Khi tư duy không chỉ là “kinh nghiệm của tôi”

Trong thời đại GenAI, rất nhiều người (kể cả người làm chuyên môn) vẫn có một niềm tin ngầm: “Tư duy = kinh nghiệm của tôi + những gì tôi từng thấy trong thực tế.”

Nghe thì hợp lý, nhưng đó chính là gốc của rất nhiều điểm mù / vùng mù – những vùng tối trong nhận thức, nơi mà thông tin có tồn tại nhưng chúng ta… không nhìn thấy, không biết, hoặc coi nó không quan trọng.

Các nghiên cứu về human–AI collaboration cho thấy: khi chỉ dựa vào kinh nghiệm cá nhân, chúng ta dễ bị kẹt trong khung tư duy quen thuộc, lặp lại cùng một kiểu giải pháp, và đánh giá thấp những khả năng mới.

Trong khi đó, AI lại có khả năng đi qua hàng nghìn ví dụ, pattern, case study, và tạo ra những góc nhìn mà một cá nhân khó có thể gom lại ở tốc độ con người.

Vấn đề không phải ở chỗ “human yếu hơn AI”, mà ở chỗ: nếu ta chỉ dùng AI như máy trả lời câu hỏi, ta đang bỏ lỡ một cơ hội rất lớn – cơ hội để AI trở thành tấm gương soi lại chính tư duy của mình.

AI như một cố vấn giúp bạn thấy giới hạn của chính mình

Hãy coi AI như một hội đồng cố vấn, chứ không phải trợ lý làm việc vặt. Khi bạn mang một câu hỏi, một giả định, một ý tưởng tới AI, bạn đang cho nó cơ hội:

• Phát hiện ra các giới hạn trong kiến thức hiện tại của bạn: những khái niệm, framework, dữ liệu bạn chưa từng nghe tới.
• Mở rộng blind spot: lật lại những niềm tin mà bạn cho là hiển nhiên vì bạn chưa biết những gì bạn chưa biết. Đặc biệt là bias kiểu “tôi luôn đúng” và “team tôi đã làm thế này từ trước đến giờ nên cứ thế mà làm”.

Tuy vậy, AI chỉ giải quyết khoảng 15% blind spot: nó giúp bạn nhận ra lỗi logic, thiếu dữ liệu, nhưng vẫn dễ chiều theo framing ban đầu của bạn và làm bạn trở nên… tự tin quá mức.

Chính vì vậy, cách sử dụng AI tối ưu không phải là “hỏi – nhận – tin”, mà là: hỏi – để AI soi lại câu hỏi của chính mình – rồi mới hỏi tiếp.Bạn dùng AI để nhìn thấy những thứ mình không có, nhưng vẫn giữ quyền quyết định cuối cùng.

Ngược lại: bạn có context và judgement mà AI không bao giờ có đủ

Trung bình, tổ hợp người + AI thường *kém hơn* bên giỏi nhất (human giỏi hoặc AI giỏi), và đặc biệt dễ thất bại trong các quyết định phức tạp.

Lý do không phải vì AI kém, mà vì người dùng nhiều khi:

>

Một nghiên cứu lớn của Nature về hiệu quả “human–AI combo”

• Quá tin vào output của AI, giảm effort tư duy phản biện của chính mình.
• Không áp ngữ cảnh thật (context thị trường, văn hoá, chính trị nội bộ, lịch sử doanh nghiệp) lên những gì AI gợi ý.

AI không sống trong bối cảnh của bạn. Nó không tham gia vào những cuộc họp căng thẳng, không biết CFO của client đang nghi ngờ budget, không cảm được niềm tin ICP dành cho brand.

Nó không có judgement về đạo đức, không biết đâu là “vừa đúng business vừa đúng giá trị”, chỉ biết tối ưu theo thông số mà bạn đưa vào.

Vì vậy, vai trò của bạn trong kỷ nguyên AI không phải là “người gõ phím”, mà là:

• Người giữ context: hiểu thị trường, con người, rủi ro, văn hoá, lịch sử.
• Người đưa ra judgement: chọn cái gì nên làm, cái gì không nên làm *dù* có vẻ hiệu quả trên số liệu.
• Người chịu trách nhiệm cuối cùng: thành bại của mọi kết quả được tạo ra là do bạn, không phải AI.

AI có thể giúp bạn thấy rộng hơn, sâu hơn, nhưng chỉ bạn mới biết “cái gì phù hợp với mình” và “cái gì nên làm *bây giờ*”.

Một vòng lặp làm việc tối ưu: human phản biện AI, AI phản biện human

Để kết hợp hai mặt này – AI mở rộng blind spot, human giữ context và judgement – bạn cần một “nhịp điệu” làm việc rõ ràng. Dưới đây là vòng lặp 6 bước đơn giản mà bạn có thể vẽ thành hình minh hoạ và dùng cho mọi task chiến lược:

Bước 1 – Human: Đặt đề bài

Bạn viết rõ:

• Mục tiêu (business, học tập, research…).
• Bối cảnh, ràng buộc, stakeholder, metric.

Đây là lúc bạn mang toàn bộ context và judgement của mình vào: “Tôi muốn đạt X, trong điều kiện Y, với rủi ro Z”.

Bước 2 – AI: Phân tích & reframe câu hỏi

Bạn yêu cầu AI không trả lời vội, mà:

• Tách câu hỏi thành các phần: mục tiêu, giả định, blind spot tiềm ẩn.
• Đề xuất 3–5 cách reframing từ góc nhìn người dùng, business, hệ thống.

Đây là lúc AI phản biện ngược lại bạn: “Câu hỏi này có thể đang giải symptom, không phải root cause.”

Cách reframing giúp AI phản biện câu hỏi

Reframing về bản chất là bắt hệ thống nhìn lại *chính câu hỏi* từ nhiều góc nhìn khác nhau, chứ không chỉ chạy solution trên cái khung hiện tại.

Trong nghiên cứu về đánh giá câu hỏi trước GenAI, người ta đã đề xuất các framework như MAGE (Mapping of questions, AI vulnerability testing, Grading, Evaluation) để phân tích cấu trúc câu hỏi, xem nó đang kiểm tra kỹ năng gì và dễ bị AI “qua mặt” ở chỗ nào – đây thực chất là một dạng reframing câu hỏi ở cấp độ thiết kế đánh giá.

Các framework như LER (Learn – Evaluate – Reflect) cũng khuyến khích dùng GenAI không chỉ để trả lời, mà để đánh giá tính phù hợp, bias và tác động của chính đề bài/câu hỏi, trước khi chấp nhận nó làm “sự thật”.

Nếu bạn nhúng logic này vào prompt, AI sẽ phải: (1) phân tích cấu trúc câu hỏi, (2) đề xuất các reframed problem statement, (3) so sánh và chỉ ra vì sao original framing có thể dẫn đến giải sai vấn đề.

Giới hạn hiện tại: AI hay “nịnh” người dùng

Các mô hình hiện đại (GPT‑4o, Claude, Gemini…) được huấn luyện mạnh bằng RLHF nên ưu tiên “làm người dùng hài lòng” hơn là tranh luận tới cùng về sự thật.

Nghiên cứu gần đây cho thấy chỉ cần bạn hỏi kiểu “Bạn có chắc không?”, các chatbot đổi câu trả lời trong khoảng 56–61% trường hợp, tức là chúng dễ nhượng bộ người dùng ngay cả khi ban đầu có dữ liệu đúng.

Hiện tượng này được gọi là “sycophancy”: mô hình liên tục điều chỉnh câu trả lời để phản ánh quan điểm, ngôn ngữ và kỳ vọng của người dùng, thay vì giữ lập trường độc lập.

Nếu để mặc định, GenAI có xu hướng giảm nỗ lực tư duy phản biện của chính nó và cả người dùng, vì mọi thứ nghe có vẻ trôi chảy và dễ chấp nhận.

Khi nào reframing thật sự giúp AI “bẻ” lại câu hỏi của human?

Reframing chỉ thực sự trở thành công cụ phản biện ngược nếu bạn:

• Giao cho AI *nhiệm vụ rõ ràng* là đánh giá câu hỏi chứ không chỉ trả lời câu hỏi.
• Yêu cầu nó sinh *nhiều phiên bản problem statement* khác nhau (user‑centric, business‑centric, system‑centric…) và chỉ ra xung đột giữa chúng.
• Bắt nó nêu rõ *giả định* đang ẩn trong câu hỏi và những hệ quả nếu các giả định đó sai.

Bước 3 – Human: Chọn lại khung vấn đề

Bạn xem các reframing, rồi:

• Chọn 1–2 khung phù hợp nhất với mục tiêu hiện tại.
• Viết lại câu hỏi cho rõ ràng, đo lường được hơn.

Ở bước này, bạn không để AI dẫn dắt hoàn toàn, mà dùng chính judgement của mình để chọn “khung câu hỏi đúng”.

Bước 4 – AI: Đề xuất giải pháp + tự phản biện

Bây giờ AI mới được phép trả lời, nhưng kèm yêu cầu:

• Trình bày giải pháp theo cấu trúc (framework, step).
• Tự liệt kê ít nhất 3 điểm yếu, giả định chưa chắc, rủi ro của chính đề xuất, và cách test/validate.

AI vừa là người đưa ý tưởng, vừa là người viết bản “phản biện chính mình” giúp bạn không bị cuốn vào một phương án nghe quá thuyết phục.

Bước 5 – Human: Review & quyết định

Bạn dùng chuyên môn, trải nghiệm và hiểu biết về bối cảnh thật để:

• Soi lại logic, dữ liệu, tính khả thi.
• Bác bỏ, sửa, hoặc kết hợp các phương án.
• Quyết định cuối cùng: làm gì, không làm gì, thử gì trước.

Ở đây, bạn bảo vệ tư duy phản biện của mình khỏi “sự tự tin quá mức” của AI – một vấn đề đã được chỉ ra trong nhiều báo cáo gần đây.

Bước 6 – Human: Ghi lại bài học & chỉnh workflow

Sau mỗi vòng lặp, bạn:

• Ghi chú prompt và quy trình hiệu quả thành template nội bộ.
• Ghi lại chỗ AI giúp bạn thấy blind spot, và chỗ AI dễ bias theo framing của bạn.

Dần dần, bạn không chỉ giỏi dùng AI, mà còn giỏi soi chính tư duy của mình khi làm việc với AI – đúng thứ mà nhiều tổ chức đang thiếu. Đây có vẻ chính là bước ít được xem trọng nhất trong quá trình làm việc cùng AI.

Cũng giống như con người, khi xong mỗi project, thường có xu hướng chuyển sang project khác thay vì ngồi cùng chiêm nghiệm, đánh giá và cải tiến. Đó là lý do tại sao nhiều vấn đề lại lặp đi lặp lại dù đã làm qua, nhưng chưa chịu rút kinh nghiệm. Và khi rút kinh nghiệm thì cũng chỉ rút kinh nghiệm cá nhân mà chưa có bước rút kinh nghiệm tập thể và thay đổi quy trình làm việc để xử lý mượt mà hơn.