AI trong quản trị & phát triển nguồn nhân lực - Kỳ 2: AI Literacy - Hiểu đúng về AI
Ngày đăng: 14:15 19/08/2026 - Lượt xem: 61
 |
Ông Võ Tiến Đạt - Giảng viên Hội đồng Đào tạo & Huấn luyện nhân lực toàn diện
Có một câu hỏi tôi thường đặt ra trong các chương trình đào tạo AI: “Anh/chị đang biết sử dụng AI, hay thực sự hiểu AI?” Hai việc này nghe có vẻ giống nhau, nhưng thực tế hoàn toàn khác nhau.
Một người có thể sử dụng ChatGPT mỗi ngày, biết tải tài liệu lên, biết yêu cầu AI viết email, làm báo cáo, phân tích Excel, tạo PowerPoint, thậm chí biết viết những Prompt khá dài… nhưng điều đó chưa chắc có nghĩa người đó hiểu AI.
Đây chính là lý do tôi cho rằng sau AI Mindset, một năng lực nền tảng tiếp theo mà người đi làm cần xây dựng là AI Literacy – năng lực hiểu và làm việc đúng với AI. Nếu AI Mindset giúp chúng ta có tư duy đúng trước AI, thì AI Literacy giúp chúng ta biết mình đang làm việc với cái gì, nó làm được gì, không làm được gì, khi nào nên tin, khi nào phải kiểm tra và con người phải chịu trách nhiệm ở đâu. Đó mới là nền móng để đi xa hơn với AI.
|
AI LITERACY KHÔNG PHẢI LÀ BIẾT SỬ DỤNG THẬT NHIỀU CÔNG CỤ AI
Thị trường hiện nay có một hiện tượng khá thú vị, mỗi tuần lại xuất hiện thêm những công cụ mới. ChatGPT, Gemini, Copilot, Claude, NotebookLM và hàng loạt ứng dụng chuyên biệt cho hình ảnh, video, dữ liệu, marketing, sales, nhân sự… Vì vậy, rất nhiều người bắt đầu đo năng lực AI của mình bằng số lượng công cụ mà mình biết.
Tôi không cho rằng đó là cách đo đúng, bởi công cụ sẽ liên tục thay đổi. Một ứng dụng rất nổi tiếng hôm nay có thể vài năm nữa không còn quan trọng. Một tính năng mà hôm nay chúng ta phải học riêng có thể ngày mai đã được tích hợp trực tiếp vào phần mềm đang sử dụng.
“Thứ có giá trị lâu dài không phải là khả năng nhớ được bao nhiêu công cụ, mà là khả năng hiểu bản chất của AI để thích nghi với bất kỳ công cụ nào.” UNESCO khi xây dựng khung năng lực AI cũng không chỉ nói đến kỹ năng sử dụng công cụ. Khung này đặt năng lực AI trên nhiều phương diện gồm tư duy lấy con người làm trung tâm, đạo đức AI, kỹ thuật và ứng dụng AI, cùng khả năng hiểu và thiết kế hệ thống AI. Điều đó cho thấy AI Literacy rộng hơn rất nhiều so với việc “biết Prompt”.
ĐIỀU ĐẦU TIÊN PHẢI HIỂU: AI KHÔNG “HIỂU” GIỐNG CON NGƯỜI
Đây là một trong những điều tôi đặc biệt nhấn mạnh khi đào tạo. Khi chúng ta đặt một câu hỏi và AI trả lời rất trôi chảy, có lập luận, có cấu trúc, thậm chí thể hiện giống như một chuyên gia, chúng ta rất dễ hình thành cảm giác rằng: “Nó hiểu vấn đề của mình.” nhưng đây chính là điểm cần cẩn trọng. Các mô hình AI tạo sinh không suy nghĩ và hiểu vấn đề theo cách con người hiểu. Chúng tạo ra kết quả dựa trên những mô hình tính toán và xác suất được học từ lượng dữ liệu rất lớn.
Điều nguy hiểm là: “AI có thể trả lời sai bằng một giọng điệu cực kỳ tự tin” và người không có AI Literacy rất dễ nhầm giữa: “Câu trả lời nghe rất hợp lý” với “Thông tin này đã được xác minh là đúng”
Hai việc hoàn toàn khác nhau. Đó là lý do tôi luôn giữ một nguyên tắc rất đơn giản: “AI Generate – Human Approve.”
AI có thể tạo, có thể đề xuất, có thể phân tích, có thể giúp chúng ta nhìn thấy những góc nhìn mà trước đó chúng ta chưa nghĩ tới. Nhưng con người vẫn phải là người phê duyệt và chịu trách nhiệm cuối cùng. Đặc biệt đối với những quyết định liên quan đến con người, tài chính, pháp lý, khách hàng, chiến lược hay vận hành doanh nghiệp.
ĐỪNG VỘI TRÁCH AI KHI CHÍNH CHÚNG TA GIAO VIỆC CHƯA RÕ
Trong quá trình đào tạo, tôi gặp tình huống này rất nhiều. Một người nhập vào AI: “Viết giúp tôi kế hoạch Marketing.” AI trả về một kế hoạch rất chung chung. Sau đó kết luận: “AI cũng bình thường, không có gì đặc biệt.”
Nhưng nếu giao yêu cầu đó cho một nhân viên mới, liệu nhân viên đó có thể tạo ngay một kế hoạch Marketing đúng mong muốn của chúng ta không? Marketing cho sản phẩm nào? Khách hàng là ai? Thị trường nào? Mục tiêu kinh doanh là gì? Ngân sách bao nhiêu? Thời gian triển khai? Đối thủ? KPI? CEO muốn nhìn thấy điều gì? Không có những thông tin đó, con người còn khó làm tốt, huống hồ AI. Đây là lý do trong đào tạo tôi không xem Prompt đơn thuần là “kỹ thuật đặt câu hỏi”.
Prompt là năng lực giao việc cho AI.
Tôi thường chuẩn hóa việc giao việc đó thành sáu thành phần: Role – Context – Task – Data – Output – Constraint.
- AI đóng vai trò gì?
- Bối cảnh là gì?
- Nhiệm vụ cụ thể là gì?
- Dữ liệu nào được sử dụng?
- Đầu ra cần như thế nào?
- Có những giới hạn hoặc tiêu chuẩn nào phải tuân thủ?
Khi tư duy theo cách này, chúng ta sẽ nhận ra một điều khá thú vị: “Nhiều khi vấn đề không nằm ở AI. Vấn đề nằm ở việc chính con người chưa xác định rõ mình muốn gì.” Vì vậy, học Prompt sâu hơn thực chất còn giúp con người nâng cao khả năng tư duy, phân tích vấn đề và giao việc.
MUỐN AI LÀM TỐT, TRƯỚC TIÊN HÃY NHÌN LẠI DỮ LIỆU
Có một điều tôi nhận thấy rất rõ khi đi từ những bài tập AI đơn giản sang các bài toán thực tế trong doanh nghiệp: “Thách thức lớn nhiều khi không nằm ở AI. Nó nằm ở dữ liệu.” Hãy tưởng tượng doanh nghiệp muốn AI phân tích tỷ lệ nghỉ việc. Nhưng dữ liệu nhân sự nằm ở nhiều file khác nhau, tên phòng ban không thống nhất, ngày tháng sai định dạng, có nhân viên bị trùng mã, một số dữ liệu thiếu, định nghĩa “nhân viên nghỉ việc” giữa các bộ phận còn khác nhau. Lúc này, Prompt hay đến đâu cũng không cứu được chất lượng đầu ra. Tôi thường nói với học viên: “Đừng đưa một đống dữ liệu lộn xộn cho AI rồi kỳ vọng nhận lại một quyết định quản trị chính xác.”
Trong các chương trình đào tạo, tôi thường hướng dẫn người học kiểm tra dữ liệu theo tư duy 5C:
- Clear – rõ ràng.
- Complete – đầy đủ.
- Consistent – nhất quán.
- Classified – được phân loại phù hợp.
- Current – đủ cập nhật.
Đây là một thay đổi rất quan trọng về nhận thức. Nhiều người muốn học AI nhưng lại bỏ qua năng lực làm việc với dữ liệu. Trong khi thực tế: “AI càng đi sâu vào vận hành doanh nghiệp thì Data Literacy và AI Literacy càng khó tách rời nhau.”
BIẾT AI LÀM ĐƯỢC GÌ CŨNG QUAN TRỌNG NHƯ BIẾT AI KHÔNG NÊN LÀM GÌ
AI Literacy không chỉ là năng lực khai thác AI. Nó còn là năng lực biết giới hạn việc sử dụng AI. Ví dụ:
- Có nên đưa bảng lương nhân viên lên một công cụ AI công cộng?
- Có nên tải hợp đồng khách hàng có thông tin bảo mật lên AI?
- Có nên để AI tự động đánh giá ứng viên rồi loại hồ sơ mà không có con người kiểm tra?
- Có nên lấy một thông tin AI đưa ra rồi đưa thẳng vào báo cáo cho Ban Tổng Giám đốc?
Đây không còn là câu chuyện Prompt. Đây là câu chuyện về AI Governance – quản trị việc sử dụng AI. Các khung quản trị AI quốc tế như NIST cũng đặt những yếu tố như độ tin cậy, an toàn, bảo mật, minh bạch, khả năng giải thích, quyền riêng tư và kiểm soát thiên lệch vào những đặc tính quan trọng của AI đáng tin cậy. Với tôi, có thể đơn giản hóa thành một câu dễ nhớ: “Đúng dữ liệu – Đúng người – Đúng mục đích – Đúng trách nhiệm.”
- Không phải dữ liệu nào cũng được đưa vào AI.
- Không phải ai cũng được quyền sử dụng mọi dữ liệu.
- Không phải việc gì làm được bằng AI cũng có nghĩa là nên làm bằng AI.
Và phải luôn xác định rõ: “Ai chịu trách nhiệm cuối cùng cho kết quả?”
MỘT SAI LẦM KHÁC: DÙNG AI ĐỂ THAY TƯ DUY THAY VÌ MỞ RỘNG TƯ DUY
Tôi ủng hộ AI rất mạnh, nhưng tôi cũng khá thận trọng với việc lạm dụng AI. Một nhân viên trước đây tự đọc tài liệu, suy nghĩ, phân tích rồi viết báo cáo. Bây giờ nhận tài liệu → đưa AI → copy kết quả → gửi. Nhìn bề ngoài, năng suất tăng lên rất nhiều. Nhưng câu hỏi tôi quan tâm hơn là: “Sau một thời gian, năng lực của người đó tăng lên hay giảm xuống?”
Nếu AI giúp chúng ta giảm thời gian xử lý những việc lặp lại để dành nhiều thời gian hơn cho tư duy, sáng tạo và ra quyết định, đó là sử dụng AI tốt. Nhưng nếu AI trở thành công cụ để chúng ta không cần suy nghĩ nữa, đó là một vấn đề. Tôi cho rằng cách sử dụng AI tốt nhất không phải: “Human → AI → Copy”. Mà nên là: “Human Thinking → AI Augmentation → Human Judgment → Action.”
Con người xác định vấn đề ? AI mở rộng khả năng xử lý ? Con người đánh giá kết quả ? Sau đó mới chuyển thành hành động. AI nên giúp chúng ta nâng cấp năng lực con người, không phải làm năng lực con người teo lại.
AI CÁ NHÂN VÀ AI TRONG DOANH NGHIỆP LÀ HAI CẤP ĐỘ HOÀN TOÀN KHÁC NHAU
Một cá nhân dùng ChatGPT để viết email nhanh hơn 30 phút là một thành công. Nhưng với doanh nghiệp, như vậy vẫn chưa đủ. Doanh nghiệp không thể đo mức độ trưởng thành AI bằng câu hỏi: “Công ty đã mua bao nhiêu tài khoản AI?”. Câu hỏi quan trọng hơn phải là: “AI đã thay đổi cách công việc được vận hành như thế nào?”
Theo quan sát và kinh nghiệm triển khai đào tạo của tôi, có thể nhìn quá trình trưởng thành AI qua năm mức:
- Mức 1 – Biết hỏi AI.
- Mức 2 – Dùng AI hỗ trợ từng công việc.
- Mức 3 – Chuẩn hóa cách sử dụng và tự động hóa những tác vụ phù hợp.
- Mức 4 – Tích hợp AI vào quy trình làm việc.
- Mức 5 – Biến AI và tri thức doanh nghiệp thành năng lực của tổ chức.
Khoảng cách từ mức 1 đến mức 5 rất lớn. Ở cấp độ cá nhân, người dùng chủ động mở AI và hỏi. Ở cấp độ tổ chức cao hơn, quy trình có thể chủ động gọi AI, dữ liệu được chuẩn hóa, tri thức được tổ chức, quyền truy cập được kiểm soát và đầu ra của AI trở thành một phần của workflow. Đây mới là nơi AI bắt đầu tạo ra năng suất ở quy mô doanh nghiệp.
AI LITERACY THỰC CHẤT LÀ BIẾT ĐẶT CON NGƯỜI VÀO ĐÚNG VỊ TRÍ TRONG MỐI QUAN HỆ HUMAN – AI
Có một nghịch lý: “AI càng mạnh, con người càng phải có năng lực”. Bởi AI càng có khả năng tạo ra nhiều nội dung, con người càng cần khả năng đánh giá. AI càng phân tích nhanh, con người càng phải biết đặt đúng câu hỏi. AI càng tự động hóa nhiều, con người càng phải hiểu quy trình. AI càng được tích hợp sâu vào doanh nghiệp, chúng ta càng cần quản trị dữ liệu, quyền hạn, bảo mật và trách nhiệm.
UNESCO đặt Human-centred Mindset – tư duy lấy con người làm trung tâm ngay trong khung năng lực AI. Tôi cho rằng đây là một điểm rất đáng suy nghĩ. Đích đến của AI Literacy không phải biến tất cả mọi người thành kỹ sư AI. Mà là giúp một HR Manager, Sales Manager, Marketing Executive, Finance Specialist, Engineer hay CEO hiểu đủ về AI để:
- Biết bài toán nào phù hợp với AI;
- Chuẩn bị đúng dữ liệu;
- Giao việc rõ ràng;
- Đánh giá được kết quả;
- Nhận diện rủi ro;
- Bảo vệ thông tin;
- Và quan trọng nhất, không giao trách nhiệm của mình cho máy móc.
TỪ “BIẾT DÙNG AI” ĐẾN “CÓ NĂNG LỰC AI”
Sau một thời gian đào tạo và ứng dụng AI vào nhiều tình huống công việc khác nhau, tôi ngày càng tin rằng: “Năng lực AI không nằm ở số lượng Prompt chúng ta thuộc”. Cũng không nằm ở việc chúng ta sử dụng bao nhiêu công cụ. Nó nằm ở khả năng kết nối: Business Problem → Process → Data → AI → Human Judgment → Action.
Bắt đầu từ bài toán kinh doanh, hiểu quy trình, chuẩn hóa dữ liệu, chọn cách sử dụng AI phù hợp, con người đánh giá. Và cuối cùng phải tạo ra hành động hoặc kết quả có giá trị. Nếu AI chỉ tạo cho chúng ta thêm một file PowerPoint đẹp hơn, một báo cáo dài hơn hay hàng chục trang nội dung mà không cải thiện quyết định và hành động, thì doanh nghiệp chưa thực sự nhận được nhiều giá trị từ AI. Đó cũng là lý do tôi luôn cho rằng: “Mục tiêu cuối cùng không phải là đưa AI vào doanh nghiệp. Mục tiêu là dùng AI để doanh nghiệp vận hành tốt hơn.”
AI LITERACY – TRƯỚC KHI CHẠY NHANH, CẦN HIỂU MÌNH ĐANG ĐIỀU KHIỂN ĐIỀU GÌ
AI đang thay đổi rất nhanh, công cụ hôm nay rồi sẽ thay đổi, Model hôm nay rồi sẽ có model mạnh hơn. Những Prompt chúng ta đang sử dụng hôm nay cũng sẽ tiếp tục thay đổi. Nhưng có những năng lực sẽ còn giá trị rất lâu:
- Hiểu vấn đề.
- Hiểu dữ liệu.
- Hiểu khả năng và giới hạn của AI.
- Biết giao việc.
- Biết kiểm chứng.
- Biết quản trị rủi ro.
- Và biết giữ con người ở vị trí chịu trách nhiệm cuối cùng.
Đó chính là cách tôi nhìn về AI Literacy. Chúng ta không cần tất cả mọi người trở thành chuyên gia công nghệ. Nhưng trong một môi trường làm việc mà AI ngày càng hiện diện trong mọi quy trình, mọi người cần đủ hiểu biết để không sử dụng một công nghệ rất mạnh bằng một sự hiểu biết quá ít. Bởi rủi ro lớn nhất trong kỷ nguyên AI đôi khi không phải là AI quá thông minh. Mà là con người tin vào AI nhiều hơn mức mình hiểu về nó. Và có lẽ, trước khi hỏi: “AI còn có thể làm được gì cho tôi?” chúng ta nên học cách hỏi thêm một câu: “Tôi đã hiểu đủ để sử dụng AI đúng cách hay chưa?”
TÀI LIỆU THAM KHẢO
- UNESCO AI Competency Framework for School Students (2024)
- NIST AI Risk Management Framework (AI RMF 1.0) – Section 3
