Sự phát triển nhanh của AI tạo áp lực phải thử nhiều công cụ và chứng minh rằng tổ chức không đứng ngoài xu hướng. Nhưng việc sử dụng thêm một công cụ chưa chắc làm công việc tốt hơn. Câu hỏi có giá trị hơn là: nhiệm vụ nào đang tốn thời gian, lặp lại, cần tổng hợp nhiều thông tin hoặc có thể chuẩn hóa; đồng thời phần nào đòi hỏi phán đoán, trách nhiệm và hiểu biết bối cảnh của con người.
Bài viết đưa ra ma trận lựa chọn công việc trước khi lựa chọn AI. Mục tiêu là tìm những trường hợp sử dụng có giá trị, dữ liệu phù hợp và rủi ro kiểm soát được. Cách làm này giúp tổ chức tránh tự động hóa những việc không cần thiết hoặc giao cho AI những quyết định mà con người vẫn phải chịu trách nhiệm.
Không nên bắt đầu bằng “AI làm được gì?”. Hãy bắt đầu bằng “công việc nào cần cải thiện và tiêu chí chất lượng là gì?”.
Ma trận lựa chọn tác vụ
| Đặc điểm tác vụ | Mức phù hợp | Cách kiểm soát |
|---|---|---|
| Lặp lại, đầu vào rõ, có mẫu chuẩn | Cao | Kiểm tra mẫu và ngoại lệ |
| Tổng hợp, so sánh, tạo bản nháp | Khá | Con người xác minh nguồn và lập luận |
| Quyết định ảnh hưởng lớn đến con người | Thận trọng | Phê duyệt bắt buộc, lưu dấu vết |
| Thông tin nhạy cảm hoặc thiếu dữ liệu chuẩn | Thấp | Không đưa dữ liệu vào khi chưa có kiểm soát |
Năm câu hỏi trước khi thử nghiệm
- Kết quả tốt được định nghĩa bằng tiêu chí nào?
- Đầu vào có chứa dữ liệu cá nhân, bí mật hoặc sở hữu trí tuệ không?
- Sai sót có thể gây hậu quả gì và ai chịu trách nhiệm?
- Phần nào cần con người kiểm tra, sửa hoặc phê duyệt?
- Thời gian tiết kiệm có lớn hơn thời gian kiểm tra và sửa lỗi?
Thiết kế vòng kiểm tra
AI có thể tạo bản nháp, phân nhóm hoặc đề xuất, nhưng người dùng cần đối chiếu dữ kiện, kiểm tra ngữ cảnh và chịu trách nhiệm cho quyết định cuối. NIST AI RMF nhấn mạnh quản trị rủi ro trong toàn bộ vòng đời, với bốn chức năng: govern, map, measure và manage. Trong công việc hằng ngày, điều này có thể chuyển thành quy định dữ liệu, mô tả tác vụ, tiêu chí kiểm tra và nhật ký cải tiến.
Đo lợi ích đúng cách
Không chỉ đo số lần dùng công cụ. Nên so sánh thời gian hoàn thành, tỷ lệ lỗi, mức độ sửa lại, chất lượng đầu ra và mức hài lòng của người sử dụng trước và sau thử nghiệm. Nếu năng suất tăng nhưng tỷ lệ lỗi hoặc rủi ro tăng theo, tác vụ chưa được thiết kế phù hợp.
Chọn công việc trước khi chọn công cụ
Không phải nhiệm vụ nào cũng nên dùng AI. Những công việc có mục tiêu rõ, đầu vào tương đối ổn định, kết quả có thể kiểm tra và sai sót có thể phát hiện thường phù hợp hơn để thử nghiệm. Ngược lại, quyết định có hệ quả lớn, tiêu chí mơ hồ hoặc thiếu người chịu trách nhiệm cần được tiếp cận thận trọng.
Giá trị của AI không nằm ở một câu trả lời riêng lẻ mà ở cách nó được đặt trong quy trình. Cần quy định AI hỗ trợ bước nào, con người kiểm tra điều gì, nguồn nào được phép sử dụng, dữ liệu nào không được đưa vào và khi nào phải dừng để chuyển cho người có thẩm quyền.
Ma trận đánh giá một tác vụ AI
- Phân rã công việc: Tách nhiệm vụ thành các bước tìm kiếm, tổng hợp, phân loại, soạn thảo, kiểm tra và quyết định.
- Đánh giá độ phù hợp: Xem xét tần suất, dữ liệu đầu vào, khả năng kiểm tra, mức rủi ro và giá trị thời gian tiết kiệm.
- Thiết kế kiểm soát: Xác định tiêu chí đầu ra, nguồn bắt buộc, người duyệt và cách lưu vết.
- Đo thử nghiệm: So sánh thời gian, chất lượng, tỷ lệ sửa lại và lỗi trước – sau khi dùng AI.
Khi tự động hóa làm tăng công việc kiểm tra
Một nhóm tư vấn dùng AI để soạn bản khuyến nghị hoàn chỉnh và nhận kết quả nghe hợp lý nhưng thiếu căn cứ. Khi phân rã công việc, AI được chuyển sang hỗ trợ lập danh mục câu hỏi, tóm tắt dữ liệu và kiểm tra cấu trúc; chuyên gia giữ quyền chẩn đoán và khuyến nghị. Cách dùng mới tiết kiệm thời gian nhưng không chuyển trách nhiệm nghề nghiệp cho công cụ.
Theo dõi giá trị và rủi ro của AI
- Thời gian hoàn thành trên một nhiệm vụ
- Tỷ lệ đầu ra phải sửa lại
- Số lỗi thực tế và lỗi nghiêm trọng
- Tỷ lệ trường hợp được chuyển cho người chịu trách nhiệm
Khi rà soát, không nên chỉ hỏi hoạt động đã được thực hiện hay chưa. Cần kiểm tra giả định nào đã được xác nhận, quyết định nào thay đổi, ai chịu trách nhiệm và kết quả được đo ở đâu. Cách tiếp cận này giúp chuyển kiến thức thành một cơ chế cải tiến có thể theo dõi.
Thiết kế một thử nghiệm AI có trách nhiệm
Thử nghiệm nên bắt đầu bằng một tập nhiệm vụ đại diện và một chuẩn đầu ra do con người xác định. Nhóm thực hiện cần lưu lại thời gian, chất lượng, lỗi và mức sửa của cách làm hiện tại trước khi đưa AI vào. Sau đó, cùng một loại nhiệm vụ được thực hiện với sự hỗ trợ của AI dưới quy tắc rõ về dữ liệu, nguồn tham khảo và quyền phê duyệt. So sánh này giúp tránh kết luận dựa trên cảm giác nhanh hoặc ấn tượng từ vài ví dụ thuận lợi.
Đánh giá chất lượng phải tách lỗi bề mặt và lỗi có hệ quả. Một bản nháp dài hơn hoặc trôi chảy hơn không mặc nhiên tốt hơn nếu chứa dữ kiện không kiểm chứng, bỏ qua ngoại lệ hoặc tạo ra khuyến nghị vượt quá bằng chứng. Với mỗi tác vụ, tổ chức nên định nghĩa tiêu chí bắt buộc, lỗi không được phép và trường hợp phải chuyển cho người có thẩm quyền. Cơ chế này đặc biệt quan trọng khi đầu ra liên quan khách hàng, nhân sự hoặc quyết định quản trị.
Sau thử nghiệm, quyết định triển khai cần dựa trên lợi ích ròng. Thời gian tạo bản nháp phải được cộng với thời gian kiểm tra, sửa và xử lý lỗi; chi phí công cụ phải đặt cạnh giá trị thời gian tiết kiệm và chất lượng tăng thêm. Nếu AI giúp giảm công việc lặp lại nhưng làm tăng trách nhiệm kiểm tra ở chuyên gia, quy trình cần được thiết kế lại thay vì chỉ mở rộng số người dùng. Mục tiêu không phải sử dụng AI nhiều hơn, mà là cải thiện công việc trong giới hạn rủi ro chấp nhận được.
Ví dụ ứng dụng
Ví dụ: AI tạo bản nháp nhanh nhưng chưa chắc giảm thời gian
Một phòng nhân sự dùng AI để soạn mô tả công việc. Bản nháp được tạo trong vài phút, nhanh hơn đáng kể so với cách làm trước. Tuy nhiên, người phụ trách phải sửa lại yêu cầu năng lực, cách diễn đạt về trách nhiệm và nhiều chi tiết không phù hợp với quy định nội bộ. Nếu chỉ đo thời gian tạo bản nháp, thử nghiệm có vẻ thành công; nếu tính cả thời gian kiểm tra và rủi ro thông tin sai, lợi ích trở nên khiêm tốn hơn.
Phòng nhân sự sau đó thu hẹp phạm vi. AI chỉ được dùng để tạo cấu trúc ban đầu từ một mẫu đã chuẩn hóa; dữ liệu nhạy cảm không được đưa vào; các tiêu chí bắt buộc và lỗi không chấp nhận được được lập thành danh sách kiểm tra. Người có chuyên môn vẫn phê duyệt bản cuối. Sau một số vòng thử, nhóm xác định loại vị trí nào có thể dùng quy trình này và loại vị trí nào cần viết trực tiếp vì yêu cầu quá đặc thù.
Ví dụ cho thấy việc lựa chọn tác vụ quan trọng hơn sự hấp dẫn của công cụ. Một tác vụ phù hợp thường có đầu vào tương đối rõ, đầu ra kiểm tra được, tần suất đủ cao và hậu quả sai sót nằm trong khả năng kiểm soát. Tổ chức cần đo lợi ích ròng, gồm thời gian tạo, thời gian sửa, chất lượng, lỗi và mức độ phụ thuộc. AI chỉ tạo giá trị khi được đặt trong một quy trình có tiêu chuẩn và người chịu trách nhiệm.
Khi thử một công cụ AI, hãy lấy khoảng hai mươi nhiệm vụ đại diện thay vì chọn vài trường hợp dễ. Ghi lại cách làm hiện tại, xác định tiêu chí đánh giá và yêu cầu hai người kiểm tra độc lập một số đầu ra. Những lỗi lặp lại cần được phân loại theo mức hệ quả. Kết quả thử nghiệm phải dẫn tới quyết định rõ: dùng cho trường hợp nào, ai kiểm tra, dữ liệu nào bị cấm và khi nào phải chuyển sang xử lý thủ công.
Một dấu hiệu đáng chú ý là người dùng nói công cụ giúp họ nhanh hơn nhưng không chỉ ra được thời gian đã tiết kiệm ở đâu. Khi đó, nhóm thử nghiệm nên đo riêng thời gian chuẩn bị đầu vào, tạo bản nháp, kiểm tra và sửa. Việc tách các bước giúp thấy AI đang loại bỏ công việc hay chỉ chuyển công việc sang người kiểm tra. Đây là cơ sở để thiết kế lại vai trò, hướng dẫn và mức giám sát phù hợp.
Bài viết liên quan
Tài liệu tham khảo
- Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0). NIST. https://doi.org/10.6028/NIST.AI.100-1
- OECD. (2025). Generative AI and the SME workforce. https://doi.org/10.1787/2d08b99d-en
