Một trong những rào cản lớn nhất Linh thường gặp không phải là người đi làm không biết sử dụng AI, mà là tự loại mình khỏi cuộc chơi quá sớm. Chỉ vì không biết lập trình, không hiểu mô hình AI hoạt động thế nào hay không theo kịp tên của hàng chục công cụ mới, nhiều bạn mặc định rằng mình đang thiếu thứ quan trọng nhất.

Nhưng khi đưa AI vào công việc, kiến thức về công nghệ chỉ là một phần. Một lợi thế rất lớn khác lại đến từ chính kinh nghiệm bạn đã tích lũy trong công việc của mình.

Một lập trình viên có thể xây chatbot hỗ trợ sàng lọc hồ sơ ứng viên trong một buổi chiều. Nhưng một người làm tuyển dụng nhiều năm mới hiểu những điều rất khó thể hiện hết trong một bản mô tả công việc: dấu hiệu nào trên CV cần được tìm hiểu kỹ hơn, tiêu chí nào thực sự quan trọng với vị trí đang tuyển, vì sao một ứng viên rất tốt trên giấy vẫn có thể không phù hợp, hay điều gì khiến một ứng viên tiềm năng rời khỏi quy trình tuyển dụng.

Nếu thiếu những hiểu biết này, công cụ vẫn có thể chạy rất tốt về mặt kỹ thuật, nhưng lại giải quyết sai bài toán về nghiệp vụ. Những hiểu biết như vậy không đến từ việc biết nhiều công cụ. Chúng được tích lũy qua nhiều năm làm việc, quan sát, thử sai và xử lý những tình huống thực tế.

Linh nghĩ nhiều người đi làm đang đánh giá thấp chính mình ở chỗ này. Những gì bạn tích lũy sau 5, 10 hay 20 năm làm việc không chỉ là “kinh nghiệm”. Đó là một hệ thống gồm tiêu chuẩn, ngoại lệ, phán đoán và những hiểu biết ngầm mà người ngoài ngành rất khó có được. AI càng mạnh, khả năng chuyển những hiểu biết đó thành chỉ dẫn rõ ràng cho AI càng trở nên có giá trị.

Vì vậy, khi bắt đầu với AI, bạn không cần đặt mình vào vị trí của một người phải học lại mọi thứ từ đầu. Hãy bắt đầu từ vị trí của một người đã hiểu công việc và đang có thêm một công cụ mới để làm công việc đó tốt hơn.

Khi nhìn theo cách này, việc không phải lập trình viên không còn là điểm yếu lớn như nhiều bạn vẫn nghĩ. Trong rất nhiều bài toán, lợi thế của bạn nằm ở chỗ bạn hiểu công việc đủ sâu để biết AI nên làm gì, thay vì chỉ biết AI có thể làm gì.

Nếu để ý kỹ bạn sẽ thấy người làm việc cẩn thận thường có một thói quen rất hợp lý: trước khi sử dụng một công cụ mới, họ muốn hiểu rõ nó. Họ chờ một khóa học đầy đủ, chờ hướng dẫn chính thức từ công ty, một quy trình đã được chuẩn hóa hoặc ít nhất là đến khi công nghệ ổn định hơn rồi mới bắt đầu.

Với nhiều thế hệ công nghệ trước, cách tiếp cận đó khá hiệu quả. Nhưng với AI, có một vấn đề: tốc độ thay đổi của công nghệ có thể nhanh hơn tốc độ bạn hoàn thành việc “học cho đủ”.

Công cụ thay đổi, tính năng mới xuất hiện, cách sử dụng tốt nhất cũng liên tục được cập nhật. Nếu mục tiêu của bạn là hiểu thật đầy đủ rồi mới bắt đầu, bạn rất dễ rơi vào một vòng lặp: càng đọc càng thấy còn nhiều thứ chưa biết, và càng chưa biết thì càng trì hoãn việc sử dụng.

Vì vậy Linh nghĩ việc học AI cần đảo chiều một chút: đừng chỉ học rồi mới làm, hãy làm để biết mình cần học gì.

“Bắt sóng” AI cũng giống như học lướt sóng. Bạn không thể đứng trên bờ, nghiên cứu tất cả các con sóng rồi đợi đến khi chắc chắn mình sẽ không ngã mới xuống nước. Người nhận ra sóng tốt hơn thường là người đã ở dưới nước đủ lâu để hiểu cảm giác của từng con sóng. 😀

Với AI cũng vậy. Một lần bạn dùng AI để xử lý một công việc thật, nhìn thấy nó làm tốt ở đâu và sai ở đâu thường cho bạn nhiều hiểu biết hơn việc đọc thêm một danh sách “50 công cụ AI bạn cần biết”.

Nếu bạn muốn rút ngắn thời gian tự mày mò, các khóa AI ứng dụng tại Skills Bridge cũng được thiết kế theo cách này: bắt đầu từ những tình huống công việc thật của người không làm kỹ thuật, thay vì bắt đầu bằng lý thuyết công nghệ. Tự học hay tham gia một chương trình có hướng dẫn đều tốt. Quan trọng hơn là bạn tạo được một nhịp thử nghiệm đủ đều để AI dần trở thành một phần trong cách mình làm việc.

Nếu hai thay đổi đầu tiên giúp bạn bắt đầu sử dụng AI, thì Linh nghĩ thay đổi thứ ba mới quyết định bạn có thể sử dụng nó lâu dài và an toàn hay không.

Một trong những điều nguy hiểm nhất ở AI không phải là lúc nó trả lời rất tệ. Khi câu trả lời vô lý, chúng ta nhận ra ngay và kiểm tra lại. Khó hơn là khi AI sai một cách rất thuyết phục: câu chữ mạch lạc, lập luận có vẻ hợp lý, bảng biểu đẹp và giọng điệu đầy tự tin.

Khi AI liên tục cho chúng ta những kết quả tốt, một phản ứng rất tự nhiên sẽ xuất hiện: chúng ta bắt đầu tin nó nhiều hơn, giao cho nó những việc khó hơn và kiểm tra ít hơn. Chính ở đây, năng suất tăng lên nhưng rủi ro cũng bắt đầu tăng theo.

Một nghiên cứu thực địa với các tư vấn viên của Boston Consulting Group do các nhà nghiên cứu từ Harvard Business School cùng các trường khác thực hiện đã mô tả hiện tượng này bằng khái niệm “jagged technological frontier” – có thể hiểu là một “đường biên năng lực lởm chởm” của AI. 

Có những nhiệm vụ nằm trong vùng AI làm rất tốt, giúp người sử dụng hoàn thành công việc nhanh hơn và đạt chất lượng cao hơn. Nhưng ở những nhiệm vụ nằm ngoài vùng năng lực đó, việc sử dụng AI có thể khiến người dùng dễ đưa ra câu trả lời sai hơn.

Điểm đáng chú ý nằm ở chính sự “lởm chởm” này: nhìn từ bên ngoài, chúng ta không phải lúc nào cũng biết một nhiệm vụ đang nằm ở phía nào của đường biên. Có việc tưởng rất phức tạp nhưng AI xử lý xuất sắc; cũng có việc tưởng đơn giản nhưng lại chứa những bẫy mà AI không nhận ra.

Vì vậy, khi AI ngày càng làm được nhiều hơn, vai trò của con người không biến mất. Nó dịch chuyển từ người trực tiếp làm mọi bước, sang người quyết định việc gì nên giao, đặt tiêu chuẩn, kiểm tra kết quả và chịu trách nhiệm cho quyết định cuối cùng.

Bạn có thể bắt đầu xây dựng năng lực đó bằng một vài thói quen rất cụ thể:

Và Linh có thêm một nguyên tắc rất đơn giản: đừng gửi đi bất kỳ kết quả quan trọng nào từ AI nếu chính bạn không thể giải thích được vì sao nó đúng và vì sao bạn đồng ý với nó.

Bởi cuối cùng, khách hàng, đồng nghiệp hay cấp trên không giao trách nhiệm cho ChatGPT. Họ giao trách nhiệm cho bạn.