Bạn đưa cho AI một tập tài liệu dài. Mười phút sau, nó giúp bạn tóm tắt các ý chính, tạo bảng so sánh và đề xuất một kế hoạch khá hoàn chỉnh.
Bạn nhìn vào kết quả và thấy mình đã hiểu vấn đề rõ hơn.
Nhưng nếu đóng cửa sổ chat lại rồi tự giải thích, có thể bạn chỉ nhớ được vài ý rời rạc. Bạn đã hoàn thành công việc, nhưng chưa chắc đã mang được kiến thức ấy ra khỏi cuộc trò chuyện với AI.
Hai trải nghiệm này rất dễ bị trộn vào nhau.
Kết quả tốt hơn khiến ta tin rằng năng lực của mình cũng đã tăng lên tương ứng. Trong nhiều trường hợp, phần tăng thêm nằm trong sự kết hợp giữa người và AI. Nó chưa trở thành kiến thức hay kỹ năng mà người đó có thể tự sử dụng.
Để hiểu điều này, ta cần tách hai câu hỏi.
Bạn có thể làm được gì khi có AI?
Và sau quá trình đó, bạn đã học được gì?
Một thí nghiệm với 573 tư vấn viên
Emma Wiles cùng các cộng sự thực hiện một thử nghiệm ngẫu nhiên với 573 tư vấn viên tại Boston Consulting Group.
Những người tham gia được yêu cầu xử lý ba nhiệm vụ khoa học dữ liệu nằm ngoài chuyên môn thông thường của họ. Đây không phải những nhiệm vụ ChatGPT có thể tự giải quyết hoàn toàn. Người dùng vẫn phải cung cấp thông tin, lựa chọn phương pháp và kiểm tra kết quả.
Một nhóm được sử dụng ChatGPT và được hướng dẫn cách làm việc với công cụ. Nhóm còn lại thực hiện nhiệm vụ mà không có sự hỗ trợ đó.
Kết quả khá ấn tượng.
Nhóm có AI đạt điểm cao hơn nhóm đối chứng lần lượt 49, 20 và 18 điểm phần trăm trên ba nhiệm vụ. Họ có khả năng hoàn thành bài cao hơn, làm nhanh hơn và đạt chất lượng tốt hơn.
Trên hai nhiệm vụ, kết quả của những tư vấn viên có AI tiến gần tới nhóm chuyên gia khoa học dữ liệu thật sự.
Nếu chỉ nhìn vào sản phẩm cuối cùng, ta có thể nghĩ rằng AI đã giúp họ học được một kỹ năng mới.
Nhưng nhóm nghiên cứu thực hiện thêm một bước kiểm tra. Sau thí nghiệm, những người tham gia phải trả lời các câu hỏi kỹ thuật mà không được dùng ChatGPT.
Lúc này, nhóm từng có AI không thể hiện kiến thức tốt hơn nhóm đối chứng.
Họ đã làm được những việc mới khi có AI. Nghiên cứu không tìm thấy bằng chứng cho thấy lượng kiến thức được giữ lại cũng tăng theo.
Đây là khác biệt giữa năng lực có hỗ trợ và năng lực đã được tiếp thu.
Mượn được năng lực chưa đồng nghĩa sở hữu năng lực
Chúng ta vốn đã quen với việc mượn năng lực từ công cụ.
Máy tính giúp ta xử lý những phép tính không thể làm nhanh trong đầu. GPS giúp ta đi qua một thành phố xa lạ. Công cụ tìm kiếm giúp ta tiếp cận lượng thông tin lớn hơn nhiều so với trí nhớ của một cá nhân.
Trong tâm lý học nhận thức, việc dùng hành động hoặc công cụ bên ngoài để giảm yêu cầu xử lý trong đầu được gọi là cognitive offloading.
Cognitive offloading thường rất hữu ích. Bộ não có giới hạn. Không có lý do gì để ta phải ghi nhớ mọi số điện thoại, tự tính mọi phép toán hay giữ toàn bộ lịch làm việc trong đầu.
AI đưa việc offloading sang một phạm vi rộng hơn.
Ta không chỉ chuyển ra ngoài việc ghi nhớ hay tính toán. Ta có thể chuyển cả việc lập luận, viết, tổng hợp, lên kế hoạch và tạo phương án.
Khi một công cụ tham gia sâu đến vậy, ta khó nhìn thấy phần nào trong kết quả đến từ mình.
Giả sử AI viết giúp bạn một bản phân tích rất tốt. Có ít nhất bốn khả năng đã xảy ra.
Bạn hiểu vấn đề và dùng AI để làm nhanh hơn.
Bạn hiểu một phần, sau đó học thêm trong lúc kiểm tra kết quả.
Bạn chưa hiểu nhưng có đủ phán đoán để nhận ra câu trả lời tốt.
Bạn chưa hiểu và cũng chưa đủ chuyên môn để phát hiện những chỗ AI nói sai.
Bốn trường hợp có thể tạo ra những sản phẩm trông khá giống nhau.
Chất lượng đầu ra vì vậy không đủ để đo mức độ học của người sử dụng.
Cảm giác trôi chảy dễ bị nhầm thành hiểu biết
AI trả lời nhanh, rõ và có cấu trúc. Chính sự trôi chảy ấy khiến việc đọc trở nên dễ dàng.
Khi một lời giải thích dễ đọc, ta thường có cảm giác nội dung cũng dễ hiểu. Khi từng ý nối tiếp nhau hợp lý, ta có thể tin rằng mình đã nắm được lập luận.
Nhưng nhận ra một lời giải thích khi đang đọc khác với việc tự tạo lại lời giải thích ấy.
Bạn có thể thử bằng một thao tác rất đơn giản.
Đọc một câu trả lời dài của AI. Sau đó đóng nó lại và tự viết ba ý quan trọng nhất bằng lời của mình.
Khoảng trống xuất hiện lúc này mới phản ánh phần kiến thức đã thực sự ở lại.
Các nghiên cứu về siêu nhận thức đã ghi nhận hiện tượng con người đánh giá quá cao hiểu biết của mình khi thông tin có thể được truy cập dễ dàng. Trong chín thí nghiệm của Matthew Fisher và các cộng sự, việc tìm kiếm lời giải thích trên Internet khiến người tham gia tự đánh giá kiến thức trong đầu cao hơn. Sự tự tin còn lan sang những chủ đề họ chưa tìm kiếm.
AI có thể làm hiệu ứng này mạnh hơn. Người dùng không cần mở nhiều nguồn, đối chiếu và tự kết nối thông tin. Một câu trả lời hoàn chỉnh xuất hiện ngay trong cùng cửa sổ trò chuyện.
Phần lao động trí óc bị che đi. Cảm giác hiểu đến trước khi sự hiểu biết được kiểm tra.
Khi AI cho đáp án quá sớm
Một nghiên cứu khác do Hamsa Bastani và các cộng sự thực hiện với gần một nghìn học sinh trung học cho thấy cách thiết kế AI ảnh hưởng trực tiếp tới việc học.
Nhóm nghiên cứu triển khai hai loại trợ lý toán học.
Loại thứ nhất hoạt động gần giống một chatbot thông thường. Học sinh có thể hỏi và nhận lời giải khá trực tiếp.
Loại thứ hai được thiết kế như một gia sư. Nó sử dụng các gợi ý do giáo viên chuẩn bị, hướng dẫn từng bước và hạn chế đưa đáp án ngay.
Trong thời gian luyện tập, cả hai nhóm dùng AI đều làm bài tốt hơn nhóm chỉ sử dụng sách giáo khoa.
Nhóm dùng chatbot thông thường tăng 48% điểm số. Nhóm dùng AI tutor tăng 127%.
Sau đó, học sinh làm bài kiểm tra không có AI.
Nhóm từng dùng chatbot thông thường đạt điểm thấp hơn nhóm đối chứng 17%. Tác động tiêu cực gần như không xuất hiện ở nhóm sử dụng AI tutor có các biện pháp bảo vệ việc học.
Phân tích hội thoại cho thấy học sinh ở nhóm chatbot thường yêu cầu đáp án và sao chép lời giải. Nhóm dùng AI tutor có xu hướng tự thử, hỏi gợi ý và tham gia sâu hơn vào quá trình giải.
Công nghệ nền gần như giống nhau. Điều khác biệt nằm ở phần suy nghĩ mà thiết kế buộc người học phải giữ lại.
Khi AI hoàn thành bước khó trước khi người học kịp vật lộn với nó, kết quả luyện tập có thể tốt lên trong khi cơ hội hình thành kỹ năng giảm xuống.
Khó khăn nào nên được giữ lại?
Không phải mọi khó khăn đều giúp học.
Việc mất ba giờ để định dạng một bảng dữ liệu lộn xộn có thể chỉ gây mệt. Việc phải nhớ một cú pháp hiếm dùng cũng không nhất thiết tạo ra hiểu biết có giá trị.
Nhưng có những phần khó chính là nơi năng lực được hình thành.
Tự xác định vấn đề đang hỏi gì.
Dự đoán một câu trả lời trước khi nhìn thấy lời giải.
Chọn thông tin nào có liên quan.
Phát hiện mâu thuẫn trong lập luận.
Giải thích vì sao một phương án phù hợp hơn phương án khác.
Nhận ra mình chưa hiểu ở đâu.
Nếu AI làm thay toàn bộ những bước này, người dùng vẫn có thể nhận được một sản phẩm tốt. Họ mất đi phần phản hồi cần thiết để điều chỉnh hiểu biết của mình.
Vì vậy, câu hỏi hữu ích không chỉ là việc nào nên giao cho AI.
Ta còn cần hỏi phần khó nào nên giữ lại để bản thân tiếp tục học.
Ba cách dùng AI tạo ra ba kết quả khác nhau
Hãy lấy ví dụ bạn muốn học một chủ đề mới.
Cách 1. Dùng AI như máy trả lời
Bạn yêu cầu AI giải thích toàn bộ chủ đề, tóm tắt các khái niệm và đưa ra kết luận.
Cách này nhanh. Nó phù hợp khi mục tiêu là có một bản đồ sơ bộ hoặc xử lý thông tin trong thời gian ngắn.
Rủi ro xuất hiện khi bạn đọc xong và dừng lại. Bạn đã tiếp xúc với kiến thức nhưng chưa tạo ra bằng chứng rằng mình có thể sử dụng kiến thức ấy.
Cách 2. Dùng AI như người hướng dẫn
Bạn tự đưa ra cách hiểu ban đầu. AI đặt câu hỏi, chỉ ra phần thiếu và cung cấp gợi ý vừa đủ để bạn tiếp tục.
Quá trình này chậm hơn. Người học phải tham gia nhiều hơn.
Đổi lại, AI giúp mở rộng vùng mà bạn có thể tự suy nghĩ thay vì thay thế toàn bộ quá trình.
Cách 3. Dùng AI như người kiểm tra
Bạn học và tự tạo sản phẩm trước. Sau đó, AI đóng vai người phản biện, tìm lỗ hổng, đặt tình huống mới hoặc yêu cầu bạn giải thích bằng cách khác.
Ở đây, AI không tạo ra năng lực thay cho bạn. Nó tạo thêm phản hồi để bạn nhìn thấy năng lực hiện tại chính xác hơn.
Không có cách nào luôn tốt nhất.
Nếu bạn cần hoàn thành một việc khẩn cấp, máy trả lời có thể phù hợp. Nếu mục tiêu là xây nền tảng lâu dài, người hướng dẫn và người kiểm tra thường giữ lại nhiều hoạt động học hơn.
Một vòng học với AI
Bạn có thể thiết kế một buổi học theo bốn lượt.
Lượt 1. Tự tạo phiên bản đầu tiên
Trước khi hỏi AI, hãy viết ra điều bạn đã biết, cách bạn đang hiểu vấn đề và câu trả lời ban đầu.
Phiên bản này có thể sai. Giá trị của nó nằm ở việc làm lộ ra điểm xuất phát.
Lượt 2. Yêu cầu AI gợi ý
Đừng yêu cầu lời giải hoàn chỉnh ngay.
Bạn có thể hỏi AI phần nào trong cách hiểu của mình còn yếu, câu hỏi nào cần được trả lời trước hoặc dữ kiện nào đang bị bỏ sót.
Lượt 3. Tự sửa
Dùng gợi ý để tạo lại câu trả lời bằng lời của bạn.
Nếu AI viết thay toàn bộ, bạn sẽ khó biết mình đã thay đổi cách hiểu ở đâu.
Lượt 4. Kiểm tra khi không còn AI
Đóng cửa sổ chat lại.
Tự giải thích chủ đề, áp dụng nó vào một ví dụ mới hoặc trả lời một câu hỏi chưa từng thấy.
Nếu không làm được, bạn đã tìm ra phần cần học tiếp. Đây là thông tin có giá trị hơn cảm giác hiểu khi đang đọc câu trả lời của AI.
Đừng bắt AI vừa làm hộ vừa dạy mình trong cùng một prompt
Một prompt thường được giao quá nhiều mục tiêu.
“ Hãy nghiên cứu chủ đề này, viết giúp tôi một bài hoàn chỉnh, giải thích để tôi hiểu và làm thật nhanh.”
Bốn yêu cầu kéo AI theo những hướng khác nhau.
Muốn hoàn thành nhanh, AI cần giảm bớt những bước người dùng phải làm.
Muốn người dùng học, AI cần giữ lại một số bước và buộc họ tham gia.
Vì vậy, trước mỗi cuộc trò chuyện, hãy xác định mục tiêu chính.
Hôm nay bạn cần sản phẩm, cần học hay cần cả hai theo từng giai đoạn?
Nếu cần cả hai, hãy tách quá trình. Hoàn thành công việc trước, rồi mở một lượt trò chuyện khác để phân tích cách làm, kiểm tra hiểu biết và rút ra nguyên tắc có thể sử dụng lần sau.
AI tốt không chỉ làm tăng chất lượng đầu ra
Chúng ta thường đánh giá công cụ AI bằng tốc độ và chất lượng sản phẩm.
Hai tiêu chí này rất quan trọng nhưng với những công việc còn cần phát triển năng lực con người, chúng chưa đủ.
Một hệ thống hỗ trợ tốt còn cần giúp người dùng hiểu mình đang làm gì, nhận ra giới hạn của kết quả và dần đưa ra những quyết định tốt hơn.
AI đã giúp bạn hoàn thành việc gì?
Và sau khi hoàn thành, điều gì sẽ ở lại với bạn?
Hai câu trả lời có thể rất khác nhau.
Trong những lần gần đây dùng AI để học hoặc làm việc, bạn thấy mình đang dùng nó nhiều hơn như máy trả lời, người hướng dẫn hay người kiểm tra?
Nguồn tham khảo
Wiles và cộng sự, Generative AI and the Temporary Upskilling of Knowledge Workers, 2026.
Bastani và cộng sự, Generative AI Without Guardrails Can Harm Learning, 2025.
Risko & Gilbert, Cognitive Offloading, 2016.
Fisher, Goddu & Keil, Searching for Explanations, 2015.