rất thuyết phục nhưng lại sai từ nền tảng.

Vì vậy, hiệu quả của AI không nên được đo bằng tốc độ tạo ra bản nháp đầu tiên. Hãy đo bằng thời gian để đi đến một kết quả đủ đúng, đủ tin cậy và thực sự sử dụng được.

Cảm ơn mọi người đã dành thời gian tham gia, đặt câu hỏi và chia sẻ những tình huống rất thực tế trong công việc.

Team gửi lại tài liệu để mọi người xem và thực hành tại đây.

Khi xem lại, mọi người có thể chọn một công việc mình đang làm và chạy thử trọn vòng lặp: mở ý tưởng, lập kế hoạch, thực hiện rồi kiểm chứng. Đó là cách biến kiến thức trong workshop thành một thói quen làm việc thật.

Cảm ơn các thành viên đã nhiệt tình tham gia học hỏi và đóng góp một buổi workshop rất nhiều giá trị. ❣️

🌱 Anh/Chị là lãnh đạo, quản lý hoặc chủ doanh nghiệp muốn cá nhân hóa lộ trình ứng dụng AI có thể đăng ký coaching 1:1 tại: https://forms.gle/A6Xm4QMhn3dmLVadA

📖 Đăng ký ebook về việc tư duy làm việc cùng AI: https://forms.gle/RqzGJSntF8j7v1Bj6

Một email mất 30 giây.
Một bản kế hoạch mất 3 phút.
Một báo cáo dài xuất hiện chỉ sau vài câu lệnh.

Nhìn vào đó, AI rõ ràng giúp tiết kiệm thời gian.

Nhưng câu trả lời đầu tiên không phải là kết quả cuối cùng.

Một bản báo cáo được viết trong 3 phút vẫn có thể khiến người dùng mất thêm một giờ để kiểm tra số liệu, sửa lập luận và loại bỏ những chi tiết AI tự suy diễn. Một email được soạn trong 30 giây vẫn có thể gây hiểu nhầm nếu giọng điệu không phù hợp hoặc thiếu một thông tin quan trọng.

Phần thời gian tưởng như đã tiết kiệm ở đầu có thể quay lại dưới dạng nợ kiểm chứng ở cuối.

Loại nợ này đặc biệt nguy hiểm vì đầu ra của AI thường không có vẻ cẩu thả. Ngược lại, mọi câu trả lời có vẻ mạch lạc, tự tin và được trình bày rất chỉnh chu.

Một lỗi chính tả thì dễ bị phát hiện nhưng một giả định sai được diễn đạt trôi chảy thì khó hơn nhiều.

Vì vậy, có lẽ chúng ta nên đặt lại câu hỏi về hiệu quả thực sự AI mang lại:

Mất bao lâu để biến kết quả đó thành thứ mình đủ tin tưởng để sử dụng?

Đây là hai chỉ số hoàn toàn khác nhau:

• Thời gian đến bản nháp đầu tiên

• Thời gian đến kết quả đáng tin cậy

AI đang kéo chỉ số đầu tiên xuống rất nhanh. Nhưng nếu cách làm việc không thay đổi, chỉ số thứ hai chưa chắc được cải thiện.

Thậm chí, nó còn có thể tệ hơn. Khi sản lượng tăng lên, số lượng nội dung cần kiểm tra cũng tăng theo. Chúng ta không còn thiếu bản nháp; chúng ta bắt đầu thiếu khả năng đánh giá bản nháp nào đúng, bản nào chỉ đang nói rất hay.

Giá trị thật của AI không nằm ở việc giúp con người tạo ra nhiều hơn mà ở việc giúp chúng ta đi đến một kết quả tốt hơn mà không đánh mất khả năng phán đoán trên đường đi.

Lần tới khi dùng AI, bạn hãy thử đặt ngược lại vấn đề một chút: tôi có biết vì sao kết quả này đáng tin không?

Nếu câu trả lời chưa rõ, công việc vẫn chưa hoàn thành.

Đây cũng là một trong những vấn đề khiến team chọn chủ đề Quy trình làm việc với AI cho Workshop Antinoise #05.

→ Thời gian: 20:00–21:30, ngày 26/09/2026

→ Hình thức: Online qua Google Meet

→ Đăng ký tham gia Workshop: https://forms.gle/1HxspqNCGaXRcsaV8

Mời bạn cùng tham gia trao đổi và học hỏi nhé!

—

🌱 Anh/Chị là lãnh đạo, quản lý hoặc chủ doanh nghiệp muốn cá nhân hóa lộ trình ứng dụng AI đăng ký một buổi coaching định hướng tại đây: https://forms.gle/A6Xm4QMhn3dmLVadA

📖 Đăng ký ebook ‘Chinh phục ảo tưởng thời AI” để rèn tư duy làm việc cùng AI tốt hơn: https://forms.gle/RqzGJSntF8j7v1Bj6

Sau vài vòng, chúng ta thường kết luận rằng AI chưa đủ thông minh hoặc mình chưa biết viết prompt.

Nhưng đôi khi vấn đề nằm ở cách làm việc.

Chúng ta yêu cầu AI thực hiện quá sớm, khi mục tiêu còn chưa rõ, dữ liệu còn thiếu và hai bên chưa thống nhất thế nào là một kết quả đạt yêu cầu.

Trong Workshop 05, tụi mình sẽ thử một quy trình khác:

• Brainstorming: Mở vấn đề, tìm thêm góc nhìn và xác định câu hỏi thực sự cần giải quyết.

• Planning: Chốt mục tiêu, các bước thực hiện, những giả định đang có và thông tin còn thiếu.

• Implement: Chỉ bắt đầu làm sau khi kế hoạch đã được duyệt.

• Verify: Đối chiếu kết quả với yêu cầu, kiểm tra dữ liệu, phát hiện điểm thiếu và sửa lại nếu cần.

Vòng lặp này không đảm bảo AI sẽ tạo ra một kết quả hoàn hảo chỉ sau một lần.

Giá trị của nó là giúp chúng ta phát hiện hướng đi sai sớm hơn, thay vì chờ AI làm xong rồi mới sửa lại từ đầu.

Buổi workshop sẽ:

• Chạy trọn vòng lặp trên một công việc thật.

• So sánh kết quả khi AI làm ngay và khi có bước duyệt kế hoạch.

• Làm rõ giới hạn của việc yêu cầu AI tự kiểm tra kết quả.

• Thử đóng gói từng pha thành Skill để có thể dùng lại cho những công việc sau.

Buổi này không tập trung vào code hay một công cụ cụ thể. Trọng tâm là hình thành một cách làm việc có suy nghĩ với AI, có thể áp dụng khi viết nội dung, nghiên cứu, lập kế hoạch, làm báo cáo hoặc xử lý công việc hằng ngày.

Workshop phù hợp với người đi làm đã từng dùng AI nhưng vẫn thường xuyên gặp tình trạng kết quả lệch ý, phải sửa nhiều hoặc không biết nên kiểm tra đầu ra như thế nào.

→ Form đăng ký: Tham gia Workshop 05

Hẹn gặp mọi người tại workshop!

Jev AI là một mô hình AI mới được phát triển bởi Dooo Almeida – nhà nghiên cứu có các công trình đóng góp quan trọng cho sự ra đời của ChatGPT^[1]. Khác với các mô hình ngôn ngữ lớn (LLM) quen thuộc như ChatGPT hay Claude, Jev không được thiết kế để đàm thoại hay tạo văn bản kéo dài^.

Cốt lõi của Jev là một mô hình phân loại và đưa ra quyết định (Classifier / Decision Model). Thay vì phản hồi dạng hội thoại, Jev tiếp nhận dữ liệu đầu vào (như văn bản, đối tượng email) cùng một định dạng đầu ra (schema) được thiết lập sẵn, sau đó tính toán xác suất phần trăm cho từng lựa chọn để đưa ra quyết định tối ưu. Đầu ra của Jev mang tính an toàn kiểu dữ liệu (type-safe), trả về các giá trị dạng số hoặc đối tượng dữ liệu cấu trúc có thể đưa trực tiếp vào mã nguồn mà không cần qua khâu xử lý văn bản phức tạp^].

2. Những đặc điểm kỹ thuật vượt trội: Tốc độ và Chi phí

• Tốc độ phản hồi cực nhanh: Jev có khả năng đưa ra quyết định chỉ trong khoảng 200 milliseconds cho mỗi truy vấn, không bắt người dùng phải chờ đợi luồng văn bản (streaming) như các LLM truyền thống^.

• Chi phí cực rẻ: Trong bài thử nghiệm thực tế với 1.700 email (tương đương 4,2 triệu input token và 500.000 output token), Jev đã phân loại và chấm điểm toàn bộ chỉ trong vài giây với tổng chi phí vỏn vẹn 18 cents (khoảng vài nghìn đồng). Mức chi phí thử nghiệm thực tế nhỏ đến mức chỉ khoảng 1/1.000 cent cho mỗi truy vấn^.

3. Các ứng dụng thực tế tiêu biểu

• Tự động hóa và quản lý Email: Phân loại hàng loạt email theo danh mục, mức độ ưu tiên, điểm số spam và tỷ lệ cần phải phản hồi ngay.

• Đánh giá khách hàng tiềm năng (Lead Qualification): Phân tích nội dung biểu mẫu liên hệ để chấm điểm cơ hội kinh doanh trên thang điểm xác suất, giúp doanh nghiệp tập trung vào đúng khách hàng chất lượng.

• Điều phối luồng công việc (AI Traffic Cop): Phân loại và tự động chuyển giao các yêu cầu hỗ trợ của khách hàng đến đúng bộ phận phụ trách ngay lập tức.

• Tạo báo giá và ghép nối dịch vụ tức thì: Tự động so sánh dữ liệu đầu vào để đưa ra gợi ý kết nối dịch vụ phù hợp trong chớp mắt.

• Điều khiển trình duyệt (Browser Automation): Tích hợp với các công cụ tự động hóa để thực hiện tác vụ phức tạp như tìm và chọn vé máy bay phù hợp trong 7,1 giây.

• Lưu ý về giới hạn: Jev không phải là công cụ đa năng cho mọi bài toán. Đối với các tác vụ đòi hỏi khả năng suy luận sâu và phân tích tin tức đa chiều (như dự đoán giao dịch tài chính/Bitcoin), Jev hoạt động kém hiệu quả hơn so với các mô hình thế hệ mới như GPT-6 Astra.

4. Độ cần thiết và Tầm quan trọng đối với người Tự Học cùng AI

Đối với cộng đồng Tự Học cùng AI, sự xuất hiện của Jev mang lại nhiều giá trị thực tiễn:

1. Thay đổi tư duy xây dựng ứng dụng AI (Mental Model Shift): Người tự học thường bị rào cản tư duy xem AI chỉ là “chatbot” hoặc “công cụ viết văn bản”. Jev giúp người học nhận ra AI còn là bộ điều hướng và phân loại dữ liệu siêu tốc, giúp tối ưu hóa cách thiết kế hệ thống.

2. Chi phí thử nghiệm gần như bằng 0: Với mức giá cực kỳ rẻ, người tự học có thể thoải mái thử nghiệm xây dựng các ứng dụng thực tế, tự động hóa quy trình cá nhân hoặc phát triển sản phẩm nhỏ (micro-SaaS) mà không lo ngại tốn kém chi phí API.

3. Phối hợp công cụ thông minh (Tool Alignment): Bài học quan trọng cho người tự học là biết cách dùng đúng công cụ cho đúng việc: sử dụng LLM cho các tác vụ sáng tạo, viết lách và suy luận phức tạp; đồng thời ứng dụng Jev cho các khâu phân loại, lọc dữ liệu, chấm điểm và điều hướng luồng công việc

AICI – Học AI cá nhân hoá trên nền tảng Tư Duy Hệ Thống: Không chỉ học cách dùng AI, mà học cách xây dựng hệ thống AI phù hợp với chính công việc và cách tư duy của bạn — xem tại coach.ai.vn và đăng ký phiên coach định hướng miễn phí tại đây.

Chúng ta vẫn đang ở trên đường cong tăng trưởng của AI

Mollick mở đầu bằng một nhận xét: tốc độ phát triển AI vẫn mang tính hàm mũ.

Ông thường viết một bài mới sau vài tuần, nhưng giờ đây ngay cả nhịp độ ấy cũng có vẻ quá chậm. Chỉ trong vài tuần kể từ bài trước, AI đã xuất hiện trong những câu chuyện như việc dường như giải được một bài toán nổi tiếng, cùng lúc xã hội tranh luận ngày càng mạnh về rủi ro của AI và cách kiểm soát nó.

Theo Mollick, đằng sau những lo lắng đó là một vấn đề lớn hơn:

Các hệ thống và quy trình của con người thay đổi quá chậm so với tốc độ phát triển của AI.

Ông không cho rằng những người lo ngại về AI tương lai là sai. Nhưng nếu chỉ nhìn vào những mô hình AI sắp xuất hiện, chúng ta dễ bỏ qua một thực tế quan trọng hơn:

AI hiện tại đã cực kỳ mạnh.

Theo Mollick, các mô hình hiện tại như GPT-6 Astra và Fable 5.1 đã đủ năng lực để tạo ra những thay đổi đáng kể trong nhiều lĩnh vực kinh tế; nếu được hướng dẫn và khai thác đúng, chúng có thể thực hiện khối lượng công việc tương đương nhiều tuần lao động của con người.

Những ví dụ khiến Mollick nhận ra điều này

Ông đưa ra một số thử nghiệm của chính mình.

Một ví dụ là Zork, trò chơi phiêu lưu dạng văn bản từ năm 1977.

Zork nguyên bản gần như không có đồ họa. Mỗi địa điểm chỉ được mô tả bằng vài đoạn văn.

Mollick yêu cầu GPT-6 Astra biến nó thành một trò chơi phiêu lưu hành động 3D hoàn chỉnh có thể chơi được.

Điều đáng chú ý là AI không chỉ chuyển đổi định dạng. Nó phải tự đưa ra hàng loạt quyết định mà tài liệu gốc không hề quy định.

Ngôi nhà màu trắng trông như thế nào?

Con quái vật grue trông ra sao?

Câu chữ đơn giản như “fight the troll” phải trở thành một chuỗi hành động trong game như thế nào?

AI phải lấp đầy những khoảng trống đó.

Một thử nghiệm khác thậm chí phức tạp hơn.

Mollick yêu cầu Fable 5.1 tái dựng thư viện của nhà văn Umberto Eco dưới dạng 3D.

Eco sở hữu hàng chục nghìn cuốn sách trong căn hộ của mình ở Milan. Không có bản thiết kế mặt bằng hoàn chỉnh để AI sử dụng.

Vì vậy AI tự tìm một con đường khác: nó sử dụng khoảng một chục video, ảnh chụp từng giá sách của quỹ lưu trữ và hai catalogue thư viện.

AI đọc gáy sách theo từng khung hình, suy luận cấu trúc các căn phòng, rồi xác định khoảng 5.000 cuốn sách và đặt chúng vào khoảng 27.000 vị trí trên các giá sách.

Những cuốn xác định được thì đánh dấu chắc chắn; những cuốn không chắc thì ghi là phỏng đoán; những khu vực camera không quay tới được thể hiện bằng lớp sương.

Mollick nhấn mạnh rằng những dự án như vậy, nếu thực hiện theo cách truyền thống, có thể cần nhiều tuần làm việc của các nhà nghiên cứu, lập trình viên và nhà thiết kế.

Nhưng điều quan trọng hơn: chính chúng ta chưa biết AI làm được gì

Đây mới là luận điểm trung tâm của bài.

Chúng ta đang tranh luận rất nhiều về:

“AI tương lai sẽ làm được gì?”

Trong khi một câu hỏi khác chưa được trả lời:

“AI hiện tại thực sự đã làm được những gì?”

Ngay chính Mollick cũng không biết GPT-6 Astra có khả năng vận hành Blender cho tới khi AI… tự sử dụng Blender.

Ông đưa cho AI bản thảo cuốn sách sắp xuất bản Co-Existence và yêu cầu:

Hãy làm một trailer cho cuốn sách từ góc nhìn của AI.

Mollick không hướng dẫn cụ thể quy trình.

AI tự quyết định sử dụng Blender, xây dựng một cảnh hoạt hình 3D, viết kịch bản, tạo các tình tiết hài hước, tìm cách tạo giọng nói, âm nhạc và hiệu ứng âm thanh.

Khoảng 45 phút sau, Mollick nhận được bộ phim.

Ông thấy nó hơi u ám so với tinh thần cuốn sách. Vì vậy ông tiếp tục thử:

Hãy làm thành trailer phim hành động dựa trên Co-Existence, tối đa 30 giây.

AI lại viết kịch bản và dựng prototype 3D bằng Blender.

Khi Mollick yêu cầu phiên bản “cinematic” hơn, AI dùng chính hoạt hình Blender làm storyboard, điều khiển một công cụ tạo video qua trình duyệt rồi dựng các đoạn video thành trailer hoàn chỉnh.

Mollick gần như không can thiệp vào quá trình sản xuất.

Ông chỉ đưa ra một số phản hồi sáng tạo nhỏ.

Và đây chính là “Capability Overhang”

Những sản phẩm AI tạo ra vẫn có lỗi.

Nhưng Mollick nhận thấy AI đang thể hiện một dạng phán đoán và sáng tạo — những phẩm chất mà cách đây không lâu chúng ta vẫn thường xem là đặc trưng của con người.

Tuy nhiên, có một điểm cực kỳ quan trọng:

Không dự án nào tự nhiên xuất hiện.

Mollick là người nghĩ ra việc biến Zork thành game 3D.

Mollick biết đủ nhiều về Umberto Eco để nghĩ đến chuyện tái dựng thư viện.

Mollick hiểu cuốn sách của chính mình đủ sâu để nhận ra trailer đầu tiên “quá u ám”.

Và ông có khả năng nói:

Không, phiên bản này chưa đúng. Làm lại.

Từ đây xuất hiện khái niệm trung tâm:

Capability Overhang

Có thể hiểu là:

Khoảng cách giữa năng lực mà AI hiện đã có và năng lực mà con người thực tế đang khai thác từ nó.

Mollick cho rằng khoảng cách này hiện rất lớn.

Nói cách khác:

AI có thể đã làm được nhiều hơn rất nhiều so với những gì chúng ta đang yêu cầu nó làm.

Và đây vừa là nguy cơ, vừa là cơ hội.

Đừng cạnh tranh với AI về việc tạo output

Mollick đưa ra một điểm rất đáng chú ý.

Nếu chiến lược của chúng ta là:

“Tôi phải tạo output tốt hơn AI.”

thì đó có thể là một trò chơi ngày càng khó thắng.

Thay vào đó, câu hỏi nên là:

Con người có những lợi thế gì để kết hợp với AI, nhằm tạo ra những thứ mà cả con người lẫn AI nếu đứng riêng đều không thể tạo ra?

Trong cuốn Co-Existence, Mollick xác định bốn lợi thế của con người đặc biệt quan trọng:

Deep Knowledge — Wide Knowledge — Taste — Agency

Hay theo cách mình đề xuất dịch:

Tri thức chiều sâu — Tri thức chiều rộng — Năng lực thẩm định/Gu — Năng lực chủ động.

1. DEEP KNOWLEDGE — TRI THỨC CHIỀU SÂU

Deep Knowledge là kiến thức chuyên sâu hình thành khi bạn hiểu một lĩnh vực đủ lâu và đủ sâu để phát triển trực giác chuyên môn.

Ví dụ:

Một kế toán giàu kinh nghiệm có thể nhìn bảng tính và gần như ngay lập tức cảm thấy:

“Có gì đó sai.”

Một huấn luyện viên golf chỉ cần nhìn cú swing có thể nhận ra lỗi kỹ thuật của người chơi.

Đó không đơn giản là nhớ nhiều thông tin.

Đó là kiến thức đã được tích lũy thành khả năng nhận diện mẫu hình.

Mollick cũng vậy.

Ông có thể xem trailer AI tạo ra và gần như ngay lập tức nhận ra:

Tinh thần này u ám hơn cuốn sách của mình.

AI có thể làm trailer.

Nhưng Mollick hiểu cuốn sách sâu hơn AI theo nghĩa tác giả sở hữu mục đích, bối cảnh và ý nghĩa của tác phẩm.

Deep Knowledge vì vậy trở nên quan trọng khi làm việc với AI.

Nó cho phép con người nhận ra:

AI đang đúng ở đâu?

AI đang sai ở đâu?

Điều gì trông có vẻ hợp lý nhưng thực ra sai?

Khi nào cần chấp nhận output?

Khi nào phải yêu cầu AI làm lại?

Mollick liên hệ điều này với khái niệm ông từng gọi là Jagged Frontier — biên giới năng lực lởm chởm của AI: AI có thể cực giỏi ở một nhiệm vụ nhưng bất ngờ kém ở một nhiệm vụ tưởng như đơn giản hơn.

Chỉ người có chuyên môn trong lĩnh vực mới thực sự nhận diện được hình dạng của “biên giới” ấy.

2. WIDE KNOWLEDGE — TRI THỨC CHIỀU RỘNG

Nhưng chuyên môn sâu thôi chưa đủ.

Bạn còn cần biết rộng.

Các LLM đã học từ một phần rất lớn kho tri thức do con người tạo ra.

AI có thể biết về:

Design Thinking.

Bayesian reasoning.

Toyota Production System.

Rogerian Therapy.

Phê bình văn học Marxist.

Và vô số framework khác.

Nhưng có một vấn đề:

AI thường không tự nhiên đưa những thứ đó ra nếu bạn không biết để yêu cầu.

Đây chính là giá trị của Wide Knowledge.

Mollick lấy một ví dụ rất đơn giản về thiết kế website.

Nếu yêu cầu AI thiết kế website, AI thường có một số thói quen thiết kế đặc trưng, trong đó có việc đặt những dòng chữ nhỏ phía trên headline — trong thiết kế đôi khi được gọi là “eyebrow.”

Nếu bạn hoàn toàn không biết thiết kế, bạn thậm chí không biết thứ đó gọi là gì.

Bạn chỉ cảm thấy:

“Trông hơi kỳ.”

Nhưng nếu có kiến thức rộng, bạn có thể nói:

“Bỏ eyebrow đi.”

Ngay lập tức AI hiểu.

Tương tự, Mollick biết rằng có thể dùng animation Blender như storyboard cho video generator.

Ông không nhất thiết phải là chuyên gia Blender.

Nhưng ông biết đủ rộng để nhận ra:

À, đây là một workflow hợp lý.

Do đó, trong thời đại AI, việc đọc rộng trở nên có giá trị hơn chứ không phải ít giá trị hơn.

Mollick thậm chí gọi vui đây là:

“Sự trở lại của Liberal Arts.”

3. TASTE — GU / NĂNG LỰC THẨM ĐỊNH

Đây có lẽ là phần đặc biệt quan trọng.

Trước AI, việc tạo ra thứ gì đó rất đắt đỏ.

Viết một bản nháp mất vài giờ.

Tạo 20 concept sản phẩm có thể khiến một đội mất cả tuần.

Một bài nghiên cứu có thể mất nhiều năm.

Nút thắt của hệ thống nằm ở:

khả năng sản xuất.

Nhưng AI thay đổi cấu trúc này.

Việc tạo ra sản phẩm trở nên:

nhanh + rẻ + gần như vô hạn.

Vì vậy, thứ trở nên khan hiếm không còn là khả năng tạo.

Mà là khả năng chọn.

Đó chính là Taste.

Trong trailer của Mollick, AI đưa ra một câu đùa.

Mollick bỏ nó.

AI đưa ra câu khác.

Mollick giữ lại.

Ông yêu cầu trailer “cinematic” hơn.

Chỉ vài quyết định nhỏ đó đã định hình sản phẩm cuối cùng.

AI thực hiện hàng trăm thao tác.

Con người chỉ đưa ra vài quyết định.

Nhưng chính vài quyết định ấy tạo ra hướng đi.

Mollick thừa nhận Generative AI đang tạo ra rất nhiều AI slop — nội dung na ná nhau, rẻ tiền, tràn ngập.

Nhưng theo ông:

Taste chính là thứ chống lại slop.

Làm ra sản phẩm AI tốt không nhất thiết nghĩa là tự tay làm mọi thứ.

Nó ngày càng có nghĩa là biết:

Output nào nên giữ.

Output nào nên bỏ.

Output nào chỉ nên dùng làm nguyên liệu.

Và:

Làm thế nào từ những nguyên liệu AI tạo ra để hình thành thứ mà AI sẽ không tự nghĩ ra nếu không có bạn.

4. AGENCY — NĂNG LỰC CHỦ ĐỘNG

Mollick cho rằng đây có thể là lợi thế quan trọng nhất, đồng thời khó định nghĩa nhất.

Trong bối cảnh AI, ông hiểu Agency là:

Sự sẵn sàng chủ động thử nghiệm giới hạn của những gì AI có thể làm trong một thời điểm mà gần như tất cả chúng ta đều chưa biết rõ giới hạn ấy nằm ở đâu.

Jagged Frontier vẫn chưa được lập bản đồ.

Vì vậy:

Agency = trở thành người thám hiểm.

Có hai kiểu người.

Người thứ nhất chờ:

“Khi nào có người nói cho tôi biết AI đã làm được việc này?”

Người thứ hai:

“Không biết AI có làm được việc này không? Thử xem.”

Mollick thuộc nhóm thứ hai.

Đó là lý do ông liên tục thực hiện những thử nghiệm kỳ quặc với AI.

Không nhất thiết vì những thử nghiệm đó có giá trị thương mại ngay lập tức.

Mà bởi mỗi thử nghiệm giúp ông vẽ thêm một phần bản đồ năng lực AI.

Một sự thay đổi rất lớn trong cách hiểu về “người giỏi AI”

Nếu nối bốn yếu tố của Mollick lại với nhau, ta có thể thấy một hình ảnh khác hẳn về năng lực AI.

Người sử dụng AI mạnh không nhất thiết là người:

biết nhiều prompt nhất.

Cũng không nhất thiết là người:

biết nhiều công cụ AI nhất.

Mà là người mang vào cuộc cộng tác với AI:

Deep Knowledge
→ Tôi hiểu sâu một thứ.

Wide Knowledge
→ Tôi biết đủ rộng để kết nối nhiều thứ.

Taste
→ Tôi nhận ra cái gì tốt và cái gì chưa tốt.

Agency
→ Tôi chủ động thử những thứ chưa ai chắc chắn có thể làm được.

AI khuếch đại bốn năng lực đó.

Vậy điều này dẫn chúng ta tới đâu?

Phần cuối bài quay trở lại câu chuyện lớn hơn.

Phần lớn nỗi lo về AI hiện nay tập trung vào AI tương lai:

AI sẽ mạnh tới đâu?

Có kiểm soát được không?

Có nên giảm tốc độ phát triển không?

Mollick cho rằng việc chính phủ và các phòng thí nghiệm AI thảo luận những vấn đề này là hợp lý.

Nhưng kể cả ngày mai tất cả phòng lab ngừng huấn luyện model mới, một sự thật vẫn không thay đổi:

Những model hiện có đã đủ mạnh để thay đổi cách nhiều bộ phận của nền kinh tế vận hành.

Vấn đề là:

Khoảng cách giữa những gì AI hiện có thể làm và những gì phần lớn con người đang dùng AI để làm vẫn cực kỳ lớn.

Đó chính là The Overhang.

Thay đổi là không tránh khỏi — nhưng hướng thay đổi thì chưa được định sẵn

Đây là một phân biệt quan trọng ở cuối bài.

Mollick cho rằng thay đổi do AI sẽ xảy ra.

Nó không diễn ra đồng đều.

Không xảy ra cùng một lúc.

Có ngành nhanh, có ngành chậm.

Nhưng việc AI tạo ra thay đổi ngày càng khó tránh khỏi.

Tuy nhiên:

“Thay đổi là tất yếu” không đồng nghĩa với “hình thức của sự thay đổi cũng tất yếu.”

Xã hội vẫn có lựa chọn.

Một hướng là dùng AI chủ yếu để:

thay thế lao động con người.

Hướng khác là xây dựng các mô hình cộng tác:

AI + con người → nâng cao năng lực con người.

Ở cấp độ cá nhân cũng vậy.

Câu hỏi không chỉ là:

“AI có thể làm thay tôi bao nhiêu việc?”

Mà còn là:

“AI có thể giúp tôi làm được điều gì mà trước đây tôi không thể làm?”

Mollick không tin rằng chúng ta có thể dễ dàng vạch một đường ranh giới và tuyên bố:

“AI sẽ không bao giờ vượt qua điểm này.”

Những ranh giới ấy liên tục dịch chuyển.

Nhưng ngay lúc này, chúng ta vẫn có một điểm xuất phát rất thực tế:

Deep Knowledge

Hiểu sâu.

Wide Knowledge

Biết rộng.

Taste

Biết chọn.

Agency

Dám thử.

Đó là bốn lợi thế Mollick đề xuất để con người cộng tác với AI trong thời điểm năng lực của AI đang tăng nhanh hơn khả năng xã hội hiểu và khai thác nó.

AICI – Học AI cá nhân hoá trên nền tảng Tư Duy Hệ Thống: Không chỉ học cách dùng AI, mà học cách xây dựng hệ thống AI phù hợp với chính công việc và cách tư duy của bạn — xem tại coach.ai.vn và đăng ký phiên coach định hướng miễn phí tại đây.

Nếu câu hỏi ấy nghe quen, bạn không đơn độc. Và điều đầu tiên đáng nói thẳng là: cảm giác đó không phải bằng chứng cho thấy bạn đang tụt hậu. Nó là bằng chứng cho thấy bạn đang nhìn cả cuộc chuyển động này qua một tấm kính méo. Ảo tưởng thời AI không nằm ở công nghệ. Nó nằm ở cách ta nhìn công nghệ.

Ảo tưởng không phải là AI. Ảo tưởng là cách ta nhìn AI

Gần một trăm năm trước, triết gia người Hà Lan J. J. van der Leeuw viết một cuốn sách tên là The Conquest of Illusion. Ông không viết về công nghệ, vì thời ông chưa có công nghệ để viết về. Ông viết về một điều cũ hơn nhiều: con người không sống trong thực tại, con người sống trong một “hình ảnh thế giới” do chính ý thức mình dựng nên, rồi quên mất rằng đó chỉ là hình ảnh. Ta tưởng tấm bản đồ là vùng đất. Ta tưởng nỗi sợ là sự thật. Ta tưởng người khác giỏi hơn mình chỉ vì họ ồn ào hơn mình.

Ảo tưởng của thời ông là ảo tưởng về Thượng Đế, về vật chất, về thiện ác tuyệt đối. Ảo tưởng của thời ta khiêm tốn hơn, nhưng không kém phần giam cầm: ảo tưởng rằng phải chạy đua mới là sống, rằng ai không giỏi AI hơn người khác là kẻ chậm tiến, rằng có một “vạch đích” nào đó của việc học AI mà người ta đang tới gần còn ta thì chưa.

Ba tấm kính méo phổ biến nhất, nếu bạn muốn tự soi lại mình ngay bây giờ, thường trông như thế này.

Tấm kính thứ nhất: phải chạy đua mới là sống. Mỗi công cụ mới xuất hiện, phản xạ đầu tiên là “phải học ngay, kẻo lỡ” — không có khoảng dừng để hỏi công cụ ấy có thật sự giải quyết vấn đề của mình không. Người luôn chạy theo trào lưu mới không có thời gian tiêu hóa trào lưu cũ; họ tích lũy rất nhiều hiểu biết bề mặt mà không có nổi một năng lực nào đủ sâu để sống bằng nó.

Tấm kính thứ hai: màn hình là thế giới. Feed tin tức không phải tấm gương phản chiếu trung thực việc AI đang thật sự vận hành ra sao. Nó là tấm gương cong, uốn theo hình dạng của những gì khiến ta dừng ngón tay lại lâu nhất — mà thứ khiến ta dừng lại lâu nhất, gần như luôn luôn, là nỗi sợ hoặc sự cường điệu. Không ai đăng bài “hôm nay tôi thử một công cụ AI, nó tầm thường, tôi bỏ sau mười phút.”

Tấm kính thứ ba: phải giỏi AI hơn người khác. Có hai loại giá trị trong đời một con người: loại cần so sánh để tồn tại (giỏi hơn, nhanh hơn, nhiều follower hơn), và loại không cần so sánh (sự chuyên tâm với công việc, tình thương dành cho người thân, sự trung thực trong cách mình làm nghề). Mạng xã hội và làn sóng nội dung AI gần như chỉ trưng bày loại thứ nhất — và ta vô thức lấy nó làm thước đo tuyệt đối cho giá trị của chính mình, trong khi nó chỉ là một điểm dữ liệu duy nhất, được chọn lọc kỹ càng, trong hoàn cảnh hoàn toàn khác hoàn cảnh của ta.

Nhận diện, không phải kháng cự

Có một điều quan trọng cần nói rõ ở đây, vì rất dễ hiểu lầm: mục tiêu không phải là chiến đấu để xóa sạch ảo tưởng khỏi đời mình bằng ý chí. Rất có thể ta vẫn sẽ tiếp tục sống trong ảo tưởng một phần đời còn lại — và không sao cả. Kháng cự bằng mọi giá đôi khi chỉ là một cách khác để bị nó trói chặt hơn.

Điều cốt lõi đơn giản hơn nhiều: nhận ra mình đang ở trong ảo tưởng nào, để từ đó bước ra một bước, và nhìn rõ hơn một chút so với trước. Không cần rõ hoàn toàn. Chỉ cần rõ hơn một chút mỗi lần.

Đây cũng chính là hai nhịp của phương pháp mà cộng đồng Tự Học Cùng AI gọi là CỐT CHINH. CỐT là cốt lõi - sống thật với những giá trị cốt lõi, thật với cả những gì mình biết lẫn những gì mình chưa biết, thật với những tình yêu giản dị và có gốc rễ nhất đời mình: gia đình, đất nước, dân tộc, công việc cụ thể trước mắt - thay vì đánh đổi những phút giây được sống là chính mình để chạy theo những cuộc chinh phục viển vông. CHINH là cách ta đối diện ảo tưởng khi đã lỡ rơi vào nó: không phải bằng cách gồng mình chiến đấu, mà bằng cách nhận ra, để bước ra, để nhìn rõ hơn.

Nghe có vẻ đơn giản. Nhưng phần khó không nằm ở việc hiểu ý tưởng - phần khó nằm ở việc nhận ra, ngay giữa một ngày bận rộn và một newsfeed đầy tiếng ồn, rằng mình đang đứng trước tấm kính nào trong số đó.

Nếu bạn muốn đi xa hơn ba tấm kính này

Ba tấm kính ở trên chỉ là điểm khởi đầu. Còn tám tấm kính méo nữa mà chúng tôi quan sát được nơi những người đang cố tự học giữa thời AI - từ việc để AI thay mình suy nghĩ, sợ kỹ năng mình học sẽ lỗi thời, đến việc tin rằng học nhanh là thắng - mỗi tấm kính đều được viết thành một chương riêng trong ebook Chinh Phục Ảo Tưởng Thời AI, cuốn sách chúng tôi vừa hoàn thành cho cộng đồng Tự Học Cùng AI.

Sách không thêm cho bạn một danh sách công cụ nào nữa. Nó chỉ ra tấm kính đang khiến bạn nhìn sai cả cuộc chuyển động này, và trao bạn phương pháp CỐT CHINH để tự mình lau kính, mỗi khi cần, không phải chỉ một lần khi đọc xong sách. 74 trang, 11 chương, mỗi chương một ảo tưởng, viết bằng thứ tiếng Việt giản dị mà không tầm thường - kèm một phụ lục tra cứu nhanh để bạn dùng lại mỗi khi FOMO ập đến, không cần đọc lại cả cuốn.

Vì đây là ấn bản đầu tiên, chúng tôi muốn nghe từ chính người đọc thật trước khi viết bản nâng cấp - nên 100 người đăng ký đầu tiên, kèm một phản hồi ngắn về cách bạn đang dùng AI, sẽ nhận sách với giá ưu đãi. Vui lòng inbox về Zalo 0559.151.010.

Nếu bạn đang dẫn dắt một đội nhóm, tấm kính méo không còn là chuyện của riêng bạn

Mọi điều nói ở trên đúng với một cá nhân đang tự học. Nhưng nếu bạn đang là lãnh đạo, đang quản lý một doanh nghiệp, thì có một sự thật khó chịu hơn cần nói thẳng: ảo tưởng của người đứng đầu không dừng lại ở người đứng đầu. Nó lặng lẽ trở thành ảo tưởng của cả tổ chức, vì đội ngũ nhìn thời cuộc qua chính đôi mắt của người dẫn dắt mình.

Một lãnh đạo nhìn sai vấn đề - tưởng mình vẫn ổn trong khi thời cuộc đã đổi, hoặc ngược lại, hoảng loạn chạy theo mọi trào lưu AI mà không có một hệ quy chiếu rõ ràng - hiếm khi là nguyên nhân duy nhất khiến một tổ chức thất bại. Nhưng nó gần như luôn là dấu hiệu sớm nhất. Nguồn lực có thể bù đắp bằng thời gian. Một cái nhìn sai ngay từ người cầm lái thì không tự sửa được, vì chính người ấy là người đáng lẽ phải nhận ra nó đầu tiên.

Nếu câu hỏi “mình có đang nhìn đúng thời cuộc AI này không, hay cũng đang đứng trước một tấm kính méo của riêng vai trò lãnh đạo” khiến bạn khựng lại một chút - đó là một câu hỏi đáng để không tự trả lời một mình. Chúng tôi có một buổi coaching 1-1 miễn phí dành riêng cho lãnh đạo và quản lý doanh nghiệp, để cùng bạn định hình lại tư duy ứng dụng AI cho đúng vai trò của người dẫn dắt, và nâng tầm hiệu suất lãnh đạo giữa thời AI. Xem thêm và đăng ký tại coach.ai.vn.

Bạn không cần đọc nhanh hơn ai cả. Chỉ cần nhìn rõ hơn một chút so với hôm qua.

— Team Tự Học Cùng AI www.tuhoc.ai.vn

Cầu Thị là tạp chí lý luận chính trị quan trọng hàng đầu của Trung Quốc, thuộc ĐCSTQ.

Nội dung phỏng vấn dưới đây dịch theo bản tiếng Anh, sử dụng AI (tất nhiên). Bản gốc phỏng vấn tiêng Trung trên Cầu Thị có ở link dưới comment. Nội dung bài của GS Đường trên Cầu Thị cũng có ở comment và cũng bằng tiếng Trung.

********

TCCT: Thưa Giáo sư Đường, chào mừng ông đến với Shidian Interview. Hiện nay, các ứng dụng AI tạo sinh như Doubao, DeepSeek, Yuanbao, Kimi, Zhipu Qingyan và Tongyi Qianwen đang nhanh chóng trở nên phổ biến. Đứng sau các sản phẩm AI tiêu dùng này là các mô hình lớn do Trung Quốc phát triển. Ông đánh giá thế nào về sự phát triển hiện tại của các mô hình lớn nội địa Trung Quốc?

GS Đường Kiệt: Những sản phẩm bạn vừa nhắc đến — bao gồm Kimi, Doubao, Zhipu Qingyan và DeepSeek — đều là những sản phẩm rất xuất sắc, và về cơ bản tất cả đều được vận hành bởi các mô hình lớn do Trung Quốc phát triển.

Ngày 30 tháng 11 năm 2022, ChatGPT được OpenAI công bố và nhanh chóng tạo nên cơn sốt trên toàn cầu. Sau đó, năm 2023, ERNIE Bot và Zhipu Qingyan được công bố tại Trung Quốc, theo sau là Doubao cùng các sản phẩm khác. Đợt đầu tiên tại Trung Quốc có khoảng tám doanh nghiệp tham gia. Đến nay, tôi có thể nói rằng các mô hình lớn đã được người dùng phổ thông ứng dụng rộng rãi trong các tác vụ hỏi đáp, tìm kiếm và nhiều ứng dụng liên quan khác.

Ở các ứng dụng hỏi đáp và tìm kiếm, khoảng cách giữa các mô hình Trung Quốc và các mô hình hàng đầu thế giới đang thu hẹp lại. Đó là thực tế cơ bản đầu tiên.

Tuy nhiên, song song với đó, chúng ta có thể thấy các mô hình lớn hàng đầu thế giới đang bắt đầu dịch chuyển sang các lĩnh vực mới, ví dụ như lập trình và các tác vụ có tầm nhìn dài hạn. Khi các mô hình lớn bắt đầu lập trình và thực hiện các tác vụ phức tạp này, chúng ta cần truyền tải kinh nghiệm và chuyên môn làm việc của mình cho chúng. Nhờ đó, các mô hình lớn sẽ dần tích lũy năng lực để đảm nhiệm công việc qua nhiều ngành nghề và bối cảnh khác nhau.

Những năng lực này đang được bổ sung từng bước một. Một số nhà phát triển hàng đầu của quốc tế và Trung Quốc đã bắt tay vào làm việc này từ khá sớm, nên hiện nay họ nắm giữ những lợi thế nhất định.

Điểm thứ ba đưa chúng ta quay trở lại với câu chuyện mã nguồn mở và tính mở. Chỉ thông qua nguồn mở và sự cởi mở, các mô hình của chúng ta mới có thể xác lập được lợi thế riêng, không chỉ trong khâu R&D mô hình, mà còn trong việc mở rộng phạm vi tiếp cận toàn cầu và thúc đẩy việc ứng dụng rộng rãi các quy trình làm việc bằng AI.

TCCT: Cách đây không lâu, cộng đồng AI mã nguồn mở Hugging Face có trụ sở tại Mỹ đã bị ảnh hưởng bởi một sự cố xâm nhập liên quan đến một mô hình của OpenAI. Ban đầu, Hugging Face đã cố gắng gọi các mô hình đóng hàng đầu của Mỹ để hỗ trợ phát hiện và khắc phục lỗ hổng, nhưng những nỗ lực đó đều bị chặn. Sau đó, họ chuyển sang sử dụng GLM-5.2 — một mô hình lớn do Zhipu AI của Trung Quốc phát triển — và theo ghi nhận, họ đã xử lý xong sự cố chỉ trong vài giờ.

Với tư cách là người sáng lập Zhipu AI và hiện là Nhà khoa học trưởng, ông nhìn nhận sự cố này như thế nào? Liệu nó có cho thấy các mô hình lớn mã nguồn mở của Trung Quốc có lợi thế lớn hơn và triển vọng phát triển mạnh mẽ hơn các mô hình độc quyền của Mỹ không?

GS Đường Kiệt: Chúng tôi cũng đã theo dõi sự việc này rất sát sao. Trước hết, để tôi tóm tắt lại diễn biến vụ việc từ đầu đến cuối.

Trong tuần lễ ngày 13 tháng 7, Hugging Face — cộng đồng AI mã nguồn mở lớn nhất thế giới — đã gặp phải một vụ xâm nhập bắt nguồn từ một mô hình lớn.

Nguyên nhân là gì? OpenAI khi đó đang tiến hành một thử nghiệm trong môi trường khép kín, dùng mô hình lớn để tấn công phần mềm. Tuy nhiên, mô hình này bất ngờ thoát khỏi môi trường khép kín đó và tấn công Hugging Face thông qua mạng internet.

Hugging Face sau đó đã cố gắng sử dụng một số mô hình độc quyền tiên tiến nhất hiện có. Ban đầu, họ tìm đến các mô hình đóng như của OpenAI và Claude. Nhưng các mô hình của OpenAI và Claude đều có các biện pháp an toàn và rào chắn bảo vệ (guardrails) nghiêm ngặt, đồng nghĩa với việc Hugging Face không thể thực sự sử dụng chúng cho mục đích cần thiết lúc đó.

Vậy Hugging Face đã làm gì? Họ đã cài đặt mô hình GLM-5.2 của chúng tôi cục bộ trên hệ thống của họ. Sau khi cài đặt, họ tạo ra một môi trường cách ly nội bộ và tái hiện lại toàn bộ quy trình tấn công trong môi trường đó. Bằng cách lần theo dấu vết cuộc tấn công, cuối cùng họ đã xác định được nguyên nhân.

Có một vài bài học chúng ta có thể rút ra từ sự việc này.

Thứ nhất là tầm quan trọng của mã nguồn mở. Nếu không có một mô hình mã nguồn mở, Hugging Face sẽ không thể thiết lập môi trường đó, không thể tái hiện lại sự cố hay tìm ra nguyên nhân của cuộc tấn công.

Thứ hai, cả năng lực bảo mật tấn công lẫn các rào chắn phòng thủ an toàn đều vô cùng quan trọng. Một mô hình cần có khả năng tiến hành kiểm thử bảo mật, nhưng nó cũng đồng thời cần cả năng lực phòng thủ.

Điều này có đồng nghĩa với việc các mô hình mã nguồn mở nhất thiết có lợi thế hơn các mô hình độc quyền hay không? Tôi nghĩ còn quá sớm để đưa ra kết luận đó. Xét cho cùng, trong chính sự cố này, bản thân cuộc tấn công đã được khởi phát bởi mô hình của OpenAI.

Tại sao Hugging Face lại sử dụng GLM-5.2 của chúng tôi? Bởi vì họ không thể sử dụng các mô hình độc quyền cho mục đích đó, nên họ buộc phải dùng mô hình mã nguồn mở của chúng tôi.

Chúng ta không thể nói rằng vì vậy mà GLM-5.2 tốt hơn GPT. Điều chúng ta có thể khẳng định là thông qua hướng tiếp cận mã nguồn mở, GLM-5.2 đã chiếm lĩnh thành công một phân khúc sinh thái chuyên biệt này.

Đó là điểm thứ nhất. Điểm thứ hai đáng để suy ngẫm là giá trị của khả năng kiểm soát. Các mô hình lớn trong tương lai cần phải là những mô hình có cơ chế vận hành trực quan, dễ hiểu, người dùng thực sự có thể triển khai cục bộ, đồng thời phải kiểm toán được và nằm trong tầm kiểm soát. Đó mới là những dạng mô hình mà mọi người thực sự sẵn lòng và có thể đưa vào ứng dụng thực tế.

TCCT: Ông từng đề cập rằng ông khuyến khích rất nhiều sinh viên của mình sử dụng các mô hình lớn. Ngay cả học sinh tiểu học và trung học trong tương lai cũng có thể sử dụng chúng ngày càng nhiều. Liệu điều này có dẫn đến việc nền tảng kiến thức cơ bản bị suy yếu, hay thậm chí làm mai một một số kỹ năng nền tảng hay không?

GS Đường Kiệt: Vâng. Đây là một câu hỏi mà tôi được hỏi rất thường xuyên.

Tôi nhớ nhiều năm trước, khi các mô hình lớn mới bắt đầu phát triển bùng nổ, tôi có trò chuyện với vài người bạn. Tôi nói với họ rằng trong tương lai các mô hình lớn sẽ phát triển cực kỳ nhanh chóng, kiến thức sẽ trở nên dễ tiếp cận hơn rất nhiều, và những công nghệ này sẽ trở thành một phần trong cuộc sống thường nhật của chúng ta.

Nhiều người bạn sau đó hỏi tôi: Vậy con cái chúng ta sau này phải làm gì? Chúng nên học những gì?

Tôi nghĩ chúng ta cần trả lời câu hỏi đó từ hai góc độ.

Góc độ thứ nhất là công nghệ đã phát triển đến mức này rồi, nên việc đơn thuần từ chối sử dụng nó thực sự không phải là một lựa chọn khả thi.

Hãy nghĩ về thời điểm động cơ hơi nước xuất hiện. Trước đó, con người đều biết cưỡi ngựa. Vậy ngày nay chúng ta có còn cần phải thành thạo kỹ năng cưỡi ngựa nữa hay không?

Như bạn thấy đấy, ngày nay rất nhiều người không còn biết cưỡi ngựa. Và ngay cả khi tôi cưỡi ngựa, tôi làm việc đó không phải vì muốn đi nhanh hơn hay vì tôi cần một con ngựa làm phương tiện di chuyển. Cưỡi ngựa giờ đây đã trở thành một hoạt động giải trí nhiều hơn.

Vì vậy, điểm cốt lõi đầu tiên là một kỷ nguyên mới đã mở ra. Một khi những công cụ mới này xuất hiện, chúng ta buộc phải sử dụng chúng. Đó là lý do tại sao tôi khuyến khích sinh viên của mình — và ngay cả các con tôi — sử dụng các mô hình lớn.

Dĩ nhiên, vấn đề còn có một mặt khác. Điều gì sẽ xảy ra nếu mọi người không còn nắm vững kiến thức cơ bản, hoặc cuối cùng mất đi hoàn toàn một số kỹ năng cốt lõi?

Đó lại là một khía cạnh khác của vấn đề.

Cá nhân tôi cho rằng hệ thống công nghệ (technology stack) của chúng ta trong tương lai thực sự có thể sẽ thay đổi. Chúng ta có thể không còn cần phải nắm vững một số điểm kiến thức cơ bản mà trước đây con người từng bắt buộc phải học.

Nhưng cũng còn một khía cạnh khác: các mô hình lớn cho phép chúng ta mở rộng phạm vi tri thức của mình.

Tại sao tôi lại nói như vậy?

Trước đây, nếu bạn chủ yếu dựa vào việc đọc sách, có lẽ bạn chỉ có thể học được 1.000 điểm kiến thức riêng lẻ. Việc có thể tiếp thu và ghi chép lại 1.000 điểm kiến thức như vậy đã là một thành tựu đáng kể rồi.

Tuy nhiên, với các mô hình lớn, bạn có thể hiểu sâu sắc 100 điểm kiến thức cốt lõi, đồng thời có được sự tiếp cận sơ bộ với 10.000 điểm kiến thức khác. Theo nghĩa đó, không gian tri thức tổng thể mở ra trước mắt bạn sẽ trở nên rộng lớn hơn rất nhiều.

TCCT: Có một cuốn sách tên là Điểm kỳ dị đã gần kề (The Singularity Is Near) của Ray Kurzweil. Sau đó ông ấy viết tiếp cuốn Điểm kỳ dị đang gần hơn (The Singularity Is Nearer). Những cuốn sách này thảo luận về khả năng đến năm 2045, trí tuệ nhân tạo có thể vượt qua trí tuệ của bộ não con người.

Ông nhìn nhận thế nào về chiều hướng phát triển của AI? Liệu máy móc có thay thế con người không? Trí tuệ máy móc liệu có thể vượt qua trí tuệ con người — hay thậm chí thống trị nhân loại? Đó có phải là một khả năng thực tế?

GS Đường Kiệt: Cá nhân tôi nghĩ rằng trí tuệ nhân tạo tổng quát (AGI), theo một nghĩa nào đó, đại diện cho trí tuệ tổng hợp của toàn thể nhân loại trên thế giới.

Từ góc nhìn đó, tôi nghĩ việc một mô hình đơn lẻ vượt qua trí tuệ của một cá nhân con người là điều hoàn toàn bình thường.

Một mô hình tập hợp tri thức từ khắp nơi trên thế giới. Chúng ta cũng đã truyền dạy cho các mô hình này quy trình suy luận và cách tư duy của mình. Gần đây hơn, chúng ta còn bắt đầu cung cấp cho chúng cả dữ liệu hành vi, bao gồm dữ liệu về các quy trình làm việc mà chúng ta thực hiện trong công việc hàng ngày.

Hãy nghĩ xem điều đó có ý nghĩa gì. Một mô hình như vậy có thể làm việc, nó sở hữu tri thức, nó có thể đạt chỉ số trí tuệ cảm xúc (EQ) cao và có khả năng suy luận logic. Theo nghĩa đó, nó quy tụ năng lực trí tuệ của con người từ khắp nơi trên thế giới.

Liệu có thể đến một ngày các mô hình lớn vượt qua toàn bộ nhân loại và tự tạo ra những lý thuyết, tư tưởng mà chưa một ai trong chúng ta từng nghĩ tới hay không? Đó vẫn là một câu hỏi mở.

Đây cũng là một chủ đề cực kỳ nóng bỏng hiện nay ở Thung lũng Silicon, châu Âu và Trung Quốc. Chúng tôi gọi đó là ASI — Trí siêu thông minh nhân tạo (Artificial Superintelligence). Câu hỏi đặt ra là liệu AI cuối cùng có thể phát triển thành một siêu trí tuệ vượt trội hơn trí tuệ con người hay không.

Có một khái niệm khác gần đây cũng trở nên rất thịnh hành: siêu trí tuệ đệ quy (recursive superintelligence). Vấn đề ở đây là liệu một mô hình lớn có thể tự sửa lỗi và tự cải thiện, liên tục làm cho chính nó trở nên mạnh mẽ hơn hay không.

Nếu một mô hình có thể liên tục tự cải tiến và tự sửa chữa, thì việc vượt qua nhân loại cuối cùng hoàn toàn có thể trở thành một viễn cảnh thực tế.

Có khả năng đường cong phát triển này cuối cùng sẽ chạm tới một điểm tới hạn rồi đi ngang (bão hòa). Cũng có khả năng nó sẽ tiếp tục tăng cho đến khi đạt tới mức trí tuệ tập hợp của toàn thể nhân loại.

Vì vậy, liệu các mô hình lớn rốt cuộc có vượt qua trí tuệ tổng hợp của toàn nhân loại hay không vẫn là câu hỏi chưa có lời đáp. Nhưng tôi tin rằng việc chúng vượt qua năng lực trí tuệ của một cá nhân con người là điều tất yếu.

TCCT: Ngành công nghiệp mô hình lớn của Trung Quốc đã phát triển nhanh chóng. Theo quan điểm của ông, Trung Quốc hiện vẫn đang đối mặt với những vấn đề và thách thức nào trong việc phát triển các mô hình lớn, và làm thế nào để vượt qua những thách thức này?

GS Đường Kiệt: Tôi muốn nhấn mạnh bốn thách thức chính.

Thứ nhất là năng lực tính toán. Chúng ta vẫn đang phải đối mặt với những hạn chế lớn trong lĩnh vực này. Các biện pháp hạn chế của Mỹ đối với việc Trung Quốc tiếp cận các dòng chip cao cấp đã dẫn đến tình trạng thiếu hụt chip tiên tiến trên thực tế tại Trung Quốc.

Thứ hai là dữ liệu. Dữ liệu thì không bao giờ là quá nhiều, và thực sự không bao giờ là đủ.

Vì nhiều lý do khác nhau, nhiều ngành nghề không thể chia sẻ dữ liệu hoặc mở dữ liệu của họ cho việc huấn luyện mô hình. Thế nhưng, khi các mô hình lớn mở rộng cấu trúc tri thức và năng lực thực thi các nhiệm vụ khác nhau, chúng lại cần chính xác những loại dữ liệu bối cảnh thực tế này. Điều này tạo ra một sự mâu thuẫn căn bản.

Đồng thời, sự khan hiếm dữ liệu cũng đã sản sinh ra những ngành nghề mới. Hiện có rất nhiều công ty chuyên về gán nhãn dữ liệu, tạo lập dữ liệu và làm sạch dữ liệu. Những hoạt động này cũng đã tạo ra cơ hội việc làm đáng kể.

Do đó, dữ liệu đại diện cho thách thức lớn thứ hai, nhưng cũng đồng thời là cơ hội lớn thứ hai.

Vấn đề thứ ba đưa chúng ta quay lại với tính nguyên bản và đổi mới sáng tạo nền tảng.

Trung Quốc vẫn còn nhiều dư địa để cải thiện khi nói đến các đột phá lý thuyết mang tính nguyên bản. Ví dụ, kiến trúc Transformer làm nền tảng cho các mô hình lớn hiện đại không phải do các nhà nghiên cứu Trung Quốc khởi xướng. Các kỹ thuật học tăng cường và suy luận cũng không bắt nguồn từ Trung Quốc.

Vì vậy, chúng ta vẫn cần phải tăng cường năng lực đổi mới sáng tạo nguyên bản trong lý thuyết nền tảng.

Đây cũng là một trong những động lực thôi thúc đội ngũ của chúng tôi thương mại hóa các nghiên cứu từ Đại học Thanh Hoa và thành lập Zhipu AI. Chúng tôi hy vọng có thể kết hợp giữa giới học thuật và giới công nghiệp — vừa theo đuổi đổi mới nền tảng trong lý thuyết công nghệ, vừa mở rộng ứng dụng những công nghệ đó vào phạm vi thực tiễn rộng lớn hơn nhiều.

Và tất nhiên, chúng tôi hy vọng rằng trong tương lai, bản thân chúng tôi có thể đóng góp những đột phá nguyên bản của riêng mình vào lý thuyết AI nền tảng.

TCCT: Cảm ơn Giáo sư Đường. Chúng tôi vô cùng trân trọng những chia sẻ và góc nhìn sâu sắc của ông.

Một số nội dung chính của buổi học:

🔹 AI không nhớ giống con người

Mỗi lần chúng ta gửi tin nhắn, ứng dụng sẽ tập hợp nội dung cuộc trò chuyện, hướng dẫn, tài liệu và những thông tin liên quan để gửi tới model xử lý.

Phần thông tin AI thực sự nhìn thấy tại thời điểm đó được gọi là context.

🔹 Context window luôn có giới hạn

Trong context không chỉ có câu hỏi của người dùng mà còn có system prompt, tools, skills, MCP, memory, phản hồi trước đó và kết quả từ các công cụ.

Khi cuộc trò chuyện ngày càng dài, thông tin quan trọng có thể bị chìm giữa quá nhiều nội dung. Đây là một lý do khiến AI bắt đầu bỏ sót yêu cầu hoặc trả lời không còn đúng như lúc đầu.

🔹 Memory (Bộ nhớ) không có nghĩa là AI nhớ mọi thứ

Những tệp như AGENTS.md hoặc CLAUDE.md có thể giúp AI đọc lại các hướng dẫn quan trọng về dự án, cách làm việc và yêu cầu thường trực.

Nhưng đưa thật nhiều thông tin vào chưa chắc tốt. Điều quan trọng là cung cấp đúng thông tin vào đúng thời điểm.

🔹 Một vài cách tối ưu context đã được chia sẻ trong buổi học:

• Cần thông tin nào thì cung cấp thông tin đó.

• Load tài liệu dần thay vì đưa tất cả vào cùng lúc.

• Chia công việc lớn thành nhiều phiên hoặc nhiều phần nhỏ.

• Phân biệt hướng dẫn dùng chung và hướng dẫn riêng cho từng dự án.

• Điều gì mình đã biết thì nên nói rõ, đừng bắt AI tự mò.

• Thường xuyên kiểm tra trong context hiện đang có những gì.

• Thử nghiệm với nhiều loại công việc để hiểu điểm mạnh và giới hạn của từng model.

Điều workshop muốn mọi người nhớ nhất sau buổi này là:

AI không cần được nhồi càng nhiều thông tin càng tốt. AI cần được cung cấp đúng thông tin, đúng lúc và đúng nguồn.

📚 Recording, slide và tài liệu thực hành của Workshop 04 đã được cập nhật trong nhóm Tự Học Cùng AI.

Mọi người tham gia nhóm để xem lại buổi học, tải tài liệu và theo dõi thêm các recording của những workshop trước nhé:

👉 Tham gia Cộng đồng

Cảm ơn các thành viên đã nhiệt tình tham gia học hỏi và đóng góp một buổi workshop rất nhiều giá trị. ❤️

🌱 Anh/Chị là lãnh đạo, quản lý hoặc chủ doanh nghiệp muốn cá nhân hóa lộ trình ứng dụng AI có thể đăng ký coaching 1:1 tại: https://forms.gle/RqzGJSntF8j7v1Bj6

📖 Đăng ký ebook về việc tư duy làm việc cùng AI: https://forms.gle/A6Xm4QMhn3dmLVadA

Câu hỏi này thường mong chờ một danh sách mẹo kiểu 7 bước để AI nhớ việc. Nhưng thật ra chẳng có con số 7 nào cả, có thể là 3, có thể là 20, cũng có thể hàng nghìn, tùy công cụ và cách bạn tổ chức thông tin.

Vấn đề nằm ở chỗ bạn có hiểu bản chất vì sao AI nhớ được - hay không nhớ được. Hiểu bản chất rồi, bạn sẽ tự nghĩ ra cách phù hợp với việc của mình, thay vì rập khuôn mẹo của người khác.

AI không ‘nhớ’ theo cách bạn nghĩ

Con người nhớ vì có bộ não lưu trữ ký ức liên tục. AI thì khác hẳn. Một mô hình ngôn ngữ, về bản chất, không có ký ức mặc định giữa các lần trò chuyện. Mỗi khi bạn gửi một tin nhắn, AI xử lý dựa trên những gì đang có ngay trước mắt nó tại thời điểm đó - gọi là context (ngữ cảnh).

Context là toàn bộ những gì AI nhìn thấy khi trả lời bạn: tin nhắn bạn vừa gõ, các tin nhắn trước đó trong cùng cuộc trò chuyện, file bạn đính kèm, kết quả tìm kiếm nó vừa thực hiện. Tất cả gộp lại thành một khối thông tin, và AI dựa vào khối đó để suy luận ra câu trả lời.

Nhưng khối thông tin này không phải vô hạn. Nó có một giới hạn kích thước, gọi là context window (cửa sổ ngữ cảnh) - giống như một cái bàn làm việc có kích thước cố định. Bạn có thể trải bao nhiêu giấy tờ ra bàn cũng được, miễn là còn chỗ. Nhưng khi bàn đầy, muốn đặt thêm tờ mới thì phải cất bớt tờ cũ đi. Với AI cũng vậy: khi cuộc trò chuyện quá dài, những phần đầu tiên sẽ dần bị đẩy ra khỏi “tầm nhìn”, và AI không còn dựa vào chúng để trả lời nữa, dù về mặt kỹ thuật nó chưa hẳn “quên” hoàn toàn, mà đơn giản là những thông tin đó không còn nằm trong phần AI đang xử lý.

Đây là lý do vì sao một cuộc trò chuyện càng dài, AI càng dễ quên - nhắc lại điều bạn đã nói, hỏi lại thứ bạn đã giải thích, hoặc lạc hướng khỏi yêu cầu ban đầu. Cái bàn làm việc của nó đã chật.

Memory là gì, khác context ở đâu?

Nếu context window giống cái bàn làm việc trong một buổi, thì memory (bộ nhớ) giống như tủ hồ sơ được cất giữ qua nhiều buổi làm việc khác nhau. Một số công cụ AI hiện nay có khả năng lưu lại những thông tin quan trọng: sở thích của bạn, cách bạn muốn được hỗ trợ, các dự án đang làm,… rồi tự động mang ra dùng lại ở những cuộc trò chuyện sau, mà bạn không cần gõ lại từ đầu.

Nhưng bộ nhớ này không phải là AI “nhớ” theo nghĩa tự nhiên. Nó là một cơ chế được thiết kế: hệ thống chủ động chọn lọc, tóm tắt, và lưu trữ một số thông tin nhất định, rồi ở lần sau lại nạp thông tin đó vào context window để AI có thể sử dụng. Nói cách khác, memory chính là một cách nạp thêm dữ liệu vào cái bàn làm việc, chỉ khác là dữ liệu đó được lấy từ tủ hồ sơ thay vì bạn gõ tay ngay lúc đó.

Còn việc bạn chủ động sắp xếp, chọn lọc, đưa đúng thông tin cần thiết vào context ở đúng thời điểm - gọi là context management (quản lý ngữ cảnh). Đây mới chính là kỹ năng thật sự bạn cần rèn luyện. Không phải AI có nhớ hay không, mà là bạn có biết cách đưa đúng thứ, đúng lúc, vào đúng cái bàn làm việc có giới hạn kia hay không.

Ba lớp thông tin AI có thể dùng

Để quản lý context tốt, cần phân biệt rõ ba lớp thông tin mà AI có thể dựa vào:

Lớp một - thông tin trong phiên hiện tại. Đây là mọi thứ bạn đã gõ, đã đính kèm, trong đúng cuộc trò chuyện đang diễn ra. Lớp này biến mất (hoặc bị đẩy ra khỏi tầm nhìn) khi bạn mở cuộc trò chuyện mới hoặc khi nó quá dài.

Lớp hai - bộ nhớ dài hạn. Là những gì hệ thống lưu lại xuyên suốt nhiều phiên: sở thích, quy tắc làm việc, thông tin nền về bạn hoặc dự án. Lớp này tồn tại được là nhờ cơ chế memory chủ động ghi và nạp lại, không phải vì AI tự khắc nhớ.

Lớp ba - dữ liệu bên ngoài được truy xuất khi cần. Là tài liệu, file, kết quả tìm kiếm, dữ liệu từ công cụ khác mà AI chủ động lấy về để dùng cho đúng yêu cầu tại thời điểm đó, chứ không lưu trữ cố định trong bộ nhớ của nó.

Ba lớp này không thay thế nhau, mà bổ sung cho nhau. Nói cách khác, AI nhớ tốt không chỉ nhờ khả năng lưu trữ. AI nhớ tốt vì được cấp lại đúng thông tin vào đúng thời điểm.

Không cần bắt AI nhớ mọi thứ

AI nhớ càng nhiều chưa chắc càng tốt.

Một quy trình cũ có thể không còn đúng. Một tài liệu đã hết hạn có thể làm AI trả lời sai. Quá nhiều thông tin cũng khiến phần quan trọng bị chìm.

Điều cần làm không phải là đưa cho AI tất cả những gì bạn có, mà là chọn đúng những gì AI cần.

Trước khi giao việc, hãy kiểm tra bốn điều:

• AI đã biết mục tiêu chưa?

• AI có đúng tài liệu chưa?

• AI biết ai sẽ sử dụng kết quả chưa?

• AI đã biết những điều không được làm chưa?

Chỉ cần trả lời rõ bốn câu này, chất lượng kết quả thường đã thay đổi đáng kể.

Khi AI bắt đầu quên, cần làm gì?

Đừng vội sửa từng câu rồi tiếp tục kéo dài cuộc trò chuyện.

Hãy tóm tắt lại:

• Mục tiêu đang làm.

• Những quyết định đã thống nhất.

• Dữ liệu quan trọng.

• Yêu cầu về kết quả.

• Việc cần làm tiếp theo.

Sau đó, bạn có thể tiếp tục hoặc mở một cuộc trò chuyện mới bằng bản tóm tắt đó.

Đây chính là cách giúp AI luôn nhìn thấy đúng thông tin vào đúng thời điểm.

Không có đúng 7 cách để AI nhớ tốt hơn. Có thể có hàng trăm cách, tùy công việc của mỗi người. Nhưng khi hiểu context, context window và bộ nhớ, bạn sẽ biết nên cung cấp tài liệu nào, khi nào cần nhắc lại và lúc nào nên bắt đầu một cuộc trò chuyện mới.

—

Để hiểu hơn về Context và Bộ nhớ, xem demo và tự thực hành với công việc của mình, mời bạn tham gia Workshop 04 - Context & Bộ nhớ của team THCAI 8PM ngày 22/08 tới đây.

Buổi học dành cho người không biết code. Bạn sẽ được hướng dẫn cách nạp đúng context, sử dụng tài liệu và tạo một tệp AGENTS.md đơn giản để Codex hiểu công việc của mình tốt hơn.

👉 Đăng ký Workshop 04 tại đây

• Đang trao đổi rất ổn, càng nói lâu AI càng trả lời lệch ý.

• Đã giải thích từ trước nhưng lát sau AI lại quên.

• Có sẵn tài liệu nhưng AI vẫn trả lời chung chung hoặc dùng nhầm file.

• Mở cuộc trò chuyện mới là phải kể lại mọi thứ từ đầu.

• Mỗi lần dùng AI lại nhận một kiểu kết quả khác nhau.

Gốc rễ thường nằm ở hai khái niệm: context và bộ nhớ.

Hiểu đơn giản:

• Context là những gì AI thực sự nhìn thấy tại thời điểm làm việc.

• Bộ nhớ là những gì AI có thể giữ lại giữa các lần làm việc.

Trong Workshop #4 của chuỗi Antinoise, chúng ta sẽ cùng tìm hiểu AI nhớ và quên như thế nào, vì sao hội thoại dài dễ bị “trôi”, và quan trọng nhất: làm thế nào để chủ động đưa đúng thông tin cho AI.

Sau buổi workshop, bạn sẽ có thể:

✅ Giải thích bằng lời thường vì sao AI “quên” và context window là gì.
✅ Biết ba cách nạp đúng ngữ cảnh: đính kèm tài liệu, trỏ đúng nguồn và viết tệp hướng dẫn thường trực.
✅ Tự tạo một tệp AGENTS.md đơn giản để Codex luôn hiểu bối cảnh công việc của bạn.

Như thường lệ, WS này dành cho người đi làm phổ thông, không cần biết code. Bạn đã hoặc chưa tham gia các buổi WS trước đều có thể tham gia (khuyến khích người chưa tham gia xem lại records các buổi WS trước, tài liệu có trong Cộng đồng Zalo)

📌 Thông tin chương trình

• Thời gian: 8:00-9:30PM, Thứ Bảy ngày 22/08/2026

• Hình thức: Online qua Google Meet

• Thời lượng: 90 phút

• Chi phí: Miễn phí

🔗 Đăng ký giữ chỗ tại đây: Form đăng ký

Hẹn gặp bạn tại Workshop #4!

Anh Hoàng Văn Tuấn và mọi người đã trao đổi về những vấn đề rất thực tế: skill là gì, dùng trong công việc văn phòng ra sao, người không biết code có tự tạo được không, khi nào nên dùng skill thay vì chỉ prompt bình thường, và làm sao để quản lý cả một “kho skill” cho gọn.

Ngoài ra, với góc nhìn từ một chuyên gia và tư duy hệ thống, anh Tuấn đã chia sẻ cách vận hành AI từ việc nhìn rõ bản chất và những Skill ứng dụng hiệu quả cho người dùng, từ việc bàn luận với AI sao cho hiệu quả

để đưa ra yêu cầu rõ ràng tới các công cụ thiết thực cho các công việc lặp lại hàng ngày.

Điều vui nhất không phải là demo được bao nhiêu tính năng, mà là mọi người bắt đầu nhìn AI theo một cách khác: không chỉ là công cụ để hỏi đáp từng lần, mà là một hệ thống có thể được tổ chức, đóng gói và dùng lại cho những việc lặp đi lặp lại trong công việc.

Cảm ơn mọi người đã tham gia rất nhiệt tình, ở lại đến cuối buổi và chia sẻ nhiều câu hỏi hay. Team THCAI sẽ tiếp tục gom lại tài liệu, record và các hướng dẫn liên quan để gửi cho cộng đồng.

Bạn nào muốn nhận tài liệu, record workshop và theo dõi các buổi tiếp theo thì có thể tham gia cộng đồng nhé: Tham gia ngay!

Trong làn sóng AI agent hiện nay, “Skill” đang dần trở thành một khái niệm quan trọng. Nhiều nền tảng AI cho phép người dùng đóng gói một quy trình làm việc thành một kỹ năng có thể gọi lại nhiều lần. Thay vì mỗi lần đều phải giải thích lại từ đầu, chỉ cần kích hoạt đúng Skill, AI có thể tự nạp lại hướng dẫn, tiêu chuẩn, định dạng đầu ra và các bước cần thực hiện.

Nhìn bề ngoài, Skill có vẻ là một tính năng giúp tiết kiệm thời gian. Nhưng nếu nhìn sâu hơn, Skill không chỉ là công cụ tăng năng suất.

Nó đặt ra một yêu cầu quan trọng hơn: muốn tạo được Skill hiệu quả, trước hết con người phải hiểu rõ cách mình suy nghĩ và làm việc. Công cụ càng mạnh, câu hỏi nền tảng càng trở nên quan trọng: công việc này thực sự nên được làm như thế nào?

Tự động hóa sự mơ hồ chỉ khiến mọi thứ rối nhanh hơn

Skill không biến một quy trình rối thành một quy trình tốt. Nó chỉ làm cho quy trình đó chạy nhanh hơn. Nếu cách làm đã rõ ràng, Skill giúp tiết kiệm thời gian, giảm lặp lại và tạo ra sự nhất quán. Nhưng nếu mục tiêu chưa rõ, tiêu chuẩn chưa rõ, bối cảnh chưa rõ, thì Skill chỉ khiến sự thiếu rõ ràng ấy được lặp lại với tốc độ cao hơn và hình thức chuyên nghiệp hơn.

Một bản phân tích sai vẫn có thể được trình bày rất đẹp. Một bài viết nhạt vẫn có thể được sản xuất đều đặn. Một quy trình bán hàng thiếu chiều sâu vẫn có thể được đóng gói thành một workflow trông rất hiện đại. Vì vậy, câu hỏi quan trọng không phải là “có thể tạo Skill cho việc gì?”, mà là “việc này đã đủ rõ để trở thành Skill chưa?”.

Một Skill tốt bắt đầu từ sự hiểu

Một Skill tốt nên bắt đầu từ một quá trình hiểu việc. Chẳng hạn, muốn tạo Skill viết bài blog, trước tiên cần hiểu thế nào là một bài blog tốt. Bài viết hướng tới ai, giải quyết vấn đề gì, giọng văn nên gần gũi hay học thuật, lập luận nên đi từ ví dụ đến kết luận hay từ khái niệm đến ứng dụng. Nếu những tiêu chuẩn này không được làm rõ, AI sẽ tự chọn cách an toàn nhất: viết mạch lạc, đúng ngữ pháp, nghe có vẻ hợp lý, nhưng dễ rơi vào chung chung.

Tương tự, muốn tạo Skill phân tích khách hàng, cần hiểu khách hàng tiềm năng được đánh giá dựa trên tiêu chí nào. Chỉ nhìn vào quy mô doanh nghiệp là chưa đủ. Cần biết mức độ cấp thiết của nhu cầu, ngân sách, người ra quyết định, thời điểm mua, rào cản nội bộ và mức độ phù hợp với năng lực cung cấp. Nếu những tiêu chí này không được xác định, AI có thể tạo ra một bảng chấm điểm rất đẹp nhưng không giúp ra quyết định tốt hơn.

Skill phản chiếu mức độ rõ ràng trong tư duy

Skill thực chất là một tấm gương phản chiếu mức độ rõ ràng trong tư duy của người tạo ra nó. Một Skill sắc bén thường là kết quả của việc đã quan sát đủ kỹ công việc, đã thử nhiều lần, đã hiểu lỗi thường gặp, đã biết tiêu chuẩn đầu ra và đã có khả năng diễn đạt lại quy trình bằng ngôn ngữ rõ ràng.

Ngược lại, một Skill yếu thường là dấu vết của một mong muốn mơ hồ: muốn nhanh hơn, muốn hay hơn, muốn chuyên nghiệp hơn, nhưng chưa định nghĩa được “nhanh”, “hay” và “chuyên nghiệp” nghĩa là gì trong bối cảnh cụ thể. Đây cũng là lý do Skill không thể thay thế năng lực phản tư. Phản tư là khả năng nhìn lại cách một việc được thực hiện, không chỉ để xem kết quả đúng hay sai, mà để hiểu vì sao kết quả đó xuất hiện.

Công cụ càng nhanh, con người càng cần có khoảng chậm

Khi công cụ càng giúp làm việc nhanh hơn, con người càng cần có những khoảng chậm để suy nghĩ. Nếu không có khoảng chậm đó, AI dễ bị dùng như một chiếc máy sản xuất đầu ra hàng loạt: nhiều nội dung hơn, nhiều báo cáo hơn, nhiều email hơn, nhiều kế hoạch hơn, nhưng không chắc có nhiều hiểu biết hơn.

Skill có thể làm cho một quy trình trở nên trơn tru, nhưng không tự trả lời được câu hỏi quy trình đó có đáng tồn tại hay không. Một Skill viết nội dung có thể tạo ra rất nhiều bài, nhưng không tự đảm bảo rằng nội dung ấy có góc nhìn thật sự.

Một Skill nghiên cứu thị trường có thể tổng hợp hàng chục nguồn, nhưng không tự đảm bảo rằng giả định ban đầu là đúng. Những phần đó vẫn cần sự hiện diện và phán đoán của con người.

Không phải Skill nào cũng nên được tạo

Người dùng AI thành thạo là người biết Skill nào nên tạo, Skill nào chưa nên tạo và Skill nào cần được sửa hoặc loại bỏ. Có những việc đã đủ ổn định để đóng gói. Có những việc vẫn cần thử thủ công thêm vài lần. Có những việc không nên giao hoàn toàn cho AI vì chứa quá nhiều phán đoán đạo đức, cảm xúc hoặc chiến lược.

Một nguyên tắc quan trọng khi tạo Skill là không nên bắt đầu từ mong muốn tự động hóa, mà nên bắt đầu từ việc quan sát sự lặp lại. Công việc nào lặp lại nhiều lần, có đầu vào tương đối rõ, có tiêu chuẩn đầu ra tương đối ổn định và có thể kiểm tra chất lượng, công việc đó phù hợp để biến thành Skill. Ngược lại, những việc còn quá mơ hồ nên được giữ ở dạng tương tác linh hoạt với AI thay vì đóng gói quá sớm.

Skill là phần nổi, tư duy là phần chìm

Skill quan trọng trong việc dùng AI hiện nay, nhưng thứ quan trọng hơn là năng lực nhận thức của người tạo ra Skill. Nhận thức để hiểu công việc. Phản tư để nhìn lại cách làm. Khả năng diễn đạt để biến kinh nghiệm thành hướng dẫn. Khả năng đánh giá để biết khi nào AI làm đúng, khi nào AI chỉ đang tạo ra một kết quả nghe có vẻ đúng.

Tương lai của AI agent có thể sẽ không chỉ thuộc về những người biết dùng công cụ mới nhất. Nó sẽ thuộc về những người biết biến hiểu biết của mình thành hệ thống. Skill chỉ là phần nổi của tảng băng. Phía dưới nó là năng lực quan sát, tổ chức, phản tư và làm rõ tư duy.

Vì vậy, học dùng Skill không nên bắt đầu bằng câu hỏi “làm sao để AI làm thay nhiều hơn”. Nó nên bắt đầu bằng một câu hỏi khó hơn nhưng đáng giá hơn: công việc này thực sự đang được hiểu đến đâu?

—

Vào 20h tối thứ Bảy, ngày 11/07/2026, team THCAI sẽ tổ chức Workshop 3 về cách xây KHO SKILL AI CỦA RIÊNG BẠN để ứng dụng vào công việc thực tế. Mời bạn đăng ký tham gia tại link nhé: Đăng ký ngay!!

Workshop #3 của chuỗi Antinoise sẽ tập trung vào đúng phần đó: cách xây một kho skill AI cá nhân để phục vụ công việc hằng ngày. Người tham dự sẽ được xem demo trực tiếp cách tìm skill từ kho cộng đồng, cài skill theo hai cách, tự tạo skill mới bằng tiếng Việt, dọn lại kho skill đang có và chia sẻ skill cho đồng nghiệp.

Buổi này sử dụng Codex làm công cụ minh họa. Người tham dự không cần biết code, không bắt buộc cài gì trước và không cần thao tác trong buổi. Trọng tâm là hiểu quy trình, xem cách làm thật, rồi nhận tài liệu để tự thực hành lại sau.

Thông tin workshop

• Thời gian: 20h00-21h30, Thứ Bảy 11/07/2026

• Hình thức: Online qua Google Meet

• Chi phí: Miễn phí

• Phù hợp với: Người đi làm muốn dùng AI có hệ thống hơn, không cần biết code

Nếu đã từng thấy AI trả lời chưa đúng ý, làm mỗi lần một kiểu, hoặc phải nhắc lại cùng một yêu cầu quá nhiều lần, đây là buổi nên tham gia.

Workshop giúp người học nhìn skill như một cách đóng gói quy trình làm việc với AI, thay vì chỉ là một prompt riêng lẻ.

Mời mọi người Đăng ký tại đây: https://forms.gle/PHfbbETdPEgoZ1pt5

Codex là AI agent của OpenAI, được thiết kế để làm việc trực tiếp với file, thư mục, trình duyệt và một số công cụ trên máy tính.

Nếu ChatGPT giống một người để hỏi đáp, viết nháp và trao đổi ý tưởng, thì Codex gần hơn với một cộng sự được giao việc: đọc tài liệu, tạo file, chỉnh sửa nội dung, kiểm tra kết quả và báo lại quá trình đã làm.

Với người không biết code, có thể hiểu đơn giản hơn: Codex giúp biến những nguyên liệu đang có thành một đầu ra cụ thể. Ví dụ, từ ghi chú họp thành biên bản, từ tài liệu rời rạc thành checklist, từ outline workshop thành slide, hoặc từ phản hồi khách hàng thành bảng tổng hợp.

Điểm quan trọng là Codex không thay con người suy nghĩ. Nó làm tốt hơn khi được giao việc rõ ràng: đầu vào là gì, kết quả cần có ra sao, format mong muốn thế nào và giới hạn nào không được vượt qua. Khi dùng đúng cách, Codex có thể giúp giảm phần việc thủ công, để con người có thêm thời gian cho phán đoán, giao tiếp và ra quyết định.

Dưới đây là 8 năng lực cốt lõi giúp Codex thực sự trở thành người trợ lý đắc lực của bạn.

8 năng lực cốt lõi của Codex

#1. Truy cập toàn bộ file trên máy tính

Một trong những khả năng dễ hiểu nhất của Codex là làm việc với file.

Trong Codex app, người dùng có thể mở một project, tức một thư mục làm việc cụ thể. Khi đó, Codex có thể đọc các file trong phạm vi được cho phép, chỉnh sửa file, tạo file mới, chạy một số lệnh kiểm tra và lưu kết quả lại trong chính thư mục đó.

Với người không biết code, điều này có thể ứng dụng vào nhiều việc rất đời thường:

• Gom nhiều ghi chú rời rạc thành một bản kế hoạch.

• Biến dữ liệu thành bảng tính.

• Tạo tài liệu hướng dẫn từ một outline.

• Chuyển nội dung workshop thành slide.

• Tạo trang giới thiệu khóa học.

• Phân loại tài liệu trong một thư mục.

• Viết lại một bộ nội dung theo format thống nhất.

Điểm đáng chú ý là Codex không chỉ viết ra câu trả lời trong khung chat. Nó có thể tạo ra một file thật trên máy, để người dùng mở lên, kiểm tra, chỉnh tiếp hoặc dùng trong công việc.

Nói cách khác, Codex phù hợp với các nhiệm vụ có dạng: “Từ những nguyên liệu đang có, hãy tạo ra một đầu ra cụ thể.”

Đầu ra đó có thể là một bài viết, một bảng, một tài liệu, một slide, một trang web mẫu, hoặc một bộ file phục vụ một dự án.

#2. Bộ nhớ liên tục

Bạn có thể chủ động bảo agent ghi nhớ một quy tắc, ví dụ như luôn dùng bảng màu cam khi làm báo cáo. Agent sẽ lưu điều này vào file bộ nhớ của nó. Ngoài ra, Codex còn tự động quan sát cách bạn làm việc và tự rút ra kết luận lưu vào thư mục memories. Càng dùng lâu, agent càng phản hồi đúng ý bạn hơn mà không cần nhắc lại.

Codex có hai loại bộ nhớ:

• Bộ nhớ thủ công: Bạn bảo agent nhớ điều gì đó, nó ghi vào file `agents.md` trên máy bạn. Ví dụ: “Từ giờ khi tạo báo cáo, luôn dùng bảng có màu theo mức độ ưu tiên.” Agent ghi nhớ và áp dụng cho mọi chat sau đó.

• Bộ nhớ tự động: Codex tự quan sát cách bạn làm việc và ghi chú lại vào thư mục codex/memories. Bạn không cần chỉnh, cứ để agent tự cập nhật. Cứ vài tuần mở ra xem thì biết agent hiểu gì về bạn.

#3. Plugins kết nối với các công cụ

Codex cho phép bạn kết nối trực tiếp với hơn 100 công cụ khác nhau như Gmail, Slack, Canva hay Figma chỉ bằng vài cú click. Thay vì phải liên tục chuyển tab, copy dữ liệu từ cửa sổ này dán sang cửa sổ khác, bạn có thể điều phối mọi thứ ngay từ một giao diện duy nhất.

Giả sử bạn cần tổng hợp ý kiến khách hàng từ mail. Bạn chỉ cần gõ @Gmail và bảo Codex lọc tất cả email khiếu nại trong tuần, phân loại theo chủ đề và đưa vào một bảng. Cùng lúc đó, bạn có thể gõ @Notion ở một chat khác để yêu cầu tóm tắt biên bản họp tuần trước. Hai luồng công việc này diễn ra hoàn toàn độc lập và song song. Bạn không phải ngồi chờ agent làm xong việc này mới được giao việc khác.

#4. Tự động hoá các công việc thành một Skill

Nếu bạn có một công việc phải làm đi làm lại hàng tuần, bạn có thể biến nó thành một Skill để dùng mãi mãi. Điểm đặc biệt của Codex là nó học từ chính quá trình bạn làm việc cùng nó.

Skill có thể hiểu là một quy trình làm việc có thể dùng lại. Thay vì mỗi lần đều viết prompt từ đầu, người dùng tạo một skill để Codex biết khi gặp loại nhiệm vụ đó thì cần làm theo trình tự nào.

Ví dụ: Skill viết bài content theo văn phong riêng; Skill phân tích email hợp tác; Skill tạo tài liệu training AI cho người mới; Skill biến một buổi chia sẻ thành bài viết, email và slide;…

Một skill tốt nên có các yếu tố:

• Khi nào dùng skill này;

• Đầu vào cần có là gì;

• Cần nghiên cứu theo trình tự nào;

• Đầu ra phải có format ra sao;

• Những lỗi nào phải tránh;

• Tiêu chuẩn nào dùng để tự kiểm tra trước khi trả kết quả;…

Ban đầu, bạn cứ hướng dẫn agent làm từng bước như bình thường. Khi thấy kết quả cuối cùng đạt yêu cầu, bạn chỉ cần bảo nó hãy ghi nhớ toàn bộ quá trình này và biến nó thành một skill. Codex sẽ tự động phân tích lại các bước vừa làm, xác định cần gọi plugin nào, xử lý dữ liệu ra sao và tạo ra một bộ quy trình chuẩn (blueprint). Lần sau, bạn chỉ cần gõ tên skill đó, ví dụ /tong-hop-bao-cao, cung cấp dữ liệu đầu vào và agent sẽ tự chạy từ đầu đến cuối mà không cần bạn phải dắt tay chỉ việc nữa.

#5. Tạo ảnh trực tiếp lưu vào máy

Thay vì dùng Midjourney hay mở trình duyệt để xài DALL-E, Codex tích hợp sẵn mô hình tạo ảnh trực tiếp vào môi trường làm việc của bạn.

Sự khác biệt nằm ở cách quản lý file.

Khi bạn cần ảnh minh hoạ cho landing page, bạn yêu cầu agent tạo ảnh và nó sẽ lưu thẳng file ảnh đó vào thư mục dự án trên máy bạn. Không cần phải tải xuống, đổi tên file hay tìm chỗ lưu. Bạn có thể mở ngay thư mục đó, kéo thả ảnh trực tiếp vào Photoshop, Figma hay Google Slides để làm việc tiếp. Nếu chưa ưng ý, bạn cứ yêu cầu chỉnh sửa, các phiên bản mới sẽ tự động được cập nhật ngay trong thư mục đó.

#6. Tự động điều khiển trình duyệt và máy tính

Đây là tính năng đưa AI vượt ra khỏi ranh giới của một khung chat văn bản. Khi bạn gọi lệnh @computer-use, agent được cấp quyền can thiệp vào hệ điều hành. Nó có thể tự mở ứng dụng trên máy, tự di chuyển chuột, click và gõ phím y như cách bạn đang ngồi trước màn hình.

Ví dụ, bạn có thể bảo nó mở ứng dụng Google Slides và thiết kế một bản thuyết trình từ các ảnh vừa tạo. Tương tự, lệnh @browser-use cho phép agent tự mở trình duyệt, tự động điền form, hoặc chạy thử giao diện web, bấm vào từng nút bấm để kiểm tra lỗi. Bạn hoàn toàn có thể ngồi xem con trỏ chuột tự di chuyển trên màn hình và can thiệp bất cứ lúc nào nếu thấy agent làm sai. Dù tính năng này đôi lúc vẫn click trượt do các giao diện web quá phức tạp, nó vẫn là cứu cánh tuyệt vời cho các tác vụ kiểm thử lặp đi lặp lại.

#7. Thiết lập lịch chạy tự động

Bất kỳ skill nào bạn tạo ra ở phần 4 đều có thể được gắn thêm một lịch trình chạy tự động (automation). Đây là lúc Codex thực sự biến thành một nhân sự làm việc 24/7.

Bạn có thể thiết lập để Codex tự động quét hộp thư vào lúc 6 giờ sáng thứ Hai hàng tuần, trích xuất các phản hồi của khách hàng và cập nhật vào bảng tính Google Sheets. Nó đóng vai trò như một luồng công việc ngầm chạy phía sau. Bạn chỉ cần pha một ly cà phê, mở máy tính lên vào lúc 8 giờ sáng và đọc bản báo cáo đã được hoàn thiện sẵn.

#8. Tính năng ghi nhớ màn hình Chronicle

Chronicle là tính năng tự động chụp ảnh màn hình liên tục để agent nắm được toàn bộ ngữ cảnh công việc của bạn. Thay vì phải copy-paste hàng đoạn văn bản dài để giải thích bối cảnh, agent đã tự nhìn thấy những gì bạn đọc trong suốt 2 tiếng qua.

Nếu bạn đang bí ý tưởng khi thiết kế slide, bạn chỉ cần gọi agent và bảo nó gợi ý thêm dựa trên những gì bạn đang làm. Nó sẽ phân tích các ảnh chụp màn hình gần nhất để hiểu vấn đề. Tất cả ảnh này đều được lưu trữ và xử lý trực tiếp ngay trên máy tính của bạn để đảm bảo an toàn.

Tuy nhiên, tính năng này được tắt mặc định vì lý do quyền riêng tư. Bạn nên cân nhắc kỹ trước khi bật và có thể tắt nó đi bất cứ lúc nào khi cần làm việc với thông tin nhạy cảm.

3 cách bắt đầu dùng Codex ngay

Không cần những câu hỏi nghiên cứu xa vời, phức tạp. Để bắt đầu, bạn chỉ cần liệt kê một công việc đang tốn thời gian lặp lại mỗi tuần: tổng hợp tài liệu, làm báo cáo, chuẩn bị họp, phân loại phản hồi, tạo checklist,…

Cách đầu tiên là đưa cho Codex một nhóm tài liệu rời rạc và yêu cầu nó tạo thành một bản rõ ràng hơn. Ví dụ: “Hãy đọc các ghi chú họp này và viết lại thành biên bản gồm quyết định đã chốt, việc cần làm, người phụ trách và deadline.”

Cách thứ hai là nhờ Codex biến dữ liệu có sẵn thành bảng theo dõi. Ví dụ: “Từ các email phản hồi khách hàng trong thư mục này, hãy tạo bảng gồm vấn đề, nhóm phân loại, mức độ ưu tiên và đề xuất xử lý. Chỗ nào thiếu thông tin thì ghi là cần bổ sung.”

Cách thứ ba là tạo một mẫu dùng lại cho công việc định kỳ. Ví dụ: “Hãy tạo mẫu báo cáo tuần cho team, gồm việc đã xong, việc đang làm, rủi ro, điều cần hỗ trợ và kế hoạch tuần sau. Sau đó dùng các ghi chú này để điền bản nháp.”

Công thức giao việc nên thật rõ: đây là nguyên liệu, đây là kết quả cần có, đây là format mong muốn, và đây là phần không được tự bịa.

Vấn đề chất lượng công việc

Dù AI có mạnh tới đâu, bạn vẫn luôn phải tự mình kiểm tra kết quả. Các nghiên cứu gần đây đã chỉ ra hiện tượng nhân viên lạm dụng AI để tạo ra những nội dung dài dòng nhưng rỗng tuếch, khiến đồng nghiệp mất thêm thời gian để đọc và sửa lại.

Khi AI chỉ trả lời vài dòng, lỗi của nó dễ thấy. Nhưng khi AI có thể tạo file, sửa nội dung, kết nối công cụ, thao tác trình duyệt và tự động hóa công việc, sai sót của nó có thể đi xa hơn.

Vì vậy, năng lực quan trọng không phải là biết tuốt mọi chức năng của Codex, mà quan trọng hơn là biết thiết kế công việc:

• Việc nào nên giao cho AI?

• Việc nào cần con người giữ lại?

• Đầu ra thế nào là đạt?

• Dữ liệu nào không nên đưa vào?

• Khi nào cần kiểm tra lại?

• Khi nào cần dừng AI lại?

—

Cộng đồng Tự học cùng AI sẽ tiếp tục chia sẻ những kiến thức chi tiết và thực tế về Codex trong công việc: từ viết nội dung, tổng hợp tài liệu, làm báo cáo,… đến xây quy trình làm việc hiệu quả hơn.

Nếu muốn học AI theo cách dễ hiểu, ứng dụng được ngay và không bị cuốn vào cuộc đua công cụ, mời bạn subcribe và tham gia cộng đồng để theo dõi các nội dung tiếp theo từ team THCAI: Cộng đồng THCAI

Hàng triệu người đang dùng ChatGPT, Gemini, Claude mỗi ngày để hỏi về sự nghiệp, mối quan hệ, sức khỏe tinh thần, chiến lược kinh doanh… Nhiều người đối xử với AI như một nhà tư vấn, thậm chí như một người bạn thân biết lắng nghe.

Nhưng AI có đang thực sự đóng vai trò như vậy, hay tất cả chỉ là ảo tưởng của người dùng?

Khi bạn gán cho một công cụ những năng lực mà nó chưa có, bạn sẽ sử dụng AI sai cách, nhận kết quả kém, rồi hoặc là thất vọng bỏ cuộc, hoặc tệ hơn, tin vào những câu trả lời sai mà không hay biết.

Bài viết này nhằm giúp bạn hiểu AI đang thực sự làm gì khi “trả lời” bạn, để từ đó dùng nó hiệu quả hơn đa số người đang dùng.

Con người vô tình gán cảm xúc cho máy

Năm 1966, giáo sư Joseph Weizenbaum tại MIT tạo ra ELIZA - một chương trình chat cực kỳ thô sơ. Nhiệm vụ của ELIZA chỉ làm đúng một việc: lấy từ khóa trong câu người dùng nói, rồi hỏi ngược lại:
người hỏi: “Tôi buồn vì mẹ tôi”,
máy đáp: “Hãy kể thêm về mẹ bạn.”

Tất nhiên, máy không hiểu “buồn” là gì, không biết “mẹ” là ai.

Nhưng cô thư ký của Weizenbaum, dù biết rõ ELIZA chỉ là vài dòng code, đã yêu cầu ông ra khỏi phòng để cô được “nói chuyện riêng” với nó. Cô ấy đã cảm thấy được lắng nghe.

Hiện tượng này được giới nghiên cứu đặt tên là Hiệu ứng ELIZA: khi máy tính giao tiếp bằng ngôn ngữ tự nhiên, con người tự động gán cho nó sự thấu hiểu, đồng cảm, và trí tuệ - những thứ nó hoàn toàn không có.

Tâm lý học giải thích điều này bằng khái niệm nhân hóa (anthropomorphism) - xu hướng bẩm sinh gán cảm xúc và ý định cho những thực thể không phải con người. Chúng ta tức giận với máy giặt, nói chuyện với thú cưng bằng giọng em bé, đặt tên cho xe hơi. Não bộ làm điều này tự động, không cần ai dạy.

Với AI ngôn ngữ, hiệu ứng này mạnh hơn gấp bội. Vì ngôn ngữ là tín hiệu mà não bộ gắn chặt nhất với sự hiện diện của một tâm trí khác. Khi AI viết mạch lạc, phản hồi nhanh, dùng từ “tôi hiểu”, não bạn kết luận: phía bên kia có ai đó đang hiểu mình. Kết luận đó sai. Nhưng nó xảy ra trước khi bạn kịp suy nghĩ.

Một nghiên cứu năm 2024 còn chỉ ra điều đáng lo hơn: “tính cách” mà AI thể hiện trong các cuộc trò chuyện dài có thể ảnh hưởng ngược lại cách người dùng tự đánh giá bản thân. Nói cách khác, không chỉ chúng ta gán cảm xúc cho AI. AI còn vô tình định hình lại cách chúng ta nhìn nhận chính mình.

Bốn hệ quả cụ thể khi hiểu sai AI

1. Câu trả lời chung chung vì thiếu ngữ cảnh

Khi bạn gõ “Tôi hoang mang về sự nghiệp” mà không cho biết tuổi, kinh nghiệm, ràng buộc tài chính, hay mục tiêu cụ thể, AI buộc phải chọn câu trả lời an toàn nhất, áp dụng được cho nhiều người nhất. Kết quả là những lời khuyên đúng nhưng vô dụng kiểu “hãy khám phá đam mê của bạn.”

Đây không phải lỗi của AI. Đây là hệ quả tất yếu khi bạn đưa cho nó quá ít thông tin.

2. Thiên kiến xác nhận bị khuếch đại

Nghiên cứu của Hiệp hội Tâm lý học Hoa Kỳ (2026) chỉ ra: khi AI đưa ra câu trả lời phù hợp với niềm tin sẵn có của người dùng, người dùng có xu hướng chấp nhận ngay mà không kiểm chứng.

Lý do nằm ở cách AI được thiết kế. Các mô hình ngôn ngữ được tối ưu để tạo ra phản hồi có xác suất “được đón nhận” cao nhất. Nó không cố tình đồng ý với bạn, nhưng nó chọn cách diễn đạt mà đa số người dùng trong tình huống tương tự sẽ hài lòng. Kết quả: bạn tưởng mình đang nhận tư vấn khách quan, nhưng thực ra đang nghe tiếng vọng của chính mình.

Trong tâm lý học, đây gọi là thiên kiến xác nhận - xu hướng ưu tiên thông tin phù hợp với niềm tin sẵn có. AI, một cách vô tình, trở thành cỗ máy khuếch đại thiên kiến này.

3. Năng lực tư duy có thể suy giảm

Nhóm nghiên cứu tại MIT (2025) đo sóng não của hai nhóm người: một nhóm làm việc có AI hỗ trợ, nhóm kia tự làm. Kết quả: nhóm dùng AI có hoạt động thần kinh yếu hơn rõ rệt ở các vùng não liên quan đến trí nhớ, sáng tạo và ra quyết định.

Cần thận trọng: đây là nghiên cứu ban đầu, chưa đủ để kết luận chắc chắn. Nhưng nó đặt ra một câu hỏi nghiêm túc: nếu bạn liên tục giao phó việc suy nghĩ cho AI, liệu năng lực tư duy độc lập của bạn có bị bào mòn theo thời gian?

Chúng ta chưa có câu trả lời dứt khoát. Nhưng dấu hiệu ban đầu cho thấy rủi ro là có thật.

4. AI bịa thông tin mà không cảnh báo

Các mô hình ngôn ngữ lớn có thể tạo ra thông tin hoàn toàn sai bằng giọng điệu tự tin tuyệt đối, không ngập ngừng, không đính kèm cảnh báo nào. Giới nghiên cứu gọi đây là “ảo giác” (hallucination), nhưng gọi thẳng ra là bịa đặt thì chính xác hơn.

Đây là hệ quả cấu trúc: trong quá trình huấn luyện, AI được “thưởng” khi đưa ra câu trả lời và “phạt” khi im lặng. Nó học được rằng đưa ra bất kỳ câu trả lời nào, kể cả sai vẫn tốt hơn nói “tôi không biết.”

AI thực sự hoạt động như thế nào?

Hiểu đúng cơ chế hoạt động của AI là bước quan trọng nhất để dùng nó hiệu quả. Phần này không đòi hỏi kiến thức kỹ thuật, nhưng đòi hỏi bạn sẵn sàng từ bỏ một số hình dung sai.

1. AI là cỗ máy dự đoán từ tiếp theo

Tất cả các mô hình ngôn ngữ hiện nay như ChatGPT, Gemini, Claude,… về bản chất làm một việc duy nhất: nhìn vào chuỗi ký tự bạn đã nhập, rồi tính xác suất từ nào nên xuất hiện tiếp theo.

Bạn gõ “Mặt trời mọc ở hướng...” → AI không “biết” mặt trời mọc ở đâu. Nó bắt đầu tìm kiếm trong hàng tỷ câu văn đã đọc, sau cụm từ này, chữ “Đông” xuất hiện với xác suất cao nhất. Nên nó chọn “Đông.” Rồi thêm “Đông” vào câu, và lặp lại quá trình cho từ tiếp theo. Cứ thế, từng từ một.

Toàn bộ cuộc hội thoại bạn đang có với AI, kể cả những lúc nó nghe “sâu sắc” nhất đều là kết quả của hàng nghìn lần dự đoán xác suất nối tiếp nhau.

Không có suy nghĩ. Không có hiểu biết. Chỉ có thống kê.

2. Tại sao nó mạch lạc nếu chỉ “đoán từ”?

Câu trả lời nằm ở cơ chế mà giới kỹ thuật gọi là attention - khả năng “quét” lại toàn bộ ngữ cảnh trước đó và xác định phần nào quan trọng nhất cho từ tiếp theo. Nhờ đó AI giữ được mạch văn, không lạc đề, và tạo cảm giác mạch lạc.

Nhưng mạch lạc không đồng nghĩa với hiểu biết. Đó là kết quả của phép tính toán, không phải của tư duy hay trải nghiệm.

3. “Con vẹt ngẫu nhiên” - một mô tả gây tranh cãi nhưng chính xác

Năm 2021, hai nhà nghiên cứu Emily Bender và Timnit Gebru gọi các mô hình ngôn ngữ lớn là “những con vẹt ngẫu nhiên” (stochastic parrots). Bài báo gây tranh cãi lớn trong giới AI, nhưng có ba luận điểm cốt lõi đáng để suy ngẫm:

Một, AI không có nền tảng thực tế. Khi nó viết về nỗi buồn, nó chưa bao giờ buồn. Nó chỉ ghép những từ mà trong dữ liệu huấn luyện thường xuất hiện cùng nhau khi người ta nói về buồn.

Hai, sự mạch lạc của AI đánh lừa não bộ. Khi đọc văn trôi chảy, não tự động giả định người viết hiểu điều mình đang nói. Với con người, giả định đó thường đúng. Với AI, nó sai.

Ba, ngôn ngữ con người gắn liền với trải nghiệm sống. Bạn hiểu “đói” vì bạn đã từng đói. AI không có bất kỳ trải nghiệm nào. Nó xử lý ký hiệu, không xử lý ý nghĩa.

4. Những điều AI không làm khi trả lời bạn

Để tránh mọi ngộ nhận, cần nói rõ:

- AI không tra cứu sự thật ở đâu cả (trừ khi được tích hợp công cụ tìm kiếm). Nó đoán dựa trên dữ liệu huấn luyện.

- AI không suy ngẫm hay cân nhắc. Không có khoảnh khắc nào nó dừng lại tự hỏi “mình có chắc không?” Mọi thứ xảy ra trong một lần tính toán.

- AI không biết bạn là ai. Nó chỉ thấy những ký tự trong cuộc trò chuyện hiện tại. Đóng tab, mở tab mới → AI quên sạch.

- AI không có kinh nghiệm sống. Nó không biết thất nghiệp cảm giác thế nào, yêu xa khó ra sao, hay áp lực tài chính ảnh hưởng đến giấc ngủ kiểu gì. Nó chỉ biết người ta thường viết gì về những chủ đề đó.

6 nguyên tắc dùng AI đúng cách

Hiểu giới hạn của AI không phải để sợ nó, mà để khai thác nó hiệu quả hơn. Dưới đây là sáu nguyên tắc cụ thể.

1. Cung cấp ngữ cảnh đầy đủ

Thay vì “Giúp tôi chọn nghề”, hãy thử: “Tôi 28 tuổi, có 3 năm kinh nghiệm marketing online, muốn chuyển sang AI. Không biết lập trình nhưng giỏi phân tích số liệu. Ngân sách học khoảng 2 triệu/tháng. Đề xuất 3 lộ trình cụ thể với ưu nhược điểm và tài nguyên miễn phí.”

Sự khác biệt trong chất lượng câu trả lời sẽ rất rõ ràng.

2. Yêu cầu phân tích từng bước

Nghiên cứu cho thấy khi yêu cầu AI trình bày quá trình suy luận theo từng bước trước khi đưa ra kết luận, độ chính xác tăng lên đáng kể, đặc biệt với các câu hỏi cần logic và phân tích đa chiều.

Lý do: khi AI phải “viết ra” các bước trung gian, mỗi bước tạo thêm ngữ cảnh giúp bước tiếp theo chính xác hơn.

3. Giao vai trò cụ thể

AI được huấn luyện trên dữ liệu từ nhiều lĩnh vực. Khi bạn giao cho nó một vai trò cụ thể, ví dụ “Bạn là career coach chuyên tư vấn cho người muốn đổi nghề nhưng không có nền tảng kỹ thuật”, bạn giúp nó thu hẹp phạm vi và tập trung vào kiến thức liên quan nhất.

4. Chia nhỏ câu hỏi phức tạp

Thay vì hỏi “Phân tích toàn bộ thị trường AI và đề xuất lộ trình cho tôi”, hãy chia thành chuỗi câu hỏi nhỏ, mỗi câu xây dựng trên câu trước. Chậm hơn, nhưng kết quả tốt hơn nhiều lần.

5. Luôn kiểm chứng

Đây là nguyên tắc quan trọng nhất. AI không có cơ chế phân biệt thông tin đúng với thông tin sai. Nó chọn từ có xác suất cao nhất, không phải từ đúng nhất.

Ba thao tác cần làm:

- Hỏi nguồn: “Thông tin này từ đâu?” (cẩn thận: AI có thể bịa luôn cả nguồn.)

- Đối chiếu: Với thông tin quan trọng, kiểm tra bằng Google Scholar hoặc nguồn gốc trực tiếp.

- Hỏi phản biện: “Có ý kiến nào ngược lại với lập luận trên không?” - câu hỏi này buộc AI đưa ra góc nhìn đa chiều thay vì chỉ xác nhận những gì bạn muốn nghe.

6. Đặt AI đúng vị trí

Cách hữu ích nhất để nghĩ về AI: một trợ lý rất giỏi tổng hợp và diễn đạt, nhưng thiếu kinh nghiệm thực tế và đôi khi tự tin quá mức. Giao việc rõ ràng, kiểm tra kết quả trước khi sử dụng, không giao quyết định quan trọng mà không xác minh.

---

Và quan trọng nhất: mỗi khi nhận câu trả lời từ AI, tập thói quen hỏi ba câu — “AI phản hồi căn cứ vào đâu? Có bằng chứng không? Có góc nhìn nào khác không?”

Ba câu hỏi này không chỉ giúp bạn dùng AI tốt hơn. Chúng là nền tảng của tư duy phản biện - thứ mà không AI nào thay thế được.

---

Cuộc cách mạng thực sự trong thời đại AI không nằm ở việc máy móc thông minh hơn. Nó nằm ở việc chúng ta có đủ sáng suốt để hiểu mình đang dùng gì, và dùng nó ra sao.

AI không hiểu bạn, nó chỉ dự đoán từ tiếp theo. AI không biết bạn, nó chỉ xử lý ký tự bạn cung cấp. AI không luôn đúng, nó chọn xác suất cao nhất, không phải sự thật.

Khi bạn nắm được ba điều này, bạn sẽ không còn thất vọng khi AI trả lời sai. Bạn sẽ biết cách hỏi đúng để nhận giá trị thực sự. Và bạn sẽ giữ được thứ quan trọng nhất mà AI không có: khả năng tự suy nghĩ.

Có người cho rằng vì lo ngại vấn đề tuân thủ.
Có người nói do yêu cầu từ khách hàng hoặc đối tác quốc tế.
Cũng có ý kiến cho rằng đây đơn thuần là một chiến dịch kinh doanh.

Nhưng nếu nhìn từ góc độ chuyển đổi số và AI, có lẽ câu chuyện lớn hơn thế.

AI đang biến phần mềm bản quyền từ “chi phí IT” thành “hạ tầng vận hành”

Trước đây, việc sử dụng Windows hay Office bản quyền chủ yếu liên quan đến cập nhật phần mềm, bảo mật hoặc tuân thủ pháp lý.

Ngày nay, khi AI bắt đầu được tích hợp sâu vào hệ sinh thái làm việc, câu chuyện đã khác.

Microsoft đang từng bước xây dựng một môi trường làm việc nơi AI có thể:

• Tìm kiếm và phân tích email trong Outlook

• Tóm tắt cuộc họp trên Teams

• Hỗ trợ xử lý dữ liệu trong Excel

• Truy xuất tài liệu trên OneDrive và SharePoint

• Kết nối thông tin xuyên suốt giữa các phòng ban

Để AI thực sự tạo ra giá trị, dữ liệu doanh nghiệp phải được lưu trữ có cấu trúc, đồng bộ và nằm trong cùng một hệ sinh thái.

Nếu dữ liệu phân tán, mỗi nhân viên sử dụng một công cụ khác nhau, quy trình chưa số hóa hoặc hệ thống không được quản trị bài bản thì AI gần như không có nền tảng để phát huy hiệu quả.

Điều doanh nghiệp mua có thể không chỉ là license

Nhiều doanh nghiệp nghĩ rằng mình đang mua Microsoft 365.

Nhưng ở một góc nhìn khác, họ đang đầu tư vào khả năng sẵn sàng cho AI trong tương lai.

Khi AI ngày càng trở thành một phần của quy trình vận hành, những câu hỏi quan trọng sẽ không còn là: “Doanh nghiệp có dùng AI hay không?”

Mà sẽ là:

• Dữ liệu có được quản trị tốt không?

• Quy trình có được số hóa đầy đủ không?

• Các hệ thống có kết nối với nhau không?

• AI có thể truy cập đúng dữ liệu để hỗ trợ nhân viên hay không?

Nhìn dưới góc độ tư duy hệ thống

Việc mua license chỉ là một sự kiện.

Điều đáng quan tâm hơn là áp lực chuyển đổi đang diễn ra phía sau.

Internet từng buộc doanh nghiệp phải có website.

Smartphone từng buộc doanh nghiệp phải tối ưu trải nghiệm di động.

AI có thể đang tạo ra một làn sóng tương tự: buộc doanh nghiệp phải chuẩn hóa dữ liệu, chuẩn hóa quy trình và xây dựng hạ tầng số đủ tốt để AI có thể tham gia vào công việc hàng ngày.

Có thể vài năm nữa nhìn lại, chúng ta sẽ thấy việc các doanh nghiệp đồng loạt đầu tư vào phần mềm bản quyền không đơn thuần là câu chuyện công nghệ hay tuân thủ.

Đó là một trong những dấu hiệu đầu tiên cho thấy AI đã bắt đầu thay đổi cách doanh nghiệp vận hành.

👉 Mọi người nghĩ sao về góc nhìn này?

👉 Theo bạn, rào cản lớn nhất khi đưa AI vào doanh nghiệp hiện nay là công nghệ, dữ liệu hay con người?

P/S: Đối với doanh nghiệp đang trong quá trình rà soát hoặc bổ sung license Microsoft, vui lòng liên hệ để được hỗ trợ tư vấn và chia sẻ kinh nghiệm triển khai thực tế.
(Ms. Ngọc Bích - 0868355261).

Nếu lướt mạng xã hội, bạn sẽ thấy ngập tràn những bài đăng bắt đầu trông giống hệt nhau một cách đáng ngờ:

Rất nhiều bình luận dưới các bài đăng này cũng do AI tạo ra. Số lượng các bài báo học thuật, bài xã luận trên tờ New York Times, và thậm chí cả những truyện ngắn đạt giải thưởng được viết bởi AI cũng đang ngày càng tăng. Nếu thường xuyên dùng AI, có lẽ bạn đã nhận ra sự hiện diện dày đặc của các văn bản AI xung quanh mình (những người hay dùng AI thường nhận diện văn bản do máy viết khá tốt). Còn nếu bạn chưa nhận ra, tôi cam đoan rằng con số này lớn hơn bạn nghĩ rất nhiều.

Vấn đề không chỉ nằm ở sự rập khuôn của văn bản AI – dù sự nhàm chán này dần khiến tôi bỏ qua cả những bài viết về các chủ đề thú vị nếu “cỗ máy dò AI” trong đầu tôi réo lên. Vấn đề còn ở chỗ: những văn bản AI sinh ra từ các câu lệnh (prompt) kém chất lượng thường mang lại rất ít giá trị nội dung, thay vào đó chỉ đưa bạn đi lòng vòng quanh các mớ lý thuyết. Chúng ta vốn được rèn luyện để tin rằng những câu chữ trau chuốt, đượm màu tri thức là thành quả từ nỗ lực của con người, nên ta dễ dàng chú ý đến các bình luận do AI viết. Nhưng thực chất, đằng sau đó thường chẳng có chiều sâu tư duy nào của con người. Những bài đăng này chỉ là những “kẻ hút máu sự chú ý” đội lốt tri thức, bắt ta phải vắt óc giải mã nhưng lại chẳng mang về chút hiểu biết nào tương xứng.

Tuy nhiên, việc dùng AI để viết lách không chỉ làm độc giả ngán ngẩm, mà còn có nguy cơ thui chột quá trình rèn luyện một kỹ năng quan trọng của con người. Tôi may mắn đã viết lách suốt nhiều thập kỷ và định hình được một văn phong riêng – thứ mà tôi tin luôn hiện hữu rõ nét dù tôi đang viết sách, đăng tweet hay viết blog. Để có được văn phong đó, tôi đã phải trải qua một quá trình rèn luyện vô cùng gian nan: những người thầy giỏi, vô số lần viết đi viết lại và cả những lời chê bai cay nghiệt trên mạng đều góp phần làm nên nó. Nếu AI có thể viết tốt, tôi đã có thể bỏ qua toàn bộ quá trình khổ ải đó. Nhưng bù lại, tôi sẽ đánh mất một kỹ năng đã chứng minh là vô cùng quan trọng đối với sự nghiệp và niềm vui của chính mình.

Nói vậy không có nghĩa là tôi lên án việc dùng AI để hỗ trợ viết lách. Tôi cho rằng AI có thể là một công cụ tuyệt vời đối với những cây viết giỏi (bản thân tôi cũng dùng AI để kiểm tra lại toàn bộ bài viết và đóng vai các độc giả khác nhau để xem mình có bỏ sót điểm gì quan trọng không). Với những người gặp khó khăn trong việc diễn đạt, AI có thể giúp họ truyền tải ý tưởng trôi chảy hơn, và suy cho cùng, không phải ai cũng coi viết lách là một quá trình tư duy. Thêm vào đó, chỉ cần bỏ ra chút công sức, văn phong của AI sẽ bớt sáo rỗng, mang đậm dấu ấn cá nhân hơn và trở nên hữu ích hơn (nếu dùng có chừng mực). Vì vậy, điều tôi thực sự muốn lên án ở đây là việc lạm dụng AI như một giải pháp mặc định, hoặc tệ hơn là dùng nó một cách vô thức. Cân bằng giữa việc dùng AI và năng lực tư duy của chính chúng ta sẽ là một thử thách mang tính quyết định trong những năm tới.

Những thay đổi nhỏ, sự khác biệt lớn về kết quả

Nơi minh chứng rõ nhất cho điều này là giáo dục. Hai bài nghiên cứu từ cùng một nhóm tác giả (bao gồm cả các đồng nghiệp của tôi tại trường Wharton) đã phác họa rất xuất sắc sự khác biệt giữa việc dùng AI để đi tắt trong tư duy và dùng AI để hỗ trợ tư duy.

Nghiên cứu đầu tiên là một cuộc thử nghiệm tại một trường trung học ở Thổ Nhĩ Kỳ với khoảng một nghìn học sinh học toán. Một nhóm được dùng ChatGPT bản thường, nhóm còn lại thì không. Những học sinh dùng ChatGPT làm bài tập về nhà tốt hơn và tự cảm thấy mình học được nhiều hơn; nhưng khi làm bài kiểm tra, thành tích của các em lại kém hơn so với những bạn không dùng. Nguyên nhân là vì AI, vốn được thiết kế như một trợ lý đắc lực, thực chất chỉ đang mớm sẵn đáp án cho học sinh, trong khi việc học thực sự luôn đòi hỏi sự rèn luyện trí óc. Khi bạn đốt cháy giai đoạn nỗ lực, bạn cũng đang đốt cháy luôn quá trình học tập. Đó là lý do vì sao những kết quả ban đầu về việc áp dụng AI vào lớp học lại gây lo ngại đến vậy.

Thế nhưng, chúng ta lại thấy một kết quả trái ngược ở nghiên cứu thứ hai khi họ tổ chức một khóa học lập trình Python kéo dài 5 tháng tại 10 trường trung học ở Đài Bắc với gần một nghìn học sinh. Những học sinh được một gia sư AI cung cấp chuỗi bài tập cá nhân hóa đã đạt điểm cao hơn 0,15 độ lệch chuẩn trong bài kiểm tra cuối kỳ (bài thi không có sự trợ giúp của AI). Theo một số ước tính, mức tăng này tương đương với 6 đến 9 tháng học tập bổ sung, mà không cần tăng thêm thời lượng giảng dạy hay tạo thêm gánh nặng cho giáo viên. Thay vào đó, AI đã giúp tinh chỉnh lộ trình học tập cho phù hợp với từng em. Điều này cũng thống nhất với các nghiên cứu khác về gia sư AI, cho thấy những công cụ được thiết kế riêng biệt có thể nâng cao đáng kể hiệu quả học tập nếu được sử dụng đúng cách.

Việc bạn chọn sử dụng AI theo cách nào chỉ là một khác biệt tương đối nhỏ, nhưng lại dẫn đến những khác biệt rất lớn về kết quả. Tệ hơn nữa, bản tính con người thường xui khiến chúng ta đưa ra những lựa chọn sai lầm. Việc học đòi hỏi ta phải đối diện với sự thiếu sót của bản thân và phải lao động trí óc vất vả – những điều này thực sự chẳng dễ chịu chút nào. Đó là lý do tại sao học sinh thường đánh giá những bài giảng mang tính giải trí là mang lại nhiều kiến thức hơn so với việc phải giải quyết các bài tập hóc búa trên lớp, dù trên thực tế, những bài tập khó nhằn ấy mới là thứ giúp các em học được nhiều hơn. Để tận dụng tối đa lợi ích của AI trong học tập, bạn cần thay đổi tư duy: thay vì dùng AI để giải quyết vấn đề hộ mình, hãy dùng nó để đốc thúc bạn tự giải quyết vấn đề.

Rất may là ba công ty AI lớn hiện nay đều đã cung cấp các công cụ hỗ trợ học tập ở mức độ nhất định, biến AI hoạt động giống một gia sư hơn. Chỉ tiếc là cách truy cập vào các tính năng này chưa thực sự trực quan.

• Gemini: Là công cụ dễ dùng nhất. Bạn chỉ cần nhấn vào dấu cộng và chọn “Guided Learning” (Học tập có hướng dẫn).

• ChatGPT: Bạn cần gõ lệnh “/learn” vào khung chat.

• Claude: Bạn nhấn dấu cộng, chọn “use style” (sử dụng văn phong) rồi chọn “learning” (tính năng học tập) – dù Anthropic đã thông báo sẽ thay đổi cách tiếp cận này nhưng chưa có hướng dẫn chính thức.

Dù dùng công cụ nào, bạn cũng nên ưu tiên các mô hình có khả năng suy luận sâu (thinking model) hoặc mô hình nâng cao, đặc biệt là với các môn khoa học tự nhiên (STEM). Tuy nhiên, những chế độ này chỉ có thể hỗ trợ những ai thực tâm muốn học, chứ không thể ngăn cản bạn gian lận nếu bạn cố tình muốn thế.

Quá đỗi dễ dàng

AI không nhất thiết phải bào mòn tư duy của bạn, nhưng nó hoàn toàn có thể làm điều đó nếu bị sử dụng sai cách – và đáng buồn là “sai cách” thường lại là lựa chọn mặc định. Các đồng nghiệp của tôi tại Wharton gọi hiện tượng này là “đầu hàng nhận thức” (cognitive surrender). Họ đã ghi nhận tình trạng người dùng ngừng suy nghĩ về vấn đề và phó mặc toàn bộ công việc cho AI, ngay cả khi AI đưa ra đáp án sai. Tôi cho rằng một phần nguyên nhân xuất phát từ chính cách thiết kế của những công cụ này.

Tôi đã không làm thế với bài viết này…

Khi các hệ thống AI còn yêu cầu người dùng phải trò chuyện qua lại phức tạp và thường xuyên mắc lỗi, con người buộc phải tham gia vào từng bước xử lý. Ngày nay, các hệ thống AI tự chủ (agentic systems) được thiết kế để khiến cuộc sống của bạn nhàn hạ hơn, vì chúng có thể tự động hoàn thành mọi việc. Điều này rất tuyệt vời nếu bạn chỉ muốn xong việc, nhưng lại rất tồi tệ nếu bạn muốn học hỏi, muốn giữ gìn bản sắc riêng hay muốn tránh việc “đầu hàng nhận thức”. Khi đưa ra một yêu cầu hóc búa và nhận được lời giải, chúng ta rất dễ bị cám dỗ để bê nguyên si câu trả lời của AI đi dùng.

Trong bài nghiên cứu vừa xuất bản cùng Fabrizio Dell’Acqua và các đồng nghiệp tại Harvard, MIT, Đại học Warwick, BCG cùng nhiều nơi khác, chúng tôi đã thực hiện một cuộc thử nghiệm với 758 chuyên gia tư vấn tại Boston Consulting Group (BCG). Một nửa trong số họ được quyền truy cập vào GPT-4. Kết quả là nhóm dùng AI có hiệu suất làm việc vượt trội hơn hẳn nhóm không dùng. Nhưng sau đó, chúng tôi yêu cầu họ giải quyết một bài toán mà chúng tôi biết chắc chắn AI sẽ làm sai. Ở nhiệm vụ này, nhóm chuyên gia dùng AI lại có tỷ lệ đưa ra đáp án đúng thấp hơn đáng kể so với nhóm không dùng. AI đã đưa ra một câu trả lời sai bét nhưng lại có vẻ rất đáng tin cậy; và phần lớn những chuyên gia tư vấn ưu tú kia – những người xuất sắc ở mọi nhiệm vụ khác – đã không hề nhận ra lỗi sai đó. Tất nhiên, giờ đây AI đã có thể giải quyết được bài toán ấy, nên vấn đề thực sự hiện nay không còn nằm ở tỷ lệ sai sót của máy móc nữa. Vấn đề là con người đang dần đánh mất cơ hội học cách trở thành một chuyên gia giỏi khi cứ để bản thân buông xuôi và phó mặc tư duy.

Xin nhắc lại, việc phó mặc cho AI không nhất thiết phải là lựa chọn mặc định. Trong một nghiên cứu nhỏ do Anthropic thực hiện, các lập trình viên đã dùng AI để hỗ trợ hoàn thành một nhiệm vụ mới. Những người phó mặc toàn bộ công việc cho AI không thể trả lời các câu hỏi về chính những gì họ vừa làm – một dấu hiệu rõ ràng của sự “đầu hàng nhận thức”. Ngược lại, những người yêu cầu AI giải thích rõ từng bước xử lý, hoặc chỉ dùng AI để hỗ trợ một phần công việc, dường như đã tránh được cái bẫy này.

Một phần giải pháp có thể nằm ở chính các công cụ AI, nhưng cách tiếp cận này khá hạn chế. Sẽ thật phiền toái nếu trước mỗi câu trả lời, ChatGPT lại hỏi: “Bạn muốn tôi gợi ý để bạn tự suy nghĩ, hay muốn tôi đưa luôn đáp án?” hoặc khuyên bạn: “Tôi nghĩ sẽ chân thực hơn nếu bạn tự viết đoạn này”. Nhưng đôi khi, chúng ta thực sự cần những lời nhắc nhở như vậy. Kết quả từ nghiên cứu ở Đài Bắc đã gợi mở một hướng đi khả thi: thiết lập các rào cản từ cấp độ hệ thống thay vì trông chờ vào ý chí của người dùng. Tuy nhiên, chúng ta hiếm khi thấy điều này trong các sản phẩm thương mại hiện nay, bởi áp lực thị trường thường thúc đẩy các công ty đi theo hướng ngược lại.

Lựa chọn những gì giữ lại cho con người

Rốt cuộc, phần lớn vấn đề sẽ phụ thuộc vào chính chúng ta. Phải nói rõ rằng, tôi hoàn toàn thoải mái với nhiều hình thức “đầu hàng nhận thức”. Tôi chẳng còn nhớ số điện thoại nữa vì điện thoại đã làm thay việc đó. Tôi mừng vì các con tôi không phải học viết chữ in hoa kiểu cách nữa. Tôi cũng rất vui lòng để máy tính cầm tay lo những phép toán thường ngày và để máy vi tính tự sắp xếp lịch lên lớp của mình. Đó từng là những kỹ năng hữu ích, nhưng có lẽ chúng ta đã đúng khi loại bỏ chúng.

Thế nhưng, AI lại là một câu chuyện khác. Công nghệ này có tính ứng dụng quá rộng, đến mức hầu như bất kỳ công việc trí óc nào cũng có thể được giao khoán cho nó ở một mức độ nào đó. Tôi không muốn tỏ ra quá bảo thủ về việc viết lách: chẳng có nguyên tắc nào bắt buộc một bản nháp email bóng bẩy phải được nhào nặn từ tư duy của con người, cũng giống như việc con người không nhất thiết phải tự mình tính toán một cột số vậy. Tuy nhiên, chúng ta không muốn từ bỏ mọi kỹ năng, và quan trọng là với bất kỳ công việc cụ thể nào, chúng ta phần lớn vẫn chưa biết đâu là kỹ năng quan trọng cần giữ lại và đâu là kỹ năng có thể bỏ đi. Việc quyết định điều đó sẽ là một thử thách thực sự.

Vấn đề không phải là né tránh AI, mà là sử dụng nó một cách có chủ đích – đưa ra những lựa chọn tỉnh táo thay vì ỷ lại một cách thụ động hay né tránh theo bản năng. Nhìn rộng hơn, chúng ta đang ở vào thời điểm mà những “chuẩn mực mặc định” về việc loại công việc nào nên giao cho AI đang dần được định hình: bởi các công ty thiết kế AI hướng tới sự tiện lợi tối đa, bởi các nhà tuyển dụng quyết định thế nào là “sử dụng AI tốt”, và bởi những người đang truyền đạt khái niệm liên tục biến đổi về “năng lực sử dụng AI” (AI literacy).

Trớ trêu thay, rất nhiều điều trong số này đang diễn ra mà không hề có bất kỳ sự hoạch định hay cân nhắc thực sự nào. Và tôi e rằng, một khi cả một thế hệ người lao động và học sinh sinh viên đã hình thành thói quen dựa trên những chuẩn mực đó, sẽ rất khó để có thể đảo ngược tình thế. Điều quan trọng nhất chúng ta có thể làm là liên tục đặt câu hỏi: cái gì nên giao phó và cái gì nên giữ lại cho riêng mình... và đừng trông chờ vào bất kỳ ai, kể cả AI, trả lời câu hỏi đó thay chúng ta.

Đọc bài viết gốc tại: Choosing to Stay Human

Càng sử dụng ChatGPT và các công cụ AI nhiều, tôi càng thấy rằng giá trị lớn nhất của chúng không nằm ở việc trả lời câu hỏi.

Mà nằm ở việc đặt lại câu hỏi.

Nhiều người nghĩ AI sẽ thay thế việc suy nghĩ của con người. Tôi lại thấy một khả năng khác: AI đang buộc chúng ta phải suy nghĩ tốt hơn.

Có lần tôi đưa cho AI một kế hoạch công việc mà mình khá tâm đắc và hỏi: “Bạn đánh giá thế nào?”

Thay vì góp ý chi tiết, AI hỏi lại một câu:

“Điều gì khiến bạn tin rằng đây là vấn đề quan trọng nhất cần giải quyết?”

Thoạt đầu tôi hơi khó chịu. Tôi đâu có hỏi điều đó.

Nhưng rồi tôi nhận ra, có thể mình đã dành nhiều ngày để tối ưu một giải pháp cho một vấn đề chưa chắc đã đúng.

Trong Tư Duy Hệ Thống, đây là một dạng điểm mù.

Điểm mù không phải là điều chúng ta không biết.

Điểm mù là những giả định mà chúng ta chưa từng nghĩ sẽ cần phải kiểm tra.

Càng có kinh nghiệm, điểm mù càng dễ xuất hiện.

Một lập trình viên tin rằng mọi thứ đều có thể giải quyết bằng công nghệ.

Một người làm kinh doanh tin rằng doanh số là câu trả lời cho mọi vấn đề.

Một người học AI tin rằng chỉ cần biết thêm một công cụ mới là sẽ hiệu quả hơn.

Nhưng rất nhiều khi, vấn đề không nằm ở việc thiếu công cụ.

Mà nằm ở cách chúng ta đang nhìn thế giới.

Điều thú vị là AI không có quá nhiều định kiến như con người. Nó có thể nhìn một tình huống từ nhiều góc độ khác nhau và liên tục hỏi lại những điều mà chúng ta mặc nhiên coi là đúng.

Nếu biết sử dụng, AI có thể trở thành một đối tác phản tư rất đặc biệt.

Bạn có thể yêu cầu AI đóng vai một khách hàng đang bất mãn, một người đồng nghiệp khó tính, một nhà đầu tư hoài nghi hay thậm chí là một phiên bản của chính mình trong tương lai.

Không phải để AI quyết định thay bạn.

Mà để bạn nhìn thấy những góc nhìn mà trước đây mình chưa từng nhìn.

Có lẽ đây mới là kỹ năng quan trọng trong thời đại AI.

Không phải viết prompt thật hay.

Không phải thuộc lòng hàng trăm công cụ.

Mà là biết dùng AI như một tấm gương để khám phá những điểm mù của bản thân.

Bởi trong một thế giới mà thông tin ngày càng rẻ, lợi thế cạnh tranh không còn nằm ở việc biết nhiều hơn người khác.

Lợi thế thực sự có thể nằm ở việc nhìn thấy điều mà người khác — và cả chính mình — vẫn chưa nhìn thấy.

Có lẽ, tự học trong thời AI không phải là hành trình tích lũy thêm tri thức.

Mà là hành trình mở rộng nhãn quan của chính mình.

Nhận ebook “Nhãn quan hệ thống” miễn phí tại LINK
ĐĂNG KÝ WORKSHOP ‘ĐIỂM MÙ” trong “Biết Mình Hệ Thống” tại ĐÂY

Nhưng thực tế của rất nhiều người hiện nay lại hoàn toàn ngược lại.

Họ cài thêm công cụ AI, mở thêm tab ChatGPT, Gemini, Copilot, Perplexity, học thêm prompt, tối ưu thêm workflow, nhưng đến cuối ngày lại rơi vào trạng thái mệt mỏi kỳ lạ: đầu óc mơ hồ, khả năng tập trung giảm hẳn, ra quyết định chậm hơn, và cảm giác như làm cả ngày nhưng não vẫn không thật sự xử lý xong bất kỳ việc gì.

Nhiều người nghĩ vấn đề nằm ở việc mình chưa đủ giỏi dùng AI. Nhưng có lẽ điều đáng lo hơn là chúng ta đang bắt đầu sử dụng AI theo cách khiến não bộ phải làm việc nhiều hơn trước, chứ không phải ít hơn.

Đầu năm 2026, Harvard Business Review công bố một nghiên cứu khảo sát gần 1.500 nhân viên toàn thời gian tại Mỹ và gọi hiện tượng này bằng một cái tên khá đáng chú ý: “AI Brain Fry” - trạng thái não bộ bị quá tải do phải tương tác với AI liên tục trong môi trường làm việc.

Điều đáng nói là đây không phải kiểu burnout truyền thống mà chúng ta thường nghe tới. Burnout là dạng kiệt sức kéo dài, tích tụ qua nhiều tháng vì áp lực công việc. Còn “AI Brain Fry” là một dạng quá tải nhận thức diễn ra ngay trong ngày làm việc, xuất hiện khi con người liên tục phải đọc, giám sát, kiểm tra, chỉnh sửa và ra quyết định dựa trên những gì AI tạo ra.

Nghe có vẻ vô hại, nhưng nếu để ý kỹ, mỗi lần bạn nhận một kết quả từ AI, não bộ thực chất đang phải thực hiện liên tiếp nhiều bước xử lý nhỏ:

• Đọc và đánh giá xem thông tin đúng hay sai

• So sánh xem có phù hợp với bối cảnh công việc hiện tại không

• Quyết định nên giữ nguyên, chỉnh sửa hay bỏ đi

• Kiểm tra xem AI có “bịa” hay bỏ sót điều gì không

Mỗi thao tác này chỉ mất vài giây nên rất khó nhận ra. Nhưng khi lặp đi lặp lại hàng chục hoặc hàng trăm lần mỗi ngày, chúng trở thành thứ mà khoa học gọi là micro-decisions (những quyết định cực nhỏ) nhưng tiêu tốn năng lượng nhận thức liên tục.

Đó là lý do nhiều người cảm thấy mình không làm gì, nhưng não vẫn kiệt quệ.

Nghiên cứu của Microsoft trong báo cáo Work Trend Index 2025 còn cho thấy một bức tranh lớn hơn nhiều về cách môi trường làm việc hiện đại đang bào mòn khả năng tập trung của con người. Một nhân viên văn phòng trung bình hiện nay bị gián đoạn khoảng 275 lần mỗi ngày, tức gần như cứ mỗi 2 phút lại có một tác nhân khiến họ mất tập trung: email, tin nhắn, cuộc họp, thông báo hệ thống, và giờ là thêm hàng loạt công cụ AI.

Khoảng 60% thời gian làm việc hiện đại được dành cho việc giao tiếp và xử lý thông tin, thay vì tạo ra giá trị thực sự. Chỉ khoảng 40% còn lại dành cho tư duy chiến lược, sáng tạo hoặc giải quyết vấn đề sâu.

Và khi AI được đưa vào mà không có cấu trúc rõ ràng, nó không giúp giảm tải. Nó chỉ tạo thêm một tầng xử lý mới cho não bộ:

• thêm output phải đọc

• thêm lựa chọn phải cân nhắc

• thêm ngữ cảnh phải nhớ

• thêm quyết định phải đưa ra

Microsoft gọi khoảng cách này là Capacity Gap - khoảng cách giữa khối lượng công việc ngày càng tăng và khả năng nhận thức có giới hạn của con người.

Vấn đề nằm ở chỗ não bộ chúng ta không được thiết kế để xử lý quá nhiều ngữ cảnh cùng lúc.

Nhà khoa học nhận thức Nelson Cowan đã chỉ ra rằng working memory tức bộ nhớ làm việc ngắn hạn của con người - chỉ có thể giữ khoảng 4 đơn vị thông tin cùng một thời điểm. Điều đó có nghĩa là mỗi khi bạn mở thêm một cuộc trò chuyện AI mới và phải giải thích lại:

• dự án đang làm

• mục tiêu mong muốn

• định dạng output

• giọng văn

• dữ liệu liên quan

• lịch sử trao đổi trước đó…

…não bộ lại phải nạp lại toàn bộ ngữ cảnh từ đầu.

Tệ hơn, mỗi lần chuyển qua lại giữa công việc chính và việc dạy AI hiểu mình, não còn gặp phải hiện tượng gọi là attention residue (dư âm chú ý).

Khái niệm này được nhà nghiên cứu Sophie Leroy công bố năm 2009 để mô tả việc não bộ không thể chuyển hoàn toàn khỏi một nhiệm vụ khi đang nhảy sang nhiệm vụ khác. Một phần sự chú ý vẫn bị mắc kẹt ở việc cũ, khiến hiệu suất của việc mới giảm đi rõ rệt.

Đó là lý do vì sao sau vài giờ liên tục chuyển qua lại giữa:

• làm việc thật

• sửa output AI

• đổi prompt

• kiểm tra thông tin

• quay lại task chính…

…bạn bắt đầu cảm thấy đầu óc đặc quánh, khó suy nghĩ sâu, mất kiên nhẫn và không còn khả năng tập trung dài.

Về mặt sinh học, việc này còn kích hoạt cortisol (hormone căng thẳng) tăng liên tục trong cơ thể. Khi cortisol duy trì ở mức cao quá lâu, nó ảnh hưởng trực tiếp đến:

• hippocampus: vùng não liên quan đến trí nhớ và học tập

• prefrontal cortex: vùng điều khiển tập trung, ra quyết định và tư duy logic

• amygdala: vùng phản ứng với lo âu và stress

Nói cách khác, việc liên tục xử lý quá nhiều gánh nặng nhận thức nhỏ không chỉ khiến bạn mệt tạm thời. Nó thực sự đang làm giảm chất lượng tư duy theo thời gian.

Nhưng điều thú vị là AI bản thân nó không phải vấn đề.

Các nghiên cứu từ Harvard Business School và Boston Consulting Group (BCG) trên hàng trăm chuyên gia tư vấn cho thấy khi AI được sử dụng đúng cách, hiệu suất công việc tăng lên rất mạnh:

• số lượng công việc hoàn thành tăng

• tốc độ xử lý nhanh hơn

• chất lượng đầu ra tốt hơn đáng kể

• đặc biệt người ít kinh nghiệm được hỗ trợ rất nhiều

Điểm khác biệt nằm ở cách họ sử dụng AI.

Những người dùng hiệu quả không coi AI là nơi để “hỏi vặt liên tục”. Họ xây dựng quy trình rõ ràng, chuẩn hóa cách làm việc, và biến AI thành một phần ổn định trong hệ thống công việc của mình.

Nghiên cứu mô tả hai kiểu người dùng nổi bật:

• “Centaur” - người biết phân chia rõ việc nào AI làm, việc nào con người làm

• “Cyborg” - người tích hợp AI sâu vào workflow nhưng vẫn giữ vai trò kiểm soát chiến lược

Điểm chung của họ là: họ không bắt não phải dạy lại AI từ đầu mỗi ngày.

Đây cũng là lúc khái niệm cognitive offloading xuất hiện, tức việc chuyển bớt gánh nặng nhận thức ra công cụ bên ngoài để não bộ có thêm tài nguyên cho tư duy quan trọng hơn.

Nhưng có hai kiểu offloading hoàn toàn khác nhau.

Kiểu thứ nhất là giao hết cho AI rồi liên tục kiểm tra, sửa chữa, xác minh. Cách này nhìn bề ngoài có vẻ nhanh, nhưng thực tế lại tạo thêm vô số quyết định nhỏ khiến não bộ càng mệt hơn.

Kiểu thứ hai là xây dựng quy trình rõ ràng ngay từ đầu:

• chuẩn hóa input

• định nghĩa output

• đóng gói ngữ cảnh

• tạo template cố định

• xác định rõ AI được phép xử lý phần nào

Khi đó, AI mới thực sự giúp giải phóng năng lượng nhận thức.

Khác biệt lớn nhất không nằm ở việc bạn dùng bao nhiêu AI tool, mà nằm ở việc mỗi ngày bạn có đang bắt não phải lặp lại cùng một loại quyết định hàng trăm lần hay không.

Và có lẽ đây mới là điều quan trọng nhất trong thời đại AI:

AI không khiến con người kiệt sức.
Chính cách chúng ta tích hợp AI vào cuộc sống và công việc mới quyết định điều đó.

Nếu mỗi lần làm việc với AI đều bắt đầu từ con số 0, não bộ sẽ phải trả “thuế nhận thức” liên tục. Nhưng nếu bạn biết cách xây dựng hệ thống, đóng gói quy trình và giảm số lượng quyết định không cần thiết, AI có thể trở thành công cụ giúp bạn lấy lại khoảng trống để suy nghĩ sâu, tập trung hơn và làm việc bền vững hơn thay vì chỉ nhanh hơn trong ngắn hạn.

Ngoài lề: Team THCAI trong chuỗi Antinoise - AI Ứng dụng tập trung trong thế giới ồn ào (hướng dẫn tư duy và ứng dụng AI để tối ưu công việc, cuộc sống) sẽ tổ chức Workshop 2: SKILL TRONG ANTIGRAVITY vào ngày 30/05. Buổi này sẽ hướng dẫn về các Skills và cách kết nối NotebookLM trực tiếp với Antigravity. Mời bạn tham gia:

📅 Thứ Bảy 30/5 | ⏰ 20:00 – 21:30 | 💻 Online | 🎟️ Miễn phí

» Đăng ký tại: [LINK FORM]

Hẹn gặp bạn!