AI Có Thể Tăng Tốc Công Việc, Nhưng Không Thể Rút Ngắn Con Đường Trở Thành Người Giỏi

Một nghịch lý đang định hình cách chúng ta học tập và làm việc: trí tuệ nhân tạo có thể giúp một lập trình viên hoàn thành công việc nhanh gấp ba lần, nhưng không có công cụ nào giúp một người trở thành chuyên gia nhanh gấp ba lần.

Điều này không phải là mâu thuẫn. Nó cho thấy chúng ta thường đánh đồng hai việc hoàn toàn khác nhau: tạo ra một kết quả và xây dựng năng lực để tạo ra kết quả ấy một cách đáng tin cậy.

Một chatbot có thể viết một đoạn mã trong vài giây. Nhưng để biết đoạn mã đó có an toàn không, có phù hợp với hệ thống không, có xử lý đúng những trường hợp hiếm gặp không, người dùng vẫn cần kiến thức, kinh nghiệm và khả năng phán đoán. AI làm giảm thời gian sản xuất đầu ra. Nó không tự động làm giảm thời gian hình thành năng lực.

Đây là câu hỏi quan trọng hơn cả việc AI có thay thế con người hay không: khi công cụ làm cho việc thực hiện trở nên dễ dàng, con người sẽ rèn luyện năng lực thật sự bằng cách nào?

Tốc độ của công cụ và tốc độ của con người không giống nhau

Trong lập trình, AI có thể tìm lỗi, viết kiểm thử, trả lời câu hỏi và tạo ra những đoạn mã mới. Những tác vụ từng đòi hỏi nhiều giờ nay có thể hoàn thành trong vài phút. Nhưng khả năng tạo mã không đồng nghĩa với khả năng hiểu hệ thống.

Hãy tưởng tượng một người mới học lái xe được trao một chiếc xe tự động có thể tự tìm đường. Người đó có thể đến đích nhanh hơn trong một số tình huống. Tuy nhiên, nếu xe gặp đường ngập, biển báo bất thường hoặc lỗi định vị, người lái có thể không biết phải làm gì. Tốc độ di chuyển đã tăng, nhưng năng lực xử lý tình huống chưa chắc đã tăng theo.

AI trong công việc trí óc cũng tương tự. Nó có thể tạo ra câu trả lời hợp lý, nhưng câu trả lời hợp lý không nhất thiết là câu trả lời đúng. Một hệ thống AI từng có thể trả lời sai một phần rất lớn các câu hỏi lập trình. Điều đáng lo không chỉ là sai sót ấy, mà là người dùng thiếu năng lực kiểm tra thường không nhận ra nó sai ở đâu.

Vì thế, năng suất do AI tạo ra có hai tầng. Tầng thứ nhất là năng suất bề mặt: tốc độ viết, tốc độ tìm kiếm, tốc độ tạo bản nháp. Tầng thứ hai là năng suất đáng tin cậy: khả năng xác định mục tiêu đúng, đánh giá đầu ra, phát hiện lỗi và chịu trách nhiệm về quyết định cuối cùng.

AI hiện nay chủ yếu khuếch đại tầng thứ nhất. Muốn tận dụng nó ở tầng thứ hai, con người phải có nền tảng đủ vững.

Công cụ càng giỏi tạo ra câu trả lời, năng lực đặt câu hỏi và kiểm tra câu trả lời càng trở nên quý giá.

Đây là lý do lời khuyên về việc dành nhiều thời gian cho một lĩnh vực không hề lỗi thời trong thời đại AI. Trái lại, nó trở nên cấp thiết hơn. Khi mọi người đều có thể tạo ra sản phẩm ban đầu bằng cùng một công cụ, lợi thế không còn nằm ở việc ai tạo ra bản nháp nhanh nhất. Lợi thế nằm ở việc ai nhìn thấy vấn đề mà bản nháp ấy đang che giấu.

Người mới thường nhầm sự trôi chảy với năng lực

Một trong những cạm bẫy lớn nhất của AI là nó làm cho việc học có vẻ dễ hơn thực tế. Một người có thể yêu cầu chatbot giải thích một khái niệm, viết một bài luận, tạo kế hoạch học tập hoặc sửa một đoạn mã. Câu trả lời xuất hiện ngay lập tức, mạch lạc và tự tin. Cảm giác tiến bộ đến trước sự tiến bộ thật sự.

Trong học tập, đây là sự khác biệt giữa nhận biết và làm được. Đọc một lời giải khiến ta cảm thấy mình hiểu bài. Nhưng khi không còn lời giải trước mắt, ta có tự mình xác định được vấn đề, chọn phương pháp và sửa sai hay không? Nếu không, kiến thức ấy mới chỉ nằm ở mức nhận diện, chưa trở thành năng lực.

Một người học cầu lông có thể xem hàng trăm video về cách cầm vợt, nhưng cơ thể vẫn cần thời gian để hình thành cảm giác đúng. Người học quần vợt có thể biết lý thuyết về điểm tiếp xúc, tư thế và nhịp đánh, nhưng không thể dùng hiểu biết đó để thay thế hàng nghìn lần lặp lại. Thời gian không chỉ dành cho việc tiếp nhận thông tin. Nó dành cho việc biến thông tin thành phản xạ, phán đoán và cảm giác nghề nghiệp.

Trong lập trình cũng vậy. Người mới có thể yêu cầu AI viết một hàm sắp xếp hoặc xây dựng một giao diện. Nhưng năng lực thật sự được hình thành khi họ tự vật lộn với những câu hỏi như: dữ liệu đầu vào có thể bất thường đến đâu, độ phức tạp tính toán có chấp nhận được không, lỗi bảo mật nằm ở đâu, vì sao hệ thống chậm khi số người dùng tăng lên?

Nếu AI luôn làm thay phần khó nhất, người học sẽ mất chính phần bài tập cần thiết để trưởng thành. Họ có thể sở hữu nhiều sản phẩm hơn nhưng hiểu ít hơn. Đây là ảo giác năng lực: đầu ra của công cụ được nhầm là năng lực của người sử dụng.

Cách tránh ảo giác này là phân biệt ba vai trò của AI trong quá trình học:

1. Người hướng dẫn: giải thích khái niệm, đưa ra ví dụ và gợi ý hướng tiếp cận.
2. Đối tác phản biện: chất vấn giả định, tìm trường hợp ngoại lệ và chỉ ra điểm yếu trong lập luận.
3. Người làm thay: tạo toàn bộ sản phẩm mà người học chưa đủ khả năng đánh giá.

Hai vai trò đầu thường làm năng lực tăng lên. Vai trò thứ ba có thể chỉ làm tăng sự phụ thuộc. Không phải cứ sử dụng AI nhiều là học nhanh. Ta học nhanh hơn khi AI buộc ta suy nghĩ rõ hơn, chứ không phải khi nó giúp ta suy nghĩ ít hơn.

Thất bại không phải cái giá của việc học, mà là dữ liệu của việc học

Khi một đoạn mã do AI tạo ra bị lỗi, phản ứng phổ biến là sửa nhanh để tiếp tục. Khi một bài kiểm tra có kết quả kém, người học thường tìm một lời giải mẫu rồi chuyển sang phần khác. Khi một dự án thất bại, nhiều người hoặc bỏ cuộc, hoặc cố gắng gỡ lại bằng cách làm nhiều hơn mà không thay đổi phương pháp.

Cả ba phản ứng đều bỏ lỡ giá trị lớn nhất của thất bại: thất bại cung cấp thông tin về khoảng cách giữa điều ta tưởng mình biết và điều ta thật sự làm được.

Có thể xem quá trình phát triển năng lực như một vòng lặp gồm bốn bước:

1. Đặt giả thuyết về cách làm.
2. Thực hiện trong một tình huống cụ thể.
3. So sánh kết quả với tiêu chuẩn mong muốn.
4. Xác định chính xác điều gì sai và điều chỉnh một biến quan trọng.

AI có thể hỗ trợ cả bốn bước, nhưng không thể thay thế trách nhiệm nhận diện sai lầm. Nếu chỉ yêu cầu AI sửa lỗi, ta có một sản phẩm tốt hơn. Nếu tự hỏi vì sao lỗi xuất hiện, trong điều kiện nào nó lặp lại và dấu hiệu nào có thể giúp phát hiện sớm, ta có một người làm việc tốt hơn.

Đây là khác biệt giữa sửa lỗi và học từ lỗi. Sửa lỗi làm cho nhiệm vụ hiện tại hoàn thành. Học từ lỗi làm cho những nhiệm vụ tương lai ít phụ thuộc vào sự trợ giúp hơn.

Ví dụ, một lập trình viên có thể đưa thông báo lỗi cho AI và nhận lại bản sửa. Nhưng sau đó, họ nên ghi lại ba điều: giả định ban đầu là gì, dấu hiệu nào cho thấy giả định đó sai, và một bài kiểm tra nào có thể ngăn lỗi quay lại. Qua thời gian, những ghi chép ấy trở thành thư viện phán đoán cá nhân, thứ không thể tải xuống bằng một câu lệnh.

Trong giáo dục, giáo viên cũng có thể dùng AI để tạo nhiều câu hỏi hơn, nhưng giá trị thật sự nằm ở việc thiết kế những câu hỏi khiến học sinh phải giải thích cách nghĩ, dự đoán sai lầm và tự đánh giá mức độ chắc chắn của mình. Một câu trả lời đúng chưa đủ. Cần biết người học đã đi đến câu trả lời ấy bằng con đường nào.

Kỷ luật mới: làm chậm ở nơi cần hiểu, tăng tốc ở nơi có thể tự động hóa

Vấn đề không phải là chọn giữa kiên nhẫn và AI. Vấn đề là biết phần nào của công việc nên tăng tốc, phần nào phải cố ý làm chậm.

Có thể chia một nhiệm vụ thành ba vùng.

Vùng tự động hóa gồm những việc lặp lại, có tiêu chuẩn rõ và dễ kiểm tra. Chẳng hạn như tạo bản nháp, chuyển đổi định dạng, viết các đoạn mã đơn giản hoặc tóm tắt tài liệu. Ở vùng này, AI giúp tiết kiệm thời gian đáng kể.

Vùng cộng tác gồm những việc cần nhiều phương án và phản hồi. AI có thể đề xuất cách tiếp cận, mô phỏng người phản biện, tạo trường hợp kiểm thử hoặc chỉ ra những câu hỏi chưa được đặt ra. Con người vẫn phải lựa chọn và kiểm chứng.

Vùng phán đoán gồm những quyết định liên quan đến mục tiêu, rủi ro, đạo đức và trách nhiệm. Chẳng hạn như chẩn đoán y tế, đánh giá một học sinh, thiết kế kiến trúc bảo mật hoặc quyết định có nên triển khai một hệ thống. Ở vùng này, tốc độ không phải tiêu chuẩn duy nhất. Một quyết định nhanh nhưng sai có thể tạo ra chi phí lớn hơn nhiều lần thời gian tiết kiệm được.

Người sử dụng AI khôn ngoan không cố làm mọi thứ nhanh nhất. Họ dành thời gian cho những điểm mà sai lầm có giá đắt nhất.

Một quy tắc thực tế là: hãy để AI tạo ra nhiều phương án, nhưng đừng để AI quyết định tiêu chuẩn đánh giá. Tiêu chuẩn ấy phải đến từ hiểu biết về lĩnh vực, kinh nghiệm với các trường hợp thực tế và sự thành thật về giới hạn của bản thân.

Sự thành thật này rất quan trọng. Nhiều người biết rõ người khác giỏi hay kém thế nào, nhưng không biết mình đang ở đâu trên bản đồ năng lực. Trong thời đại công cụ thông minh, việc tự đánh giá càng khó vì sản phẩm do mình tạo ra có thể trông chuyên nghiệp hơn trình độ thật.

Một phép thử đơn giản là tắt AI và tự thực hiện một phiên bản nhỏ của nhiệm vụ. Nếu không thể giải thích từng quyết định, dự đoán các lỗi có thể xảy ra hoặc sửa một biến thể mới, ta chưa thực sự làm chủ công việc. Ta chỉ đang vận hành một hệ thống mà mình chưa hiểu.

Một mô hình trưởng thành trong thời đại AI

Năng lực bền vững có thể được hình dung như một tam giác gồm ba cạnh: thời gian, tự nhận thức và phản hồi.

Thời gian tạo ra độ sâu. Nó cho phép ta gặp đủ nhiều tình huống để phân biệt quy tắc thật với mẹo tạm thời. Tự nhận thức cho biết ta đang thiếu kiến thức, kỹ năng hay khả năng phán đoán. Phản hồi biến thất bại thành dữ liệu thay vì thành lý do để xấu hổ hoặc bỏ cuộc.

AI có thể làm biến đổi cạnh thời gian, nhưng không thể xóa bỏ tam giác ấy. Nó rút ngắn nhiều thao tác, đồng thời nâng cao yêu cầu đối với hai cạnh còn lại. Ta cần hiểu mình hơn để biết lúc nào nên tin đầu ra. Ta cần phản hồi tốt hơn để phát hiện những lỗi mà tốc độ sản xuất che khuất.

Vì vậy, mục tiêu không nên là trở thành người làm việc nhanh nhất với AI. Mục tiêu là trở thành người có thể biến tốc độ của AI thành chất lượng, đồng thời biết lúc nào cần dừng lại để kiểm tra.

Những điều có thể áp dụng ngay

• Tách thời gian tạo ra khỏi thời gian kiểm chứng. Khi dùng AI để viết mã, soạn tài liệu hoặc phân tích dữ liệu, hãy dành một khoảng thời gian độc lập để kiểm tra giả định, trường hợp ngoại lệ và tiêu chuẩn chất lượng.

• Làm một phần quan trọng bằng năng lực của chính mình. Trước khi yêu cầu AI giải toàn bộ bài toán, hãy tự phác thảo cách tiếp cận hoặc viết phiên bản đầu tiên. Sau đó dùng AI như người phản biện, không chỉ như người làm thay.

• Ghi lại sai lầm theo cấu trúc. Mỗi lần thất bại, hãy viết: tôi đã dự đoán điều gì, thực tế xảy ra gì, nguyên nhân có khả năng nhất là gì, và lần tới tôi sẽ kiểm tra điều gì sớm hơn.

• Đo mức độ hiểu bằng khả năng chuyển giao. Sau khi được AI giải thích, hãy thử giải quyết một ví dụ mới không giống hoàn toàn ví dụ cũ. Nếu không làm được, bạn mới chỉ nhớ câu trả lời chứ chưa nắm được nguyên lý.

• Dành một năm cho một năng lực cốt lõi. Đừng đánh giá bản thân sau vài ngày hứng thú. Chọn một lĩnh vực, luyện tập đều đặn, theo dõi tiến bộ và chấp nhận giai đoạn đầu rất chậm. Sự đều đặn thường tạo ra lợi thế mà cảm hứng không thể duy trì.

Công nghệ sẽ tiếp tục tiến bộ. Những hệ thống trong vài năm tới có thể tạo mã tốt hơn, giải thích thuyết phục hơn và hỗ trợ nhiều lĩnh vực hơn, từ lập trình đến y tế và giáo dục. Nhưng càng thông minh, chúng càng có khả năng tạo ra những câu trả lời sai theo cách khó phát hiện hơn.

Do đó, tương lai không thuộc về người từ chối công cụ, cũng không thuộc về người giao toàn bộ tư duy cho công cụ. Tương lai thuộc về người biết dùng AI để tăng tốc những phần có thể tăng tốc, và kiên nhẫn rèn luyện những phần chỉ con người có thể chịu trách nhiệm.

Cuối cùng, câu hỏi không phải là: AI giúp ta làm việc nhanh đến đâu? Câu hỏi sâu hơn là: sau khi AI đã làm phần việc nhanh, ta còn đủ năng lực để biết việc đó có đáng làm, có đúng hay không, và phải chịu trách nhiệm thế nào không?

Nếu câu trả lời là có, AI trở thành đòn bẩy. Nếu câu trả lời là không, nó chỉ là chiếc thang giúp ta leo nhanh hơn lên một hướng đi có thể đã sai.