Khi AI làm phần ‘làm’ rẻ đi, thứ đắt hơn là biết việc gì đáng làm

Có một câu tôi gặp khá nhiều gần đây: kỹ năng đang bị tự động hóa, tư duy thì không.

Tôi hiểu điều người ta muốn nói. Khi AI có thể viết một đoạn quảng cáo, dựng một bảng phân tích, tạo một hình minh họa, sửa một đoạn mã hay tóm tắt cả chồng tài liệu chỉ trong vài phút, phần “làm” mà trước đây tốn rất nhiều thời gian đang rẻ đi rất nhanh.

Nhưng tôi không nghĩ câu chuyện đơn giản đến mức “máy làm kỹ năng, con người giữ tư duy”. AI cũng đang tham gia vào phân tích, lập luận, đề xuất phương án và phản biện. Có những việc trước đây tôi gọi là “tư duy” thì bây giờ AI cũng làm được một phần khá tốt.

Điều tôi thấy đáng chú ý hơn là một sự dịch chuyển khác:

Khi chi phí để tạo ra một đầu ra giảm xuống, giá trị của việc quyết định đầu ra nào đáng tạo ra lại tăng lên.

Nghe hơi giống chơi chữ, nhưng càng dùng AI nhiều tôi càng thấy đây là thay đổi quan trọng.

Trước đây, nút thắt thường nằm ở chỗ làm

Nếu nhìn lại một công việc marketing bình thường vài năm trước, rất nhiều thứ bị giới hạn bởi thời gian thực thi.

Muốn thử thêm năm mẫu quảng cáo thì phải viết thêm năm bộ nội dung. Muốn có thêm một góc nhìn dữ liệu thì phải kéo dữ liệu, làm sạch, ghép bảng rồi mới phân tích. Muốn thử một trang đích khác thì cần người thiết kế, người viết, người dựng. Muốn tự động hóa một quy trình thì phải biết đủ kỹ thuật hoặc chờ một người có kỹ thuật hỗ trợ.

Vì phần thực thi đắt, chúng ta tự nhiên phải tiết kiệm ý tưởng.

Một ý tưởng phải đủ đáng làm thì mới được làm. Một báo cáo phải đủ quan trọng thì mới bỏ vài tiếng dựng. Một thử nghiệm phải đủ có cơ sở thì mới xin nguồn lực.

AI đang làm thay đổi mối quan hệ này. Tôi có thể tạo mười hướng tiêu đề thay vì hai. Tôi có thể nhờ AI đề xuất nhiều cấu trúc phân tích rồi chọn lại. Tôi có thể dựng một bản thử của workflow trước khi quyết định có đáng đầu tư thành hệ thống thật hay không.

Đây là một lợi thế rất lớn.

Nhưng nó cũng tạo ra một vấn đề mới: khi việc tạo ra thứ gì đó trở nên quá dễ, chúng ta bắt đầu tạo ra nhiều thứ hơn mức mình có thể đánh giá.

Và nút thắt chuyển chỗ.

Nút thắt mới là khả năng chọn

Trước đây tôi có thể mất một buổi để làm một báo cáo. Bây giờ AI có thể giúp tôi tạo ba phiên bản trong thời gian ngắn hơn.

Nhưng ba phiên bản không tự động làm cho quyết định tốt hơn.

Tôi vẫn phải biết:

• câu hỏi nào thực sự cần trả lời;
• số liệu nào đáng tin;
• chỉ số nào đang mô tả nguyên nhân, chỉ số nào chỉ là hiện tượng;
• phần nào có thể dùng ngay, phần nào cần kiểm chứng;
• khi nào nên đào sâu và khi nào nên dừng.

Đây là chỗ tôi nghĩ giá trị đang dịch chuyển.

Không phải từ “kỹ năng” sang một khái niệm mơ hồ gọi là “tư duy”, mà từ khả năng sản xuất đầu ra sang khả năng lựa chọn, đánh giá và chịu trách nhiệm cho đầu ra.

Một người có AI mạnh nhưng không biết mình đang cố giải quyết vấn đề gì rất dễ tạo ra một đống thứ nhìn rất chuyên nghiệp nhưng không giúp quyết định tốt hơn.

Điều này nguy hiểm ở chỗ chất lượng hình thức của AI ngày càng cao. Một bảng phân tích có thể rất đẹp. Một bài viết có thể rất tròn. Một kế hoạch có thể đầy đủ từng mục. Một đoạn mã có thể chạy được ngay lần đầu.

Cảm giác “có vẻ đúng” trở nên rẻ hơn.

Trong khi khả năng nhận ra “đúng nhưng không quan trọng”, “đẹp nhưng không dùng được”, “hợp lý nhưng dựa trên giả định sai” lại trở nên đáng giá hơn.

Không phải làm ít đi, mà phải nâng tầng việc mình làm

Tôi không nghĩ giải pháp là quay về làm mọi thứ thủ công để giữ kỹ năng.

Nếu một công việc lặp lại có thể được tự động hóa tốt, cố giữ nó chỉ vì sợ mất năng lực cũng không hợp lý. Tôi vẫn muốn AI giúp mình viết nhanh hơn, đọc nhanh hơn, xử lý dữ liệu nhanh hơn và thử nhiều phương án hơn.

Nhưng phần thời gian tiết kiệm được nên được chuyển lên một tầng cao hơn.

Ví dụ, thay vì dành hai giờ để chỉnh từng tiêu đề quảng cáo, tôi có thể dành phần lớn thời gian để trả lời những câu hỏi khó hơn: khách hàng đang ở giai đoạn nào, thông điệp nào cần được chứng minh, dữ liệu chuyển đổi có đang phản ánh đúng giá trị kinh doanh hay không.

Thay vì tự viết từng đoạn mã cho một automation, tôi có thể tập trung vào việc xác định trigger đúng, điều kiện dừng, dữ liệu đầu vào, cách xử lý lỗi và lúc nào cần con người can thiệp.

Thay vì dành hàng giờ để trình bày dashboard, tôi có thể hỏi một câu quan trọng hơn: người xem dashboard này cần đưa ra quyết định gì sau khi nhìn vào nó?

AI làm cho những câu hỏi đó không còn là “phần thêm nếu có thời gian”. Chúng nên trở thành phần chính của công việc.

Một nghịch lý nhỏ: càng có nhiều năng lực, càng cần biết không làm gì

AI cho tôi khả năng thử gần như mọi thứ với chi phí thấp hơn trước.

Chính vì vậy, một kỹ năng mà tôi thấy ngày càng quan trọng là không làm.

Không phải ý tưởng nào cũng cần biến thành dự án.

Không phải insight nào cũng cần thành dashboard.

Không phải workflow nào cũng cần tự động hóa.

Không phải bài viết nào cũng cần đăng.

Không phải thứ AI làm được thì mình nên làm.

Trước đây giới hạn nguồn lực tự động buộc chúng ta phải ưu tiên. Bây giờ khi giới hạn đó giảm đi, khả năng ưu tiên phải trở thành một năng lực có ý thức.

Tôi thấy điều này khá giống với chuyện có quá nhiều tab mở trong trình duyệt. Mỗi tab riêng lẻ đều có vẻ hợp lý. Nhưng tổng thể thì không còn biết mình đang làm gì.

AI có thể biến công việc thành một trình duyệt với hàng trăm tab nếu chúng ta không có nguyên tắc chọn.

Phán đoán không phải là cảm giác “tôi thấy vậy”

Khi nói đến phán đoán, có một rủi ro khác: biến nó thành lý do để bỏ qua dữ liệu.

Tôi không nghĩ phán đoán tốt là ngồi nhìn một phương án rồi nói “kinh nghiệm của tôi bảo thế”.

Phán đoán tốt thường được xây trên nhiều lớp:

Có dữ liệu đủ sạch để nhìn vào.

Có hiểu biết về bối cảnh mà dữ liệu không thể hiện hết.

Có tiêu chuẩn để biết thế nào là tốt.

Có khả năng nhận ra giới hạn của chính mình.

Và có trách nhiệm kiểm tra kết quả sau quyết định.

AI có thể hỗ trợ cả năm lớp này, nhưng nó không tự quyết định tiêu chuẩn nào phù hợp với mục tiêu của tôi.

Ví dụ một chiến dịch có thể tối ưu rất tốt theo chỉ số mà hệ thống được giao, nhưng nếu chỉ số đó không phản ánh đúng khách hàng chất lượng thì tối ưu càng mạnh có khi càng đi xa mục tiêu thật.

Một automation có thể chạy hoàn hảo hàng nghìn lần, nhưng nếu nó đang tự động hóa một bước vốn không cần tồn tại thì hiệu quả kỹ thuật không có nhiều ý nghĩa.

Một bài content có thể đủ tiêu đề, mô tả, từ khóa và cấu trúc, nhưng nếu không có điều gì đáng nhớ thì nó vẫn chỉ là một bài đã được sản xuất.

Đó là lý do tôi nghĩ phần khó nhất ngày càng nằm trước và sau khâu thực thi.

Trước khi làm: chọn đúng vấn đề và đặt đúng tiêu chuẩn.

Sau khi làm: đánh giá, kiểm chứng và quyết định có dùng kết quả hay không.

AI càng mạnh, tiêu chuẩn của người dùng càng phải rõ

Có một điều tôi đang học khá chậm: nếu tôi giao việc mơ hồ, AI có thể trả lại một kết quả rất hoàn chỉnh cho một câu hỏi chưa đủ rõ.

Điều này khác với làm việc cùng con người ở một điểm thú vị. Đồng nghiệp có thể hỏi ngược: “Ý anh muốn cái này để làm gì?”. Một hệ thống AI cũng có thể hỏi, nhưng nếu prompt hoặc workflow được thiết kế để cứ chạy tiếp, nó sẽ rất chăm chỉ hoàn thành yêu cầu.

Sự chăm chỉ này đôi khi che đi vấn đề ở đầu vào.

Vì vậy, thay vì chỉ học prompt hay học thêm công cụ, tôi thấy mình cần luyện một số câu hỏi cơ bản hơn:

Mục tiêu thật là gì?

Nếu làm xong, quyết định nào sẽ thay đổi?

Bằng chứng nào khiến tôi tin kết quả này?

Sai ở đâu thì hậu quả lớn nhất?

Có bước nào không cần tự động hóa?

Lúc nào AI phải dừng và chuyển lại cho con người?

Những câu hỏi này nghe không mới. Nhưng khi tốc độ thực thi tăng lên, cái giá của việc không hỏi chúng cũng tăng theo.

Một quyết định sai trước đây có thể tạo ra một bản nháp sai. Bây giờ một quyết định sai có thể được nhân lên thành hàng trăm bản nháp, hàng nghìn dòng dữ liệu hoặc một workflow chạy tự động mỗi ngày.

Tốc độ làm tăng cả lợi ích lẫn sai số.

Điều này có nghĩa là kỹ năng chuyên môn hết quan trọng không?

Tôi nghĩ là ngược lại.

Muốn đánh giá một đầu ra, mình vẫn cần nền tảng đủ sâu để biết cái gì đang xảy ra.

Nếu không hiểu quảng cáo, rất khó biết một đề xuất tối ưu Google Ads có hợp lý hay chỉ nghe có vẻ chuyên nghiệp.

Nếu không hiểu dữ liệu, rất khó phát hiện một phép so sánh sai kỳ, một mẫu dữ liệu lệch hay một chỉ số đang bị diễn giải quá mức.

Nếu không hiểu cách hệ thống hoạt động, rất khó thiết kế guardrail cho automation.

AI làm giảm nhu cầu phải nhớ và tự tay thực hiện mọi thao tác, nhưng nó không xóa nhu cầu hiểu nguyên lý.

Có lẽ kỹ năng chuyên môn đang tách thành hai lớp.

Lớp thao tác có thể được AI hỗ trợ ngày càng nhiều.

Lớp mô hình tinh thần — hiểu vì sao, biết giới hạn, nhận ra bất thường — lại trở thành nền cho phán đoán.

Vì vậy tôi không muốn học ít đi chỉ vì AI làm được nhiều hơn. Tôi muốn học khác đi.

Ít tập trung hơn vào việc nhớ từng bước mà công cụ có thể làm hộ, nhiều hơn vào nguyên lý, tiêu chuẩn chất lượng, cách kiểm chứng và cách kết nối một việc với mục tiêu lớn hơn.

Một cách tôi muốn dùng AI trong thời gian tới

Nếu phải rút ý này thành một nguyên tắc làm việc, tôi sẽ giữ bốn bước khá đơn giản.

Một: tự xác định vấn đề trước khi gọi AI.

Không cần suy nghĩ một mình thật lâu, nhưng ít nhất phải có một câu mô tả mình đang cố thay đổi điều gì. Nếu bản thân chưa nói được câu đó, tạo thêm đầu ra có lẽ chưa giúp được nhiều.

Hai: dùng AI để mở rộng không gian phương án.

Đây là phần AI rất mạnh. Cho tôi nhiều góc nhìn, nhiều giả thuyết, nhiều cách triển khai, nhiều cách phản biện hơn mức tôi có thể tự nghĩ trong cùng thời gian.

Ba: con người thu hẹp lại bằng tiêu chuẩn.

Đâu là phương án phù hợp mục tiêu, nguồn lực, dữ liệu và rủi ro hiện tại? Phần này không nên giao hoàn toàn cho cảm giác “AI chọn giúp tôi phương án tốt nhất”.

Bốn: kiểm tra bằng kết quả thật.

Một ý tưởng hay trong chat chưa phải một năng lực đã được chứng minh. Một automation chạy thử chưa phải hệ thống bền. Một chiến lược quảng cáo nghe hợp lý chưa phải chiến lược hiệu quả. Phải quay lại dữ liệu và thực tế.

Tôi thích cách nhìn này vì nó không đặt con người và AI ở hai phía đối lập.

AI không lấy hết phần “làm”, còn con người giữ một vùng “tư duy” bất khả xâm phạm.

Thực tế sẽ lẫn vào nhau nhiều hơn thế.

AI sẽ làm một phần phân tích. Con người vẫn thực thi một số việc. AI có thể gợi ý quyết định. Con người có thể dùng AI để phản biện chính mình.

Điểm quan trọng không phải ai làm phần nào, mà là ai chịu trách nhiệm cho tiêu chuẩn và quyết định cuối cùng.

Thứ tôi muốn giữ lại

Có lẽ trước đây tôi hay nhìn năng suất theo số việc có thể hoàn thành trong một ngày.

AI khiến thước đo đó ngày càng kém hữu ích.

Nếu một người có thể tạo mười bản kế hoạch trong thời gian trước đây chỉ làm được một bản, số lượng đầu ra không còn nói nhiều về giá trị.

Câu hỏi đáng hỏi hơn là: trong mười bản đó, có bản nào giúp mình chọn đúng hơn không?

Có việc nào đáng lẽ không cần làm không?

Có quyết định nào được đưa ra với bằng chứng tốt hơn không?

Có hệ thống nào sau khi tự động hóa thực sự làm cuộc sống và công việc gọn hơn không?

Nếu câu trả lời là không, tốc độ chỉ giúp mình đi nhanh hơn trong một hướng chưa chắc đúng.

Tôi nghĩ đây là mặt thú vị nhất của giai đoạn hiện tại: AI không chỉ thay đổi cách chúng ta làm việc. Nó buộc chúng ta phải xem lại thứ gì trong công việc thật sự có giá trị.

Khi phần thực thi ngày càng dễ mua, dễ gọi và dễ nhân bản, thứ khó hơn sẽ là khả năng nhìn vào rất nhiều thứ có thể làm rồi nói:

Việc này đáng làm. Việc kia thì không. Và đây là lý do.

Có lẽ đó mới là kỹ năng tôi muốn đầu tư nhiều hơn trong thời gian tới.