1. Bạn tuyển 100 thiên tài, nhưng tất cả đang ngồi trong phòng nghỉ vì chưa có phiếu giao việc
AI tạo sinh có thể viết mã, soạn văn bản, nghiên cứu, dịch, so sánh lựa chọn và tận dụng kho tri thức khổng lồ.
Nghe vậy thì tưởng ngày mai ai cũng điều hành mười công ty một người.
Nhưng thực tế thường dừng ở một câu:
“Vậy làm gì?”
AI mạnh đến đâu mà không có nhiệm vụ thì vẫn chỉ là năng lực nhàn rỗi. Một trăm chiếc Ferrari không có điểm đến chỉ tạo thành bãi đỗ xe cực kỳ đắt tiền.
Trong thời đại AI, thứ khan hiếm không phải lúc nào cũng là sức mạnh mô hình.
Có thể là người giao công việc đầu tiên cho năng lực đó.
2. Điểm mạnh không nhất thiết là phát minh vĩ đại; có thể chỉ là tạo ra tia lửa đầu tiên
Khi nói tới khả năng ý tưởng, ta dễ nghĩ đến khoảnh khắc đột phá chưa ai từng nghĩ tới.
Trong thực tế, những câu hỏi nhỏ lại rất mạnh:
- chỗ này phiền quá
- hai thứ này nối với nhau được không?
- chức năng cũ có dùng cho mục đích khác không?
- bước này tại sao phải tồn tại?
- làm bản tối thiểu trước thì học được gì?
Đó là điểm châm ngòi.
Ý tưởng đầu tiên không cần hoàn thiện. Nó chỉ cần tạo ra thứ để ta tiếp tục suy nghĩ.
Một cái bàn trống khó phê bình. Đặt lên đó một nguyên mẫu thô, lập tức xuất hiện “chỗ này sai”, “cái này dùng được”, “thiếu cái kia”, “vậy bước sau là thế này”.
Bước đầu không phải đáp án.
Nó là máy tạo ra nhiều đáp án tiếp theo.
3. “Khả năng ý tưởng” không phải một kỹ năng đơn lẻ
| Khả năng | Vai trò |
|---|---|
| Phân kỳ | Tạo nhiều khả năng từ một vấn đề |
| Tương tự | Mang cấu trúc từ lĩnh vực khác vào |
| Tái kết hợp | Biến A+B thành C mới |
| Phát hiện vấn đề | Nhìn thấy ma sát trước bài toán được giao |
| Định khung lại | Xác định lại điều thực sự cần giải quyết |
| Hội tụ | Chọn phương án đáng triển khai |
| Phân rã | Chia mục tiêu thành nhiệm vụ AI xử lý được |
| Khởi động | Tạo hiện vật đầu tiên có thể nhìn thấy |
| Tái ý tưởng | Dùng hiện vật để sinh ý tưởng tiếp theo |
APA mô tả tư duy phân kỳ là tư duy sáng tạo sử dụng những chiến lược khác với cách thông thường hoặc đã được dạy.[1]
Nhưng bài kiểm tra tư duy phân kỳ không đại diện cho toàn bộ sáng tạo trong đời thực.[2]
Nhiều ý tưởng chưa đủ.
Cần định khung lại, chọn, làm, quan sát rồi suy nghĩ tiếp.
4. Sáng tạo giống vòng lặp “tạo→khám phá→tạo lại”
Mô hình Geneplore trong nghiên cứu nhận thức sáng tạo phân biệt quá trình tạo sinh và quá trình khám phá, rồi xem sáng tạo là vòng lặp giữa hai quá trình.[3]
Trong công việc với AI:
- nảy ra ý tưởng
- trao đổi với AI
- tạo đặc tả thô
- triển khai
- chạy thử
- nhận ra “chưa đúng”
- thấy một góc khác
- làm lại
Ý tưởng không cần hoàn thiện trước khi triển khai.
Triển khai trở thành một phần của tư duy.
Nếu nguyên mẫu mất ba tháng, ta cố nghĩ thật kỹ trước khi bắt đầu.
Nếu nguyên mẫu xuất hiện trong ba mươi phút, chính nguyên mẫu trở thành ghi chú để suy nghĩ.
5. “Tôi không đa nhiệm được” là đúng nếu con người phải tự làm tất cả
Bộ não con người không phù hợp để giữ cùng lúc mười dự án, mười đặc tả, mười nhánh mã và mười trạng thái kiểm tra.
Đây không phải lỗi con người.
Đây là kiến trúc sai.
Con người không cần đa nhiệm. Hệ thống có thể chạy song song.
Con người giữ hướng đi, ưu tiên, ranh giới và quyết định cuối.
Nghiên cứu, đặc tả, triển khai, kiểm thử, dịch và kiểm toán có thể tách theo phụ thuộc rồi giao cho AI.
Càng yếu về đa nhiệm, việc đưa công việc ra khỏi đầu thành trách nhiệm rõ ràng càng có giá trị.
6. Kho ngữ liệu khổng lồ là kho vật liệu, không phải bản thiết kế công trình
Kho tri thức AI khổng lồ giống một cửa hàng vật liệu có gỗ, thép, kính, dụng cụ và máy móc nặng.
Rất ấn tượng.
Nhưng nếu không ai quyết định xây gì, nó vẫn chỉ là cửa hàng vật liệu.
Năng lực biến thành công việc khi ai đó nói:
“Tôi muốn xóa ma sát này.” “Hai hệ thống này có thể nối lại.” “Trải nghiệm này có thể nâng thêm một bậc.”
Bạn không cần biết nhiều hơn AI.
Bạn cần biết bảo nó đào ở đâu.
7. Người có thể làm lại bài toán có thể mạnh hơn người chỉ biết giải bài
Nghiên cứu thiết kế xem việc định khung và tái định khung là thực hành cốt lõi cho các vấn đề mở và phức tạp. Dorst nhấn mạnh việc tạo khung mới để biến tình huống khó xử thành thứ dễ xử lý hơn.[4]
AI càng trả lời nhanh, điều này càng quan trọng.
Một câu hỏi sai có thể tạo ra câu trả lời rất đẹp cho sai vấn đề với tốc độ cực cao.
Đừng chỉ hỏi:
“Làm nhiệm vụ này nhanh hơn thế nào?”
Hãy hỏi thêm:
“Nhiệm vụ này có cần tồn tại không?” “Người dùng muốn làm nhanh hơn hay muốn khỏi phải làm?” “Có thể giải nhu cầu từ lối vào khác không?”
8. Triển khai nhanh hơn tạo thêm ý tưởng, không chỉ thêm sản lượng
Trong thí nghiệm đăng ký trước của Noy và Zhang về nhiệm vụ viết chuyên môn, việc dùng ChatGPT làm thời gian hoàn thành trung bình giảm 40% và chất lượng đánh giá tăng 18% trong các nhiệm vụ được nghiên cứu.[5]
Điều đó không có nghĩa mọi công việc đều nhanh hơn 40%.
Điểm quan trọng hơn:
chi phí thử thấp đi thì số lần thử tăng lên.
Hiện vật thật cho ta thông tin mới: có hữu ích không, có xấu hơn tưởng tượng không, mục đích khác có tốt hơn không, có nối được với chức năng khác không, người dùng mắc ở đâu.
Vì vậy, vòng
ý tưởng→triển khai→quan sát→ý tưởng mới
càng ngắn, ý tưởng càng dễ tạo phản ứng dây chuyền.
9. Nhưng nếu để AI nghĩ mọi ý tưởng, tất cả có thể leo cùng một ngọn núi
Doshi và Hauser phát hiện rằng ý tưởng truyện từ AI làm điểm đánh giá cá nhân trung bình cao hơn, nhưng các tác phẩm có AI hỗ trợ giống nhau hơn, làm giảm đa dạng ở cấp tập thể.[6]
Nếu ai cũng hỏi cùng một mô hình “cho tôi mười ý tưởng sáng tạo”, tất cả có thể lên cùng một xe du lịch.
Vì vậy đầu vào khác thường của con người vẫn có giá trị:
- phiền toái thực sự từng gặp
- chi tiết lạ ở hiện trường
- hạn chế riêng của hệ thống đang có
- phép so sánh từ lĩnh vực khác
- tổ hợp kỳ lạ
- câu hỏi “ai cũng làm thế, nhưng tại sao?”
Con người ném một viên đá kỳ lạ.
AI khuếch đại gợn sóng.
10. Vòng lặp thực tế rất đơn giản: tia lửa→một câu→chia→giao→kiểm tra→tia lửa mới
- Tia lửa — “Nếu chỗ này hoạt động như vậy thì tiện không?”
- Một câu — Ai cần chuyển từ trạng thái nào sang trạng thái nào.
- Chia việc — Nghiên cứu, thiết kế, triển khai, xác minh.
- Giao việc — Đừng giữ tất cả trong đầu; giao cho AI.
- Hiện vật — Văn bản, màn hình, mã hoặc dữ liệu có thể nhìn thấy.
- Đọc lại — Xác minh trạng thái mục tiêu thực sự tồn tại.
- Tái ý tưởng — Khi đã có thứ này, điều gì khác trở nên khả thi?
A làm B xuất hiện. A+B tạo C. C cho phép định nghĩa lại toàn bộ dịch vụ thành D.
Một tia lửa nhỏ có thể kết thúc bằng cả nhà máy điện.
11. Cạm bẫy là tốc độ ý tưởng vượt tốc độ tổ chức
Ý tưởng nhanh cộng triển khai nhanh tạo ra nhiều lớp mở rộng.
Một ngày mở dây điện ra:
“Ai làm cái này?”
Bạn của ngày hôm qua.
Giải pháp không phải bóp chết ý tưởng.
Hãy tăng sức mạnh cấu trúc:
- không nhân bản nguồn sự thật
- không xây hệ thống thứ hai cho cùng trách nhiệm
- tích hợp vào cấu trúc sẵn có nếu có thể
- chỉ song song hóa công việc thực sự độc lập
- luôn đọc lại và xác minh sau triển khai
- đặt cổng chất lượng cho thay đổi quan trọng
- phân biệt “làm được” với “nên làm ngay”
Đừng giảm ga.
Hãy nâng cấp tay lái và phanh.
12. Kết luận: lợi thế chuyển từ “biết dùng AI” sang “biết tạo công việc cho AI”
Mô hình sẽ tiếp tục mạnh hơn.
Tri thức nhiều hơn, mã nhanh hơn, viết nhanh hơn, nhiều tác nhân dễ chạy hơn.
Vì thế tầng giá trị của con người dịch chuyển:
nhìn ra thứ nên tồn tại,
tạo tia lửa đầu tiên,
định khung lại vấn đề,
chia công việc,
giao cho AI,
nhìn kết quả thật,
rồi tạo ý tưởng tiếp theo từ thực tế.
AI là năng lực khổng lồ.
Nhưng năng lực chờ nhiệm vụ.
Trong công ty có 100 AI thiên tài, người thiếu đầu tiên có thể không phải thiên tài thứ 101.
Có thể chỉ là người viết dòng đầu tiên trên phiếu giao việc.
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
