AI ngày càng thông minh. Và một câu nói của Andrej Karpathy làm tôi rất thích: “You can outsource thinking, but you can’t outsource understanding”.
Lấy ví dụ planning hoặc design. Chúng ta giao một yêu cầu, và AI trả về một bản thiết kế đầy đủ như sách giáo khoa: yêu cầu chức năng, phi chức năng, bảo mật, khả năng mở rộng, xử lý lỗi, monitoring, rollback. Cái gì cũng có, cái gì cũng đúng.
Điều này thật ra rất lạ. Nếu ngày trước chỉ có một kiến trúc sư hoặc kỹ sư ngồi thiết kế, họ không thể nghĩ ra nhiều như vậy ngay từ đầu. Con người làm việc theo một đường khác: làm một bản đầu tiên, chạy thử, quan sát, rồi mới phát hiện ra “à, chỗ này cần thêm cái này, chỗ kia phải xử lý cái nọ”. Kinh nghiệm được tích lũy dần qua từng lần vấp. Các yêu cầu thiết kế đến theo thời gian, và mỗi yêu cầu đều gắn với một lý do mà chúng ta đã tự trải qua.
AI đảo ngược trật tự đó. Nó đưa ra toàn bộ kết quả ngay từ đầu, và chúng ta không theo kịp.
Khi đọc không kịp thì chuyện gì xảy ra
Một bản thiết kế 30 trang xuất hiện trong vài phút. Việc của con người bây giờ là đọc, hiểu và chịu trách nhiệm cho nó. Có ba phản ứng hay gặp:
- Duyệt cho qua. Nhìn thấy đầy đủ, trình bày đẹp, nên tin là đúng. Đây là rủi ro lớn nhất, vì sự hoàn hảo bề ngoài làm giảm sự cảnh giác của chúng ta.
- Làm theo mà không hiểu. Mọi hạng mục đều được triển khai, nhưng không ai biết hạng mục nào thật sự quan trọng, hạng mục nào chỉ là “cho đủ bộ”.
- Quá tải. Quá nhiều thứ để cân nhắc nên không biết bắt đầu từ đâu.
Cả ba đều có chung một gốc: chúng ta bỏ qua quá trình mà con người vẫn dùng để hiểu một hệ thống, đó là đi từ nhỏ đến lớn, từ lỗi đến bài học.
Từ dạy AI sang hiểu AI
Hai năm trước, kỹ năng đáng giá nhất khi làm việc với AI là dạy nó: viết prompt tốt, đưa ví dụ, ràng buộc định dạng, hướng dẫn từng bước. Nút thắt lúc đó là AI chưa đủ giỏi, nên con người phải chỉ đường.
Bây giờ nút thắt đã đổi chỗ. AI đủ giỏi để tự vạch ra gần như mọi thứ. Cái thiếu là khả năng của con người trong việc hiểu những gì AI vừa tạo ra. Vì vậy vai trò của chúng ta dịch chuyển từ người dạy sang người hiểu: hiểu để biết tin chỗ nào, nghi ngờ chỗ nào, quyết định chỗ nào.
Trong thực tế, “hiểu AI” gồm vài thói quen cụ thể:
- Hỏi “vì sao” trước khi hỏi “còn gì nữa”. Với mỗi yêu cầu AI đưa ra, hỏi nó giải quyết rủi ro nào, nếu bỏ đi thì chuyện gì xảy ra. Yêu cầu nào không trả lời được thì có thể là thừa.
- Yêu cầu xếp thứ tự ưu tiên. Sách giáo khoa không nói cái nào quan trọng hơn. Chúng ta thì cần biết: với bối cảnh này (quy mô, ngân sách, thời gian), 20% nào làm trước?
- Cắt nhỏ rồi đi từng bước. Thay vì nhận cả bản thiết kế, chọn một lát cắt mỏng, làm thật, quan sát. Cách này khôi phục lại quá trình học qua trải nghiệm mà AI đã nén mất.
- Bắt AI nói ra điều nó chưa chắc. Giả định nào chưa được kiểm chứng, phần nào nó đoán. Một đầu ra hoàn hảo che giấu sự không chắc chắn, và chúng ta cần kéo nó ra ánh sáng.
- Giữ quyết định ở phía con người. AI đề xuất, người có tên và có trách nhiệm phê duyệt. Việc ghi lại ai quyết định điều gì, vì sao, trở nên quan trọng hơn bao giờ hết.
Điều thay đổi trong cách chúng ta làm việc
Trước đây, giá trị của một kỹ sư giỏi nằm ở chỗ họ nghĩ ra được những gì người khác không nghĩ tới. Bây giờ AI nghĩ tới gần hết rồi. Giá trị chuyển sang chỗ khác: họ biết điều nào đáng làm, điều nào nên để lại, và giải thích được vì sao.
Nói cách khác, khoảng cách giữa người dùng AI giỏi và người dùng AI bình thường không còn nằm ở việc ai viết prompt hay hơn. Nó nằm ở việc ai hiểu những gì AI đưa ra nhanh hơn và sâu hơn.
AI sẽ tiếp tục hoàn hảo hơn. Việc của chúng ta là đừng để sự hoàn hảo đó thay thế sự hiểu biết của mình.
