DIỄN GIẢ

ThS. Laura Nguyễn (Thư Nguyễn) - Nhà điều hành sáng lập tại Briefcase · Cựu Chuyên gia Tư vấn Quản lý tại Accenture · Thạc sĩ ngành Chính sách công nghệ (Technology Policy), Đại học Cambridge.
Chị Trần Lê Thanh Như (Như Trần) - Đồng sáng lập Schola · Cựu Giám đốc kinh doanh tại Meta Singapore · Cựu Giám đốc Marketing tại SEA Group (Shopee, Garena) tại Đông Nam Á · Học bổng ASEAN toàn phần tại Đại học Quốc gia Singapore.
ThS. Nguyễn Thanh Tùng - Học bổng toàn phần Fulbright chương trình Thạc sĩ Phân tích Chính sách Giáo dục, Đại học Harvard · Đồng sáng lập Elio Education.
Anh Hoàng Phạm Gia Khang - Nhà sáng lập MakerLab.vn · Chuyên viên Phát triển Hệ sinh thái tại Trung tâm Đổi mới Sáng tạo, Đại học Quốc gia TP.HCM.

DẪN DẮT BỞI ÔNG HÙNG VÕ

Chủ đề phiên nghe như một lời hứa của thời AI: một người có thể làm việc như cả một đội ngũ. Nhưng host Hùng Võ nhanh chóng kéo cuộc trò chuyện khỏi sự phấn khích ban đầu. Bốn founder trẻ, bốn lĩnh vực và bốn cách dùng AI khác nhau cùng bàn về điều AI làm được, điều nó chưa làm được, và cái giá của tốc độ.

Bốn người, bốn mối quan hệ với AI

Gia Khang, xuất thân từ khoa học máy tính và từng học chuyên Tin, mở đầu bằng một điều trái với hình dung của nhiều người: anh từng không muốn học AI, vì lượng thông tin quá lớn và quá mơ hồ. Đến đầu năm 2023, khi ChatGPT bùng nổ, anh học các môn về machine learning, AI và xử lý ngôn ngữ tự nhiên. Điều thuyết phục anh quay lại với AI không phải là chạy theo công cụ mới, mà là học cách so sánh, lựa chọn và thích ứng.

ThS. Thanh Tùng đi một quỹ đạo khác: từ rất hào hứng với khả năng AI giúp giáo viên dạy được nhiều học sinh hơn, đến mức trong hai tuần dựng thử mô hình một công ty vận hành bằng AI, rồi bắt đầu thấy giới hạn. Dữ liệu huấn luyện thiên về tiếng Anh và nguồn phổ biến trên mạng nên kết quả dễ chung chung; AI thiếu kiến thức bản địa Việt Nam; và vận hành AI cũng tốn chi phí thật.

Laura Nguyễn dùng AI mỗi ngày cho tuyển dụng, xây sản phẩm, bán hàng và vận hành. Cô xác nhận tốc độ thay đổi rất nhanh, gần như vài tuần lại có model mới, nhưng ranh giới chưa biến mất: bán hàng, trò chuyện với khách, đọc tín hiệu nhỏ trong quan hệ con người vẫn là những việc AI chưa làm thay được.

Như Trần thì đặt câu hỏi ngược lại: khi mọi thứ thay đổi nhanh, điều gì vẫn cần giữ nguyên? Câu trả lời của cô là nền tảng: hiểu khách hàng, hiểu vì sao họ chọn mình thay vì đối thủ, và giữ sự đồng cảm. Nếu thiếu nền tảng đó, sản phẩm ra nhanh hơn cũng chưa chắc giúp doanh nghiệp đi xa hơn.

MVP trong một tháng, và ảo giác thành công

Về lời hứa lớn nhất của AI với người khởi nghiệp, tốc độ, Như Trần đưa ra con số cụ thể: trước kia cô mất sáu tháng để ra nền tảng đầu tiên đem đi thử nghiệm; nay có thể rút xuống khoảng một tháng, từ giả thuyết, xác định vấn đề đến MVP, A/B testing và thử nghiệm marketing.

Nhưng đến khâu kiểm chứng thật, không có đường tắt. Founder vẫn phải tự đi gặp khách hàng, lắng nghe điều họ nói và đọc cả điều họ không nói. Từ MVP đến product-market fit, thứ quyết định vẫn là kết nối, thấu hiểu và trực giác của người sáng lập.

“AI giúp các bạn tạo ra MVP nhanh hơn, và cùng với nó là một thứ ảo giác thành công” - ThS. Nguyễn Thanh Tùng · Đồng Sáng Lập Elio Education

ThS. Thanh Tùng gọi tên cảm giác dễ mắc: “tôi đã tạo ra được cái gì đó”. Nhưng chỉ khi đưa sản phẩm ra thị trường, xem khách hàng có dùng và có trả tiền không, người sáng lập mới biết mình thật sự làm được gì.

Gia Khang bổ sung từ thế giới phần cứng: khi phải xuống xưởng sản xuất, đàm phán phân phối, đưa thiết bị vào trường học hoặc phòng thí nghiệm, thị trường vận hành chậm hơn rất nhiều so với phần mềm. AI có thể giảm tải nhiều việc, nhưng mười phần trăm cuối cùng, phần chạm vào hạ tầng vật lý và con người thật, vẫn là câu chuyện của quan hệ và thực thi.

Đội ngũ tối giản, nhưng không phải đội ngũ không người

Host quay lại câu hỏi gốc: có nên hướng đến một doanh nghiệp không cần người khác, hoặc càng ít người càng tốt?

Gia Khang không nghĩ vậy. Theo anh, AI vừa tạo ra sự phân mảnh, vừa tạo ra các cụm mới: những cá nhân hoặc nhóm nhỏ quen làm việc với nhau, để việc lặp lại cho AI xử lý. Nhưng nếu các kết nối giữa người với người không đủ chặt, nhóm rất dễ rời rạc và bị cuốn khỏi cuộc đua.

ThS. Thanh Tùng phân biệt hai loại công ty mình đang làm. Một nền tảng coding có thể vận hành với rất ít người và nhiều phần được AI hỗ trợ. Nhưng với giáo dục, anh chưa thấy AI nào thay được việc ngồi nghe phụ huynh kể chuyện, hiểu một đứa trẻ và điều chỉnh cách dạy cho phù hợp.

Laura xác nhận thực tế startup của mình: đội ngũ rất ít người và không có ý định tuyển ồ ạt. Nhưng nghịch lý là AI không làm con người rảnh hơn. Khi AI chạy một việc, con người lại mở thêm việc khác. Mỗi người có thể đang gánh khối lượng tương đương ba đến năm người trước đây.

Như Trần kết lại bằng một nguyên tắc: chừng nào mình còn phục vụ con người, mình còn cần con người.

Khoảnh khắc nhận ra mình lười nghĩ

Phần đáng chú ý nhất của phiên đến khi host tự nhận: dùng nhiều model song song giúp làm được nhiều việc hơn, nhưng cũng có lúc khiến mình bớt tư duy. Anh hỏi các khách mời: có khi nào các bạn thấy mình phụ thuộc AI đến mức giảm khả năng nghĩ chưa?

Laura dẫn một nghiên cứu cô nghe trong podcast nội bộ công ty: Gen Z, thế hệ lớn lên cùng công nghệ dày đặc, cũng là thế hệ đầu tiên ghi nhận chỉ số IQ trung bình có xu hướng đi xuống thay vì đi lên. Cô thấy chính mình cũng bị mòn một số kỹ năng, như viết email từ đầu. Cách cô cân bằng là chủ động đặt AI sang một bên: chơi cờ, bỏ điện thoại xuống, ra ngoài gặp gia đình và nói chuyện với con người.

ThS. Thanh Tùng nói về nỗi sợ của người làm giáo dục: học sinh dùng AI như thế hệ trước chép sách giải, lấy đáp án mà không nghĩ. Anh cũng sợ chính mình tham việc hơn nhờ AI, nhưng lại dành ít thời gian hơn cho phần quan trọng nhất của nghề giáo: nghĩ về từng học sinh, các em thích gì, ghét gì, gia cảnh ra sao.

Như Trần kể một khoảnh khắc tự nhận ra. Cô dựng rất nhanh một đoạn giao diện bằng AI rồi khoe với co-founder phụ trách kỹ thuật. Người đó đọc xong nói không hiểu cô đang viết gì. Cô nhận ra mình đã bị kéo theo luồng suy nghĩ của AI, quên đặt mình vào bối cảnh người đọc. Từ đó, cô đặt quy tắc: với mọi vấn đề, tự đưa ra giải pháp trước, rồi mới hỏi AI phản biện.

Gia Khang nói anh đã gặp nhiều lỗi khi dùng AI. Có giai đoạn mọi thứ quá gấp, việc gì cũng để AI làm nhanh: thiết kế lỗi, marketing lỗi, chi phí lỗi, vì con người không dành đủ thời gian kiểm tra. Bài học của anh là tỉnh thức khi dùng AI: mình đang thật sự làm việc này, hay đã để AI làm luôn?

Lời khuyên cho đứa em vào đại học năm nay

Câu hỏi cuối của host rất đời: nếu có một đứa em năm nay vào đại học, bạn sẽ khuyên tiếp cận AI thế nào?

Gia Khang giải thích đơn giản: các mô hình ngôn ngữ và dữ liệu lớn chủ yếu làm ba việc: tìm kiếm, sắp xếp theo mô thức và dự đoán cái tiếp theo. Anh khuyên người trẻ dành thời gian học về dữ liệu để hiểu kỹ thuật, vì hiểu rồi thì bớt lúng túng. Đồng thời, đừng xem nhẹ domain knowledge. Kiến thức chuyên sâu, kể cả khoa học xã hội, khi cộng với kỹ năng dùng AI có thể tạo ra lợi thế lớn.

Laura khuyên nghĩ xa hơn hiện tại. Một học sinh mười bảy tuổi hôm nay sẽ tốt nghiệp vào một thế giới đã khác. Thay vì chỉ hỏi AI giúp mình làm gì ngay bây giờ, hãy hỏi mười năm nữa mình có thể dùng AI để phát triển Việt Nam như thế nào.

Như Trần đưa ba nguyên tắc: phải học AI, nhưng xem nó là thinking partner chứ không phải người quyết định; phải giữ tư duy nền và domain của mình; và phải nghĩ về sự khác biệt hóa, vì khi ai cũng dùng AI, câu hỏi mới là ai đọc ra vấn đề tốt hơn.

“Hãy đi từ cái lõi của mình ra trước, chứ đừng đi từ cái xã hội đang FOMO” - Ths. Nguyễn Thanh Tùng · Đồng Sáng Lập Elio Education

ThS. Thanh Tùng khép vòng bằng hai lời khuyên. Một là sợ cái gì thì học cái đó; học rồi sẽ bớt sợ. Hai là nên đọc lại lịch sử công nghệ: internet và các khóa học online từng hứa hẹn thay đổi giáo dục rất mạnh, nhưng không phải lời hứa nào cũng thành hiện thực. Điều quan trọng vẫn là mình đem lại giá trị gì cho xã hội, và xã hội sẵn sàng trả tiền cho điều gì.

Host Hùng Võ đúc kết các từ khóa lặp lại suốt phiên: nền tảng, đam mê thật, đủ thời gian tìm hiểu và phản tư. Cơ hội thử nghiệm chưa bao giờ rẻ như hiện nay, nhưng chỉ có giá trị khi người trẻ dùng nó với sự tỉnh táo.

Đúc kết từ phiên thảo luận

AI/LLM chủ yếu làm ba việc: tìm kiếm, sắp xếp theo mô thức và dự đoán cái tiếp theo. Hiểu kỹ thuật giúp bớt lúng túng.
MVP có thể rút từ sáu tháng xuống một tháng, nhưng product-market fit vẫn cần gặp khách hàng thật và đọc điều họ không nói ra.
Cẩn thận với ảo giác thành công: sản phẩm chỉ thật sự được kiểm chứng khi có người dùng và người trả tiền.
Đội ngũ tối giản là có thật, nhưng AI không làm con người rảnh hơn; nhiều người đang gánh khối lượng việc lớn hơn trước.
Muốn giữ năng lực tư duy, cần có lúc đặt AI sang một bên: chơi cờ, gặp người, tự viết, tự nghĩ.
Quy tắc chống lười nghĩ: tự đưa giải pháp trước rồi mới hỏi AI phản biện; luôn kiểm tra mình đang làm hay đang để AI làm thay.
Domain knowledge là lợi thế: chuyên môn sâu cộng với kỹ năng AI tạo ra người rất có tiềm năng. Hãy đi từ lõi của mình, không đi từ FOMO của xã hội.