Trong phần trước, tôi đề xuất một vòng lặp làm việc giữa con người và AI:

1. Human đặt đề bài và cung cấp context.
2. AI phân tích, mở rộng và reframe vấn đề.
3. Human chọn lại khung vấn đề.
4. AI đề xuất giải pháp và tự phản biện.
5. Human review, đưa ra judgement và quyết định.
6. Human ghi lại bài học để cải tiến workflow.

Trên lý thuyết, vòng lặp này nghe tương đối hợp lý.

Nhưng câu hỏi quan trọng hơn là:

Khi đưa cách làm này vào công việc thật, human và AI có thực sự tạo ra kết quả tốt hơn không?

Câu trả lời không đơn giản là có hoặc không.

Trong một số workflow, AI giúp người làm việc nhanh hơn, tốt hơn và rút ngắn nhiều năm tích lũy kinh nghiệm. Nhưng ở một số tình huống khác, chính sự tự tin và trôi chảy của AI lại khiến con người đưa ra quyết định tệ hơn.

Điểm khác biệt không chỉ nằm ở khả năng của model.

Nó nằm ở cách công việc được phân chia giữa con người và AI.

Case 1: Chuyên gia tư vấn làm nhanh và tốt hơn — cho đến khi AI bước ra ngoài vùng năng lực của nó

Nghiên cứu *Navigating the Jagged Technological Frontier* được thực hiện với 758 chuyên gia tư vấn của Boston Consulting Group. Những người tham gia làm các nhiệm vụ gần với công việc tư vấn thật, như phân tích thị trường, phát triển ý tưởng sản phẩm và đưa ra đề xuất.

Ở các nhiệm vụ nằm trong vùng năng lực của GPT-4, người dùng AI:

• Hoàn thành nhiều task hơn.
• Làm nhanh hơn khoảng 25%.
• Tạo ra kết quả có chất lượng cao hơn 40%.
• Nhóm có năng lực ban đầu thấp hưởng lợi nhiều nhất.

Nhưng ở một nhiệm vụ nằm ngoài “technological frontier” của AI, người dùng AI lại ít có khả năng tìm được đáp án đúng hơn nhóm không dùng AI khoảng 19 điểm phần trăm.

Điều đáng chú ý không chỉ là AI trả lời sai. Những chuyên gia được đào tạo bài bản vẫn có xu hướng tin vào câu trả lời sai vì nó được trình bày mạch lạc và có vẻ hợp lý.

Nguồn: Dell’Acqua và cộng sự — Navigating the Jagged Technological Frontier

Workflow hoạt động ở đâu?

Human đặt mục tiêu → AI mở rộng không gian giải pháp → Human lựa chọn và hoàn thiện.

AI giúp người tư vấn không phải bắt đầu từ trang trắng và có thêm nhiều phương án để phân tích.

Workflow hỏng ở đâu?

Nó hỏng khi output của AI không còn được xem là một giả thuyết cần kiểm tra, mà trở thành một nguồn có thẩm quyền.

Khi đó, vòng lặp biến thành:

Human hỏi → AI trả lời → Human hợp thức hóa câu trả lời.

Bài học

Trước khi hỏi model có thông minh hay không, hãy hỏi:

AI có thực sự giỏi loại task này không, và khi nó sai thì con người có dễ phát hiện không?

---

Case 2: AI truyền tri thức ngầm của nhân viên giỏi cho người mới

Nghiên cứu *Generative AI at Work* theo dõi việc triển khai một trợ lý AI cho 5.172 nhân viên chăm sóc khách hàng.

AI theo dõi cuộc hội thoại và đề xuất cách phản hồi, trình tự xử lý và hướng giải quyết. Kết quả cho thấy năng suất trung bình tăng khoảng 15%.

Nhưng lợi ích không phân bổ đều:

• Nhân viên ít kinh nghiệm và có năng lực ban đầu thấp cải thiện cả tốc độ lẫn chất lượng.
• Nhân viên giàu kinh nghiệm chỉ tăng nhẹ về tốc độ.
• Nhóm giỏi nhất có thể giảm nhẹ về chất lượng trong một số trường hợp.

Điểm quan trọng hơn là AI dường như đã hấp thụ một phần tacit knowledge — tri thức ngầm từ lịch sử hội thoại của những nhân viên giỏi, rồi đưa các pattern đó vào workflow của người mới.

Nguồn: Brynjolfsson, Li và Raymond — Generative AI at Work, NBER

Workflow thực tế

1. Khách hàng đưa ra vấn đề.
2. Nhân viên đọc context và xác định mục tiêu.
3. AI tìm các pattern tương tự trong lịch sử.
4. AI đề xuất hành động hoặc cách phản hồi.
5. Nhân viên quyết định dùng, sửa hay bỏ đề xuất.
6. Kết quả tiếp tục trở thành dữ liệu học cho hệ thống.

Ở đây, AI không chỉ tạo output. Nó hoạt động như một lớp trí nhớ tập thể.

Bài học

AI có thể biến kinh nghiệm cá nhân thành năng lực của tổ chức — nhưng chỉ khi tổ chức có vòng lặp ghi nhận, đo lường và cập nhật workflow.

Nếu không có bước đó, AI chỉ giúp một người hoàn thành một task nhanh hơn.

---

Case 3: AI giúp lập trình viên viết code nhanh hơn, nhưng không tự động tạo ra hiểu biết sâu hơn

Trong một thử nghiệm có đối chứng, các lập trình viên được yêu cầu xây dựng một HTTP server bằng JavaScript. Nhóm được sử dụng GitHub Copilot hoàn thành bài tập nhanh hơn 55,8% so với nhóm không dùng AI.

Nguồn: Peng và cộng sự — The Impact of AI on Developer Productivity

Một thử nghiệm khác với 96 kỹ sư phần mềm toàn thời gian tại Google ghi nhận AI làm giảm thời gian thực hiện một task enterprise phức tạp khoảng 21%, dù khoảng tin cậy còn rộng và nhóm nghiên cứu cảnh báo không nên áp dụng con số này cho mọi môi trường.

Nguồn bổ sung: Paradis và cộng sự — How much does AI impact development speed?

Những kết quả này dễ dẫn đến kết luận rằng AI viết code nhanh nên AI làm lập trình viên giỏi hơn. Nhưng tốc độ tạo code không đồng nghĩa với việc hiểu kiến trúc, edge case, bảo mật hay technical debt.

Workflow hiệu quả không phải “AI viết — human nhận”

1. Human xác định requirement và constraint.
2. Human chia vấn đề thành module nhỏ.
3. AI đề xuất code hoặc cách triển khai.
4. Human đọc, chạy test và kiểm tra edge case.
5. AI hỗ trợ tìm lỗi hoặc tạo test bổ sung.
6. Human quyết định code có phù hợp với hệ thống tổng thể hay không.
7. Team ghi lại pattern, lỗi và convention.

Bài học

AI làm giảm cost of production, nhưng có thể làm tăng cost of verification.

Khi code, báo cáo và kế hoạch được tạo ra gần như tức thì, giá trị của con người chuyển sang:

• Kiểm chứng.
• Lựa chọn.
• Đánh giá trade-off.
• Chịu trách nhiệm về kết quả cuối cùng.

---

Case 4: Trong sàng lọc ung thư vú, AI có giá trị vì được đặt đúng vị trí trong workflow

Thử nghiệm MASAI tại Thụy Điển nghiên cứu AI trong quy trình đọc ảnh mammography. AI phân tích hình ảnh, chấm điểm rủi ro và đánh dấu vùng đáng nghi để hỗ trợ bác sĩ X-quang.

Trong phân tích an toàn tạm thời trên hơn 80.000 phụ nữ, nhóm có AI phát hiện nhiều ca ung thư hơn và giảm khối lượng đọc phim của bác sĩ khoảng 44%, mà không làm tăng tỷ lệ dương tính giả theo kết quả ban đầu.

Nguồn: Lång và cộng sự — Artificial intelligence-supported screen reading versus standard double reading in the MASAI trial, The Lancet Oncology

Điều quan trọng là AI không được đặt vào vị trí:

“Đây là kết luận, bác sĩ hãy làm theo.”

Nó được dùng để:

• Rà soát khối lượng dữ liệu lớn.
• Xếp hạng mức độ rủi ro.
• Đánh dấu bất thường.
• Hướng sự chú ý của bác sĩ vào những trường hợp cần judgement.

Workflow thực tế

1. AI đọc và xếp hạng ảnh.
2. AI đánh dấu vùng đáng chú ý.
3. Bác sĩ tập trung vào các trường hợp cần chuyên môn.
4. Bác sĩ đưa ra kết luận lâm sàng.
5. Kết quả thật được theo dõi để đánh giá cả model lẫn quy trình.

Bài học

Trong nhiều công việc, giá trị lớn nhất của AI không phải là quyết định thay con người.

Nó là:

Nói cho con người biết nên nhìn vào đâu.

---

Key takeaways

1. Workflow quan trọng hơn model

Một model rất mạnh vẫn có thể làm giảm chất lượng công việc nếu được giao sai task hoặc đặt sai vị trí trong quy trình.

Câu hỏi đúng không phải là “AI này mạnh đến đâu?”, mà là “AI nên làm bước nào trong workflow này?”

2. Chia nhỏ task trước khi giao cho AI

Các case thành công đều dùng AI cho một nhiệm vụ tương đối rõ:

• Tạo phương án cho consultant.
• Gợi ý phản hồi cho support agent.
• Viết một phần code.
• Sàng lọc và ưu tiên ảnh y khoa.

Càng giao một mục tiêu mơ hồ, càng khó biết phần nào trong output đáng tin.

3. Human không chỉ xuất hiện ở bước approve cuối cùng

Human cần có mặt ở nhiều điểm:

• Trước AI: xác định mục tiêu, context và giới hạn.
• Trong quá trình: chọn framing, kiểm tra giả định và yêu cầu bằng chứng.
• Sau AI: quyết định, chịu trách nhiệm và theo dõi kết quả.

Human in the loop không có nghĩa là con người bấm duyệt ở cuối.

4. AI giúp người mới đạt output tốt hơn, nhưng chưa chắc xây được judgement

AI có thể giúp người ít kinh nghiệm tiếp cận nhanh với best practice của người giỏi.

Nhưng nếu AI luôn đưa đáp án trước, người mới có thể tạo ra output giống senior mà không hình thành được cách suy nghĩ của senior.

Workflow học tập nên buộc con người:

• Tự đưa ra nhận định trước.
• Giải thích vì sao chọn hoặc bỏ gợi ý của AI.
• Ghi lại bài học sau task.

5. Khi production trở nên rẻ, verification trở nên đắt

AI làm cho việc tạo code, báo cáo, kế hoạch và nội dung trở nên rất nhanh.

Nhưng chính vì output tăng lên, nhu cầu kiểm tra, lựa chọn và đánh giá cũng tăng theo.

Giá trị của con người dịch chuyển từ tạo bản nháp sang kiểm chứng và judgement.

6. Workflow phải học từ kết quả thật

Vòng lặp ngắn:

Prompt → Output → Sử dụng

không đủ để biết AI có tạo ra giá trị hay không.

Vòng lặp cần thiết là:

Vấn đề → Đề xuất → Quyết định → Hành động → Kết quả thật → Bài học → Workflow mới

Nếu không đo kết quả thật, chúng ta chỉ biết output trông có vẻ tốt — không biết nó có thực sự tốt hay không.

---

Có lẽ chúng ta không nên hỏi:

“AI có làm được việc này không?”

Một câu hỏi tốt hơn là:

“Trong workflow này, AI nên làm phần nào, con người nên làm phần nào, và hai bên kiểm tra lẫn nhau ở đâu?”

Một workflow human–AI tốt không được thiết kế để AI đồng ý với con người.

Nó phải tạo ra ma sát nhận thức vừa đủ:

• AI buộc human nhìn thấy những khả năng mình chưa nghĩ tới.
• Human buộc AI phải chứng minh, kiểm tra và sửa lại đề xuất.
• Kết quả thực tế buộc cả hai phải cập nhật cách làm.

Khi đó, tư duy không còn chỉ là kinh nghiệm của riêng tôi.

Nó trở thành một hệ thống mở: liên tục tiếp nhận góc nhìn mới, kiểm tra giả định và học lại từ chính những gì đã xảy ra.