Tự Học Cùng AI : Cộng tác AI

[Series AI Agent][Bài Số 18] Phân loại Xanh/Vàng/Đỏ: khi nào tin AI, khi nào dừng lại

Hoàng Văn Tuấn — Fri, 15 May 2026 02:00:33 GMT

Dùng AI cho mọi thứ mà không phân biệt, có nên không? Ngược lại, sợ AI sai nên không dùng gì, có đáng không?

Cả hai đều sai.

AI dùng được cho hầu hết mọi việc. Nhưng ở mức tin tưởng khác nhau. Bài này đưa ra một framework đơn giản giúp bạn phân loại: việc nào thoải mái, việc nào cần cẩn thận, việc nào chỉ tham khảo.

Ba vùng: Xanh, Vàng, Đỏ

Hãy tưởng tượng đèn giao thông.

Xanh: thoải mái dùng. Output dùng được ngay hoặc chỉ cần chỉnh nhẹ. Sai cũng không hậu quả lớn.

Brainstorm ý tưởng
Nháp email nội bộ
Dịch nháp tài liệu
Tóm tắt nội dung dài
Viết nháp bài đăng mạng xã hội

Sai ở đây không đau. Brainstorm mà có ý dở thì bỏ. Email nháp thì bạn sẽ đọc lại trước khi gửi. Dịch nháp thì sửa vài chỗ. Vùng Xanh là nơi AI phát huy tốt nhất: nhanh, tiết kiệm thời gian, rủi ro gần như bằng không.

Vàng: dùng nhưng verify. Output cần kiểm tra trước khi dùng. Sai thì có hậu quả.

Báo cáo có số liệu
Email gửi khách hàng, đối tác
Nội dung publish (blog, newsletter)
Phân tích dữ liệu kinh doanh
Nội dung thuyết trình quan trọng

Ở vùng Vàng, AI làm bản nháp tốt. Nhưng bạn phải kiểm tra facts, số liệu, giọng văn. Dùng ít nhất 2 kỹ thuật verify từ bài trước. Đặc biệt kiểm tra tên người, con số, trích dẫn.

Đỏ: chỉ tham khảo. AI giúp bạn nghĩ, không giúp bạn quyết. Output là điểm khởi đầu, không phải kết luận.

Y tế: triệu chứng, chẩn đoán, thuốc
Pháp lý: hợp đồng, luật, tranh chấp
Tài chính lớn: đầu tư, vay, bảo hiểm
Quyết định nhân sự: sa thải, thăng chức

Vùng Đỏ không có nghĩa cấm dùng AI. Có nghĩa là AI chỉ là một tiếng nói tham khảo, trong nhiều tiếng nói. Quyết định cuối cùng phải dựa trên chuyên gia, dữ liệu gốc, và phán đoán của bạn.

Ví dụ: nhờ AI tóm tắt các quy định về thuế thu nhập cá nhân? Được. Nhưng dùng bản tóm tắt đó để kê khai thuế mà không hỏi kế toán? Không nên. AI giúp bạn hiểu nhanh vấn đề. Quyết định cụ thể cần người có chuyên môn.

Vùng Đỏ nghiêm túc đến mức nào?

Lấy 3 ví dụ cụ thể.

Y tế. Bạn hỏi AI: "Đau đầu liên tục 3 ngày, nên làm gì?" AI nói: "Có thể do căng thẳng, nghỉ ngơi là đủ." Bạn nghe theo, không đi khám. Hai tuần sau, triệu chứng nặng hơn. Thực ra là vấn đề cần can thiệp sớm.

AI không khám được. Không sờ, không đo, không xét nghiệm. Nó chỉ đoán dựa trên mô tả bằng chữ. Mà bạn mô tả triệu chứng bao nhiêu đi nữa, vẫn thiếu thông tin so với bác sĩ khám trực tiếp.

Pháp lý. Bài 15 đã kể vụ luật sư Schwartz. Dùng ChatGPT tìm 6 vụ án tiền lệ, cả 6 bịa. Bị phạt 5.000 đô. Thẩm phán nói rõ: AI sai thì người dùng chịu.

Pháp luật thay đổi theo quốc gia, theo năm, theo từng vụ cụ thể. AI không cập nhật kịp. Nó có thể trích dẫn điều luật đã bị sửa đổi. Hoặc bịa điều luật nghe hợp lý nhưng không tồn tại.

Tài chính. AI nói: "Cổ phiếu X đang undervalued, nên mua." Dữ liệu AI dùng có thể cũ vài tháng. Nó không biết tin nội bộ tuần này. Không hiểu hoàn cảnh tài chính cá nhân của bạn. Không chịu trách nhiệm nếu bạn mất tiền.

Ba lĩnh vực, cùng một pattern: AI thiếu thông tin mà chuyên gia có, và hậu quả sai lầm quá lớn để mạo hiểm.

Có một cách phân biệt nhanh: nếu sai thì xin lỗi là xong, đó là Xanh. Nếu sai thì phải sửa và mất thời gian, đó là Vàng. Nếu sai thì ảnh hưởng sức khỏe, tiền bạc, hoặc pháp lý, đó là Đỏ.

Trách nhiệm thuộc về bạn

Đây là điều nhiều người chưa nghĩ tới.

AI không bị phạt. AI không bị kiện. AI không mất việc. Bạn gửi email. Bạn submit báo cáo. Bạn ra quyết định. Hậu quả thuộc về bạn.

Hãy nghĩ về máy tính bỏ túi. Bạn nhập sai số, máy tính cho kết quả sai. Bạn không kiện hãng Casio. Vì máy tính làm đúng phép toán, bạn nhập sai dữ liệu.

AI cũng vậy. Nó xử lý đúng cái nó được cho. Nhưng kết quả đúng hay sai, dùng hay bỏ, trách nhiệm nằm ở người bấm nút gửi.

Điều này không phải để doạ bạn. Mà để giúp bạn dùng AI tỉnh táo hơn. Biết trách nhiệm thuộc về mình thì tự khắc kiểm tra kỹ hơn.

Thẩm phán trong vụ Schwartz không phạt ChatGPT. Phạt luật sư. Vì "trách nhiệm kiểm tra thuộc về luật sư." Không có ngoại lệ cho "AI bảo thế."

Nguyên tắc vàng: thực tập sinh giỏi nhưng hay bịa

Cách tốt nhất để dùng AI: coi nó như thực tập sinh rất giỏi nhưng hay bịa.

Thực tập sinh này nhanh. Chăm. Làm gì cũng có kết quả trong vài giây. Nhưng đôi khi bịa, đôi khi thiên lệch, và không bao giờ tự nói "phần này tôi không chắc."

Bạn đối xử với thực tập sinh thế nào?

1. Giao việc: thoải mái giao, càng nhiều càng tốt. Đó là lý do bạn có thực tập sinh.

2. Kiểm tra: mọi thứ nó nộp, bạn đọc lại. Số liệu thì tra nguồn. Trích dẫn thì kiểm chứng.

3. Tham khảo: việc quan trọng, bạn nghe ý kiến nó nhưng không để nó quyết.

4. Tự quyết: cuối cùng, bạn ký tên, bạn chịu trách nhiệm.

Giao, kiểm, tham khảo, tự quyết. Bốn bước đó áp dụng cho mọi tương tác với AI.

Bạn không cần nhớ 4 bước này mỗi lần. Chỉ cần nhớ hình ảnh: thực tập sinh giỏi, hay bịa. Hình ảnh đó tự nhắc bạn cách đối xử phù hợp.

Framework cho sự tự tin

Nhiều người ngại dùng AI vì sợ sai. Framework Xanh/Vàng/Đỏ giúp bạn tự tin hơn, không phải vì AI đáng tin hơn, mà vì bạn biết rõ mức tin tưởng cho từng loại việc.

Xanh: dùng thoải mái, sai không sao.

Vàng: dùng rồi kiểm tra.

Đỏ: tham khảo, không để AI quyết.

Trước khi dùng output AI cho bất cứ việc gì, hỏi nhanh: "Việc này Xanh, Vàng, hay Đỏ?" Một câu hỏi đó thay đổi cách bạn xử lý output.

AI là công cụ. Công cụ mạnh nhất thế giới vẫn cần người biết cách dùng.

Bạn đã biết AI bịa rất tự tin. AI thiên lệch mà không báo. Có 5 cách kiểm tra nhanh. Và bây giờ, có framework phân loại mức tin tưởng cho từng loại việc.

Bạn dùng AI càng nhiều càng tốt. Vùng Xanh cho tốc độ. Vùng Vàng cho chất lượng. Vùng Đỏ cho sự an toàn. Ở mọi vùng, bạn là người quyết định. Và bạn chịu trách nhiệm.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 17] 5 kỹ thuật verify output AI

Hoàng Văn Tuấn — Thu, 14 May 2026 02:00:28 GMT

Phần lớn người dùng AI không kiểm tra output. Đọc xong, thấy nghe hợp lý, dùng luôn. Đó là trust mù.

Hai bài trước đã giải thích vì sao đó là vấn đề. AI bịa rất tự tin (hallucination). AI thiên lệch mà không cảnh báo (bias). Output sai trông y hệt output đúng.

Vậy kiểm tra bằng cách nào? 5 kỹ thuật dưới đây sắp từ nhanh đến kỹ. Kỹ thuật 1 mất 30 giây. Kỹ thuật 5 mất 5 phút. Không cần dùng hết cả 5. Nhưng mọi thứ quan trọng nên qua ít nhất 2 kỹ thuật.

KT1: Hỏi "nguồn nào?"

Đơn giản nhất. Mất 30 giây.

AI đưa ra một con số, một trích dẫn, một nhận định. Bạn hỏi ngay: "Thông tin này từ nguồn nào?"

Nếu AI trả lời rõ ràng: tên tài liệu, năm, tác giả, bạn có thứ để kiểm tra tiếp (xem KT2). Nếu AI trả lời mơ hồ kiểu "theo nhiều nghiên cứu" hoặc "đây là kiến thức phổ biến", đó là dấu hiệu đỏ.

Cảnh báo quan trọng: AI có thể bịa nguồn. Bài 15 đã nói chuyện này. Hỏi nguồn không phải để tin nguồn đó. Mà để có thứ mang đi kiểm tra bằng cách khác.

Ví dụ: bạn nhờ AI viết đoạn về thị trường bất động sản. AI nói "Theo Savills Q3 2025..." Bạn hỏi nguồn. AI đưa tên báo cáo cụ thể. Bước tiếp: vào website Savills kiểm tra báo cáo đó có thật không (xem KT2).

Đừng dừng ở đây. Kỹ thuật này là bước sàng lọc đầu tiên, không phải bước cuối.

KT2: Cross-check bằng nguồn gốc

Hiệu quả nhất cho facts, số liệu, trích dẫn.

AI nói: "Theo McKinsey 2024, 72% doanh nghiệp đã áp dụng AI." Bạn mở Google, gõ đúng cụm đó. Tìm đến báo cáo McKinsey gốc. So sánh.

Có 3 kết quả:

1. Khớp hoàn toàn. Tốt. Dùng được.

2. Gần đúng nhưng lệch. AI nói 72%, báo cáo gốc nói 65%. Hoặc đúng số nhưng sai năm. Đây là hallucination nhẹ, sửa được.

3. Không tìm thấy. Báo cáo không tồn tại. Hoặc tồn tại nhưng nội dung khác hẳn. Bỏ. Không dùng.

Kỹ thuật này mất 2-3 phút. Nhưng đây là cách đáng tin nhất. Vì bạn đang so sánh với nguồn gốc, không phải so sánh AI với AI.

Mẹo: Google chính xác cụm từ bằng dấu ngoặc kép. "72% doanh nghiệp áp dụng AI" McKinsey 2024. Kết quả chính xác hơn nhiều so với tìm mơ hồ.

Thêm một mẹo: ưu tiên website chính thức (mckinsey.com, who.int, gso.gov.vn) thay vì blog tổng hợp. Blog tổng hợp có khi cũng lấy từ AI.

KT3: Hỏi ngược (triangulation)

Kỹ thuật này kiểm tra tính nhất quán.

Thay vì hỏi lại cùng câu, bạn hỏi câu khác về cùng chủ đề. Nếu AI hiểu đúng vấn đề, hai câu trả lời sẽ ăn khớp. Nếu nó bịa, hai câu trả lời sẽ mâu thuẫn.

Ví dụ: AI nói "Doanh thu ngành SaaS Đông Nam Á năm 2024 là 15 tỷ đô."

Thay vì hỏi "Có chắc không?", bạn hỏi: "Tốc độ tăng trưởng ngành SaaS Đông Nam Á giai đoạn 2020-2024 là bao nhiêu?"

Nếu AI nói tăng trưởng 25%/năm và năm 2020 là 5 tỷ đô, bạn tính nhanh: 5 tỷ x 1.25^4 = khoảng 12 tỷ. Lệch với con số 15 tỷ. Có gì đó không khớp.

Triangulation buộc AI phải nhất quán qua nhiều góc. Bịa một con số thì dễ. Bịa một hệ thống con số ăn khớp với nhau thì khó hơn nhiều.

Kỹ thuật này đặc biệt hay cho phân tích. Bạn không cần là chuyên gia. Chỉ cần hỏi cùng chủ đề từ 2-3 góc khác nhau, rồi xem các mảnh ghép có khớp không.

KT4: Tự phản biện

Bạn yêu cầu AI kiểm tra chính nó.

Cách làm: sau khi nhận output, gõ "Hãy chỉ ra những điểm có thể sai trong câu trả lời vừa rồi."

AI sẽ liệt kê những chỗ yếu. Đôi khi nó phát hiện ra lỗi thật. Đôi khi nó chỉ ra giới hạn bạn chưa nghĩ tới.

Nhưng cẩn thận. Kỹ thuật này có nhược điểm lớn. AI đôi khi "nhận lỗi" dù câu trả lời ban đầu đúng. Bạn hỏi "có gì sai?", nó tìm cái sai cho bạn, dù phải bịa ra cái sai.

Giống hỏi nhân viên "Cái này có lỗi gì không?" Nhiều người sẽ tìm ra "lỗi" để trả lời, dù thật ra không có lỗi nào.

Vì vậy, dùng KT4 để mở rộng góc nhìn, không phải để kết luận. AI nói "phần X có thể sai" thì bạn kiểm tra phần X bằng KT2. Không phải tự động bỏ phần X.

KT5: Mở conversation mới

Kỹ thuật chống confirmation bias.

Trong cùng một cuộc trò chuyện, AI có xu hướng giữ nhất quán với những gì nó đã nói. Nó "cam kết" với câu trả lời trước. Hỏi lại cùng câu, nó lặp lại cùng đáp án, dù sai.

Cách phá: mở hoàn toàn conversation mới. Hỏi cùng câu hỏi. So sánh hai kết quả.

Nếu hai conversation cho cùng đáp án, khả năng đúng cao hơn. Nếu hai conversation cho đáp án khác nhau, có vấn đề. Đừng chọn cái nào nghe hay hơn. Kiểm tra bằng KT2.

Tại sao cần conversation mới? Vì trong bài 4 (context window), bạn đã biết AI đọc lại toàn bộ cuộc trò chuyện mỗi lần trả lời. Nó "thấy" câu trả lời trước, nên bị neo vào đó. Conversation mới = trang giấy trắng, không bị ảnh hưởng.

Mẹo nâng cao: dùng 2 AI khác nhau. ChatGPT và Claude. Hoặc Gemini và ChatGPT. Hai model khác nhau bịa giống nhau thì hiếm. Hai model cho cùng đáp án thì đáng tin hơn.

Khi nào dùng kỹ thuật nào?

Không phải lúc nào cũng cần cả 5.

| Tình huống | Kỹ thuật nên dùng |

|---|---|

| Email nội bộ, nháp ý tưởng | KT1 là đủ. Hoặc không cần. |

| Báo cáo có số liệu | KT1 + KT2. Bắt buộc. |

| Nội dung publish công khai | KT2 + KT3. Thêm KT5 nếu quan trọng. |

| Quyết định lớn (pháp lý, tài chính) | KT2 + KT3 + KT5. Dùng nhiều nguồn. |

| Nghiên cứu, phân tích sâu | Cả 5. Không bỏ bước nào. |

Quy tắc ngón tay cái: hậu quả càng lớn, verify càng kỹ. Email nội bộ sai tên thì xin lỗi là xong. Hồ sơ pháp lý sai trích dẫn thì mất 5.000 đô và uy tín.

30 giây thay đổi mọi thứ

Quay lại con số: 30 giây hỏi nguồn, 2 phút Google. Đó là khoảng thời gian giữa "dùng AI thông minh" và "tin AI mù quáng".

Bạn không cần nghi ngờ mọi thứ AI nói. Bạn cần thói quen kiểm tra những thứ quan trọng. Giống lái xe: không cần hoang tưởng tai nạn, nhưng cần thắt dây an toàn.

5 kỹ thuật này là dây an toàn của bạn khi dùng AI. Chọn ít nhất 2 cho mọi output quan trọng. Thành thói quen rồi, nó nhanh hơn bạn tưởng.

Và nhớ: verify không phải vì bạn không tin AI. Mà vì bạn tin output của mình phải đúng.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 16] Bias trong AI: tấm gương phản chiếu xã hội

Hoàng Văn Tuấn — Wed, 13 May 2026 02:01:03 GMT

Thử mở ChatGPT và gõ: "Hãy mô tả một CEO." Để ý kết quả. Có phải AI vẽ ra hình ảnh một người đàn ông trung niên, mặc vest, tóc gọn gàng?

Giờ gõ tiếp: "Hãy mô tả một y tá." Xem AI có tự động dùng đại từ "cô ấy" không.

Nếu có, đó không phải ngẫu nhiên. Đó là bias.

AI học từ internet. Internet có bias.

AI được huấn luyện bằng hàng tỷ trang web, sách, bài báo. Dữ liệu đó phản ánh thế giới thật, bao gồm cả những thiên lệch trong thế giới thật.

Trên internet, phần lớn bài viết về CEO kèm hình đàn ông. Phần lớn bài viết về y tá kèm hình phụ nữ. Phần lớn bài viết về kỹ sư công nghệ kèm hình người trẻ, áo hoodie.

AI không hiểu "CEO nên trông thế nào". Nó chỉ biết: trong dữ liệu, CEO thường đi cùng với những đặc điểm nào. Rồi nó lặp lại pattern đó.

Nói cách khác, AI giống một tấm gương. Nó phản chiếu những gì xã hội đã viết ra. Xã hội có thiên lệch nào, AI có thiên lệch đó.

Và tấm gương này không biết nó đang phản chiếu lệch. Nó không có ý định phân biệt. Nó chỉ lặp lại pattern. Pattern nào phổ biến nhất trong dữ liệu, pattern đó chiến thắng.

Khi nào bias vô hại, khi nào gây hại

Không phải lúc nào bias cũng là vấn đề.

Nhờ AI brainstorm ý tưởng cho bài thuyết trình, output có thiên về phong cách phương Tây? Không sao. Bạn sẽ chọn lọc và chỉnh lại.

Nhưng thử tưởng tượng những tình huống khác.

Sàng lọc CV. Công ty dùng AI lọc 500 đơn ứng tuyển. AI học từ dữ liệu tuyển dụng cũ, mà dữ liệu cũ thiên về ứng viên nam cho vị trí kỹ thuật. Kết quả: ứng viên nữ giỏi bị xếp hạng thấp hơn. Amazon từng gặp chính xác vấn đề này năm 2018. Họ phải bỏ hệ thống.

Đánh giá hiệu suất. AI hỗ trợ viết nhận xét nhân viên. Với cùng thành tích, nó dùng từ "quyết đoán, lãnh đạo giỏi" cho nam và "hỗ trợ tốt, hòa đồng" cho nữ. Nghe đều tích cực. Nhưng khi xét thăng chức, "lãnh đạo giỏi" nặng ký hơn "hòa đồng" rất nhiều.

Nội dung marketing. AI viết quảng cáo cho sản phẩm tài chính. Output mặc định hướng đến người trung niên, thu nhập cao. Bỏ qua hoàn toàn phân khúc người trẻ, thu nhập trung bình, dù họ là khách hàng tiềm năng lớn.

Bias gây hại khi nó ảnh hưởng đến con người cụ thể mà không ai nhận ra. Và vì AI xử lý nhanh, quy mô lớn, một bias nhỏ được nhân lên hàng nghìn lần. Một AI sàng lọc CV thiên lệch giới tính không chỉ ảnh hưởng 1 người. Nó ảnh hưởng hàng trăm ứng viên mỗi đợt tuyển dụng.

Bias im lặng

Đây là phần đáng lo nhất.

Khi AI trả lời sai một con số, bạn có thể phát hiện. Google một cái là biết. Nhưng khi AI có bias, nó không báo cho bạn. Không có cảnh báo "output này thiên lệch giới tính". Không có dấu hiệu nào.

Output đọc lên nghe hợp lý, mạch lạc, thuyết phục. Bạn tin vì nó nghe đúng. Nhưng "nghe đúng" và "công bằng" là hai chuyện khác nhau.

Thử so sánh: hallucination (bài trước) giống AI bịa một sự kiện. Bạn tra Google, phát hiện không có. Bias giống AI kể đúng sự kiện nhưng chỉ kể một phía. Bạn tra Google, thông tin khớp. Nhưng góc nhìn bị lệch.

Khó phát hiện hơn nhiều.

Ví dụ thực tế: bạn nhờ AI viết mô tả công việc cho vị trí quản lý. AI dùng những từ như "mạnh mẽ", "quyết đoán", "dẫn dắt". Nghe chuẩn. Nhưng nghiên cứu cho thấy mô tả công việc dùng nhiều từ "nam tính" khiến ứng viên nữ ít apply hơn. Không ai sai rõ ràng. Không ai bị phân biệt trực tiếp. Nhưng kết quả cuối cùng: đội ngũ thiếu đa dạng.

Quyền riêng tư: bias lớn nhất bạn tự tạo

Có một dạng "bias" khác ít ai nghĩ tới. Không phải AI gây ra. Mà bạn tự gây cho mình.

Mỗi lần bạn paste dữ liệu vào ChatGPT, dữ liệu đó đi lên server của bên thứ ba. Danh sách khách hàng, bảng lương, hợp đồng, mật khẩu nội bộ. Bạn đang gửi bí mật của mình cho một công ty khác.

Nghe thì ai cũng biết. Nhưng trong thực tế, rất nhiều người paste mọi thứ vào AI mà không suy nghĩ. "Cho nhanh." Đến khi dữ liệu bị rò rỉ hoặc dùng để huấn luyện model, mới giật mình.

Quy tắc đơn giản: đừng paste vào AI thứ gì bạn không muốn đăng công khai. Mật khẩu, dữ liệu khách hàng, bí mật kinh doanh, thông tin cá nhân nhạy cảm. Giữ lại.

Samsung từng cấm nhân viên dùng ChatGPT sau khi phát hiện kỹ sư paste mã nguồn nội bộ vào chatbot. Dữ liệu đó đã lên server bên ngoài. Không lấy lại được.

Cách kiểm tra bias

Bạn không cần công cụ phức tạp. Chỉ cần thói quen.

Thử đổi biến. Cùng một prompt, thay "nam" thành "nữ". Thay "Việt Nam" thành "Mỹ". Thay "25 tuổi" thành "55 tuổi". Output có khác không? Khác ở chỗ nào? Sự khác biệt đó có hợp lý không, hay phản ánh thiên lệch?

Đa dạng hoá prompt. Thay vì "Mô tả một lãnh đạo giỏi", thử "Mô tả một lãnh đạo giỏi, không phân biệt giới tính hay tuổi tác." Thêm một câu chỉ dẫn thay đổi kết quả rõ rệt.

Kiểm tra output trước khi dùng. Đặc biệt khi liên quan đến con người: tuyển dụng, đánh giá, marketing nhắm nhóm đối tượng. Đọc lại và tự hỏi: "Nếu đổi giới tính, sắc tộc, tuổi, output này còn hợp lý không?"

Hỏi thêm người khác. Bias khó phát hiện vì chính bạn cũng có thể chia sẻ cùng bias đó. Nhờ đồng nghiệp có góc nhìn khác đọc qua. Hai đôi mắt tốt hơn một.

Không cần làm mấy bước này mỗi lần dùng AI. Nhưng khi output liên quan đến con người, liên quan đến quyết định, hãy chạy qua ít nhất một bước. Thành thói quen rồi mất chưa đến 1 phút.

Bias không phải lỗi. Bias là tính chất.

Đừng kỳ vọng AI trung lập hoàn toàn. Nó được huấn luyện từ dữ liệu con người, mà con người không trung lập. Hiểu điều đó giúp bạn dùng AI khôn hơn.

AI là công cụ mạnh. Nhưng mọi công cụ mạnh đều cần người dùng biết giới hạn của nó. Bias im lặng. Không ai cảnh báo bạn. Phần việc đó thuộc về bạn.

Mỗi lần dùng AI cho quyết định liên quan đến con người, dừng lại 30 giây. Hỏi: "Output này có thiên lệch không?" Thử đổi biến. Kiểm tra. Rồi mới dùng.

30 giây đó có thể giúp bạn tránh một quyết định không công bằng mà bạn không hề hay biết.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 15] AI bịa rất tự tin: Hallucination là gì và tại sao nó xảy ra

Hoàng Văn Tuấn — Tue, 12 May 2026 02:01:06 GMT

Một luật sư ở New York nộp hồ sơ lên tòa. Trong đó trích dẫn 6 vụ án làm tiền lệ. Thẩm phán tra cứu. Không vụ nào tồn tại. Cả 6 vụ do ChatGPT bịa ra.

Luật sư tên Steven Schwartz, vụ Mata kiện Avianca, năm 2023. Ông bị phạt 5.000 đô. Khi được hỏi, ông nói: "Tôi không biết ChatGPT có thể bịa." Thẩm phán trả lời: "Trách nhiệm kiểm tra thuộc về luật sư."

Câu chuyện này không phải ngoại lệ. Nó là bản chất của cách AI hoạt động.

AI không biết. AI đoán.

Nhiều người nghĩ AI "biết" câu trả lời. Không phải. AI dự đoán từ tiếp theo.

Hãy nghĩ về gợi ý trên bàn phím điện thoại. Bạn gõ "Chúc mừng", điện thoại gợi ý "sinh nhật". Nó không hiểu sinh nhật là gì. Nó chỉ biết: sau "chúc mừng", "sinh nhật" xuất hiện nhiều nhất trong dữ liệu.

AI hoạt động y vậy, chỉ ở quy mô lớn hơn rất nhiều. Thay vì đoán 1 từ trên điện thoại, nó đoán hàng nghìn từ liên tiếp. Đoán giỏi đến mức nghe như hiểu. Nhưng dự đoán không phải là hiểu biết.

Thử nghĩ thế này. Bạn chưa bao giờ đến Iceland. Nhưng nếu ai hỏi "Iceland lạnh không?", bạn trả lời "lạnh" ngay. Vì bạn biết Iceland ở gần Bắc Cực. Bạn suy luận từ kiến thức thật.

AI không suy luận kiểu đó. Nó trả lời "lạnh" vì trong dữ liệu huấn luyện, từ "Iceland" thường đi cùng từ "lạnh". Pattern, không phải hiểu biết.

Khi có đủ dữ liệu huấn luyện, AI đoán trúng. "Thủ đô Việt Nam là Hà Nội." Đúng, vì hàng triệu trang web viết câu đó. Đoán trúng nhiều đến mức người dùng tưởng nó "biết."

Khi thiếu dữ liệu, AI vẫn đoán. Nhưng lần này đoán sai. Và nó trình bày câu sai y hệt câu đúng: tự tin, mạch lạc, không do dự. Không có cơ chế nào bên trong AI nói "tôi không biết phần này." Nó luôn đoán. Luôn tự tin.

Bịa mà nghe rất thật

Giới kỹ thuật gọi hiện tượng này là hallucination (ảo giác). AI "nhìn thấy" thứ không tồn tại, rồi kể lại như thật.

6 kiểu hallucination phổ biến:

Trích dẫn giả. AI nói "Theo nghiên cứu của Harvard năm 2021..." Nghiên cứu đó không có.
Paper bịa. Tên tác giả thật, tiêu đề giả, tạp chí thật. Trộn lẫn thật-giả khiến khó phát hiện.
Số liệu bịa. "Tỷ lệ chuyển đổi trung bình ngành là 3.2%." Nghe hợp lý. Nhưng con số do AI tạo ra, không từ nguồn nào.
Link chết. AI đưa đường link trông đúng format, bấm vào thì 404.
Tên người sai. Đúng chức danh, đúng công ty, sai tên. Hoặc ngược lại.
Sự kiện chưa xảy ra. AI kể về một hội nghị, một phát biểu, một thỏa thuận. Không cái nào có thật.

Để ý: mỗi kiểu đều trộn yếu tố thật với yếu tố bịa. Harvard thật, nghiên cứu giả. Tạp chí thật, paper giả. Đó là lý do hallucination khó phát hiện.

Bạn đọc một đoạn văn có tên trường đại học thật, có năm, có số trang. Não bạn tự động nghĩ: "Chi tiết thế này chắc phải có thật." Nhưng không. AI bịa chi tiết giỏi y như bịa nội dung.

Cái nguy hiểm nhất: tự tin đều

Đây là chỗ nhiều người mắc bẫy.

Khi bạn nói chuyện với một người, người đó biết lúc nào mình chắc, lúc nào mình đoán. Giọng thay đổi. "Tôi nghĩ là..." khác với "Chắc chắn là..." Bạn đọc được tín hiệu đó.

AI không có tín hiệu đó. Nó trả lời câu đúng và câu sai cùng một giọng. Cùng mức tự tin. Cùng cấu trúc câu. Không dấu hiệu nào cho thấy "phần này tôi bịa."

Tệ hơn: bạn hỏi "Có chắc không?" Nó nói "Có, tôi chắc chắn." Bạn hỏi "Nguồn ở đâu?" Nó bịa thêm nguồn. Hỏi lại lần nữa, nó bịa nguồn khác.

Nó không cố lừa bạn. Nó đang làm đúng việc nó được thiết kế: dự đoán chuỗi từ tiếp theo có xác suất cao nhất. Khi bạn hỏi "có chắc không?", chuỗi từ xác suất cao nhất sau câu đó là "có". Vì trong dữ liệu huấn luyện, câu trả lời khẳng định xuất hiện nhiều hơn câu "tôi không chắc."

Tại sao điều này quan trọng với bạn

Quay lại vụ luật sư Schwartz. Ông ấy không lười. Ông ấy tin AI. Ông ấy đọc 6 vụ án, thấy tên tòa, số hiệu, năm phán quyết, trích dẫn đầy đủ. Trông thật 100%. Ông ấy không kiểm tra vì không nghĩ cần kiểm tra.

Đó là bẫy. Hallucination nguy hiểm nhất không phải câu sai rõ ràng. Mà là câu sai trông rất đúng.

Vài tình huống bạn dễ gặp hàng ngày:

Nhờ AI tra thông tin cho báo cáo. Số liệu trông hợp lý. Nhưng bịa. Sếp đọc báo cáo, tin số liệu, ra quyết định sai.
Nhờ AI tìm quy định pháp luật. Điều khoản trông chính xác. Nhưng không tồn tại. Bạn tư vấn khách hàng dựa trên điều khoản ma.
Nhờ AI viết nội dung có trích dẫn. Nguồn trông uy tín. Nhưng bịa. Bài viết publish, người đọc tra nguồn, uy tín của bạn bay.
Nhờ AI tìm thông tin đối tác. Tên CEO đúng, số điện thoại sai, email sai. Bạn gửi đề xuất hợp tác vào hư không.

Mỗi trường hợp, hậu quả thuộc về bạn. Không phải AI. AI không có uy tín để mất. Bạn có.

Vậy nên dùng AI thế nào?

AI là hệ thống dự đoán giỏi. Giỏi không có nghĩa luôn đúng.

Nguyên tắc đơn giản: AI viết, bạn kiểm tra. Giống có một thực tập sinh rất nhanh, rất chăm, nhưng hay bịa. Bạn không sa thải thực tập sinh đó. Bạn kiểm tra mọi thứ nó nộp.

Cụ thể hơn:

Ý tưởng, nháp, brainstorm: thoải mái. Sai cũng không sao, vì bạn sẽ chỉnh lại.
Số liệu, trích dẫn, tên người, sự kiện: luôn kiểm tra. Không ngoại lệ. Một con số bịa trong báo cáo nguy hiểm hơn không có con số nào.
Càng quan trọng, càng phải kiểm tra kỹ. Email nội bộ thì sai tên một người có thể sửa. Hồ sơ pháp lý thì sai một chi tiết có thể bị phạt.
Khi AI cho link hoặc nguồn: bấm vào. Mất 10 giây. Link chết hoặc nội dung khác với AI mô tả, bạn biết ngay.

30 giây Google kiểm tra một con số. 2 phút tra một trích dẫn. So với hậu quả của việc dùng thông tin sai, đó là khoản đầu tư rẻ nhất bạn có thể bỏ ra.

Luật sư Schwartz mất 5.000 đô và uy tín nghề nghiệp vì bỏ qua bước đó. Bạn không cần lặp lại sai lầm của ông ấy.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 14] 1 conversation = 1 task, và kỹ thuật "chuyển bóng"

Hoàng Văn Tuấn — Mon, 11 May 2026 02:01:12 GMT

Một cuộc họp bàn 5 chủ đề khác nhau, bạn sẽ nhớ được bao nhiêu? So với 5 cuộc họp ngắn, mỗi cuộc bàn đúng 1 chủ đề?

Câu trả lời hiển nhiên. Tập trung vào 1 việc luôn cho kết quả tốt hơn ôm đồm 5 việc cùng lúc. Với AI cũng vậy, nhưng lý do cụ thể hơn bạn tưởng.

Nhồi 5 task vào 1 conversation: chuyện gì xảy ra

Bạn mở ChatGPT. Đầu tiên nhờ viết email cho khách hàng. Xong. Rồi nhờ phân tích file Excel. Xong. Rồi nhờ viết mô tả sản phẩm. Rồi brainstorm ý tưởng marketing. Rồi soạn agenda cuộc họp.

5 task trong 1 conversation. Tiện, đỡ phải mở tab mới. Nhưng cái giá lớn hơn bạn nghĩ.

Nhớ context window ở bài 4 không? Bàn làm việc có giới hạn. Mỗi task bạn giao, mỗi output AI trả, đều chiếm chỗ trên bàn. Đến task thứ 3, bàn đã khá chật. Task thứ 5, những gì bạn dặn ở task 1 có thể đã bị nén hoặc mất hẳn.

Nhưng vấn đề không chỉ là quên. Là loãng.

Khi AI xử lý task 3, trong context của nó có cả email khách hàng, cả bảng Excel, cả mô tả sản phẩm. Nó phải "nhìn" qua tất cả để tìm cái liên quan đến task hiện tại. Giống bạn ngồi bàn làm việc bề bộn, giấy tờ 5 dự án trộn lẫn, tìm một con số cụ thể trong đống đó. Chậm hơn. Dễ sai hơn.

Tách mỗi task ra 1 conversation thì sao? Bàn sạch. AI chỉ thấy đúng 1 task, đúng 1 bộ ngữ cảnh. Tập trung 100%. Không bị nhiễu bởi 4 task kia.

Kỹ thuật "chuyển bóng"

Tách conversation không có nghĩa là các task biệt lập. Nhiều task cần kết quả của task trước. Vậy làm sao chuyển output giữa các conversation?

Đây là kỹ thuật "chuyển bóng." 4 bước:

Bước 1: Giao. Mở conversation A, giao task 1. Ví dụ: "Phân tích file dữ liệu bán hàng Q3 này, tóm tắt 5 điểm chính."

Bước 2: Nhận. AI trả output. Bạn đọc bản tóm tắt 5 điểm.

Bước 3: Review. Bạn kiểm tra: 5 điểm này đúng không? Có sót gì không? Có bịa số nào không? Sai thì sửa ngay trong conversation A. Đúng thì copy output.

Bước 4: Chuyển. Mở conversation B. Paste output đã review vào làm context. Giao task 2: "Dựa trên 5 điểm phân tích dưới đây, viết phần đề xuất chiến lược Q4."

Conversation B nhận output sạch, đã kiểm chứng, từ conversation A. Nó không cần biết conversation A tồn tại. Nó chỉ cần ngữ cảnh đúng để làm đúng task.

Cái hay: bạn là người kiểm soát. Output đi qua tay bạn trước khi sang conversation tiếp. Sai ở bước 1, bạn bắt ngay, không để lan sang bước 2. Giống chuyền bóng trong bóng rổ: người nhận bóng chỉ cần bóng sạch, không cần biết người chuyền đã chạy bao xa.

Thực tế: viết đề xuất dự án

Một team lead cần viết đề xuất dự án 10 trang gửi ban giám đốc. Cô ấy mở 1 conversation Claude, nhờ: phân tích thị trường, viết phần giải pháp kỹ thuật, tính ROI, soạn timeline, viết phần rủi ro.

Đến phần ROI (task thứ 3), Claude bắt đầu dùng số liệu từ phần thị trường nhưng nhớ sai. Phần timeline tham chiếu đến giải pháp kỹ thuật nhưng bỏ sót 2 giai đoạn. Phần rủi ro lặp ý với phần thị trường vì context đã quá chật.

Lần hai, cô tách 5 conversation. Mỗi conversation nhận đúng input nó cần. Conversation "tính ROI" nhận bản phân tích thị trường đã review. Conversation "viết rủi ro" nhận cả giải pháp kỹ thuật lẫn timeline đã xong. Conversation cuối gộp tất cả thành bản hoàn chỉnh.

Kết quả: các phần khớp nhau, số liệu nhất quán, không lặp ý. Vì mỗi conversation chỉ lo đúng phần của nó, với input sạch.

Khi nào KHÔNG cần tách

Không phải lúc nào cũng phải tách. Task đơn giản, xong trong 1-2 lượt hỏi đáp, thì 1 conversation đủ rồi.

Quy tắc dễ nhớ: nếu phải cuộn lên hơn 5 phút mới tìm được context mình cần, đã đến lúc tách. Cuộn lên lâu nghĩa là conversation dài, context nhiễu, AI cũng phải "cuộn" qua đống đó mỗi lần trả lời.

Thêm một dấu hiệu: AI bắt đầu quên cái bạn dặn. Bạn phải nhắc lại "Tôi đã nói ở trên là..." Lúc đó, context window đang quá tải. Tách conversation mới, paste lại yêu cầu quan trọng, tiếp tục. Nhanh hơn nhắc đi nhắc lại trong conversation cũ.

Nâng cao: AI đóng nhiều vai

Khi đã quen chuyển bóng, bạn có thể thử thứ hay hơn: cho AI đóng nhiều vai, mỗi conversation một góc nhìn.

Ví dụ bạn viết landing page cho sản phẩm mới.

Conversation A, vai Copywriter: "Bạn là copywriter giỏi. Viết headline và mô tả sản phẩm X, nhấn vào lợi ích Y, giọng Z." AI viết bản nháp.

Conversation B, vai Khách hàng khó tính: "Bạn là khách hàng mục tiêu, 35 tuổi, quản lý cấp trung, hay hoài nghi. Đọc bản mô tả sản phẩm dưới đây. Cho tôi biết: bạn có tin không? Chỗ nào thuyết phục, chỗ nào nghe sáo rỗng?" Paste output từ conversation A vào. AI phản biện.

Conversation C, vai Editor: "Bạn là biên tập viên. Dựa trên bản gốc (paste bản nháp) và phản hồi khách hàng (paste feedback), sửa lại cho thuyết phục hơn." AI sửa.

Ba conversation, ba góc nhìn. Bản cuối tốt hơn rất nhiều so với nhờ 1 conversation vừa viết, vừa tự phản biện, vừa tự sửa. Vì 1 conversation không thể thật sự phản biện chính nó. Giống bạn không thể tự chấm bài mình viết khách quan được.

Kỹ thuật này hiệu quả cho task cần nhiều góc nhìn: viết content, lên chiến lược, chuẩn bị thuyết trình, phân tích quyết định. Mỗi "vai" là một bộ lọc khác nhau. Output đi qua nhiều bộ lọc, chất lượng cao hơn.

Bạn cũng có thể dùng cho việc ra quyết định. Conversation A trình bày phương án 1, đóng vai người ủng hộ. Conversation B trình bày phương án 2, cũng đóng vai người ủng hộ. Conversation C nhận cả hai phương án, đóng vai người phản biện, chỉ ra điểm yếu từng phương án. Bạn đọc cả ba rồi tự quyết. Tốt hơn nhiều so với hỏi 1 conversation "nên chọn phương án nào?" vì AI có xu hướng đồng ý với bạn trong conversation dài.

Tách ra, chuyển bóng, tập trung

Nguyên tắc gói gọn trong 1 câu: 1 conversation, 1 task, 1 vai trò.

Tách conversation giữ bàn làm việc sạch. Chuyển bóng giữ thông tin chính xác giữa các bước. Đóng nhiều vai khai thác nhiều góc nhìn từ cùng một AI.

Bạn không cần AI thông minh hơn. Bạn cần tổ chức cách dùng AI thông minh hơn. Và tổ chức bắt đầu từ một thao tác nhỏ: mở thêm một tab mới.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 13] Dependency: thứ tự quan trọng khi giao việc cho AI

Hoàng Văn Tuấn — Sun, 10 May 2026 02:01:16 GMT

Sáng thứ hai. Bạn cần hoàn thành một bản đề xuất dự án gửi khách hàng. Bạn đã tách thành 5 task nhỏ như bài trước dạy. Nhưng bạn làm theo thứ tự thế này: viết kết luận trước, rồi mới phân tích dữ liệu, rồi cuối cùng mới hỏi yêu cầu khách hàng.

Kết quả? Kết luận viết dựa trên không khí. Phân tích không biết phân tích cho ai. Yêu cầu khách hàng hỏi xong thì mọi thứ phía trước đều sai. Chia nhỏ rồi mà vẫn rác. Lý do: sai thứ tự.

Nấu phở và dependency

Dependency (phụ thuộc) nghe kỹ thuật, nhưng bạn gặp nó mỗi ngày.

Nấu phở. Bạn không thể chan nước dùng khi chưa ninh xương. Không thể ninh xương khi chưa mua xương. Mỗi bước cần output của bước trước. Đó là dependency.

Nhưng để ý: bạn luộc bánh phở cùng lúc ninh xương được. Hai việc này không phụ thuộc nhau. Xương ninh trên bếp trái, phở luộc trên bếp phải. Chạy song song, không ai chờ ai.

Giao việc cho AI cũng chính xác như vậy. Có task phải xong trước thì task sau mới làm được. Có task chạy cùng lúc thoải mái.

Hai loại task: tuần tự và song song

Task tuần tự (phụ thuộc): Task B cần output của task A. Phải xong A rồi mới làm B.

Ví dụ: bạn muốn AI viết báo cáo phân tích thị trường. Trước tiên, AI cần tóm tắt dữ liệu bạn đưa (task A). Rồi mới phân tích xu hướng từ bản tóm tắt đó (task B). Rồi mới viết đề xuất dựa trên phân tích (task C). A → B → C. Không nhảy được.

Task song song (độc lập): Hai task không cần output của nhau. Làm cái nào trước cũng được, hoặc làm cùng lúc.

Ví dụ: bạn đang làm slide thuyết trình. Task "thiết kế logo" và task "viết nội dung slide" độc lập nhau. Logo không cần nội dung, nội dung không cần logo. Mở hai conversation AI, một bên làm logo, một bên viết nội dung. Xong cả hai thì ghép lại.

Phân biệt được hai loại này, bạn sẽ nhanh hơn rất nhiều. Task tuần tự thì kiên nhẫn, xong từng bước. Task song song thì mở nhiều cửa sổ, chạy cùng lúc.

Song song: mở nhiều conversation cùng lúc

Đây là chỗ nhiều người bỏ lỡ.

AI không giới hạn bạn chỉ dùng 1 conversation. Bạn mở 3 tab ChatGPT cùng lúc được. Hoặc 2 tab Claude, 1 tab Gemini. Mỗi tab làm 1 task độc lập.

Quay lại ví dụ bản đề xuất dự án. Giả sử bạn đã phân tích xong dữ liệu (task tuần tự, bắt buộc xong trước). Giờ bạn cần 3 thứ: viết phần mô tả giải pháp, tính ngân sách sơ bộ, soạn timeline. Ba task này độc lập nhau.

Mở 3 conversation. Conversation A viết giải pháp. Conversation B tính ngân sách. Conversation C soạn timeline. Mỗi conversation nhận cùng bản phân tích dữ liệu làm input. Chạy song song. 15 phút sau, bạn có 3 output. Mở conversation D, paste cả 3 vào, nhờ AI gộp thành bản đề xuất hoàn chỉnh.

Thay vì 45 phút làm tuần tự, bạn mất 20 phút. Không phải vì AI nhanh hơn. Vì bạn biết cái nào chạy song song được.

Thực tế: ra mắt khóa học online

Một anh bạn làm giáo dục muốn dùng AI để ra mắt khóa học online. Anh ấy chia thành 6 task: viết outline khóa học, soạn nội dung bài giảng, thiết kế slide, viết sales page, chạy email marketing, soạn FAQ.

Lần đầu, anh giao lung tung. Viết sales page trước (vì "muốn test thị trường sớm"). AI viết sales page cho khóa học chưa có outline. Nội dung sales page toàn lời hứa chung chung vì không biết khóa dạy gì cụ thể. Rồi soạn FAQ trước khi có nội dung bài giảng. FAQ toàn câu hỏi anh tự đoán, không dựa trên nội dung thật.

Lần hai, anh vẽ sơ đồ: Outline → Nội dung bài giảng → Slide (song song với FAQ, vì cả hai đều cần nội dung bài giảng xong). Sales page đợi outline xong. Email marketing đợi sales page xong.

Kết quả khác hẳn. Sales page mô tả đúng nội dung khóa học vì dựa trên outline thật. FAQ trả lời đúng thắc mắc vì biết khóa dạy gì. Slide khớp với bài giảng vì cùng dựa trên nội dung đã duyệt.

Cùng 6 task, cùng AI, cùng người dùng. Chỉ khác thứ tự. Output khác nhau như đêm và ngày.

Sai thứ tự = output rác

Cái giá của sai thứ tự không chỉ là chậm. Là sai.

"Viết kết luận cho báo cáo phân tích thị trường." Bạn giao task này khi chưa có phần phân tích. AI sẽ làm gì? Nó bịa. Nó tự nghĩ ra "phân tích" rồi tự viết "kết luận" dựa trên thứ nó tự nghĩ. Output trông có vẻ hợp lý. Nhưng hoàn toàn không dựa trên dữ liệu thật.

Đây chính là hallucination (bịa thông tin, bài 15 sẽ nói kỹ hơn). AI bịa không phải vì thích bịa. Vì bạn bắt nó làm task mà nó chưa có đủ input. Nó không biết nói "tôi chưa có dữ liệu, chưa làm được." Nó cứ làm. Và bịa.

Một ví dụ dễ thấy hơn. Bạn nhờ AI viết email cảm ơn khách hàng sau cuộc họp. Nhưng bạn chưa cho AI biết cuộc họp bàn về gì, quyết định gì, ai tham dự. AI sẽ viết một email chung chung, đúng ngữ pháp, sai nội dung. Bạn gửi đi thì mất mặt.

Quy tắc đơn giản: trước khi giao task cho AI, kiểm tra xem nó đã có đủ input chưa. Input đó từ đâu? Từ task trước. Task trước xong chưa? Output đã đúng chưa? Đúng rồi mới chuyển.

5 phút vẽ sơ đồ thứ tự

Trước khi bắt tay vào, dành 5 phút vẽ nhanh sơ đồ. Không cần phần mềm gì cả. Giấy bút hoặc note trên điện thoại.

Viết ra các task. Vẽ mũi tên: task nào cần output task nào. Task nào không có mũi tên nối với nhau thì chạy song song được.

Ví dụ, dự án "ra mắt sản phẩm mới":

[Nghiên cứu đối thủ] → [Viết định vị sản phẩm] → [Viết content marketing]
[Thiết kế logo]        → (không phụ thuộc 2 task trên)
[Soạn FAQ]             → (cần định vị sản phẩm xong)

Nhìn vào sơ đồ, bạn thấy ngay: "Nghiên cứu đối thủ" phải xong trước "Viết định vị." "Thiết kế logo" chạy song song bất cứ lúc nào. "Soạn FAQ" chờ "Định vị" xong.

5 phút vẽ sơ đồ này giúp bạn tránh giao AI viết kết luận khi chưa có phân tích. Tránh chờ tuần tự những thứ chạy song song được. Tránh mất hàng giờ vì output rác do sai thứ tự.

Chia nhỏ task mới là bước một. Sắp đúng thứ tự là bước hai. Thiếu bước hai, bước một cũng không cứu được bạn.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 12] Task càng to, AI càng ngu: nguyên tắc chia nhỏ

Hoàng Văn Tuấn — Sat, 09 May 2026 02:01:14 GMT

AI không phải thần đèn. Bạn không thể ném một yêu cầu 500 từ rồi mong nhận lại kết quả hoàn hảo.

Thử nghĩ xem. Bạn thuê một thực tập sinh thông minh, chăm chỉ, nhưng mới vào công ty tuần đầu. Bạn nói: "Em làm giúp anh báo cáo quý, bao gồm tài chính, nhân sự, marketing, kế hoạch quý tới." Rồi bạn đi họp. Một tiếng sau quay lại, bạn nhận được một file 15 trang. Đọc vào thì thấy: số liệu có vẻ hợp lý nhưng không khớp thực tế. Phần marketing viết chung chung. Kế hoạch quý tới nghe hay nhưng không ai làm được.

AI cũng y vậy. Task càng to, kết quả càng tệ. Không phải vì nó dốt. Vì nó phải đoán quá nhiều thứ cùng lúc.

Bốn điều xảy ra khi task quá to

Khi bạn giao một task lớn, AI sẽ gặp đúng 4 vấn đề.

Drift (trôi hướng). AI bắt đầu tốt, nhưng viết được nửa thì quên mất yêu cầu ban đầu. Bạn dặn viết báo cáo cho sếp, phần cuối nó viết giọng blog. Context window có giới hạn (bài 4 đã giải thích). Task càng dài, AI càng dễ quên cái bạn dặn ở đầu.

Phỏng đoán (bịa). AI không biết gì về công ty bạn. Giao cả cục, nó buộc phải bịa chi tiết để lấp chỗ trống. "Doanh thu quý 3 tăng 15%." Từ đâu ra con số đó? Nó đoán. Vì bạn không cho dữ liệu, mà task lại đòi có số.

Dàn trải. Task 5 phần, mỗi phần AI dành 20% sức. Không phần nào đủ sâu. Giống viết 5 bài luận trong 1 giờ thi. Bài nào cũng có chữ, bài nào cũng nông.

Mất kiểm soát. Output dài 15 trang, bạn phải đọc hết mới biết sai ở đâu. Sai phần 2 thì phần 3, 4, 5 cũng sai theo. Sửa một chỗ, cả bài lệch. Kết quả: bạn mất nhiều thời gian sửa hơn tự làm từ đầu.

Một ví dụ thật. Yêu cầu "Viết báo cáo quý" trong 1 prompt. AI trả ra bản nháp dài, nửa trong đó là bịa, giọng lẫn lộn. Bạn mất 2 giờ sửa. Nhưng nếu tách thành 5 task nhỏ: (1) tóm tắt số liệu tài chính từ file này, (2) phân tích xu hướng marketing từ data này, (3) viết phần nhân sự dựa trên báo cáo này... mỗi phần AI làm chính xác vì có đủ ngữ cảnh, đủ dữ liệu.

Nguyên tắc 1: Plan trước khi làm

Trước khi gõ prompt đầu tiên, dành 10-15 phút lên kế hoạch.

Nghe đơn giản. Nhưng đa số người dùng AI bỏ qua bước này. Họ nghĩ: "AI nhanh mà, cứ giao rồi sửa sau." Cái giá của "sửa sau" thường đắt hơn "nghĩ trước" rất nhiều.

Cách làm cụ thể: liệt kê ra giấy (hoặc ngay trong prompt) các bước cần làm. Viết dạng checklist. Ví dụ:

⬜ Thu thập số liệu doanh thu Q3 từ file Excel
⬜ Phân tích so sánh với Q2
⬜ Viết phần tóm tắt cho sếp (giọng formal, 1 trang A4)
⬜ Liệt kê 3 đề xuất cho Q4, kèm lý do

Paste checklist này vào prompt. AI sẽ biết rõ nó cần làm gì, theo thứ tự nào, output trông thế nào. Thay vì đoán mò, nó có bản đồ.

Một mẹo nhỏ: đánh dấu ⬜ và ✅ trong prompt. Mỗi lần AI xong một bước, bạn đánh dấu ✅. Nhìn vào là biết đang ở đâu.

Nguyên tắc 2: Review từng bước

Chia nhỏ mà không review thì cũng vô nghĩa.

Hình dung bạn xây nhà. Đổ móng xong, bạn không kiểm tra mà đắp tường luôn. Tường xong, lợp mái luôn. Dọn vào ở mới phát hiện móng lệch 5 độ. Cả căn nhà xiêu. Đập ra làm lại từ đầu.

AI cũng vậy. Sai ở bước 1 sẽ lan sang bước 2, 3, 4. Output bước 1 là input bước 2. Nếu bước 1 bịa số liệu, bước 2 phân tích trên số liệu bịa, bước 3 viết kết luận dựa trên phân tích sai. Sai chồng sai, càng đi xa càng lệch.

Quy tắc: xong mỗi bước, dừng lại, đọc output, xác nhận đúng rồi mới tiếp. Mất thêm 2 phút review mỗi bước. Nhưng tiết kiệm hàng giờ không phải làm lại.

Bạn là người kiểm soát chất lượng, không phải AI. AI là thợ thi công. Bạn là giám sát. Không có giám sát, thợ giỏi mấy cũng xây lệch.

Một PM và sự kiện 200 người

Một người quản lý dự án cần lên kế hoạch cho sự kiện công ty, 200 khách. Lần đầu, cô ấy gõ 1 prompt dài: "Lên kế hoạch tổ chức sự kiện 200 người, bao gồm địa điểm, catering, chương trình, truyền thông nội bộ, ngân sách." AI trả về một bản plan 3 trang. Đọc vào thì thấy: ngân sách không khớp quy mô, chương trình thiếu phần networking mà sếp yêu cầu, truyền thông nội bộ viết theo template chung chung. Cô ấy mất 2 ngày chỉnh sửa, cuối cùng bỏ hết làm lại.

Lần hai, cô ấy tách thành 8 task:

1. Liệt kê yêu cầu từ ban lãnh đạo (cô tự viết, không dùng AI)

2. Đề xuất 3 địa điểm phù hợp 200 người, ngân sách dưới 50 triệu

3. Lên chương trình chi tiết, có phần networking 30 phút

4. Tính ngân sách catering theo 3 mức giá

5. Viết email mời nội bộ, giọng thân thiện nhưng chuyên nghiệp

6. Lên timeline ngược từ ngày sự kiện

7. Checklist logistics ngày diễn ra

8. Kịch bản xử lý 3 tình huống bất ngờ phổ biến

Mỗi task cô review xong mới chuyển sang task kế. Tổng thời gian: 1 ngày. Plan dùng được ngay. Không phải sửa lại.

Khác biệt nằm ở đâu? Không phải AI lần hai giỏi hơn. Cùng một AI. Nhưng lần hai, mỗi task đủ nhỏ để AI tập trung. Mỗi task có ngữ cảnh rõ. Và cô kiểm tra từng bước, không để sai chồng sai.

Dấu hiệu nhận biết task quá to

Đôi khi bạn không chắc task có cần chia nhỏ không. Vài dấu hiệu giúp nhận ra:

Prompt của bạn dài hơn 5 dòng. Dài chưa chắc sai, nhưng thường là dấu hiệu ôm đồm.
Output AI trả lại dài hơn 2 trang. Dài nghĩa là nó đang dàn trải nhiều phần cùng lúc.
Bạn đọc output và thấy "phần này ổn, phần kia sai." Mỗi phần có chất lượng khác nhau vì AI không đủ sức tập trung đều.
Bạn phải nhắc lại yêu cầu ở đầu cuộc chat. AI đã quên, context window đang quá tải.

Gặp 1 trong 4 dấu hiệu: dừng lại, tách task, giao lại từng phần.

15 phút plan, tiết kiệm hàng giờ

Quay lại điều cốt lõi. AI rất giỏi khi biết rõ cần làm gì. AI rất tệ khi phải tự suy đoán cả một đống việc mơ hồ.

Công việc của bạn không phải viết prompt dài. Công việc của bạn là chia nhỏ và kiểm tra.

15 phút ngồi nghĩ, liệt kê, sắp xếp thứ tự. Rồi giao từng phần. Review từng phần. Nghe chậm nhưng nhanh hơn nhiều so với giao cả cục rồi mất nửa ngày sửa output rác.

Lần tới trước khi gõ một prompt dài, hãy tự hỏi: "Mình có thể tách cái này thành 3-5 task nhỏ không?" Nếu được, hãy tách. AI sẽ cảm ơn bạn. Mà thật ra, bạn tự cảm ơn mình thôi.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 11] 3 sai lầm phổ biến khi viết prompt (và cách tránh)

Hoàng Văn Tuấn — Fri, 08 May 2026 02:00:40 GMT

Prompt template tràn ngập khắp nơi. "100 prompt cho marketer", "50 prompt tạo nội dung", "Mega prompt tối thượng". Nhưng tại sao copy đúng template mà kết quả vẫn tệ?

Vì phần lớn prompt tệ không phải do thiếu template. Mà do mắc 1 trong 3 lỗi cơ bản. Ba lỗi này cùng chung một gốc: không hiểu AI cần gì để làm việc tốt.

Lỗi 1: Quá ngắn

"Viết bài về marketing."

Gõ câu đó vào Google, bạn được 10.000 kết quả. Mỗi bài khác nhau hoàn toàn. AI nhận câu đó cũng bối rối y vậy. Marketing cho ai? Sản phẩm gì? Đăng ở đâu? Giọng trang trọng hay đời thường? Dài bao nhiêu?

Không có thông tin, AI mặc định "viết cho mọi người, về mọi thứ". Kết quả: bài chung chung, đúng nhưng vô dụng. Giống hỏi đường mà không nói muốn đi đâu. Người ta chỉ được hướng nào?

Nhớ 5 thành phần ở bài 9. Prompt quá ngắn thường thiếu context, thiếu format, thiếu constraints. AI không biết thì đoán. Đoán đúng là may, đoán sai là thường.

Và khi AI đoán, nó mặc định về cái phổ biến nhất trên internet. "Bài về marketing" thì AI viết kiểu blog tiếng Anh dịch sang Việt, giọng corporate, ví dụ Coca-Cola. Bạn muốn bài cho shop hoa online ở Đà Nẵng thì phải nói.

Cách sửa: Thêm thông tin. Không cần viết dài. Chỉ cần trả lời: Cho ai? Về gì? Dạng nào? Giới hạn gì?

"Viết bài về marketing" → "Viết bài blog 800 từ về email marketing cho chủ shop online mới bắt đầu. Giọng thân thiện, có 3 bước thực hành ngay được."

Hai câu cùng chủ đề. Output khác nhau hoàn toàn.

Thử tưởng tượng bạn gọi điện cho đại lý du lịch. Bạn nói "tôi muốn đi du lịch". Đại lý sẽ hỏi: đi đâu, mấy người, mấy ngày, ngân sách bao nhiêu, thích biển hay núi? Nếu bạn trả lời hết, đại lý tư vấn ngay. Nếu bạn chỉ nói "đi du lịch", đại lý sẽ đưa ra package chung chung nhất, kiểu "Đà Nẵng 3 ngày 2 đêm" cho mọi người.

AI cũng vậy. Thiếu thông tin thì mặc định ra cái an toàn nhất, phổ biến nhất, nhạt nhất.

Lỗi 2: Quá dài

Lỗi ngược lại. Sau khi biết "cần cho thêm thông tin", nhiều người đi quá đà.

15 ràng buộc. 10 ví dụ mẫu. 5 ngoại lệ. 3 đoạn giải thích bối cảnh. Prompt dài 500 từ cho một task đơn giản.

Vấn đề: AI có giới hạn chú ý. Giống bạn đọc email dài 3 trang, phần đầu và phần cuối nhớ rõ, phần giữa mờ dần. Trong nghiên cứu về AI, hiện tượng này gọi là "lost in the middle". Thông tin ở giữa prompt dài dễ bị AI bỏ sót.

20 yêu cầu trong 1 prompt thì AI nhớ hết không? Thường là không. Nó ưu tiên vài yêu cầu, bỏ qua số còn lại. Bạn không biết nó bỏ cái nào. Kết quả: thiếu đây một chút, sai kia một chút, mà không rõ tại sao.

Cách sửa: Chia nhỏ. Thay vì 1 prompt khổng lồ, tách thành 2-3 prompt liên tiếp.

Prompt 1: "Tạo outline bài viết gồm 5 phần." Xem outline, chỉnh sửa.

Prompt 2: "Viết phần 1 và 2 theo outline này, mỗi phần 200 từ." Kiểm tra.

Prompt 3: "Viết phần 3, 4, 5. Giọng phần 4 nhẹ nhàng hơn phần trước."

Mỗi prompt ngắn, rõ ràng, AI tập trung được. Kết quả từng phần tốt hơn so với ném cả đống yêu cầu một lần.

Thêm một mẹo: nếu bắt buộc phải dùng prompt dài, đặt yêu cầu quan trọng nhất ở đầu và cuối. Đó là 2 vị trí AI "chú ý" nhất. Đừng chôn yêu cầu quan trọng ở giữa đống text.

Và nhớ bài 10 về feedback loop. Prompt dài thường sinh ra output thiếu sót. Thay vì cố nhồi thêm yêu cầu vào prompt, hãy dùng vòng phản hồi để bổ sung dần.

Lỗi 3: Copy template không hiểu

"Act as a world-class copywriter with 20 years of experience. Use the AIDA framework. Write compelling, engaging, persuasive content that drives conversions and maximizes ROI..."

Prompt này trông chuyên nghiệp. Nhiều người copy từ Twitter, từ khóa học, từ blog. Dán vào, bấm Enter, hy vọng phép màu.

Vấn đề: template được viết cho tình huống cụ thể của người tạo ra nó. Người đó bán khóa học online, khách hàng là freelancer Mỹ, nền tảng là landing page. Bạn bán phở, khách hàng là dân văn phòng quận 1, nền tảng là Facebook. "World-class copywriter" viết landing page tiếng Anh hoàn toàn khác viết post Facebook bán phở.

Và khi output tệ, bạn không biết sửa gì. Role sai? Context thiếu? Format không phù hợp? Bạn không phân biệt được vì bạn không hiểu từng phần làm gì.

Cách sửa: Hiểu từng phần, rồi tuỳ chỉnh.

Template nói "Act as world-class copywriter" → bạn đổi thành "Đóng vai người viết nội dung Facebook cho quán ăn tại TP.HCM". Template nói "AIDA framework" → bạn tự hỏi: AIDA có phù hợp với post Facebook ngắn không, hay chỉ hợp landing page dài?

Hiểu từng mảnh thì biết giữ gì, bỏ gì, thay gì. Không hiểu thì copy nguyên, sai nguyên.

Còn một vấn đề sâu hơn với template: nó tạo ảo giác "đã làm đúng". Prompt trông chuyên nghiệp, dài dòng, đầy thuật ngữ. Bạn tin rằng mình đã làm tốt. Kết quả tệ thì đổ lỗi cho AI, không nghĩ đến prompt. Vì prompt "nhìn đã đúng rồi mà".

Thật ra prompt đúng là prompt cho output đúng. Không phải prompt trông chuyên nghiệp. Một câu ngắn gọn, rõ ràng, đúng bối cảnh có thể tốt hơn một "mega prompt" 500 từ copy từ Twitter.

Cùng một gốc, cùng một cách tránh

Ba lỗi trông khác nhau nhưng hay đi cùng nhau. Người mới bắt đầu thường mắc lỗi 1, viết quá ngắn. Rồi đọc mấy bài "cách viết prompt xịn", chuyển sang lỗi 2, nhồi nhét quá nhiều. Cuối cùng tìm template trên mạng, mắc lỗi 3, copy không hiểu.

Gốc chung: không hiểu AI cần gì để cho output tốt.

Quá ngắn vì không biết AI cần thông tin gì. Quá dài vì không biết thông tin nào AI thật sự dùng. Copy template vì không hiểu mỗi phần trong prompt có tác dụng gì.

Quay lại bài 9: AI cần Role, Context, Task, Format, Constraints. Hiểu 5 thứ đó, bạn sẽ biết khi nào cần thêm, khi nào đủ, và khi nào đang nhồi thừa.

Không cần thuộc lòng template nào cả. Hiểu bản chất thì tự viết được prompt phù hợp cho đúng tình huống của bạn. Mà khi kết quả chưa ổn, bạn biết mở đúng chỗ để sửa.

Lần sau viết prompt, trước khi bấm Enter, đọc lại một lần. Tự hỏi: nếu mình là thực tập sinh nhận được yêu cầu này, mình có đủ thông tin để làm không? Nếu câu trả lời là "chắc phải hỏi lại vài câu", thì prompt chưa đủ. Bổ sung rồi gửi.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 10] Feedback loop: vũ khí bí mật khi dùng AI

Hoàng Văn Tuấn — Thu, 07 May 2026 02:00:44 GMT

Hai người cùng dùng ChatGPT, cùng model, cùng task. Người A ra kết quả tạm được, dùng luôn. Người B ra kết quả tốt hơn hẳn, sát ý mình. Khác biệt không nằm ở prompt đầu tiên. Mà ở chuyện xảy ra sau prompt đầu tiên.

Đa số dùng AI kiểu một chiều: hỏi, nhận, xong. Cách này ổn cho việc đơn giản. Dịch một câu, tra nghĩa một từ, tóm tắt đoạn văn ngắn.

Nhưng với việc phức tạp, kiểu một chiều bỏ phí phần mạnh nhất của AI.

Người dùng giỏi làm khác gì?

Để ý cách bạn làm việc với đồng nghiệp giỏi. Bạn giao việc, họ nộp bản nháp, bạn góp ý, họ sửa, bạn duyệt. Hiếm khi bản nháp đầu tiên là bản cuối.

Người dùng AI giỏi cũng vậy. Họ thêm một bước mà đa số bỏ qua: phản hồi.

Hỏi → Nhận → Góp ý cụ thể → AI sửa → Nhận lại → Góp ý tiếp → ...

Vòng lặp này gọi là feedback loop. Mỗi lần bạn góp ý, AI hiểu rõ hơn bạn muốn gì. Output lần sau tốt hơn lần trước.

Bạn chính là "user input" trong vòng lặp

Nếu đã đọc bài 2 về agent loop, bạn sẽ thấy quen. AI hoạt động theo vòng: nhận đầu vào → xử lý → tạo output → kiểm tra → lặp lại.

Ở đây, bạn là người kiểm tra. Bạn đọc output, đánh giá, rồi phản hồi. Phản hồi đó trở thành đầu vào mới cho vòng tiếp theo.

Nói cách khác, bạn là một phần của agent loop. Chất lượng phản hồi của bạn quyết định chất lượng output tiếp theo.

Phản hồi tệ thì vòng lặp quay vô ích. Phản hồi tốt thì mỗi vòng tiến gần hơn đến cái bạn cần.

Điều này cũng giải thích tại sao prompt "hoàn hảo" vẫn không cho output hoàn hảo mỗi lần. AI có yếu tố ngẫu nhiên. Cùng input, mỗi lần chạy cho output hơi khác. Feedback loop giúp bạn uốn nắn output về đúng hướng bất kể điểm bắt đầu.

Phản hồi tốt vs. phản hồi tệ

Đây là chỗ nhiều người sai.

Phản hồi tệ: "Viết lại đi." "Chưa được." "Làm hay hơn."

AI nhận được gì từ câu đó? Gần như không gì. "Chưa được" ở chỗ nào? "Hay hơn" là thế nào? AI không đọc được suy nghĩ của bạn. Nó đoán. Và thường đoán sai.

Giống nói với đầu bếp: "Nấu lại, chưa ngon." Mặn quá hay nhạt quá? Dai hay nát? Thiếu gia vị gì? Đầu bếp không biết.

Phản hồi tốt: "Phần 2 quá chung chung. Thêm ví dụ cụ thể về lãi suất kép. Giọng văn phần 3 quá trang trọng, chuyển sang giọng đời thường hơn."

Phản hồi này chỉ rõ: ở đâu (phần 2, phần 3), sai gì (quá chung, giọng sai), sửa thế nào (thêm ví dụ lãi kép, chuyển giọng).

Ba yếu tố: vị trí, vấn đề, hướng sửa. Đủ ba thì AI sửa chính xác.

Tại sao phản hồi cụ thể hiệu quả? Vì AI xử lý ngôn ngữ theo xác suất. "Viết lại" mở ra hàng triệu hướng khác nhau. "Phần 2, thêm ví dụ lãi kép" thu hẹp xuống còn vài hướng rõ ràng. Ít hướng để chọn thì AI chọn đúng hơn.

Ví dụ thực tế

Bạn nhờ AI viết bài giới thiệu sản phẩm.

Lần 1: AI viết bài 800 từ. Đọc xong, bạn thấy phần mở đầu hay nhưng phần tính năng đọc như brochure.

Phản hồi: "Giữ nguyên 2 đoạn mở đầu. Phần tính năng viết lại, mỗi tính năng kèm một tình huống thực tế người dùng gặp. Bỏ giọng quảng cáo."

Lần 2: AI sửa phần tính năng. Tốt hơn nhiều. Nhưng tình huống thứ 3 chưa sát với khách hàng của bạn.

Phản hồi: "Tình huống thứ 3 đổi: thay vì startup công nghệ, chuyển thành chủ tiệm cà phê muốn quản lý tồn kho."

Lần 3: Gần xong. Bạn chỉ cần chỉnh vài từ rồi dùng.

Ba vòng lặp. Mỗi vòng output tốt hơn. Nếu dừng ở lần 1, bạn có bài brochure chung chung. Thêm 2 vòng phản hồi, bạn có bài viết thật sự phù hợp.

Để ý: mỗi vòng phản hồi đều ngắn và cụ thể. Không viết lại prompt từ đầu. Chỉ chỉnh đúng chỗ cần sửa. Như sửa bản nháp vậy, bạn không xé bỏ viết lại cả bài mỗi lần thấy một đoạn chưa ổn.

Khi nào không cần feedback loop?

Không phải lúc nào cũng cần lặp đi lặp lại.

Dùng luôn lần đầu khi:

Task đơn giản, rõ ràng: "Dịch câu này sang tiếng Nhật"
Output dễ kiểm tra: đúng hoặc sai, không có "hơi đúng"
Rủi ro thấp: tin nhắn hẹn cà phê, tóm tắt nội bộ

Nên lặp 2-3 vòng khi:

Task quan trọng: proposal, báo cáo gửi khách hàng, nội dung marketing
Output có nhiều chiều: giọng văn, cấu trúc, nội dung, độ dài
Sai thì tốn kém: hợp đồng, email cho đối tác lớn

Quy tắc: output càng quan trọng, càng đáng phản hồi thêm vài vòng. Báo cáo cho sếp, bạn cũng không gửi bản nháp đầu tiên.

Mỗi vòng lặp là một cơ hội dạy AI

Feedback loop không chỉ sửa output. Nó còn "dạy" AI hiểu bạn hơn trong cuộc hội thoại đó.

Lần 1 bạn nói "bớt trang trọng". AI hiểu mức độ "bớt" của bạn. Lần 2 bạn nói "vẫn hơi cứng, thêm vài câu hài hước". AI hiểu rõ hơn giọng văn bạn muốn. Đến lần 3, AI gần như nắm được phong cách bạn cần.

Thật ra bạn đang xây dựng "context ngầm". Mỗi phản hồi thêm một lớp thông tin mà prompt ban đầu chưa có. AI hiểu ý bạn chính xác hơn, không phải vì nó "học" được, mà vì bạn đã cung cấp đủ thông tin qua từng vòng.

Đó là lý do feedback loop hiệu quả hơn viết một prompt dài cố gắng nghĩ trước mọi thứ. Bạn không cần đoán trước tất cả. Chỉ cần biết phản hồi đúng chỗ.

Feedback loop là kỹ năng, không phải bản năng

Phản hồi cụ thể không tự nhiên mà có. Đa số chúng ta quen nói "được" hoặc "chưa được". Nhưng AI cần hơn thế.

Tin vui: kỹ năng này luyện được. Lần sau dùng AI, thay vì "viết lại đi", thử trả lời 3 câu:

1. Chỗ nào chưa ổn? (vị trí)

2. Sai ở điểm gì? (vấn đề)

3. Muốn nó thế nào? (hướng sửa)

Trả lời được 3 câu đó, bạn đã có phản hồi tốt.

AI là cộng tác viên, không phải cỗ máy "bấm nút ra hàng". Cộng tác viên cần phản hồi rõ để làm đúng ý bạn. Phản hồi mơ hồ thì cộng tác viên giỏi mấy cũng đoán mò. Phản hồi cụ thể thì mỗi vòng lặp đều tiến gần hơn đến kết quả bạn thật sự cần.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 09] 5 thành phần của prompt hiệu quả (và tại sao chúng hoạt động)

Hoàng Văn Tuấn — Wed, 06 May 2026 02:01:04 GMT

"Viết cho tôi bài về marketing."

Bạn gõ vào ChatGPT câu đó. AI trả lời một bài chung chung, không sai nhưng vô dụng. Bạn kết luận: AI tệ.

Nhưng thử hỏi ngược lại. Nếu sếp bảo bạn "viết bài về marketing", bạn cũng sẽ hỏi: viết cho ai? Sản phẩm gì? Dài bao nhiêu? Giọng thế nào? Đăng ở đâu?

AI cũng cần chính xác những thứ đó. Nó không đọc được ý bạn. Thiếu thông tin nào, nó đoán thông tin đó. Mà đoán thì may rủi.

Prompt hiệu quả không phải phép thuật. Nó là một checklist giúp bạn không quên cung cấp đủ thông tin. Chỉ có 5 thứ cần nhớ. Và bạn đã biết dùng chúng rồi, chỉ là chưa gọi tên.

5 thành phần, giống giao việc cho người thật

Hãy nghĩ về lần cuối bạn giao việc cho đồng nghiệp mới. Bạn sẽ nói gì?

"Em đóng vai content strategist có 10 năm kinh nghiệm ngành F&B. Công ty mình vừa mở chuỗi cà phê mới, nhắm Gen Z. Viết outline 5 phần cho bài blog. Mỗi phần gồm heading, 3 gạch đầu dòng, 1 ví dụ. Dưới 1500 từ, giọng trẻ trung, vui."

Câu đó chứa đủ 5 thành phần:

Role (vai trò): content strategist 10 năm ngành F&B
Context (bối cảnh): chuỗi cà phê mới, khách hàng Gen Z
Task (nhiệm vụ): viết outline 5 phần cho bài blog
Format (định dạng): heading + 3 gạch đầu dòng + 1 ví dụ
Constraints (ràng buộc): dưới 1500 từ, giọng trẻ trung

Không có gì phức tạp. Bạn vẫn giao việc kiểu này hàng ngày. Chỉ là với AI, nhiều người quên.

Tại sao mỗi thành phần hoạt động?

Đây là phần quan trọng. Biết "cần 5 thứ" thì ai cũng thuộc được. Nhưng hiểu tại sao mỗi thứ có tác dụng, bạn mới biết sửa khi kết quả tệ.

Role: chọn "nhân vật" cho AI

AI giống một diễn viên biết đóng 1000 vai. Nó đã đọc văn bản của bác sĩ, luật sư, nhà báo, copywriter, lập trình viên. Mỗi "vai" có cách dùng từ, cách suy nghĩ, cách tiếp cận vấn đề khác nhau.

Không nói vai nào, AI đóng "người bình thường chung chung". Giống bảo diễn viên lên sân khấu mà không cho kịch bản.

Nói "đóng vai bác sĩ da liễu 15 năm kinh nghiệm" thì AI kích hoạt đúng kiểu ngôn ngữ, góc nhìn chuyên môn đó. Nó không "biến thành" bác sĩ thật. Nhưng nó trả lời theo pattern của bác sĩ thay vì "ai đó trên mạng".

Thử so sánh. Cùng câu hỏi "da mặt bị mụn, làm sao?", AI không có role sẽ nói chung chung kiểu "rửa mặt sạch, uống nước". AI có role "bác sĩ da liễu" sẽ hỏi lại: mụn đầu trắng hay đầu đen, vùng T hay vùng U, có dùng kem gì không. Cùng model, khác role, khác output.

Context: bản đồ cho AI

Nhớ chiếc taxi ở bài 1? Model là tài xế, harness là chiếc xe. Context là bản đồ bạn đưa cho tài xế.

Không có bản đồ, tài xế giỏi mấy cũng đoán đường. "Viết email từ chối" khác hoàn toàn "viết email từ chối đối tác 5 năm, vì ngân sách bị cắt nhưng muốn giữ mối quan hệ". Câu sau cho AI biết: ai nhận, vì sao từ chối, cần giữ gì. AI không phải đoán.

Context là kiến thức "theo yêu cầu". Bạn cung cấp đúng lúc cần, AI dùng ngay.

Task: nói cho AI biết khi nào "xong"

Không có task rõ ràng, AI không biết dừng ở đâu. "Giúp tôi về marketing" có thể là viết bài, phân tích đối thủ, lên kế hoạch quảng cáo, hay cả ba.

Task rõ thì AI biết output cần trông thế nào. "Viết 5 tiêu đề email" rõ hơn "giúp viết email". "So sánh 3 công cụ quản lý dự án theo giá, tính năng, độ dễ dùng" rõ hơn "tư vấn công cụ quản lý dự án".

Càng cụ thể, AI càng ít phải đoán. Task rõ ràng cũng giúp bạn đánh giá output dễ hơn. "Viết 5 tiêu đề" thì đếm được: đủ 5 chưa, tiêu đề nào hay, tiêu đề nào dở. "Giúp viết email" thì bạn cũng không biết đánh giá thế nào.

Format: giảm tải cho cả hai

Bạn bảo "viết báo cáo", AI có thể viết 3 trang văn xuôi. Nhưng bạn chỉ cần bảng so sánh 10 dòng.

Format nói trước giúp AI không phải đoán hình thức. Bảng, gạch đầu dòng, heading, đoạn văn ngắn, slide deck, code block. Mỗi dạng phù hợp với mục đích khác nhau.

Thêm nữa, format rõ giúp bạn dễ đọc hơn. Bạn không phải lọc qua 3 trang văn xuôi để tìm thông tin cần.

Constraints: dựng rào chắn

Constraints là biên giới. Không có biên giới, AI "tự do sáng tạo" theo hướng bạn không muốn.

"Dưới 500 từ" ngăn bài dài lê thê. "Giọng chuyên nghiệp" ngăn AI viết kiểu chatbot teen. "Không dùng thuật ngữ kỹ thuật" ngăn AI phun jargon.

Nghĩ về constraints như lề đường. Xe vẫn chạy tự do giữa 2 lề. Nhưng không có lề, xe lạc vào vỉa hè.

Một điểm hay: constraints cũng giúp AI "sáng tạo" hơn. Nghe ngược đời, nhưng giới hạn buộc AI phải chọn lọc thay vì liệt kê mọi thứ nó biết. Giống nhà thơ viết lục bát hay hơn viết tự do, vì khuôn khổ ép phải chọn từ chính xác.

Không cần đủ 5 mỗi lần

Đừng biến 5 thành phần thành gánh nặng.

"Dịch câu này sang tiếng Anh: Tôi muốn đặt phòng." Task rõ, một thành phần là đủ. AI hiểu ngay cần làm gì.

"Viết proposal trị giá 500 triệu cho dự án chuyển đổi số, gửi ban giám đốc tập đoàn." Cái này cần cả 5. Thiếu role thì giọng sai. Thiếu context thì nội dung chung chung. Thiếu format thì output lộn xộn.

Quy tắc đơn giản: task càng quan trọng, càng cần nhiều thành phần. Hẹn cà phê thì không cần prompt 200 từ. Viết chiến lược marketing quý 3 thì nên đầu tư.

Hiểu "tại sao" thì tự sửa được

Nhiều người sưu tầm template prompt. "100 prompt hay nhất cho marketer", "50 prompt tạo nội dung". Template không xấu. Nhưng template là của người khác, cho tình huống của người khác.

Khi bạn copy template mà kết quả tệ, bạn không biết sửa gì. Thành phần nào thiếu? Thành phần nào sai? Không hiểu thì không sửa được.

Hiểu tại sao 5 thành phần hoạt động thì khác. Kết quả tệ, bạn kiểm tra: Role đúng chưa? Context đủ chưa? Task rõ chưa? Format hợp lý chưa? Constraints có thiếu không? Sửa đúng chỗ, kết quả cải thiện ngay.

Template là bản đồ người khác vẽ. Hiểu nguyên lý là biết tự vẽ bản đồ. Bạn muốn cái nào?

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 08] AI "không làm được"? 3 nguyên nhân và cách sửa

Hoàng Văn Tuấn — Tue, 05 May 2026 02:01:15 GMT

Tại sao hỏi AI giá vàng hôm nay mà nó trả lời giá 6 tháng trước? Tại sao upload 50 trang tài liệu mà nó tóm tắt chung chung? Tại sao chatbot công ty từ chối mở báo cáo nội bộ?

Ba tình huống khác nhau. Ba nguyên nhân khác nhau. Nhưng phần lớn người dùng gộp chung thành một kết luận: "AI ngu."

Kết luận đó sai. Và vì sai nên không sửa được. Bài này giúp bạn chẩn đoán đúng nguyên nhân, để sửa đúng chỗ.

Ba chân kiềng: Tools, Knowledge, Permissions

Ở bài 1, bạn đã biết AI agent gồm model (bộ não) và harness (mọi thứ còn lại). Giờ đào sâu hơn vào harness.

Harness có 3 thành phần chính:

Tools (đồ nghề): AI tìm kiếm web được không? Đọc file được không? Chạy code được không?
Knowledge (kiến thức): AI có đủ thông tin để trả lời không? Bạn đã cung cấp context chưa?
Permissions (quyền hạn): AI được phép làm việc đó không? Có bị giới hạn không?

Ba chân kiềng. Thiếu một chân, kiềng ngã. Kết quả tệ.

Cái hay là: khi biết thiếu chân nào, bạn biết sửa ở đâu.

Tình huống 1: Thiếu tools

Bạn hỏi: "Giá vàng SJC hôm nay bao nhiêu?"

AI trả lời tự tin: "Giá vàng SJC ngày 15/10/2025 là 79.5 triệu đồng/lượng." Nhưng hôm nay là tháng 4/2026. Con số đó cũ rích.

Chuyện gì xảy ra? AI không có tool tìm kiếm web. Nó chỉ biết những gì đã học trong quá trình training. Hỏi thông tin thay đổi hàng ngày mà không cho nó lên mạng tìm? Nó buộc phải trả lời từ trí nhớ cũ.

Cách sửa: Dùng AI có tool search web. ChatGPT, Claude, Gemini đều có, nhưng phải bật đúng chế độ. Hoặc nói rõ: "Hãy tìm kiếm web rồi trả lời."

Nguyên tắc đơn giản: thông tin thay đổi theo thời gian thì cần tool search. Thông tin ổn định (khái niệm, lý thuyết, hướng dẫn chung) thì kiến thức sẵn trong model là đủ.

Dấu hiệu nhận biết: AI trả lời rất tự tin nhưng thông tin cũ hoặc không khớp thực tế. Nó không nói "tôi không biết" vì nó nghĩ nó biết. Nó chỉ biết thông tin cũ thôi.

Tình huống 2: Thiếu knowledge

Bạn upload 50 trang báo cáo tài chính, rồi hỏi: "Tóm tắt cho tôi."

AI trả về 1 đoạn ngắn, chung chung kiểu "báo cáo trình bày tình hình tài chính với doanh thu tăng trưởng." Không sai. Nhưng vô dụng.

Chuyện gì xảy ra? AI có tool đọc file. AI cũng đọc được 50 trang đó. Vấn đề là bạn không nói AI cần tập trung vào cái gì. Tóm tắt cho ai đọc? CEO hay nhân viên kế toán? Cần so sánh với quý trước không? Cần highlight rủi ro không?

Cách sửa: Cung cấp context cụ thể. "Tóm tắt báo cáo này cho CEO. Tập trung vào 3 chỉ số: doanh thu, lợi nhuận ròng, và dòng tiền. So sánh với Q4 năm ngoái. Highlight rủi ro nếu có."

Thiếu knowledge khác thiếu tools. Thiếu tools là AI không có đồ nghề. Thiếu knowledge là AI có đồ nghề nhưng không biết bạn muốn gì. Giống đưa thợ mộc vào căn nhà, bảo "sửa đi" mà không chỉ chỗ nào hỏng.

Dấu hiệu nhận biết: AI trả lời đúng nhưng chung chung, không cụ thể. Nó có khả năng làm tốt hơn. Bạn chỉ chưa cho nó đủ nguyên liệu.

Tình huống 3: Thiếu permissions

Bạn dùng chatbot trên website một công ty. Hỏi: "Cho tôi xem báo cáo doanh thu nội bộ tháng 3."

Chatbot trả lời: "Xin lỗi, tôi không thể cung cấp thông tin này."

Bạn nghĩ AI không biết. Thực ra có thể AI biết, nhưng không được phép nói.

Permissions là hàng rào an toàn. Hãy nghĩ về nó như nhân viên mới vào công ty. Có máy tính nhưng chưa được cấp quyền admin. Có email nhưng không gửi được hàng loạt. Có thẻ ra vào nhưng không mở được phòng server.

AI cũng bị giới hạn tương tự. Chatbot bán hàng không được phép tiết lộ thông tin nội bộ. Claude Code hỏi xác nhận trước khi chạy lệnh nguy hiểm. ChatGPT từ chối tạo nội dung vi phạm chính sách.

Dấu hiệu nhận biết: AI từ chối thẳng, hoặc nói "tôi không thể" thay vì trả lời sai. Khác với thiếu tools (trả lời sai mà tự tin) và thiếu knowledge (trả lời đúng nhưng nhạt).

Cách sửa: Phụ thuộc vào ai đặt giới hạn.

Nếu giới hạn do nhà phát triển đặt (ví dụ chatbot công ty), bạn không sửa được. Dùng AI khác hoặc liên hệ bộ phận phụ trách.

Nếu giới hạn do cài đặt cá nhân, bạn vào cài đặt và bật lên. Ví dụ: bạn chưa bật tính năng search web trong ChatGPT.

Nếu giới hạn do chính sách an toàn chung, đó là thiết kế có chủ đích. Ví dụ AI từ chối tạo nội dung độc hại. Không nên cố vượt qua.

Checklist chẩn đoán nhanh

Lần tới AI cho kết quả tệ, chạy 3 câu hỏi này theo thứ tự:

Câu 1: AI có tool đó không? Bạn cần nó tìm kiếm web nhưng nó không có tool search? Cần nó đọc file nhưng bạn chưa upload? Cần nó vẽ ảnh nhưng AI này không vẽ được? Nếu thiếu tool, đổi sang AI có tool phù hợp.

Câu 2: AI có đủ thông tin không? Bạn đã cung cấp context chưa? File liên quan đã upload chưa? Câu hỏi có đủ cụ thể không? Nếu thiếu thông tin, "mở sách" thêm cho AI (xem bài 7).

Câu 3: AI có được phép không? Đây là AI chung hay chatbot giới hạn? Có tính năng nào bạn chưa bật? Yêu cầu có chạm vào chính sách an toàn không? Nếu thiếu quyền, tìm cách cấp quyền hoặc dùng AI khác.

Ba câu hỏi. Chạy mất 30 giây. Nhưng tiết kiệm hàng giờ thử đi thử lại không biết sửa ở đâu.

Tổng hợp: bảng chẩn đoán nhanh

1. Lỗi bốc phét (Sai/Cũ)

Triệu chứng: AI trả lời rất tự tin nhưng nội dung sai bét hoặc thông tin từ thời “đồ đá”.
Nguyên nhân: Thiếu công cụ (tools) để truy cập dữ liệu thực tế.
Cách sửa: Dùng con AI nào có hỗ trợ tool phù hợp (như tìm kiếm web).

2. Lỗi “văn mẫu” (Chung chung)

Triệu chứng: Trả lời không sai nhưng huề vốn, chung chung, chả giải quyết được gì.
Nguyên nhân: Đầu rỗng, thiếu kiến thức (knowledge) chuyên sâu về vấn đề.
Cách sửa: Bơm thêm ngữ cảnh (context) hoặc quăng (upload) file tài liệu cho nó đọc.

3. Lỗi “chảnh chó” (Từ chối)

Triệu chứng: Vừa mở mồm đã bảo “không thể”, “tôi không được phép”.
Nguyên nhân: Bị khóa mõm, thiếu quyền hạn (permissions) hoặc dính giới hạn hệ thống.
Cách sửa: Kiểm tra lại cài đặt hoặc sút nó đi, đổi sang con AI khác cho nhanh.

Phần lớn trường hợp rơi vào ô giữa: thiếu knowledge. Bạn chưa cho AI đủ thông tin. Quay lại bài 7 để xem cách "mở sách" cho AI.

Trước khi kết luận "AI ngu"

Phần lớn khi AI cho kết quả tệ, lỗi không nằm ở bộ não. Nó nằm ở chiếc xe. Thiếu đồ nghề, thiếu bản đồ, hoặc bị khoá cửa.

Chẩn đoán đúng thì sửa nhanh. Chẩn đoán sai thì cứ loay hoay đổi prompt, đổi cách hỏi. Kết quả vẫn tệ vì gốc vấn đề không nằm ở đó.

Giữ checklist 3 câu hỏi này trong đầu. Tools, Knowledge, Permissions. Nó đơn giản. Nhưng đơn giản không có nghĩa là dễ nhớ khi đang bực bội với AI. Thử dùng vài lần, nó sẽ thành phản xạ.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 07] "Mở sách cho AI đọc": tại sao cung cấp context thay đổi mọi thứ

Hoàng Văn Tuấn — Mon, 04 May 2026 02:01:09 GMT

Minh cần viết proposal gửi khách hàng. Anh mở ChatGPT, gõ: "Viết cho tôi một proposal dịch vụ marketing." Hai phút sau, ChatGPT trả về 2 trang. Đọc lại, Minh thấy nó chung chung kiểu mẫu có sẵn. Đúng cấu trúc, nhưng nhạt. Không sai, cũng không dùng được. Minh kết luận: "AI viết dở."

Lan cũng cần viết proposal. Cũng dùng ChatGPT. Nhưng Lan làm khác.

Lan upload file giới thiệu công ty, bảng giá dịch vụ, và email trao đổi trước đó với khách. Rồi Lan viết: "Khách hàng là công ty FMCG, 200 nhân viên, cần digital marketing cho sản phẩm mới ra Q3. Viết proposal 5 trang, giọng chuyên nghiệp nhưng thân thiện."

Kết quả: proposal có số liệu cụ thể, đề cập đúng tên sản phẩm, ngân sách phù hợp. Lan sửa vài chỗ rồi gửi. Khách hàng ký hợp đồng.

Cùng AI. Cùng câu hỏi. Khác kết quả hoàn toàn. Vì sao?

AI biết gì? Hai nguồn kiến thức

AI có 2 nguồn kiến thức. Hiểu rõ 2 nguồn này, bạn sẽ biết tại sao output lúc hay lúc dở.

Nguồn 1: Kiến thức có sẵn (training data). Trước khi bạn gõ bất cứ gì, AI đã "đọc" hàng tỷ trang web, sách, bài báo. Nó biết lịch sử, khoa học, luật pháp, nấu ăn, lập trình. Kiến thức này rộng. Nhưng có 2 vấn đề.

Một là có hạn sử dụng. AI được train đến một thời điểm nhất định (gọi là knowledge cutoff). Hỏi tin tức tuần trước, nó có thể không biết. Hỏi luật mới ban hành tháng này, nó có thể trả lời theo luật cũ.

Hai là không phải lúc nào cũng đúng. AI học từ internet. Internet có thông tin sai. AI cũng học luôn phần sai đó. Đặc biệt với thông tin chuyên ngành, địa phương, hoặc ít phổ biến, tỷ lệ sai cao hơn.

Nguồn 2: Kiến thức bạn cung cấp (on-demand knowledge). Đây là nguồn bạn kiểm soát được. Upload file, paste nội dung, hoặc để AI tự search web. Kiến thức này chính xác hơn vì bạn chọn lọc. Nó cập nhật vì bạn đưa vào đúng lúc cần.

Quay lại ví dụ Minh và Lan. Minh chỉ dùng nguồn 1. AI phải "đoán" khách hàng là ai, sản phẩm gì, ngân sách bao nhiêu. Kết quả mang tính chung chung là đương nhiên.

Lan dùng cả 2 nguồn. AI có thông tin cụ thể để làm việc. Giống bác sĩ khám bệnh: có kết quả xét nghiệm thì chẩn đoán chính xác. Chỉ nghe "tôi đau bụng" thì ai cũng chỉ kê được thuốc chung chung.

Rác vào, rác ra. Vàng vào, vàng ra.

Quy luật cũ trong ngành máy tính, nhưng với AI nó đúng hơn bao giờ hết.

Thử với cùng một câu hỏi "Viết email cho khách hàng". Kết quả thay đổi hoàn toàn tuỳ vào những gì bạn cung cấp kèm.

Mức 0: Không context. "Viết email cho khách hàng." AI viết một email mẫu. Đúng cấu trúc, sai mọi chi tiết. Vì nó không biết khách là ai, bạn bán gì, cuộc họp trước nói những gì.

Mức 1: Có tài liệu. Bạn upload file sản phẩm và thông tin khách. AI viết email có tên sản phẩm đúng, đề cập đúng nhu cầu khách. Tốt hơn nhiều.

Mức 2: Tài liệu kèm context cá nhân. Bạn upload file, rồi thêm: "Khách tên Hùng, lần trước anh ấy băn khoăn về giá. Tôi muốn email này nhấn vào giá trị dài hạn, giọng thân thiện nhưng không quá suồng sã." AI viết email đúng giọng, đúng chiến lược, đúng người nhận.

Ba mức này, cùng AI, cùng model. Khác biệt duy nhất: bạn cho AI bao nhiêu thông tin.

"Mở sách" cho AI đọc

Hình dung thế này. AI giống một chuyên gia tư vấn rất giỏi, nhưng mới gặp bạn lần đầu. Người này biết rộng, phân tích tốt, diễn đạt mạch lạc. Nhưng không biết gì về công ty bạn, khách hàng bạn, hay bối cảnh cụ thể.

Nếu bạn chỉ hỏi "tư vấn chiến lược marketing đi", câu trả lời sẽ là lý thuyết sách giáo khoa. Đúng nhưng không dùng được.

Nhưng bạn đưa cho chuyên gia đó báo cáo doanh thu, hồ sơ khách hàng, phân tích đối thủ. Lúc đó bạn đang mở sách cho họ đọc. Càng nhiều sách đúng, câu trả lời càng sát thực tế.

AI cũng vậy. Mỗi file bạn upload, mỗi đoạn context bạn viết thêm, là một cuốn sách bạn mở cho AI.

Có 3 cách "mở sách" phổ biến:

Upload file. PDF, Excel, Word, ảnh. AI đọc và phân tích nội dung trực tiếp. Đây là cách mạnh nhất vì bạn đưa nguyên liệu thô, để AI tự xử lý.
Paste text. Copy đoạn email, đoạn báo cáo, đoạn hợp đồng vào cửa sổ chat. Đơn giản nhưng hiệu quả. Phù hợp khi bạn chỉ cần AI tham khảo một đoạn ngắn.
Để AI tự tìm. Nếu AI có tool search web, nó tự lên mạng lấy thông tin mới. Bạn không cần làm gì. Chỉ cần chắc chắn AI đang có tool đó (xem lại bài 6).

Có một điểm tinh tế đáng biết. AI xử lý kiến thức bạn cung cấp giống cách bạn đọc sách. Nó có mục lục, biết file tên gì, dài bao nhiêu. Nhưng chưa chắc đã đọc hết từng trang.

Vì vậy, thay vì upload rồi hỏi "tóm tắt đi", hãy chỉ rõ AI cần tìm gì. "Đọc chương 3, tìm phần nói về chi phí." Kết quả sẽ tốt hơn nhiều so với "đọc cả cuốn rồi nói gì đó."

Thí nghiệm bạn có thể thử ngay

Chọn một việc bạn hay dùng AI. Viết email, tóm tắt tài liệu, hay lên ý tưởng đều được.

Làm 3 lần:

Lần 1: Hỏi ngắn gọn, không đưa thêm gì. Lưu kết quả.

Lần 2: Đưa thêm 1-2 file liên quan. Hoặc paste thêm nội dung tham khảo. Lưu kết quả.

Lần 3: Đưa file, rồi viết thêm 3-5 dòng context. Bạn là ai. Đối tượng nhận là ai. Mục tiêu cụ thể gì. Giọng văn thế nào. Lưu kết quả.

So sánh 3 kết quả. Bạn sẽ thấy sự khác biệt rõ hơn bất kỳ lời giải thích nào.

Thí nghiệm này không mất quá 10 phút. Nhưng sau khi thấy tận mắt, bạn sẽ không bao giờ quay lại cách hỏi AI bằng một câu cộc lốc nữa. Tôi chắc về điều đó vì chính tôi cũng đã thay đổi sau khi thử.

Không phải AI dốt. Bạn chưa mở sách.

Kết quả AI chung chung thường không phải lỗi model. Model đủ thông minh. Vấn đề là nó thiếu nguyên liệu.

Lần tới trước khi gõ câu hỏi, dừng 10 giây và tự hỏi: "Mình có file nào liên quan không? Mình có thể viết thêm vài dòng context không?"

Paste thêm 1 file. Viết thêm 3 dòng. Kết quả sẽ khác hẳn. Đó không phải mẹo vặt. Đó là cách AI được thiết kế để hoạt động.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 06] AI làm được gì? Bản đồ tools mà bạn chưa biết mình có

Hoàng Văn Tuấn — Sun, 03 May 2026 02:01:06 GMT

Phần lớn người dùng ChatGPT chỉ gõ câu hỏi, đọc câu trả lời. Xong. Giống mua smartphone 20 triệu rồi chỉ dùng gọi điện.

Nói thật nhé: AI ngày nay làm được, không chỉ nói được. Nó đọc file Excel bạn upload. Nó viết code rồi chạy thử luôn. Nó tìm kiếm web lấy thông tin mới nhất. Nó vẽ ảnh theo mô tả. Mà đa số người dùng chưa bao giờ thử.

Bài này là tấm bản đồ. Đọc xong, bạn sẽ biết AI có những "đồ nghề" gì, và quan trọng hơn, biết chọn đúng AI cho đúng việc.

AI có những đồ nghề gì?

Hãy nghĩ AI như một người thợ. Bộ não thợ là model. Còn hộp đồ nghề là tools. Ở bài 1, bạn đã biết harness là "chiếc xe" của AI. Tools là phần quan trọng nhất của chiếc xe đó.

Hiện tại, AI phổ biến có 6 loại tools chính:

1. Đọc file. Bạn upload PDF, Excel, Word. AI đọc và phân tích nội dung bên trong. Không cần copy-paste từng đoạn.

2. Viết file. AI tạo file mới cho bạn. Báo cáo, bảng tính, đoạn code, thậm chí slide.

3. Tìm kiếm web. AI lên mạng tìm thông tin mới nhất. Giá vàng hôm nay, tin tức, nghiên cứu mới.

4. Chạy code. AI viết code Python rồi chạy luôn. Tính toán, vẽ biểu đồ, xử lý dữ liệu. Không cần bạn biết lập trình.

5. Vẽ ảnh. Mô tả bằng lời, AI tạo hình ảnh. Logo, minh hoạ, mockup sản phẩm.

6. Phân tích dữ liệu. Upload bảng số liệu, AI tìm xu hướng, so sánh, tóm tắt. Nhanh hơn bạn mở Excel tự làm rất nhiều.

Để ý: 6 tools này không phải "tính năng phụ". Chúng là cách AI hành động trong thế giới thật, thay vì chỉ ngồi trả lời câu hỏi.

Mỗi AI có bộ đồ nghề khác nhau

Đây là chỗ nhiều người bỏ qua.

ChatGPT, Claude, Gemini đều là AI. Nhưng bộ tools của chúng không giống nhau. Giống ba người thợ cùng nghề, nhưng mỗi người mang hộp đồ khác.

|---|---|---|---|

| Tìm kiếm web | Có | Có | Có (mạnh nhất) |

| Đọc file upload | Có | Có | Có |

| Chạy code | Có | Có | Có |

| Đọc/phân tích hình ảnh | Có | Có | Có (mạnh nhất) |

Ví dụ cụ thể. Bạn cần AI vẽ ảnh minh hoạ cho bài thuyết trình. ChatGPT có DALL-E, vẽ được ngay. Claude không có tool vẽ ảnh, nên nó sẽ từ chối hoặc chỉ mô tả bằng chữ. Không phải Claude kém hơn. Nó chỉ không có cây búa đó trong hộp đồ.

Ngược lại, bạn cần AI sửa một đoạn code phức tạp. Claude lại mạnh hơn ở khoản này.

Chọn AI giống chọn thợ. Thợ điện giỏi không có nghĩa sửa ống nước tốt. Biết mỗi AI giỏi gì, bạn sẽ chọn đúng.

Một mẹo đơn giản: nếu bạn hay cần nhiều loại việc khác nhau, đừng trung thành một AI. Dùng ChatGPT khi cần vẽ ảnh. Dùng Claude khi cần viết hoặc phân tích dài. Dùng Gemini khi cần tìm kiếm thông tin nhanh. Không ai bắt bạn chỉ dùng một.

AI tự biết dùng tool nào

Một điều hay mà ít người biết: bạn không cần bảo AI dùng tool gì.

Hỏi "giá vàng hôm nay bao nhiêu?" AI tự hiểu nó cần tìm kiếm web. Nó không ngồi trả lời từ trí nhớ cũ. Nó bật tool search, lấy kết quả mới nhất, rồi trả lời.

Hỏi "phân tích file doanh thu này" rồi upload Excel. AI tự hiểu nó cần đọc file, có thể chạy code để tính toán, rồi trình bày kết quả.

Model quyết định dùng tool nào dựa trên câu hỏi của bạn. Giống tài xế nhìn đường rồi tự chọn số, bạn không cần bảo "gài số 3 đi".

Quá trình này diễn ra tự động. Bạn không thấy AI "bật" tool. Bạn chỉ thấy kết quả. Nhưng phía sau, model đang tự quyết định. Câu hỏi này cần search web. Câu kia cần đọc file. Câu nọ tự trả lời được.

Tất nhiên, đôi khi AI chọn sai. Hoặc bạn muốn nó dùng tool cụ thể. Lúc đó cứ nói thẳng: "Hãy search web rồi trả lời" hoặc "Hãy viết code Python để tính". AI nghe lời.

Cùng não, khác đồ nghề

Đây là insight quan trọng nhất bài này.

Claude chat (trên web) và Claude Code (dành cho lập trình viên) dùng cùng một model. Cùng bộ não. Nhưng khả năng khác nhau rất nhiều.

Claude chat có thể đọc file bạn upload, trả lời câu hỏi, viết văn bản. Claude Code thì đọc được cả thư mục dự án, sửa file trực tiếp, chạy lệnh terminal, tạo commit. Cùng người, nhưng một bên ngồi bàn giấy, một bên đứng trong xưởng có đầy đủ máy móc.

Điều này đúng với mọi AI. ChatGPT trên web khác ChatGPT trong ứng dụng doanh nghiệp. Gemini trên trình duyệt khác Gemini tích hợp trong Google Workspace.

Ví dụ thực tế: bạn dùng Claude chat nhờ tóm tắt một file PDF. Được. Nhưng bạn nhờ Claude chat sửa 10 file code trong dự án. Không được, vì Claude chat không truy cập được máy tính bạn. Claude Code thì làm được vì nó có tool đọc/ghi file trực tiếp trên máy.

Cùng trí tuệ. Khác đồ nghề. Khác kết quả.

Vậy khi AI "không làm được" gì đó, câu hỏi đầu tiên không phải "AI có đủ thông minh không?" Câu hỏi đúng là: "AI có đủ đồ nghề không?"

Kiểm tra bộ đồ nghề của bạn

Ba câu hỏi để tự kiểm tra ngay:

Bạn đã dùng đúng AI cho đúng việc chưa? Cần vẽ ảnh thì đừng dùng Claude. Cần phân tích code thì đừng chỉ dùng Gemini. Mỗi AI có sở trường.

Bạn đã thử upload file chưa? Nhiều người mô tả dữ liệu bằng lời trong khi có thể upload thẳng file Excel. Cho AI đọc file nhanh hơn và chính xác hơn bạn gõ lại.

Bạn có biết AI đang có tools gì không? Mở cửa sổ chat, nhìn xung quanh. Có nút upload file không? Có biểu tượng tìm kiếm web không? Có chế độ chạy code không? Những thứ đó không trang trí. Chúng là đồ nghề.

Dùng AI mà không biết nó có tools gì, giống thuê thợ mà không biết thợ mang theo dụng cụ gì. Kết quả phụ thuộc vào may rủi thay vì chủ đích.

Lần tới mở ChatGPT hay Claude, thử một việc bạn chưa từng thử. Upload một file. Bảo nó vẽ biểu đồ. Nhờ nó tìm kiếm thông tin mới. Bạn có thể sẽ ngạc nhiên vì "chiếc xe" của mình có nhiều tính năng hơn bạn tưởng.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 05] 3 kỹ thuật quản lý bộ nhớ AI

Hoàng Văn Tuấn — Sat, 02 May 2026 02:00:40 GMT

Hai developer cùng dùng Claude để viết code. Dev A mở một cuộc chat, làm liền 3 tiếng. Kết quả: code lỗi lung tung, AI quên convention đã thống nhất, phải sửa đi sửa lại. Dev B cũng làm cùng task đó, tách thành 5 cuộc chat ngắn. Xong trong 2 tiếng. Code nhất quán, ít bug hơn hẳn.

Khác biệt không nằm ở AI. Cùng một model, cùng một phiên bản. Nằm ở cách quản lý "bàn làm việc" mà bài trước đã nói.

Bạn không thể mở rộng bàn. Context window là cố định, do nhà phát triển quy định. Nhưng bạn quản lý được cách dùng bàn đó. Ba kỹ thuật sau đây đơn giản, ai cũng làm được, và thay đổi chất lượng output rõ rệt.

Kỹ thuật 1: Dọn bàn

Bàn làm việc đầy thì dọn. Nghe hiển nhiên, nhưng hầu hết mọi người không bao giờ dọn.

Cụ thể: khi cuộc chat đã dài hơn 15-20 lượt, gửi cho AI một tin nhắn kiểu này:

"Tóm tắt lại những gì ta đã thống nhất cho đến giờ."

AI sẽ liệt kê các quyết định, yêu cầu, ràng buộc đã có. Bạn đọc lại, xác nhận hoặc sửa. Từ đây, AI dùng bản tóm tắt gọn gàng đó thay vì phải đọc lại 20 lượt chat rời rạc.

Một biến thể mạnh hơn: sau khi AI tóm tắt xong, bạn copy bản tóm tắt đó, mở cuộc chat mới, paste vào. Bàn sạch hoàn toàn, chỉ có đúng những gì cần thiết. Cách này kết hợp cả "dọn bàn" lẫn "chia bàn" mà tôi sẽ nói ở phần sau.

Tại sao cách này hiệu quả? Vì bình thường hệ thống tự nén, bạn không kiểm soát được cái gì bị cắt. Nhưng khi bạn chủ động bảo AI tóm tắt, bạn quyết định thông tin nào được giữ. Đây là cách duy nhất bạn can thiệp được vào quá trình nén context.

Giống dọn bàn làm việc vật lý vậy. Bạn không vứt bừa. Bạn nhìn qua, giữ lại giấy tờ quan trọng, xếp gọn, bỏ rác. Còn hơn là để bàn ngập rồi mất tờ hợp đồng quan trọng trong đống giấy nháp.

Thời điểm tốt nhất để dọn: khi bạn vừa hoàn thành một phần công việc. Ví dụ viết xong outline, trước khi bắt đầu viết bản nháp. Hoặc sau khi thống nhất xong yêu cầu, trước khi AI bắt tay vào làm.

Kỹ thuật 2: Chia bàn

Quay lại câu chuyện hai developer. Dev A dùng một bàn duy nhất cho mọi thứ: thiết kế database, viết API, sửa bug frontend, chỉnh CSS. Bàn chật, giấy tờ lẫn lộn. AI bắt đầu nhầm context của task này sang task kia.

Dev B chia 5 bàn riêng. Mỗi bàn một việc. Bàn thiết kế database chỉ có tài liệu database. Bàn viết API chỉ có spec API. Gọn, rõ, AI không nhầm.

Nói cách khác: mỗi task mở một cuộc chat mới.

Khi chuyển sang cuộc chat mới, paste đúng context cần thiết từ cuộc trước. Không cần paste toàn bộ. Chỉ cần kết quả, quyết định, ràng buộc liên quan đến task mới.

Ví dụ: xong phần thiết kế database, mở chat mới viết API. Paste vào schema database đã thống nhất, không cần paste 20 lượt bàn qua bàn lại lúc thiết kế. AI có đủ context sạch để làm việc tiếp.

Cái khó duy nhất: bạn phải biết "chuyển bóng" giữa các cuộc chat. Kết thúc cuộc chat cũ bằng cách bảo AI tóm tắt kết quả. Rồi mang bản tóm tắt đó sang cuộc chat mới. Mất thêm 30 giây, nhưng tiết kiệm hàng chục phút sửa lỗi sau này.

Kỹ thuật này hiệu quả vì lý do đơn giản: bàn sạch thì làm việc tốt hơn bàn bừa. AI cũng vậy.

Kỹ thuật 3: Nhắc lại

Đây là kỹ thuật nhiều người bỏ qua, nhưng mạnh nhất khi chat dài.

Nhớ hiện tượng "Lost in the Middle" ở bài trước? AI chú ý đầu và cuối context, quên giữa. Nghĩa là yêu cầu bạn đặt ra ở tin nhắn thứ 3 rất dễ bị AI bỏ qua sau 15 lượt chat.

Cách xử lý: nhắc lại yêu cầu quan trọng ngay trong tin nhắn hiện tại.

Ví dụ, thay vì chỉ gửi:

"Viết tiếp phần kết luận đi."

Thì gửi:

"Viết tiếp phần kết luận. Nhớ nhé: bạn đang viết báo cáo cho sếp Hùng, giọng formal, không quá 500 từ."

Ba dòng thêm, nhưng hiệu quả khác hẳn. Bạn đưa thông tin quan trọng về cuối context window, nơi AI chú ý nhất. Giống bạn dán tờ giấy nhớ ngay trước mặt thay vì để nó chìm dưới đống giấy.

Giới kỹ thuật gọi cách này là identity re-injection. Nghe phức tạp, nhưng bản chất đơn giản. Mỗi khi gửi yêu cầu mới trong cuộc chat dài, nhắc lại vai trò, giọng văn, quy tắc quan trọng. Vậy thôi.

Những gì nên nhắc lại:

Vai trò AI đang đóng ("bạn là biên tập viên", "bạn là trợ lý kỹ thuật")
Giọng văn yêu cầu ("formal", "thân thiện", "ngắn gọn")
Ràng buộc quan trọng ("không quá 500 từ", "dùng tiếng Việt")
Đối tượng đọc ("viết cho sếp", "viết cho khách hàng")

Không cần nhắc lại toàn bộ. Chỉ nhắc những gì AI hay quên. Thường là vai trò và giọng văn, vì hai thứ này dễ "trôi" nhất sau nhiều lượt chat.

Khi nào KHÔNG cần tách?

Không phải lúc nào cũng phải chia nhỏ. Chat nhanh 5 phút hỏi một câu, mở chat mới cho câu tiếp theo, quá rườm rà. Không đáng.

Quy tắc đơn giản: nếu phải cuộn lên hơn 5 phút để tìm lại context, nên tách. Nếu vẫn nhìn thấy toàn bộ cuộc chat trên màn hình, cứ tiếp tục.

Chat nhanh, hỏi đáp ngắn thì cứ một cuộc chat. Nhưng khi task kéo dài, nhiều bước, nhiều quyết định, đó là lúc chia bàn có giá trị.

Một dấu hiệu khác: AI bắt đầu lặp lại câu bạn đã nói. Hoặc output mâu thuẫn với những gì đã thống nhất trước đó. Đó là lúc bàn quá tải. Dọn hoặc chia, tuỳ tình huống.

Công thức ghi nhớ

Ba kỹ thuật quy về một ý: đối xử với bộ nhớ AI giống cách bạn đối xử với bàn làm việc.

Dọn bàn: bảo AI tóm tắt khi chat dài, giữ lại cái quan trọng.
Chia bàn: mỗi việc một cuộc chat, context sạch.
Dán giấy nhớ: nhắc lại yêu cầu quan trọng ở mỗi tin nhắn.

Không cần nhớ thuật ngữ. Không cần hiểu kỹ thuật bên trong. Chỉ cần nhớ: bàn gọn, phân loại rõ, dọn định kỳ. Làm ba điều này, chất lượng output sẽ khác.

Bắt đầu từ cuộc chat tiếp theo. Thử một trong ba kỹ thuật, xem kết quả. Không cần áp dụng cả ba cùng lúc.

Gợi ý: bắt đầu với "chia bàn" vì dễ nhất. Mỗi việc mới, mở chat mới. Chỉ thế thôi. Khi quen rồi, thêm "nhắc lại" và "dọn bàn". Một thay đổi nhỏ đã đủ thấy khác biệt.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 04] Tại sao AI hay quên? Bí mật về context window

Hoàng Văn Tuấn — Fri, 01 May 2026 02:01:16 GMT

Bạn đang nhờ ChatGPT viết email quan trọng. 20 phút trước, bạn dặn rõ: "Giọng formal, gửi sếp Hùng, về dự án Q3." Giờ nó viết xong, giọng thân mật như nhắn tin bạn bè. Bạn nhắc lại. Nó xin lỗi, sửa. Được 3 lượt nữa, nó lại quên sếp Hùng là ai.

Quen không? Hầu hết mọi người đổ lỗi: AI ngu, AI lười, AI không chú ý. Thật ra không phải. Có lý do kỹ thuật rất cụ thể giải thích chuyện này. Và khi hiểu lý do đó, bạn sẽ biết cách phòng tránh.

AI không nhớ. AI đọc lại.

Nhiều người nghĩ AI nhớ cuộc trò chuyện giống mình nhớ. Sai hoàn toàn.

Mỗi lần bạn gửi tin nhắn, AI đọc lại toàn bộ cuộc hội thoại từ đầu đến cuối. Rồi mới trả lời. Giống bạn mở một email thread dài, cuộn từ trên xuống, đọc hết rồi mới reply. Mỗi lần reply đều đọc lại từ đầu.

Nghe vất vả? Đúng vậy. Nhưng đây là cách duy nhất AI "nhớ" được bạn nói gì.

Và cái giá là: tắt cửa sổ chat, AI quên sạch. Không có gì lưu lại trong "đầu" nó cả. Cuộc trò chuyện hôm qua với AI hôm nay? Hai người hoàn toàn xa lạ. Bạn mở tab mới, gõ "tiếp tục giúp tôi cái hôm qua", AI không hiểu bạn đang nói gì.

Thử nghĩ xem. Bạn có người đồng nghiệp siêu giỏi, trả lời gì cũng nhanh. Nhưng mỗi sáng đi làm, người này quên sạch mọi thứ hôm qua. Muốn tiếp tục, bạn phải kể lại từ đầu. Đó là AI.

Một số app như ChatGPT có tính năng "Memory", ghi nhớ vài thông tin giữa các cuộc chat. Nhưng đó là tính năng app thêm vào, không phải AI tự nhớ. Giống như bạn viết sticky note dán lên màn hình cho đồng nghiệp hay quên. Ghi được vài dòng thôi, không thể thay thế trí nhớ thật.

Bàn làm việc có giới hạn

Vậy tại sao chat dài thì AI "ngu dần"? Câu trả lời nằm ở một khái niệm tên context window.

Hãy hình dung context window là một cái bàn làm việc. Mỗi tin nhắn bạn gửi, mỗi câu AI trả lời, mỗi file bạn paste vào, đều là giấy tờ đặt lên bàn. Bàn này có kích thước cố định, không co giãn được.

Mỗi AI có bàn to khác nhau:

ChatGPT: khoảng 200 trang A4
Claude: khoảng 300 trang A4
Gemini: khoảng 1.500 trang A4

Con số này thay đổi theo phiên bản. Xu hướng chung là bàn ngày càng to hơn. Nhưng dù to bao nhiêu, nó vẫn có giới hạn. Và cách bạn dùng bàn quan trọng hơn kích thước bàn.

Nghe nhiều? Nhưng tốn nhanh hơn bạn tưởng.

Mỗi tin nhắn bạn gửi chiếm chỗ. Mỗi câu AI trả lời cũng chiếm chỗ, thường gấp 3-4 lần tin bạn gửi vì AI hay viết dài. Chat 30 phút, tầm 20 lượt qua lại, dễ ngốn 30-50% bàn. Paste thêm vài file code hay tài liệu dài, bàn đầy quá nửa. Có người paste cả trang web vào, bàn gần đầy ngay lượt thứ 2.

Để ý: bạn không chỉ "nói chuyện" với AI. Bạn đang xếp giấy tờ lên bàn. Mỗi lượt chat là thêm một chồng giấy. Và bàn thì không tự mở rộng.

Khi bàn còn trống, AI đọc mọi thứ rõ ràng. Khi bàn chật, rắc rối bắt đầu.

Đầy bàn thì phải dọn

Khi context window gần đầy, hệ thống tự dọn bàn. Nó nén những tin nhắn cũ lại, giữ tin nhắn mới nguyên vẹn.

Hình dung thế này: bàn đầy, bạn lấy mấy tờ giấy cũ nhất. Viết tóm tắt lên 1 tờ nhỏ, vứt mấy tờ gốc đi. Được thêm chỗ trống. Nhưng chi tiết trong tờ gốc thì mất.

Đây là lý do cái bạn dặn ở đầu cuộc chat hay bị quên trước. Tin nhắn thứ 2, thứ 3 của bạn nằm ở vùng cũ nhất. Khi hệ thống nén, chúng bị nén trước tiên. Cái dặn "giọng formal, gửi sếp Hùng" ở đầu cuộc chat? Nén mất rồi. AI chỉ còn thấy bản tóm tắt mờ nhạt.

Cho nên chat càng dài, AI càng "quên" những gì bạn nói ở đầu. Không phải nó phớt lờ. Nó thật sự không còn thấy rõ nữa.

Và bạn không nhận ra chuyện này đang xảy ra. Không có cảnh báo "context sắp đầy". Không có đèn đỏ nháy. AI vẫn trả lời bình thường, chỉ là câu trả lời mỗi lúc một kém đi. Giống chiếc xe hết xăng dần: vẫn chạy, nhưng chậm lại, rồi tắt máy giữa đường.

Nhớ đầu, nhớ cuối, quên giữa

Có một hiện tượng nữa khiến AI "quên" theo cách khó chịu hơn. Giới nghiên cứu gọi là "Lost in the Middle" (lạc ở giữa).

Dễ hiểu thôi. Bạn paste cho AI 50 trang tài liệu. AI không đọc đều 50 trang đó. Nó chú ý nhiều nhất vào phần đầu và phần cuối. Phần giữa? Lướt qua, dễ bỏ sót.

Giống bạn đọc một cuốn sách dày. Chương đầu nhớ rõ vì hào hứng. Chương cuối nhớ vì vừa đọc xong. Mấy chương giữa thì... mơ hồ.

AI cũng y vậy, chỉ khác là nó xử lý bằng toán thay vì cảm xúc. Nhưng kết quả giống nhau: thông tin ở giữa context window hay bị bỏ qua.

Biết điều này thì bạn có thể dùng ngay: đặt thông tin quan trọng ở đầu hoặc cuối tin nhắn. Đừng chôn nó ở giữa một đoạn dài.

Ví dụ cụ thể: bạn paste 20 trang tài liệu rồi viết "tóm tắt giúp tôi." Câu yêu cầu nằm ở cuối, tốt. Nhưng nếu trong 20 trang đó, thông tin then chốt nằm ở trang 10, AI rất có thể bỏ qua. Muốn chắc, hãy nói rõ: "Chú ý đặc biệt phần X ở trang 10." Kéo thông tin quan trọng ra khỏi vùng "giữa", đặt vào chỗ AI nhìn rõ nhất.

Vậy nên làm gì?

Quay lại chuyện sếp Hùng. Bạn dặn ở tin nhắn thứ 2. Chat thêm 20 lượt. Yêu cầu đó nằm ở vùng cũ nhất, dễ bị nén nhất. Lại nằm ở "giữa" context window, dễ bị bỏ sót nhất. Quên là đương nhiên.

Lần tới AI "quên", đừng vội bực. Kiểm tra trước: cuộc chat đã dài bao nhiêu? Bàn đầy chưa? Hơn 15-20 lượt rồi thì có lẽ đã đến lúc dọn bàn.

Cách dọn cụ thể thế nào? Bài tiếp theo sẽ chia sẻ 3 kỹ thuật đơn giản mà ai cũng làm được.

Nhưng chỉ cần hiểu một điều hôm nay: AI không quên vì nó kém. Nó quên vì bàn làm việc hết chỗ. Và khi bạn biết bàn to bao nhiêu, bạn bắt đầu biết cách sắp xếp.

Sếp Hùng vẫn đang chờ email. Lần này, bạn biết cách giữ cho AI không quên ông ấy.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 03] AI thật vs AI giả: 4 dấu hiệu phân biệt

Hoàng Văn Tuấn — Thu, 30 Apr 2026 02:01:18 GMT

Một marketing manager chi $500/tháng cho tool quảng cáo "AI agent tạo content tự động". Kết quả: nội dung generic, giọng văn như robot, traffic không nhích. Sau 3 tháng, cô ấy huỷ gói.

Tool đó có dùng AI không? Có. Nhưng nó không phải agent. Nó là một đường ống nối prompt, đội mũ "AI agent" để bán giá cao.

Thị trường đang tràn ngập những tool như vậy. Phân biệt được agent thật và agent giả giúp bạn tiết kiệm tiền và thời gian.

Prompt plumbing: nối prompt bằng if-else

Kiểu đơn giản nhất. Code trông đại khái thế này:

nếu người dùng chọn "viết blog":
    gửi prompt "Viết blog về {chủ đề}" cho AI
nếu người dùng chọn "viết email":
    gửi prompt "Viết email về {chủ đề}" cho AI

3 dòng code. Không có suy nghĩ. Không có vòng lặp. Không có quyết định. AI nhận prompt cố định, trả kết quả, xong.

Bạn chọn từ menu. AI chạy prompt tương ứng. Mỗi lần ra cùng một kiểu output. Giống máy bán nước tự động: bấm nút nào ra lon đó.

Cái bạn trả tiền ở đây không phải "AI agent". Bạn trả tiền cho giao diện đẹp bao quanh một prompt. Prompt đó bạn hoàn toàn có thể tự gõ vào ChatGPT miễn phí.

Nhiều tool "AI" trên thị trường chỉ đến mức này. Không có gì sai với prompt plumbing. Nó hữu ích khi tiết kiệm thao tác lặp đi lặp lại. Nhưng gọi nó là "agent" thì sai.

Workflow builder: kéo-thả block

Kiểu phức tạp hơn một chút. Bạn kéo-thả các block: "Tạo outline", "Viết nội dung", "Kiểm tra ngữ pháp", "Xuất file".

Trông chuyên nghiệp. Có mũi tên, có flowchart, có dashboard đẹp. Nhưng bản chất vẫn là pipeline cố định. Bước 1 xong chạy bước 2. Bước 2 xong chạy bước 3. Luôn luôn vậy, không ngoại lệ.

Khi mọi thứ đi đúng kịch bản, hoạt động tốt. Khi gặp tình huống ngoài kịch bản, nó vỡ.

Ví dụ: workflow "viết blog post" có bước tìm keyword. Nhưng chủ đề quá mới, không có keyword data. Workflow không biết xoay xở. Nó chạy tiếp bước 2 với dữ liệu rỗng, cho ra bài viết vô hồn.

Agent thật sẽ làm gì? Nhận ra không có keyword data, nó tự tìm cách khác. Đọc bài viết liên quan. Phân tích câu hỏi trên forum. Đề xuất góc tiếp cận mới. Nó thích nghi. Pipeline thì không.

Sự khác biệt giống xe chạy trên đường ray vs. xe chạy trên đường thường. Đường ray nhanh, ổn định, nhưng chỉ đi được một tuyến. Xe đường thường chậm hơn, nhưng gặp ổ gà thì tránh, gặp đường cấm thì quay đầu.

4 tiêu chí phân biệt

Đây là phần thực dụng nhất. 4 câu hỏi bạn có thể đặt cho bất kỳ tool nào tự xưng "AI agent".

1. Khả năng tự quyết bước tiếp theo

Agent thật: Tự động đánh giá tình hình và chọn bước đi tiếp theo dựa trên kết quả hiện tại.
Agent giả: Hoạt động theo một quy trình cứng nhắc, luôn đi theo thứ tự cố định (Bước 1 → Bước 2 → Bước 3).

2. Khả năng xoay xở ngoài kịch bản

Agent thật: Linh hoạt tìm kiếm giải pháp hoặc hướng đi mới khi gặp tình huống bất ngờ.
Agent giả: Dễ rơi vào trạng thái “đơ” hoặc báo lỗi hệ thống nếu kịch bản không có sẵn tình huống đó.

3. Khả năng tự chọn công cụ (Tool)

Agent thật: Tự đưa ra quyết định nên sử dụng công cụ nào là tối ưu nhất cho nhiệm vụ.
Agent giả: Chỉ sử dụng các công cụ đã được thiết lập sẵn một cách cố định, không thể thay đổi linh hoạt.

4. Khả năng tự nhận biết điểm dừng

Agent thật: Biết tự đánh giá chất lượng kết quả; nếu đã đạt yêu cầu thì sẽ chủ động dừng lại.
Agent giả: Chạy máy móc cho đến bước cuối cùng của quy trình rồi mới dừng, bất kể kết quả đầu ra có đạt chất lượng hay không.

Để ý: cả 4 tiêu chí đều xoay quanh một từ: tự. Agent thật tự quyết định. Agent giả chạy theo kịch bản người khác viết sẵn.

Điều này không có nghĩa agent thật lúc nào cũng tốt hơn. "Tự quyết định" cũng có nghĩa "có thể quyết sai". Agent thật mạnh hơn nhưng cũng khó dự đoán hơn. Pipeline dễ dự đoán, dễ kiểm soát. Mỗi loại có chỗ dùng riêng.

Quay lại câu chuyện $500/tháng

Marketing manager kia dùng tool "AI content agent". Tool yêu cầu chọn loại content (blog, social post, email), nhập keyword, chọn tone. Rồi nó chạy.

Kiểm tra theo 4 tiêu chí:

1. Tự quyết bước tiếp? Không. Luôn chạy: outline, draft, edit, xuất.

2. Xoay xở ngoài kịch bản? Không. Keyword ngách không có data thì output vẫn dùng keyword đó, dù vô nghĩa.

3. Tự chọn tool? Không. Luôn dùng template cố định.

4. Tự biết khi nào dừng? Không. Chạy hết 4 bước rồi xuất, không kiểm tra chất lượng.

0/4. Đó là pipeline đội mũ agent.

$500/tháng cho pipeline không tệ nếu pipeline đó giải quyết đúng vấn đề của bạn. Nhiều pipeline rất hữu ích: tự động gửi email, tạo báo cáo định kỳ, format dữ liệu. Vấn đề không phải pipeline. Vấn đề là gọi pipeline là "agent" rồi bán giá agent, hứa hẹn kết quả agent.

Quy tắc ngón cái

Muốn test nhanh? Hỏi tool một câu ngoài kịch bản nó được thiết kế.

Ví dụ: tool "AI viết blog". Thay vì nhập keyword như bình thường, bạn yêu cầu: "So sánh 2 sản phẩm, lồng case study từ khách hàng A."

Agent thật sẽ xoay xở. Nó hiểu yêu cầu mới, điều chỉnh cách viết, tìm thông tin về khách hàng A nếu có.

Agent giả sẽ đơ. Hoặc bỏ qua phần "case study" vì không có trong template. Hoặc nhét vào format cũ cho có. Kết quả trông lạc quẻ.

Thêm một cách test: yêu cầu tool làm lại nhưng đổi hướng hoàn toàn. "Bài blog này quá formal, đổi sang giọng kể chuyện, thêm ví dụ cá nhân." Agent thật sẽ viết lại từ đầu với giọng mới. Agent giả sẽ thay vài từ rồi giữ nguyên cấu trúc cũ.

Một câu hỏi ngoài kịch bản. Đó là tất cả bạn cần.

Lựa chọn thông minh hơn

Biết phân biệt không có nghĩa phải luôn chọn agent thật. Pipeline có chỗ của pipeline.

Khi nào pipeline đủ tốt? Khi công việc lặp lại với kịch bản rõ ràng. Gửi email chào khách mới mỗi ngày. Tạo báo cáo doanh thu cuối tuần. Format hàng trăm dòng dữ liệu theo chuẩn. Những việc này không cần AI suy nghĩ. Cần AI chạy nhanh, đúng, lặp lại được. Pipeline rẻ hơn và đủ dùng.

Khi nào cần agent thật? Khi yêu cầu thay đổi liên tục. Khi mỗi task hơi khác task trước. Khi bạn không biết trước đầu ra trông thế nào. Viết content marketing cho sản phẩm mới chưa có data. Phân tích vấn đề kỹ thuật mà mỗi lần lỗi khác nhau. Tư vấn chiến lược dựa trên dữ liệu thay đổi.

Câu hỏi không phải "agent hay pipeline?". Câu hỏi là "vấn đề của mình cần cái nào?". Trả lời được câu đó, bạn tiết kiệm tiền và kỳ vọng đúng.

Test bằng 1 câu hỏi ngoài kịch bản. Nếu nó xoay xở được, đáng tiền. Nếu nó đơ, bạn biết mình đang mua gì.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 02] Vòng lặp nghĩ-làm: cách AI xử lý yêu cầu của bạn

Hoàng Văn Tuấn — Wed, 29 Apr 2026 02:01:04 GMT

9 giờ sáng. Bạn mở ChatGPT, gõ: "Tìm 3 quán phở ngon nhất Hà Nội, so sánh giá và review."

3 giây sau, kết quả hiện ra. Trông đơn giản. Nhưng bên trong, AI vừa chạy ít nhất 4 vòng suy nghĩ.

Hầu hết người dùng nghĩ AI trả lời một phát. Nhận câu hỏi, xử lý, ra kết quả. Như máy tính bỏ túi. Bấm 2+2, ra 4, xong.

Không phải vậy. AI chạy một vòng lặp. Và hiểu vòng lặp này thay đổi cách bạn giao tiếp với nó.

5 bước trong một vòng lặp

Hãy nghĩ về cách bạn tự tìm quán phở.

Bước 1: Bạn đọc yêu cầu. "3 quán phở ngon Hà Nội, so sánh giá và review."

Bước 2: Bạn suy nghĩ. "Mình cần tìm thông tin quán phở. Nên search Google trước."

Bước 3: Bạn hành động. Mở Google, gõ tìm kiếm.

Bước 4: Bạn nhận kết quả. Đọc mấy bài review.

Bước 5: Bạn quyết định. "Đủ chưa? Chưa. Mới có giá 2 quán. Tìm tiếp."

Rồi bạn quay lại bước 2. Suy nghĩ tiếp. Hành động tiếp. Cho đến khi đủ thông tin thì dừng.

AI agent chạy y hệt quy trình này:

1. Nhận input từ bạn

2. Suy nghĩ nên làm gì tiếp

3. Hành động (gọi tool: tìm kiếm, đọc file, chạy code...)

4. Nhận kết quả từ tool trả về

5. Quyết định: tiếp tục hay dừng?

Nếu chưa đủ, quay lại bước 2. Vòng lặp tiếp tục.

Quay lại ví dụ quán phở. Vòng 1: AI tìm Google "quán phở ngon Hà Nội". Vòng 2: tìm thêm "giá phở Hà Nội 2025". Vòng 3: đọc review cụ thể từ Google Maps. Vòng 4: tổng hợp, so sánh, trả kết quả. 4 vòng cho 1 câu hỏi.

Cái hay: AI tự quyết định

Đây là điểm nhiều người không biết.

Không ai viết code sẵn kiểu "bước 1 tìm Google, bước 2 đọc bài, bước 3 tổng hợp". AI tự chọn bước tiếp theo dựa trên kết quả vừa nhận.

Nếu kết quả tìm kiếm đầu tiên đã có đủ 3 quán, giá và review, AI dừng sau 1 vòng. Nhưng nếu thiếu giá quán thứ 3, nó tự quyết định tìm thêm. Không cần bạn bảo.

Mỗi lần kết thúc một vòng, AI có 3 lựa chọn:

Dùng tool: "Cần thêm thông tin, để tìm tiếp." AI gọi thêm một công cụ.
Trả lời: "Đủ rồi, trả kết quả cho người dùng." AI viết câu trả lời cuối.
Hỏi lại: "Câu hỏi chưa rõ, cần hỏi thêm." AI hỏi bạn để làm rõ.

Ba lựa chọn này không được lập trình cứng. Model tự phán đoán dựa trên ngữ cảnh.

Nghe trừu tượng? Thử một ví dụ khác. Bạn hỏi: "Dịch email tiếng Anh này sang tiếng Việt." AI đọc email, dịch, trả kết quả. 1 vòng, không cần tool, xong ngay. Nhưng nếu bạn hỏi: "Dịch email này và kiểm tra xem công ty gửi email có đáng tin không." AI dịch xong, tự quyết định tìm kiếm thông tin công ty đó trên web. 2 vòng trở lên. Cùng một việc "dịch email" mà số vòng khác nhau.

Tại sao đôi khi AI chậm?

Giờ bạn hiểu rồi đúng không?

Khi bạn hỏi "Dịch câu này sang tiếng Anh", AI chạy 1 vòng. Nhanh. Không cần tool. Suy nghĩ, trả lời, xong.

Khi bạn hỏi "Phân tích file Excel, tìm top 5 sản phẩm bán chạy, vẽ biểu đồ"? AI chạy nhiều vòng. Đọc file. Xử lý dữ liệu. Tính toán. Tạo biểu đồ. Kiểm tra lại. Mỗi bước là một vòng lặp.

Chậm không phải vì AI nghĩ chậm. Mà vì nó đang chạy nhiều vòng.

Giống bạn nấu mì gói thì 5 phút. Nấu tiệc 10 món thì 3 tiếng. Không phải bạn nấu chậm hơn. Việc nhiều hơn.

Có lúc AI còn "nghĩ lại" giữa chừng. Nó tìm thông tin, nhận ra thiếu, quay lại tìm hướng khác. Y như bạn đang nấu mà phát hiện hết hành, phải chạy ra chợ. Vòng lặp kéo dài hơn dự tính. Đó không phải lỗi. Đó là AI đang cố gắng cho kết quả tốt hơn.

Mỗi lần bạn nói thêm, vòng lặp chạy lại

Một chi tiết quan trọng mà ít người để ý.

Khi bạn gửi tin nhắn mới, AI không "nhớ đang ở bước mấy" rồi chạy tiếp. Nó đọc lại toàn bộ cuộc trò chuyện từ đầu, rồi chạy vòng lặp mới.

Thử tưởng tượng bạn đang nói chuyện với ai đó bị mất trí nhớ ngắn hạn. Mỗi lần bạn nói thêm, người đó đọc lại toàn bộ hội thoại từ đầu. Rồi mới trả lời.

Nghe kỳ, nhưng AI hoạt động đúng kiểu đó.

Mỗi tin nhắn bạn gửi, AI nhận lại toàn bộ lịch sử. Tin nhắn 1, tin nhắn 2, tin nhắn 3... cho đến tin nhắn mới nhất. Rồi nó chạy vòng lặp nghĩ-làm dựa trên toàn bộ ngữ cảnh đó.

Điều này giải thích vài chuyện bạn hay gặp:

Cuộc trò chuyện dài, AI chậm dần. Vì mỗi lần phải đọc lại nhiều hơn.
AI "quên" điều bạn nói ở đầu. Cuộc trò chuyện quá dài, thông tin đầu bị đẩy ra ngoài "tầm nhìn" của model.
Bắt đầu chat mới đôi khi tốt hơn. AI khởi động sạch, không bị nhiễu bởi ngữ cảnh cũ.

Đây cũng là lý do AI đôi khi "mâu thuẫn" với chính mình. Ở tin nhắn 5 nó nói A. Ở tin nhắn 25, khi ngữ cảnh đã dài, nó nói B. Không phải nó thay đổi ý kiến. Nó đang xử lý một đống thông tin và "tầm nhìn" bị thu hẹp.

Biết vòng lặp thì dùng AI khác đi

Hiểu cơ chế này, bạn thay đổi được 3 thứ.

Kỳ vọng đúng hơn. Yêu cầu phức tạp thì cho AI thời gian. Nó đang chạy nhiều vòng, không phải đang treo máy. Thấy AI "đang xử lý" vài chục giây là bình thường với yêu cầu khó.

Hỏi tốt hơn. Câu hỏi rõ giúp AI chạy ít vòng hơn. So sánh: "tìm quán phở ngon" vs. "3 quán phở Hoàn Kiếm, giá dưới 80k, có review Google Maps". Câu sau rõ ràng hơn. AI không phải đoán và chạy thêm vòng thăm dò.

Biết khi nào nên bắt đầu lại. Cuộc trò chuyện đã 30 tin nhắn và AI bắt đầu lơ ngơ? Mở chat mới. Tóm tắt ngữ cảnh quan trọng vào tin nhắn đầu tiên. AI sẽ chạy vòng lặp hiệu quả hơn nhiều.

Mỗi lần bạn gõ một câu hỏi, AI không chỉ "trả lời". Nó đang chạy cả quy trình nghĩ, làm, đánh giá, lặp lại. Bạn càng hiểu quy trình đó, bạn càng điều khiển nó tốt hơn.

---

📚 Mục lục Series AI Agent

[Series AI Agent][Bài Số 01] AI Agent là gì? Tài xế và chiếc xe

Hoàng Văn Tuấn — Tue, 28 Apr 2026 13:59:47 GMT

AI trả lời đúng, bạn khen “AI giỏi quá”. AI trả lời sai, bạn chê “AI ngu quá”. Cả hai đều sai.

Theo Decision Lab 2025, khoảng 78% người Việt dùng AI kiểu “hỏi rồi nhận”. Gõ vào, đọc ra, xong. Giống bật công tắc đèn mà không cần biết dây điện chạy thế nào.

Cách dùng đó hoàn toàn ổn khi AI cho ra kết quả tốt. Nhưng khi kết quả tệ, bạn sẽ không biết sửa ở đâu. Đổ lỗi cho AI “ngu” cũng không giúp ích gì.

Thực ra cấu trúc bên trong một AI agent khá rõ ràng. Chỉ có 2 phần. Hiểu được 2 phần này, bạn sẽ biết tại sao AI có lúc giỏi, có lúc ngu. Và quan trọng hơn: biết sửa ở đâu.

Hai phần của một AI agent

Hãy nghĩ về một chiếc taxi.

Chiếc taxi có hai thứ: tài xế và chiếc xe. Tài xế là người suy nghĩ, quyết định rẽ trái hay rẽ phải. Chiếc xe là phương tiện, có bánh, có vô lăng, có GPS.

AI agent cũng y vậy. Nó gồm model (tài xế) và harness (chiếc xe).

Model: bộ não

Model là phần suy nghĩ. Nó phân tích câu hỏi, tìm logic, tạo ra câu trả lời.

Model được “huấn luyện” bằng cách đọc hàng tỷ trang web, sách, bài báo. Giống cách não người được “huấn luyện” qua hàng triệu năm tiến hóa. Chỉ là AI đọc nhanh hơn chúng ta rất nhiều.

Sau huấn luyện, model biết ngữ pháp, suy luận, viết code, phân tích số liệu. Nó có “kiến thức nền” khổng lồ. Nhưng kiến thức nền có giới hạn. Model chỉ biết những gì nó đã đọc trong quá trình huấn luyện.

Hỏi GPT-4o về lý thuyết tương đối? Trả lời ngon lành. Hỏi về email nội bộ công ty bạn gửi sáng nay? Nó không biết. Không phải vì nó dốt. Vì nó chưa bao giờ đọc email đó.

Harness: cơ thể và công cụ

Harness là mọi thứ bao quanh model. Nó bù đắp cho những gì model không tự làm được.

Harness gồm:

Công cụ (tools): tìm kiếm web, đọc file, gọi API, chạy code
Kiến thức (knowledge): tài liệu, dữ liệu riêng bạn cung cấp
Quyền hạn (permissions): được phép làm gì, không được làm gì
Bộ nhớ (memory): nhớ gì từ cuộc trò chuyện trước
Chỉ dẫn (system prompt): luật chơi, vai trò, giới hạn

Khi bạn dùng ChatGPT bản miễn phí, harness khá đơn giản: một ô chat, model trả lời, xong. Khi bạn dùng ChatGPT Plus với plugin, harness phức tạp hơn: model có thể tìm web, đọc PDF, chạy Python.

Cùng một model, khác harness, kết quả khác hẳn.

Nói cách khác, model quyết định làm gì. Harness quyết định làm được gì.

Tài xế giỏi, xe tệ

Đây là chỗ thú vị.

Tưởng tượng tài xế F1 ngồi vào chiếc xe cà tàng, lốp mòn, không có GPS. Tay lái siêu đẳng cũng vô ích khi xe không chạy nổi 60km/h. Ngược lại, cho người mới lấy bằng ngồi vào siêu xe. Kết quả có khi nguy hiểm hơn.

AI cũng vậy.

GPT-4o là một model rất mạnh. Nhưng hỏi nó về báo cáo tài chính công ty bạn mà không đưa file? Nó sẽ bịa. Không phải vì nó dốt. Vì “chiếc xe” không có bản đồ, không có dữ liệu.

Claude cũng là model mạnh. Nhưng nếu harness không cho phép tìm kiếm web, nó chỉ biết những gì đã học. Hỏi tin tức hôm nay thì chịu.

Gemini được tích hợp sâu với Google Search. Cùng câu hỏi về tin tức, Gemini trả lời được vì harness cho phép nó tìm web. Không phải Gemini thông minh hơn. Chiếc xe của nó có GPS.

Tài xế giỏi + xe tệ = bực bội.

Tài xế tệ + xe xịn = nguy hiểm.

Tài xế giỏi + xe tốt = mới thật sự hiệu quả.

Khi AI cho kết quả tệ, lỗi ở đâu?

Đây là câu hỏi quan trọng nhất bài này.

Mỗi lần AI trả lời sai, bạn có thể hỏi: lỗi model hay lỗi harness?

Lỗi model trông thế nào? Model suy luận sai. Bạn đưa đủ thông tin, cho đủ công cụ, mà nó vẫn ra kết quả vô nghĩa. Kiểu tài xế giỏi nhưng hôm nay lú, rẽ nhầm đường dù GPS chỉ đúng.

Ví dụ: bạn đưa bảng số liệu rõ ràng, hỏi “tháng nào doanh thu cao nhất?”. AI trả lời sai dù dữ liệu nằm ngay trước mắt. Đó là lỗi model.

Lỗi harness trông thế nào? Model không có đủ thông tin. Hoặc không có công cụ phù hợp. Hoặc bị giới hạn quyền. Kiểu tài xế muốn đi đường tắt nhưng xe không vào được ngõ hẹp.

Ví dụ: bạn hỏi AI tóm tắt file PDF nhưng không đưa file. AI bịa nội dung. Không phải nó muốn bịa. Nó không có cách nào đọc file đó.

Nói thật nhé: phần lớn kết quả tệ là lỗi harness, không phải lỗi model.

Vì sao? Vì các model ngày nay đã khá thông minh. GPT-4o, Claude, Gemini đều vượt qua nhiều bài kiểm tra chuyên môn. Chúng suy luận được. Vấn đề thường nằm ở chỗ khác: thiếu ngữ cảnh, sai công cụ, hoặc câu hỏi quá mơ hồ.

Thử nghĩ lại lần cuối bạn không hài lòng với AI. Có phải vì bạn hỏi “viết cho tôi bài marketing” mà không nói gì thêm? Không nói sản phẩm gì, khách hàng ai, giọng văn ra sao? Đó là lỗi harness. Bạn chưa “trang bị” đủ cho chiếc xe.

Vậy thì sao?

Hiểu cấu trúc model + harness thay đổi cách bạn dùng AI.

Thay vì nghĩ “AI ngu quá”, bạn sẽ hỏi: “Mình đã cho nó đủ thông tin chưa? Nó có đúng công cụ không? Câu hỏi của mình có rõ không?”

Ba việc bạn có thể làm ngay:

1. Cho context rõ hơn. Thay vì “viết email”, hãy nói “viết email từ chối lịch họp thứ 6, giọng lịch sự nhưng dứt khoát”. Đó là bạn đang nâng cấp harness. Bạn đang lắp GPS cho chiếc xe.

2. Chọn đúng công cụ. Hỏi AI phân tích dữ liệu thì đưa file Excel, đừng mô tả bằng lời. Cho tài xế bản đồ thay vì bảo “tự tìm đường”. Nhiều app AI cho phép upload file, gọi API, tìm web. Dùng đúng tool sẽ khác.

3. Phân biệt lỗi. Kết quả tệ thì nghĩ xem lỗi “tài xế” hay “chiếc xe”. Sửa đúng chỗ nhanh hơn nhiều. Lỗi model thì đổi model hoặc hỏi lại. Lỗi harness thì bổ sung context, file, hoặc đổi công cụ.

Kết quả AI tệ thường không phải vì AI dốt. Mà vì chiếc xe chưa đủ tốt. Và tin vui: chiếc xe nằm trong tay bạn.

📚 Mục lục Series AI Agent

AI không lấy việc của bạn, Người biết dùng AI sẽ lấy

Hoàng Văn Tuấn — Sun, 05 Apr 2026 06:37:03 GMT

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

Từ máy tính đến “bộ não” biết sáng tạo

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

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

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

Hình dung Einstein ngồi trong nhà bạn

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

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

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

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

Vậy nó hoạt động thế nào?

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

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

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

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

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

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

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

Không chỉ có ChatGPT

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

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

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

Khả năng bất ngờ

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

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

Tư duy nào giúp bạn sống sót?

Có hai thái cực cần tránh.

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

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

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

Con người có còn cần thiết không?

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

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

Prompt engineering: kỹ năng bạn cần học ngay

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

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

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

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

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

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

Agentic Coding 2026: Khi AI làm 60% nhưng con người vẫn quyết định 100%

Hoàng Văn Tuấn — Mon, 23 Mar 2026 02:05:24 GMT

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

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

Nền tảng (cách phát triển phần mềm thay đổi)
Năng lực (agent làm được gì)
Tác động (ảnh hưởng tới doanh nghiệp)

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

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

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

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

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

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

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

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

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

3. Agent chạy dài xây dựng hệ thống hoàn chỉnh

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

7. Người không chuyên kỹ thuật tự xây giải pháp

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

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

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

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

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

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

Ưu tiên cho năm tới

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

Bốn ưu tiên hành động cho 2026:

Thành thạo điều phối multi-agent để xử lý độ phức tạp mà hệ thống đơn agent không đáp ứng được
Mở rộng giám sát người-agent qua hệ thống review tự động, tập trung sự chú ý con người vào nơi quan trọng nhất
Đưa agentic coding ra ngoài kỹ thuật để trao quyền cho chuyên gia domain ở mọi phòng ban
Tích hợp kiến trúc bảo mật vào thiết kế hệ thống agentic ngay từ giai đoạn sớm nhất

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

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