AI - Thầy Bà - Sếp và “nạn nhân” của họ

Chuyện đưa AI vào công việc có ba nhân vật: AI, các thầy bà trên mạng, và các sếp. Đứng giữa cả ba là nhân viên, người lãnh đủ. Bài kể từng nhân vật, rồi nói nhân viên nên học thêm gì để thôi làm “nạn nhân”.

Một nhân viên ngồi đờ đẫn giữa ba nhân vật đang nói cùng lúc: con robot, thầy bà cầm loa và ông sếp chỉ tay. Cùng cảnh đó, người nhân viên ngẩng lên và giơ tay hỏi lại. Con robot, ông sếp và thầy bà cầm loa đều khựng lại.
Các tranh minh họa trong bài tạo bằng AI (Google Flow, Nano Banana 2.1).

Dạo này mở mạng lên là nghe người ta giục nhau apply AI, tức đưa AI vào công việc hằng ngày. Hội thảo nào cũng nói chuyển đổi AI, bài nào cũng hứa cách làm việc mới. Nghe mãi, mình có cảm giác ai chưa dùng AI là đã trễ một chuyến đò.

Giục thì dễ. Còn ngồi xuống hỏi cho ra vấn đề gốc, tức công ty cần đổi chuyện gì và vì sao, thì ít ai chịu. Mà chưa hiểu vấn đề gốc thì hô hào bao nhiêu cũng không chạm tới thực tế.

Theo cách mình thấy, AI được kể như một phép màu, và các thầy bà trên mạng rao phép màu đó. Còn các sếp thì sốt ruột muốn có nó ngay.

Đứng giữa ba nhân vật ấy là nhân viên. Họ có thể là dev, tức lập trình viên, là designer, là QA, tức người kiểm thử sản phẩm. Họ cũng có thể ở bất kì vị trí nào khác trong công ty. Mình gọi họ là “nạn nhân”, và để trong ngoặc kép, vì phần sau của bài có cách thoát vai đó.

Nhân vật thứ nhất là AI: nó dựng được, nhưng không tự biết nên dựng cái gì

Mình nói về AI trước, vì hai nhân vật kia đều mượn tiếng nó.

Nỗi sợ AI lấy hết việc có phần thật, và mình nói phần thật trước

AI bây giờ viết được code và dựng được giao diện. Mình thấy phần build, tức phần dựng ra sản phẩm, đang rẻ đi. Số liệu về người mới vào nghề cũng có chỗ đáng lo. Một nhóm nghiên cứu ở Stanford theo dõi người 22 tới 25 tuổi làm các nghề chịu ảnh hưởng của AI. Họ so nhóm này với nhóm làm các nghề ít chịu ảnh hưởng. Nếu theo kịp nhóm kia, số việc làm của nhóm này lẽ ra phải cao hơn. Thực tế nó đang thấp hơn mức đó 19%. Các tác giả dặn rằng họ mới mô tả một khoảng cách, chưa chứng minh AI là nguyên nhân. Người có kinh nghiệm thì không có khoảng cách 19% ấy.

Có AI chưa chắc đã nhanh hơn, và nhanh chưa chắc đã ra giá trị

METR, một tổ chức nghiên cứu độc lập, cho lập trình viên lâu năm làm việc thật, lúc có AI và lúc không. Với công cụ đầu năm 2025, họ mất thêm 19% thời gian khi dùng AI, dù chính họ tin mình làm nhanh hơn. Năm 2026 METR thử lại nhưng chưa ra kết luận chắc, và tự gọi dữ liệu lần đó là chưa đáng tin. Tức là chuyện AI giúp người giỏi làm nhanh hơn vẫn chưa ngã ngũ.

Mà kể cả khi nhanh thật, nhanh vẫn chưa phải là có giá trị. Thử hình dung một quán cafe nhỏ, đây là ví dụ minh họa. Chủ quán nhờ AI dựng xong app tích điểm trong một cuối tuần. App chạy tốt, mà khách không dùng. Chưa ai hỏi vì sao khách quen quay lại quán. Vì ly cà phê đúng gu, hay vì cô nhân viên nhớ tên từng người? App dựng nhanh tới đâu cũng không trả lời được câu đó.

Chiếc điện thoại chạy app tích điểm nằm im trên quầy, còn khách quen thì cười nói với cô nhân viên pha chế.
Minh họa tạo bằng AI (Google Flow), tranh thứ nhất trong bảy tranh ở thân bài.

Cùng một việc, AI mỗi lần làm một khác

AI còn một nết ít người kể. Kết quả của nó thay đổi giữa các lần chạy. Anthropic, hãng làm ra model Claude, ghi rằng cùng một prompt có thể cho ra kết quả khác nhau. Model là bộ máy AI đã được huấn luyện, còn prompt là đoạn chữ mình giao cho nó. Họ lấy ví dụ một agent, tức chương trình AI tự làm việc qua nhiều bước. Giả sử một agent làm đúng 75% số lần. Giao nó cùng một việc ba lần thì khả năng cả ba lần đều đúng chỉ khoảng 42%. Ai giao việc mà không kiểm thì không biết lần nào là lần sai.

Đúng 75% mỗi lần, giao ba lần thì cả ba lần đều đúng chỉ còn khoảng 42%

Ví dụ tính của Anthropic, chưa phải kết quả đo

Mỗi lần agent làm đúng 75% số lần

Một việc, giao cho agent ba lần

  1. Lần thứ nhất

  2. Lần thứ hai

  3. Lần thứ ba

  4. Cả ba lần đều đúng, chỉ khoảng 42%

Ai giao việc mà không kiểm thì không biết lần nào là lần sai.

Nguồn: Anthropic, Demystifying evals

Cùng một việc giao ba lần, khả năng cả ba lần đều đúng chỉ khoảng 42%.

Vậy theo mình, công dựng đang rẻ đi, dù chưa chắc nhanh hơn với người đã giỏi. Thứ còn đắt là biết nên dựng cái gì, và biết kiểm cái đã dựng. AI là vậy, có chỗ giỏi và có chỗ dở. Rắc rối bắt đầu khi người ta kể về nó mà chỉ kể phần giỏi.

Nhân vật thứ hai là các thầy bà trên mạng: họ rao cách làm việc mới và mẹo làm một lần là xong

Thầy bà là cách mình gọi vui những người lên mạng dạy AI bằng những lời hứa rất kêu. Mình không nói riêng ai, chỉ nói hai câu mình nghe nhiều nhất quanh họ.

Câu thứ nhất: AI mang tới cách làm việc hoàn toàn mới

Cứ có AI là người ta luyên thuyên về new way of working, tức cách làm việc mới. Mình thấy chẳng có cách nào mới cả.

Từ xưa tới nay, người ta đặt ra working process, tức quy trình làm việc, vì một lý do rất đời. Bộ phận nào, người nào cũng phải giao được output, tức kết quả làm ra, tốt và ổn định theo tiêu chuẩn. Ở bệnh viện, chuyện quy trình dễ thấy hơn cả. Một nghiên cứu công bố năm 2009 theo dõi các ca mổ trước và sau khi dùng bảng kiểm phẫu thuật của WHO. Tỷ lệ tử vong giảm từ 1,5% xuống 0,8%. Nghiên cứu chỉ so trước với sau, chưa có nhóm đối chứng. Dù vậy nó cho thấy người ta đã dựa vào quy trình từ rất lâu trước làn sóng AI.

Khi có AI, process đó vẫn y như vậy. Chỉ khác là tác nhân bây giờ tham gia vào process chính là AI. Muốn AI giao output tốt và ổn định, nó cũng phải đi qua ba thứ:

Người hay AI làm thì output vẫn phải đi qua workflow, harness và gates

  1. Việc được giao
  2. 1Workflow, tức chuỗi bước làm việc đã định sẵn
  3. 2Harness, tức bộ quy định mà AI phải tuân thủ khi làm
  4. 3Gates, tức các tiêu chuẩn output phải đạt thì mới được đi tiếp
  5. Output tốt và ổn định
  6. Giao cho AI thì ba thứ này phải viết ra thành chữ, rồi kiểm cho chặt.
Bộ phận nào cũng phải giao output tốt và ổn định, và AI cũng đi qua ba thứ đó.

Vốn dĩ công việc đã vận hành như thế, chẳng có gì mới. Ngay Anthropic cũng viết rằng workflow cố định cho kết quả dễ đoán và nhất quán.

Chỉ có một điểm làm ba thứ trên càng cần hơn, là cái nết mỗi lần một khác của AI. Giao việc cho một đồng nghiệp, mình còn dặn miệng được. Giao cho AI thì workflow, harness và gates phải viết ra thành chữ, rồi kiểm cho chặt. Theo mình, viết và kiểm ba thứ đó giờ là phần việc của người giao việc cho AI.

Câu thứ hai: không cần prompt engineering nữa, có một skill là one shot được mọi thứ

Câu này mới là cái nguy hiểm. Các thầy bà cứ bơm vào đầu mọi người rằng không cần prompt engineering gì nữa. Prompt engineering là việc viết và chỉnh prompt cho AI làm đúng ý. Họ bảo chỉ cần cài một skill, tức gói hướng dẫn soạn sẵn cho AI, là one shot được mọi thứ. One shot nghĩa là giao một lần và có ngay kết quả dùng được.

Một thầy bà giơ cao chai thần dược trước đám đông, còn một người mở chai ra thì chỉ thấy tờ giấy cuộn.
Minh họa tạo bằng AI (Google Flow), tranh thứ hai trong bảy tranh ở thân bài.

Nhưng các thầy bà ấy chắc quên mất rằng skill đó vốn dĩ chính là prompt. Theo tài liệu của Anthropic, một skill là một thư mục. Trong đó có tên, phần mô tả, và phần hướng dẫn viết bằng chữ cho model làm theo. Chữ hướng dẫn model làm việc thì gọi bằng tên gì cũng vẫn là prompt. Skill có thể kèm thêm script, tức đoạn code chạy sẵn, nhưng phần cốt lõi vẫn là chữ.

Một skill là một thư mục, và phần cốt lõi của nó vẫn là chữ

Skill, một thư mục

    • Tên
    • Phần mô tả
    • Phần hướng dẫn viết bằng chữ cho model làm theo
  • Script kèm thêm, tức đoạn code chạy sẵnCó thể có

Chữ hướng dẫn model làm việc thì gọi bằng tên gì cũng vẫn là prompt.

Skill gồm tên, phần mô tả và hướng dẫn bằng chữ, có thể kèm thêm script.

Prompt cũng không hề biến mất. Tháng 9 năm 2025, Anthropic viết rằng context engineering là bước tiếp nối tự nhiên của prompt engineering. Context engineering là việc chọn những thông tin nào model được đọc, ở mỗi lượt làm việc. Nghĩa là việc viết cho AI hiểu không mất đi, mà còn rộng hơn trước.

Theo mình, một skill hay tới đâu cũng chưa đủ làm output ổn định. Muốn ổn định thì vẫn phải quay về workflow, harness và gates. Thầy bà thì chỉ rao. Người quyết công ty làm gì với AI lại là nhân vật thứ ba.

Nhân vật thứ ba là các sếp: có nơi quyết định trước, hỏi bài toán sau

Sếp ở đây là người có quyền quyết công ty đưa AI vào việc gì. Nói cho công bằng, mình đoán sếp cũng nghe cùng những lời giục như mình. Mình kể bốn chuyện.

Có nơi tính xây model riêng, làm machine vision, drone và robotics khi chưa có nền dữ liệu

Mình biết một tập đoàn lớn, xin giấu tên. Họ muốn apply AI để cải tổ toàn bộ quy trình làm việc. Thứ đầu tiên họ nghĩ tới là xây model riêng cho tập đoàn, tức tự huấn luyện một bộ máy AI của riêng họ. Rồi họ tính làm machine vision, tức chương trình nhận ra vật trong ảnh, làm drone, làm robotics.

Ông sếp cắt băng khánh thành giữa drone và robot mới tinh, phía sau là những dãy tủ hồ sơ trống trơn.
Minh họa tạo bằng AI (Google Flow), tranh thứ ba trong bảy tranh ở thân bài.

Nghe thì rất oai. Nhưng họ còn chưa có một cái data center, tức nhà chứa máy chủ. Họ cũng chưa có cách structure data chuẩn, tức cách sắp dữ liệu theo một cấu trúc thống nhất. Vậy thì làm sao làm được?

Nói cho công bằng, data center thì thuê được. Người ta gọi đó là cloud, tức thuê máy chủ của hãng khác và trả tiền theo mức dùng. Còn dữ liệu của công ty sắp ra sao, từng thứ trong đó nghĩa là gì, thì người trong nhà phải tự trả lời.

Theo mình, trước khi xây bất cứ thứ gì, một công ty cần hai điều:

Nên khi nghe ai nói apply AI, câu đầu tiên đáng hỏi chưa phải là dùng model nào. Câu đáng hỏi là công ty đang muốn giải bài toán gì, và dữ liệu của nó nằm ở đâu.

Có nơi bắt team dùng AI săn giải, trong khi thứ họ muốn là có thêm việc

Chuyện tiếp theo mình thấy ở một agency design lớn. Agency là công ty nhận làm thiết kế thuê cho khách. Họ muốn cải tổ team design để có được nhiều việc hơn, nghe rất hợp lý. Nhưng rồi họ chỉ chăm chăm bắt designer tìm cách dùng AI làm website đạt Awwwards, một giải thưởng dành cho website.

Cả team design chạy theo một chiếc cúp vàng, còn hàng khách đang chờ ngoài cửa thì không ai tiếp.
Minh họa tạo bằng AI (Google Flow), tranh thứ tư trong bảy tranh ở thân bài.

Một website đạt giải trả lời câu hỏi làm sao cho đẹp hơn. Nó chưa trả lời câu hỏi làm sao có thêm việc. Hai câu đó nghe gần nhau, mà dẫn về hai hướng khác nhau.

Mình không nói giải thưởng vô ích. Một agency làm website kể rằng website họ làm cho một khách đã đạt giải. Có người thấy khách ấy trên Awwwards, rồi tìm tới ký một dự án mới. Nhưng đó là lời họ tự kể, và mình chưa thấy nghiên cứu độc lập nào đo chuyện này. Dù vậy, theo mình, khách hàng trả tiền cho kết quả kinh doanh, còn cái đẹp là thứ đi kèm.

Có nơi thấy AI làm lệch design system thì trách nhân viên, rồi tính build một skill

Chuyện thứ ba ở một công ty nọ, cũng xin giấu tên. Designer và FE, tức dev dựng giao diện, ở đó hay vibe design. Vibe design là tả bằng lời cho AI dựng giao diện. Kết quả cứ lệch dần khỏi design system, tức bộ component, như Button, và quy tắc chung giữ cho giao diện đồng nhất.

Lẽ ra câu đầu tiên phải là tại sao lại lệch. Nhưng công ty nghĩ ngay rằng lỗi do nhân viên không dùng skill, và harness còn kém. Một AI engineer, tức kỹ sư lo phần AI, đề xuất build một skill để AI lúc nào cũng bám vào design system.

Con robot xếp tường gạch lệch dần, ông sếp trách hai nhân viên, còn một kỹ sư chìa ra cuộn băng keo.
Minh họa tạo bằng AI (Google Flow), tranh thứ năm trong bảy tranh ở thân bài.

Nghe quen không? Skill ấy vẫn là một đoạn prompt, như đã nói ở phần thầy bà. Còn câu tại sao thì bài Design system thôi chưa đủ của mình đã trả lời kỹ. Ý chính của bài là design system được viết cho designer và dev đọc, chưa viết cho AI đọc. Nó cho biết có những component nào, nhưng ít khi nói lúc nào dùng cái nào. Thiếu phần đó thì AI phải đoán. Theo mình, thêm skill nào cũng không bù được phần còn thiếu ấy.

Design system cho biết có component nào, ít khi nói lúc nào dùng cái nào

Design system cho AI biết

Còn thiếu, nên AI phải đoán

  • Có những component nào
  • Quy tắc chung giữ cho giao diện đồng nhất

Lúc nào dùng cái nào

Design system được viết cho designer và dev đọc, chưa viết cho AI đọc.

Theo mình, thêm skill nào cũng không bù được phần còn thiếu ấy.

Phần còn thiếu trong design system là lúc nào dùng component nào.

Có nơi đặt cược vào AI trước, rồi phải quay lại với con người

Đầu năm 2024, hãng thanh toán Klarna nói trợ lý AI xử lý hai phần ba số chat chăm sóc khách hàng ngay tháng đầu. Hơn một năm sau, báo Entrepreneur thuật lời CEO của họ rằng chất lượng đã thấp đi. Công ty tuyển người trở lại.

Tháng 7 năm 2025, Commonwealth Bank of Australia định cắt 45 vị trí chăm sóc khách hàng khi ra mắt bot giọng nói. Tháng sau, ngân hàng rút lại kế hoạch, và nhận rằng đánh giá ban đầu là sai.

Theo mình, bốn chuyện giống nhau ở chỗ quyết định đi trước, còn câu hỏi về bài toán đi sau. Và người gánh các quyết định ấy lại là người khác.

“Nạn nhân” là nhân viên, ở bất kì vị trí nào

Người gánh là nhân viên. Dev, designer, QA, hay bất kì vị trí nào, ai cũng có phần. Mỗi nhân vật ở trên để lại cho họ một thứ:

Mỗi nhân vật để lại cho nhân viên một thứ

Nhấn vào từng nhân vật để xem thứ họ để lại.

  • Nỗi sợ, nhất là người mới vào nghề

  • Ảo tưởng: cài một skill rồi chờ kết quả one shot

  • Việc, có khi cả lỗi

Nhân viên, ở bất kì vị trí nào

AI để lại nỗi sợ, thầy bà để lại ảo tưởng, sếp để lại việc và có khi cả lỗi.

Có lúc thứ họ nhận còn nặng hơn. 45 vị trí ở ngân hàng kể trên suýt bị cắt, vì một đánh giá mà chính ngân hàng nhận là sai.

Thử đứng vào chỗ một nhân viên chăm sóc khách hàng, đây là ví dụ minh họa. Sáng thứ hai, cô nghe tin công ty sắp có chatbot, tức chương trình tự trò chuyện với khách, trả lời thay cô. Không ai nói với cô chatbot sẽ nhận loại câu hỏi nào, và cô sẽ làm gì tiếp. Trong khi đó, cô là người biết rõ khách hay gọi vì chuyện gì, và lúc nào thì khách bực. Thứ cô biết chính là thứ chatbot kia đang thiếu.

Người ta đẩy chiếc chatbot mới vào phòng, còn cô nhân viên ôm cuốn sổ dày ghi chuyện của khách thì không ai hỏi.
Minh họa tạo bằng AI (Google Flow), tranh thứ sáu trong bảy tranh ở thân bài.

Cộng ba thứ lại, người nhân viên dễ quên mất một câu hỏi của chính mình. Mình đang tạo ra giá trị gì cho công ty, và AI giúp mình tạo thêm ra sao?

Mình để chữ nạn nhân trong ngoặc kép là vì vậy. Chờ AI bớt giỏi, thầy bà bớt rao, sếp bớt vội thì không biết tới bao giờ. Thứ đổi được ngay là cách mình nhìn công việc của mình.

Muốn thôi làm “nạn nhân”, theo mình nhân viên cần hai kiểu tư duy: business mindset và product mindset

Đổi cách nhìn công việc bắt đầu từ một câu hỏi. Nếu AI lo bớt phần dựng, công ty cần gì ở nhân viên?

Theo mình, công ty cần người hiểu bài toán của doanh nghiệp và hiểu khách hàng. Mình nói trước cho sòng phẳng là chưa nguồn nào đo trực tiếp chuyện đó. Câu trả lời này là suy luận của mình. Nó dựa trên ba dấu hiệu, đều lấy từ nghề dev và design vì đó là nơi mình tìm được số:

Nơi thì than thiếu người biết phản biện, nơi thì tuyển thêm người lâu năm, còn designer nhận thêm việc sản phẩm. Mình đọc ba dấu hiệu đó theo cùng một hướng. Việc dựng thì AI gánh bớt. Việc chọn dựng cái gì, và biết AI dựng đúng hay sai, thì cần người hiểu chuyện. Mình nghĩ ở vị trí khác cũng vậy, dù chưa có số để chứng minh. Mình gom phần hiểu chuyện đó thành hai kiểu tư duy. Với mình, đó là lối ra cho người đang đứng giữa AI, thầy bà và sếp.

Business mindset là hỏi vì sao, bắt đầu từ mục tiêu và nối với kết quả kinh doanh

Thử bước vào một ngân hàng, vẫn là ví dụ minh họa. Ngân hàng muốn khách mở tài khoản ngay trên điện thoại. Team thiết kế làm màn hình rất đẹp, ai xem cũng khen. Vài tuần sau, số tài khoản mở mới vẫn không nhúc nhích.

Người có business mindset sẽ chưa sửa màn hình vội. Họ hỏi mục tiêu thật là gì. Mục tiêu là khách mở xong tài khoản, chứ đâu phải khách khen màn hình đẹp. Rồi họ hỏi bao nhiêu khách bỏ dở, bỏ ở bước nào, và vì sao. Mỗi khách bỏ dở là một lần ngân hàng tốn tiền quảng cáo mà không được gì. Có khi khách kẹt ở bước chụp giấy tờ, chụp mấy lần cũng bị báo mờ. Lúc đó đổi màu nút bấm không giúp được gì.

Gọi tên ra thì business mindset gồm ba thói quen:

Người hỏi vì sao khách bỏ dở ở bước chụp giấy tờ là đang dùng cả ba thói quen. Người đó là designer, dev hay QA đều được. Agency ở trên có mục tiêu thật là thêm việc, nhưng thứ họ đuổi theo lại là giải thưởng.

Product mindset bắt đầu từ khách hàng, tức người trả tiền để dùng sản phẩm

Business mindset nhìn từ phía công ty. Product mindset nhìn từ phía người trả tiền để dùng sản phẩm. Muốn thiết kế một thứ tốt cho họ, mình phải hiểu họ đang đi qua hành trình nào. Trên hành trình đó họ vướng ở đâu, và vướng trong hoàn cảnh nào. Hiểu vậy rồi thì thứ mình đưa ra mới khớp với điều họ cần. Lúc đó mới gọi là tạo ra giá trị.

Product mindset, theo cách mình làm, gồm ba việc nối nhau:

Hai kiểu tư duy nhìn công việc từ hai phía

Business mindset

Nhìn từ phía công ty

Product mindset

Nhìn từ phía người trả tiền để dùng sản phẩm

  1. 1

    Critical thinking, tức hỏi vì sao và kiểm lại điều mình đang tin

  2. 2

    Goal driven, tức bắt đầu từ mục tiêu cần đạt

  3. 3

    Business oriented, tức biết mục tiêu dính tới tiền, chi phí và rủi ro

  1. 1

    Customer experience design, tức thiết kế trải nghiệm của khách hàng

  2. 2

    Event-driven design, tức thiết kế theo các sự kiện xảy ra với khách

  3. 3

    Ontology, tức bản ghi những thứ có trong nghề và thứ nào gắn với thứ nào

Ba việc nối nhau

Business mindset nhìn từ phía công ty, product mindset nhìn từ phía người trả tiền.

Muốn làm việc đầu tiên, tức thiết kế trải nghiệm, mình cần biết ba từ. Customer journey là các bước khách đi qua, từ lúc có nhu cầu tới lúc xong việc. Pain point là chỗ khách vướng hoặc khổ. Context là hoàn cảnh của khách lúc đó.

Giờ thử ra sân bay, vẫn là ví dụ minh họa. Một hành khách vừa đáp chuyến đầu, phải nối sang chuyến thứ hai, có một kiện hành lý ký gửi. SITA, hãng làm công nghệ cho ngành hàng không, có đếm chuyện này, và đây là số thật. Trong năm 2025, cứ 1.000 hành khách thì có 4,9 kiện hành lý bị xử lý sai. 39% số đó xảy ra ở chặng nối chuyến.

Hành trình của người khách trong ví dụ có bốn bước: đáp chuyến đầu, đi nối chuyến, đáp chuyến sau, ra băng chuyền. Người ấy chỉ biết hành lý không tới khi đứng trước băng chuyền đã trống trơn. Pain point lộ ra ở bước cuối, nhưng gốc của nó nằm ở bước nối chuyến. Còn context là một người đã mệt sau hai chuyến bay, đứng chờ một cái vali không tới. Giá như lúc nối chuyến có ai báo trước rằng hành lý không kịp, người ấy đã tính khác. Đó là đề xuất của mình, chưa phải việc sân bay nào đã làm.

Pain point lộ ra ở băng chuyền, nhưng gốc của nó nằm ở bước nối chuyến

Ví dụ minh họa, chưa phải kết quả đo

  1. 1Đáp chuyến đầu
  2. 2Đi nối chuyến

    Gốc của pain point

  3. 3Đáp chuyến sau
  4. 4Ra băng chuyền

    Pain point lộ ra: băng chuyền trống trơn

Context: một người đã mệt sau hai chuyến bay, đứng chờ một cái vali không tới

Chặng nối chuyến chiếm 39% số kiện hành lý bị xử lý sai

Số thật, của SITA, năm 2025

Cứ 1.000 hành khách có 4,9 kiện hành lý bị xử lý sai

39% số đó xảy ra ở chặng nối chuyến

Xem bảng số liệu
Số đo của SITAGiá trị
Kiện hành lý bị xử lý sai, trên 1.000 hành khách4,9 kiện
Phần xảy ra ở chặng nối chuyến39%

Nguồn: SITA, qua Macau Business.

Ví dụ minh họa về hành trình của một hành khách nối chuyến, kèm số thật của SITA.

Việc thứ hai của product mindset là event-driven design, tức nhìn sản phẩm như chuỗi sự kiện xảy ra với khách

Ở sân bay, chuyến bay đầu đáp muộn là một event, tức một việc xảy ra tại một thời điểm. Hành lý không kịp chuyển sang chuyến sau cũng là một event. Event-driven design hỏi một câu giản dị. Khi việc đó xảy ra, sản phẩm làm gì cho khách?

Lấy thêm một ví dụ minh họa, lần này là app sức khỏe cho người cao huyết áp. Event ở đây là một lần đo huyết áp cao, một ngày quên uống thuốc, hay một tuần không mở app. Với từng event, team quyết định app nói gì, nói lúc nào, và nói với ai.

Với từng event, team quyết định app nói gì, nói lúc nào, và nói với ai

Ví dụ minh họa, chưa phải kết quả đo

Event trong app sức khỏe cho người cao huyết áp

Team quyết định

  • Một lần đo huyết áp cao
  • Một ngày quên uống thuốc
  • Một tuần không mở app
  • App nói gì
  • Nói lúc nào
  • Nói với ai
Ví dụ minh họa về ba event của app sức khỏe và ba việc team phải quyết định.

Nghe tới đây dễ tưởng cứ gửi thật nhiều thông báo là xong. Không hẳn vậy. Có một thử nghiệm kéo dài 6 tháng, gửi cho người cao huyết áp những thông báo viết riêng cho từng người. Trong một giờ sau mỗi thông báo, số bước đi của họ không tăng. Trong một ngày sau đó, họ cũng không chọn món ít muối nhiều hơn. Một phân tích phụ thấy họ mở app nhiều hơn. Gửi nhiều chưa chắc đổi được hành vi, nên phần khó là chọn đúng event và đúng cách phản hồi. Rồi team còn phải đo xem khách có đổi hành vi thật không.

Việc thứ ba là ontology, tức ghi ra điều người trong nghề ngầm hiểu, để cả team và AI hiểu cùng một nghĩa

Tới đây mình đã có hành trình và các event. Còn thiếu một thứ để cả team nói cùng một ngôn ngữ, đó là ontology. Bốn ví dụ minh họa ở trên, khi viết thành ontology, trông như sau:

Ontology ghi các thứ trong nghề và thứ nào gắn với thứ nào

Ví dụ minh họa: quán cafe

  1. Quán cafe

  2. Có khách quen

  3. Khách quen

    Khách quen là người đã ghé nhiều lần

  4. Mỗi khách quen có một gu riêng

  5. Gu cà phê

  6. Quán cafeQuán ghi lại gu đóGu cà phêQuán ghi lại gu đó

Ví dụ minh họa: app sức khỏe

  1. App sức khỏe

  2. Có bệnh nhân

  3. Bệnh nhân

  4. Mỗi người có nhiều lần đo huyết áp

  5. Lần đo huyết áp

    Lần đo nào cao quá ngưỡng thì thành một event cần phản hồi

Ví dụ minh họa: ngân hàng

  1. Ngân hàng

  2. Có hồ sơ mở tài khoản

  3. Hồ sơ mở tài khoản

  4. Đi qua nhiều bước

  5. Bước

    Bước nào thiếu giấy tờ thì hồ sơ dừng lại ở bước đó

Ví dụ minh họa: sân bay

  1. Sân bay

  2. Có hành khách

  3. Hành khách

  4. Đi một vé gồm nhiều chặng

  5. Chặng

    Mỗi chặng có thể kèm hành lý

    Hành lý ở chặng nối cần đủ thời gian để kịp chuyến sau

Bốn ví dụ minh họa viết thành ontology: quán cafe, app sức khỏe, ngân hàng và sân bay.

Đọc thì thấy toàn chuyện hiển nhiên. Nhưng theo mình, những câu hiển nhiên đó hay nằm trong đầu vài người lâu năm, chưa ai viết ra. Mà phải người hiểu nghề mới viết ra được.

Journey, event và ontology cũng chính là ngữ cảnh mà AI cần

Ba thứ vừa kể đâu chỉ để người trong team đọc với nhau. Đó cũng là ngữ cảnh mình đưa cho AI. Có ngữ cảnh, AI biết khách là ai, đang ở chặng nào, và từng từ trong nghề nghĩa là gì. Một skill tải sẵn trên mạng không mang theo ngữ cảnh của công ty bạn. Người hiểu nghề phải tự viết ra.

Journey, event và ontology gộp lại thành ngữ cảnh mình đưa cho AI

  • Journey
  • Event
  • Ontology

Ngữ cảnh

AI

  • Khách là ai
  • Đang ở chặng nào
  • Từng từ trong nghề nghĩa là gì

Người hiểu nghề phải tự viết ra.

Có ngữ cảnh, AI biết khách là ai, đang ở chặng nào và từng từ trong nghề nghĩa là gì.

Có ngữ cảnh thì câu trả lời của AI mới trúng

Bật từng nút để thêm ngữ cảnh cho AI, rồi xem câu trả lời đổi ra sao.

Ví dụ minh họa, chưa phải kết quả đo
Trợ lý của hãng bay

Xin chào, tôi có thể giúp gì cho quý khách?

Vali của tôi không ra băng chuyền.

Rất tiếc về vali của quý khách.

Quý khách vừa nối chuyến, đang ở băng chuyền chặng cuối.

Kiện hành lý đã không kịp chuyển sang chuyến sau, nên quý khách không cần chờ thêm.

Vali đó là kiện ký gửi ở chặng đầu, cùng vé với chuyến này.

Mời quý khách ra quầy hành lý.

Ngữ cảnh AI đang có

Bật từng nút để thêm ngữ cảnh cho AI, rồi xem câu trả lời đổi ra sao.

Còn khi AI nói sai với khách, doanh nghiệp là bên chịu. Chatbot của Air Canada từng bảo một hành khách rằng ông có thể xin giá vé giảm cho người chịu tang sau khi bay xong. Theo tường thuật vụ kiện, một trang khác trên website của hãng lại nói ngược lại. Một tòa ở British Columbia, Canada, buộc hãng bồi thường hơn 800 đô la. Phán quyết chỉ nói về trách nhiệm của hãng. Mình suy thêm rằng chatbot ấy thiếu đúng phần ngữ cảnh về chính sách vé.

Ngữ cảnh cũng là chỗ mình thấy AI tạo ra giá trị cho người làm nghề. Người nắm ngữ cảnh là người biết nên nhờ AI dựng cái gì. Nhớ lại ngân hàng trong ví dụ. Trước kia, designer thấy khách kẹt ở bước chụp giấy tờ thì phải chờ dev dựng bản sửa. Giờ người đó nhờ AI dựng thử, rồi tự xem cách sửa có đúng không. Còn QA hiểu hành trình ấy thì biết bước nào cần kiểm kỹ trước. Hiểu khách tới đâu, mình làm được tới đó.

Mình tin ai viết được journey, event và ontology cho việc của mình thì giao việc được cho AI. Người đó cũng biết AI làm đúng hay sai.

Câu trả lời khi bật ít nút hơn:

Chưa bật nút nào
Rất tiếc về vali của quý khách. Mời quý khách ra quầy hành lý.
Chỉ bật Journey
Rất tiếc về vali của quý khách. Quý khách vừa nối chuyến, đang ở băng chuyền chặng cuối. Mời quý khách ra quầy hành lý.
Bật Journey và Event
Rất tiếc về vali của quý khách. Quý khách vừa nối chuyến, đang ở băng chuyền chặng cuối. Kiện hành lý đã không kịp chuyển sang chuyến sau, nên quý khách không cần chờ thêm. Mời quý khách ra quầy hành lý.

Tuần này bạn có thể bắt đầu từ năm việc nhỏ, ở vị trí nào cũng làm được

Không cần đợi AI, thầy bà hay sếp thay đổi, bạn có thể thử năm việc này ngay trong tuần.

Đã xong 0 trên 5 việc

AI tạo giá trị cho người hiểu vấn đề của doanh nghiệp và của khách hàng

Quay lại chuyến đò ở đầu bài. Dùng AI bây giờ không còn khó, nên thật ra chẳng ai lỡ chuyến đò ấy.

Chuyến đò chật người vui vẻ rời bến, còn một người đứng lại nhìn sang bờ bên kia.
Minh họa tạo bằng AI (Google Flow), tranh thứ bảy trong bảy tranh ở thân bài.

Ba nhân vật kia chắc sẽ còn nguyên. AI vẫn giỏi lên, thầy bà vẫn rao, và sếp vẫn sốt ruột. AI có lấy bớt việc dựng, và người chỉ giỏi dựng sẽ thấy áp lực. Mình không giấu chuyện đó.

Nhưng với mình, apply AI không phải là xây model cho oai, săn giải cho đẹp, hay tìm một skill thần kỳ. Nó vẫn là việc cũ. Đó là hiểu vấn đề gốc của doanh nghiệp, và hiểu khách hàng đang vướng ở đâu. Hiểu rồi, bạn mới giao cho AI làm trong một process có workflow, harness và gates.

Ai làm được việc cũ đó thì AI là người phụ việc rất khỏe của họ. Mình tin giá trị của bạn nằm ở chỗ biết nên giải bài toán nào và giải cho ai. Người như vậy khó mà thành nạn nhân của ai.

Lên đò thì dễ. Câu đáng hỏi là mình qua sông để làm gì.