Bạn có quen cảnh này không. Sếp phán "cái này AI nó làm ba phút là ra hết", trong khi bạn thử thì thấy nó trả lời lung tung. Mở mạng ra thì ai cũng khoe ảnh ghép mặt, video nhảy múa, luồng tự động chạy tóe loe, còn mình không biết bắt đầu từ đâu. Báo chí và chuyên gia thì nhắc hoài chuyện AI sẽ thay thế công việc.
Rồi bạn thử tìm hiểu, và gặp ngay một rổ từ nghe như tiếng ngoài hành tinh: vector, prompt, embedding. Nhiều người tới đây tự nhủ "chắc mình quá tuổi để đua rồi". Tui cũng từng ở trạng thái đó trước khi đâm sâu vào AI.
Bạn ngộp không phải vì kém. Bạn ngộp vì cách học cũ không hợp với một thứ đổi nhanh như AI. Cách hợp hơn là học chủ động: chọn một bài toán thật trước, rồi kéo kiến thức về phía mình khi cần.
Vì sao mình bị ngộp, và đó không phải lỗi của bạn
Tui thấy có ba lý do chính.
Một, lối học thuộc đã in sâu vào đầu. Từ nhỏ mình được dạy học là ngồi im, ghi nhớ, làm theo hướng dẫn. Mười hai năm phổ thông, bốn năm đại học, phần lớn đều xoay quanh việc nhớ hơn là hiểu và làm. Bài gốc của tui có nhắc quan điểm của Elon Musk rằng giáo dục truyền thống đào tạo người làm theo dây chuyền hơn là người nghĩ ra cái mới. Tui không bảo ai đúng ai sai, chỉ muốn bạn nhìn lại thói quen học của mình.
Hai, quá tải thông tin làm não đóng băng. Khi lượng thông tin về AI quá lớn, người ta thường rơi vào một trong hai kiểu: né hẳn, hoặc kẹt trong vòng lặp học mãi không tới đâu. Tâm lý học gọi trạng thái này là tê liệt quyết định (decision paralysis): quá nhiều lựa chọn khiến mình không chọn nổi bước nào.
Ba, phương pháp không hợp với đối tượng. Nhiều người học AI như học một kỹ năng truyền thống: đọc từ đầu đến cuối, làm bài tập, rồi mới thực hành. Nhưng AI đổi từng tháng. Khi bạn đọc xong chương cuối thì chương đầu đã cũ.
Học chủ động (offensive learning) là gì
Điểm tui muốn mượn từ cách Musk tiếp cận là thế này. Ông không có bằng chuyên ngành tên lửa, cũng không xuất thân kỹ sư ô tô, vậy mà vẫn xây được SpaceX và Tesla. Tui hiểu đó là cách học đi từ bài toán: muốn làm ra thứ gì đó, thì học đúng những gì cần để làm ra nó, và học rất sâu ở chỗ đó.
Học bị động thì ngược lại: học cho đủ rồi mới làm. Học chủ động thì làm trước một phần, gặp chỗ vướng thì mới đi tìm kiến thức. Kiến thức đến lúc đó dính hơn nhiều, vì nó trả lời một câu hỏi bạn đang có thật.
Đừng hỏi "mình cần biết hết những gì về AI". Hãy hỏi "việc nào của mình hôm nay AI có thể gỡ được một phần".
Bắt đầu từ một việc, đừng bắt đầu từ danh sách công cụ
Với người đi làm, tui gợi ý cách thử nhỏ như sau.
- Chọn một việc lặp lại ở chỗ làm. Viết báo cáo tuần, soạn email, tóm tắt họp, tìm tài liệu. Chọn việc bạn đã hiểu rõ, để dễ nhận ra AI làm đúng hay sai.
- Giao thử cho AI và đọc kỹ kết quả. Bạn là người kiểm tra. Chỗ nó sai chính là chỗ bạn học được nhiều nhất.
- Sửa cách giao việc. Thêm bối cảnh, ví dụ mẫu, tiêu chí đạt. Lúc này mấy từ như prompt không còn xa lạ, vì bạn đang tự làm nó.
- Ghi lại cái chạy được. Một ghi chú ngắn "việc này, cách giao này, kết quả này" sẽ thành tài sản nhỏ của riêng bạn.
Cách này còn giúp bạn trả lời lại câu sếp phán ở đầu bài. Khi bạn biết chỗ AI làm tốt và chỗ nó cần người kiểm, bạn nói được bằng trải nghiệm thật chứ không cãi bằng cảm giác.
Về nỗi sợ bị thay thế
Tui không muốn làm nhẹ nỗi sợ này. Các báo cáo của McKinsey và Diễn đàn Kinh tế Thế giới đều nói rằng một phần lớn hoạt động công việc có thể được tự động hóa trong những năm tới, và nhiều tổ chức đang thử điều đó. Nhưng tui chọn nhìn nó như một lý do để học có chủ đích, chứ không phải để hoảng. Người biết dùng AI trong đúng công việc của mình thường có nhiều lựa chọn hơn người đứng ngoài nhìn.
- Chọn một việc lặp lại trong tuần này để thử giao cho AI.
- Đọc kỹ kết quả, đánh dấu chỗ sai và hỏi vì sao sai.
- Sửa cách giao việc đúng một lần, rồi so sánh kết quả.
- Ghi lại cách chạy được vào một ghi chú ngắn.
- Đừng lưu thêm khóa học nào cho tới khi bạn làm xong bốn bước trên.