·20 phút đọc
Dùng AI hiệu quả: Đừng để năng suất bóp nghẹt năng lực
Nếu thường xuyên theo dõi những nghiên cứu và thảo luận về AI trong công việc, kinh doanh và giáo dục, có lẽ bạn đã từng gặp tên Ethan Mollick.
Nếu thường xuyên theo dõi những nghiên cứu và thảo luận về AI trong công việc, kinh doanh và giáo dục, có lẽ bạn đã từng gặp tên Ethan Mollick. Ông là Phó Giáo sư quản trị tại Wharton School thuộc Đại học Pennsylvania, đồng Giám đốc Generative AI Labs at Wharton. Năm 2024, TIME đưa Mollick vào danh sách 100 người có ảnh hưởng nhất trong lĩnh vực AI, còn cuốn Co-Intelligence: Living and Working with AI của ông trở thành sách bán chạy của The New York Times. Điều khiến tôi quan tâm đến Mollick nằm ở cách ông kết hợp nghiên cứu học thuật với việc trực tiếp đưa các mô hình AI mới vào công việc và lớp học để quan sát con người thực sự sử dụng chúng như thế nào.
Trong một hướng dẫn cập nhật ngày 23 tháng 7 năm 2026, Mollick đưa ra một gợi ý khá thực tế: với những việc ít hệ trọng, dễ kiểm tra và không gây hậu quả đáng kể nếu sai, các mô hình AI miễn phí hiện đã đủ tốt cho phần lớn nhu cầu thông thường. Không nhất thiết lúc nào cũng phải tìm mô hình mạnh nhất. Nhưng với những vấn đề quan trọng, khó kiểm chứng hoặc có chi phí sai cao như pháp lý, y tế, tài chính hay những quyết định có ảnh hưởng lớn đến con người, ông khuyến nghị nên sử dụng những mô hình mạnh nhất có thể tiếp cận và tăng mức suy luận để giảm rủi ro.
Vì vậy, câu hỏi mà nhiều người vẫn thường đặt ra là “AI nào tốt nhất?” không còn phù hợp. AI chỉ có thể được đánh giá khi đặt vào một công việc cụ thể: cần làm gì, mức độ hệ trọng ra sao, dữ liệu nào được sử dụng, AI được quyền làm đến đâu, nếu sai thì hậu quả thế nào và người sử dụng có đủ năng lực để kiểm chứng kết quả hay không.
Từ chọn mô hình sang chọn hệ thống AI phù hợp
Khi AI chủ yếu tồn tại dưới dạng chatbot, chúng ta còn có thể so sánh ChatGPT, Claude hay Gemini dựa trên khả năng viết, phân tích hoặc lập trình. Nhưng khi AI agent bắt đầu có thể nghiên cứu, sử dụng trình duyệt, truy cập dữ liệu, tạo tệp, chạy mã và thực hiện cả một chuỗi công việc, việc chọn AI không còn chỉ là chọn một mô hình.
Mollick đề xuất nhìn vào ba lớp gồm mô hình AI, ứng dụng chứa mô hình và lớp thực thi giúp AI sử dụng công cụ. Mô hình quyết định phần lớn khả năng suy luận, phân tích và tạo nội dung. Ứng dụng quyết định cách người dùng tương tác với mô hình và những tính năng được cung cấp. Lớp thực thi quyết định AI có thể làm gì ngoài việc trả lời, chẳng hạn như truy cập tệp, sử dụng trình duyệt, chạy mã, thao tác trên phần mềm hoặc thực hiện nhiều bước liên tiếp để hoàn thành một nhiệm vụ.
Cùng một mô hình, nếu chỉ đặt trong cửa sổ chat thì nó chủ yếu trả lời câu hỏi; nhưng khi được cấp công cụ, dữ liệu và quyền truy cập phù hợp, nó có thể nghiên cứu, xây dựng sản phẩm, kiểm thử rồi tự điều chỉnh qua nhiều vòng. Vì vậy, câu hỏi phù hợp hơn có lẽ là: Hệ thống AI nào phù hợp nhất với công việc này?
Sự khác biệt này rất quan trọng trong thực tế. Với những việc ít hệ trọng như gợi ý ý tưởng, chỉnh một đoạn văn hay giải thích một khái niệm phổ thông, mô hình miễn phí thường đã đáp ứng tốt. Việc sử dụng mô hình mạnh nhất cho mọi nhiệm vụ có thể chỉ làm tăng chi phí trong khi chất lượng đầu ra thay đổi không đáng kể. Với những nhiệm vụ trọng yếu, khó kiểm chứng hoặc có hậu quả lớn nếu sai, yêu cầu sẽ khác: mô hình cần mạnh hơn, dữ liệu đầu vào cần đáng tin cậy hơn, quyền của AI phải được giới hạn rõ và quy trình kiểm tra phải chặt chẽ hơn.
Khả năng làm nhanh của AI không làm giảm trách nhiệm của người sử dụng. Trong nhiều trường hợp, nó chỉ khiến hậu quả của một yêu cầu sai, dữ liệu sai hoặc quyền hạn được trao thiếu kiểm soát xuất hiện nhanh hơn.
AI càng giỏi thực thi, năng lực quản trị càng quan trọng
Một thí dụ khác được Mollick đưa ra còn cho thấy một vấn đề quan trọng hơn: AI càng giỏi thực thi, năng lực quản trị của con người càng trở nên quan trọng.
Trong bài “Năng lực quản trị là siêu năng lực trong thời đại AI” [Management as AI Superpower], ông kể về một lớp học tại Đại học Pennsylvania với phần lớn học viên thuộc chương trình Executive MBA. Đây là những người đã có nhiều năm kinh nghiệm nghề nghiệp và quản lý nhưng phần lớn không biết lập trình. Trong bốn ngày, họ sử dụng Claude Code và Google Antigravity để xây dựng nguyên mẫu sản phẩm, đồng thời dùng ChatGPT, Claude và Gemini để nghiên cứu thị trường, phân tích đối thủ, xây dựng mô hình tài chính và chuẩn bị thuyết trình. Nhiều nhóm đã tạo ra được nguyên mẫu có chức năng cốt lõi thực sự hoạt động.
Mollick cho rằng mức độ tiến triển đó vượt xa những gì các lớp tương tự thường đạt được trong cả một học kỳ trước thời AI tạo sinh. Đây là quan sát dựa trên kinh nghiệm giảng dạy của ông chứ chưa phải một thử nghiệm có nhóm đối chứng, nhưng có một chi tiết rất đáng chú ý: những học viên này không xuất phát từ con số không. Họ chưa biết lập trình nhưng đã có kinh nghiệm nghề nghiệp, khả năng phân tích vấn đề, hiểu khách hàng, biết thế nào là một mô hình tài chính bất hợp lý và có khả năng nhận ra khi kết quả chưa đạt yêu cầu.
AI giúp họ vượt qua phần lớn rào cản về kỹ thuật để biến ý tưởng thành sản phẩm. Nhưng việc xác định nên làm gì, đánh giá kết quả có hợp lý hay không và quyết định cần điều chỉnh ở đâu vẫn phụ thuộc vào chuyên môn, khả năng phán đoán và năng lực quản trị của con người.
Một nghiên cứu của Anthropic có tên “Lập trình cùng AI agent và lợi ích bền vững của chuyên môn” [Agentic Coding and Persistent Returns to Expertise], dựa trên khoảng 400.000 phiên sử dụng Claude Code, cũng ghi nhận một xu hướng tương tự: con người đưa ra phần lớn quyết định về việc cần làm, còn AI đưa ra phần lớn quyết định về cách thực hiện. Những người có chuyên môn trong lĩnh vực thường giao được nhiều việc hơn, phục hồi tốt hơn khi AI mắc lỗi và đạt tỷ lệ thành công cao hơn.
Nghiên cứu do chính Anthropic thực hiện nên cần đọc với sự thận trọng cần thiết. Tuy vậy, nó củng cố thêm một nhận định quan trọng: AI có thể làm giảm yêu cầu đối với một số kỹ năng thực thi, trong khi khả năng hiểu vấn đề, xác định mục tiêu và đánh giá chất lượng vẫn tiếp tục tạo ra khác biệt.
What, Why và How phía sau việc sử dụng AI
Khi AI ngày càng giỏi thực thi, vai trò của con người dịch chuyển mạnh hơn sang ba câu hỏi.
1. Cần làm gì? [What] Phía sau câu hỏi này là khả năng nhận diện vấn đề, xác lập mục tiêu, phân rã công việc và mô tả đầu ra cần đạt.
2. Tại sao cần làm việc đó? [Why] Phía sau là khả năng hiểu giá trị, bối cảnh, đối tượng liên quan và lý do một công việc đáng được thực hiện.
3. Thực hiện và quản trị công việc đó như thế nào? [How] Đây là nơi cần lựa chọn cách làm, phân quyền cho AI, thiết lập tiêu chuẩn, kiểm tra kết quả, xử lý ngoại lệ và quyết định khi nào con người phải can thiệp.
Vì vậy, ba câu hỏi What, Why và How không nên trở thành thêm một công thức prompt để học thuộc. Phía sau chúng là cả một tập hợp năng lực phân tích và quản trị. Nếu người dùng còn chưa hiểu mình muốn gì, viết prompt dài hơn chỉ giúp AI thực hiện một yêu cầu mơ hồ với tốc độ cao hơn.
Đây cũng là lý do tôi cho rằng kỹ năng sử dụng AI đang ngày càng hội tụ với kỹ năng quản trị công việc. Khi giao một nhiệm vụ phức tạp cho AI agent, chúng ta cũng phải làm rõ mục tiêu, lý do thực hiện, quyền hạn, đầu ra, tiêu chuẩn hoàn thành, những điểm cần kiểm tra và điều kiện để dừng. Những thứ này vốn chẳng xa lạ gì với quản trị. Một dự án phần mềm có tài liệu yêu cầu sản phẩm, nhà làm phim có danh sách cảnh quay, một quy trình tốt có tiêu chuẩn đầu vào và đầu ra. AI agent càng có khả năng đọc nhiều tài liệu, sử dụng nhiều công cụ và làm việc lâu hơn, những câu prompt ngắn ngày càng khó đủ để quản lý một nhiệm vụ phức tạp.
Khi năng suất cá nhân bị hệ thống nuốt mất
Ngay cả khi một cá nhân sử dụng AI rất tốt, năng suất tăng thêm vẫn có thể bị hệ thống nuốt mất. Một nhân viên có thể viết nội dung nhanh gấp nhiều lần nhưng vẫn phải chờ ba cấp duyệt. Nhân viên kinh doanh có thể nghiên cứu khách hàng nhanh hơn nhưng dữ liệu lại nằm rải rác ở email, tin nhắn và nhiều bảng tính. Một phòng ban có thể tạo báo cáo trong vài phút nhưng các bộ phận liên quan vẫn sử dụng những khái niệm, biểu mẫu và tiêu chuẩn không thống nhất. Năng suất tại một công đoạn đã tăng, nhưng toàn bộ dòng công việc chưa chắc tạo ra giá trị nhanh hơn.
Điều này rất gần với công thức quản trị hiệu suất mà tôi đưa ra trong chương trình Hưng nghiệp cùng AI:
Hiệu suất = Con người × Hệ thống × Công cụ
AI đang khiến thừa số Công cụ tăng lên rất nhanh. Nếu năng lực Con người và chất lượng Hệ thống vẫn giữ nguyên, lợi ích sẽ sớm chạm trần. Thậm chí AI còn có thể khuếch đại những vấn đề cũ như mục tiêu mơ hồ, dữ liệu bẩn, tri thức rời rạc, trách nhiệm không rõ ràng và tiêu chuẩn đầu ra không thống nhất.
Vì vậy, khi một cá nhân đã tìm được cách sử dụng AI hiệu quả, tổ chức cần nhìn tiếp vào cả dòng công việc: đầu ra này được chuyển cho ai, được kiểm tra theo chuẩn nào, dữ liệu cần được cập nhật ở đâu, bước nào có thể tự động hóa, bước nào con người phải phê duyệt và điểm nghẽn mới sẽ xuất hiện ở đâu sau khi một công đoạn được tăng tốc.
Nếu chỉ nhúng AI vào từng công đoạn riêng lẻ, doanh nghiệp có thể tạo ra nhiều đầu ra hơn mà lượng giá trị cuối cùng chưa chắc tăng tương ứng. Muốn chuyển năng suất cá nhân thành hiệu suất của tổ chức, doanh nghiệp phải xem lại quy trình, dữ liệu, tri thức, trách nhiệm và cách các bộ phận phối hợp với nhau.
AI có thể giúp làm được trước khi giúp hiểu được
Từ góc độ đào tạo và phát triển con người, tôi còn quan tâm đến một vấn đề khác: AI có thể giúp một người làm được trước khi họ thực sự hiểu được.
Một nghiên cứu có tên “AI tạo sinh có thu hẹp khoảng cách năng suất theo trình độ học vấn? Bằng chứng từ một thử nghiệm ngẫu nhiên” [Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment] trên 1.174 người trưởng thành cho thấy AI giúp cải thiện kết quả của cả những người có trình độ học vấn cao và thấp, trong đó nhóm có trình độ thấp hơn được hưởng lợi nhiều hơn. Khi có AI, khoảng cách hiệu suất giữa hai nhóm giảm khoảng ba phần tư. Nhưng khi AI được rút đi, một phần đáng kể của khoảng cách lại xuất hiện.
Một nghiên cứu khác có tên “Bằng chứng thực nghiệm về tác động của AI tạo sinh đối với việc học” [Experimental Evidence on the Learning Impact of Generative AI] cũng cho thấy những người sử dụng AI để giải thích, hướng dẫn và hỗ trợ học tập duy trì lợi ích tốt hơn so với những người chủ yếu dùng AI để tạo sản phẩm thay mình.
Điều này khiến tôi thấy cần phân biệt hai thứ rất dễ bị đánh đồng.
Khoảng cách thực hiện là khoảng cách giữa điều một người có thể tự làm và điều họ có thể tạo ra khi có AI hỗ trợ.
Khoảng cách năng lực là khoảng cách giữa chất lượng sản phẩm họ tạo ra và mức độ họ thực sự hiểu, kiểm soát rồi vận dụng lại được cách làm ấy trong một tình huống mới.
AI có thể thu hẹp khoảng cách thực hiện rất nhanh. Nhưng khoảng cách giữa kết quả tạo ra và năng lực thực có chỉ thu hẹp khi người học vẫn tham gia vào quá trình xác định vấn đề, đặt mục tiêu, lựa chọn phương pháp, kiểm tra kết quả, phát hiện sai sót và rút ra nguyên tắc. Nói cách khác, khoảng cách năng lực không tự động biến mất chỉ vì sản phẩm làm ra tốt hơn.
Nếu người dạy chỉ nhìn vào sản phẩm cuối cùng, rất dễ nhầm một kết quả tốt nhờ AI với sự phát triển năng lực thật của người học. Một người có thể tạo được một bản kế hoạch rất tốt với sự hỗ trợ của AI nhưng vẫn chưa hiểu đủ sâu để giải thích các giả định, phát hiện điểm yếu hoặc tự điều chỉnh kế hoạch khi bối cảnh thay đổi. Sản phẩm tốt hơn là một tín hiệu tích cực, nhưng chưa đủ để kết luận rằng năng lực của người học đã phát triển tương ứng.
Dùng AI để vừa nâng cao hiệu suất, vừa phát triển năng lực
Nếu muốn dùng AI để vừa làm việc tốt hơn vừa phát triển bản thân, tôi nghĩ có thể bắt đầu từ bốn việc.
1. Phân loại công việc trước khi chọn AI. Xác định đây là việc ít hay nhiều rủi ro, dễ hay khó kiểm chứng, lặp lại hay cần phán đoán, mục tiêu là hoàn thành nhanh hay còn cần học và phát triển năng lực. Việc phân loại này giúp quyết định nên dùng loại mô hình nào, trao cho AI quyền đến đâu và mức độ kiểm tra cần thiết.
2. Xác định rõ giá trị và chuẩn đầu ra. Kết quả phục vụ ai, giải quyết vấn đề gì, thế nào là hoàn thành và thế nào là đạt. Khi chính mình chưa biết thế nào là tốt thì rất khó yêu cầu AI tạo ra cái tốt. Một prompt dài chưa chắc giúp ích nếu mục tiêu và tiêu chuẩn vẫn chưa rõ.
3. Giữ lại những phần việc giúp mình phát triển. Có thể giao AI tìm kiếm, tổng hợp, tạo phương án hay làm bản nháp, nhưng vẫn nên giữ cho mình việc đặt câu hỏi, lựa chọn, phản biện, kiểm tra bằng chứng, xử lý ngoại lệ và chịu trách nhiệm về kết quả cuối cùng. Nếu mục tiêu còn bao gồm học tập, việc giao toàn bộ quá trình suy nghĩ cho AI có thể giúp tạo ra sản phẩm tốt nhưng lại làm giảm cơ hội rèn luyện chính năng lực đang cần phát triển.
4. Biến một lần dùng AI thành cách làm có thể tái sử dụng. Sau khi làm tốt một việc, hãy ghi lại dữ liệu đầu vào, cách giao việc, tiêu chuẩn, lỗi thường gặp và cách kiểm tra. Ở cấp cá nhân, nó trở thành phương pháp làm việc. Ở cấp tổ chức, nó có thể trở thành workflow, tài liệu hướng dẫn, bộ tiêu chuẩn và tri thức chung.
Học viết prompt thôi là chưa đủ
Học viết prompt vẫn cần, nhưng chỉ học prompt thì chưa đủ. Tên mô hình, phiên bản và bảng xếp hạng sẽ tiếp tục thay đổi rất nhanh. Thứ có giá trị bền vững hơn nằm ở khả năng phân tích công việc, lựa chọn công cụ theo mức độ hệ trọng, giao nhiệm vụ rõ ràng, thiết lập tiêu chuẩn, kiểm chứng kết quả và thiết kế lại dòng công việc.
Với người học, AI cần giúp hoàn thành công việc tốt hơn đồng thời tạo điều kiện để hiểu sâu hơn, phán đoán tốt hơn và tự chủ hơn. Với doanh nghiệp, việc đào tạo từng cá nhân viết prompt chưa đủ để tạo ra chuyển đổi. Tổ chức cần tìm những công việc thật, đo hiện trạng, thử nghiệm AI, chuẩn hóa cách làm, xác định trách nhiệm, kiểm soát rủi ro và thiết kế lại sự phối hợp giữa con người với AI agent.
AI có thể giúp một người đi nhanh hơn ngay hôm nay. Thế nhưng để người đó phát triển và tổ chức tiến lên, phần tăng tốc ấy cần được chuyển hóa thành hiểu biết, tiêu chuẩn và hệ thống.
Nếu sau mỗi lần dùng AI, chúng ta chỉ có thêm một file đẹp trong khi cách nghĩ và cách làm vẫn giữ nguyên, thứ được mua thêm mới chỉ là tốc độ được tạo ra bởi công cụ. Chỉ khi con người hiểu sâu hơn và dòng công việc vận hành tốt hơn, AI mới thực sự trở thành đòn bẩy.
Nguồn tham khảo
1. Ethan Mollick, “Hướng dẫn mang tính quan điểm về việc nên dùng AI nào để làm việc” [An Opinionated Guide to Which AI to Use to Do Stuff], ngày 23 tháng 7 năm 2026.
1. Ethan Mollick, “Năng lực quản trị là siêu năng lực trong thời đại AI” [Management as AI Superpower], ngày 27 tháng 1 năm 2026.
1. Ethan Mollick, “Hướng dẫn lựa chọn AI trong thời đại AI agent” [A Guide to Which AI to Use in the Agentic Era], ngày 18 tháng 2 năm 2026.
1. Zoe Hitzig và cộng sự, “Lập trình cùng AI agent và lợi ích bền vững của chuyên môn” [Agentic Coding and Persistent Returns to Expertise], Anthropic, 2026. https://www.anthropic.com/research/claude-code-expertise
2. Guillermo Cruces và cộng sự, “AI tạo sinh có thu hẹp khoảng cách năng suất theo trình độ học vấn? Bằng chứng từ một thử nghiệm ngẫu nhiên” [Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment], 2026. https://arxiv.org/abs/2608.04198
3. Zara Contractor và Germán Reyes, “Bằng chứng thực nghiệm về tác động của AI tạo sinh đối với việc học” [Experimental Evidence on the Learning Impact of Generative AI], 2026. https://arxiv.org/abs/2607.08849
4. Hao-Ping Lee và cộng sự, “Tác động của AI tạo sinh đối với tư duy phản biện” [The Impact of Generative AI on Critical Thinking], CHI 2025. https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/
Bài gốc trên Substack của Lê Đình Lực.