Hiểu lầm mang tên 'AI First'

Trong tranh thủy mặc có một câu cũ: cây cọ không vẽ nên bức tranh. Làm nên nét vẽ là mực, là giấy, là cổ tay, và nhất là khoảng trống được cố ý chừa lại. Cây cọ chỉ là chỗ cho cái nhìn mượn đường đi qua.

“AI First” — đặt AI lên trước — đáng lẽ cũng là một câu nói về cái nhìn ấy. Nhưng ở phần lớn những nơi tôi nghe nó được hô lên, nó lại bị đọc thành một câu nói về cây cọ.

Hai nghĩa nằm trong một giới từ

Chữ first gánh hai nghĩa hoàn toàn khác nhau, và chúng ta hay lấy nhầm nghĩa.

Nghĩa thứ nhất là ưu tiên trong tư duy: khi thiết kế một sản phẩm hay một quy trình, hãy đặt khả năng mà AI mở ra lên trước, để nó định hình cách ta nghĩ về bài toán ngay từ đầu. Đây là một câu hỏi về thứ tự suy nghĩ.

Nghĩa thứ hai là ưu tiên trong việc thay thế: đặt AI lên trước con người trong sơ đồ tổ chức, giao cho máy những gì trước nay người vẫn làm. Đây là một câu hỏi về thứ tự trên bảng lương.

Hai nghĩa này nghe na ná, nhưng dẫn tới hai con đường gần như đối nghịch. Và cái giá của việc đọc nhầm thì không hề nhỏ.

Cái máy đánh chữ chạy nhanh hơn

Suốt mấy chục năm, công nghệ trong doanh nghiệp chỉ phục vụ đúng một việc: làm cái mà con người vẫn làm, nhưng nhanh hơn và rẻ hơn. Ngân hàng tự động hóa giao dịch. Bảo hiểm tự động hóa xử lý hồ sơ. Mỗi đợt sóng công nghệ, về bản chất, là thay sức người trong những việc lặp đi lặp lại, có quy tắc rõ ràng.

Nên khi AI đến, phản xạ bản năng của tổ chức là điều dễ đoán: tìm những quy trình tẻ nhạt nhất, tốn thời gian nhất, cái mà chẳng ai muốn động vào — rồi quẳng cho máy. Đây chính là chỗ hiểu lầm bắt đầu. Một mô hình ngôn ngữ không chỉ là cái máy chạy lại workflow cũ nhanh hơn; nó là một người cộng sự về tư duy, và mạnh nhất ở chính những việc con người nên làm nhưng không nhân rộng nổi — đặt câu hỏi, soi ra điểm mù, phá vỡ lối nghĩ đám đông.

Lấy ngay nghề của tôi làm ví dụ. Rất nhiều nơi triển khai một công cụ như Copilot với một mệnh lệnh hẹp: “giúp lập trình viên gõ code nhanh hơn”. Và đúng, nó giỏi autocomplete, sinh boilerplate, gợi ý những khuôn mẫu quen thuộc. Nhưng cái bị bỏ lỡ là: thứ công cụ ấy còn có thể là người đối thoại về kiến trúc phần mềm, chứ không chỉ là autocomplete tăng lực. Khác biệt nằm ở câu hỏi ta mang tới cho nó. “Viết hộ tôi cái hàm này” là dùng cây cọ để chép lại. “Hệ thống này phần nào khó nhất, và người ta thường hỏng ở đâu?” mới là dùng nó để nhìn xa hơn một chút.

Khi bộ óc tất định gặp một công cụ xác suất

Có một hiểu lầm sâu hơn, mang tính kỹ thuật, mà cánh kỹ sư chúng tôi dễ mắc nhất.

Chúng tôi được rèn để nghĩ theo lối tất định: nếu A thì B. Phần mềm truyền thống hoặc chạy, hoặc không. Test pass hoặc fail, không có ở giữa. Còn một hệ thống AI thì sống trong vùng xám — nó cho ra những câu trả lời “phần lớn là đúng”, hoặc “thỉnh thoảng sai”. Đây không phải một bản nâng cấp công cụ; đây là một sự dịch chuyển về nhận thức luận.

Hệ quả là nhiều người coi việc đưa AI vào vận hành giống như rollout một hệ ERP hay CRM: cài đặt xong là yên tâm, set-and-forget. Nhưng AI mang bản chất xác suất và đòi hỏi quản lý vòng đời liên tục — giám sát, huấn luyện lại, đánh giá, quản trị. Bỏ qua điều đó là bỏ qua chính cái làm AI khác đi.

Nghiên cứu của MIT mô tả một đường cong hình chữ J: năng suất thường tụt xuống trước rồi mới đi lên, vì việc đưa AI vào kéo theo xáo trộn tổ chức và cần thời gian để hệ thống thích nghi. Những nơi không lường trước cái hõm ấy sẽ bỏ cuộc quá sớm — đúng vào lúc đáng lẽ phải kiên nhẫn nhất.

Nghi lễ của sự đổi mới

Ai từng làm trong một tổ chức đủ lớn sẽ nhận ra cảnh này: một thứ được hô lên không phải vì người ta hiểu nó, mà vì người ta cần trông như đang làm nó.

“AI First” rất dễ trở thành một nghi lễ như vậy — làm đủ động tác của sự chuyển mình mà thiếu mất phần hiểu. Có một phát hiện của MIT khiến tôi dừng lại khá lâu: ở những tổ chức lâu đời, các nề nếp quản lý có cấu trúc lại suy giảm sau khi áp dụng AI, và riêng điều đó chiếm tới một phần ba phần năng suất bị mất. Tức là công cụ được mang vào để làm mọi thứ tốt hơn, nhưng vì mang vào như một nghi thức nên nó lại xói mòn chính cái kỷ luật đang giữ cho guồng máy chạy.

Vụ Duolingo năm ngoái là một minh họa sống. Vị CEO tuyên bố chiến lược “AI-first” kèm thông điệp sẽ dần ngừng dùng cộng tác viên cho những việc AI làm được — rồi chỉ một tuần sau phải lên mạng xã hội rút lại gần như mọi thứ. Bài học đắt nhất không nằm ở chiến lược, mà ở cách đóng khung: một khi đã nói với người của mình rằng họ có thể bị thay thế, ta không thể rút lại bằng một dòng đính chính. Niềm tin, một khi đã rạn, rất khó lành.

Những con số rộng hơn cũng kể cùng một câu chuyện. Theo các khảo sát được dẫn lại gần đây, khoảng 80% dự án AI không bao giờ chạm tới production — gần gấp đôi tỷ lệ thất bại của dự án IT truyền thống; và có nghiên cứu của MIT cho rằng tới 95% các khoản đầu tư vào AI tạo sinh không mang lại lợi nhuận tài chính đo đếm được. Điều đáng nói là nguyên nhân gốc hầu như không nằm ở thuật toán. Nó nằm ở những thiên kiến chiến lược và nhận thức — ở cách con người, quy trình và chính trị nội bộ vận hành, chứ không phải ở mô hình.

Công cụ, không phải đích đến

Nếu phải rút mọi hiểu lầm trên về một câu, tôi sẽ chọn câu này: chúng ta đang nhầm công cụ với đích đến.

Một người làm dữ liệu lâu năm tổng kết gọn: AI là một công cụ, không phải một điểm đến. Hãy bắt đầu từ bài toán, xác nhận nhu cầu, phát triển lặp dần, và luôn đo lường. Nghe hiển nhiên đến mức nhàm. Nhưng phần lớn những thất bại tốn kém đều bắt đầu từ việc đảo ngược trật tự ấy — yêu cái tên “AI” trước, rồi mới đi tìm một bài toán để gắn nó vào.

Krishnamurti có một ý mà tôi hay nghĩ tới ở đây: cái tên gọi không phải là sự vật, tấm bản đồ không phải là vùng đất. Khi ta mê mải với chữ “AI”, rất dễ quên rằng nó chỉ là ngón tay chỉ trăng. Cái cần nhìn là bài toán đang nằm ngay trước mặt — con người thật, nỗi đau thật, công việc thật mà ta muốn làm cho tốt hơn. Công cụ chỉ có nghĩa khi cái nhìn đã có sẵn.

Tôi nên nói thêm cho công bằng: có một luồng ý kiến phê phán mạnh hơn, cho rằng chính cách các phòng lab dùng những từ như “suy nghĩ”, “suy luận”, “hiểu” đã gieo sẵn kỳ vọng sai, bởi thực chất đó là những cỗ máy khớp mẫu thống kê rất tinh vi. Tôi không xem đây là kết luận đã ngã ngũ — nó là một góc nhìn gây tranh cãi hơn là một đồng thuận. Nhưng nó hữu ích, vì nó nhắc rằng phần lớn hiểu lầm quanh “AI First” có lẽ được nuôi bằng chính ngôn ngữ ta dùng để nói về AI. Sự thật dùng được nằm đâu đó ở giữa: công cụ này mạnh thật, nhưng kỳ vọng và lớp vỏ ngôn từ quanh nó thường chạy xa hơn thực tế vận hành rất nhiều.

Quay lại với cây cọ. Người vẽ thủy mặc giỏi không thờ cây cọ của mình; họ dành cả đời để học cách nhìn, rồi mới thả cho cổ tay đi theo cái nhìn ấy. “AI First”, nếu có nghĩa gì đáng giữ, thì nên là: nhìn trước đã — thấy bài toán, thấy con người — rồi mới với tay lấy đúng công cụ. Chứ không phải với lấy công cụ trước, rồi mong nó nhìn hộ mình.

Khoảng trống trên trang giấy không phải là phần còn thiếu. Nhiều khi, nó mới là phần làm nên bức tranh.

Nguồn & đọc thêm:

• Sami — “The Great AI Misunderstanding: Why Enterprises Are Missing the Point” (Medium): tự động hóa so với khuếch đại, Copilot như người cộng sự kiến trúc.
• CIO — “Beyond the hype: 4 critical misconceptions derailing enterprise AI adoption”: tỷ lệ ~80% dự án không lên production, tư duy set-and-forget, đường cong chữ J, gốc rễ ở thiên kiến chiến lược.
• Trust Insights — “When AI-First Goes Wrong”: case Duolingo, đóng khung AI như mối đe dọa hay cơ hội.
• Withum — “3 Mistakes Manufacturers Make with AI”: bản chất “vùng xám” của hệ thống AI.
• Towards Data Science — “Critical Mistakes Companies Make When Integrating AI/ML”: AI là công cụ chứ không phải đích đến.
• Góc nhìn phê phán (contested): bàn về cách dùng ngôn ngữ “suy nghĩ/suy luận” và lập luận “stochastic parrot”.