Có những bài học về AI tôi không rút ra từ phòng lab.
Tôi rút ra từ những buổi ngồi với các đơn vị viễn thông, điện lực, ngân hàng, bệnh viện, trường học. Những nơi mà AI không còn là một slide trình bày rất đẹp, mà phải chạm vào dữ liệu thật, quy trình thật, con người thật, và cả những sai số thật.
Khi nói AI ở mức chung chung, mọi thứ có vẻ rất nhẹ nhàng: tự động hóa, tối ưu vận hành, cá nhân hóa trải nghiệm, nâng cao năng suất... Những chữ ấy đúng, nhưng chúng trôi quá nhanh trên màn hình. Chỉ đến khi bước vào từng ngành, ngồi nghe từng câu chuyện, tôi mới thấy AI không đi vào một khoảng trống. Nó đi vào những hệ thống đã có lịch sử, có thói quen, có lỗi cũ, có người cũ, có những quy định không phải lúc nào cũng được viết ra hết, thứ mà người ta hay gọi là tacit knowledge, tri thức ngầm.
Ethan Mollick trong Co-Intelligence có một ý rất đáng nhớ: AI không giỏi đều. Ông gọi đó là jaggedness, sự lởm chởm của năng lực AI. Nó có những vùng rất mạnh, và những vùng rất yếu, đôi khi hai vùng đó nằm cạnh nhau một cách khó đoán. Andrej Karpathy cũng từng nói về “jagged intelligence”, trí tuệ lởm chởm, không phẳng, không ổn định.
Vấn đề là: khi nhìn từ xa, AI trông rất mượt. Nhưng khi chạm vào thực tế, bạn sẽ thấy nó gồ ghề. Từ những trải nghiệm đó, tôi rút ra 5 bài học.
1. Viễn thông: AI không giỏi đều, nên phải biết vùng nào được giao và vùng nào không được giao
Trong viễn thông, tôi thấy AI rất hấp dẫn ở các bài toán chăm sóc khách hàng, phân tích phản ánh, tóm tắt lịch sử thuê bao, phân loại nguyên nhân khiếu nại, hỗ trợ tổng đài viên trả lời nhanh hơn. Những việc này nghe rất hợp với AI, vì có nhiều dữ liệu chữ, nhiều cuộc gọi, nhiều kịch bản lặp lại, nhiều mẫu hành vi có thể nhận diện.
Nhưng khi đi sâu hơn một chút, mọi thứ không còn đơn giản. Một khách hàng báo mạng chập chờn. Nhìn trên hệ thống, có thể là lỗi thiết bị đầu cuối. Nhìn lịch sử phản ánh, có thể là vùng phủ yếu. Nhìn gói cước, có thể là kỳ vọng sử dụng vượt xa cam kết ban đầu. Nhìn quan hệ khách hàng, có thể đây là một khách hàng doanh nghiệp quan trọng, nơi một giờ gián đoạn không chỉ là một phiếu khiếu nại, mà là uy tín dịch vụ.
AI có thể đọc rất nhanh. Nhưng nó không tự biết tầng nào quan trọng hơn tầng nào, nếu tổ chức chưa dạy cho nó. Đây là chỗ tôi thấy nhiều người dễ nhầm. Họ tưởng AI trả lời trôi chảy nghĩa là AI hiểu tình huống. Nhưng trong viễn thông, “hiểu” không chỉ là biết nội dung phản ánh. Hiểu là nối được phản ánh ấy với mạng lưới, hợp đồng, lịch sử phục vụ, mức độ ưu tiên, và cả cách xử lý sao cho khách hàng không cảm thấy mình đang nói chuyện với một cái máy lịch sự nhưng vô cảm.
Và đây cũng là nơi domain expertise trở thành moat thật sự. Một người có kinh nghiệm 30 năm ở lĩnh vực này sẽ dạy AI khác với một người chỉ biết vài công cụ AI và vài câu prompt hay. Một tổng đài viên giỏi không chỉ đọc ticket. Họ hiểu hệ thống mạng, hiểu hành vi khách hàng, hiểu những ngoại lệ không được viết ra. Họ biết khi nào một phản ánh nhỏ thực ra là dấu hiệu của một vấn đề lớn hơn.
AI không có moat (lợi thế) đó, trừ khi bạn xây nó.
Bài học ở đây là: đừng giao cho AI cả một vùng mù chỉ vì nó nói năng sáng sủa. Đừng nghe “chuyên gia AI chém” quá dễ, nhất là khi họ không có một lịch sử nghề nghiệp rõ ràng trong lĩnh vực đang nói. Với viễn thông, cần lập một bản đồ năng lực rất cụ thể. Việc nào AI được tự xử lý. Việc nào AI chỉ được gợi ý cho tổng đài viên. Việc nào phải chuyển ngay cho người có thẩm quyền. Việc nào tuyệt đối không được kết luận nếu thiếu dữ liệu mạng, dữ liệu hợp đồng hoặc lịch sử khách hàng.
AI không nguy hiểm nhất khi nó không biết. Nó nguy hiểm hơn khi nó không biết mà vẫn trả lời như thể đã biết. Đó là hallucination, điều cần đặc biệt lưu ý.
2. Điện lực: kiểm chứng không phải là bước cuối, mà phải nằm trong kiến trúc vận hành
Ở ngành điện, tôi luôn có một cảm giác khác khi nói về AI. Nó không còn là chuyện một câu trả lời hay hay dở. Nó liên quan đến vận hành, an toàn, độ tin cậy, hiện trường, thời tiết, thiết bị, lịch cắt điện, tải tiêu thụ, và những con người đang làm việc ngoài đường dây, trạm, khu vực sự cố.
AI có thể hỗ trợ rất nhiều. Phân tích dữ liệu công tơ. Gợi ý bất thường trong tiêu thụ. Tóm tắt phản ánh khách hàng. Hỗ trợ lập kế hoạch bảo trì. Dự báo nhu cầu. Phân nhóm sự cố. Những việc ấy đều có giá trị. Nhưng trong điện lực, một khuyến nghị “nghe hợp lý” chưa đủ.
Nếu AI gợi ý một hướng xử lý sự cố, phải kiểm tra được nó dựa trên dữ liệu nào. Nếu AI đề xuất lịch bảo trì, phải đối chiếu với tuổi thiết bị, tải vận hành, điều kiện thời tiết, nguồn lực hiện trường, lịch cắt điện và các quy định an toàn. Nếu AI phát hiện một bất thường ở điểm đo, phải có cơ chế xác minh trước khi biến nó thành hành động.
Tôi từng nói trong một buổi làm việc rằng, với điện lực, câu “hãy kiểm tra kỹ trước khi trả lời” gần như vô nghĩa nếu nó chỉ nằm trong prompt. Kiểm chứng phải được thiết kế thành quy trình. Thành dữ liệu đối chiếu. Thành cảnh báo. Thành phân quyền. Thành những điểm dừng bắt buộc. Thành câu hỏi: trước khi hệ thống gợi ý hành động, nó đã nhìn đủ những nguồn nào, và nguồn nào bắt buộc phải có?
Ở đây, tốc độ không phải là AI trả lời trong ba giây. Tốc độ thật là tổ chức có xác minh được câu trả lời đó đủ nhanh, đủ rẻ, đủ an toàn hay không?
Nếu xác minh vẫn phụ thuộc hoàn toàn vào một vài người giàu kinh nghiệm đọc lại mọi thứ từ đầu, thì AI chưa làm giảm tải bao nhiêu. Nó chỉ chuyển gánh nặng từ khâu tạo ra thông tin sang khâu nghi ngờ thông tin. Và một lần nữa, moat nằm ở hiểu biết hệ thống. Một kỹ sư điện lực lâu năm không chỉ đọc dữ liệu. Họ hiểu hành vi của lưới điện, hiểu những pattern bất thường, hiểu những tình huống mà dữ liệu “đúng” nhưng thực tế lại “sai”.
AI không tự có được trực giác đó.
Bài học với điện lực là: tự động hóa mà thiếu kiến trúc kiểm chứng thì không phải hiện đại hóa. Nó chỉ là thêm một lớp rủi ro có giao diện đẹp hơn.
3. Ngân hàng: muốn AI làm việc tốt, tổ chức phải trở nên dễ đọc hơn
Ngân hàng là nơi tôi thấy rất rõ một nghịch lý: dữ liệu rất nhiều, quy định rất nhiều, hệ thống rất nhiều, nhưng không phải lúc nào mọi thứ cũng dễ đọc, dễ nối, dễ giải thích.
AI có thể hỗ trợ ngân hàng ở nhiều việc. Tóm tắt hồ sơ khách hàng. Hỗ trợ chăm sóc khách hàng. Gợi ý phân tích tín dụng. Phát hiện dấu hiệu bất thường. Hỗ trợ tuân thủ. Soạn nháp văn bản. Tra cứu quy định nội bộ. Nhưng tất cả những việc đó chỉ tốt khi dữ liệu, quy trình và quyền truy cập đủ rõ.
Một hồ sơ khách hàng có thể nằm ở nhiều hệ thống. Một lịch sử giao dịch có thể cần hiểu theo ngữ cảnh. Một quy định có thể đã cập nhật nhưng tài liệu cũ vẫn còn đâu đó. Một khách hàng có thể là cá nhân, chủ doanh nghiệp, người bảo lãnh, bên liên quan, người có quan hệ tín dụng gián tiếp. Nếu các mối nối này không rõ, AI sẽ cố ráp chúng lại bằng xác suất.
Và đó là điều đáng sợ. Vì trong ngân hàng, một câu trả lời có vẻ hợp lý nhưng thiếu nguồn, thiếu dấu vết, thiếu khả năng giải trình, thì không thể dùng cho quyết định nghiêm túc.
Tôi nghĩ ngân hàng muốn dùng AI tốt thì trước hết phải làm cho chính mình dễ đọc hơn. Không phải dễ đọc cho khách hàng bên ngoài, mà dễ đọc cho hệ thống bên trong. Mã khách hàng, mã sản phẩm, hồ sơ tín dụng, tài sản bảo đảm, lịch sử tương tác, quy trình phê duyệt, quy định tuân thủ, ngoại lệ xử lý, tất cả cần được tổ chức lại để AI không phải đoán.
Con người trong ngân hàng lâu năm có thể hiểu một trường hợp nhờ kinh nghiệm. Họ nhớ khách hàng này từng tái cơ cấu. Họ biết ngành này đang có rủi ro. Họ từng thấy một mẫu hồ sơ tương tự có vấn đề. Nhưng AI không có ký ức nghề nghiệp ấy, trừ khi tổ chức biến nó thành dữ liệu, quy tắc, hoặc dấu hiệu có thể truy vết.
Đây chính là moat của chuyên gia. Không phải vì họ biết nhiều hơn AI theo nghĩa thông tin. Mà vì họ hiểu cách nối thông tin thành quyết định.
Bài học với ngân hàng là: AI không chỉ đòi hỏi dữ liệu nhiều. Nó đòi hỏi dữ liệu có thể giải trình. Một tổ chức càng phức tạp thì càng cần làm rõ các bề mặt mà AI sẽ chạm vào. Nếu không, AI sẽ trở thành một người kể chuyện rất giỏi, đứng giữa một kho hồ sơ chưa được sắp xếp đủ tốt.
4. Bệnh viện: kinh nghiệm nghề nghiệp không thể chỉ nằm trong đầu vài người giỏi
Ở bệnh viện, tôi luôn thấy mình phải nói chậm hơn một chút. Vì ở đó, sau mỗi hồ sơ là một người bệnh. Sau mỗi kết quả xét nghiệm là một gia đình đang chờ. Sau mỗi tóm tắt bệnh án là một bác sĩ phải quyết định trong áp lực thời gian, trách nhiệm và đôi khi cả sự mệt mỏi tích tụ qua nhiều ca trực.
AI có thể giúp bệnh viện rất nhiều. Tóm tắt bệnh án. Hỗ trợ tra cứu thông tin. Gợi ý câu hỏi khai thác bệnh sử. Sắp xếp lịch hẹn. Hỗ trợ chăm sóc sau điều trị. Phân tích phản hồi người bệnh. Nhưng bệnh viện cũng là nơi cho thấy rõ nhất giới hạn của sự thông minh tổng hợp.
Một bác sĩ nhiều kinh nghiệm đôi khi không chỉ đọc chỉ số. Họ nhìn cách người bệnh kể chuyện. Họ để ý một chi tiết nhỏ trong tiền sử. Họ hỏi thêm một câu tưởng như bên lề. Họ biết có những người bệnh nói “đỡ rồi” không có nghĩa là thật sự ổn. Họ biết một kết quả bình thường không luôn luôn làm mình yên tâm.
Những thứ ấy là kinh nghiệm nghề nghiệp. Là cảm giác lâm sàng. Là sự thận trọng được tích lũy sau nhiều năm. Nhưng nếu mọi kinh nghiệm ấy chỉ nằm trong đầu từng bác sĩ, từng điều dưỡng, từng nhân viên lâu năm, bệnh viện rất khó biến AI thành một trợ lý đáng tin. AI cần được đặt trong các ràng buộc nghề nghiệp rõ ràng. Khi nào chỉ được tóm tắt. Khi nào được gợi ý. Khi nào phải cảnh báo thiếu dữ liệu. Khi nào phải nói “cần bác sĩ xác nhận”. Khi nào tuyệt đối không được đưa ra kết luận.
Tôi không nghĩ AI nên được ca ngợi như một “bác sĩ thứ hai”. Cách nói đó dễ làm người ta quên mất trách nhiệm. Tôi thích nghĩ nó như một người phụ việc cần được huấn luyện rất kỹ, làm tốt việc đọc, sắp xếp, nhắc lại, phát hiện thiếu sót, nhưng không được quên mình không phải người chịu trách nhiệm cuối cùng trước người bệnh.
Ở đây, moat của chuyên gia, của bác sĩ, còn rõ hơn nữa. Không phải chỉ là kiến thức. Mà là trách nhiệm.
Bài học với bệnh viện là: phải chuyển một phần kinh nghiệm nghề nghiệp thành quy trình, tiêu chí, cảnh báo, mẫu kiểm tra, và giới hạn hành động cho AI. Không phải để thay bác sĩ. Mà để bác sĩ đỡ bị một hệ thống thông minh nhưng vô trách nhiệm kéo vào những nhầm lẫn đẹp đẽ.
5. Giáo dục: lợi thế không nằm ở công cụ AI, mà nằm ở hiểu biết về việc học
Giáo dục là nơi tôi vừa hào hứng vừa lo nhất khi nói về AI. Tôi đặt vào nó rất nhiều tâm huyết và hy vọng, như trong cách tôi viết phần này ở cuốn Đạo đức AI: Nguyên tắc và thực hành.
Hào hứng vì AI có thể giúp rất nhiều. Soạn bài. Gợi ý hoạt động lớp học. Cá nhân hóa bài tập. Hỗ trợ phản hồi cho học viên. Tạo tình huống thảo luận. Giúp người học tự luyện. Giúp giáo viên tiết kiệm thời gian ở những việc lặp lại.
Nhưng tôi lo vì AI cũng rất dễ làm giáo dục trở nên phẳng, và tạo ra một thế hệ “brain rot” mới.
Một bài giảng có thể trông chuyên nghiệp hơn. Slide đẹp hơn. Câu hỏi nhiều hơn. Bài tập phong phú hơn. Nhưng người học có thật sự hiểu hơn không? Họ có dám hỏi hơn không? Họ có thay đổi cách nghĩ không? Họ có nối được kiến thức với công việc và đời sống của mình không?
Tôi đã thấy những bản giáo án do AI gợi ý rất mượt, nhưng thiếu mùi lớp học. Không có khoảnh khắc một học viên trung niên ngập ngừng vì sợ mình chậm công nghệ. Không có sự bối rối của một doanh nghiệp muốn dùng AI nhưng dữ liệu nội bộ còn rối. Không có câu hỏi rất thật của một người đi làm: “Thầy ơi, vậy việc của em có bị thay không?”
Giáo dục không chỉ là truyền nội dung. Giáo dục là tổ chức một trải nghiệm hiểu.
Mà trải nghiệm hiểu ấy cần người dạy biết lúc nào nên giải thích, lúc nào nên dừng, lúc nào nên để lớp im lặng, lúc nào nên kể một câu chuyện, lúc nào nên kéo người học trở lại với công việc cụ thể của họ.
AI có thể tạo nội dung rất nhanh. Nhưng nội dung không phải là học tập.
Bài học với giáo dục là: công cụ AI không phải lợi thế, nếu người dạy không hiểu việc học diễn ra như thế nào. Trong kỷ nguyên AI, người thầy không còn cạnh tranh với AI ở khả năng cung cấp thông tin. Chuyện đó thua là chắc. Nhưng người thầy vẫn có một việc rất khó thay thế: nhìn thấy người học đang kẹt ở đâu, sợ ở đâu, hiểu lầm ở đâu, và cần một cú chạm nào để bước tiếp.
Đó cũng là moat. Không phải vì người thầy biết nhiều hơn AI. Mà vì họ hiểu con người hơn AI.
Có thể vì tôi đã đứng lớp nhiều năm nên tôi hơi thiên vị điều này. Nhưng tôi tin, giáo dục dùng AI tốt không phải là giáo dục sản xuất nhiều nội dung hơn. Mà là giáo dục trả lại nhiều chú ý hơn cho người học.
Điều còn lại sau 5 bài học
Nhìn lại 5 bài học ấy, tôi thấy chúng không tách rời nhau. Viễn thông dạy tôi phải vẽ bản đồ vùng mạnh và vùng yếu của AI. Điện lực dạy tôi rằng kiểm chứng phải nằm trong kiến trúc vận hành. Ngân hàng dạy tôi rằng hệ thống muốn dùng AI thì phải trở nên dễ đọc và có thể giải trình. Bệnh viện dạy tôi rằng kinh nghiệm nghề nghiệp phải được chuyển thành ràng buộc bảo vệ con người. Giáo dục dạy tôi rằng hiểu biết thật không nằm ở công cụ, mà nằm ở cách con người học, làm việc và chịu trách nhiệm.
Có lẽ vì vậy tôi ngày càng ít tin vào những bài nói AI quá chung chung. Không phải vì chúng sai. Mà vì chúng chưa chạm đất.
AI chỉ thật sự có nghĩa khi nó bước vào một tổng đài đang đầy cuộc gọi, một đội điện lực đang xử lý sự cố, một hồ sơ tín dụng cần giải trình, một bệnh án có người bệnh phía sau, một lớp học có người đang sợ mình bị bỏ lại.
Và khi đó, câu hỏi không còn là “AI có thông minh không?”
Câu hỏi khó hơn là tổ chức của chúng ta đã đủ hiểu mình, đủ rõ quy trình, đủ sạch dữ liệu, đủ khiêm tốn nghề nghiệp, để dùng sự thông minh ấy mà không tự làm mình rối thêm chưa?