Tóm tắt trong 5 giây
AI càng làm giỏi, giá trị của bạn càng ít phụ thuộc vào việc tự tay làm hết mọi thứ.
Điều quan trọng hơn là nhìn sản phẩm và nhận ra thật nhanh “có gì đó sai sai”, “chỗ này chán”, “cái này chẳng ai muốn bấm”, rồi giải thích được tại sao, đưa cho AI mục tiêu và giới hạn, để AI tìm cách và làm, sau đó nhìn kết quả thật mà đánh giá lại.
Nói gọn, thay vì tự viết hết code, bạn chạy vòng lặp này:
nhận ra có gì đó sai sai → nói chuyện với AI cho rõ → lên kế hoạch từ 0 đến 1 → làm → xem sản phẩm thật → lại nhận ra chỗ sai sai tiếp theo
Nhìn từ ngoài, trông giống một ông sếp chỉ biết chê.
Nhưng nếu bạn không ra lệnh tới từng điểm ảnh, thì đó không phải kiểu quản lý soi từng li từng tí. Bạn giữ mục tiêu và tiêu chuẩn chất lượng. Còn việc tìm cách và bắt tay làm thì giao cho AI.
1. Mọi chuyện bắt đầu từ một trang chủ gọn gàng nhưng chán phèo
Trang chủ của một trang web xếp tên chuyên mục và số bài viết thành từng hàng ngay ngắn.
Thông tin gọn gàng. Không có gì hỏng. Cái gì cũng giải thích được.
Vậy mà vừa nhìn vào, câu đầu tiên bật ra là:
“Cái này chán thật.”
Cảm giác kiểu này rất khó xử lý.
Nó không phải lỗi rõ ràng như “bấm nút không được”. Kiểm thử vẫn qua. Không vi phạm quy định nào. Nhưng chẳng muốn đụng vào.
Nói qua nói lại với một AI trò chuyện, cảm giác đó dần dần thành lời.
Chủ trang đang khoe “hàng tồn kho”: “Chuyện các mối quan hệ: 98 bài”, “Chuyện quyết định và so sánh: 78 bài”. Nhưng người mới vào lần đầu không quan tâm có bao nhiêu bài. Họ đang nghĩ:
“Giờ có gì hay cho mình không?” “Mình đang gặp chuyện này, bấm vào đâu?” “Chẳng tìm gì cụ thể, chỉ muốn tình cờ thấy cái gì đó.”
Thế là toàn bộ vấn đề được giao lại cho một AI chuyên lên kế hoạch từ con số 0. Trang chủ đổi từ “kho chuyên mục” thành những tấm thẻ dạng lời nhắn, cho người đọc đi vào theo tâm trạng hoặc nhu cầu của mình.
Đó không phải là chỉnh giao diện (CSS) cho đẹp hơn một chút.
Mà là nghĩ lại từ đầu “trang chủ để làm gì”.
2. Việc của bạn bắt đầu trông như một khách hàng khó chiều
Khi AI làm luôn cả phần xây dựng, công việc của con người trông khá kỳ.
“Chỗ này nhìn quê quá.” “Giải thích thì đúng, nhưng chẳng muốn bấm.” “Tính năng có đấy, nhưng dùng thấy dở tệ.” “Không làm vui hơn được à?”
Chỉ đọc mấy câu này thì đúng là khách hàng khó ưa nhất quả đất.
Nhưng kiểu soi từng li từng tí thật sự nguy hiểm thì trông thế này:
“Lề để 12px.” “Thẻ phải xếp 3 cột.” “Câu này đặt đúng chỗ này.”
Tức là con người khóa luôn cả cách giải quyết.
Lần này thì ngược lại.
Con người giữ phần đánh giá: “cái này có ổn không”, “có hợp mục tiêu không”, “chỗ nào khó chịu”.
Còn sửa thế nào thì giao phần lớn cho AI lên kế hoạch và AI viết code.
Vậy nên đây không phải khách hàng khó chiều, mà thực ra là một người kiêm luôn chủ sản phẩm, tổng biên tập, giám đốc sáng tạo và người kiểm tra chất lượng.
Bàn phím im hơn, còn chức danh thì bỗng nặng hẳn.
3. Cảm giác “sai sai” là chuông báo rất nhạy, nhưng chưa phải yêu cầu để làm ngay
“Không thích” là chuyện quan trọng.
Nhưng ném thẳng nó cho AI viết code thì nguy hiểm.
Có thể đó chỉ là sở thích cá nhân. Có thể là tác dụng phụ của việc sửa chỗ khác. AI hoàn toàn có thể làm đúng y lời chê rồi làm hỏng cả tổng thể.
Vì vậy nên nói chuyện với AI trò chuyện trước.
Ít nhất hãy biến cảm giác đó thành thế này:
- Triệu chứng: nhìn thấy gì mà thấy “không ổn”?
- Nguyên nhân có thể: vì sao lại thấy vậy?
- Người đọc: ai thật sự gặp khó?
- Điều mong muốn: người dùng cần làm được gì?
- Giới hạn: cái gì không được làm hỏng?
- Xong khi: nhìn thấy gì thì nói được là đã tốt hơn?
“Trang chủ chán” sẽ được nói rõ thành:
“Các chuyên mục do trang tự chia đang nằm quá nổi, nên người mới đến khó tìm bài từ chính mục đích của mình. Muốn có lối vào theo tâm trạng hoặc nhu cầu, chứ không phải theo số bài.”
Tới đây, lời chê đã thành nguyên liệu để thiết kế.
4. Nói chuyện cho rõ là biến “gu của tôi” thành điều có thể kiểm chứng
Điều quan trọng là đừng coi cảm giác của mình là chân lý.
“Tôi không thích” và “nó tệ cho người dùng” không phải là một.
Nên hãy đem nghiên cứu, các nguyên tắc thiết kế có sẵn, ví dụ ngược lại và dữ liệu sử dụng thật ra đối chiếu.
Ví dụ, tách nhỏ ra thế này:
“Khó chịu vì nhiều thông tin quá à?” “Khó chịu vì chia mục theo ý chủ trang chứ không theo người đọc à?” “Khó chịu vì người không định tìm gì chẳng có lối vào à?” “Người hay quay lại có khi lại thấy dạng danh sách nhanh hơn?”
Có bước này, bản năng của con người vẫn còn đó, chỉ là không để nó chạy lung tung.
Cảm giác sai sai là chuông báo.
Nói chuyện cho rõ là chẩn đoán.
Bắt tay làm là chữa trị.
Đừng vừa nghe chuông là lao ngay vào phòng mổ.
5. “Làm giống đi IKEA hay Costco” không phải nói bừa, mà giúp thu hẹp chỗ cần tìm
Ví dụ cụ thể rất có sức nặng.
Chỉ nói “làm cho vui hơn” thì AI phải tìm trong một vùng quá rộng.
Nhưng nếu nói:
“Giống như đi dạo trong một cửa hàng lớn rồi tự nhiên thấy cả những món mình đâu định mua.” “Không phải một danh sách chuyên mục, mà là thứ cứ xem là lại phát hiện ra cái mới.”
thì trải nghiệm mong muốn rõ ràng hơn nhiều.
Điều quan trọng không phải là bắt chước giao diện của cửa hàng đó.
Không phải chép màu sắc, khoảng cách hay hình dạng thẻ, mà là nâng lên một bậc:
“tình cờ thấy thứ không định tìm” “đi lòng vòng xem” “muốn xem tiếp cái sau” “cho thấy trải nghiệm, không phải cái kho”
Ví dụ dùng để chốt hướng đi, không phải để chốt đáp án.
Như vậy AI vẫn còn chỗ để tự nghĩ.
6. Tách AI lên kế hoạch từ đầu khỏi AI bắt tay làm thì hiệu quả hơn
Nếu chỉ sửa một lỗi đã biết, không cần họp lên kế hoạch hoành tráng mỗi lần.
Tìm nguyên nhân, sửa, kiểm thử là xong.
Nhưng với việc gần với đi từ 0 đến 1, kiểu “làm trang chủ vui hơn từ gốc”, thì nên cho một AI lên kế hoạch thật mạnh nghĩ một lượt trước khi làm.
Chia vai rõ ràng:
AI trò chuyện tách cảm giác sai sai ra và nói rõ cần gì.
AI lên kế hoạch từ 0 đến 1 tìm các phương án, cấu trúc và cách thiết kế trải nghiệm.
AI viết code lo code, kiểm thử và xem những chỗ khác có bị hỏng không.
Con người giữ mục tiêu, giới hạn, thứ tự ưu tiên và quyết định dùng hay không.
Không cần cho AI họp đi họp lại chỉ để ra bản kế hoạch.
Kế hoạch chỉ có giá trị khi được làm thành thứ thật.
7. Nghiên cứu cũng nói: “người + AI” không tự động là đội mạnh nhất
Chỗ này quan trọng.
Một phân tích tổng hợp năm 2024 trên Nature Human Behaviour đã gom 106 thí nghiệm và 370 hệ số ảnh hưởng, so sánh trực tiếp người làm một mình, AI làm một mình và người làm cùng AI.[1]
Tính trung bình, người + AI làm tốt hơn người làm một mình.
Nhưng so với bên giỏi hơn giữa người và AI, thì người + AI trung bình lại kém hơn.
Thêm một người vào cuối để duyệt không có nghĩa là chắc chắn mạnh hơn.
Hơn nữa, ở các việc cần ra quyết định, làm chung dễ bị tụt kết quả, còn ở việc sáng tạo thì làm chung tương đối hứa hẹn hơn.
Vậy câu hỏi chính không phải “có dùng AI không”.
Mà là:
Ai làm phần nào?
Không phải để người duyệt hết mọi thứ ở cuối, cũng không phải đẩy hết cho AI.
Cách chia việc mới là thứ quyết định kết quả.
8. Những gì AI làm giỏi có ranh giới lởm chởm
Một thí nghiệm năm 2026 đăng trên Organization Science với 758 nhân viên làm việc trí óc cho thấy: ở 18 việc nằm trong vùng AI làm tốt, người dùng AI trung bình hoàn thành nhiều hơn 12,2% số việc, nhanh hơn 25,1% và chất lượng cũng tốt hơn.[2]
Nhưng với một bài toán kinh doanh phức tạp nằm ngoài vùng AI làm tốt, người dùng AI lại có khả năng trả lời đúng thấp hơn 19%.
Hai việc nhìn thì đều là “việc dùng đầu óc”, nhưng việc này AI giúp được, việc kia AI lại làm hỏng, và chúng nằm sát ngay cạnh nhau.
Đó gọi là “ranh giới lởm chởm”.
Vì vậy khi chia việc, đừng nói
“AI thông minh mà, cứ giao cho nó”,
mà hãy nói
“loại việc này giao AI, chỗ này người quyết”.
Người: nhận ra chỗ sai sai, đặt mục tiêu, cân nhắc được mất lớn, giữ cho tổng thể ăn khớp.
AI: tìm kiếm số lượng lớn, đưa ra phương án khác, viết, làm, và kiểm tra kiểu máy móc.
Ít nhất là hiện tại, chia như vậy là tự nhiên nhất.
9. Chuyển con người từ “viết bản nháp đầu” sang “sửa bài” cũng khớp với nghiên cứu
Một thí nghiệm năm 2023 trên Science cho 453 người làm nghề chuyên môn viết bài. Nhóm dùng AI tạo sinh làm nhanh hơn trung bình 40%, và được chấm chất lượng cao hơn 18%.[3]
Một nghiên cứu năm 2025 trên Quarterly Journal of Economics về công việc chăm sóc khách hàng dùng dữ liệu thực tế của 5.172 nhân viên. Có AI hỗ trợ, số yêu cầu giải quyết được mỗi giờ tăng trung bình 15%, và hiệu quả rõ nhất ở những người còn ít kinh nghiệm.[4]
Tất nhiên, các nghiên cứu này không chứng minh rằng “sếp chỉ cần nói sai sai là công ty tự chạy”.
Nhưng chúng khớp với một hướng đơn giản hơn: khi bản nháp, việc lặp đi lặp lại, đưa phương án và viết lách tốn ít công hơn, con người dễ dành thời gian cho “làm gì”, “chọn cái nào” và “chỗ nào kỳ”.
Không phải tay nghề tự làm trở nên vô dụng.
Mà nó không còn là thứ duy nhất làm bạn bị nghẽn nữa.
10. Cái bẫy lớn nhất: sửa từng lời chê đến mức tổng thể chẳng ăn khớp
Sửa thẻ.
Sửa quảng cáo.
Sửa bài viết liên quan.
Sửa ô tìm kiếm.
Từng thứ đều tốt lên.
Vậy mà cả trang web lại thành rối tung.
Chuyện này xảy ra suốt.
Dập từng chỗ sai sai một có nguy cơ làm từng phần tốt lên nhưng tổng thể tệ đi.
Vì vậy thỉnh thoảng phải lùi lại một bước và nhìn từ trên xuống:
“Ai đến đây?” “Họ đến để làm gì?” “Việc đầu tiên nên làm là gì?” “Muốn họ đi dạo tới đâu?” “Muốn họ mang được gì về?” “Có tính năng nào thật ra nên xóa đi không?”
Cải thiện từng bộ phận và rà soát mục tiêu tổng thể là hai việc khác nhau.
Hơn nữa, chính con người cũng bị gợi ý của AI kéo theo. Có thí nghiệm cho thấy một vòng lặp trong đó phán đoán của người và AI khuếch đại lẫn nhau, khiến độ thiên lệch ngày càng lớn.[5]
Nên “AI cũng nói vậy” không phải là bằng chứng.
Hãy quay về nghiên cứu, cách dùng thật, ví dụ ngược lại và thực tế bên ngoài.
11. “Cứ làm cho đẹp vào” chỉ hiệu quả khi hai bên đã hiểu nhau đủ nhiều
“Cứ làm cho đẹp vào” thật ra là một câu lệnh khá nguy hiểm.
Không có bối cảnh thì chẳng khác gì quay số may rủi.
Nhưng nếu những điều sau đã được thống nhất thì ý nghĩa sẽ khác:
Mục tiêu Muốn cái gì tốt lên?
Điều không muốn Tuyệt đối không muốn thành ra thế nào?
Giới hạn Quy tắc, chi phí, an toàn, điều kiện vận hành nào không được phá?
Ví dụ tham khảo Muốn hướng tới trải nghiệm thế nào?
Xong khi Nhìn thấy gì thì gọi là thành công?
Khi những điều này tích lại đủ, “cứ làm cho đẹp vào” trở thành câu nói tắt.
Đó không phải là đẩy việc cho xong.
Mà là gọi ra cả một khối hiểu biết chung bằng một câu.
Giống như một đội ăn ý, chỉ cần nói “như mọi khi” là ai cũng hiểu.
Với AI, chuyện đó cuối cùng cũng bắt đầu làm được.
12. AI viết code sập thì cũng đừng để cả dự án đứng hình
Ứng dụng AI viết code bị sập.
Đúng lúc ngay trước khi hạn mức sử dụng được làm mới.
“Đang định tranh thủ nhồi hết vào bây giờ.”
Kiểu dừng này đau âm ỉ.
Nhưng từ đây cũng rút ra được một câu trả lời thực tế:
Tách hàng đợi “suy nghĩ” khỏi hàng đợi “làm”.
Kể cả khi không dùng được AI viết code, bạn vẫn có thể:
gom những chỗ sai sai, nói chuyện với AI cho rõ, đặt giả thuyết về nguyên nhân, kiểm chứng bằng nghiên cứu, xếp thứ tự ưu tiên, viết ra thế nào thì tính là xong.
Làm được tới đó.
Khi chạy lại, AI viết code không cần bắt đầu nghĩ từ đầu, chỉ việc xử lý các việc đã chuẩn bị sẵn từ trên xuống.
Một dịch vụ sập không nên làm cả đội “đứng não” theo.
Đây là chuyện tiết kiệm chi phí, nhưng quan trọng hơn là có hỏng hóc thì việc vẫn chạy được.
13. “Sếp” thời AI không phải người biết hết mọi đáp án
Chạy hết một vòng như vậy, vai trò của con người trông khác hẳn.
Không cần viết được toàn bộ code.
Không cần vẽ ra màn hình hoàn hảo ngay từ đầu.
Không cần biết trước cách giải.
Nhưng phải nắm chắc:
“Cái này không phải.” “Không phải vì sao.” “Ai cần được tốt hơn, và tốt hơn ở chỗ nào?” “Cái gì không được làm hỏng?” “Phương án đưa ra có dùng được không?”
AI có thể đưa ra cả đống cách giải.
Cũng làm được.
Kiểm tra cũng được khá nhiều.
Nhưng nếu giao luôn cả chuẩn “thế nào là tốt” cho sản phẩm này ra ngoài, thì chẳng còn gì để nhắm tới nữa.
Vậy nên công việc của con người không biến mất, mà bị dồn lên phía thượng nguồn.
Nói theo kiểu sếp ngày xưa thì không phải
“Để tôi làm hết.”
Mà là
“Cái này không phải. Lý do là thế này. Hướng đi là bên kia. Còn lại cứ làm theo cách tốt nhất.”
“Cứ làm cho đẹp vào” cuối cùng cũng đang thành một kỹ năng thật sự.
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
