Vì sao câu này gây phản ứng
Nhiều người phản ứng khi nghe câu: “AI đã đạt đến mức độ tri thức hơn 99% người bình thường, nhưng chuyên gia thật sự nằm ở khoảng 1% còn lại.”
Phản ứng đó có lý, nếu người ta hiểu câu này theo nghĩa AI đã trở thành một chuyên gia toàn diện. Theo nghĩa đó, AI chưa phải là bác sĩ, kỹ sư trưởng, luật sư, nhà báo, nhà khoa học, nhà quản trị hay nhà tư vấn chiến lược như một con người thật sự. Nó không sống trong hiện trường. Nó không chịu trách nhiệm trước bệnh nhân, khách hàng, tòa án, tổ chức, cộng đồng hay lương tâm nghề nghiệp của chính mình. Nó không mang trên vai ký ức của những thất bại, những ca khó, những quyết định sai, những đêm mất ngủ, và những lần phải trả giá bằng danh dự nghề nghiệp.
Nhưng nếu vì thế mà nói “AI còn lâu mới đạt trình độ chuyên gia”, thì lại là một cách nói quá dễ dãi.
Điều cần làm rõ là chữ “tri thức”. Tôi nói điều này không phải từ một cảm hứng nhất thời sau vài tháng dùng AI. Gần 10 năm trước, tôi đã tham gia giảng dạy các khóa về quản trị tri thức (knowledge management) cho doanh nghiệp Việt Nam, trong đó có nhiều chương trình dành cho CEO cùng anh Nguyễn Thanh Sơn, Chủ tịch MVV Group. Khi ấy, câu chuyện của chúng tôi chưa phải là AI sinh nội dung, mà là làm thế nào để tổ chức nhận diện, lưu giữ, chia sẻ và chuyển hóa tri thức thành năng lực cạnh tranh. Nói cách khác, vấn đề tri thức hiển ngôn và tri thức ngầm không phải là khái niệm mới với tôi. AI chỉ làm cho câu chuyện cũ ấy trở nên cấp bách hơn, nhanh hơn và đôi khi khắc nghiệt hơn.
Nếu nói về con người chuyên gia như một chủ thể có phán đoán, kinh nghiệm, trách nhiệm và khả năng hành động trong bối cảnh mơ hồ, AI chưa thể thay thế. Nhưng nếu nói về phần tri thức có thể được viết ra, chuẩn hóa, kiểm tra, chấm điểm, đưa vào quy trình, biến thành bài kiểm tra hoặc sản phẩm bàn giao, thì AI không còn đứng ngoài cổng thành nữa. Nó đã bước vào trong.
Câu “hơn 99% người bình thường” vì vậy không nên được hiểu như một thống kê dân số chính xác. Nó nên được hiểu như một cách nói về mặt bằng tri thức hiển ngôn (explicit knowledge). Ở lớp tri thức này, các mô hình hàng đầu đã vượt xa phần lớn người dùng phổ thông, và trong một số lát cắt cụ thể, đã chạm tới hoặc vượt qua năng lực chuyên gia trong bài đánh giá đóng.
Có hai loại tri thức rất khác nhau
Có một loại tri thức gọi là tri thức hiển ngôn (explicit knowledge). Đó là những gì có thể viết ra, lưu trữ, số hóa, đưa vào sách, tài liệu, báo cáo, quy trình, mã nguồn, hồ sơ, bài giảng, bài kiểm tra, hoặc bảng đánh giá chuẩn (benchmark). Loại tri thức này là phần nhân loại đã đặt lên mặt bàn. Nó có thể được đọc, được trích xuất, được đối chiếu, được chấm điểm, được huấn luyện, và cuối cùng được chưng cất (distill) vào mô hình.
Có một loại tri thức khác là tri thức ngầm (tacit knowledge). Đó là những gì không dễ viết ra thành quy trình. Nó nằm trong con mắt của người thầy thuốc khi thấy một dấu hiệu không khớp. Nó nằm trong trực giác của kỹ sư trưởng khi nhìn một cấu hình tưởng đúng nhưng biết rằng hệ thống sẽ gãy ở tải thật. Nó nằm trong sự cảnh giác của chuyên gia an toàn thông tin khi thấy một chi tiết nhỏ có mùi cửa hậu. Nó nằm trong kinh nghiệm của nhà tư vấn khi biết một chiến lược đẹp trên slide sẽ chết ngay khi chạm vào văn hóa tổ chức. Nó nằm trong sự im lặng của người từng trải, khi họ không vội gật đầu trước một lời giải nghe rất hợp lý.
AI đang ăn rất nhanh loại tri thức thứ nhất. Điều này không còn là cảm nhận. Nó đã hiện ra trong các bảng đánh giá chuẩn mới nhất.
Các bảng đánh giá chuẩn đang nói gì
Theo công bố của OpenAI về GPT 5.5, mô hình này đạt 58,6% trên SWE Bench Pro, một bài đánh giá xử lý các vấn đề phần mềm thật trên GitHub. Nó cũng đạt 82,7% trên Terminal Bench 2.0, bài kiểm tra các quy trình dòng lệnh phức tạp, đòi hỏi lập kế hoạch, lặp lại và phối hợp công cụ. Trong cùng bảng so sánh, Claude Opus 4.7 đạt 64,3% trên SWE Bench Pro và 69,4% trên Terminal Bench 2.0.
Đây không còn là năng lực “viết vài đoạn mã cho vui”. Đây là năng lực tiến vào vùng công việc kỹ thuật có cấu trúc rõ, có môi trường thật, có lỗi thật, có thao tác thật, và có tiêu chí đánh giá tương đối cụ thể.
Ở nhóm công việc tri thức chuyên nghiệp, GPT 5.5 đạt 84,9% trên GDPval theo thước đo thắng hoặc hòa (wins or ties), còn Claude Opus 4.7 đạt 80,3%. GDPval được OpenAI mô tả là bảng đánh giá đo năng lực của tác tử AI trong việc tạo ra sản phẩm tri thức có đặc tả rõ ở 44 nghề. Nói cách khác, đây là nỗ lực đo năng lực AI không chỉ bằng bài thi học thuật, mà bằng các sản phẩm gần hơn với công việc thật trong doanh nghiệp.
Ở nhóm sử dụng máy tính và vận hành quy trình, GPT 5.5 đạt 78,7% trên OSWorld Verified, còn Claude Opus 4.7 đạt 78,0%. GPT 5.5 cũng đạt 98,0% trên Tau2 bench Telecom với lời nhắc gốc, không tinh chỉnh riêng. Những con số này cho thấy mô hình không chỉ trả lời câu hỏi, mà đang tiến vào vùng thao tác phần mềm, dùng công cụ, hiểu quy trình và hoàn thành công việc nhiều bước.
Ở nhóm tri thức học thuật, GPT 5.5 đạt 93,6% trên GPQA Diamond, còn Claude Opus 4.7 đạt 94,2%. GPT 5.5 cũng đạt 80,5% trên BixBench, 51,7% trên FrontierMath Tier 1 đến 3, và 41,4% trên Humanity’s Last Exam khi không dùng công cụ. Claude Opus 4.7 đạt 46,9% trên Humanity’s Last Exam khi không dùng công cụ, và 54,7% khi dùng công cụ.
Riêng GPQA rất đáng chú ý. Bài gốc GPQA gồm các câu hỏi trắc nghiệm cấp sau đại học trong sinh học, vật lý và hóa học, do chuyên gia trong ngành viết ra. Trong nghiên cứu GPQA, những người có hoặc đang theo đuổi bằng tiến sĩ trong đúng lĩnh vực đạt 65%, hoặc 74% nếu loại các lỗi rõ ràng mà chính chuyên gia nhận ra sau đó. Những người giỏi nhưng không đúng chuyên ngành chỉ đạt 34%, dù được dùng web hơn 30 phút. Khi các mô hình mới đạt trên 93% ở GPQA Diamond, ta không thể tiếp tục nói đơn giản rằng AI chỉ là “máy nhại chữ”.
Claude Opus 4.7 cũng cho thấy xu hướng tương tự từ phía Anthropic. Anthropic công bố Opus 4.7 đã khả dụng rộng rãi, cải thiện rõ trong kỹ thuật phần mềm nâng cao, đặc biệt ở các nhiệm vụ khó và kéo dài. Một khách hàng thử nghiệm cho biết trên bảng đánh giá lập trình nội bộ 93 tác vụ, Opus 4.7 tăng tỷ lệ giải quyết thêm 13% so với Opus 4.6, gồm cả bốn tác vụ mà Opus 4.6 và Sonnet 4.6 đều không giải được. Tài liệu của Anthropic cũng nhấn mạnh Opus 4.7 có cải thiện trong các tác vụ nhiều bước, lập trình tác tử (agentic coding), hiểu tài liệu, thị giác độ phân giải cao và công việc dài hơi.
Những số liệu này không chứng minh rằng AI đã thay thế chuyên gia.
Tôi cũng nhìn vấn đề này từ một trải nghiệm rất gần: quá trình viết cuốn Đạo đức AI: Nguyên tắc và thực hành. Khi đi qua các chương về nguyên tắc, rủi ro, quản trị, dữ liệu, thiên lệch, minh bạch, trách nhiệm giải trình, bảo mật, y tế, giáo dục, luật pháp và doanh nghiệp, tôi càng thấy rõ một điều: năng lực AI không thể chỉ được đo bằng câu trả lời đúng. Câu trả lời đúng trong một bảng đánh giá chuẩn vẫn chưa đủ để tạo ra một hệ thống AI đáng tin cậy. Phần khó hơn nằm ở chỗ ai định nghĩa mục tiêu, ai kiểm tra rủi ro, ai chịu trách nhiệm khi mô hình sai, ai bảo vệ người bị ảnh hưởng, và tổ chức nào đủ năng lực để biến nguyên tắc đạo đức thành thực hành vận hành hằng ngày. Đó chính là nơi chuyên gia thật sự vẫn còn vai trò rất lớn.
Nhưng chúng đủ để bác bỏ cách nói quá an toàn rằng “AI còn lâu mới đạt trình độ chuyên gia”. Nói chính xác hơn, AI đã chạm tới, và trong một số lát cắt đã vượt qua, vùng năng lực chuyên gia ở những phần việc có thể chuẩn hóa, mô tả bằng tiêu chí, chấm điểm bằng đáp án, kiểm tra bằng test, hoặc đánh giá bằng sản phẩm bàn giao.
Đó là điểm mấu chốt.
AI chưa thay thế chuyên gia như một con người chịu trách nhiệm, nhưng AI đang ăn rất nhanh phần tri thức có thể viết ra.
Chuyên gia không còn được bảo vệ bởi việc biết nhiều
Ngày xưa, biết nhiều là một lợi thế rất lớn. Một người đọc nhiều hơn, nhớ nhiều hơn, tổng hợp tốt hơn, có thể đứng cao hơn người khác một bậc. Hôm nay, lợi thế đó vẫn còn, nhưng không còn đủ. Bởi AI đọc rộng hơn ta, nhớ lâu hơn ta, đối chiếu nhiều nguồn hơn ta, và trong nhiều bài kiểm tra đóng, nó làm tốt hơn phần lớn con người.
Vì vậy, chuyên gia không còn được bảo vệ chỉ bằng việc “biết nhiều hơn người bình thường”.
Nếu giá trị của một chuyên gia chỉ nằm ở việc nhớ nhiều kiến thức, đọc nhiều báo cáo, tổng hợp nhanh, viết slide tốt, trích dẫn đúng, lập luận có vẻ mạch lạc, hoặc lặp lại những gì đã có trong sách vở, thì phần giá trị đó đang bị làm rẻ đi rất nhanh. Nói theo ngôn ngữ kinh tế, phần chuyên môn ấy đang bị hàng hóa hóa (commoditization). Khi một năng lực từng hiếm trở nên dễ tiếp cận, rẻ hơn, nhanh hơn và có thể được đóng gói thành dịch vụ phổ biến, thì giá trị biên của nó sẽ giảm rất mạnh.
Đây là điểm tôi thấy rất gần với khái niệm đứng trên thuật toán (Above the Algorithm) trong cuốn Reshuffle: Who wins when AI restacks the knowledge economy của Sangeet Paul Choudary, một cuốn sách mới mà tôi nghĩ những ai quan tâm đến AI và kinh tế tri thức nên đọc kỹ. Ý chính không phải là con người phải chạy đua với thuật toán ở những việc thuật toán làm ngày càng tốt hơn. Ý chính là phải tìm lại vị trí tạo giá trị ở phía trên thuật toán, nơi con người thiết kế bối cảnh, định nghĩa vấn đề, hấp thụ rủi ro, tạo niềm tin, ra quyết định và chịu trách nhiệm.
Điều này hơi khó chịu, nhưng phải nói thẳng. Nhiều người trong các lĩnh vực tri thức từng sống rất lâu nhờ khoảng cách thông tin. Họ biết một số khái niệm mà người khác không biết. Họ đọc một số tài liệu mà người khác chưa đọc. Họ có một số mẫu báo cáo, mẫu hợp đồng, mẫu kế hoạch, mẫu chiến lược, mẫu phân tích mà khách hàng hoặc đồng nghiệp chưa từng thấy. Trong một thời gian dài, sự bất cân xứng thông tin ấy tạo ra uy quyền.
AI đang làm sụp xuống phần uy quyền dựa trên bất cân xứng thông tin đơn giản đó.
Khi một sinh viên có thể hỏi AI để hiểu một khái niệm phức tạp, khi một nhân viên trẻ có thể dùng AI để đọc báo cáo tài chính, khi một nhà quản lý có thể dùng AI để tạo bản nháp chiến lược, khi một kỹ sư có thể nhờ AI rà lỗi, viết test và đề xuất refactor, thì phần “biết nhiều hơn” không còn là lâu đài kiên cố.
Nó chỉ còn là bức tường thấp. Và nước đang dâng lên rất nhanh.
Vì vậy, câu hỏi chiến lược của chuyên gia không còn là “làm thế nào để biết nhiều hơn AI?”. Câu hỏi đúng hơn là: “tôi đang tạo giá trị ở tầng nào mà AI chưa dễ biến thành hàng hóa rẻ?”. Nếu vẫn đứng ở tầng tổng hợp thông tin, trình bày lại kiến thức và thực thi theo mẫu, ta đang đứng trong vùng bị thuật toán nén giá. Nếu đi lên tầng phán đoán, thiết kế vấn đề, hiểu bối cảnh, quản trị rủi ro và chịu trách nhiệm, ta mới bắt đầu bước vào vùng đứng trên thuật toán.
Hào bảo vệ thật sự là chuyên môn theo lĩnh vực
Hào bảo vệ (moat) của chuyên gia phải nằm ở chỗ khác.
Nó nằm ở năng lực chuyên môn theo lĩnh vực (domain expertise) đúng nghĩa. Không phải chỉ “biết về lĩnh vực đó”, mà là sống đủ lâu trong lĩnh vực đó để hiểu những điều tài liệu không nói hết.
Một bác sĩ giỏi không chỉ đọc triệu chứng. Họ đọc con người. Họ biết khi nào chỉ số xét nghiệm không kể hết câu chuyện. Họ biết khi nào một bệnh nhân nói “tôi ổn” nhưng cơ thể và ánh mắt lại nói điều ngược lại. Họ biết khi nào cần làm thêm xét nghiệm, khi nào cần chờ, khi nào cần hỏi một câu tưởng nhỏ nhưng mở ra toàn bộ bức tranh lâm sàng.
Một kỹ sư trưởng không chỉ sửa lỗi. Họ hiểu hệ thống sẽ gãy ở đâu khi bước vào đời sống thật. Họ biết khi nào một kiến trúc đẹp nhưng vận hành tệ. Họ biết khi nào một giải pháp đúng trong bản vẽ nhưng sai trong môi trường sản xuất. Họ biết khi nào sự cố (incident) không nằm ở dòng mã vừa được sửa, mà nằm ở một giả định cũ chưa ai còn nhớ.
Một chuyên gia an toàn thông tin không chỉ đọc cấu hình. Họ nghe được tiếng động rất nhỏ của rủi ro đang mở cửa. Họ biết khi nào một hệ thống nhìn có vẻ tuân thủ nhưng thật ra mong manh. Họ biết khi nào một kiểm soát bảo mật chỉ tồn tại trên giấy. Họ biết khi nào con người trong tổ chức mới là điểm yếu lớn nhất, chứ không phải công nghệ.
Một nhà tư vấn chiến lược không chỉ tổng hợp báo cáo. Họ biết tổ chức nào có thể đổi, tổ chức nào chỉ đang diễn lại một vở kịch chuyển đổi. Họ biết khi nào lãnh đạo thật sự muốn thay đổi, khi nào họ chỉ muốn một bộ slide để yên tâm rằng mình đã làm điều cần làm. Họ biết khi nào vấn đề không nằm ở chiến lược, mà nằm ở quyền lực, động cơ, cấu trúc khuyến khích và nỗi sợ bên trong tổ chức.
Một nhà báo già nghề không chỉ kiểm chứng nguồn tin. Họ biết khi nào sự hợp lý quá trơn tru chính là dấu hiệu của thao túng. Họ biết khi nào một câu chuyện đang được dựng lên để dẫn người đọc đến một kết luận có sẵn. Họ biết khi nào cần im lặng thêm một nhịp trước khi bấm nút đăng.
Một người thầy giỏi không chỉ nghe câu trả lời đúng. Họ biết khi nào học trò trả lời đúng nhưng chưa thật sự hiểu. Họ biết khi nào cần giải thích lại bằng một ví dụ khác. Họ biết khi nào phải khuyến khích, khi nào phải sửa thẳng, khi nào sự im lặng của học trò không phải vì lười, mà vì đang sợ sai.
Đó là tri thức ngầm.
Tri thức ngầm không nằm trọn trong tài liệu. Nó nằm trong bàn tay người thợ, trong con mắt người thầy thuốc, trong trực giác người kỹ sư, trong sự dè dặt của người từng ra quyết định và trả giá. Nó giống phần rễ cây nằm dưới đất. Người ngoài nhìn thấy tán lá. AI học rất nhanh từ tán lá. Nhưng sức sống của cây nằm ở phần rễ.
Nhưng tri thức ngầm cũng có thể bị chưng cất
Tuy nhiên, ngay cả hào bảo vệ này cũng không bất biến.
Điều đáng ngại là quá trình chưng cất tri thức (knowledge distillation) đang diễn ra rất nhanh. Mỗi khi chúng ta đưa kinh nghiệm dự án, ghi chú nội bộ, mẹo xử lý, dữ liệu khách hàng, quy trình thực chiến, lỗi hệ thống, bài học thất bại, ca bệnh, mẫu hợp đồng, hồ sơ kỹ thuật, hoặc cách ra quyết định của mình lên các nền tảng AI, một phần tri thức ngầm có nguy cơ bị biến thành tri thức hiển ngôn.
Hôm nay nó còn là mẹo nghề. Ngày mai nó có thể trở thành năng lực mặc định của mô hình.
Đây là điểm các chuyên gia thật sự cần rất tỉnh táo. Không phải kinh nghiệm nào cũng nên được đưa lên đám mây. Không phải ghi chú nội bộ nào cũng nên được nạp vào một công cụ AI bên ngoài. Không phải quy trình thực chiến nào cũng nên được biến thành lời nhắc (prompt) dùng chung. Không phải ca khó nào cũng nên được kể lại với đầy đủ chi tiết nhận diện. Không phải mọi “bí kíp” nghề nghiệp đều nên được biến thành dữ liệu huấn luyện miễn phí cho người khác.
Trong thời cổ đại, người thợ giỏi không truyền hết bí quyết cho mọi người đứng xem. Trong võ học, không phải chiêu nào cũng được viết vào sách. Trong y học cổ truyền, nhiều kinh nghiệm lâm sàng được truyền qua quan sát và thực hành, không chỉ qua văn bản. Dù ta có thể không thích sự khép kín ấy, nó nhắc ta một điều: có những phần của nghề nghiệp nếu bị phơi ra hoàn toàn, thì chính cấu trúc giá trị của người nắm giữ nó cũng thay đổi.
Với AI, tốc độ thay đổi ấy nhanh hơn rất nhiều.
Một tài liệu nội bộ hôm nay có thể trở thành dữ liệu cải thiện mô hình ngày mai. Một quy trình xử lý sự cố hôm nay có thể trở thành tính năng mặc định của một tác tử AI trong vài tháng tới. Một bộ mẹo nghề từng tạo ra lợi thế cạnh tranh có thể biến mất rất nhanh nếu mọi người đều đưa nó vào cùng một hệ sinh thái công cụ.
Vì vậy, nói về chuyên môn theo lĩnh vực trong thời đại AI không chỉ là nói về học thêm, dùng thêm, viết nhanh hơn, làm nhiều hơn. Nó còn là câu hỏi về quản trị tri thức. Cái gì nên chia sẻ. Cái gì nên mã hóa thành quy trình. Cái gì nên giữ trong hệ thống nội bộ. Cái gì nên bảo vệ như tài sản chiến lược. Cái gì không nên vô tư đưa lên các nền tảng mà mình không kiểm soát.
Dùng AI thật giỏi, nhưng giữ quyền thấu hiểu
Điều này không có nghĩa là phải sợ AI. Ngược lại, chuyên gia càng thật thì càng nên dùng AI.
AI giúp ta đọc nhanh hơn, kiểm tra kỹ hơn, phản biện sâu hơn, mô phỏng nhiều kịch bản hơn, và tiết kiệm thời gian cho những việc lặp lại. Với một chuyên gia thật sự, AI không làm họ yếu đi. Nó giống một đội phụ tá rất mạnh, một thư viện sống, một người trợ lý không biết mệt, một công cụ khuếch đại năng lực.
Nhưng có một ranh giới cần giữ.
Bạn có thể dùng AI để thuê ngoài phần suy nghĩ sơ bộ. Bạn có thể dùng AI để đọc tài liệu, tóm tắt, viết nháp, phân tích, kiểm tra, tạo phương án, phản biện, dựng mô hình, mô phỏng kịch bản. Bạn có thể để AI giúp bạn đi nhanh hơn ở những đoạn đường đã có bản đồ.
Nhưng bạn không nên thuê ngoài sự thấu hiểu. Thấu hiểu là phần không thể giao khoán trọn vẹn. Thấu hiểu là biết câu hỏi nào không nên hỏi theo cách đó. Thấu hiểu là biết dữ liệu nào không đáng tin dù nhìn rất đẹp. Thấu hiểu là biết giải pháp nào đúng về kỹ thuật nhưng sai về con người. Thấu hiểu là biết khi nào cần tiến lên, khi nào phải dừng lại. Thấu hiểu là biết mình đang chịu trách nhiệm trước ai.
AI có thể cho ta nhiều câu trả lời hơn. Nhưng chuyên gia phải biết câu trả lời nào không nên dùng.
AI có thể mở ra nhiều phương án hơn. Nhưng chuyên gia phải biết phương án nào phù hợp với tổ chức này, con người này, rủi ro này, thời điểm này.
AI có thể giúp ta nói trôi chảy hơn. Nhưng chuyên gia phải biết khi nào sự trôi chảy che lấp sự thật.
AI có thể giúp ta tự tin hơn. Nhưng chuyên gia phải biết khi nào tự tin là nguy hiểm.
Đây là sự khác biệt giữa thông tin và trí tuệ. Thông tin trả lời câu hỏi “cái gì”. Trí tuệ trả lời câu hỏi “có nên không”.
AI đang rất mạnh ở “cái gì” và ngày càng mạnh ở “làm thế nào”. Nhưng “có nên không”, “trong bối cảnh này thì sao”, “ai sẽ chịu trách nhiệm”, vẫn là vùng mà con người không được phép buông tay.
Một phần trăm còn lại không nhỏ
Vì vậy, câu hỏi không phải là “AI có thay thế chuyên gia không?” Câu hỏi đúng hơn là: phần nào trong chuyên môn của bạn có thể bị AI hấp thụ, và phần nào vẫn còn là chiều sâu không dễ sao chép?
Nếu phần giá trị của bạn chỉ nằm ở “biết cái gì”, AI sẽ tiến rất nhanh. Nếu phần giá trị của bạn nằm ở “làm thế nào trong điều kiện chuẩn”, AI cũng sẽ tiến rất nhanh. Nhưng nếu phần giá trị của bạn nằm ở “khi nào”, “vì sao”, “trong bối cảnh này có nên làm hay không”, “rủi ro thật nằm ở đâu”, và “ai sẽ chịu trách nhiệm nếu quyết định sai”, thì bạn vẫn còn một hào bảo vệ rất sâu.
Đó là 1% còn lại. Và 1% đó không nhỏ.
Nó là nơi người đọc triệu chứng khác với người thầy thuốc. Nó là nơi người viết mã khác với kỹ sư trưởng. Nó là nơi người tổng hợp báo cáo khác với nhà tư vấn chiến lược. Nó là nơi người có thông tin khác với người có trí tuệ.
Trong thời đại AI, chuyên gia không nên tự ru ngủ mình rằng “máy còn lâu mới bằng người”. Câu đó nghe dễ chịu, nhưng nguy hiểm. Cũng không nên hoảng sợ rằng “máy sẽ thay hết”. Câu đó nghe thời thượng, nhưng nông. Cách nhìn đúng hơn là: AI đang kéo mặt bằng tri thức phổ thông lên rất cao, đồng thời làm lộ ra ai chỉ giỏi lặp lại tri thức có sẵn, và ai thật sự có chiều sâu nghề nghiệp.
Như trong một thành trì cổ, khi nước dâng lên, những bức tường thấp sẽ biến mất trước. Chỉ phần nền móng sâu mới còn đứng vững.
Đó cũng là lý do tôi thích cách Sangeet Paul Choudary đặt vấn đề trong Reshuffle. Khi AI tái xếp chồng nền kinh tế tri thức, người thắng không nhất thiết là người làm nhanh hơn vài tác vụ cũ. Người thắng là người hiểu tầng giá trị nào đang bị hàng hóa hóa, tầng giá trị nào đang dịch chuyển lên cao hơn, và làm thế nào để đứng trên thuật toán thay vì bị thuật toán kéo xuống thành một đơn vị lao động rẻ.
Chuyên gia cũng vậy. Hào bảo vệ của chuyên gia không còn là việc biết nhiều hơn người khác. Hào bảo vệ của chuyên gia là phần hiểu sâu mà AI chưa dễ chưng cất.
Kết luận, đừng đưa hết linh hồn nghề nghiệp cho máy học
Hãy dùng AI thật giỏi. Nhưng đừng đưa hết linh hồn nghề nghiệp của mình cho nó học. Và càng không nên nhầm lẫn giữa việc máy có thể giúp ta suy nghĩ nhanh hơn với việc nó có thể thay ta thấu hiểu đời sống, con người, rủi ro và trách nhiệm.
Bạn có thể thuê ngoài suy nghĩ. Nhưng không thể thuê ngoài thấu hiểu.
Tham khảo
OpenAI, Introducing GPT 5.5, ngày 23 tháng 4 năm 2026: https://openai.com/index/introducing-gpt-5-5/
Anthropic, Introducing Claude Opus 4.7, ngày 16 tháng 4 năm 2026: https://www.anthropic.com/news/claude-opus-4-7
GPQA paper, Graduate Level Google Proof Q&A Benchmark: https://arxiv.org/abs/2311.12022
Sangeet Paul Choudary, Reshuffle: Who wins when AI restacks the knowledge economy, thông tin sách và bài giới thiệu: https://www.amazon.com/Reshuffle-wins-restacks-knowledge-economy/dp/B0FK3BHF3F và
