1. Bạn thuê 100 thiên tài. Cả 100 người đều ngồi uống cà phê vì chưa ai giao việc
AI tạo sinh thật sự rất giỏi. Viết code được. Viết bài được. Tra cứu được. Dịch được. Lại còn tiếp cận được cả một kho kiến thức khổng lồ.
Nghe đến đây, cứ tưởng ngày mai ai cũng tự mình điều hành chừng 10 công ty.
Nhưng ngoài đời, rất nhiều thứ dừng lại đúng ở chỗ này.
"Thế rốt cuộc làm cái gì?"
Chính là câu đó.
AI giỏi đến mấy, nếu không ai nói bắt đầu từ đâu thì chẳng có gì xảy ra. Xếp 100 chiếc Ferrari thành hàng, mà không ai nhập điểm đến vào GPS, thì cũng chỉ được một bãi đỗ xe sang chảnh.
Trong thời AI, thứ thiếu không phải lúc nào cũng là một mô hình mạnh hơn.
Mà thường là người giao việc đầu tiên cho tất cả năng lực đó.
2. Thứ mạnh không phải phát minh vĩ đại đã hoàn chỉnh, mà là khả năng bật ra tia lửa đầu tiên
Nghe đến "người có nhiều ý tưởng", ta hay hình dung một phát kiến cách mạng chưa ai từng nghĩ tới.
Thực tế, có một khả năng giản dị hơn mà mạnh hơn nhiều:
- chỗ này phiền ghê
- ghép hai thứ này với nhau được không nhỉ?
- tính năng sẵn có này dùng vào việc khác được không?
- mà sao lại cần bước này?
- làm thử bản đơn giản nhất thì sẽ thấy gì?
Đó là khả năng tạo ra điểm mồi lửa.
Ý tưởng đầu tiên không cần hoàn chỉnh. Quan trọng là đặt được một chỗ để suy nghĩ tiếp theo có chỗ bám.
Bàn trống thì khó mà bàn bạc. Nhưng chỉ cần đặt lên đó một bản thử, dù thô cỡ nào, là mọi người lập tức nói: "chỗ này kỳ kỳ", "cái này dùng được", "vậy bước tiếp là thế này".
Bước đầu tiên không phải đáp án.
Nó là cỗ máy làm nảy ra hàng loạt đáp án tiếp theo.
3. "Giỏi nghĩ ý tưởng" không phải là một kỹ năng duy nhất
Tách nó ra, ít nhất có những phần sau:
| Kỹ năng | Làm gì |
|---|---|
| Mở rộng | Từ một vấn đề nghĩ ra nhiều khả năng |
| Liên tưởng | Mượn cách vận hành từ lĩnh vực khác |
| Ghép lại | Từ những thứ có sẵn A+B tạo ra C |
| Phát hiện vấn đề | Nhìn ra cái bất tiện nằm trước cả bài toán được giao |
| Đặt lại vấn đề | Xác định lại câu hỏi thật sự cần trả lời |
| Chọn lọc | Chọn ý nào sẽ làm thật |
| Chia nhỏ | Cắt mục tiêu thành các việc AI làm được |
| Bắt tay vào | Làm ra thứ cụ thể đầu tiên |
| Nghĩ tiếp | Nhìn thứ đã chạy được rồi nghĩ ra bước sau |
Cái mà tâm lý học gọi là tư duy phân kỳ là một phần quan trọng trong số này. APA giải thích tư duy phân kỳ là kiểu tư duy sáng tạo giải quyết vấn đề hoặc ra quyết định bằng những cách khác với cách thông thường hay cách đã được học.[1]
Nhưng cũng có lưu ý rằng điểm số bài kiểm tra tư duy phân kỳ không đo được toàn bộ khả năng sáng tạo ngoài đời thực.[2]
Tức là chỉ "nghĩ ra thật nhiều ý" thôi thì chưa đủ.
Làm thật phải đi đến bước đặt lại vấn đề, chọn, làm thành hình, rồi nghĩ tiếp.
4. Sáng tạo là đi tới đi lui: nghĩ ra → khám phá → lại nghĩ ra
Trong nghiên cứu về cách đầu óc con người sáng tạo, có quan điểm cho rằng ý tưởng không thành hình ngay một lần. Ta nghĩ ra các phương án trước, rồi khám phá, đánh giá chúng, và nếu cần thì quay lại nghĩ tiếp. Đó gọi là mô hình Geneplore.[3]
Đặt vào chuyện làm sản phẩm cùng AI thì cực kỳ dễ hiểu:
- nảy ra một ý
- trao đổi qua lại với AI
- viết thành một bản mô tả sơ sài
- làm
- chạy thử
- thấy "không phải vậy"
- nghĩ ra góc nhìn khác
- làm lại
Nghĩa là ý tưởng không cần hoàn chỉnh trước khi bắt tay làm.
Chính việc làm cũng là một phần của suy nghĩ.
Đây là khác biệt lớn so với ngày xưa.
Khi làm một bản thử mất 3 tháng, ta muốn nghĩ thật kỹ trong đầu rồi mới bắt đầu.
Khi chỉ 30 phút là ra hình hài, thì chính bản thử đã có thể dùng như một tờ ghi chú để suy nghĩ.
Nghĩ ý tưởng và bắt tay làm không còn là hai phòng ban tách biệt.
5. "Tôi không làm nhiều việc cùng lúc được" — đúng, nếu bạn phải tự làm hết
"Làm chừng đó việc cùng lúc sao nổi."
Chuẩn luôn.
Nếu một người phải ôm trong đầu cùng lúc mô tả, code, tra cứu, kiểm tra và sửa lỗi của 10 dự án, thì các tab trình duyệt trong não chắc trắng xóa hết.
Nhưng ta có thể đổi tiền đề.
Con người không cần làm nhiều việc cùng lúc. Hãy để hệ thống chạy song song.
Con người chỉ cần giữ:
- mình muốn gì
- điều gì quan trọng
- chấp nhận được đến đâu
- chọn kết quả nào
là đủ.
Còn lại,
- tra cứu
- viết mô tả
- làm
- kiểm thử
- dịch
- rà soát
thì chia ra trong phạm vi có thể làm độc lập, rồi giao cho AI.
Không phải "tôi kém làm nhiều việc cùng lúc nên không dùng AI được".
Ngược lại, nếu bạn kém khoản đó, thì cách làm đẩy công việc ra khỏi đầu, biến nó thành những phần việc có người phụ trách rõ ràng càng có giá trị.
6. Kho kiến thức khổng lồ là bãi vật liệu, không phải bản vẽ nhà
AI và kho dữ liệu đằng sau nó lớn đến đâu cũng không tự đảm bảo được "nên làm cái gì".
Hãy tưởng tượng một siêu thị vật liệu xây dựng khổng lồ, có đủ gỗ, sắt, kính, dụng cụ, đến cả máy móc hạng nặng.
Ghê thật.
Nhưng nếu khách không quyết "xây cái gì", thì siêu thị vật liệu vẫn chỉ là siêu thị vật liệu.
AI cũng vậy.
Đưa thông tin được. So sánh được. Viết code được. Gợi ý được.
Nhưng ngay khi có một hướng đi như
"mình muốn xóa cái phiền này", "nối hai thứ này lại chắc vui", "mình muốn nâng trải nghiệm này lên một bậc",
thì năng lực mới biến thành công việc.
Người khai thác được giá trị của AI không cần biết nhiều hơn AI.
Chỉ cần biết bảo AI "đào chỗ này".
7. Trước khi giải bài, người mạnh là người biết đặt lại đề bài
Trong nghiên cứu thiết kế, việc "đóng khung" cho những vấn đề phức tạp, không có đáp án sẵn được xem là việc làm quan trọng. Dorst chú ý đến việc đặt lại khung: khi tổ chức gặp tình huống khó, họ thay đổi chính cách nhìn vào vấn đề.[4]
Thời AI, chuyện này càng quan trọng.
Nếu bảo AI "làm cái này đi", nó có thể giải đúng bài bạn đưa với tốc độ chóng mặt.
Chính vì vậy mới đáng sợ.
Đề bài lệch mà vẫn chạy, nó sẽ sản xuất hàng loạt thứ trông như đáp án đúng với tốc độ siêu nhanh.
Câu hỏi thật sự mạnh không chỉ là
"Làm sao cho việc này nhanh hơn?"
Mà lùi về tận:
"Việc này có thật sự cần không?" "Người dùng muốn làm nhanh hơn, hay muốn khỏi phải làm luôn?" "Có lối khác để giải không?"
AI trả lời càng giỏi, cách con người đặt câu hỏi càng có sức nặng.
8. Làm nhanh thì ý tưởng nhiều lên. Chuyện này lặng lẽ mà ghê gớm
Có kết quả thí nghiệm cho thấy AI tạo sinh rút ngắn thời gian và nâng chất lượng trong một số công việc trí óc. Trong thí nghiệm của Noy và Zhang, với các bài viết chuyên môn được nghiên cứu, thời gian trung bình giảm 40% và chất lượng được chấm tăng 18%.[5]
Tất nhiên, không có nghĩa mọi công việc đều nhanh hơn 40%.
Điều quan trọng nằm ở chỗ khác:
thử càng rẻ, càng thử được nhiều lần.
Và thử càng nhiều, ta càng học được nhiều từ thứ có thật:
- có dùng được thật không
- có quê hơn mình tưởng không
- dùng vào việc khác có hay hơn không
- nối được với tính năng bên cạnh không
- người dùng lúng túng ở đâu
Những thông tin này hiếm khi tự hiện ra nếu chỉ ngồi nghĩ.
Vì thế, vòng
nghĩ → làm → quan sát → nghĩ lại
càng ngắn, ý tưởng càng không đứng một mình mà nối thành chuỗi.
Tốc độ làm không chỉ là năng suất.
Nó còn là số vòng quay của cỗ máy ý tưởng.
9. Nhưng để AI nghĩ hết ý tưởng thì mọi người dễ cùng leo một ngọn núi
AI cũng giúp được việc nghĩ ý tưởng.
Có điều, trong thí nghiệm của Doshi và Hauser, truyện ngắn của từng người khi được AI gợi ý thì trung bình được chấm cao hơn, nhưng các truyện có AI hỗ trợ lại giống nhau hơn, khiến độ đa dạng chung giảm xuống.[6]
Điểm này quan trọng.
Nếu lần nào cũng chỉ hỏi AI "cho 10 ý tưởng hay", có khi tất cả lại lên cùng một chuyến xe du lịch.
Vậy nên giá trị của con người không mất đi:
- điều chính bạn thấy phiền thật sự
- cái lạ lạ bạn nhận ra khi làm thực tế
- thói quen riêng của hệ thống đang có
- phép so sánh mượn từ lĩnh vực khác
- kiểu ghép kỳ cục
- câu phản biện "ai cũng làm vậy, nhưng có đúng không?"
Chính những đầu vào riêng này cho kho kiến thức khổng lồ của AI một hướng đi và một cá tính.
Không phải để AI nghĩ hộ tất cả.
Mà là con người ném một hòn đá lạ xuống nước, rồi để AI khuếch đại gợn sóng.
Như vậy thú vị hơn nhiều.
10. Vòng lặp mạnh nhất: nảy ý → gói thành một câu → chia ra → giao đi → xem → lại nảy ý
Trong công việc thực tế, đơn giản thế này là đủ:
① Mồi lửa "Nếu chỗ này được như vậy thì tiện nhỉ?"
② Một câu Muốn thay đổi cái gì, cho ai, theo cách nào — gói trong một câu.
③ Chia nhỏ Tách thành các phần việc độc lập: tra cứu, thiết kế, làm, kiểm tra.
④ Giao việc Giao từng phần cho AI. Con người không ôm hết cùng lúc.
⑤ Thứ cụ thể Bài viết, màn hình, code, kết quả — cái gì nhìn thấy được.
⑥ Kiểm tra lại Đọc, bấm thử, xác nhận xem đã đúng ý chưa.
⑦ Nghĩ tiếp Bật ra câu "làm được cái này thì cái kia cũng làm được".
Nhờ có bước ⑦ mà vòng lặp không bao giờ kết thúc.
Một thứ làm xong trở thành nguyên liệu cho ý tưởng sau.
Tính năng A xong. Có A nên nghĩ ra B. B xong thì A+B thành C. C xong lại nảy ra "hay là định nghĩa lại cả dịch vụ thành D?"
Ban đầu chỉ là một tia lửa nhỏ, nhìn lại đã có cả nhà máy điện.
11. Cái bẫy: nghĩ ra nhanh hơn sắp xếp kịp
Cách làm này có tác dụng phụ rất rõ.
Ý tưởng cứ ra liên tục, làm lại nhanh, nên hệ thống bị cơi nới hết lớp này đến lớp khác.
Rồi một ngày, bạn mở đống dây điện ra.
"Ai làm cái này vậy trời?"
Chính bạn, hôm qua.
Cách xử lý không phải là ngừng nghĩ ý tưởng.
- đừng có quá nhiều nguồn dữ liệu gốc
- đừng làm hai cơ chế cho cùng một việc
- gộp được vào cái sẵn có thì gộp
- chỉ chạy song song những việc thật sự độc lập
- làm xong luôn kiểm tra lại
- đặt khâu kiểm tra chất lượng cho thay đổi quan trọng
- tách "làm được" khỏi "nên làm ngay bây giờ"
Nghĩ nhanh thì cũng cần sắp xếp nhanh.
Thay vì nhả ga, hãy làm chắc tay lái và phanh.
12. Kết luận: thời AI, cái mạnh không phải "biết dùng AI" mà là "biết tạo việc cho AI"
Mô hình AI sẽ tiếp tục mạnh lên.
Kiến thức nhiều hơn. Code và bài viết ra nhanh hơn. Chạy nhiều AI cùng lúc cũng dễ hơn.
Khi đó, khả năng hiếm có ở phía con người dần dịch chuyển.
Từ "tự mình làm được hết", sang:
tìm ra cái gì đáng làm,
tạo mồi lửa đầu tiên,
đặt lại vấn đề,
chia việc,
giao cho AI,
nhìn kết quả thật,
rồi từ đó nghĩ ra bước tiếp theo.
AI là một năng lực khổng lồ.
Nhưng năng lực chỉ ngồi chờ, cho đến khi có người giao việc.
Vì thế người mạnh không chỉ là người viết code nhanh hơn AI.
Mà là người dám nói câu đầu tiên: "Ê, cái này chắc làm được đấy?"
Ở một công ty đã thuê 100 AI thiên tài, thứ cần đầu tiên không phải là thiên tài thứ 101.
Mà là người viết dòng đầu tiên lên phiếu giao việc.
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
