Câu hỏi đáng suy nghĩ không còn chỉ là “Mình có thể dùng AI để viết nhanh hơn không?”, mà là “Nếu AI có thể tham gia cả một chuỗi công việc, mình sẽ tổ chức công việc ấy như thế nào?”. Hai câu hỏi nghe gần nhau, nhưng dẫn đến hai cách chuẩn bị rất khác. Một bên tập trung vào thao tác với công cụ. Bên còn lại buộc chúng ta nhìn lại quy trình, tri thức, tiêu chuẩn chất lượng và trách nhiệm của chính mình. Để trả lời, cần nhìn từ những chuyển dịch của AI đến năng lực cần chuẩn bị, rồi đưa sự chuẩn bị ấy vào công việc cụ thể.
Vì sao học thêm công cụ thôi là chưa đủ?
Nhìn về một đến hai năm tới, một chuyển dịch đáng chú ý là khả năng AI từ công cụ tạo nội dung trở thành tác nhân tham gia thực thi công việc. Đây là hướng để chuẩn bị, không phải lời bảo đảm rằng mọi công nghệ sẽ trưởng thành cùng lúc hay mọi doanh nghiệp đều chuyển đổi giống nhau. Điều đáng chú ý hơn tốc độ phát triển là năm chuyển dịch bên dưới đang đặt ra những câu hỏi gì cho cách chúng ta làm việc.
1. Từ hỏi–đáp sang giao việc: giá trị nằm ở cả quy trình
Với chatbot, chúng ta thường đặt câu hỏi, nhận câu trả lời rồi tự thực hiện bước tiếp theo. Điểm đáng chú ý ở Agentic AI là khả năng lập kế hoạch, kết nối hệ thống và thực hiện nhiều bước trong phạm vi được cho phép. Các hệ thống như CRM, ERP, Slack hay LMS và chuẩn kết nối như MCP xuất hiện trong bức tranh ấy như những thành phần của luồng công việc, chứ không chỉ là nơi lấy thêm thông tin. Hãy hình dung một việc quen thuộc như tổng hợp báo cáo: điều cần cải thiện không chỉ là đoạn văn cuối cùng, mà còn là cách tập hợp đầu vào, đối chiếu thông tin và chuyển bản nháp đến người kiểm tra. Điểm mấu chốt là: muốn giao việc tốt cho AI, trước hết phải hiểu rõ công việc mình đang giao.
2. Từ gõ văn bản sang tương tác đa phương thức: diễn đạt vấn đề quan trọng hơn câu lệnh đẹp
AI đa phương thức mở ra hướng làm việc sang giọng nói, hình ảnh, video và ngữ cảnh màn hình, thay vì chỉ nhập văn bản. Khi đặt các hình thức này cạnh nhau, điểm đáng nghĩ không phải là chúng ta sẽ ít gõ hơn bao nhiêu, mà là chúng ta có biết dùng đúng loại thông tin để làm rõ vấn đề hay không. Một ảnh chụp màn hình có thể là đầu vào phù hợp khi cần trao đổi về giao diện; một tài liệu quy trình lại cần thiết khi muốn kiểm tra tính nhất quán của hướng dẫn. Dù hình thức tương tác thay đổi, người giao việc vẫn phải nói rõ mình muốn AI chú ý điều gì và đầu ra cần phục vụ mục đích nào.
3. Từ câu trả lời chung sang hiểu bối cảnh: tri thức cần được tổ chức trước khi được khai thác
Viễn cảnh về một trợ lý hiểu tài liệu, lịch trình và ngữ cảnh công việc cá nhân rất hấp dẫn. Một cách hình dung về trí tuệ cá nhân hóa và tri thức doanh nghiệp là một “Digital Twin” đồng hành cùng mỗi người. Tuy nhiên, đây là định hướng, không phải cam kết rằng AI mặc nhiên hiểu đúng mọi bối cảnh hoặc bảo mật được bảo đảm chỉ nhờ kết nối dữ liệu. Chính yêu cầu bảo mật và chất lượng nguồn thông tin khiến việc chuẩn hóa tri thức trở thành một phần của năng lực làm việc với AI. Câu hỏi cần đặt ra không chỉ là “AI biết gì về mình?”, mà còn là “AI được phép dùng nguồn nào, trong phạm vi nào?”.
4. Từ trải nghiệm thú vị sang kết quả thực tế: dùng nhiều chưa chắc tạo ra giá trị
Một thử nghiệm AI cần được đặt trong khung thời gian đánh giá cụ thể, chẳng hạn ba đến sáu tháng. Đây không phải thời hạn áp dụng cho mọi tổ chức, mà là cách giữ trọng tâm vào kết quả thực chất: thử nghiệm ấy giúp rút ngắn thời gian, giảm chi phí hay cải thiện chất lượng ở đâu? Tạo ra thêm nhiều bản nháp không tự động đồng nghĩa với làm việc hiệu quả hơn, nếu thời gian kiểm tra và chỉnh sửa vẫn lớn. Vì vậy, câu hỏi hữu ích không phải “Tuần này mình đã dùng bao nhiêu công cụ?”, mà là “Một nút thắt cụ thể đã được cải thiện như thế nào?”.
5. Từ tự động hóa sang tự động hóa có ranh giới: con người vẫn giữ trách nhiệm quyết định
Human-in-the-Loop và quản trị AI không phải phần bổ sung để nghĩ đến sau khi mọi thứ đã chạy. Đây là những điều kiện đi cùng khả năng tự chủ: AI được thực hiện đến đâu, bước nào cần phê duyệt và ai chịu trách nhiệm kiểm tra đầu ra. Tốc độ chỉ có ý nghĩa khi đi cùng độ chính xác, bảo mật và những giới hạn rõ ràng. Nhìn lại cả năm xu hướng, có thể thấy một sợi chỉ xuyên suốt: trọng tâm chuẩn bị không chỉ nằm ở việc dùng AI, mà ở việc thiết kế cách con người và AI phối hợp. Đó cũng là điểm nối sang bốn nhóm năng lực cần rèn luyện.
Bốn nhóm năng lực để làm việc cùng AI
Trước năm xu hướng này, chúng ta có thể cảm thấy phải học rất nhiều thứ cùng lúc. Quay về công việc thực tế, bốn nhóm năng lực có thể được nhìn qua bốn câu hỏi liên kết với nhau: Quy trình đã rõ chưa? Giao việc và kiểm soát ra sao? Việc này có đáng làm không? Và con người cần giữ vai trò gì? Cách nhìn này giúp việc học bớt chạy theo tên công nghệ và gắn chặt hơn với điều cần cải thiện.
1. Tư duy hệ thống: làm rõ công việc trước khi tự động hóa
Điều cần tránh trước tiên là “tự động hóa sự hỗn loạn”. Nếu đầu vào chưa rõ, các bước xử lý thiếu nhất quán và tiêu chuẩn hoàn thành chỉ nằm trong kinh nghiệm riêng của từng người, việc thêm AI chưa giải quyết được gốc rễ. Vì thế, năng lực đầu tiên là bóc tách một bài toán thành các bước nhỏ, chuẩn hóa hướng dẫn thao tác và cơ sở tri thức, rồi xác định chỗ nào phù hợp để AI tham gia. Với một báo cáo định kỳ, chẳng hạn, hãy nhìn riêng ba việc: lấy thông tin, tổng hợp nội dung và kiểm tra trước khi sử dụng. Khi tách được các bước, bạn mới thấy rõ mình cần hỗ trợ ở đâu. Chuẩn bị tài liệu để AI có thể truy xuất — hay mức độ sẵn sàng cho RAG — cũng bắt đầu từ sự rõ ràng ấy.
2. Quản trị và giám sát AI: giao việc rõ ràng, kiểm tra có tiêu chí
Chuyển từ người trực tiếp viết từng dòng sang người giao việc không có nghĩa là rời khỏi công việc. Trách nhiệm chuyển sang xác định mục tiêu, cung cấp nguồn tham khảo, đặt giới hạn hành động và kiểm tra kết quả. Context Engineering bắt đầu từ việc chuẩn bị bối cảnh đủ rõ, thay vì chỉ tìm một câu lệnh có vẻ thông minh. Một yêu cầu tốt cần cho AI biết sản phẩm phục vụ ai, phải đáp ứng tiêu chí nào và khi nào phải dừng để xin phê duyệt. Người kiểm tra cũng cần đối chiếu thông tin, nhận ra điểm thiếu căn cứ, sai lệch hoặc thiên vị. Giao việc hiệu quả không phải là tin tuyệt đối, mà là biết mình cần kiểm chứng điều gì.
3. Tư duy bài toán kinh doanh và hiệu quả: chọn đúng việc trước khi chọn công cụ
Có một khác biệt giữa “Mình muốn thử AI này” và “Mình muốn giảm thời gian cho việc này”. Câu đầu lấy công cụ làm điểm xuất phát; câu sau lấy bài toán làm điểm xuất phát. Cách tiếp cận thứ hai đặt trọng tâm vào vấn đề cần giải quyết và giá trị thực tế, thay vì chạy theo công cụ. Đó là tinh thần của Problem-First và Business ROI. Thay vì tìm một dự án thật lớn, hãy nhận diện một nút thắt hẹp (bottleneck) nhưng rõ: công việc nào lặp lại, đang tốn thời gian và có đầu ra đủ cụ thể để đối chiếu? Sau đó, cân nhắc chi phí triển khai cùng thời gian tiết kiệm và chất lượng đạt được. Với người làm Operations, L&D, Product, Tech hay quản lý, điểm chung không phải là dùng cùng một công cụ, mà là biết giải thích vì sao bài toán mình chọn đáng được ưu tiên.
4. Năng lực thuần người (Uniquely Human Capabilities): giữ khả năng thấu hiểu, phản biện và dẫn dắt thay đổi
Nếu AI có thể gánh phần lớn tác vụ thực thi vụn vặt, chúng ta sẽ dành năng lực cho điều gì? Ngay cả giả định AI hỗ trợ 70–80% những tác vụ ấy cũng chỉ là một kịch bản để suy nghĩ, không phải dự báo chắc chắn. Điều đáng chuẩn bị hơn nằm ở ba năng lực: lắng nghe thấu cảm, tư duy phản biện và quản trị sự thay đổi. Đó là khả năng hiểu nhu cầu phía sau một yêu cầu, đặt câu hỏi khi thông tin chưa nhất quán và giúp người khác thích nghi với cách làm mới. Chúng không tách rời ba nhóm năng lực trước: một quy trình dù hợp lý trên giấy vẫn cần người thấu hiểu bối cảnh và giải thích được vì sao nên thay đổi. Làm việc cùng AI vì thế không chỉ là một bài học công nghệ, mà còn là bài học về phối hợp giữa người với người.
Bắt đầu từ một công việc nhỏ ngay hôm nay
Hiểu xu hướng giúp chúng ta có định hướng; rèn năng lực giúp chúng ta có nền tảng. Nhưng để hai phần ấy không dừng ở ý tưởng, cần đưa chúng vào một công việc cụ thể. Một cách bắt đầu thiết thực là đi qua ba bước: chọn việc lặp lại, chuẩn bị tri thức cho việc ấy và thực hành giao việc có kiểm tra.
1. Thử một luồng công việc (workflow), thay vì chỉ thử thêm một cuộc trò chuyện
Hãy chọn một việc lặp lại hằng ngày hoặc định kỳ, chẳng hạn tổng hợp báo cáo hay chuẩn bị bản nháp nội dung đào tạo micro-learning. Mô tả đầu vào, các bước xử lý, đầu ra mong muốn và điểm cần con người phê duyệt. Zapier, Make, Custom GPTs, Claude Projects và nên là những lựa chọn có thể cân nhắc khi thử nghiệm; điều quan trọng ở bước này không phải mặc định chúng có cùng khả năng, mà là giữ bài toán đủ rõ trước khi lựa chọn. Mục tiêu của thử nghiệm đầu tiên là hiểu cách phối hợp và kiểm tra, không phải lập tức tự động hóa toàn bộ công việc.
2. Chuẩn hóa tri thức ngay trong công việc đã chọn
Thay vì tách việc chuẩn hóa tài liệu thành một dự án xa vời, hãy bắt đầu từ chính nguồn thông tin mà thử nghiệm cần dùng. Hệ thống hóa hướng dẫn, tài liệu chuyên môn và kinh nghiệm liên quan thành nội dung có cấu trúc rõ ràng. Việc này nối trực tiếp với tư duy hệ thống ở phần trước: những gì chúng ta chưa diễn đạt được rõ ràng cũng là những gì khó giao cho AI một cách nhất quán. Giữ phạm vi tài liệu phù hợp với quyền sử dụng và yêu cầu bảo mật; nhiều dữ liệu hơn không thay thế được bối cảnh đúng.
3. Giao việc cho AI như giao cho một thực tập sinh giỏi — và vẫn kiểm tra sản phẩm cuối
Có thể hình dung việc giao việc cho AI như giao việc cho một “thực tập sinh giỏi”: có khả năng không có nghĩa là đã hiểu hết bối cảnh. Khi giao việc, hãy đưa mục tiêu, tài liệu tham khảo và tiêu chí đánh giá cụ thể; sau đó kiểm tra sản phẩm trước khi sử dụng. Với bản nháp báo cáo, chẳng hạn, điều cần xem không chỉ là văn phong có trôi chảy hay không, mà còn là nội dung có bám nguồn và đáp ứng đúng yêu cầu hay không. Cuối cùng, quay lại câu hỏi về hiệu quả: tổng thời gian thực hiện và kiểm tra đã thay đổi thế nào, chất lượng đầu ra có đáp ứng tiêu chí đặt ra không? Chính vòng giao việc–kiểm tra này kết nối cả năng lực giám sát lẫn tư duy về giá trị thực tế.
Điều cần mang theo không phải một danh sách công cụ
Năm xu hướng cho chúng ta lý do để chuẩn bị. Bốn nhóm năng lực chỉ ra cách chuẩn bị. Ba bước bắt đầu đưa sự chuẩn bị ấy trở về công việc hằng ngày. Điều quan trọng không phải là chạy theo mọi công nghệ mới, mà là hiểu mình đang giải quyết bài toán gì, tổ chức tri thức và quy trình ra sao, rồi giao việc trong một phạm vi có thể kiểm soát. Đừng chỉ hỏi “AI làm được gì?”. Hãy hỏi “Mình cần làm rõ điều gì để có thể phối hợp với AI tốt hơn?”. Một công việc nhỏ được làm rõ, thử nghiệm và kiểm tra đến nơi đến chốn là điểm khởi đầu cụ thể cho hành trình đó.


