AI không thiếu thông minh. Phần lớn dự án AI thất vọng vì doanh nghiệp giao việc cho một “nhân viên mới” mà không cho người đó hồ sơ công ty, tiêu chuẩn đầu ra hay quyền hạn rõ ràng.
Một câu hỏi tôi thường nghe là: “Mô hình nào đủ giỏi để hiểu toàn bộ doanh nghiệp của tôi?”
Tôi nghĩ đây là một câu hỏi sai điểm xuất phát. Một nhân sự giỏi đến đâu cũng không thể bước vào công ty sáng thứ Hai, đọc một câu nhắn trên chat rồi chiều cùng ngày tự quyết định cách vận hành hệ thống. AI cũng vậy.
Cách nhìn hữu ích hơn là xem AI như một nhân viên mới có một năm kinh nghiệm. Người này đã biết nghề, thao tác nhanh, không ngại làm lại và có thể hỗ trợ nhiều đầu việc. Nhưng họ chưa biết “luật bất thành văn”, chưa hiểu tại sao quy trình hiện tại tồn tại, chưa phân biệt một yêu cầu khẩn với một yêu cầu chỉ có vẻ khẩn.
Nếu muốn một hình dung khác: AI giống như một sinh viên năm ba. Em ấy đã học đủ nền tảng để viết một bài phân tích, dựng một bản mẫu hay đọc tài liệu kỹ thuật. Nhưng nếu đề bài thiếu dữ kiện, em ấy sẽ lấp khoảng trống bằng điều “có vẻ hợp lý”. Chính năng lực viết trôi chảy khiến sai sót trở nên khó nhận ra hơn. Đây cũng là lý do cần nhớ rằng AI không phải chuyên gia, dù câu trả lời có tự tin đến đâu.
Vì vậy, bài toán doanh nghiệp không phải là “làm sao để AI thông minh hơn”. Bài toán là thiết kế một môi trường để AI nhìn đúng, làm đúng và dừng đúng lúc.
Ba lớp năng lực mà AI cần được cấp
Một hệ thống AI làm việc ổn định thường cần ba lớp, theo đúng thứ tự.
1. Bối cảnh: để AI biết mình đang đứng ở đâu
Khi nhận một nhân viên mới, doanh nghiệp có tài liệu giới thiệu, sơ đồ tổ chức, quy trình, danh mục sản phẩm và người phụ trách. Với AI, những tài liệu này chính là context.
Như tôi từng phân tích trong bài AI giỏi nhưng vẫn làm sai, bối cảnh tốt không phải là đổ tất cả dữ liệu vào một cửa sổ chat. Đó là tập thông tin đã được tuyển chọn:
mục tiêu kinh doanh của tác vụ;
thuật ngữ và quy ước nội bộ;
cấu trúc hệ thống, kho dữ liệu và các nguồn đáng tin;
tiêu chuẩn chất lượng;
những điều tuyệt đối không được làm;
ví dụ về một đầu ra tốt và một đầu ra không đạt.
Trong môi trường lập trình, một tệp hướng dẫn dự án có thể cho AI biết kiến trúc, công nghệ, lệnh kiểm thử và cấu trúc thư mục. Trong nghiệp vụ, vai trò tương tự có thể thuộc về “sổ tay tác nghiệp AI”: cách phân loại khách hàng, quy tắc đặt tên chiến dịch, ngưỡng phê duyệt hay cách xử lý ngoại lệ.
Điểm quan trọng là bối cảnh phải sống cùng hệ thống. Quy trình đổi mà tài liệu không đổi thì AI vẫn thực hiện rất nhanh—nhưng nhanh theo cách cũ.
2. Đặc tả: để AI biết thế nào là hoàn thành
Một câu lệnh như “làm dashboard cho ban điều hành” nghe có vẻ rõ, nhưng thực tế chứa hàng chục quyết định chưa được nói ra. Dashboard theo ngày hay theo tháng? Số liệu nào là nguồn chuẩn? Ai được xem? Sai số nào được chấp nhận? Tốc độ tải bao nhiêu? Khi dữ liệu thiếu thì cảnh báo hay tự nội suy?
Đặc tả tốt biến mong muốn mơ hồ thành một hợp đồng có thể kiểm tra. Tối thiểu nên có:
Vấn đề cần giải quyết — không chỉ tính năng cần xây.
Phạm vi — việc nào làm ở phiên bản này, việc nào chưa làm.
Dữ liệu vào và đầu ra — định dạng, nguồn, trường bắt buộc.
Tiêu chí chấp nhận — điều kiện để con người nói “đạt”.
Yêu cầu phi chức năng — bảo mật, tốc độ, khả năng truy vết.
Ngoại lệ — tình huống nào AI phải dừng và hỏi.
Đây là tinh thần của spec-driven design; cũng là bước tiếp theo sau khi doanh nghiệp đã thiết kế “bàn làm việc” cho AI: thống nhất ý định trước khi sản xuất. Nó không làm doanh nghiệp chậm đi. Ngược lại, nó giảm vòng lặp “làm gần đúng rồi sửa mãi”—một dạng lãng phí thường bị che khuất bởi tốc độ sinh nội dung của AI.
3. Công cụ và quyền hạn: để AI hành động trong vùng an toàn
AI chỉ trò chuyện thì rủi ro còn tương đối thấp. Khi AI được nối với trình duyệt, CRM, kho dữ liệu, mã nguồn hay hệ thống thanh toán, nó đã chuyển từ “người tư vấn” thành “người thực thi”.
Các giao thức kết nối công cụ có thể giúp AI đọc tài liệu, mở trình duyệt, chạy kiểm thử hoặc cập nhật hệ thống. Nhưng có khả năng không đồng nghĩa với được toàn quyền.
Một kiến trúc an toàn nên phân quyền theo mức tác động:
Đọc: có thể truy xuất dữ liệu được phép.
Đề xuất: tạo bản nháp, kế hoạch hoặc lệnh chờ duyệt.
Thực thi có phê duyệt: con người xác nhận trước thao tác quan trọng.
Tự động hóa có điều kiện: chỉ chạy khi đủ tiêu chí, có giới hạn và nhật ký.
Cấm: không được truy cập bí mật, xóa dữ liệu hoặc tự nâng quyền.
Nếu một nhân viên mới không được ký hợp đồng trị giá một tỷ đồng trong tuần đầu, một AI agent cũng không nên được quyền đẩy thay đổi thẳng vào môi trường sản xuất chỉ vì nó đã làm đúng ba lần liên tiếp.
Từ giao việc cảm tính đến một vòng lặp có kiểm soát
Một quy trình triển khai thực tế có thể đi qua sáu bước.
Bước 1: Chọn một nhiệm vụ có ranh giới
Đừng bắt đầu bằng “tự động hóa phòng marketing”. Hãy bắt đầu bằng “tạo bản nháp báo cáo hiệu quả chiến dịch hằng tuần từ ba nguồn dữ liệu đã xác định”. Nhiệm vụ càng rõ ranh giới, doanh nghiệp càng dễ đo chất lượng và khoanh vùng rủi ro.
Bước 2: Đóng gói bối cảnh tối thiểu
Chỉ cấp thông tin cần cho nhiệm vụ. Bối cảnh dư thừa làm tăng nhiễu, chi phí và nguy cơ lộ dữ liệu. Hãy đặt câu hỏi: nếu giao cho một nhân viên mới, họ thật sự cần đọc những gì trước khi bắt đầu?
Bước 3: Viết tiêu chí nghiệm thu trước
Một bản nháp “nghe hay” chưa phải kết quả kinh doanh; vì vậy đừng hỏi AI được mấy điểm, hãy hỏi kết quả dẫn đến quyết định nào. Tiêu chí có thể gồm độ chính xác số liệu, thời gian xử lý, tỷ lệ cần sửa, các trường bắt buộc và điều kiện chuyển cho con người.
Bước 4: Cho AI lập kế hoạch trước khi hành động
Với tác vụ nhiều bước, chế độ chỉ đọc hoặc lập kế hoạch giúp đội ngũ kiểm tra hướng đi khi chi phí sửa còn thấp. Đây là lúc phát hiện AI chọn sai nguồn, hiểu sai phạm vi hoặc định dùng một công cụ không phù hợp.
Bước 5: Thực thi theo “cổng” phê duyệt
Không phải thao tác nào cũng cần con người bấm nút. Nhưng các mốc có ảnh hưởng đến khách hàng, tiền, dữ liệu nhạy cảm hoặc hệ thống sản xuất phải có cổng kiểm soát tương ứng.
Bước 6: Kiểm thử, ghi nhật ký và cập nhật trí nhớ
Mỗi lần AI sai là một cơ hội sửa hệ thống, không chỉ sửa câu trả lời. Sai vì thiếu quy tắc thì bổ sung quy tắc. Sai vì nguồn dữ liệu mâu thuẫn thì xác lập nguồn chuẩn. Sai vì quyền quá rộng thì thu hẹp quyền. Sau mỗi vòng, bộ bối cảnh và đặc tả phải tốt hơn.
Hai “nhân sự AI”, hai cách quản trị
Hãy tưởng tượng cùng giao việc phân tích phản hồi khách hàng cho hai nhân sự.
AI như sinh viên năm ba có thể đọc 2.000 bình luận, gom nhóm chủ đề và tạo bản tóm tắt rất nhanh. Nhưng người quản lý phải cung cấp định nghĩa thế nào là khiếu nại nghiêm trọng, ví dụ gán nhãn và một tập kiểm thử nhỏ. Đầu ra phù hợp nhất là bản phân tích để chuyên gia rà soát—not quyết định bồi hoàn tự động.
AI như nhân viên mới có một năm kinh nghiệm có thể đi xa hơn: truy xuất dữ liệu từ hệ thống, chạy quy trình phân loại định kỳ, so sánh với tuần trước và soạn cảnh báo. Tuy nhiên, AI vẫn cần ngưỡng bất thường, danh sách hành động được phép và người chịu trách nhiệm cuối cùng. Khi gặp một mẫu chưa từng thấy, phản ứng đúng không phải là đoán—mà là chuyển cấp.
Hai ví dụ này cho thấy mức tự chủ không nên được cấp theo cảm giác “mô hình này có vẻ thông minh”. Nó phải được cấp theo bằng chứng vận hành: tỷ lệ đúng, loại lỗi, khả năng phát hiện ngoại lệ và chi phí khi sai.
Bốn chỉ số đáng đo hơn số lượng prompt
Nhiều đội ngũ báo cáo số người dùng AI hoặc số yêu cầu đã gửi. Đây là chỉ số hoạt động, chưa phải chỉ số giá trị. Tôi ưu tiên bốn thước đo:
Tỷ lệ đạt ngay lần đầu: bao nhiêu đầu ra qua được tiêu chí nghiệm thu mà không sửa lớn?
Thời gian con người phải can thiệp: AI tiết kiệm thời gian thật hay chỉ chuyển công việc sang khâu kiểm tra?
Tỷ lệ chuyển cấp đúng: AI có biết lúc nào cần dừng và hỏi không?
Chi phí lỗi theo mức tác động: một lỗi chính tả khác hoàn toàn một báo giá sai hoặc một thay đổi dữ liệu không thể hoàn tác.
Khi các chỉ số ổn định, quyền có thể mở dần. Khi chỉ số xấu đi, hệ thống phải quay về phạm vi hẹp hơn. Đó là cách quản trị trưởng thành: tự chủ là thứ AI kiếm được qua kết quả, không phải đặc quyền được cấp ngay từ đầu.
Vai trò mới của người quản lý
Trong mô hình này, con người không biến mất. Công việc của họ dịch chuyển từ làm từng thao tác sang thiết kế hệ thống làm việc:
chọn đúng bài toán;
định nghĩa chất lượng;
cung cấp bối cảnh đáng tin;
thiết kế quyền và cổng phê duyệt;
xử lý ngoại lệ;
chịu trách nhiệm cho quyết định cuối cùng.
Đây cũng là lý do công nghệ khó thay thế hoàn toàn một vai trò lãnh đạo. Giao tiếp, phán đoán trong vùng mơ hồ và trách nhiệm trước hệ quả vẫn là phần việc cốt lõi của con người. AI làm tốc độ và quy mô tăng lên; nó không tự tạo ra trách nhiệm giải trình.
Bắt đầu vào sáng thứ Hai
Nếu doanh nghiệp muốn thử cách tiếp cận này, hãy chọn một quy trình lặp lại, khối lượng đủ lớn nhưng hậu quả khi sai còn có thể kiểm soát. Viết một trang đặc tả, tạo bộ bối cảnh tối thiểu, đặt ba cổng quyền hạn và đo bốn chỉ số ở trên trong hai tuần.
Đừng hỏi AI có thể làm mọi thứ hay không. Hãy hỏi: với nhiệm vụ này, bối cảnh này và quyền hạn này, chúng ta có thể tin cậy kết quả đến mức nào?
Một AI giỏi không cứu được một hệ thống giao việc kém. Nhưng một “nhân viên mới” được hướng dẫn đúng, có tiêu chuẩn rõ và được trao quyền từng bước có thể trở thành đòn bẩy rất lớn. Kiến trúc AI doanh nghiệp, ở tầng sâu nhất, không chỉ là kiến trúc mô hình và dữ liệu. Đó là kiến trúc của niềm tin có kiểm chứng.