Học AI trên chính việc bạn đang làm, và có người đi cùng tới khi bạn tự làm được

Học AI để nó làm hộ, hay để mình lớn lên

Dạy một thời gian rồi tôi để ý ra một chuyện: hai người cùng học một lớp, cùng một công cụ, cùng số buổi, nhưng sau sáu tháng thì cách xa nhau rất nhiều. Không phải vì một người thông minh hơn. Mà vì hai người vào lớp với hai mục đích khác nhau ngay từ đầu.

1. Hai kiểu người học AI

Kiểu thứ nhất học để giao việc. Họ tìm câu lệnh đúng, dán vào, lấy kết quả, xong. Việc chạy nhanh hơn thật. Nhưng phần hiểu của họ không nhích lên chút nào, vì họ chưa bao giờ cần hiểu.

Kiểu thứ hai học để hiểu ra. Cũng lấy kết quả đó, nhưng dừng lại thêm một chút để hỏi tại sao lại làm như vậy, còn cách nào khác không, chỗ nào trong đây là thứ mình chưa từng biết. Họ đi chậm hơn ở tuần đầu, và nhanh hơn hẳn ở tháng thứ ba.

2. Nguyên tắc năm mươi năm mươi tôi tự đặt cho mình

Tôi chia đôi mục đích ngay từ khi bắt đầu.

Năm mươi phần trăm là để làm nhanh hơn. Những việc lặp lại, tốn giờ, không đòi hỏi phán đoán. Phần này ai cũng làm và nên làm.

Năm mươi phần trăm còn lại là để mình biết thêm một thứ mình chưa từng biết. Phần này gần như không ai nhắc tới, và đây mới là phần đổi đời người học.

3. Nửa thứ hai trông như thế nào trong đời thật

Tôi lấy chính chuyện của tôi.

Tôi không biết làm website. Không học công nghệ thông tin, không biết lập trình, và trước đó chưa từng nghĩ mình sẽ có một trang riêng.

Nếu tôi dùng theo kiểu thứ nhất, tôi đã bảo AI làm cho tôi một cái web, nhận về, và xong. Có trang web, nhưng tôi vẫn không hiểu gì cả. Hỏng chỗ nào cũng không sửa được, muốn đổi gì cũng phải nhờ.

Tôi làm theo kiểu thứ hai. Tôi hỏi tới khi hiểu vì sao một trang web phải có phần này mà không có phần kia, vì sao chỗ này đặt nút bấm mà chỗ kia không, người đọc nhìn vào đâu trước. Càng hỏi tôi càng thấy ra: phần lớn việc làm web không phải là việc kỹ thuật, mà là việc sắp xếp suy nghĩ cho người khác đọc được. Mà cái đó thì tôi làm được, vì mười tám năm nay tôi vẫn làm đúng thứ đó bằng văn bản.

Từ chỗ hiểu ra, tôi bắt đầu có ý tưởng của riêng mình. Và từ chỗ có ý tưởng, tôi tự triển khai được. Bây giờ tôi tự sửa, tự thêm, tự bỏ, không phải chờ ai.

4. Vì sao nửa thứ hai mới là nửa đáng tiền

Vì công cụ sẽ đổi, còn hiểu biết thì ở lại. Cái bạn nhờ AI làm hộ hôm nay, sang năm có công cụ khác làm nhanh hơn, và bạn lại phải học lại từ đầu. Cái bạn đã hiểu thì không ai lấy đi được.

Vì nó mở ra những việc bạn chưa từng dám nhận. Người chỉ giao việc thì chỉ giao được những việc mình vốn đã biết. Người hiểu ra thì bắt đầu nhìn thấy những việc trước đây mình cho là ngoài tầm.

Vì nó là thứ người khác nhìn thấy ở bạn. Không ai đánh giá bạn qua việc bạn viết câu lệnh giỏi. Người ta đánh giá qua việc bạn làm được gì mà trước đây bạn không làm được.

5. Một câu hỏi để tự kiểm

Sau mỗi lần dùng AI xong, thử hỏi mình một câu: mình vừa học được điều gì mà trước đó mình không biết?

Nếu ngày nào câu trả lời cũng là không có gì, thì bạn đang dùng đúng một nửa. Nửa đó vẫn tốt, vẫn tiết kiệm thời gian. Chỉ là bạn đang bỏ lại nửa quan trọng hơn ở phía sau.

Năm cách hỏi AI để hiểu ra, không phải chỉ để có kết quả

Nếu bạn muốn dùng AI để chính mình lớn lên chứ không chỉ để việc chạy nhanh, thì đây là cách làm cụ thể. Năm cách hỏi dưới đây tôi dùng thật mỗi ngày, và mỗi cách chỉ tốn thêm chưa tới một phút.

1. Hỏi vì sao, ngay sau khi nhận kết quả

Nhận xong đừng đóng lại. Hỏi thêm: vì sao lại làm theo cách này. Câu trả lời cho bạn thấy cái khung suy nghĩ nằm dưới kết quả, và cái khung đó mới là thứ bạn mang đi được sang việc khác.

2. Bắt nó đưa ra phương án khác và nói rõ dở ở đâu

Hỏi: còn cách nào khác không, mỗi cách mạnh yếu chỗ nào. Đây là cách nhanh nhất để bạn thấy được vùng lựa chọn thay vì chỉ thấy một lối đi. Người có nghề khác người mới ở chỗ biết có bao nhiêu lối, chứ không phải ở chỗ đi được một lối.

3. Hỏi ngược lại: tôi đang thiếu gì

Trước khi giao việc, mô tả tình huống của bạn rồi hỏi: để làm việc này cho tử tế thì cần biết những gì, và trong đó tôi đang thiếu cái nào.

Câu này đổi vai hoàn toàn. Bạn không còn là người đi lấy kết quả, bạn thành người đang được chỉ ra lỗ hổng của chính mình. Tôi dùng câu này nhiều nhất khi bước vào một lĩnh vực lạ.

4. Bắt nó giải thích như nói với người ngoài ngành

Khi gặp thứ khó, yêu cầu: giải thích lại cho một người chưa từng làm nghề này hiểu được. Cách này lột sạch thuật ngữ và để lại phần lõi. Phần lõi đó thường đơn giản hơn bạn tưởng rất nhiều, và một khi nắm được thì bạn không quên.

5. Tự làm trước một đoạn, rồi mới đưa cho nó soi

Đây là cách chậm nhất và cũng hiệu quả nhất. Bạn tự làm phần đầu bằng sức mình, rồi mới đưa vào và hỏi: chỗ nào tôi làm chưa tới, vì sao.

Khác biệt rất lớn. Khi bạn đã tự vật lộn với vấn đề trước, mọi góp ý bạn nhận về đều dính lại. Còn khi bạn chưa làm gì mà đã có kết quả trong tay, nó trôi qua đầu bạn như đọc báo.

Một lưu ý về an toàn

Cả năm cách trên đều đưa bài toán lên, không đưa dữ liệu thật lên. Bạn mô tả tình huống, mô tả quy tắc, mô tả cấu trúc. Dữ liệu thật của đơn vị bạn nằm nguyên chỗ cũ.

Thử ngay hôm nay

Chọn một việc bạn sắp làm. Dùng cách số ba trước, vì nó dễ nhất và cho bạn nhiều nhất. Chỉ một câu hỏi thôi, và bạn sẽ thấy nó khác hẳn thói quen cũ.

Tôi không biết làm website. Giờ tôi tự làm, và tự hiểu mình đang làm gì

Đây là chuyện thật, kể để bạn thấy việc dùng AI để chính mình lớn lên trông ra sao khi áp vào một việc cụ thể.

1. Điểm xuất phát

Tôi làm Nhân sự. Không học công nghệ thông tin, không biết lập trình, và cho tới trước đó tôi chưa bao giờ nghĩ mình sẽ có một trang web riêng. Trong đầu tôi, làm web là việc của người khác, và tôi chỉ có thể đi thuê.

2. Chỗ rẽ

Tôi có thể bảo AI dựng giúp một trang rồi nhận về dùng. Nhanh, gọn, và tôi vẫn không hiểu gì. Sau đó muốn sửa một chữ cũng phải hỏi, hỏng chỗ nào cũng chịu.

Tôi chọn hướng khác: hỏi cho tới khi hiểu. Không phải hiểu để đi làm nghề web, mà hiểu đủ để tự quyết định.

3. Thứ tôi vỡ ra, và nó không phải kỹ thuật

Càng hỏi tôi càng thấy một điều bất ngờ: phần lớn việc làm một trang web không phải việc kỹ thuật.

Nó là việc trả lời cho được mấy câu: người vào đây là ai, họ đang cần gì, họ nhìn vào đâu trước, mình muốn họ làm gì tiếp theo, và nói thế nào để họ tin. Phần mã chỉ là bước cuối cùng để biến câu trả lời đó thành thứ nhìn thấy được.

Đó là lúc tôi hết sợ. Hoá ra tôi không thiếu năng lực, tôi chỉ thiếu người dịch ngôn ngữ của lĩnh vực đó ra cho tôi.

4. Từ hiểu ra tới có ý tưởng

Khi đã hiểu, tôi bắt đầu có ý kiến riêng, và ý kiến ngày càng rõ. Chỗ này nên đặt cái gì. Câu này nói vậy thì người đọc chưa tin. Phần này để cao quá, người ta chưa kịp muốn đã bị mời liên hệ.

Trước đó tôi không có nổi những ý kiến này, không phải vì tôi không tinh, mà vì tôi không biết mình được quyền có ý kiến ở đâu.

5. Từ ý tưởng tới tự làm

Phần này là phần AI giúp nhiều nhất, và cũng là phần dễ nhất. Khi bạn đã biết mình muốn gì và vì sao muốn, việc biến nó thành trang thật nhanh hơn rất nhiều.

Bây giờ tôi tự sửa câu chữ, tự thêm mục mới, tự bỏ phần thừa, tự đọc số liệu người vào xem. Không phải chờ ai, không phải trả tiền cho từng lần đổi một dòng.

6. Điều tôi muốn bạn rút ra

Đừng đọc chuyện này thành AI làm được web. Nhiều người biết điều đó rồi.

Hãy đọc thành: có một lĩnh vực bạn vẫn nghĩ là ngoài tầm mình, và rất có thể nó không ngoài tầm như bạn tưởng. Cái chắn đường bạn thường không phải là năng lực. Nó là chỗ không có ai giải thích cho bạn bằng thứ ngôn ngữ bạn hiểu.

Giờ thì luôn có người sẵn sàng giải thích, bất kể mấy giờ, và không bao giờ tỏ ra khó chịu vì bạn hỏi lại lần thứ năm. Vấn đề còn lại chỉ là bạn có chịu hỏi để hiểu, hay chỉ hỏi để lấy kết quả.

7 việc trong nghề Nhân sự nên giao cho AI ngay hôm nay

Sau hơn 18 năm làm Nhân sự, từ nhân viên đến Giám đốc Nhân sự một resort 5 sao, tôi nhận ra một điều: phần lớn thời gian của người làm HR bị nuốt bởi những việc lặp đi lặp lại. Soạn thông báo, lọc hồ sơ, tổng hợp báo cáo… ngày nào cũng vậy.

Từ khi đưa AI vào công việc, tôi tiết kiệm được 1-2 tiếng cho mỗi đầu việc. Dưới đây là 7 việc bạn nên giao cho AI ngay hôm nay.

1. Viết mô tả công việc (JD)

Đưa cho AI vị trí, cấp bậc, 3-4 nhiệm vụ chính và yêu cầu. Trong 2 phút bạn có một JD hoàn chỉnh, chỉ cần chỉnh lại cho khớp văn hóa công ty.

2. Soạn tin tuyển dụng hấp dẫn

JD là văn bản nội bộ; tin tuyển dụng là để "bán" cơ hội. Yêu cầu AI viết lại JD thành tin tuyển dụng có hook, nêu rõ quyền lợi và lý do nên ứng tuyển, giọng gần gũi hơn, thu hút ứng viên hơn.

3. Sàng lọc & tóm tắt hồ sơ

Đưa CV cho AI và yêu cầu tóm tắt theo tiêu chí bạn cần: kinh nghiệm, kỹ năng, điểm mạnh và điểm cần lưu ý. Bạn đọc bản tóm tắt 30 giây thay vì đọc cả trang.

4. Soạn email & thư mời phỏng vấn

Email mời phỏng vấn, email từ chối khéo léo, email chào đón nhân viên mới đều có "khung" cố định. Giao cho AI viết mẫu, bạn chỉ điền tên và thời gian.

5. Chuẩn bị bộ câu hỏi phỏng vấn

Yêu cầu AI tạo câu hỏi phỏng vấn theo từng vị trí và từng năng lực cần đánh giá: chuyên môn, thái độ, xử lý tình huống. Bạn có ngay một bộ câu hỏi bài bản.

6. Tổng hợp & viết báo cáo nhân sự

Đưa số liệu thô (biến động nhân sự, công nhật, chi phí), AI giúp bạn dựng thành đoạn văn báo cáo mạch lạc, thậm chí gợi ý nhận xét. Việc cuối tháng nhẹ đi rất nhiều.

7. Soạn thông báo & văn bản nội bộ

Thông báo lịch nghỉ lễ, quy định mới, memo nội bộ… giao cho AI viết đúng giọng trang trọng, đúng cấu trúc văn bản HR, bạn duyệt lại là xong.

Lưu ý quan trọng khi dùng AI trong HR

Không đưa dữ liệu cá nhân nhạy cảm (số CMND, lương chi tiết có tên) lên công cụ AI công cộng. AI viết nháp, bạn là người quyết định, luôn đọc lại và chỉnh cho đúng thực tế công ty. Và càng mô tả rõ, kết quả càng tốt: đây là kỹ năng viết prompt, quyết định 80% chất lượng đầu ra.

Kết

AI không thay thế người làm Nhân sự. Nó gánh giúp phần việc lặp lại để bạn tập trung vào phần "con người" mà chỉ con người mới làm được. Bắt đầu với 1 đến 2 việc trong danh sách trên, bạn sẽ thấy khác biệt ngay trong tuần này.

Có nên đưa dữ liệu nhân sự lên ChatGPT không

Đây là câu hỏi tôi được hỏi nhiều nhất, và cũng là câu ít người dám trả lời tử tế nhất. Tôi trả lời được vì tôi không đứng ngoài nhìn vào. Tôi là người đang giữ hồ sơ nhân sự của một resort 5 sao. Nếu để lộ, người thiệt không phải tôi, mà là những con người đã tin tưởng nộp hồ sơ cho phòng tôi.

1. Câu trả lời ngắn, trước khi tôi nói dài

Có, nhưng không phải dữ liệu nào cũng được, và không phải cứ dán vào là xong. Gần như mọi tai nạn tôi từng thấy đều không đến từ việc dùng AI. Chúng đến từ việc kéo nguyên một file vào rồi bấm gửi mà chưa kịp nghĩ trong file đó có gì.

Nghề này rèn tôi một thói quen từ rất sớm. Chặng đầu đời làm nhân sự, tôi được giao đánh máy thư bảo lãnh dự thầu cho các đợt đấu thầu vào bệnh viện. Chỉ cần sai một con số, hoặc sai số tiền ghi bằng chữ, là mất trắng cả gói thầu. Tôi kiểm từng chữ, kiểm rất kỹ rồi vẫn sợ. Cái sợ đó không mất đi, nó chuyển thành thói quen: trước khi gửi bất cứ thứ gì ra khỏi tay mình, phải biết chính xác trong đó có gì. Dán dữ liệu vào một ô chat cũng là gửi ra khỏi tay mình.

2. Ba nhóm dữ liệu, và ranh giới giữa chúng

Nhóm không bao giờ rời khỏi công ty. Số căn cước, ngày tháng năm sinh đầy đủ, số tài khoản ngân hàng, số sổ bảo hiểm, địa chỉ nhà, số điện thoại người thân, hồ sơ sức khỏe, kết quả đánh giá cá nhân có ghi tên, hồ sơ kỷ luật, và toàn bộ bảng lương chi tiết theo tên. Đây là nhóm tôi không đưa lên bất cứ công cụ nào, kể cả công cụ trả phí, kể cả khi đang gấp.

Nhóm được dùng sau khi làm sạch. Cấu trúc bảng công, quy tắc tính, các mốc thời gian, số ngày, số giờ, mã vị trí, tên bộ phận. Đây là nhóm chiếm phần lớn công việc thật, và cũng là nhóm AI giúp được nhiều nhất.

Nhóm dùng thoải mái. Quy định pháp luật, biểu mẫu trống, cấu trúc quy trình, câu hỏi nghiệp vụ chung. Đây là nhóm không gắn với một con người cụ thể nào.

3. Ẩn danh không phải là xóa cột tên

Đây là chỗ nhiều người làm sai mà vẫn yên tâm. Xóa cột họ tên rồi nghĩ là đã ẩn danh. Thực tế, một người bị nhận ra không phải nhờ tên, mà nhờ tổ hợp các đặc điểm. Bộ phận có bốn người, cộng thêm giới tính, cộng thêm năm sinh, cộng thêm ngày vào làm, là ra đúng một người. Không cần tên.

Nguyên tắc tôi tự đặt cho mình: sau khi làm sạch, thử tự trả lời một câu. Nếu tôi đưa bảng này cho một đồng nghiệp trong công ty, họ có đoán ra đây là ai không? Nếu câu trả lời là có, thì chưa sạch, phải làm tiếp: gộp nhóm nhỏ lại, làm tròn mốc thời gian, thay mã thật bằng mã tạm chỉ mình giữ bảng đối chiếu.

4. Thứ người ta hay bỏ qua: bạn đang dùng tài khoản nào

Cùng một công cụ, nhưng tài khoản cá nhân miễn phí và tài khoản do tổ chức cấp là hai chuyện khác nhau về mặt cam kết dữ liệu. Trước khi đưa bất cứ thứ gì thuộc công việc lên, cần biết rõ ba điều: dữ liệu có bị dùng để huấn luyện tiếp không, có tắt được không, và lịch sử trò chuyện lưu bao lâu.

Tôi không nêu tên gói dịch vụ cụ thể ở đây, vì chính sách thay đổi theo thời gian và nêu ra là lạc hậu ngay. Điều không thay đổi là trách nhiệm kiểm tra thuộc về người bấm nút gửi. Trong một cuộc thanh tra, không ai hỏi công cụ. Người ta hỏi bạn.

5. Cách nghĩ đổi cả bài toán: đừng đưa dữ liệu lên, hãy đưa bài toán lên

Đây là điều tôi muốn bạn nhớ nhất nếu chỉ nhớ được một ý.

Phần lớn người mới dùng AI theo phản xạ: có dữ liệu, dán dữ liệu vào, nhờ AI xử. Cách đó vừa rủi ro vừa cho kết quả kém, vì mỗi lần có dữ liệu mới lại phải dán lại từ đầu.

Cách tôi làm ngược lại. Tôi mô tả bài toán và quy tắc cho AI, để nó dựng ra cách làm. Rồi tôi mang cách làm đó về chạy trên dữ liệu thật, tại máy của mình, trong mạng của mình. Dữ liệu thật không đi đâu cả.

Một hệ quả dễ chịu: cách làm đó dùng lại được cho tháng sau, quý sau, mà không phải làm lại từ đầu. Còn cách dán dữ liệu thì tháng nào cũng phải dán lại.

6. Bốn câu tự hỏi trước khi bấm gửi

Tôi để lại đúng bốn câu, ngắn để bạn nhớ được:

Một. Trong nội dung này có gì chỉ đích danh một con người không?
Hai. Nếu ghép với thứ khác mà người trong công ty đã biết, có ra được một người cụ thể không?
Ba. Tôi đang dùng tài khoản nào, và tôi có biết chính sách lưu trữ của nó không?
Bốn. Việc này có làm được bằng cách đưa bài toán thay vì đưa dữ liệu không?

Câu thứ tư giải quyết được phần lớn tình huống. Và khi bạn quen với nó rồi, ba câu đầu gần như không còn phải hỏi nữa.

Điều tôi muốn nói cuối cùng

Sợ mà không dùng thì tụt lại. Dùng mà không biết sợ thì có ngày trả giá. Nghề nhân sự đứng giữa hai bên: một bên là con người đã tin mà giao hồ sơ, một bên là tổ chức cần chạy nhanh hơn. Tôi đã đứng ở giữa suốt mười tám năm, và tôi tin chỗ đứng đúng không phải là né tránh, mà là biết rõ đường ranh rồi làm việc mạnh dạn bên trong đường ranh đó.

Bảng lương cân tổng vẫn có thể sai: soi từng người từng ngày

Ai từng ký duyệt bảng lương đều biết cảm giác này. Con số tổng khớp với tháng trước, khớp với dự toán, không có gì bất thường. Bạn ký. Nhưng tổng khớp không có nghĩa là từng người đúng. Đây là bài viết về khoảng cách giữa hai điều đó, và về việc tôi đã đi vào khoảng cách ấy như thế nào.

1. Vì sao so tổng là một cái bẫy

Vì lỗi biết tự bù trừ cho nhau. Một người bị tính thiếu, một người khác được tính dư, tổng vẫn đẹp. Càng nhiều người, càng nhiều dòng, khả năng bù trừ càng cao, và bảng tổng càng trông đáng tin.

Điều nguy hiểm không phải là con số sai. Điều nguy hiểm là bảng tổng khớp khiến bạn ngừng nhìn. Người lao động thì không nhìn tổng, họ nhìn dòng của chính họ. Đoàn kiểm tra cũng không nhìn tổng, họ rút ngẫu nhiên vài hồ sơ rồi soi tới từng ngày.

2. Sáu loại lỗi chỉ lộ ra khi soi tới từng dòng

Đây là các loại lỗi, không phải con số của bất cứ đơn vị nào. Tôi liệt kê để bạn biết đường mà soi.

Một. Ca gãy và ca qua đêm. Ca bắt đầu hôm nay kết thúc rạng sáng mai bị đếm nhầm sang ngày sau, hoặc bị đếm hai lần. Đây là loại lỗi phổ biến nhất ở ngành làm việc theo ca.

Hai. Chấm công thiếu đầu hoặc thiếu cuối. Quên quẹt một đầu, hệ thống tự bù một giá trị mặc định. Giá trị mặc định đó không sai về mặt kỹ thuật, nhưng không phải là thứ đã xảy ra thật.

Ba. Ngày nghỉ chồng lên ngày công. Một ngày vừa được ghi nghỉ phép vừa có dữ liệu chấm công. Nhìn tổng thì không thấy gì, nhìn dòng thì thấy ngay.

Bốn. Làm thêm vượt trần. Đây là loại lỗi tôi soi kỹ nhất, vì nó không chỉ là chuyện tiền. Vượt trần giờ làm thêm là chuyện tuân thủ, và là câu đoàn kiểm tra sẽ hỏi. Phải soi theo cả ba mốc: ngày, tháng và năm, vì một người có thể không vượt theo tháng nhưng vượt theo năm.

Năm. Sai vùng áp dụng. Người đổi bộ phận, đổi vị trí, đổi hợp đồng giữa kỳ nhưng quy tắc áp dụng chưa đổi theo. Lỗi này im lặng suốt nhiều tháng cho tới khi có người thắc mắc.

Sáu. Trùng và sót ở hai đầu kỳ. Người vào làm hoặc nghỉ việc giữa kỳ là nhóm hay sai nhất, vì họ nằm ở chỗ hai kỳ giao nhau.

3. Vì sao trước đây gần như không ai làm việc này

Không phải vì người làm nhân sự không biết. Ai làm nghề đủ lâu cũng biết. Lý do rất đơn giản: khối lượng.

Soi từng người từng ngày trong một kỳ, với quy mô hàng chục nghìn dòng, là việc mà một phòng nhân sự bình thường không có đủ giờ để làm, trong khi vẫn phải chạy tuyển dụng, chạy chế độ, chạy đào tạo và trả lời hàng trăm câu hỏi mỗi ngày. Nên người ta so tổng. Không phải vì lười, mà vì không còn cách nào khác.

4. Cách tôi làm, và điều tôi nhất định không làm

Điều tôi nhất định không làm trước: không đưa dữ liệu thật lên bất cứ công cụ nào. Không một bảng lương nào, không một danh sách người nào rời khỏi máy của tôi.

Cách làm thật gồm bốn bước.

Bước một, viết quy tắc ra thành chữ. Đây là bước tốn công nhất và cũng là bước quyết định. Ca tính từ mấy giờ tới mấy giờ, ca qua đêm tính vào ngày nào, ngày lễ tính hệ số ra sao, trần giờ làm thêm theo ngày theo tháng theo năm là bao nhiêu. Nếu bước này mơ hồ thì mọi thứ phía sau đều vô nghĩa.

Bước hai, dựng quy trình soi. Tôi mô tả quy tắc và mô tả cấu trúc bảng, không đưa nội dung bảng. Thứ nhận về là một quy trình kiểm, chạy trên máy của tôi.

Bước ba, chạy và đọc kết quả. Kết quả không phải là câu trả lời. Kết quả là danh sách chỗ cần nhìn: dòng nào lệch, lệch theo hướng nào, thuộc loại lỗi nào trong sáu loại ở trên.

Bước bốn, người quyết định. Mỗi chỗ được đánh dấu đều phải mở hồ sơ gốc ra đối chiếu rồi mới kết luận. Máy chỉ trỏ, người mới kết luận.

5. Chỗ này quan trọng hơn mọi kỹ thuật

Tôi đã thấy nhiều người hào hứng vì máy tìm ra một loạt điểm nghi vấn, rồi mang nguyên danh sách đó đi báo cáo. Đó là sai lầm nặng.

Một điểm được đánh dấu chưa phải là một lỗi. Nó chỉ là một chỗ có gì đó không khớp với quy tắc đã viết, và quy tắc đó do chính bạn viết ra, nên nó cũng có thể sai. Ở đây có một điều tôi luôn nói với người tôi kèm: bạn báo cáo cái bạn đã đối chiếu, không báo cáo cái máy đưa cho bạn.

Đây cũng là chỗ tách người dùng AI có nghề với người dùng AI cho vui. Người có nghề biết rằng phần khó không nằm ở việc tìm ra điểm nghi vấn. Phần khó nằm ở việc đọc đúng ý nghĩa của điểm đó, và biết cái nào phải báo, cái nào phải hỏi lại người trong cuộc trước khi kết luận.

6. Thứ đáng giá nhất không phải là kết quả của một lần

Việc rà một kỳ xong là việc của một kỳ. Thứ đáng giá là quy trình còn lại: kỳ sau chạy lại, quý sau chạy lại, mà không phải làm lại từ đầu.

Và cái quý hơn nữa là nó đổi vị thế của phòng nhân sự trong tổ chức. Từ chỗ ngồi trả lời khi bị thắc mắc, sang chỗ biết trước chỗ sẽ bị thắc mắc rồi xử lý trước khi ai kịp hỏi. Với người làm nghề này, đó là khác biệt giữa bị động và chủ động.

Vì sao tôi viết bài này

Vì mười tám năm trong nghề, tôi đã thấy quá nhiều lần người lao động thiệt mà không biết mình thiệt, và cũng thấy công ty gánh rủi ro mà không biết mình đang gánh. Cả hai đều bắt nguồn từ cùng một chỗ: không ai đủ giờ để soi tới từng dòng. Bây giờ thì đủ giờ rồi. Vấn đề còn lại chỉ là có chịu soi hay không.

Vì sao học AI xong vẫn không dùng được vào việc

Tôi đã học nhiều khóa AI khác nhau, và giờ tôi đứng lớp. Câu tôi nghe nhiều nhất từ người đi học, kể cả những người học ở chỗ tốt, là: học thì hiểu, về tới bàn làm việc lại không dùng được. Bài này nói thẳng lý do, và lý do đó không phải là bạn kém.

1. Bạn không kém. Bạn học nhầm thứ

Ba thứ được dạy nhiều nhất trong các khóa AI hiện nay là công thức viết câu lệnh, danh sách công cụ, và bài tập mẫu. Cả ba đều dễ dạy, dễ trình chiếu, dễ làm người học thấy đã. Và cả ba đều không nằm lại được trong tay bạn.

Công thức thì đúng cho ví dụ trên lớp và trật với việc của bạn, vì việc của bạn không giống ví dụ. Danh sách công cụ thì lạc hậu sau vài tháng. Bài tập mẫu thì được dựng sẵn cho vừa vặn, còn việc thật của bạn thì méo mó, thiếu dữ liệu, nhiều ràng buộc, và có người sẽ hỏi lại bạn tại sao làm thế.

2. Thứ thật sự quyết định kết quả

Sau gần hai năm dùng AI mỗi ngày cho công việc thật, tôi rút ra một điều gọn thế này. Chất lượng bạn nhận được từ AI không phụ thuộc vào việc bạn biết bao nhiêu mẹo. Nó phụ thuộc vào khả năng mô tả công việc của chính bạn: mô tả cho rõ đầu vào là gì, ràng buộc là gì, kết quả đạt yêu cầu trông như thế nào, và sai ở đâu thì bị coi là hỏng.

Có một phép thử rất thật để bạn tự kiểm ngay hôm nay. Hãy thử giao việc đó cho một người mới vào làm, chỉ bằng lời nói, không được ngồi kèm. Nếu người ấy làm ra được thứ bạn cần, thì AI cũng sẽ làm được. Nếu người ấy làm sai, thì không phải AI kém, mà là việc chưa được mô tả đủ rõ. Trong gần như mọi trường hợp tôi gặp, vấn đề nằm ở vế thứ hai.

3. Điều này giải thích một chuyện tôi hay bị hỏi

Người ta hay hỏi vì sao tôi bắt đầu học AI ở tuổi bốn mươi sáu, không rành công nghệ, mà lại đi nhanh hơn nhiều bạn trẻ thạo máy hơn tôi.

Câu trả lời không nằm ở AI. Nó nằm ở mười tám năm trước đó.

Chặng đầu nghề, tôi vào một công ty dược ở vị trí trợ lý hành chính nhân sự, phòng không có trưởng phòng, không có phó phòng, không có ai khác. Không ai bàn giao, không ai bày, không ai chỉ. Tôi tự đọc hết hồ sơ trên máy lẫn hồ sơ giấy rồi hệ thống lại toàn bộ theo cách của mình, với đúng một mục đích: lần sau cần là lấy ra được ngay. Gần hai năm trời tôi hầu như không có buổi trưa nào được ngủ.

Tôi cũng có hai người sếp nổi tiếng khó tính. Công văn tôi viết bị sửa rất nhiều. Nhưng chính hai người khó tính ấy đã rèn tôi thành người soạn thảo chặt chẽ, biết bố cục, biết chấm phẩy, biết trật tự trước sau. Tới giờ tôi vẫn biết ơn.

Nói cách khác, thứ giúp tôi đi nhanh với AI là thứ tôi đã luyện suốt gần hai thập kỷ mà không hề biết là đang luyện cho việc này.

4. Vậy vì sao học xong lại rơi rụng

Ba lý do, tôi thấy lặp lại ở hầu hết người tôi gặp.

Một, học trên bài của người khác. Bạn giải xong bài của lớp rồi về, và không có gì nối từ bài đó sang việc của bạn. Cảm giác hiểu bài là thật, nhưng nó không đi theo bạn về nhà.

Hai, học một lần rồi thôi. Kỹ năng nào cũng vậy, đọng lại nhờ lặp. Học dồn hai ngày rồi ba tuần sau mới đụng lại thì đã quên gần hết, và cái quên trước tiên luôn là cái quan trọng nhất.

Ba, không có ai chữa bài. Đây là lý do lớn nhất và ít được nói tới nhất. Lúc bạn bí không phải lúc đang ngồi trong lớp. Lúc bạn bí là chiều hôm sau, khi bạn mở đúng file của mình ra và thấy nó không giống bất kỳ ví dụ nào đã học. Nếu khoảnh khắc đó không có ai bên cạnh, bạn sẽ quay về cách làm cũ. Chỉ cần quay về hai lần là bỏ hẳn.

5. Cách học để dùng được

Tôi rút gọn thành ba điều kiện. Thiếu một trong ba thì gần như chắc chắn rơi rụng.

Học trên việc thật của chính bạn, ngay từ buổi đầu, không phải trên tình huống dựng sẵn. Việc thật thì méo mó, và chính chỗ méo mó ấy mới là chỗ bạn cần học.

Trải theo tuần, không dồn. Giữa hai buổi phải có khoảng thời gian để bạn mang về dùng thật, sai thật, rồi mang cái sai đó quay lại lớp.

Có người chữa bài cho riêng bạn. Không phải chữa chung cho cả lớp. Bài của bạn, sửa trước mặt bạn. Chuyện này chỉ làm được khi lớp đủ nhỏ, và đó là lý do tôi không nhận lớp đông.

Một câu tôi muốn bạn giữ lại

Học công cụ thì công cụ đổi là học lại. Học tư duy thì công cụ nào cũng dùng được, và càng về sau càng đỡ tốn công. Có một học viên nói với tôi một câu mà tới giờ tôi vẫn nhắc lại: học một lần, dùng một đời. Tôi nghĩ bạn ấy nói đúng, và bạn ấy nói đúng vì bạn ấy đã học đúng thứ.

Người mới đi làm dùng AI thế nào trong 30 ngày đầu để bật lên

Tôi đã ngồi ở phía bên kia bàn phỏng vấn suốt hơn 18 năm, ký quyết định giữ lại hoặc không giữ lại hàng trăm sinh viên thực tập. Và tôi nhận ra: 30 ngày đầu quyết định rất nhiều. Một vài lỗi nhỏ tuần đầu có thể "dán nhãn" bạn đến hết kỳ.

Tin vui: AI có thể giúp bạn đi qua 30 ngày đầu tự tin hơn, nếu dùng đúng cách.

Tuần 1: Dùng AI để "hiểu nhanh" môi trường mới

Được giao tài liệu, quy trình dày cộp? Dùng AI tóm tắt để nắm ý chính nhanh. Gặp thuật ngữ lạ trong ngành? Hỏi AI giải thích dễ hiểu trước khi hỏi anh chị, để câu hỏi của bạn "có não" hơn.

Tuần 2: Giao tiếp công sở đúng mực

Người mới hay lúng túng khi nhắn tin cho quản lý: xin nghỉ, hỏi việc, báo cáo. Dùng AI để soạn tin nhắn lịch sự, đúng mực và email báo cáo tiến độ chuyên nghiệp. Nhưng nhớ: AI gợi ý, bạn điều chỉnh cho tự nhiên, đừng gửi nguyên văn máy móc.

Tuần 3: Làm việc "gọn" hơn người khác

Được giao tổng hợp dữ liệu, làm slide? Dùng AI dựng khung trước, bạn hoàn thiện. Chuẩn bị phát biểu, thuyết trình? Nhờ AI dựng dàn ý và luyện trả lời câu hỏi khó. Khi bạn giao nộp công việc gọn gàng, đúng hạn, quản lý sẽ nhớ tên bạn, vì lý do tốt.

Tuần 4: Học nhanh hơn bạn cùng lứa

Sau mỗi việc, hỏi AI: "Tôi làm thế này, có cách nào tốt hơn không?" Nhờ AI tạo bộ câu hỏi tự kiểm tra kiến thức chuyên môn của bạn.

3 điều đừng làm

Đừng để AI làm hộ toàn bộ. Nó là bàn đạp, không phải người thay bạn tư duy. Quản lý nhận ra ngay khi bạn "copy máy móc". Đừng đưa thông tin nội bộ của công ty lên công cụ AI công cộng. Và đừng ỷ lại đến mức mất kỹ năng cơ bản, vẫn phải tự viết, tự nói được.

Kết

AI không giúp bạn giỏi lên trong một đêm. Nhưng dùng đúng, nó giúp bạn học nhanh hơn, giao tiếp mượt hơn, làm việc gọn hơn, đủ để bật lên so với bạn cùng lứa trong 30 ngày đầu. Và trong môi trường chuyên nghiệp, ấn tượng đầu tiên đáng giá rất nhiều.