Cách dùng AI tại nơi làm việc mà không nghe như một con robot

Giai đoạn trăng mật khi dùng trí tuệ nhân tạo (AI) như một chiếc máy đánh chữ hào nhoáng đã kết thúc. Trong năm qua, các văn phòng tràn ngập những email nghe như được viết bởi một nhà thơ thời Victoria vừa mới phát hiện ra thuật ngữ doanh nghiệp. Xu hướng sử dụng các mô hình ngôn ngữ lớn để tạo ra những nội dung sáo rỗng đang phản tác dụng. Thay vì tiết kiệm thời gian, nó lại tạo ra gánh nặng cho người đọc, những người phải sàng lọc qua hàng đống đoạn văn đầy từ ngữ lịch sự vô nghĩa chỉ để tìm ra một ý chính. Giá trị thực sự của các công cụ này không nằm ở khả năng bắt chước giọng điệu con người, mà ở khả năng xử lý logic và cấu trúc dữ liệu. Để sử dụng AI hiệu quả tại nơi làm việc, bạn phải ngừng yêu cầu nó viết thay mình và bắt đầu yêu cầu nó suy nghĩ cùng mình. Mục tiêu là chuyển từ đầu ra mang tính tạo sinh sang tiện ích chức năng.

Vượt xa giao diện Chatbot

Sai lầm chính mà hầu hết người dùng mắc phải là đối xử với AI như một con người trong cửa sổ chat. Điều này dẫn đến giọng điệu quá lịch sự và lặp đi lặp lại vốn là đặc trưng của hầu hết nội dung do AI tạo ra. Các mô hình này về cơ bản là những cỗ máy dự đoán tốc độ cao. Khi bạn đưa cho chúng một yêu cầu như “viết một email chuyên nghiệp”, chúng sẽ lấy dữ liệu từ một tập hợp khổng lồ các giao tiếp kinh doanh trang trọng và thường là cũ kỹ. Kết quả là một mớ hỗn độn chung chung thiếu đi ý định cụ thể. Để tránh điều này, người dùng đang chuyển sang phương pháp đặt câu lệnh (prompting) có cấu trúc. Điều này bao gồm việc xác định vai trò, các điểm dữ liệu cụ thể và định dạng mong muốn trước khi mô hình bắt đầu tạo văn bản. Đó là sự khác biệt giữa việc yêu cầu một bản tóm tắt và việc cung cấp một mẫu cho báo cáo kỹ thuật.

Việc tích hợp tại nơi làm việc hiện đại đang chuyển dịch từ tab trình duyệt sang chính phần mềm bạn đang dùng. Điều này có nghĩa là AI không còn là một điểm đến riêng biệt. Nó là một tính năng bên trong công cụ quản lý dự án hoặc trình soạn thảo code của bạn. Khi công cụ có quyền truy cập vào ngữ cảnh công việc, nó không cần phải đoán ý bạn. Nó có thể thấy lịch sử tác vụ, thời hạn và các yêu cầu kỹ thuật cụ thể. Sự nhận thức ngữ cảnh này làm giảm nhu cầu sử dụng ngôn ngữ hoa mỹ mà các mô hình thường dùng khi không chắc chắn về dữ liệu. Bằng cách thu hẹp phạm vi tác vụ, bạn buộc cỗ máy phải chính xác thay vì sáng tạo. Sự chính xác là kẻ thù của giọng điệu robot. Khi một công cụ cung cấp câu trả lời trực tiếp dựa trên dữ liệu nội bộ, nó nghe giống một chuyên gia hơn là một kịch bản.

Kinh tế học của việc triển khai thực tế

Trong khi truyền thông thường tập trung vào những robot hình người có thể lật bánh pancake, tác động kinh tế thực sự đang diễn ra trong những môi trường yên tĩnh hơn nhiều. Tại các trung tâm phân phối lớn, tự động hóa không phải là việc trông giống con người. Đó là việc tối ưu hóa đường đi của một pallet qua hàng triệu feet vuông không gian. Các hệ thống này sử dụng machine learning để dự đoán các đợt tăng nhu cầu và điều chỉnh mức tồn kho trong thời gian thực. Lợi tức đầu tư ở đây rất rõ ràng. Nó được đo bằng số giây tiết kiệm được trên mỗi lần lấy hàng và việc giảm chi phí năng lượng. Các công ty không mua những hệ thống này để thay thế con người bằng các bản sao cơ khí. Họ mua chúng để xử lý sự phức tạp tính toán mà bộ não con người không thể quản lý ở quy mô lớn.

Trong lĩnh vực phần mềm, kinh tế học triển khai thậm chí còn quyết liệt hơn. Chi phí để tạo ra một nghìn dòng code chức năng đã giảm xuống gần bằng không về thời gian tính toán. Tuy nhiên, chi phí để xem xét lại đoạn code đó vẫn còn cao. Đây là nơi nhiều công ty thất bại. Họ cho rằng vì đầu ra rẻ nên giá trị sẽ cao. Thực tế là việc triển khai AI thường tạo ra một loại nợ kỹ thuật mới. Nếu một đội ngũ sử dụng AI để tăng gấp đôi sản lượng mà không tăng gấp đôi khả năng kiểm duyệt, họ sẽ nhận được một sản phẩm dễ vỡ và khó bảo trì. Những tổ chức thành công nhất là những tổ chức sử dụng AI để tự động hóa các phần nhàm chán của quy trình, như viết unit test hoặc tài liệu, trong khi vẫn để các kỹ sư cấp cao tập trung vào kiến trúc và bảo mật. Cách tiếp cận cân bằng này đảm bảo rằng “robot” xử lý khối lượng công việc trong khi con người xử lý chiến lược.

Ứng dụng thực tế và bàn làm việc logistics

Hãy xem xét một ngày làm việc của Marcus, một quản lý logistics. Anh ấy giám sát một đội xe tải vận chuyển hàng hóa qua ba múi giờ. Trước đây, buổi sáng của anh ấy dành cho việc đọc hàng chục báo cáo trạng thái và cập nhật thủ công một bảng tính chính. Bây giờ, anh ấy sử dụng một script tùy chỉnh để lấy dữ liệu từ các thiết bị theo dõi GPS và vận đơn. AI không viết một bài tường thuật dài về tình trạng đội xe. Thay vào đó, nó gắn cờ ba chiếc xe tải cụ thể có khả năng lỡ lịch trình do kiểu thời tiết. Anh ấy kiểm tra nhật ký tồn kho và đưa ra quyết định nhanh chóng. AI cung cấp hình ảnh hóa dữ liệu và đánh giá rủi ro, nhưng Marcus cung cấp lệnh điều hành. Anh ấy không nghe như một con robot vì anh ấy không dùng AI để nói thay mình. Anh ấy dùng nó để nhìn thấy những thứ mà nếu không có nó, anh ấy sẽ bỏ lỡ.

Logic tương tự áp dụng cho các tác vụ hành chính. Thay vì yêu cầu AI viết lời mời họp, một người dùng thông thái sẽ cung cấp danh sách ba mục tiêu và yêu cầu mô hình tạo ra một chương trình nghị sự dạng gạch đầu dòng. Điều này loại bỏ những từ ngữ sáo rỗng như “Tôi hy vọng email này tìm thấy bạn khỏe mạnh” và thay thế bằng thông tin có thể hành động. Trong môi trường công nghiệp, điều này giống như bảo trì dự đoán. Một cảm biến trên băng chuyền phát hiện độ rung không đạt chuẩn. AI không gửi một lá thư lịch sự cho kỹ thuật viên. Nó tạo ra một lệnh làm việc với mã linh kiện chính xác và thời gian dự kiến hỏng hóc. Đây là nơi chiến thuật sử dụng AI thành công. Nó thất bại khi con người trong vòng lặp ngừng kiểm tra công việc. Nếu AI gợi ý một linh kiện đã hết hàng và con người nhấn phê duyệt mà không xem xét, hệ thống sẽ hỏng. Kiểm duyệt của con người là cầu nối giữa một gợi ý được tính toán và một hành động thực tế.

Nguy cơ các thói quen xấu lan rộng là có thật. Khi một người bắt đầu sử dụng AI để tạo ra các bản ghi nhớ dài dòng, vô nghĩa, những người khác cảm thấy cần phải làm điều tương tự để theo kịp khối lượng công việc. Điều này tạo ra một vòng lặp phản hồi của sự nhiễu loạn. Để phá vỡ điều này, các nhóm phải đặt ra các tiêu chuẩn rõ ràng cho việc sử dụng AI. Điều này bao gồm chính sách “không sáo rỗng” và yêu cầu tất cả công việc có sự hỗ trợ của AI phải được tiết lộ và xác minh. Theo MIT Technology Review, các nhóm hiệu quả nhất là những nhóm coi AI như một trợ lý cấp dưới thay vì là sự thay thế cho tư duy cấp cao. Quan điểm này giữ trọng tâm vào chất lượng của đầu ra cuối cùng thay vì tốc độ tạo ra. Bạn chỉ nên sử dụng công cụ cho các tác vụ mà logic rõ ràng nhưng việc thực hiện lại tẻ nhạt.

Sự hoài nghi kiểu Socrates và những chi phí ẩn

Chúng ta phải tự hỏi mình đang mất gì khi thuê ngoài giọng nói chuyên nghiệp của mình cho một cỗ máy. Nếu mọi thư xin việc và mọi đề xuất dự án đều được lọc qua cùng một vài mô hình, liệu chúng ta có mất khả năng phát hiện ra tài năng thực sự hoặc những ý tưởng độc đáo? Có một chi phí ẩn cho sự đồng nhất hóa tư duy. Khi tất cả chúng ta đều sử dụng cùng một công cụ để “tối ưu hóa” bài viết của mình, chúng ta sẽ kết thúc trong một biển của sự giống nhau. Điều này khiến cho một góc nhìn độc đáo khó có thể vượt qua sự ồn ào. Quyền riêng tư là một mối quan tâm lớn khác. Dữ liệu sẽ đi về đâu khi bạn đưa nó vào một câu lệnh? Hầu hết người dùng không nhận ra rằng các chiến lược kinh doanh “riêng tư” của họ đang được sử dụng để đào tạo thế hệ mô hình tiếp theo. Đây là một sự chuyển giao tài sản trí tuệ khổng lồ từ các cá nhân sang một vài tập đoàn lớn.

Hơn nữa, ai chịu trách nhiệm khi AI mắc sai lầm gây ra hậu quả thực tế? Nếu một hệ thống tự động trong kho hàng tính toán sai trọng lượng tải và gây ra tai nạn, đó là lỗi của nhà phát triển phần mềm, công ty đã triển khai nó, hay người vận hành đáng lẽ phải giám sát? Các khung pháp lý cho những kịch bản này vẫn đang được soạn thảo. Chúng ta hiện đang trong thời kỳ rủi ro cao khi công nghệ đã vượt xa quy định. Các công ty đang đổ xô áp dụng các công cụ này để tiết kiệm tiền, nhưng họ có thể đang mở ra cho mình những trách nhiệm pháp lý khổng lồ. Chúng ta cũng phải xem xét chi phí môi trường. Năng lượng cần thiết để vận hành các trung tâm dữ liệu khổng lồ này là rất đáng kể. Liệu sự tiện lợi của một email tóm tắt có đáng giá với dấu chân carbon của các chu kỳ tính toán cần thiết để tạo ra nó? Đây là những câu hỏi mà các bộ phận tiếp thị của các công ty công nghệ tránh trả lời.

Phần dành cho dân kỹ thuật: Tích hợp và Local Stacks

Đối với những người muốn vượt ra ngoài giao diện chat cơ bản, sức mạnh thực sự nằm ở tích hợp API và triển khai cục bộ (local deployment). Dựa vào cổng thông tin dựa trên web là ổn cho việc sử dụng thông thường, nhưng nó tạo ra nút thắt cho các quy trình làm việc chuyên nghiệp. Hầu hết các mô hình lớn hiện nay đều cung cấp các API mạnh mẽ cho phép bạn đưa dữ liệu trực tiếp từ cơ sở dữ liệu của riêng mình. Điều này cho phép “JSON mode” hoặc đầu ra có cấu trúc, đảm bảo AI trả về dữ liệu ở định dạng mà phần mềm khác của bạn thực sự có thể đọc được. Điều này loại bỏ nhu cầu sao chép và dán văn bản và cho phép tự động hóa thực sự. Tuy nhiên, người dùng phải lưu ý đến giới hạn token. Một token tương đương khoảng bốn ký tự và mọi mô hình đều có “cửa sổ ngữ cảnh” tối đa mà nó có thể ghi nhớ cùng một lúc. Nếu dự án của bạn quá lớn, AI sẽ bắt đầu quên phần đầu của cuộc trò chuyện, dẫn đến ảo giác (hallucinations).

Lưu trữ cục bộ và thực thi cục bộ đang trở thành lựa chọn ưu tiên cho các công ty chú trọng đến quyền riêng tư. Sử dụng các công cụ như Llama.cpp hoặc Ollama, các công ty có thể chạy các mô hình mạnh mẽ trên phần cứng của riêng họ. Điều này đảm bảo rằng dữ liệu nhạy cảm không bao giờ rời khỏi mạng nội bộ. Mặc dù các mô hình cục bộ này có thể không lớn bằng các phiên bản hàng đầu từ các công ty công nghệ lớn, chúng thường có khả năng xử lý tốt các tác vụ cụ thể như phân loại tài liệu hoặc tạo code. Sự đánh đổi là nhu cầu về GPU cao cấp. Một chiếc laptop văn phòng tiêu chuẩn sẽ gặp khó khăn khi chạy mô hình 70 tỷ tham số ở tốc độ có thể sử dụng được. Các tổ chức hiện đang đầu tư vào các “máy chủ AI” chuyên dụng để cung cấp sức mạnh tính toán cục bộ này cho đội ngũ của họ. Thiết lập này cũng cho phép tinh chỉnh (fine-tuning), nơi một mô hình được đào tạo trên kho lưu trữ của chính công ty để học ngôn ngữ kỹ thuật và lịch sử cụ thể của họ mà không có nguy cơ rò rỉ dữ liệu công khai.

Khi xây dựng các quy trình làm việc này, việc theo dõi cài đặt “nhiệt độ” (temperature) của mô hình là rất quan trọng. Nhiệt độ thấp hơn làm cho đầu ra mang tính quyết định và tập trung hơn, điều này lý tưởng cho công việc kỹ thuật. Nhiệt độ cao hơn cho phép ngẫu nhiên hơn, tốt hơn cho việc brainstorming nhưng nguy hiểm cho việc nhập dữ liệu. Hầu hết người dùng chuyên nghiệp giữ nhiệt độ dưới 0.3 cho các tác vụ liên quan đến công việc. Điều này đảm bảo rằng đầu ra luôn dựa trên các dữ kiện được cung cấp. Mức độ kiểm soát này là thứ phân biệt người dùng thông thường với chuyên gia. Bằng cách coi AI như một thành phần có thể cấu hình của một cỗ máy lớn hơn, bạn có được những lợi ích của tự động hóa mà không gặp rủi ro về đầu ra robot, không đáng tin cậy. Bạn có thể tìm thêm chi tiết trong **hướng dẫn toàn diện về AI tại nơi làm việc** của chúng tôi để xem các cài đặt này ảnh hưởng đến các tác vụ khác nhau như thế nào.

Điểm mấu chốt

Mục tiêu của việc sử dụng AI tại nơi làm việc là tăng khả năng tư duy cấp cao của bạn, không phải để tạo ra nhiều tiếng ồn cấp thấp hơn. Nếu bạn thấy mình dành nhiều thời gian để chỉnh sửa những nội dung sáo rỗng do AI tạo ra hơn là thời gian viết bản gốc, bạn đang sử dụng công cụ không đúng cách. Hãy tập trung vào dữ liệu, cấu trúc và logic. Sử dụng cỗ máy để xử lý phần việc nặng nhọc của tổ chức và nhận dạng mẫu. Hãy để giọng nói, sắc thái và quyết định cuối cùng cho con người. Như nghiên cứu của *Gartner* gợi ý, tương lai của công việc không phải là AI thay thế con người, mà là những con người sử dụng AI thay thế những người không sử dụng. Kỹ năng quan trọng nhất bạn có thể phát triển là khả năng phân biệt tác vụ nào cần sự chạm tay của con người và tác vụ nào tốt hơn nên để cho các thuật toán. Một câu hỏi vẫn còn đó: khi các mô hình này trở nên thuyết phục hơn, liệu cuối cùng chúng ta có mất khả năng phân biệt đâu là máy và đâu là người?

Lưu ý của biên tập viên: Chúng tôi tạo trang web này như một trung tâm tin tức và hướng dẫn AI đa ngôn ngữ dành cho những người không phải là chuyên gia máy tính, nhưng vẫn muốn hiểu trí tuệ nhân tạo, sử dụng nó tự tin hơn và theo dõi tương lai đang đến gần.