Hướng đi nào còn an toàn khi Gen AI trỗi dậy?

Phần còn lại mà AI chưa chạm tới được trong tương lai (đủ) xa

I. Từ “trả lời” đến “hành động”: AI đã đi bao xa?

Sự phát triển điên cuồng của AI hay những sản phẩm sử dụng nó ít nhiều cũng đã làm cho cả ngành công nghệ chao đảo. Mình đã sai khi từng nhận định rằng một số kĩ năng lập trình AI không thể giải quyết được, nhưng trong một năm gần đây, Claude Code đã xử lý khá ngon lành nhờ các model mới và những kĩ thuật harnessing đáng nể (đọc thêm về định nghĩa Harness Engineering là gì?). Có vẻ bạn cảm nhận như Claude Code đã xuất hiện từ khá lâu, nhưng có lẽ đó là do tốc độ phát triển của nó đã làm giãn cảm nhận thời gian của bạn ra thôi. Thực tế, nó mới xuất hiện cách đây hơn một năm, vào tháng 2 năm 2025.

Và để neo lại những thông tin chính xác hơn trong 3 năm vừa rồi, mình sẽ điểm lại những phát triển đáng chú ý của AI theo từng năm:

Tất cả những điều này mới chỉ diễn ra trong 3 năm. Nếu đặt cạnh hành trình của smartphone từ lúc chỉ là một thiết bị cảm ứng mới lạ đến khi trở thành trung tâm của cuộc sống, mất hơn một thập kỷ, thì tốc độ của Generative AI gần như đang đi tắt cả một chu kỳ công nghệ. Đây không còn đơn thuần là tiến bộ theo từng bước, mà là sự nén lại của cả một cuộc cách mạng vào trong vài năm ngắn ngủi. Đó là sự phát triển của mô hình chạy được trên máy cá nhân, thuật toán lượng tử hóa mô hình mới, hay sắp tới là cả những loại chip máy có khả năng tính toán vượt trội hơn.

Tốc độ phát triển này đưa một người đang làm công nghệ như mình vào một trạng thái khá bất an. Từ đó, mình muốn tập trung phát triển những kĩ năng có vẻ an toàn hơn trước sự xâm lấn công việc mạnh mẽ này. Tạm gói gọn nguyên nhân của sự xâm lấn này là Generative AI, mình sẽ phân tích từ góc độ những hạn chế cố hữu của chúng để tìm ra chỗ trú dài hạn hơn.

II. Những giới hạn từ kiến trúc và môi trường

Giới hạn đầu tiên nằm ngay ở cơ chế Generative AI nhận dạng pattern từ dữ liệu huấn luyện và chọn token có xác suất cao nhất để nói tiếp. Điều này dẫn đến hiện tượng hallucination: mô hình tạo ra thông tin sai một cách tự tin, ngay cả khi nó đã từng thấy thông tin đúng trong quá trình huấn luyện. Hay nói một cách dễ hiểu hơn, nó trả lời theo hướng “đâu là câu trả lời thường được đưa ra cho câu hỏi này” chứ không trả lời để tìm ra sự thật.

Trong quá trình huấn luyện, những câu trả lời mạch lạc và tự tin được ưu tiên học hơn, nên mô hình lại càng có xu hướng “nói trơn tru” ngay cả khi không chắc. Các giải pháp như RAG hay grounding đã giảm đáng kể tần suất trong thực tế, nhưng không xóa bỏ vấn đề. Ngay trong lĩnh vực lập trình, nơi AI đang phát triển mạnh nhất, các AI agent vẫn đang gặp khó khăn khi tư duy ra những cách triển khai mang tính dài hạn, cân nhắc đến rất nhiều yếu tố xung quanh một chức năng.

Vấn đề sâu hơn là AI không có khả năng tự kiểm tra lại. Não người khi gặp mâu thuẫn sẽ kích hoạt prefrontal cortex để ức chế câu trả lời sai và suy luận lại. Còn AI thì “khá tự tin” ở mọi tình huống, bất kể đang trả lời trong vùng quen thuộc hay đang hoàn toàn đoán mò, và không có tín hiệu nào báo cho bạn biết sự khác biệt đó ngay cả ở những công việc có thể kiểm chứng được. Mình có tham khảo quan điểm của bài báo Giám sát xung đột và kiểm soát nhận thức và mô phỏng lại đơn giản như sau:

Trong những kĩ thuật gần đây, trong năm 2026, đã có plugin Superpowers rất thành công trong việc cải thiện đầu ra mã nguồn của AI khi xử lý trực tiếp vấn đề này bằng cách yêu cầu xác thực ý tưởng ở tầng sâu hơn và hỏi ngược lại người dùng những điểm quan trọng cần làm rõ. Tuy nhiên, chất lượng đầu ra vẫn còn khá xa so với tương lai “loại bỏ hoàn toàn lập trình viên”.

Và khi những kĩ thuật harnessing cho AI phát triển thần tốc, những mô hình được huấn luyện kĩ càng hơn, chạy trên nhiều tham số hơn, chúng cũng không thể vượt qua được giới hạn của một chiếc máy tính. Kể ra một vài yếu tố như thấu cảm người dùng, dịch ngữ cảnh ngầm định… không thể nào được thể hiện chỉ thông qua văn bản, hay kể cả âm thanh, hình ảnh mà thiếu đi tương tác trực tiếp. Kĩ năng lắng nghe để chuyển từ yêu cầu của CEO “tôi cần feature A” thành “tôi cần doanh thu đến từ những gì đang trending trên internet” cũng còn là một chốt chặn đủ xa để một người nhân viên có thể cảm thấy an toàn mà kiếm cơm trong doanh nghiệp. Từ những giới hạn cố hữu, bao gồm khả năng tự phản biện và giới hạn trong việc xử lý thông tin, mình vẫn tin và đầu tư vào việc học sâu các kĩ năng cũ, đồng thời tập trung nhiều hơn vào kĩ năng mềm.

III. Đầu tư vào chuyên môn cao còn có giá trị?

Tại sao, ngay cả khi AI đang trở nên rất tốt cho việc lập trình, mình vẫn quyết định học sâu hơn? Hãy nhìn sâu hơn vào mô hình Dreyfus (mô hình tiếp thu kỹ năng). Mô hình này chia hành trình học một kỹ năng thành năm tầng: Novice (tuân theo quy tắc cứng nhắc), Advanced Beginner (bắt đầu nhận ra ngữ cảnh), Competent (chủ động lập kế hoạch và chịu trách nhiệm), Proficient (đọc được toàn cảnh và điều chỉnh linh hoạt), và Expert (hành động bằng trực giác tích lũy từ kinh nghiệm thực tế, không cần phân tích từng bước). Càng lên cao, quyết định càng ít dựa vào quy tắc và càng nhiều dựa vào phán đoán được rèn giũa qua thực chiến. Sau đây là chi tiết của từng giai đoạn:

AI bị mắc kẹt ở tầng Competent vì không có skin in the game, và không học được những bài học xương máu thông qua hậu quả của quyết định. Khi phóng chiếu giới hạn của chúng lên những đặc tính của Proficient, bạn sẽ có cảm giác an toàn hơn nhiều khi đã trở nên thành thạo một chuyên môn nào đó.

Theo những thông tin mình thu thập được cho đến tháng 4 năm 2026, dù AI agent được sử dụng khá phổ biến trong công việc, nó chỉ được tự động hóa hoàn toàn trong những trường hợp bắt lỗi. Đó là những trường hợp mà trạng thái sai được định nghĩa cụ thể và AI có khả năng đánh giá chính xác với độ tự tin cao. Tuy nhiên, với những công việc chuyên môn cao có thể tồn tại hàng vạn kiểu sai, nhất là những công việc đòi hỏi mức độ chuyên môn sâu và các quyết định mang tính trừu tượng, AI vẫn còn gặp nhiều hạn chế ngay ở tầng bề mặt.

Có một quan sát khá thú vị là phần lớn những người nói không cần học code đều là những người đã biết code rồi. Ở chiều ngược lại, bạn bè không biết code của mình vẫn chưa launch được một sản phẩm chính thức nào cả. Tất cả đều tắc lại ở khoảng phiên bản thứ ba khi họ không sửa nổi những chức năng không được lập trình bài bản, dù đã dùng những mô hình AI xịn nhất hiện tại. Chi tiết hơn mình có biên ở bài này:

Bao nhiêu kiến thức kĩ thuật là đủ trong thời đại AI?

Đó là một thống kê mà mình vẫn còn khá tự tin để tiếp tục học sâu hơn nữa về cả lập trình và LLM (mô hình ngôn ngữ lớn). Cho dù AI có thay thế công việc đó hoàn toàn đi chăng nữa thì trí tuệ của mình cũng đã có một khoảng thời gian rèn giũa rất bổ ích và mình cũng đã rất vui lúc học.

IV. Kĩ năng mềm trở nên quan trọng hơn

Tính tới một tương lai cực sáng của AI (cực tối của chúng ta), AI vẫn chỉ đang nằm trong giới hạn của máy tính. Trong một buổi phỏng vấn Head of Claude Code, Boris Cheny, về dự đoán những công việc có thể là nạn nhân tiếp theo, anh ấy có nói: “I think any kind of jobs you use computer tools in this agentic way, I think this is going to be next.”

Dịch sang tiếng Việt: “Tôi nghĩ bất kỳ loại công việc nào sử dụng các công cụ máy tính (những công cụ được trang bị cho AI tự sử dụng) theo cách tự chủ như thế này thì đây sẽ là xu hướng tiếp theo."

Nhưng dựa vào những giới hạn trong tương tác thực giữa người với người mà mình đã nhắc ở phần trước, có lẽ đó là bức tường đủ an toàn để mọi người tập trung phát triển. Đối với công việc product manager, những kĩ năng vốn đã quan trọng này giờ lại càng trở nên quan trọng và đáng đầu tư hơn. Mình đã viết chi tiết tầm quan trọng của việc đó ở bài:

Những khó khăn của Product Manager (Phần 1): Giao tiếp, Trách nhiệm, Cuộc sống

Ngoài những kĩ năng mềm phổ biến, việc xây dựng thấu cảm người dùng là một năng lực vừa cứng vừa mềm, đồng thời cũng là một khoản đầu tư đáng để cân nhắc. Tính “cứng” thể hiện ở yêu cầu chuẩn bị kế hoạch nghiên cứu người dùng chính xác, cùng với việc đặt ra các câu hỏi phỏng vấn neo vào những sự thật đã xảy ra nhằm đảm bảo độ tin cậy của insight. Trong khi giới hạn tiếp nhận của AI lại khiến kĩ năng này trở nên “mềm”, khi những cảm xúc đáng chú ý của người dùng có thể không thể hiện qua lời nói, hoặc dù có thể hiện qua lời nói thì cũng không được dịch sang một ngữ cảnh ngầm định chính xác. Chưa kể, việc tiếp xúc trực tiếp với người dùng tạo cho bạn cảm giác khẩn cấp (bạn có thể đọc thêm The Hardest Lessons for Startups to learn). Đây là một động lực cực kì hiệu quả để có thêm năng lượng cải tiến sản phẩm trong bối cảnh AI tạo ra thiên kiến về kết quả đầu ra, khiến hoạt động phát hành ra thị trường giảm đi đáng kể (mình đoán thế, hehe).

Cách mình phát triển kĩ năng này sắc bén nhất là không dùng AI cho các hoạt động discovery, nhất là ở giai đoạn xây dựng một sản phẩm mới. Bằng việc tự tay soạn các bộ câu hỏi từ chuyên môn sâu, ghi chú thủ công những gì người dùng đã nói, rồi nghe lại bản ghi âm để chỉnh sửa nội dung đã ghi chú, mình xây dựng được thấu cảm về không gian vấn đề khá hiệu quả chỉ qua 2, 3 buổi nói chuyện. Cho tới khi lượng insight đủ lớn và thấu cảm của team về vấn đề đã tốt, mình mới sử dụng các AI agent để xử lý một số công việc mang tính thủ công. Về góc nhìn cụ thể hơn về những công việc nào có thể giao phó được cho AI, mọi người có thể tham khảo thêm góc nhìn từ bài viết "Bạn có nên để AI làm problem discovery không?". Phần lớn các công việc discovery mà mình đang thực hiện ở trên CLRA, nền tảng tụi mình xây dựng dựa trên phương pháp discovery được chắt lọc từ những sản phẩm thành công, có cân nhắc thêm sự hỗ trợ vừa phải từ AI trong quá trình discovery. Các bạn có thể xem thêm ở đây: https://www.clra.app/.

Kết

Một dữ liệu khá buồn cười khi tụi mình dạy trong Breaking into PM là những bài làm có sử dụng AI thường có chất lượng kém hơn hẳn so với những bài được làm thủ công ở các công đoạn đòi hỏi nhiều tư duy. Giả định đưa ra ở đây là thiên kiến về số lượng đầu ra đã khiến mọi người giao phó luôn cả “công việc” suy nghĩ cho AI, từ đó làm suy giảm khả năng tư duy và học hỏi kiến thức mới.

Vì vậy, dù AI có bắt kịp chuyên môn kĩ thuật của bạn đến đâu, mình tin vẫn còn khá xa để nó có thể thay thế hoàn toàn con người trong những công việc đòi hỏi chuyên môn cao như vậy. Ngược lại, những người không ngừng rèn luyện để đạt trình độ chuyên môn cao hơn mới là “mối đe dọa” thực sự đối với bạn trong tương lai gần.

Còn ở tương lai xa hơn, kết nối giữa người với người là một chốt chặn rất cứng để bạn có thể dựa vào khi nghĩ đến những con đường phát triển an toàn hơn. Kể cả khi công nghệ speech-to-speech đạt đến độ trễ cực thấp, sự thấu cảm giữa một product manager với người dùng, hay một nhân viên sales với khách hàng tiềm năng, vẫn chưa thể hiện đầy đủ dưới dạng tín hiệu máy tính. Chốt chặn sâu hơn nữa là niềm tin được xây dựng từ hành động trong quá khứ, khả năng thu thập bối cảnh với tốc độ cực kì cao của não người trong quá trình tương tác trực tiếp.

Nếu có kĩ năng tiếng Anh tốt, bạn có thể tìm đọc tiểu thuyết Accelerando của Charles Stross, một trong những tác phẩm khoa học viễn tưởng hiếm hoi mô tả chi tiết và thuyết phục về thế giới khi trí tuệ nhân tạo vượt qua con người. Bạn có đoán được đoạn nào của bài viết được viết bằng AI không?