Cách dùng cũng không quá phức tạp. Vào Community Plugins, cài Importer, bật plugin rồi chọn nguồn dữ liệu cần chuyển.

Với Apple Notes, trên macOS Importer có thể đọc dữ liệu Notes và cho bạn xem trước trước khi nhập. Những nội dung như bảng, ảnh, bản vẽ, bản scan, PDF hay link cũng được hỗ trợ khá tốt.
Với Google Keep, bạn có thể xuất dữ liệu bằng Google Takeout rồi đưa phần dữ liệu đó vào Importer.
Notion cũng có đường chuyển dữ liệu sang Obsidian, thậm chí các phiên bản Importer gần đây đã có thêm hướng nhập qua API và xử lý database sang cấu trúc phù hợp hơn với Obsidian.

4. Và đây cũng là điểm mình thấy đáng nói nhất.
Đừng biến câu chuyện Second Brain thành một dự án “di cư dữ liệu” kéo dài thêm vài tuần chỉ để có cảm giác mọi thứ đã nằm chung một chỗ.
Bạn có thể kệ phần cũ. Có thể chuyển dần khi cần. Có thể dùng agent nếu đã rõ rule. Hoặc dùng Importer để gom nhanh những nguồn mà công cụ đã hỗ trợ.

Mục tiêu cuối cùng không phải là Obsidian của bạn có bao nhiêu nghìn note.
Mà là khi một ý tưởng, một tài liệu hay một kinh nghiệm mình từng tích lũy bỗng trở nên cần thiết, mình còn tìm thấy nó, hiểu được nó và dùng tiếp được.

Bạn đang xây Second Brain, nhưng cái “brain số 2” này cuối cùng vẫn phải phục vụ cái “brain số 1”.

Đừng để tối ưu xong hệ thống rồi chính mình lại trở thành người đi tìm dữ liệu trong hệ thống của mình.

p/s: Hình cái Obsidian của Trung và plugin Importer bạn có thể tận dụng.

Bửu Trung – Dân Lười, thích Tối ưu
#buutrung #luoithichtoiuu #lazyAI #SecondBrain #Obsidian

Và bên dưới là 6/9 ý, bạn có thể tham khảo, điều chỉnh thêm nếu cần.

1. Model tự kiểm tra, đừng bảo nó kiểm tra nữa

Đây là thay đổi lớn nhất và cũng dễ bỏ sót nhất. Opus 5 tự verify công việc của mình mà không cần được nhắc. Tài liệu của Anthropic nói thẳng là nếu prompt còn chứa câu kiểu “thêm bước kiểm tra cuối cho mọi task không tầm thường” hay “dùng subagent để verify” thì phải xóa đi, vì những câu này gây over verification, đốt token mà chất lượng không tăng.

Nghĩa là toàn bộ những câu quen thuộc dưới đây cần bị gỡ khỏi mọi Project Instruction, skill, CLAUDE.md và prompt template đang chạy.

❌ Gỡ bỏ
- "Hãy kiểm tra lại kết quả trước khi trả lời"
- "Double check số liệu"
- "Tự review lại bản nháp rồi mới xuất"
- "Verify từng bước trước khi sang bước tiếp theo"
- "Dùng một subagent để kiểm tra chéo"

Cái thay thế không phải là một câu prompt khác mà là một cấu trúc khác. Nếu thực sự cần vòng kiểm soát, tách nó thành lượt riêng biệt do người điều khiển, tức là draft ở lượt một, review ở lượt hai với tiêu chí rõ, refine ở lượt ba. Tách lượt cho phép nhìn thấy kết quả trung gian; nhét chỉ thị verify vào cùng một lượt chỉ tạo nhiễu.

2. Độ dài phải được yêu cầu rõ, effort không kiểm soát độ dài

Opus 5 trả lời dài hơn các đời Opus trước theo mặc định. Effort điều khiển lượng suy nghĩ chứ không điều khiển độ dài phần hiển thị, nên hạ effort xuống không làm câu trả lời ngắn lại. Muốn ngắn thì phải nói.

Câu chèn vào đầu Project Instruction.

Giữ câu trả lời tập trung và ngắn gọn. Phần lưu ý và cảnh báo giữ ngắn,
dành phần lớn nội dung cho câu trả lời chính. Khi được yêu cầu giải thích,
đưa bản tóm ở mức cao trước, chỉ đi sâu khi được yêu cầu cụ thể.

Với system prompt dài, lặp lại một nhắc ngắn ở gần cuối.

<tone_preference>
Đầu ra giữ ở mức ngắn gọn hợp lý.
</tone_preference>

3. File viết ra đĩa dài hơn, cần hiệu chỉnh riêng

Độ dài file khác với độ dài hội thoại. Opus 5 khi viết báo cáo, tài liệu markdown, handbook ra file thì có xu hướng dài hơn hẳn đời trước. Với một người xuất bản handbook và playbook như khối lượng hiện tại, đây là chỗ ngốn thời gian biên tập nhiều nhất.

Độ dài tài liệu phải khớp với nhu cầu thực của task. Bao phủ đủ phần nội dung
thực chất, không độn thêm mục thừa, không lặp lại phần tóm tắt, không viết
đoạn dẫn nhập kiểu mẫu.

Thêm một ràng buộc số học khi cần, ví dụ như trần dòng cho mỗi file hoặc trần số mục cấp hai. Ràng buộc số học hiệu quả hơn tính từ.

4. Model tự mở rộng phạm vi, cần đóng khung

Opus 5 có xu hướng thêm bước không được yêu cầu, hoặc tự áp phán đoán riêng về việc task nên là gì. Với task hẹp, đóng khung rõ.

Giao đúng thứ được yêu cầu, đúng phạm vi được yêu cầu. Tự quyết những phán đoán
thường ngày, chỉ hỏi lại khi hai cách hiểu khác nhau sẽ dẫn tới hai kết quả
khác nhau về bản chất. Nếu thấy yêu cầu có vẻ sai hoặc có cách tốt hơn, nói ra
trong một câu rồi vẫn làm theo đúng yêu cầu ban đầu, không tự thu hẹp, mở rộng
hay biến đổi nó. Làm trọn task, dừng lại trước những hành động rõ ràng nằm
ngoài phạm vi.

Đoạn này đáng đưa vào mọi Project Instruction vì nó xử lý luôn cả vấn đề đã ghi nhận trong tổng kết 12 tháng, đó là hệ thống nội bộ bị over engineer với hàng loạt placeholder chưa điền.

5. Subagent bị gọi quá dễ

Opus 5 ủy quyền cho subagent dễ hơn đời trước. Điều này tốt cho các nhánh công việc thực sự độc lập và lớn, nhưng đắt và chậm khi áp lên việc nhỏ. Trong Claude Code, chèn đoạn sau vào CLAUDE.md.

Chỉ ủy quyền cho subagent với các task lớn, thực sự độc lập và chạy song song
được, ví dụ như một cuộc điều tra rộng qua nhiều file. Không ủy quyền việc
có thể tự làm xong trong vài lần gọi tool. Không dùng subagent để kiểm tra
lại công việc của chính mình. Nếu một subagent làm được thì dùng một, giữ số
lượng spawn ở mức thấp.

6. Thinking bật mặc định, đừng tắt

Trên Opus 5, thinking bật theo mặc định và chỉ tắt được ở effort high trở xuống. Khi tắt thinking, đôi khi model viết lời gọi tool thành văn bản thay vì gọi thật, hoặc rò thẻ XML nội bộ ra output. Cách xử lý được khuyến nghị là giữ thinking bật và hạ effort để tiết kiệm, vì thinking bật ở mức low cho kết quả tốt hơn thinking tắt ở cùng mức chi phí.

Kèm theo đó, gỡ mọi luật kiểu “không được suy nghĩ” hay “không reasoning” khỏi system prompt, vì chính loại luật này làm tăng rò thẻ.

Với sự thay đổi đó, mình cũng tối ưu hơn:

1. Rà toàn bộ Project Instruction, skill trong thư mục skills, CLAUDE.md của từng repo và các prompt template đang dùng, để điều chỉnh theo khuyến nghị.

2. Chạy thực tế cho các project vẫn đang thực hiện và đánh giá rõ ràng hơn về sự thay đổi, hay chỉ khác ít ít hay không khác chi?

Tối ưu đôi khi là hành trình liên tục, mỗi ngày một ít, để Lười hơn.

Vài tháng trở lại đây, việc tạo cả bộ slide hay infographic không còn cần đến người thiết kế ngồi kéo từng khung. Nhiều tài khoản chỉ cần chọn nguồn tài liệu, chọn style là ra được nguyên bộ 15-25 slide chỉ trong một lần chạy. Bài này mình chia sẻ chi tiết cách làm, từ bước chuẩn bị đến lúc dọn lỗi cho bộ slide trông tử tế hơn.

Chuẩn bị trước khi chạy AI

Nhiều bạn mở công cụ lên là gõ đại một dòng mô tả rồi bấm tạo, kết quả ra một bộ slide đẹp nhưng lệch hoàn toàn ý muốn. Hai việc chuẩn bị dưới đây quyết định phần lớn chất lượng đầu ra.

Outline là việc đầu tiên. Không cần cầu kỳ, chỉ cần liệt kê từng slide sẽ nói gì, slide nào là mở đầu, slide nào là số liệu, slide nào là ví dụ, slide nào chốt lại. Outline càng rõ, AI càng ít phải đoán, và bộ slide ra sẽ bám sát mạch nội dung thay vì chỉ là một chuỗi hình đẹp nhưng rời rạc.

Style là việc thứ hai, và cũng là thứ quyết định cảm nhận đầu tiên của người xem. Một vài nhóm style hay dùng như flat design tối giản cho nội dung công việc, phong cách bản vẽ tay cho nội dung gần gũi, isometric cho nội dung công nghệ, hoặc corporate chuẩn chỉnh cho báo cáo gửi sếp. Bài trước mình đã chia sẻ chi tiết hơn 10 style khác nhau, bạn có thể lục lại để chọn cho đúng ngữ cảnh của mình trước khi bắt tay vào làm.

Ba cách đang phổ biến để ra cả bộ slide

Cách phổ biến nhất hiện tại là chọn nguồn và chọn style rồi để công cụ tự chạy ra nguyên bộ 15-25 slide trong một lần. Nguồn ở đây có thể là một tài liệu, một outline bạn đã viết sẵn, hoặc chỉ là mô tả chủ đề. Ưu điểm là nhanh, nhược điểm là ít kiểm soát được từng slide riêng lẻ, dễ ra kết quả lệch nếu outline ban đầu chưa đủ rõ.

Cách thứ hai là tạo tuần tự với ChatGPT, đưa outline vào rồi yêu cầu tạo từng slide một. Chậm hơn hẳn cách trên, nhưng đổi lại bạn kiểm soát được nội dung và bố cục của từng slide trước khi qua slide kế tiếp, phù hợp khi nội dung cần chính xác cao như tài liệu y tế hay số liệu tài chính.

Cách thứ ba là dùng Google Slide, bằng cách viết prompt trực tiếp mô tả bộ slide muốn có, hoặc tham chiếu theo một mẫu có sẵn để AI theo đúng khung bố cục đó. Cách này hợp khi công ty đã có template chuẩn và chỉ cần AI đổ nội dung mới vào khung cũ, giữ đúng nhận diện thương hiệu.

Lỗi thường gặp sau khi AI tạo xong

Dù chọn cách nào, kết quả vẫn khó tránh vài lỗi quen thuộc, bao gồm: chữ sai chính tả hoặc lệch font, bố cục chen lấn nhau, icon không đúng ý và watermark của tài khoản bản miễn phí nằm chình ình giữa slide.

Ba mức xử lý, từ nhanh đến sâu

Mức một, đơn giản nhất, crop lại ảnh để bỏ phần watermark. Nhanh nhưng chỉ hợp khi watermark nằm ở góc, không đè lên nội dung chính.

Mức hai, chỉnh sửa trực tiếp trên công cụ đã tạo ra ảnh. NotebookLM có tính năng edit ngay trên slide vừa tạo, cho phép chọn đúng phần bị lỗi rồi mô tả lại điều mình muốn thay đổi. ChatGPT thì dùng chức năng edit kết hợp comment để khoanh vùng và yêu cầu sửa từng phần cụ thể, thay vì phải tạo lại cả slide. Muốn nâng thêm một bậc, có thể liên kết ChatGPT với Canva để tách slide thành các layer riêng, mỗi layer là text, element hay picture, từ đó chỉnh từng lớp mà không ảnh hưởng phần còn lại, gần với cách một designer thật sự làm việc.

Mức ba, dành cho ai muốn chủ động hoàn toàn thay vì phụ thuộc vào tính năng edit có sẵn của từng công cụ. Với khối lượng slide lớn và lặp lại thường xuyên, đáng để cân nhắc tự dựng một quy trình xử lý riêng bằng các công cụ như Claude Code, Codex hay Google AI Studio. Đây là hướng dành cho người đã quen việc ra lệnh cho AI theo từng bước cụ thể, không phải ai cũng cần đến mức này, nhưng nếu công việc của bạn lặp đi lặp lại mỗi tuần thì thời gian đầu tư ban đầu sẽ đáng giá về sau.

Vậy nên chọn cách nào

Không có cách nào đúng cho tất cả. Cần nhanh và số lượng lớn thì chọn cách tạo hàng loạt kèm crop. Cần chính xác từng slide thì chọn ChatGPT tuần tự. Cần tự chủ và lặp lại nhiều lần thì đáng để đầu tư dựng quy trình riêng.

Bạn đang dùng cách nào trong ba cách trên, hay có cách khác hiệu quả hơn muốn chia sẻ cùng mình?

Bửu Trung - Dân Lười, thích Tối ưu

#buutrung #luoithichtoiuu #LazyAI

Chuyện là em nhắn tin cho anh, giọng hào hứng lắm. Em gửi kèm một bản báo cáo dài, trình bày đẹp, đủ số liệu, đủ trích dẫn, đủ link nguồn hẳn hoi. Em bảo, anh xem giúp em cái này, em research kỹ với AI rồi, chắc chắn đúng luôn anh ơi. Đọc câu đó xong anh khựng lại một chút, vì biết em chưa từng làm ngành này ngày nào, kiến thức nền gần như bằng không, chỉ có cái laptop với vài giờ ngồi hỏi qua hỏi lại cùng AI.

Anh mở file ra đọc, phải công nhận là nhìn rất ổn, ổn đến mức khiến anh phải dừng lại đọc kỹ hơn bình thường.

Đầu tiên anh để ý tới phần trích dẫn của em. Toàn link nghe tên là thấy uy tín, trình bày mạch lạc chả khác gì một bài nghiên cứu thật sự. Nhưng anh bấm thử vào từng link một, thì thấy không ít cái dẫn tới blog cá nhân, có cái dẫn tới diễn đàn, có cái là thông tin từ mấy năm trước, giờ không còn phản ánh đúng thực tế ngành nữa. Anh nhắn lại cho em, link không có nghĩa là đúng đâu em, AI nó không nói dối em, nó chỉ đang làm đúng việc của nó là gom hết mọi thứ tìm được rồi trình bày cho gọn gàng, cho thuyết phục. Còn việc nguồn đó có chính thống không, có còn cập nhật không, có hợp với bối cảnh Việt Nam mình không, phần đó vẫn phải là người tự kiểm, AI chưa làm thay được đâu.

Em trả lời lại, kể là em có hỏi AI cả chục câu, có yêu cầu nó phản biện lại chính nó, có bắt nó tự kiểm tra thông tin nữa. Nghe cũng có vẻ bài bản đấy chứ, anh nghĩ vậy trong đầu. Nhưng ngồi ngẫm kỹ hơn thì thấy vấn đề nằm ở chỗ khác. Em không biết mình cần hỏi đúng câu gì, không biết chỗ nào AI đang trả lời chung chung, chỗ nào nó đang tự tin thái quá so với thực tế ngoài kia. Trao đổi nhiều vòng với AI mà không có nền kiến thức ngành để đối chiếu, cuối cùng cũng chỉ đang củng cố thêm cho một góc nhìn ban đầu của em thôi, chứ chưa chắc đã tiệm cận được đúng sai thật sự của ngành.

Đọc tiếp vài đoạn trong report của em, anh gặp mấy kết luận nghe rất logic trên giấy, nhưng dân trong nghề nhìn vào là biết ngay không thực tế, vì ngành nào cũng có luật chơi riêng, có rào cản riêng, có những thứ chỉ người từng va vấp mới hiểu hết được. Cái này AI không có, vì nó không sống trong ngành như tụi mình, nó chỉ học từ chữ nghĩa người khác viết ra thôi. Lúc đó anh mới nhớ lại cái nguyên tắc cũ mà anh vẫn hay nhắc, chuyên môn đi trước, AI đi sau. AI giỏi tổng hợp, giỏi trình bày thật, nhưng thẩm định đúng sai thì vẫn cần người có kinh nghiệm ngồi soi lại từng dòng.

Nhưng điều anh lo nhất không phải là cái report sai chỗ nào, mà là cái niềm tin đi kèm theo nó. Khi một người chưa có nền tảng ngành như em mà lại tin chắc nịch vào kết quả AI đưa ra, chỉ vì nó có link, có số liệu, nhìn có vẻ chuyên nghiệp, thì rất dễ dẫn tới việc tự đánh giá sai năng lực của chính mình. Cứ tưởng mình đã hiểu sâu một ngành chỉ sau vài giờ ngồi chat, trong khi thực ra mới chỉ chạm được lớp bề mặt bên ngoài thôi.

Nói vậy không có nghĩa là anh phủ nhận AI đâu nhé. Ngược lại là khác, phải công nhận AI bây giờ tổng hợp thông tin nhanh, trình bày mạch lạc, tìm được nguồn mà nếu tự mình đọc tay chắc mất cả tuần chưa xong. Cái hay này thật sự đáng để tận dụng, chỉ là mình cần biết rõ giới hạn của nó nằm ở đâu để dùng cho đúng chỗ.

Nên việc anh dặn em, cũng là dặn lại chính mình, là mỗi khi nhận một kết quả từ AI, dù nó có link, có nguồn, có nhìn chuyên nghiệp đến đâu, cũng nên dừng lại kiểm tra ba lớp. Lớp đầu là độ chính xác của nguồn, lớp thứ hai là độ phù hợp với bối cảnh thực tế, và lớp cuối cùng là đối chiếu với chuyên môn hoặc kinh nghiệm sẵn có của mình hoặc của người trong ngành. Thiếu một trong ba lớp đó, report đẹp mấy cũng chỉ là một bài văn hay, chưa chắc đã là một kết luận đáng tin.

GÓC CỦA DÂN LƯỜI

AI đưa kết quả kèm link không có nghĩa là chính xác, nguồn cần được kiểm lại xem có chính thống và còn phù hợp không. Trao đổi nhiều vòng với AI cũng chưa chắc hiệu quả nếu người hỏi không có nền để đối chiếu. Chuyên môn và kinh nghiệm va vấp vẫn là bộ lọc cuối cùng mà AI chưa thay thế được. Và quan trọng nhất, đừng để một report đẹp làm mình ảo tưởng về năng lực thật sự của chính mình.

Còn bạn, đã từng nhận một báo cáo hay bản phân tích làm với AI mà tự tin đến mức không nghĩ tới việc kiểm chứng lại chưa? Kể anh nghe thử xem nào.

Bửu Trung - Dân Lười, thích Tối ưu

#buutrung #luoithichtoiuu #lazyAI

Luôn có nhiều góc để xoáy hơn:
1. Liệu có đang lên trình hay lên màu?
2. Code gì nếu không hiểu chi về Dev, Code?
3. Code này có cùng hệ quy chiếu với định nghĩa ae code bao năm nay?
4. Vã đi rồi thấy?

Chuyện là thế này.
Đầu năm, nghe tới chữ Code trong Claude đã thấy không thuộc về mình, chắc dành mấy anh em biết viết Python, hiểu API, quen terminal mới "chơi" được.
Còn dân marketing, dân SOLO như mình thì cứ ở yên với Claude chat, với prompt, với Artifacts là đủ rồi.

Nhưng rồi nhu cầu nó đẩy mình đi.
Từ những lần thử đầu tiên rồi dần đang sử dụng nhiều hơn mỗi ngày:

1. Nghiên cứu thị trường và đối thủ, mình cho Claude Code chạy cả một luồng thu thập dữ liệu, phân tích, rồi xuất báo cáo gọn gàng. Trước đây ngồi làm tay mất cả buổi, giờ mình mô tả yêu cầu, ngồi chờ, rồi đọc kết quả.

2. Nghiên cứu và phát triển sản phẩm cũng tương tự. Đặc biệt với mảng TPCN, dược phẩm, mình cần đối chiếu thành phần, so sánh công thức, tổng hợp tài liệu khoa học. Những việc này nếu chỉ dùng thông thường thì vẫn được, nhưng khi cần xử lý hàng loạt file, kết nối nhiều nguồn dữ liệu thì các công cụ mã hóa lại cho hiệu quả khác hẳn.

3. MVP là cái mình thấy thay đổi lớn nhất. Trước đây muốn thử một ý tưởng nhỏ, phải nhờ bạn dev hoặc bỏ tiền thuê ngoài. Giờ mình mô tả chi tiết yêu cầu, Claude Code hoặc Antigravity giúp mình ra được bản chạy thử trong vài giờ. Không hoàn hảo, nhưng đủ để kiểm chứng ý tưởng có đáng đầu tư tiếp hay không. Hoặc đơn giản cũng đủ dùng cho nội bộ.

4. Công cụ thu hút khách hàng tiềm năng và chuỗi email hàng ngày, mình cũng đang triển khai bằng cách này. Tạo trang đích, thiết kế luồng email tự động, cá nhân hóa nội dung theo từng phân khúc. Dân SOLO mà muốn làm mấy cái này "thủ công" thì kiệt sức, nhưng khi có công cụ hỗ trợ viết mã theo mô tả thì câu chuyện khác hẳn.

5. Đào tạo nội bộ: Thay vì soạn tài liệu rồi gửi qua gửi lại, mình xây luôn một trang hướng dẫn tương tác, nhân viên mới vào đọc là hiểu, không cần ai ngồi cầm tay chỉ việc.

6. Landipage/ Slide deck: Trước đây nhờ dev hoặc dùng các nền tảng kéo thả có phí, giờ mình mô tả cấu trúc trang, nội dung, phong cách, rồi để Claude Code xuất ra một bản chạy được luôn. Slide cũng vậy, cần thiết kế nhanh cho buổi chia sẻ hay workshop thì các công cụ này hỗ trợ từ bố cục tới nội dung.

BẠN SẼ NGỢP, NHƯNG CŨNG ĐỠ DẦN THÔI
Nói thật, ban đầu cũng ngợp. Mình không biết Python, không rành dòng lệnh terminal, đọc đoạn mã cũng chỉ hiểu lõm bõm. Nhưng cái hay của các công cụ như Claude Code, Codex hay Antigravity là bạn không cần hiểu mã, bạn cần hiểu vấn đề. Bạn mô tả rõ ràng mình muốn gì, hệ thống cần chạy ra sao, kết quả mong đợi thế nào, rồi để máy lo phần kỹ thuật.

Kỹ năng quan trọng nhất của dân no-code khi dùng mấy công cụ này không phải là biết viết mã, mà là biết tư duy hệ thống. Bạn phải hình dung được luồng chạy từ đầu tới cuối, phải biết chia nhỏ vấn đề, phải kiểm tra kết quả từng bước. Nghe quen không? Đúng rồi, nó y chang cách mình vẫn làm với prompt, với Project trên Claude, chỉ là giờ "sân chơi" rộng hơn.

VÀI GÓC NHỎ
Tuy nhiên mình vẫn giữ nguyên quan điểm cũ. Công cụ mới không thay thế tư duy cũ. Nếu quy trình của bạn đang rối, dùng mấy công cụ này chỉ làm cái rối đó chạy nhanh hơn. Nên trước khi nhảy vào Claude Code hay Codex, hãy ngồi lại hỏi mình: "Mình đang cần giải quyết vấn đề gì?" Bắt đầu từ một nhu cầu nhỏ, cụ thể. Tối ưu dần. Đừng ôm cả hệ thống.

Mấy công cụ như Claude Code, Codex, Antigravity đang dần không còn là "đồ chơi" của dân lập trình. Dân no-code, dân SOLO hoàn toàn có thể tận dụng để nghiên cứu, xây dựng sản phẩm thử nghiệm, tự động hóa nội dung, tạo trang đích, thiết kế luồng vận hành. Điều kiện là bạn phải hiểu rõ vấn đề cần giải quyết và chấp nhận phiên bản 1 sẽ không hoàn hảo.

Bạn cứ thoải mái với những ý tưởng của mình, vì đây cũng chính là lợi thế của dân no-code, cứ làm mạnh để giải quyết nhu cầu nào đó, gỡ vấn đề của cá nhân, team, kiểu "cứ dại khờ, cứ ngu ngơ" cũng sẽ có kết quả vừa đủ dùng.

Rồi tới lúc nào vã với nhiều lỗi hay những điểm nghẽn hay sự phình to của các dự án, lúc này bạn vẫn cần các ae code chính hiệu, người sẽ giúp hệ thống bạn chuẩn hơn, bảo mật hơn, dễ nâng cấp hơn...

Mình, dân no-code chính hiệu, mỗi ngày đang làm việc nhiều hơn với các công cụ viết mã bằng mô tả cho các bài toán thực tế của anh chị em Biz, Solo.

Tin rằng bạn rồi cũng sẽ thế, bạn nhỉ?

Bửu Trung – Dân Lười, thích Tối ưu

Tuần này mình nghe 2 câu chuyện về skill trên Claude và Antigravity.

Câu chuyện 1, ông anh hào hứng show ra danh sách 87 skill đã dựng cho phòng HR và MKT. Vẫn đang xây tiếp cho Sale, Finance. Nhìn cái list mà thấy “khủng”, kiểu ai nhìn vào cũng phải gật gù.

Câu chuyện 2, thằng em trong mảng Healthcare kể liên hồi về chuyện nhiều sếp đang tự xây skill hoặc thuê người về dựng skill. Lý do thì rõ, sợ mất thời gian, sợ nhân viên tạo xong rồi nghỉ việc mất luôn cả “kho tri thức”.

Nghe xong cả 2 câu chuyện, Trung có vài góc nhìn cá nhân:

1. Skill có phải giải pháp ưu tiên?

Skill hay, skill mạnh, nhưng liệu nó có phải thứ cần làm đầu tiên?

Mình thấy nhiều anh em lao vào dựng skill như kiểu “có skill là xong”. 87 cái skill cho HR và MKT nghe hoành tráng thật, nhưng câu hỏi đặt ra là team đã dùng được bao nhiêu phần trăm trong số đó? Hay dựng xong để đó, thỉnh thoảng mở ra rồi lại đóng vì “chưa quen” hoặc “chưa phù hợp quy trình”?

Skill chỉ là công cụ. Trước khi nghĩ đến skill, cần rõ quy trình đang vận hành ra sao, đội ngũ đang ở đâu trong hành trình dùng AI, vấn đề thực tế đang gặp là gì. Không có nền tảng này thì skill dù nhiều cũng chỉ là bộ sưu tập.

2. Cách hiểu “skill” có đang đồng nhất?

Đây là điều mình thấy khá rõ khi trao đổi với nhiều bên khác nhau.

Người thì hiểu skill là bộ câu lệnh mẫu. Người khác hiểu skill là quy trình tự động hóa. Có người lại coi skill như một dạng “kho kiến thức nội bộ” được đóng gói sẵn. Mỗi bên hiểu một kiểu, nên khi nói “tôi có 87 skill” với “tôi cần xây skill” thì chưa chắc đã nói cùng một thứ.

Nếu bạn hiểu skill là tập hợp các hướng dẫn kèm tri thức và quy trình xử lý cụ thể cho một nhiệm vụ, thì đó là một câu chuyện. Còn nếu chỉ là “mấy cái prompt hay hay” thì lại là câu chuyện khác hoàn toàn.

Chưa đồng nhất cách hiểu mà đã chạy đua về số lượng thì dễ “ngộp” lắm.

3. Xây skill để nắm giữ tri thức nhân sự, liệu có chuẩn?

Câu chuyện thứ 2 mới là cái mình muốn bàn sâu hơn.

Nhiều sếp Healthcare đang lo nhân viên nghỉ việc, mất luôn cả những gì đã tích lũy. Nên tìm cách “đóng gói” tri thức vào skill, kiểu như lưu lại quy trình, cách làm, kinh nghiệm xử lý tình huống vào trong hệ thống AI.

Ý tưởng không sai, nhưng cách thực hiện thì…

Tri thức thật sự của một nhân viên không nằm ở mấy cái quy trình viết ra giấy. Nó nằm ở cách xử lý tình huống thực tế, ở sự linh hoạt khi gặp biến, ở mối quan hệ với khách hàng và đối tác. Những thứ này rất khó “đóng gói” vào một cái skill.

Nếu chỉ dừng ở việc bê quy trình vào AI rồi nghĩ “xong, mình đã giữ được tri thức” thì đó vẫn là sự lo lắng nhiều hơn giải pháp thực sự.

4. Bài toán quản trị

Mình thấy câu chuyện skill đang phản ánh một vấn đề lớn hơn, đó là bài toán quản trị.

Các sếp lo nhân viên nghỉ mất tri thức, thì nhân viên cũng thừa hiểu điều đó. Người giỏi biết giá trị của mình nằm ở đâu. Khi sếp tìm cách “rút” kiến thức ra khỏi đầu nhân viên để đóng gói vào hệ thống, nhân viên cũng có cách ứng xử phù hợp. Có người hợp tác vì thấy đó là cơ hội xây dựng hệ thống chung. Có người giữ lại vì cảm thấy không được ghi nhận đúng mức. Có người chia sẻ một phần, giữ lại phần cốt lõi.

Đây không phải chuyện đúng sai. Đây là chuyện quản trị, chuyện văn hóa tổ chức, chuyện mối quan hệ giữa người lao động và doanh nghiệp.

Skill không giải quyết được chuyện này. Văn hóa chia sẻ, cơ chế ghi nhận, lộ trình phát triển cho nhân sự mới là nền tảng để tri thức được lưu chuyển tự nhiên trong tổ chức.

5. Nhiều cấp độ, không phải ai cũng giống ai

Mình cũng thấy việc xây skill có nhiều cấp độ rất khác nhau.

Có sếp tự tay dựng vì thích vọc, hiểu rõ quy trình của mình, xây cho chính nhu cầu cá nhân hoặc team nhỏ. Đây là cấp độ “tự chủ”, rất ổn.

Có sếp thuê người về dựng vì không có thời gian, cũng không rành công nghệ. Cái này cần người dựng phải hiểu sâu quy trình vận hành, không chỉ biết kỹ thuật. Nếu không thì skill tạo ra sẽ đẹp nhưng không ai dùng.

Có sếp lại muốn xây hệ thống skill quy mô, kiểu “toàn bộ phòng ban phải có skill riêng”. Đây là tham vọng lớn nhưng cần nền tảng vận hành, đào tạo và quản lý thay đổi đi kèm.

Mỗi cấp độ cần cách tiếp cận khác nhau. Không có công thức chung.

GÓC NGẪM

Skill là công cụ tốt, nhưng không phải giải pháp cho mọi thứ. Trước khi chạy đua số lượng skill, hãy tự hỏi mấy câu đơn giản: team đã sẵn sàng dùng chưa, quy trình đã rõ chưa, cách hiểu về skill giữa các bên đã thống nhất chưa?

Và quan trọng hơn, nếu bài toán thật sự là giữ chân tri thức trong tổ chức thì skill chỉ là một phần rất nhỏ. Phần lớn nằm ở cách bạn quản trị con người.

Phù hợp hơn hoàn hảo. Skill cũng vậy, xây vừa đủ, dùng vừa đủ, rồi tối ưu dần.

Bạn đang ở cấp độ nào trong chuyện xây skill? Hay bạn đang là nhân viên được yêu cầu “đóng gói” kiến thức của mình?

Bửu Trung – Dân Lười, thích Tối ưu

Quà nhỏ, Trung gửi bạn 1 “skill” nhỏ với cấu trúc rõ ràng để bạn dễ dàng hơn trong việc xây dựng slide theo nhu cầu của mình:

1. Dùng luôn để thấy kết quả, đánh giá

2. Chủ động điều chỉnh theo đúng style của bạn.

Bạn cần cứ nhắn, Trung chuyển luôn.

Dân Dev được tiếng là “gần AI nhất” vì code, vì API, vì infrastructure. Còn dân MKT thì bị xem là dùng AI để viết caption, tạo ảnh đăng Facebook. Nhưng thật sự mà nói, nếu đếm số lượng công cụ AI đã thật sự đụng vào, mình nghĩ bên MKT không kém đâu, thậm chí có khi còn nhiều hơn.

Không phải vì MKT giỏi hơn. Mà vì bản chất công việc MKT đụng vào quá nhiều điểm khác nhau trong cùng một ngày làm việc.

Buổi sáng có thể đang ngồi nghiên cứu thị trường, đọc báo cáo ngành, tổng hợp xu hướng. Buổi trưa chuyển sang phân tích đối thủ, so sánh định vị sản phẩm. Chiều lại cần viết nội dung cho ba kênh khác nhau với ba giọng khác nhau vì Facebook khác, Zalo khác, tik lại khác nữa. Tối thì dựng slide báo cáo hoặc chuẩn bị brief cho team.

Chưa kể còn phải nghiên cứu khách hàng mục tiêu, xây personas, vẽ hành trình mua hàng, tìm insight từ dữ liệu thực tế. Rồi lên kế hoạch content cả tháng, lên lịch, theo dõi hiệu quả, điều chỉnh.

Mỗi đầu việc đó đều có ít nhất 2-3 công cụ AI được tạo ra để hỗ trợ trực tiếp. AI tổng hợp thông tin thị trường nhanh hơn đọc báo cáo tay. AI phân tích file dữ liệu và đề xuất insight. AI phác thảo personas từ mô tả sơ bộ. AI viết nội dung theo tone cụ thể cho từng kênh. AI tạo ảnh minh hoạ, tóm tắt tài liệu dài, dịch thuật chuyên ngành.

Vậy nên khi một công cụ mới ra đời nhắm vào bất kỳ điểm nào trong cái danh sách dài đó, dân MKT sẽ thử. Không phải vì thích chạy theo trend mà vì thật sự có nhu cầu ở đó. Cái gì ra mới là thử. Thử xong mới biết hợp hay không.

Nhân dịp trưa trên xe về, hơi có cảm hứng, ngồi viết lại hành trình cho vui. Ai ở đây cũng đã từng đi qua những chặng này, mỗi người một phiên bản khác nhau thôi.

1. Chặng 1: Con chatGPT vẫn TOM và thời kỳ “wow ảnh AI đẹp vãi”

Hầu hết mọi người bắt đầu với ChatGPT. Cái thời GPT-3.5 còn miễn phí, chưa có Plus, cái gì cũng hỏi nó được. Mình cũng vậy, chập chờn vào AI là ChatGPT, hay ae hay gọi vui là “con TOM.”

Nhưng MKT không dừng ở chat. Không lâu sau là thời kỳ tạo ảnh bùng nổ.

Bing Image Creator (tiền thân của Copilot bây giờ) nổi lên vì hiểu tiếng Việt tốt nhất lúc đó, miễn phí, không cần cài gì thêm.

Leonardo, Ideogram theo sau. Rồi nghiện hơn thì vọc vào Discord cùng Midjourney, mày mò Stable Diffusion với cái máy cà khổ chạy chậm như rùa bò dốc.

Cái thời đó, chỉ cần tạo được ảnh AI ra trông có vẻ đẹp là đã “wow” rồi, chưa cần biết dùng để làm gì. Khổ nỗi mặt vẫn còn giả, nhựa, không thì tay thiếu ngón, dư ngón....

2. Chặng 2: Xoáy theo từng module và cái tài khoản giá hai tô hủ tiếu

Sau đó là giai đoạn hàng loạt chat AI ra đời, ai cũng thử. Bard (tiền thân của Gemini), Poe như một aggregator tập hợp các model, Claude xuất hiện trên Poe trước khi ra chính chủ.

Nhưng thú vị hơn là giai đoạn mỗi người bắt đầu xoáy sâu theo từng module cụ thể.

Voice thì có TTS cơ bản, Vbee cho tiếng Việt, ElevenLabs cho giọng ngoại chất. Video thì HeyGen làm avatar nói chuyện, Synthesia theo sau. Và Perplexity nổi lên cho dân thích nghiên cứu sâu, cái thời cách đây hơn một năm rộ account Pro giá hơn hai tô hủ tiếu quận 1 mà bao nhiêu anh em vẫn lao vào. Không phải vì rẻ, mà vì thứ nó làm được lúc đó khác hẳn so với các con chat thông thường.

Mỗi người một hướng xoáy, nhưng nhìn lại thấy tất cả đều đang trả học phí, cái học phí bằng tiền có và bằng thời gian nhiều hơn.

3. Chặng 3: Make, N8n và những lần nhìn bill API mà ngợp

Rồi tới câu chuyện automation. Make, N8n, và những buổi ngồi ráp workflow tự động đến tận khuya.

Giai đoạn này vui mà cũng vã nhất, học đủ kiểu, cũng có xỉa workflow hoặc ké mấy cái cộng đồng về chế lại, mấy cái xịn quá thì bỏ tiền để ứng dụng được nhanh.

Rổi tới lúc mày mò cài các model LLM trên máy offline cho oai, để rồi cái máy cổ chạy ra khói. Vừa thích thú vừa cực. Rồi có lúc thử cắm LLM vào pipeline auto, cái bill API gửi về nhìn ngợp, ngồi tính lại thấy giá trị thực tế chưa bù được chi phí.

Nhưng đó là giai đoạn cần thiết. Biết giới hạn ở đâu cũng là một dạng học.

4. Chặng 4: Ông lớn liên tục nâng cấp, ông mới liên tục xuất hiện

Và cứ thế, mỗi tháng lại có thứ gì đó mới. Không phải công cụ mới thì là tính năng mới trên công cụ cũ. Cập nhật chưa xong thì đã có cái khác để thử.

Với dân MKT, đây vừa là đặc quyền vừa là cái bẫy. Đặc quyền vì luôn có thứ mới để giải quyết bài toán cũ theo cách tốt hơn. Còn bẫy vì dễ bị cuốn vào “fear of missing out”, cứ thấy mới là thử, thử xong bỏ, rồi thử tiếp cái khác.

5. Bức tranh năm nay với mình vẫn thế nhưng ngăn nắp hơn, ít hoảng loạn hơn.

- Claude vẫn đang đồng hành hàng ngày cho đủ thứ task, từ chat thông thường đến code. Còn Antigravity thì phù hợp kiểu MKT hơn, dễ dùng, dễ kiểm soát output và tận dụng được gói Google Ultra để có đủ quota mà chiến.

- Tạo ảnh thì cứ theo trend, ai đang nổi thì dùng. Nano Banana 2 đang được nhắc nhiều, gần đây vọc ChatGPT Image với DALL-E 3 cải tiến, lâu lâu đổi gió qua Leonardo hay Kiling để có thêm nhiều tùy chọn kiểm soát hơn.

- Video thì vọc Veo trên Flow nhanh, còn demo thật sự cho các case của khách thì flow từ Claude hoặc ChatGPT ra outline và storyboard trước, rồi mới dựng cùng Seedance, nhẹ nhàng hơn nhiều so với ngồi tự ráp từ đầu.

- Voice tận dụng TTS trên Google AI Studio cũng ổn, tiếng Việt đã tốt hơn nhiều so với hồi ElevenLabs còn đang chật vật với dấu thanh.

- Slide thì tùy lúc. Canva cùng Gemini cho những lúc cần nhanh, hoặc ra slide bằng Claude Code và Antigravity. Khi nào cần cái present chất riêng thì quay lại Google Slide hay Canva để tinh chỉnh tay cho đàng hoàng.

VÀ NHỮNG LÚC NHÌN LẠI

Vọc cũng đủ thứ, thời gian thử nghiệm cũng kha khá.

Nhưng mục đích của việc biết nhiều không phải để khoe biết nhiều. Mà để khi ngồi với anh chị em SME hoặc khách hàng, mình biết trên đời còn có những thứ gì đang tồn tại, để dễ ráp vào bài toán thực tế hơn. Thay vì mò mẫm từ đầu khi gặp nhu cầu mới, mình đã có bản đồ sơ bộ trong đầu rồi.

Còn thật chất trong công việc hàng ngày, 80% vẫn chỉ xoay quanh hai đến ba công cụ quen thuộc, đổi qua lại. Không phải vì không biết dùng cái khác, mà vì những cái đó đủ phù hợp và đủ hiệu quả cho nhu cầu hiện tại.

Đó cũng là một dạng tối ưu, phải không?

VÀ ĐIỀU GÌ ĐÓ?

Dân MKT hay thử nhiều công cụ AI không phải vì thích chạy theo trend mà vì nhu cầu xuất hiện ở quá nhiều điểm, từ ảnh đến video, voice đến automation.

Hành trình thử và bỏ đó thật ra là cách xây dựng bản đồ công cụ trong đầu, để khi gặp bài toán thực tế thì biết gọi cái gì vào. Còn ngày thường, cứ hai đến ba công cụ quen là đủ chiến.

Bạn đang ở chặng nào trong hành trình này? Và công cụ nào đang chiếm nhiều thời gian nhất của bạn hiện tại?

Subscribe now

Đọc xong thì thấy hướng đi đúng, nhưng mình có vài điểm muốn nói thêm với góc nhìn của người hay ngồi chia sẻ, chuyện trò cùng các anh em Solo hay CEO SME.

Cái đúng thì rõ ràng.

CV đẹp giờ ai cũng tạo được trong 30 phút. Portfolio bóng bẩy cũng không còn là rào cản. Cho nên việc chuyển hướng đánh giá sang năng lực thực chiến và tư duy là chuẩn. Đặc biệt tiêu chí hỏi “bạn biết khi nào AI cho kết quả sai không?” mình thấy rất hay, vì đây là thứ phân biệt người dùng AI có não với người dùng AI theo phong trào.

Nhưng có mấy điểm cũng cần cân nhắc

Thứ nhất, “chi tiền cho AI = nghiêm túc” là một logic có lỗ hổng khá to. Mình biết nhiều người trả $20/tháng cho ChatGPT Plus mà chỉ dùng để hỏi viết caption. Và ngược lại, có người tận dụng bản miễn phí cực kỳ hiệu quả vì họ hiểu cách khai thác. Tiêu chí này nên đổi thành: “bạn đang đầu tư thời gian và công sức vào việc gì để phát triển năng lực?” Rộng hơn, thực chất hơn.

Thứ hai, và đây là điểm quan trọng nhất: năng lực cốt lõi truyền thống. Tư duy chiến lược, khả năng quản lý team, phân bổ ngân sách, hiểu insight khách hàng, xây dựng thương hiệu đường dài. Đây là những thứ AI chưa thay thế được và là DNA của một Senior thực thụ. Nếu chỉ tuyển người biết dùng AI mà thiếu nền tảng này, bạn sẽ có một nhân sự rất giỏi chạy tool nhưng không biết mình đang chạy về đâu.

Góc nhìn của Dân Lười

Trong ngữ cảnh SME Việt Nam, “Senior” là một phổ cực rộng. Senior Executor lương 15-25 triệu có kỳ vọng hoàn toàn khác Senior Strategist 25-40 triệu, và khác nữa với Lead/Manager 40 triệu trở lên. Không thể dùng cùng 6 tiêu chí cho ba tầng này.

Với người chạy thực thi, hỏi họ mở điện thoại ra cho xem 3 prompts gần nhất là đủ. Với người làm chiến lược, cần nghe họ kể một lần giải quyết bài toán marketing phức tạp từ đầu đến cuối có AI tham gia như thế nào. Với người làm lead, câu hỏi phải là “nếu vào và cả team chưa ai dùng AI, bạn triển khai gì trong 90 ngày đầu?”

Cùng chủ đề AI, nhưng độ sâu và góc đặt câu hỏi phải khác nhau.

Nguyên tắc vàng mình hay nhắc lại.

Tuyển người biết khi nào và tại sao dùng AI, không chỉ tuyển người biết cách dùng AI.

Cái thứ nhất cần tư duy. Cái thứ hai chỉ cần thời gian và thói quen.

Bạn đang tuyển ai cho team thì cần biết mình đang tìm thứ gì. Phù hợp hơn hoàn hảo, vẫn là nguyên tắc số một.

Bạn đang làm HR hoặc đang tuyển marketing cho team mình? Chia sẻ xem bạn đang đánh giá năng lực AI của ứng viên theo cách nào nhé.

Bửu Trung – Dân Lười, thích Tối ưu

#buutrung #luoithichtoiuu #lazyAI

Bạn mở cuộc trò chuyện mới. AI chào bằng tên, nhắc lại dự án tuần trước, biết bạn thích format nào. Bạn nghĩ: “Nó hiểu mình rồi.”

Rồi bạn nhờ nó xử lý một tình huống mới, kiểu kết hợp nhiều thứ nó từng biết nhưng chưa bao giờ thấy chúng xuất hiện cùng lúc. Kết quả tệ y như lần đầu bạn hỏi, sáu tháng trước.

Một nhóm nghiên cứu với paper: “Contextual Agentic Memory is a Memo, Not True Memory” vừa đặt tên cho hiện tượng này. Họ gọi thẳng: ngành AI đang nhầm giữa “ghi chú” và “trí nhớ”, giữa “tra cứu” và “học”. Nhầm lẫn này không nhỏ, nó có bằng chứng toán học, có thực nghiệm, và đang ảnh hưởng tới mọi người dùng AI từ freelancer đến CEO.

Nghiên cứu nói gì

Bốn tầng trí nhớ, nhưng thiếu một tầng quan trọng

Nghiên cứu chia trí nhớ AI thành bốn loại.

Hai loại đầu ai cũng quen. Bộ nhớ làm việc là cửa sổ ngữ cảnh, chỉ tồn tại trong phiên. Bộ nhớ theo sự kiện là kho lưu bên ngoài như cơ sở dữ liệu, tệp ghi nhớ, tồn tại xuyên phiên.

Hai loại sau ít ai nghĩ tới. Bộ nhớ ngữ nghĩa là kiến thức đã nằm sẵn trong “não” AI từ khi được huấn luyện. Bộ nhớ trải nghiệm là kiến thức từ kinh nghiệm thực tế, được mã hóa vào chính “não” AI qua quá trình tinh chỉnh.

Phát hiện then chốt nằm ở chỗ: tầng trải nghiệm hoàn toàn vắng mặt trong mọi hệ thống AI đang chạy. Từ Claude Memory đến ChatGPT Memory, từ MemGPT đến bất kỳ công cụ nào, tất cả chỉ ghi ra rồi đọc lại. Không hệ thống nào biến kinh nghiệm thành một phần của chính AI.

Hai con đường, chỉ một đang được dùng

Đơn giản lại thì có hai cách để thay đổi kết quả AI cho ra.

Con đường thứ nhất là đưa nội dung vào cửa sổ ngữ cảnh. Viết câu lệnh, cung cấp tài liệu, kết nối công cụ, tiêm ghi nhớ. AI giữ nguyên, chỉ “bài đọc” trước mỗi phiên thay đổi. Toàn bộ ngành AI hiện tại đi theo hướng này.

Con đường thứ hai là thay đổi chính “não” AI. Tinh chỉnh mô hình, huấn luyện bổ sung. Bản thân AI thay đổi, trở thành phiên bản khác, có khả năng mới.

Khác biệt cốt lõi không phải dung lượng mà là khả năng sáng tạo từ kinh nghiệm. Con đường thứ hai cho phép AI tái tổ hợp quy tắc đã học để xử lý tình huống chưa từng gặp. Con đường thứ nhất chỉ cho phép AI dùng những gì đang có sẵn trước mắt. Một cái suy luận được, cái kia chỉ tra cứu được.

Nén kinh nghiệm, mỗi mức cần nơi lưu khác nhau

Có một cách hình dung hay. Ghi chép thô nằm ở đầu nén thấp, trung thực nhưng cồng kềnh. Kỹ năng ngôn ngữ tự nhiên nằm ở giữa, vừa nén vừa hành động được. Quy tắc đã tham số hóa nằm ở đầu nén cao, gọn gàng và tổng quát hóa được.

Quy tắc đơn giản: mức nén khác nhau thì cần “nhà kho” khác nhau. Ghi chép thô thuộc về kho bên ngoài. Quy tắc thuộc về “não” AI. Nhét tất cả vào cửa sổ ngữ cảnh là sai từ gốc. Giống bạn lưu cả nhật ký thô lẫn công thức hóa học vào cùng một cuốn sổ rồi kỳ vọng cuốn sổ tự “hiểu” hóa học vậy.

Bốn giới hạn cấu trúc

1. Tra cứu không thể suy luận mở rộng

Ví dụ kinh điển: người mới học vật lý phân loại bài toán theo bề mặt, kiểu “bài có mặt phẳng nghiêng” hay “bài có ròng rọc”. Chuyên gia phân loại theo nguyên lý sâu, kiểu “bài bảo toàn năng lượng”. Khác biệt không nằm ở số bài đã giải mà ở cách tri thức được tổ chức trong đầu.

Kiện tướng cờ vua gặp thế cờ hoàn toàn mới không lật sách tìm thế tương tự. Họ lý luận từ nguyên lý đã ngấm vào máu qua hàng nghìn ván.

AI hiện tại là người mới có thư viện rất lớn. Thư viện to hơn không biến người mới thành chuyên gia.

2. Khoảng cách tổng quát hóa có chứng minh bằng toán

Đây là phát hiện nặng ký nhất.

Với 50 khái niệm nền tảng trong một lĩnh vực, hệ thống tra cứu cần lưu khoảng 1.225 tổ hợp cụ thể để đạt mức chính xác mong muốn. Hệ thống đã được tinh chỉnh chỉ cần vài chục ví dụ để nắm bắt quy tắc. Khoảng cách này không phụ thuộc vào kích thước cửa sổ ngữ cảnh. Cho dù cửa sổ là 128.000 hay 1 triệu ký tự, bạn không đóng được khoảng cách này bằng cách nhồi thêm thông tin.

Nghiên cứu không nói tra cứu vô dụng. Nó nói tra cứu có trần. Và trần đó nằm đúng chỗ mà chuyên môn thật sự bắt đầu.

3. Người mới vĩnh viễn

Đây là luận điểm đau nhất cho ai dùng AI hàng ngày.

Mỗi phiên, AI bắt đầu từ cùng một “não” đông cứng. Không quan trọng nó đã “trải qua” bao nhiêu cuộc hội thoại. “Não” AI, nơi lưu trữ khả năng suy luận thật sự, vẫn y nguyên từ lúc được huấn luyện. AI mãi mãi chỉ dự đoán dựa trên ngữ cảnh, không bao giờ tự học.

Ngàn cuộc hội thoại, vạn tình huống, trăm nghìn tài liệu. Kết quả là cơ sở dữ liệu to hơn, “não” AI y nguyên. Tủ hồ sơ lớn hơn không tạo ra chuyên gia, nó tạo ra người mới với phòng lưu trữ rộng hơn.

4. Bảo mật xấu dần theo thời gian

Không có bộ nhớ xuyên phiên thì lỗi bảo mật chỉ ảnh hưởng một phiên. Phiên sau sạch. Có bộ nhớ xuyên phiên thì nội dung sai được ghi vào kho và truy xuất mọi phiên tiếp theo. Một lần nhiễm, mọi phiên sau đều nhiễm.

Xác suất bị “nhiễm bẩn” hội tụ về 100% khi số tương tác tăng. Đây không phải lý thuyết, đây là toán.

Bốn phản biện mà paper tự đặt ra, và tại sao chúng chưa đủ

Paper không né tránh phản biện. Nó tự đặt bốn câu hỏi và trả lời từng cái.

Context window sẽ đủ lớn? Paper phân biệt capacity constraint (cần chứa đủ thông tin) và compositional constraint (cần tổ hợp theo cách mới). Context lớn giải quyết cái đầu, không giải quyết cái sau. Paulsen (2026) chỉ ra effective context utilization bão hòa ở khoảng 20,000 tokens kể cả với model 128k. Thêm nữa, “Lost in the Middle” cho thấy thông tin ở giữa context bị bỏ qua.

In-context learning đã rút trích quy tắc rồi? ICL kích hoạt quy tắc đã có sẵn trong pre-training, không tạo quy tắc mới. Khi pattern vắng mặt trong pre-training, ICL không có gì để kích hoạt. Và ngay cả khi ICL ngầm implement gradient descent (như một số nghiên cứu gợi ý), update đó chỉ tồn tại trong phiên. Phiên sau lại clean slate.

Memory, skills, rules nằm trên cùng phổ nén, phân biệt làm gì? Đúng, chúng cùng phổ. Nhưng chính vì vậy, mức nén khác nhau cần substrate khác nhau. Để cả ba trong context là lỗi category.

Learned retrieval (MemRL, Memento) có thể đóng gap? Learned retrieval tối ưu exemplar nào được chọn, nhưng frozen model vẫn phải xử lý chúng. Giảm nhiễu retrieval là cải thiện thật, nhưng trần ᾱ < 1 vẫn giữ nguyên.

Kiểm tra bằng thực tế, dân solo thấy gì

Freelancer, consultant, creator

Tình huống quen thuộc: bạn là consultant marketing, dùng Claude mỗi ngày trong 6 tháng. Có ghi nhớ, có kho tài liệu kết nối, có hướng dẫn tùy chỉnh chi tiết. Claude biết bạn làm gì, với ai, viết kiểu nào.

Tháng đầu, Claude giúp draft đề xuất rất nhanh. Tháng thứ ba, bạn nhờ nó draft đề xuất cho ngành mới, y tế thay vì thực phẩm. Claude vẫn áp đúng mẫu cũ, đúng giọng cũ, đúng logic cũ. Vì nó đang tìm mẫu tương tự nhất từ kho, và mẫu tương tự nhất là đề xuất thực phẩm cũ. Nó không “hiểu” sự khác biệt cấu trúc giữa y tế và thực phẩm. Nó chỉ tìm thấy cái nào trông giống nhất.

Bạn sửa. Lần sau bạn lại phải sửa tương tự. Claude không “nhớ” bài sửa theo nghĩa ngấm vào “não”, nó chỉ nhớ nếu bạn ghi thành ghi chú và ghi chú đó được tìm thấy đúng lúc.

Bạn có 50 tình huống trong kho tài liệu. Claude tra cứu và tổng hợp rất tốt khi khách mới giống khách cũ. Nhưng khi khách mới thuộc ngành chưa từng có trong kho, kết hợp với mô hình kinh doanh chưa từng phân tích, Claude cho ra kết quả chung chung kiểu sách giáo khoa. Vì lúc đó bạn sẽ kết hợp quy tắc trừu tượng đã ngấm từ 50 tình huống trước. Claude thì không, nó chỉ ghép nối văn bản từ tình huống tương tự nhất.

Điều quan trọng: sau 6 tháng dùng AI, bạn giỏi hơn vì não bạn đã xử lý và liên kết kinh nghiệm. Claude thì không giỏi hơn, nó chỉ có nhiều ghi chú hơn. Khoảng cách giữa bạn và Claude trên việc mới thật ra đang tăng chứ không giảm.

Doanh nghiệp nhỏ, team 5 đến 50 người

Công ty phân phối thực phẩm chức năng, 20 nhân viên. Dùng AI cho chăm sóc khách hàng, viết nội dung, phân tích đối thủ, soạn hợp đồng.

Nhân viên mới vào, dùng AI tra kho kiến thức, cho kết quả tương đương nhân viên 3 năm dùng AI tra cùng kho. Không có sự khác biệt. Vì AI không “giỏi hơn” nhờ 3 năm kinh nghiệm của nhân viên cũ. Nó chỉ giỏi hơn nếu kho kiến thức được cập nhật tốt hơn. Mà cập nhật kho là công việc của con người, không phải của AI.

Hệ quả: doanh nghiệp đầu tư rất nhiều vào “dạy AI” (thực chất là viết thêm tài liệu cho kho) nhưng thấy hiệu quả giảm dần. Đó không phải vì AI tệ, mà vì doanh nghiệp đang tối ưu tủ hồ sơ trong khi nghĩ mình đang tối ưu chuyên môn.

Một tình huống thực: công ty setup chatbot nội bộ cho 200 đại lý tra cứu thông tin sản phẩm, giá, chính sách khuyến mãi. Tháng đầu, đại lý rất hài lòng. Tháng 6, chính sách thay đổi nhưng kho chưa cập nhật kịp. Chatbot vẫn trả lời theo chính sách cũ. 15 đại lý đặt hàng theo giá sai. Thiệt hại thật.

AI không có khả năng tự phát hiện thông tin đã lỗi thời vì nó không “hiểu” chính sách, nó chỉ tìm văn bản tương tự nhất với câu hỏi.

Bốn sai lầm phổ biến khi dùng AI

1. Cho AI nhiều dữ liệu hơn thì AI giỏi hơn

Sai. AI sẽ tra cứu chính xác hơn nếu dữ liệu tốt, nhưng không suy luận tốt hơn. Dung lượng tăng, năng lực không đổi.

Cách nghĩ đúng: dữ liệu tốt hơn giúp tra cứu tốt hơn. Nhưng tra cứu tốt hơn không phải là học. Đầu tư vào chất lượng dữ liệu (cấu trúc rõ, gắn thẻ chính xác, cập nhật thường xuyên) có hiệu quả cao hơn đầu tư vào số lượng.

2. AI sẽ “hiểu ngành” sau thời gian dùng

Bạn nghĩ: “Mình dùng Claude cho marketing 6 tháng rồi, nó phải hiểu marketing hơn lúc mới mua.” Sai. Claude sau 6 tháng y hệt Claude mới cài đặt. Chỉ khác: nó có ghi nhớ về bạn. Nhưng khả năng suy luận về marketing không thay đổi một chút nào.

AI không phát triển chuyên môn. Bạn phát triển chuyên môn. AI giúp bạn tận dụng chuyên môn hiệu quả hơn bằng tra cứu và ghép mẫu. Đừng nhầm “AI biết bối cảnh của mình” với “AI giỏi hơn về ngành của mình”.

3. Giao việc suy luận cho AI mà không kiểm tra

CEO giao AI phân tích chiến lược, nhận kết quả sạch sẽ, đầy mô hình, có số liệu. Trông rất chuyên nghiệp. Nhưng đằng sau là tra cứu kết hợp ghép mẫu, không phải suy luận. AI không “suy nghĩ” về chiến lược. Nó tìm văn bản tương tự nhất với câu hỏi “chiến lược mở rộng thị trường” từ dữ liệu huấn luyện, rồi format lại, rồi chèn bối cảnh cụ thể của bạn vào.

Nguy hiểm ở chỗ: kết quả trông thuyết phục hơn khả năng thật sự. Phân tích SWOT sạch sẽ không có nghĩa SWOT đúng. Mô hình đúng không có nghĩa áp dụng đúng cho tình huống cụ thể.

AI soạn nháp, con người kiểm tra và quyết định. Đặc biệt với việc cần kết hợp nhiều nguyên lý theo cách chưa từng làm.

4. Không vệ sinh bộ nhớ

Cả dân solo và doanh nghiệp nhỏ đều có xu hướng: cài đặt AI, cho nó “học” (tức là ghi nhớ), rồi quên kiểm tra lại. Sau 6 tháng, kho ghi nhớ chứa thông tin lỗi thời, dữ kiện sai, bối cảnh không còn phù hợp. AI vẫn lấy chúng ra vì tìm kiếm tương tự không phân biệt cũ/mới hay đúng/sai.

Cách đúng: kiểm kê ghi nhớ hàng tháng. Xem lại danh sách, xóa cái lỗi thời, sửa cái sai. Đối xử với kho ghi nhớ như đối xử với kho hàng, kiểm kê định kỳ, xử lý hàng tồn, loại hàng hỏng.

Vậy nên dùng AI như thế nào?

Nếu paper đúng (và bằng chứng cho thấy nó đúng ở các luận điểm cốt lõi), thì câu hỏi không phải “có nên dùng AI không” mà là “dùng AI đúng vai trò như thế nào”.

Cho dân solo

AI là trợ lý tra cứu, không phải đối tác. Nó tra cứu, tổng hợp, soạn nháp. Bạn kiểm tra, chỉnh sửa, quyết định. Đừng giao việc suy luận cho AI, hãy giao việc tra cứu cho AI.

Hệ thống ghi chép cá nhân là của bạn, không phải của AI. Dù bạn dùng Obsidian, Notion hay bất kỳ công cụ nào, nó có giá trị vì bạn đọc lại nó. Mỗi lần bạn đọc lại ghi chú, liên kết ý tưởng, viết tóm tắt, não bạn đang xử lý và ngấm dần. Bạn đang “cập nhật não” sinh học. AI đọc cùng ghi chú đó nhưng không xử lý gì cả.

Ghi lý do, không chỉ ghi kết quả. Nếu bạn chỉ ghi “đã chọn phương án A”, AI không tra cứu được gì hữu ích. Nếu bạn ghi “chọn A vì biên lợi nhuận cao hơn dù sản lượng thấp hơn, phù hợp giai đoạn thiếu vốn”, AI có thể tìm thấy cách nghĩ này cho quyết định tương tự sau. Bạn đang tạo ghi chú tốt hơn cho tra cứu, không phải tạo “học” cho AI.

Dành thời gian cho “ngấm” của chính bạn. Mỗi tuần, 30 phút đọc lại ghi chú tuần qua. Không phải để sắp xếp ghi chú (AI làm được). Mà để não bạn xử lý, liên kết, rút ra quy tắc. Đây là phần không AI nào thay thế được, và đây là phần tạo ra chuyên môn thật sự.

Cho doanh nghiệp nhỏ

Phân loại việc trước khi giao AI. Tra cứu (tìm quy trình, kiểm tra giá, tra thông tin sản phẩm) thì AI làm chính, con người kiểm tra lướt. Tra cứu kết hợp áp dụng quy tắc đã biết (soạn email theo mẫu, tóm tắt cuộc họp, so sánh phương án theo tiêu chí) thì AI soạn nháp, con người duyệt nhẹ. Suy luận (chiến lược mới, xử lý khủng hoảng, đàm phán phức tạp) thì con người dẫn đầu, AI hỗ trợ bằng tra cứu.

Đầu tư vào chất lượng kho kiến thức, không phải số lượng. Thay vì đổ tất cả tài liệu vào, hãy cấu trúc rõ ràng: quy trình có quản lý phiên bản, tình huống mẫu có gắn thẻ lĩnh vực kèm kết quả kèm lý do, nhật ký quyết định ghi cả cơ sở. Tra cứu tốt cần dữ liệu tốt, không phải dữ liệu nhiều.

Thiết kế vòng lặp học cho con người, không cho AI. Sau mỗi quyết định quan trọng, ghi lại: quyết định gì, dựa trên dữ liệu nào, kết quả thực tế ra sao, chỗ nào lệch. AI tra cứu bản ghi cho quyết định tương tự sau. Nhưng bài học thật sự đến từ người viết bản ghi, vì quá trình viết chính là quá trình “ngấm”.

Kiểm kê ghi nhớ hàng tháng là bắt buộc. Xem lại kho ghi nhớ AI, lưu trữ ghi chú cũ hơn 30 ngày, kiểm tra độ chính xác của tài liệu hay được truy xuất, cập nhật quy trình khi thay đổi. Không phải do nghi ngờ, là vệ sinh cơ bản.

Quản lý kỳ vọng của team. AI cho hiệu suất tăng 20-30% trên việc tra cứu, và con số này ổn định, không tăng theo thời gian. Cải thiện đến từ kho kiến thức tốt hơn và con người giỏi hơn, không từ AI giỏi hơn. Nếu team thấy AI “dậm chân tại chỗ” sau 3 tháng, đó không phải lỗi, đó là đặc tính.

Khoảng cách giữa nghiên cứu và thực tế

Nghiên cứu đề xuất xây kênh chuyển kinh nghiệm vào “não” AI. Về kỹ thuật, hoàn toàn khả thi. Nhưng có vài rào cản thực tế.

Chi phí tinh chỉnh mô hình riêng cho mỗi người dùng hoặc công ty hiện chưa khả thi cho sản phẩm đại chúng. OpenAI cho phép tinh chỉnh GPT-4o, nhưng chi phí và độ phức tạp ngoài tầm phần lớn doanh nghiệp nhỏ. Tinh chỉnh cho lĩnh vực A có thể làm mất khả năng ở lĩnh vực B. Nhiều ngành có quy định cấm thay đổi mô hình, đặc biệt y tế và tài chính. Và quan trọng nhất: OpenAI, Anthropic bán sản phẩm với mô hình chung cho hàng triệu người dùng, tinh chỉnh riêng cho từng người phá vỡ kiến trúc cơ bản. Đây không phải rào cản kỹ thuật, đây là rào cản kinh doanh.

Nghĩa là: cho đến khi giải pháp này tồn tại ở tầng sản phẩm (có thể nhiều năm nữa), cách thực tế nhất là thiết kế hệ thống nhận biết đúng giới hạn. Không chờ AI giỏi hơn. Tự mình giỏi hơn, với AI là công cụ tra cứu đáng tin cậy.

Vài điều ngắn

Nếu phải rút gọn mọi thứ thành ba vai trò rõ ràng thì đây.

AI là bộ nhớ ngắn hạn. Nhanh, tra cứu tốt, ghép mẫu giỏi, không tự tổng quát hóa. Dùng cho mọi thứ cần tốc độ, khối lượng và nhất quán trên mẫu đã biết.

Con người là bộ não suy luận. Chậm, quy tắc hóa, ngấm dần qua đọc lại và suy ngẫm, mở rộng được sang tình huống mới. Dùng cho mọi thứ cần phán đoán, quyết định, và đặc biệt là kết hợp nhiều nguyên lý theo cách chưa từng làm.

Kho kiến thức cá nhân là cầu nối. Nơi AI ghi và đọc, nơi con người đọc lại và ngấm dần. Giá trị phụ thuộc vào chất lượng ghi chú (ghi có cấu trúc) và chất lượng sử dụng (con người đọc lại thường xuyên).

Hệ thống hoạt động khi cả ba vai trò rõ ràng. Hệ thống hỏng khi ta nhầm vai: kỳ vọng AI tự ngấm (nó không làm được), bỏ qua đọc lại của con người (kênh ngấm biến mất), hoặc biến kho kiến thức thành bãi rác (chất lượng tra cứu giảm).

Theo Paper: Contextual Agentic Memory is a Memo, Not True Memory. Binyan Xu,∗, Xilin Dai,∗ , and Kehuan Zhang

Share Lazy & Optimize

Mình trả lời: “Cả hai. Nhưng dùng khác nhau hoàn toàn.”

Và đó đúng là điểm mấu chốt mà nhiều người hay bỏ qua khi so sánh hai cái này.

NotebookLM: tải lên, hỏi ngay, xong việc

NotebookLM là công cụ AI của Google. Cách dùng đơn giản: tải tài liệu lên (PDF, Google Docs, file văn bản), rồi đặt câu hỏi về nội dung đó. Công cụ sẽ trả lời dựa trên chính những gì bạn tải lên, không phịa thêm từ nơi khác.

Điểm mạnh thật sự là tốc độ. Không cần cài gì, không cần cấu hình, mở trình duyệt là dùng được ngay. Tải xong là hỏi được liền.

Mình hay dùng NotebookLM khi nhận được một tập tài liệu dày cần xử lý nhanh, ví dụ một bộ chính sách mới, một báo cáo thị trường, hoặc vài bài báo cần tóm tắt trước buổi họp. Đặc biệt tính năng tạo podcast tự động từ tài liệu rất tiện, tóm tắt thành cuộc trò chuyện âm thanh để nghe lúc chạy xe, không cần nhìn màn hình.

Nhưng NotebookLM không phải kho lưu trữ lâu dài.

Không có liên kết giữa các tài liệu với nhau. Không theo dõi được lịch sử thay đổi. Tài liệu bạn tải lên nằm trên máy chủ Google. Ba tháng sau quay lại, bạn sẽ thấy một đống notebook rời rạc không biết cái nào liên quan đến cái nào.

Nó giỏi xử lý nhanh một lần. Không giỏi tích lũy lâu dài.

Obsidian: chậm lúc đầu, nhưng càng dùng càng mạnh

Obsidian là ứng dụng ghi chú lưu toàn bộ dữ liệu trên máy bạn, dưới dạng file văn bản thuần. Không có tài khoản, không có máy chủ, không phụ thuộc vào ai.

Điểm khác biệt lớn nhất so với NotebookLM: Obsidian cho phép liên kết các ghi chú với nhau. Bạn viết về một chủ đề hôm nay, liên kết sang bài ghi từ sáu tháng trước, và hệ thống nhớ cho bạn mối quan hệ đó. Càng dùng lâu, mạng lưới kiến thức càng dày.

Kết hợp thêm AI, ví dụ dùng Claude qua tính năng Projects hoặc cấu hình thêm plugin thì bạn có thể hỏi đáp trên toàn bộ vault ghi chú của mình, tìm kiếm theo ý nghĩa chứ không chỉ theo từ khóa.

Nhưng chi phí ban đầu là có thật. Mình mất vài tuần mới có kho ghi chú đủ ổn định để tin tưởng vào nó. Bạn cần biết một chút về định dạng markdown, cần có thói quen ghi chú nhất quán, và cần sẵn sàng bảo trì hệ thống theo thời gian.

Nếu bạn không có ý định dùng lâu dài, bỏ công xây dựng Obsidian là lãng phí.

Sự khác biệt thực tế, nói thẳng

NotebookLM phù hợp khi bạn có tài liệu cụ thể, cần xử lý nhanh, xong việc thì thôi. Như một cái máy photocopy thông minh: làm việc tốt, nhưng không nhớ mình đã photocopy gì hôm qua.

Obsidian phù hợp khi bạn muốn xây dựng kho kiến thức theo năm tháng, cần tra cứu lại, cần kiểm soát dữ liệu. Như một cái thư viện cá nhân, cần đầu tư xây kệ, dán nhãn, sắp xếp, nhưng khi cần thứ gì là tìm được.

Hai cái này không cạnh tranh nhau. Chúng phục vụ hai nhu cầu khác nhau.

Mình đang dùng song song: nhận tài liệu mới thì đẩy vào NotebookLM để xử lý nhanh, lấy phần quan trọng nhất rồi chuyển về Obsidian để lưu dài hạn và liên kết với những gì đã có.

Gọn lại cho Dân Lười:

• Dùng NotebookLM khi: cần nhanh, tài liệu không nhạy cảm, không cần lưu lâu, muốn có bản tóm tắt âm thanh.

• Dùng Obsidian khi: muốn xây kho kiến thức cá nhân, cần kiểm soát dữ liệu, cần liên kết thông tin qua nhiều thời điểm.

Không cần chọn một. Nhưng cần biết cái nào đang làm việc gì cho mình.

Bạn đang dùng cái nào? Hay chưa rõ mình thật sự cần gì?

Bửu Trung — Dân Lười, thích Tối ưu

“Em phân tích khách hàng cả chục lần rồi anh. Dùng cả Claude lẫn ChatGPT. Thử đủ framework từ persona, jobs-to-be-done, đến customer journey. Mà sao em vẫn thấy nó cứ sai sai. Áp vào content thì lệch. Áp vào sản phẩm thì hụt. Áp vào ads thì không ra đơn.”

Mình hỏi lại: “Vậy em đang muốn phục vụ ai?”

Bạn ấy im một lúc. Rồi nói: “Thì... ai cần em em phục vụ.”

Đó. Vấn đề nằm ngay đó. Không phải ở AI. Không phải ở framework. Không phải ở khách.

Sau cuộc trò chuyện này mình ngồi liệt kê lại, những gì mình thấy là 7 gốc rễ thật sự khiến phân tích khách hàng luôn thấy “chưa đúng”. Bài này dài hơn bình thường, vì mình muốn chia sẻ trọn vẹn cả 7 cái và cách phá từng cái.

Nếu bạn đang ở tình trạng tương tự bạn em kia, nhẹ nhàng đọc.

Cái kính lúp đang bị mờ

Trước khi vào 7 gốc, mình muốn bạn giữ một hình ảnh trong đầu.

Bạn đang cầm kính lúp soi khách hàng. Soi mãi không rõ. Bạn đổi kính lúp khác. Vẫn không rõ. Bạn mua kính lúp xịn hơn, AI hỗ trợ, framework mới, prompt template chuyên nghiệp. Vẫn mờ.

Vì cái mờ không nằm ở vật được soi. Nó nằm ở chính cái kính.

Hầu hết các bài viết về “phân tích khách hàng” đang dạy bạn cách lau kính lúp cho sạch hơn, chọn kính lúp xịn hơn. Bài này thì khác. Mình muốn chỉ ra rằng có 7 lý do tại sao kính của bạn bị mờ — và 6 trong 7 lý do đó không liên quan gì đến cái kính.

7 gốc này chia làm 3 nhóm và chúng ta đi từng nhóm.

NHÓM 1: Vấn đề nằm ở MÌNH

Gốc 1: Chưa rõ mình muốn phục vụ ai

Đây là cái gốc lặng lẽ nhất. Vì nó không gây đau ngay. Nó chỉ làm cho mọi phân tích của bạn luôn ở trạng thái “gần đúng”.

Khi bạn chưa biết mình muốn phục vụ ai, thì mỗi lần ngồi phân tích khách hàng, bạn sẽ làm gì? Bạn sẽ phân tích “khách hàng nói chung”. Một bà mẹ ở Sài Gòn. Một cô nhân viên văn phòng 30 tuổi. Một anh chủ doanh nghiệp nhỏ. Ai cũng có thể là khách của bạn.

Và đây là cái bẫy: khi ai cũng có thể là khách, thì kết quả phân tích nào cũng đúng một phần, không cái nào đúng hẳn. Bạn đọc kết quả AI trả về, gật gù: “Ừ, cũng đúng.” Nhưng không thấy “À, đúng rồi, chính xác là người này.”

Cái cảm giác “gần đúng mà không đúng hẳn”, đó chính là âm thanh của việc bạn chưa chọn.

Cách nhận ra mình ở gốc này: thử trả lời câu hỏi “Nếu chỉ được phục vụ một kiểu người duy nhất, mình sẽ chọn ai?” Nếu bạn thấy khó trả lời, thấy tiếc nuối khi loại bớt, thấy “ai cũng được mà”... thì bạn đang đứng ngay tại gốc 1.

Gốc 2: Đang phục vụ quá nhiều kiểu khách

Cái này là phiên bản nâng cấp của gốc 1. Bạn không phải “chưa biết”. Bạn đã biết. Nhưng bạn nhận tất.

Bạn nhận khách lẻ. Bạn nhận khách doanh nghiệp. Bạn nhận khách trung bình. Bạn nhận khách cao cấp. Bạn nhận cả khách trả tiền và khách “anh em quen”.

Mỗi nhóm khách có nỗi đau khác nhau, ngân sách khác nhau, kỳ vọng khác nhau. Khi bạn đem hết data này đổ vào một bài phân tích, AI sẽ trả về cho bạn cái gì?

Một bức tranh trung bình.

Mà trung bình thì không sai, nhưng cũng không đủ sắc để dùng. Pattern nào cũng có nhưng không pattern nào rõ. Insight nào cũng có một chút nhưng không insight nào đủ mạnh để bạn ra quyết định.

Vấn đề không phải data ít. Vấn đề là data loãng. Bạn pha một cốc nước cam ngon, rồi đổ thêm 3 lít nước lọc vào, vẫn là nước cam, nhưng không còn vị cam nữa.

Cách nhận ra: nhìn lại 10 khách gần nhất. Họ có giống nhau ở điểm nào không? Nếu bạn phải mô tả từng người là một câu chuyện riêng, không có cái khung chung, thì bạn đang loãng.

Gốc 3: Nhầm lẫn giữa khách đang có và khách mình muốn

Cái này tinh vi nhất. Vì bạn vẫn đang phân tích đúng người. Nhưng đầu bạn đang so với một người khác.

Tình huống điển hình: bạn ngồi phân tích chân dung khách hàng hiện tại. Data thật, người thật, đơn hàng thật. Nhưng trong đầu bạn, hình ảnh “khách lý tưởng” cứ hiện ra. Khách lý tưởng là người trả giá cao, không mặc cả, hiểu giá trị, giới thiệu thêm bạn bè. Còn khách đang có thì... không hẳn vậy.

Vậy là bạn vừa phân tích vừa lệch lạc. Mỗi insight bạn rút ra đều bị nhuốm bởi câu hỏi ngầm: “Nhưng khách lý tưởng thì sao?” Kết quả là một bản phân tích vừa không đúng với khách thật, vừa không đúng với khách mơ ước. Lệch cả hai phía.

Phải tách bạch ra. Hai bài phân tích riêng:

• Bài 1: Khách đang có thật sự là ai? Họ đến với mình vì lý do gì? — Phục vụ tốt hơn người đang trả tiền

• Bài 2: Khách mình muốn phục vụ là ai? Họ ở đâu? Cần gì khác? — Định hướng mình đi tới đâu

Trộn hai cái vào một là bạn tự làm khó mình.

NHÓM 2: Vấn đề nằm ở CÔNG CỤ

Gốc 4: Sản phẩm/dịch vụ chưa định hình rõ

Đây là cái bẫy nhiều người không nhận ra. Bạn cứ tưởng mình đang phân tích khách hàng. Thật ra bạn đang phân tích khách hàng CHO CÁI GÌ?

Hỏi thử: nếu mình kêu bạn dừng lại 30 giây, mô tả sản phẩm/dịch vụ chính của bạn trong 2 câu, không vòng vo, không “tùy nhu cầu”, không “tụi em làm nhiều mảng”, bạn nói được không?

Nếu bạn vẫn phải mở Notes ra coi, vẫn phải hỏi lại “anh muốn em mô tả mảng nào?”, vẫn thấy mình đang gói nhiều thứ vào một câu thì đây chính là lý do mọi phân tích khách hàng của bạn cứ lệch.

Vì khách hàng không tồn tại trong chân không. Khách hàng chỉ có nghĩa khi gắn với MỘT cái họ đang cần mua/cần dùng. Cùng một người phụ nữ 35 tuổi:

• Là khách của một spa thì có một chân dung

• Là khách của một khóa học online thì có chân dung khác hẳn

• Là khách của một sản phẩm thực phẩm chức năng thì lại khác nữa

Khi sản phẩm bạn còn lưng chừng, chưa rõ giải quyết vấn đề gì cụ thể, chưa rõ ở mức giá nào, chưa rõ trong tình huống nào người ta cần thì AI cũng không biết bạn đang muốn vẽ chân dung khách “cho cái gì”.

Cách kiểm tra: trước khi mở chat AI, hãy viết ra giấy:

• Tên sản phẩm/dịch vụ chính của mình

• Giải quyết vấn đề CỤ THỂ gì

• Ở mức giá nào

• Trong tình huống nào người ta cần

Nếu bạn viết được rõ 4 dòng này, phân tích sẽ khác hẳn. Nếu vẫn lưng chừng, đừng vội phân tích khách. Quay về định hình sản phẩm trước.

Gốc 5: Đang dùng AI để tìm câu trả lời thay vì tìm câu hỏi đúng

Đây là gốc lớn nhất trong nhóm 2. Và là cái khó nhận ra nhất.

AI hiện tại rất giỏi trả lời. Bạn hỏi gì nó cũng trả lời được. Bạn yêu cầu “phân tích chân dung khách hàng cho sản phẩm X”, nó trả ngay một bản dài 2 trang, đủ tuổi, giới tính, nỗi đau, hành vi, kênh tiếp cận. Trông rất chuyên nghiệp.

Nhưng đây là cái bẫy: nếu bạn hỏi sai câu hỏi, câu trả lời đúng cũng vô dụng.

Mình lấy ví dụ thật. Bạn hỏi AI:

“Phân tích chân dung khách hàng tiềm năng cho khóa học marketing online của tôi”

AI sẽ trả về một bản đẹp đẽ. Nhưng câu hỏi này thật sự thiếu cái gì?

• “Khách tiềm năng” tiềm năng là ai? Người chưa biết bạn? Người đã follow? Người đã mua khóa khác?

• “Marketing online” quá rộng. Quảng cáo Facebook? Email marketing? Content? Tất cả?

• “Khóa học” dạng nào? Online tự học? Cohort có giáo viên? Coaching 1-1?

• Mục đích phân tích để LÀM GÌ? Viết content? Đặt giá? Chọn kênh quảng cáo? Mỗi mục đích cần kiểu phân tích khác nhau.

Câu hỏi đúng phải hẹp hơn rất nhiều. Ví dụ:

“Tôi đang chuẩn bị viết 5 bài content để chạy ads Facebook trong 2 tuần tới, nhằm tuyển sinh khóa email marketing cho người đã có business nhỏ. Hãy giúp tôi xác định 3 phân khúc người xem có khả năng cao nhất sẽ click vào ads, mỗi phân khúc gồm: nỗi đau cụ thể họ đang gặp với email, lý do họ trì hoãn việc học, và 1 câu hook có thể kích họ click.”

Câu hỏi này dài hơn 4 lần. Nhưng câu trả lời sẽ dùng được ngay.

Hầu hết mọi người đang dùng AI ở chế độ “tìm câu trả lời cho câu hỏi đầu tiên hiện ra trong đầu”. Cách tối ưu hơn: dành 70% thời gian để mài câu hỏi, 30% để hỏi AI.

Nghe có vẻ ngược đời. Nhưng đây mới là cách Lười thật sự — vì câu hỏi tốt cho ra câu trả lời dùng ngay, đỡ phải chỉnh sửa qua lại 10 lần.

Combo nguy hiểm khi gốc 4 và 5 cộng dồn: sản phẩm chưa rõ + câu hỏi không sắc = phân tích nào cũng “có lý” mà không cái nào “đúng”. Bạn sẽ rơi vào vòng lặp hỏi chung chung. nhận chung chung, hỏi tiếp chung chung, đến lúc mệt thì đóng tab, đổ lỗi cho AI “không hiểu mình”.

Thật ra AI đang rất hiểu, nó hiểu rằng bạn đang hỏi mơ hồ, nên nó trả mơ hồ. Rác đi vào, rác đi ra.

Cách thoát: trước khi hỏi AI lần tới, bắt mình trả lời 3 câu này trên giấy:

1. Mình đang phân tích cho SẢN PHẨM/DỊCH VỤ CỤ THỂ nào? (1 cái thôi, không gộp)

2. Phân tích này dùng để LÀM GÌ tiếp theo? (Viết content? Định giá? Chọn kênh?)

3. Quyết định mình cần ra sau khi đọc kết quả là gì?

Trả lời được 3 câu này, câu hỏi gửi cho AI sẽ tự động sắc hơn 5 lần.

NHÓM 3: Vấn đề nằm ở HÀNH ĐỘNG

Đây là 2 gốc khó “chữa” nhất. Vì nó không liên quan đến kiến thức hay kỹ thuật. Nó liên quan đến HÀNH VI.

Bạn có thể đã rõ về mình. Đã định hình sản phẩm. Đã biết hỏi AI đúng cách. Nhưng nếu vướng ở 2 gốc cuối, phân tích của bạn vẫn cứ ở trạng thái “gần đúng mà không bao giờ đúng hẳn”.

Gốc 6: Chỉ phân tích trong phòng, chưa bao giờ hỏi thẳng khách

Mình quan sát thấy: phần lớn người đang phân tích khách hàng không bao giờ rời khỏi cái laptop. Họ ngồi với AI. Họ đọc báo cáo ngành. Họ nghiên cứu đối thủ. Họ vẽ persona. Họ làm jobs-to-be-done. Họ vẽ customer journey.

Nhưng họ chưa bao giờ làm cái đơn giản nhất: nhấc điện thoại lên, gọi cho 5 khách đã mua gần đây nhất, và hỏi:

“Hồi đó anh/chị quyết định chọn em vì lý do gì vậy ạ? Lúc đó anh/chị đang gặp vấn đề gì? Có cân nhắc bên nào khác không?”

Một cuộc gọi 15 phút với khách thật cho ra insight giá trị hơn 3 ngày ngồi với AI. Vì AI đang trả lời dựa trên pattern chung. Còn khách của bạn là người cụ thể với câu chuyện cụ thể.

Tại sao mọi người không gọi? Mình đoán có vài lý do:

• Sợ làm phiền khách

• Không biết hỏi gì

• Sợ nghe câu trả lời không như mình nghĩ

• Cảm thấy “ngại ngại”, thiếu chuyên nghiệp

• Lười (đây là cái Lười xấu, không phải Lười tối ưu)

Nhưng ai dám gọi sẽ phát hiện ra điều ngược đời: khách hàng phần lớn rất sẵn lòng nói chuyện. Đặc biệt là khách đã từng mua. Họ thậm chí thấy được trân trọng khi mình hỏi ý kiến họ.

Và đây là điều mình muốn nhấn: tất cả công cụ phân tích AI mà bạn đang dùng, mục đích cuối cùng là để HIỂU KHÁCH. Mà hiểu khách thì còn cách nào nhanh hơn việc... hỏi khách?

AI là kính lúp. Nhưng kính lúp không thay thế được việc bạn ra ngoài và nhìn thẳng vào người ta.

Mẹo nhỏ: tuần này, gọi 3 khách. Mỗi cuộc 15 phút. Hỏi đúng 3 câu:

1. Hồi đó anh/chị tìm giải pháp này vì lý do gì cụ thể?

2. Anh/chị có cân nhắc bên nào khác không? Tại sao cuối cùng chọn em?

3. Sau khi dùng, có điều gì khác với kỳ vọng không?

3 cuộc gọi này sẽ đập vỡ rất nhiều giả định mà bạn đang ôm. Và sẽ làm cho mọi phân tích AI tiếp theo của bạn sắc lên gấp nhiều lần, vì giờ bạn đã có “data thật” để hỏi AI đúng hơn.

Gốc 7: Chủ nghĩa hoàn hảo đang cản đường

Cái này là gốc cuối, và là gốc xảo quyệt nhất. Vì nó đội lốt sự cẩn thận.

Bạn nói với mình:

• “Em muốn phân tích cho thật kỹ rồi mới hành động”

• “Em chưa đủ data, chưa dám chốt”

• “Em thấy chân dung khách hàng vẫn còn lỏng, để em làm thêm”

• “Đợi em phân tích xong tháng này đã rồi tính”

Nghe rất có lý. Trông rất chuyên nghiệp. Nhưng đây là cái bẫy ngọt ngào nhất của người làm marketing/kinh doanh.

Vì chân dung khách hàng KHÔNG BAO GIỜ đủ 100%. Không có ai phân tích xong rồi mới bán. Tất cả người làm thật đều bán trước, học trong lúc bán, chỉnh trong lúc bán.

Khi bạn cứ đợi “đủ” mới hành động, bạn đang làm hai việc cùng lúc:

• Tự cho mình cảm giác đang làm việc (vì phân tích cũng tốn thời gian)

• Tự cho mình lý do để không phải đối diện với việc bán thật, gặp khách thật, nghe từ chối thật

Phân tích vô tận là một dạng trì hoãn được trang trí đẹp.

Mình từng có giai đoạn như vậy. Ngồi với Claude vẽ chân dung khách suốt 2 tuần. Mỗi version mỗi rõ hơn version trước. Mỗi version mình lại thấy “vẫn chưa đủ”. Cho đến khi một anh đồng môn hỏi: “Trung phân tích thế đã chạy thử với khách nào chưa?” Mình đứng hình.

Câu trả lời là chưa. Vì phân tích đẹp, không cần ra ngoài, không cần bị từ chối, không cần đối mặt với việc khách “không như em nghĩ”.

Phá cái gốc này không khó về kỹ thuật. Nó khó về tâm lý. Cách mình đang dùng:

• Đặt deadline cứng cho việc phân tích: tối đa 2-3 ngày, không hơn

• Sau deadline, dù phân tích “chưa hoàn hảo”, vẫn phải hành động: gửi 1 bài content, gọi 5 khách, đẩy 1 ads test

• Coi mỗi lần hành động là một lần test giả thiết, không phải kết quả cuối cùng

• Sau hành động mới quay về tinh chỉnh phân tích, lúc này mới có data thật

Phù hợp hơn hoàn hảo. Câu này mình lặp lại nhiều, vì nó là cốt lõi. Một bản phân tích 70% nhưng đã được thử với 10 khách thật, giá trị hơn nhiều một bản 95% chỉ tồn tại trong file Word.

Cái mờ không nằm ở khách

Quay lại câu hỏi mở đầu: tại sao phân tích khách hàng mãi không “đúng”?

Sau 7 gốc, có thể tóm gọn thành một câu: vì cái mờ không nằm ở khách. Nó nằm ở mình, ở công cụ mình chọn, hoặc ở việc mình ngại hành động.

AI và framework không sai. Chúng là công cụ tốt. Nhưng công cụ tốt đến mấy cũng không thay được việc bạn:

• Biết rõ mình muốn phục vụ ai

• Định hình rõ mình bán cái gì

• Hỏi đúng câu hỏi

• Ra ngoài hỏi khách thật

• Dám hành động khi chưa hoàn hảo

5 việc trên không cần AI. Nhưng làm được 5 việc đó rồi, AI mới phát huy hết sức mạnh. Còn không, dùng AI xịn đến mấy cũng chỉ ra kết quả “gần đúng”.

Gọn lại cho Dân Lười

Nếu bạn lười đọc cả bài, đây là phần quan trọng nhất:

3 nhóm gốc rễ, 7 cái cụ thể:

• Nhóm MÌNH: chưa rõ phục vụ ai, nhận quá nhiều kiểu khách, nhầm khách thật với khách mơ ước

• Nhóm CÔNG CỤ: sản phẩm chưa rõ, dùng AI tìm câu trả lời thay vì câu hỏi đúng

• Nhóm HÀNH ĐỘNG: chỉ phân tích trong phòng, bệnh cầu toàn

3 việc cần làm tuần này:

1. Trả lời trên giấy: “Mình muốn phục vụ AI, để giải quyết CÁI GÌ cụ thể, ở mức giá nào?”

2. Gọi 3 khách đã mua, mỗi cuộc 15 phút, 3 câu hỏi mình đã liệt kê ở gốc 6

3. Đặt deadline 2-3 ngày cho phân tích, sau đó BUỘC phải hành động dù chưa hoàn hảo

Câu Trung vẫn xem như là triết lý cho mình:

Phù hợp hơn hoàn hảo. Hành động trước, hoàn thiện sau.

Còn bạn, trong 7 gốc trên, cái nào đang cản bạn nhiều nhất? Comment chia sẻ với mình, có thể bạn không đơn độc và biết đâu cũng giúp người khác nhận ra mình đang vướng ở đâu.

Nếu bài này hữu ích, đừng quên subscribe để nhận các bài tiếp theo về cách dân Solo và SME tối ưu công việc với AI, không hứa hẹn phép màu, chỉ chia sẻ cái mình đang thật sự dùng được.

Góc chia sẻ từ Bửu Trung — Dân Lười, thích Tối ưu

Rồi một ngày các cuộc hội thoại với công cụ trí tuệ nhân tạo bắt đầu nhắc đến định dạng `.md`, định dạng văn bản có cấu trúc đặc biệt tiện cho việc trao đổi với các mô hình ngôn ngữ, xây dựng Skills hay Agent

Từ đó, Obsidian và khái niệm “não thứ hai” hay các hệ thống dùng để lưu trữ có tính kết nối như Openviking hay các opensource khác càng được quan tâm

Bạn có thể dễ dàng xuất file .md với Docs, hay Apple Note hoặc dùng yêu cầu Claude hoặc Antigravity chủ động thực hiện các việc này.

- Chủ động chuyển đổi sang định dạng md luôn

- Kết nối MCP Obsidian với Claude hay Antigravity cùng workflow chi tiết.

- Dữ liệu tự động “chạy” vào kho lưu trữ, và bạn có 1 cái đó rất ư này nọ.

Nhưng vài điều Trung đã từng vướng, cũng đã tìm hiểu, học:

1. HIỂU NGUYÊN LÝ TỔ CHỨC CỦA OBSIDIAN

Obsidian không phải chỉ là nơi chứa file `.md`. Nó hoạt động theo nguyên lý liên kết hai chiều, nghĩa là mỗi ghi chú có thể kéo và được kéo bởi nhiều ghi chú khác.

Nếu bạn đổ dữ liệu vào mà không hiểu nguyên lý này, sơ đồ kết nối sẽ rối như mớ bòng bong. Đẹp trên màn hình, vô dụng trong thực tế.

2. DỮ LIỆU THÔ HAY DỮ LIỆU ĐÃ TINH CHỈNH?

Đây là câu hỏi quan trọng nhất mà hầu hết anh em bỏ qua khi dùng AI để “nhập kho” nhanh.

Dữ liệu thô là những gì bạn copy-paste, xuất tự động, chưa qua bộ lọc nào của chính bạn.

Dữ liệu chính hay dữ liệu đã được tinh lọc là thứ bạn đã đọc, đã hiểu, đã quyết định nó quan trọng với mình vì lý do cụ thể.

3. SƠ ĐỒ CỦA AI HAY AI ĐÓ HAY SƠ ĐỒ CỦA BẠN?

Khi nhờ Claude hay Antigravity xây Obsidian, hãy hỏi thêm một câu: “Cấu trúc này là của ai?”

Nếu bạn chỉ làm theo template của người khác, copy sơ đồ của người khác thì cái não thứ hai đó không phải não của bạn. Nó là não của người tạo ra template đó.

Sự liên kết thực sự phải phản ánh cách bạn tư duy, cách bạn làm việc, những chủ đề bạn thật sự quan tâm.

ĐỂ RỒI Đôi khi với AI, bạn rất nhanh có 1 Obsidian chứa tất cả dữ liệu của mình, nhìn rất đẹp, graph view cũng này nọ, nhưng đôi khi chúng ta lại thêm 1 thùng rác khác, chỉ có cái nhìn sang hơn, hoành tráng hơn....

Tối ưu thật sự đôi khi là biết DỪNG LẠI ĐÚNG LÚC, không phải chạy nhanh hơn vào hướng sai.

Anh em đang xây kho tri thức kiểu gì? Còm chia sẻ tí, mình tò mò lắm.

Bửu Trung — Dân Lười, thích Tối ưu

p/s: Hình ảnh đính kèm 1 Vault cá nhân và 1 Vault Biz đang xây.

Nhưng có đôi lúc, Trung nhận ra mình có thể đang “tin Claude quá mức”, và đôi lần trong đó mình đang tự chơi trò l.ừa chính bản thân.

1. Thiên kiến xác nhận: “Nó nói đúng ý mình rồi!”

Đây là cái bẫy phổ biến nhất.
Bạn có một ý tưởng sẵn trong đầu. Mở Claude lên, hỏi. Claude trả lời khớp với suy nghĩ của bạn.

Bạn gật gù: “Đúng rồi, mình nghĩ không sai.”

Vấn đề ở đây: Claude được thiết kế để phản hồi dựa trên ngữ cảnh bạn cung cấp.

Nếu bạn đặt câu hỏi theo hướng dẫn dắt, Claude sẽ đi theo hướng đó.

Không phải vì nó đồng ý với bạn, mà vì cơ chế hoạt động của nó là như vậy.

Ví dụ thực tế mình từng gặp:
Mình hỏi Claude: “Chiến lược giá cao cho sản phẩm thực phẩm chức năng mới ra mắt có hợp lý không?”

Claude phân tích rất hay về định vị cao cấp, tâm lý người tiêu dùng, biên lợi nhuận…
Nghe xong mình tự tin luôn.

Nhưng khi mình đổi câu hỏi thành: “Những rủi ro khi định giá cao cho sản phẩm thực phẩm chức năng mới?”

Claude lại cho ra một bài phân tích cũng rất thuyết phục, nhưng theo hướng hoàn toàn ngược lại.

Cùng một vấn đề, hai câu hỏi khác nhau, hai kết quả ngược nhau. Cả hai đều “đúng”, nhưng bạn chỉ tin cái nào khớp với ý mình.

VÀ LUÔN CÓ CÁCH XỬ LÝ CHO 1 VẤN ĐỀ
Chính từ đó Trung có những cách để xử lý được, như thiên kiến xác nhận:
- Mỗi khi Claude trả lời khớp ý mình, mình sẽ hỏi thêm một câu ngược lại: “Phản biện lại phân tích vừa rồi đi” hoặc “Nếu mình sai thì sai ở đâu?”.
- Đây không phải thủ thuật gì cao siêu, chỉ là tập thói quen tự kiểm tra.
- Và nếu bạn chưa tự tin, có thể tiếp tục với Chat GPT, Gemini…

2. Thiên kiến phức tạp: “Phân tích dài và chi tiết thì chắc đúng hơn”

Claude có khả năng tạo ra những phân tích rất phức tạp, nhiều lớp, nhiều góc nhìn. Và não người có xu hướng tin rằng: phức tạp đồng nghĩa với chính xác. Nhiều thông tin đồng nghĩa với chất lượng cao.

Không hẳn.

Đôi khi một phân tích dài 2.000 từ với 5 góc nhìn, 3 kịch bản, 10 yếu tố ảnh hưởng… chỉ là Claude đang “nở” thông tin ra cho đủ dài. Nội dung có thể lặp lại ý, thêm những phân tích không cần thiết, hoặc đưa ra những biến số mà thực tế không liên quan.

Ví dụ thực tế:
Mình từng nhờ Claude phân tích đối thủ cạnh tranh cho một sản phẩm mới. Claude cho ra một bảng phân tích 5 đối thủ, mỗi đối thủ có 8 tiêu chí, kèm đánh giá và khuyến nghị.

Nhìn vào tưởng như một báo cáo nghiên cứu thị trường đắt tiền. Nhưng khi mình kiểm tra lại, một số dữ liệu về đối thủ là cũ hoặc không chính xác, và vài tiêu chí phân tích thực ra không liên quan gì đến thị trường thực phẩm chức năng mình đang làm.

Phức tạp nhưng sai thì tệ hơn đơn giản mà đúng.

Và đây cũng là điều anh em hay “phức tạp hoá”, luôn Opus, rồi extended thinking với những task nhanh gọn chỉ cần Sonnet hay đôi khi Haiku.

3. Thiên kiến biện minh công sức: “Làm 6 bước rồi, kết quả chắc phải đúng”

Cái này đôi khi bạn dính nặng.

Bạn dành 2 tiếng ngồi trao đổi qua lại với Claude. Từ xác định mục tiêu, đặt vai trò, cung cấp ngữ cảnh, điều chỉnh câu lệnh, tinh chỉnh kết quả... qua 6-7 bước.

Cuối cùng ra một bản kế hoạch hoặc bài phân tích.

Bạn nhìn vào và nghĩ: “Đầu tư công sức nhiều như này, kết quả chắc chắn tốt.”

Sai.

Công sức bỏ ra không đảm bảo kết quả đúng. Đây là một hiện tượng tâm lý rất phổ biến: khi con người đã đầu tư nhiều thời gian và năng lượng vào một thứ gì đó, họ có xu hướng đánh giá nó cao hơn giá trị thực. Giống như bạn tự nấu một món ăn mất 3 tiếng — dù vị không ngon bằng ngoài hàng, bạn vẫn thấy nó “đặc biệt hơn” vì công sức của mình.

Ví dụ thực tế:

Mình từng xây dựng một bộ quy trình đào tạo nội bộ qua Claude. Đi qua đúng quy trình CLEAR, có ngữ cảnh đầy đủ, có ví dụ minh hoạ, tinh chỉnh 4-5 lần. Kết quả nhìn rất ổn.

Nhưng khi đưa cho team thử áp dụng — một số bước hoàn toàn không khả thi trong thực tế vì Claude không hiểu được đặc thù nội bộ mà mình quên cung cấp.

Mình đã quá tập trung vào “quy trình hoàn hảo” với Claude mà quên mất: kết quả cuối cùng phải được kiểm chứng bởi người thực, việc thực.

Cách mình đang xử lý:

Tách biệt giữa “quy trình làm” và “đánh giá kết quả”. Làm xong với Claude là một chuyện, nhưng luôn dành thêm bước cuối: đưa cho người khác đọc, hoặc tự mình đọc lại sau 24 tiếng khi đầu đã nguội. Đừng đánh giá kết quả ngay lúc vừa xong — lúc đó bạn đang ở đỉnh cảm xúc của sự đầu tư.

CÒN NHIỀU THIÊN KIẾN KHÁC…

Và còn 4-5 góc nhìn khác về sự phức tạp, công sức thực hiện…

NHƯNG MÌNH VẪN CLAUDE, NHƯ BẠN VẪN GEMINI, CHATGPT hay PERFLEXITY!

Mình vẫn giữ quan điểm: “Phù hợp hơn hoàn hảo”.

Claude phù hợp với rất nhiều việc, nhưng không phải lúc nào kết quả cũng hoàn hảo.

Và việc nhận ra những thiên kiến này không phải để chê Claude, mà để chê… chính mình. Chê cái cách mình tiếp nhận thông tin quá dễ dãi.

AI không làm bạn sai. Cách bạn tiếp nhận kết quả từ AI mới khiến bạn sai.

Bạn có đang gặp vấn đề trên?

Và bạn có nghe thêm những tips Trung đã xử lý và nhẹ nhàng hơn với Claude, hay với cả công cụ AI bạn đang dùng?

Subscribe now

SẾP ƠI, EM THẤY SẾP ĐANG CHẠY!

Mỗi ngày feed của sếp toàn Claude, toàn workflow, toàn dashboard mới. Quy trình xây nhanh hơn. Phân tích số liệu gọn hơn.

Theo dõi, đánh giá rõ hơn.

Những cái trước đây chỉ dám nghĩ, giờ sếp đang làm được thật.

Rồi còn nghe sếp kể: tài khoản Pro chưa đủ phải lên x5, x20. Vẫn dính tuần làm 4 ngày vì hết hạn mức. Vẫn đang thêm budget giữa chừng vì workflow quản trị nội bộ đang chạy dở không dừng được.

Tức là sếp đang đốt thật, chạy thật, không phải học cho biết.

Còn em và anh em đồng nghiệp xung quanh, đang ở nhiều hướng lắm sếp ơi!

Có người đang đầu tư mạnh, mua tài khoản siêu cấp, học đủ thứ. Thậm chí đang tính: hay là thôi SOLO luôn, công ty một người với biệt đội AI.

Có người thì cứ theo mạch. Có gì dùng nấy, tài khoản miễn phí hoặc chung nhau dùng Pro. Thấy vậy đã ổn.

Và có nhóm, thật ra cũng không ít, vẫn đang loay hoay. Mỗi ngày đọc tin AI lại thêm áp lực, không biết bắt đầu từ đâu, học cái gì, theo ai.

EM ĐANG Ở ĐÂU TRONG 3 NHÓM? Thật ra đôi khi cũng không chắc nữa.

VÀ ĐIỀU EM NÓI THẬT

Sếp thấy mình đang làm được,rồi sếp nghĩ em cũng làm được.

Nhưng sếp ơi:

1. Em không có đủ góc nhìn, thông tin, bối cảnh như sếp đang có. Không phải em không muốn, là em chưa có điều kiện để tích lũy được những thứ đó.

2. Em chưa nếm qua những giai đoạn sếp đã trải. Những lần khó khăn, những lần sai, những lần mất mát, chính những thứ đó mới tạo ra bản năng phán đoán mà sếp đang dùng mỗi ngày.

3. Em chưa tích đủ kinh nghiệm để tư duy ở tầng sếp đang tư duy. Không phải một sớm một chiều nghe vài buổi training là có được.

Và sếp đang học từ thầy, từ chuyên gia, từ cộng đồng trả phí. Em vẫn đang lượm lặt khắp cõi mạng, lọc không xuể, ngộp trước khi kịp ứng dụng.

4. Nếu nhân sự nào đã đủ tầm như sếp thì họ cũng đang là sếp ở chỗ khác rồi, sếp biết mà.

EM BIẾT SẾP CŨNG KHÓ

Sếp lo nhiều thứ. Áp lực từ trên xuống, từ thị trường vào, từ dòng tiền ra. Đôi khi vẫn muốn kéo team lên cùng nhưng lực bất tòng tâm, chưa gắng được.

NHƯNG EM THẬT…

Sếp đã tuyển em. Em đã theo sếp bao năm.

Nay sếp lên level thì xây kế hoạch để em nâng trình cùng đi.

Rõ ràng: việc nào AI làm tốt hơn thì nhường AI. Việc nào cần con người thật thì chỉ em xoáy vào đó mạnh hơn.

Không cần nhiều. Chỉ cần sếp chỉ đường.

Nếu sau đó em vẫn ậm ờ, vẫn đủng đỉnh, không cần sếp nói gì đâu.

EM TỰ ĐI THÔI, vì em vẫn luôn là đứa có TRÁCH NHIỆM.

Góc nói thay!

Bửu Trung - Dân Lười, thích tối ưu

Comment

Sáng nhấp ly cafe, lướt qua bài phỏng vấn của ông Ajay Banga trên Bloomberg, chợt thấy đồng cảm với góc nhìn về lãnh đạo mà ông chia sẻ. Đặc biệt khi mình đang trong hành trình tối ưu cách làm việc, quản lý theo kiểu “Solo” — thì 3 chữ Q này lại càng thấm.

Ông gọi đó là người lãnh đạo “ba mối đe doạ” — hay nói đúng hơn là người kết hợp được cả 3 chỉ số: Chỉ số Thông minh, Chỉ số Cảm xúc và Chỉ số Tử tế.

1. Chỉ số Thông minh: Nền tảng, nhưng chưa phải tất cả

Đây là năng lực nhận thức, tư duy chiến lược, khả năng giải quyết vấn đề. Nói thẳng là “cái đầu” — phải có kiến thức, phải hiểu việc, phải ra được quyết định đúng.

Giống như khi mình ứng dụng các công cụ để tối ưu, bước đầu tiên luôn là hiểu rõ công cụ đó làm được gì, giới hạn ở đâu. Lãnh đạo cũng vậy, không hiểu doanh nghiệp thì đừng nói chuyện dẫn dắt.

Nhưng giỏi mà thiếu đồng cảm thì dễ trở thành kiểu lãnh đạo “mong manh” — thông minh nhưng không ai muốn đi cùng lâu dài.

2. Chỉ số Cảm xúc: Từ quản lý công việc sang dẫn dắt con người

Đây là khả năng nhận biết, thấu hiểu và quản lý cảm xúc — của chính mình và của người khác.

Mình hay chia sẻ với anh em đồng môn rằng: dù có tối ưu quy trình, hệ thống hoá mọi thứ bằng công cụ, nhưng khi làm việc với người thì “cảm xúc” mới là yếu tố quyết định. Một câu nói đúng lúc, một sự lắng nghe đúng thời điểm — đôi khi giá trị hơn cả một chiến lược hoàn hảo.

Tuy nhiên, đồng cảm mà thiếu la bàn đạo đức thì cũng dễ thành công cụ thao túng. Đây là điều ít người để ý nhưng cực kỳ quan trọng.

3. Chỉ số Tử tế: La bàn đạo đức — thứ tạo nên sự khác biệt

Đây là khái niệm mà ông Ajay Banga nhấn mạnh nhất. Không phải là “hiền” hay “dễ dãi”, mà là sự công bằng, nhất quán và có trách nhiệm.

Nói theo kiểu Lười: Chỉ số Tử tế là khi đội ngũ tin rằng người dẫn đầu luôn “che lưng” cho họ. Không phải vì sợ, mà vì tin.

Khi có sự tin tưởng:

• Nhân sự gắn bó lâu hơn.

• Đội nhóm dám thử, dám sáng tạo vì biết mình được hỗ trợ.

• Lòng trung thành được xây trên nền tảng vững chắc, không phải trên lời hứa suông.

Kết hợp cả 3: Quy trình tối ưu cho người lãnh đạo

Mình thấy cách kết hợp này rất “phù hợp” với tư duy tối ưu:

1. Dẫn dắt bằng trí tuệ: Ra quyết định dựa trên dữ liệu, phân tích chiến lược rõ ràng.

2. Lọc qua cảm xúc: Truyền đạt quyết định bằng sự đồng cảm, hiểu rõ tác động đến con người.

3. Thực thi bằng sự tử tế: Đảm bảo mọi thứ được triển khai công bằng, minh bạch, vì lợi ích chung chứ không chỉ vì con số.

Góc Dân Lười: Áp dụng cho chính mình

Đừng nghĩ 3 chỉ số này chỉ dành cho sếp lớn. Dù bạn đang làm Solo, tự quản lý chính mình, hay dẫn dắt một đội nhỏ — thì:

• Trí tuệ giúp bạn chọn đúng công cụ, đúng hướng.

• Cảm xúc giúp bạn kết nối với khách hàng, đối tác, đồng đội.

• Tử tế giúp bạn xây dựng uy tín lâu dài — thứ không công cụ nào thay thế được.

Khi bạn mang sự tử tế đến nơi làm việc mỗi ngày, mọi người sẽ muốn ở lại và làm điều đúng đắn.

Mình thấy câu này áp dụng cho cả người làm việc một mình. Tử tế với chính mình, với quy trình, với sản phẩm mình tạo ra — đó cũng là một dạng lãnh đạo.

Anh em có đang áp dụng 3 chỉ số này trong công việc hay cuộc sống?

Hay có góc nhìn nào khác thì chia sẻ cùng nhau nhé.

Bửu Trung - Dân Lười, thích Tối ưu

Leave a comment

6️⃣ KỸ THUẬT: TIÊM NGỮ CẢNH CÓ RANH GIỚI

🎯 Mục đích: Cung cấp ngữ cảnh lớn nhưng đặt ranh giới rõ ràng, loại bỏ ảo giác khi làm việc với hệ thống riêng

📝 Mẫu Tiếng Việt:

[NGỮ CẢNH]
[dán tài liệu, code, bài nghiên cứu của bạn]

[TRỌNG TÂM]
Chỉ sử dụng thông tin từ NGỮ CẢNH để trả lời. Nếu câu trả lời không có trong NGỮ CẢNH, hãy nói "Thông tin không đủ trong ngữ cảnh được cung cấp."

[NHIỆM VỤ]
[câu hỏi cụ thể của bạn]

[RÀNG BUỘC]
- Trích dẫn các phần cụ thể khi tham chiếu NGỮ CẢNH
- Không sử dụng kiến thức chung bên ngoài NGỮ CẢNH
- Nếu có nhiều cách hiểu, hãy liệt kê tất cả

💡 Ví dụ Thực Tế:

[NGỮ CẢNH]
[dán tài liệu API 50 trang của công ty bạn]

[TRỌNG TÂM]
Chỉ sử dụng thông tin từ NGỮ CẢNH để trả lời. Nếu câu trả lời không có trong NGỮ CẢNH, hãy nói "Thông tin không đủ trong ngữ cảnh được cung cấp."

[NHIỆM VỤ]
Làm thế nào để triển khai giới hạn tốc độ với logic thử lại cho endpoint /users?

[RÀNG BUỘC]
- Trích dẫn các phần cụ thể khi tham chiếu NGỮ CẢNH
- Không sử dụng kiến thức chung bên ngoài NGỮ CẢNH
- Nếu có nhiều cách hiểu, hãy liệt kê tất cả

7️⃣ KỸ THUẬT: VÒNG LẶP TINH CHỈNH DẦN

🎯 Mục đích: Nối chuỗi các prompt để tinh chỉnh kết quả qua nhiều lần chạy, đạt chất lượng 90%

📝 Mẫu Tiếng Việt:

[LẦN 1]
Tạo một [bản nháp/dàn ý/phiên bản đầu] của [nhiệm vụ]

[LẦN 2]
Xem lại kết quả trên. Xác định 3 điểm yếu hoặc thiếu sót.

[LẦN 3]
Viết lại kết quả để giải quyết tất cả các điểm yếu đã xác định.

[LẦN 4]
Xem xét cuối cùng: Điều này đã sẵn sàng triển khai chưa? Nếu chưa, còn thiếu gì?

💡 Ví dụ Thực Tế:

[LẦN 1]
Tạo một bản nháp email bán hàng để tiếp cận các Phó Chủ tịch Kỹ thuật tại các startup Series B về công cụ tối ưu CI/CD của chúng tôi

[LẦN 2]
Xem lại kết quả trên. Xác định 3 điểm yếu hoặc thiếu sót.

[LẦN 3]
Viết lại kết quả để giải quyết tất cả các điểm yếu đã xác định.

[LẦN 4]
Xem xét cuối cùng: Điều này đã sẵn sàng triển khai chưa? Nếu chưa, còn thiếu gì?

8️⃣ KỸ THUẬT: PROMPT ƯU TIÊN RÀNG BUỘC

🎯 Mục đích: Bắt đầu với ràng buộc trước nhiệm vụ, tránh câu trả lời đúng về mặt kỹ thuật nhưng vô dụng trong thực tế

📝 Mẫu Tiếng Việt:

RÀNG BUỘC CỨNG (không được vi phạm):
- [ràng buộc 1]
- [ràng buộc 2]
- [ràng buộc 3]

ƯU TIÊN MỀM (tối ưu hóa cho các yếu tố này):
- [ưu tiên 1]
- [ưu tiên 2]

NHIỆM VỤ: [yêu cầu thực tế của bạn]

Xác nhận bạn hiểu tất cả ràng buộc trước khi tiếp tục.

💡 Ví dụ Thực Tế:

RÀNG BUỘC CỨNG (không được vi phạm):
- Phải viết bằng Rust
- Không được sử dụng bất kỳ thư viện bên ngoài nào
- Phải biên dịch được trên Rust stable 1.75+
- Kích thước file nhị phân tối đa: 5MB

ƯU TIÊN MỀM (tối ưu hóa cho các yếu tố này):
- Thời gian biên dịch nhanh
- Phân bổ bộ nhớ tối thiểu

NHIỆM VỤ: Viết công cụ dòng lệnh phân tích file CSV 10GB và xuất JSON với xác thực schema

Xác nhận bạn hiểu tất cả ràng buộc trước khi tiếp tục.

9️⃣ KỸ THUẬT: PROMPT ĐA GÓC NHÌN

🎯 Mục đích: Sử dụng nhiều quan điểm để giảm thiên kiến và cải thiện suy luận, tạo ra tư duy chiến lược thay vì lời khuyên bề mặt

📝 Mẫu Tiếng Việt:

Phân tích [chủ đề/vấn đề] từ các góc nhìn sau:

[GÓC NHÌN 1: Khả Năng Kỹ Thuật]
[góc nhìn cụ thể]

[GÓC NHÌN 2: Tác Động Kinh Doanh]
[góc nhìn cụ thể]

[GÓC NHÌN 3: Trải Nghiệm Người Dùng]
[góc nhìn cụ thể]

[GÓC NHÌN 4: Rủi Ro/Bảo Mật]
[góc nhìn cụ thể]

TỔNG HỢP:
Tích hợp tất cả góc nhìn thành một khuyến nghị cuối cùng với các sự đánh đổi được nêu rõ ràng.

💡 Ví dụ Thực Tế:

Phân tích liệu chúng ta có nên chuyển từ Postgres sang DynamoDB từ các góc nhìn sau:

[GÓC NHÌN 1: Khả Năng Kỹ Thuật]
Độ phức tạp kỹ thuật, timeline, rủi ro di chuyển dữ liệu

[GÓC NHÌN 2: Tác Động Kinh Doanh]
Ảnh hưởng chi phí, tốc độ team, lock-in nhà cung cấp

[GÓC NHÌN 3: Trải Nghiệm Người Dùng]
Thay đổi độ trễ, ảnh hưởng tính năng, yêu cầu downtime

[GÓC NHÌN 4: Rủi Ro/Bảo Mật]
Đảm bảo tính nhất quán dữ liệu, quy trình backup, tuân thủ

TỔNG HỢP:
Tích hợp tất cả góc nhìn thành một khuyến nghị cuối cùng với các sự đánh đổi được nêu rõ ràng.

Liệu bạn có quan tâm chi tiết hơn về bộ cách làm việc cho 1 case liên quan lĩnh vực của bạn? Hãy chia sẻ cùng Trung

1️⃣ KỸ THUẬT: PROMPT THEO VAI TRÒ CÓ RÀNG BUỘC

🎯 Mục đích: Gán vai trò chuyên gia cụ thể với các giới hạn rõ ràng để nhận đầu ra chi tiết hơn gấp 10 lần

📝 Mẫu Tiếng Việt:

Bạn là một [vai trò cụ thể] với [X năm] kinh nghiệm trong lĩnh vực [tên lĩnh vực].
Nhiệm vụ của bạn: [nhiệm vụ cụ thể]
Các ràng buộc:
- [ràng buộc 1]
- [ràng buộc 2]
- [ràng buộc 3]
- [ràng buộc 4]
- [ràng buộc 5]
Định dạng kết quả: [định dạng chính xác cần thiết]

💡 Ví dụ Thực Tế:

Bạn là một kỹ sư Python cấp cao với 10 năm kinh nghiệm tối ưu hóa pipeline dữ liệu.
Nhiệm vụ của bạn: Xây dựng pipeline ETL thời gian thực xử lý 10 triệu bản ghi/giờ
Các ràng buộc:
- Bắt buộc sử dụng Apache Kafka
- Dung lượng bộ nhớ tối đa 2GB
- Độ trễ dưới 100ms
- Không chấp nhận mất dữ liệu
Định dạng kết quả: Code sẵn sàng triển khai với tài liệu inline

2️⃣ KỸ THUẬT: CHUỖI XÁC MINH (CoVe)

🎯 Mục đích: Loại bỏ ảo giác bằng cách tự đặt câu hỏi xác minh và sửa sai, tăng độ chính xác từ 60% lên 92%

📝 Mẫu Tiếng Việt:

Nhiệm vụ: [câu hỏi của bạn]

Bước 1: Đưa ra câu trả lời ban đầu
Bước 2: Tạo 5 câu hỏi xác minh để phát hiện lỗi trong câu trả lời
Bước 3: Trả lời từng câu hỏi xác minh
Bước 4: Đưa ra câu trả lời cuối cùng đã được điều chỉnh dựa trên xác minh

💡 Ví dụ Thực Tế:

Nhiệm vụ: Giải thích cách transformer xử lý cửa sổ ngữ cảnh dài

Bước 1: Đưa ra câu trả lời ban đầu
Bước 2: Tạo 5 câu hỏi xác minh để phát hiện lỗi trong câu trả lời
Bước 3: Trả lời từng câu hỏi xác minh
Bước 4: Đưa ra câu trả lời cuối cùng đã được điều chỉnh dựa trên xác minh

3️⃣ KỸ THUẬT: HỌC ÍT MẪU VỚI VÍ DỤ PHẢN DIỆN

🎯 Mục đích: Chỉ ra cả điều nên làm VÀ không nên làm, loại bỏ 80% câu trả lời generic

📝 Mẫu Tiếng Việt:

Tôi cần bạn [nhiệm vụ]. Dưới đây là các ví dụ:

✅ VÍ DỤ TỐT 1: [ví dụ]
✅ VÍ DỤ TỐT 2: [ví dụ]

❌ VÍ DỤ XẤU 1: [ví dụ]
Tại sao xấu: [lý do]
❌ VÍ DỤ XẤU 2: [ví dụ]
Tại sao xấu: [lý do]

Bây giờ hãy hoàn thành: [nhiệm vụ thực tế của bạn]

💡 Ví dụ Thực Tế:

Tôi cần bạn viết tiêu đề email tiếp cận khách hàng. Dưới đây là các ví dụ:

✅ VÍ DỤ TỐT: "Câu hỏi nhanh về lộ trình kỹ thuật quý 4 của bạn"
✅ VÍ DỤ TỐT: "Thấy bài viết của bạn về hệ thống phân tán—có ý kiến gì về vấn đề này?"

❌ VÍ DỤ XẤU: "KHẨN CẤP: Ưu đãi Có Thời Hạn Bên Trong!!!"
Tại sao xấu: Từ ngữ spam, tạo cảm giác khẩn cấp giả tạo
❌ VÍ DỤ XẤU: "Bạn sẽ không tin những gì chúng tôi xây dựng..."
Tại sao xấu: Clickbait, không có ngữ cảnh

Bây giờ hãy viết 5 tiêu đề cho: Công cụ SaaS giảm 40% chi phí cloud

4️⃣ KỸ THUẬT: GIAO THỨC Tư DUY CÓ CẤU TRÚC

🎯 Mục đích: Buộc mô hình suy nghĩ theo tầng lớp trước khi trả lời, tạo ra tư duy có ngữ cảnh thay vì lặp lại best practices

📝 Mẫu Tiếng Việt:

Trước khi trả lời, hãy hoàn thành các bước sau:

[HIỂU VẤN ĐỀ]
- Diễn giải lại vấn đề bằng lời của bạn
- Xác định điều thực sự được hỏi

[PHÂN TÍCH]
- Chia nhỏ thành các thành phần con
- Ghi chú mọi giả định hoặc ràng buộc

[CHIẾN LƯỢC]
- Phác thảo 2-3 cách tiếp cận tiềm năng
- Đánh giá sự đánh đổi

[THỰC HIỆN]
- Đưa ra câu trả lời cuối cùng
- Giải thích lý do của bạn

Câu hỏi: [câu hỏi của bạn]

💡 Ví dụ Thực Tế:

Trước khi trả lời, hãy hoàn thành các bước sau:

[HIỂU VẤN ĐỀ]
- Diễn giải lại vấn đề bằng lời của bạn
- Xác định điều thực sự được hỏi

[PHÂN TÍCH]
- Chia nhỏ thành các thành phần con
- Ghi chú mọi giả định hoặc ràng buộc

[CHIẾN LƯỢC]
- Phác thảo 2-3 cách tiếp cận tiềm năng
- Đánh giá sự đánh đổi

[THỰC HIỆN]
- Đưa ra câu trả lời cuối cùng
- Giải thích lý do của bạn

Câu hỏi: Tôi nên dùng kiến trúc microservices hay monolith cho startup 5 người xây dựng SaaS B2B với dự kiến 1000 người dùng trong năm đầu?

GHI CHÚ QUAN TRỌNG

1. Không có kỹ thuật nào “tốt nhất” tuyệt đối - Chọn kỹ thuật phù hợp với bối cảnh

2. Kết hợp nhiều kỹ thuật cho kết quả tốt nhất

3. Thực hành thường xuyên để thành thạo

4. Tùy biến cho ngành/sản phẩm của bạn

5. Đo lường kết quả để cải thiện liên tục

5️⃣ KỸ THUẬT: PROMPT CÓ TRỌNG SỐ TIN CẬY

🎯 Mục đích: Yêu cầu mô hình đánh giá độ tin cậy và đưa ra phương án thay thế, tránh quyết định dựa trên sự tự tin giả của trí tuệ nhân tạo

📝 Mẫu Tiếng Việt:

Trả lời câu hỏi này: [câu hỏi]

Đối với câu trả lời của bạn, hãy cung cấp:
1. Câu trả lời chính của bạn
2. Mức độ tin cậy (0-100%)
3. Các giả định chủ chốt bạn đang đưa ra
4. Điều gì sẽ thay đổi câu trả lời của bạn
5. Câu trả lời thay thế nếu bạn có độ tin cậy <80%

💡 Ví dụ Thực Tế:

Trả lời câu hỏi này: Rust có thay thế C++ trong lập trình hệ thống vào năm 2030 không?

Đối với câu trả lời của bạn, hãy cung cấp:
1. Câu trả lời chính của bạn
2. Mức độ tin cậy (0-100%)
3. Các giả định chủ chốt bạn đang đưa ra
4. Điều gì sẽ thay đổi câu trả lời của bạn
5. Câu trả lời thay thế nếu bạn có độ tin cậy <80%

Liệu bạn có cần 1 bộ những trao đổi chi tiết cùng AI cho case của chính mình?
Hãy chia sẻ cùng Trung nhu cầu, công việc của bạn.

COWORK - LÀM VIỆC CHUNG

Đơn giản: bạn chỉ cần trỏ Claude vào một thư mục trên máy tính, mô tả việc cần làm, rồi... bước đi uống cafe. Claude sẽ tự lên kế hoạch, chia nhỏ công việc, xử lý song song nhiều luồng, rồi trả về kết quả hoàn chỉnh. Tạo bảng tính có công thức, trình chiếu, báo cáo, sắp xếp tài liệu... tất cả từ giao diện trò chuyện quen thuộc, không cần biết gì về dòng lệnh.

Kiểu nói vui: Claude Code dành cho dân lập trình, Cowork dành cho “phần còn lại của thế giới.”

ĐƯƠNG NHIÊN LÀ CÓ CÁI HAY

Bạn có thể thử vài hướng, như cách Trung đã làm nếu bạn:

- Hàng ngày xử lý nhiều tệp: hoá đơn, báo cáo, ghi chú, hình ảnh

- Cần tạo tài liệu chuyên nghiệp (bảng tính có công thức, trình chiếu, báo cáo định dạng đẹp) mà ngại ngồi làm tay

- Làm một mình gánh nhiều đầu việc, cần Claude “chạy dài” mà không bị giới hạn ngữ cảnh

- Muốn tự động hoá các việc lặp đi lặp lại hàng tuần

Nhưng mà... liệu có đang PHỨC TẠP HOÁ?

Đây mới là câu hỏi mình muốn đặt ra.

Với anh em đang dùng Claude trò chuyện bình thường, kết hợp Project để tạo trợ lý nội bộ chạy mượt rồi thì Cowork có thể là thêm một lớp nữa mà chưa chắc cần thiết chăng?

Tư duy FILTER mình vẫn áp dụng: mỗi công cụ mới ra, câu hỏi đầu tiên không phải “nó làm được gì” mà là “mình có cần nó không trong thời điểm này.”

Cowork phù hợp nhất với ai cần xử lý nhiều tệp cùng lúc, tạo tài liệu chuyên nghiệp hàng loạt, hoặc muốn Claude “chạy dài” mà không bị giới hạn ngữ cảnh.

Subscribe now

Còn nếu công việc của bạn đang gọn, quy trình đã ổn, thì đừng vội nhảy vào chỉ vì nó mới.

Cứ quan sát, thử nhẹ nếu có điều kiện, và quay lại tập trung vào cái đang hiệu quả với mình.

Đôi khi gọn lại cũng đã là sự tối ưu.

Đôi khi việc bạn chat là xong. Lúc này chỉ cần chatGPT hay Gemini hay Claude chat.

Đôi khi việc bạn liên quan tổng hợp, hỏi đáp với đống tài liệu. Lúc này chỉ cần NotebookLM.

Và lúc nào đó phù hợp bạn lại Cowork, Antigravity, Openclaw hay 1 em mới nào đó..

Phù hợp là được.

Bửu Trung - Dân Lười, thích Tối ưu

1. Để dễ dàng bắt đầu hơn, nhưng đừng kỳ vọng quá cao
Nhận được một bộ Skills từ cộng đồng, từ các anh em, từ các chuyên gia., chắc chắn sẽ giúp bạn bắt đầu nhanh hơn. Thay vì ngồi mò từ con số 0, bạn đã có một bộ khung để chạy thử ngay.

Nhưng mà, đừng nghĩ nó sẽ cân hết mọi thứ.
Tại sao? Vì người tạo ra Skills đó xây dựng dựa trên bối cảnh của họ: ngành nghề của họ, khách hàng của họ, quy trình làm việc của họ, thậm chí cả thói quen giao tiếp với AI của họ. Mà bạn thì khác. Sản phẩm khác, đối tượng khác, cách làm việc khác.

Giống hệt việc copy câu lệnh ngày xưa, chạy được nhưng kết quả chưa chắc đúng ý. Vì thiếu thông tin ngữ cảnh riêng của bạn.
Nên cứ dùng để khởi đầu, nhưng kỳ vọng ở mức "tham khảo tốt" thay vì "giải pháp hoàn hảo" là vừa đẹp.

2. Vẫn cần đọc để biết nội dung, đừng dùng theo kiểu "bỏ vào chạy luôn"
Đây là lỗi mình thấy phổ biến nhất, kể cả với dân đã dùng AI lâu.
Nhận được Skills , chạy, thấy kết quả không ưng, bỏ luôn, đi tìm cái khác.
Vấn đề nằm ở chỗ: bạn chưa đọc kỹ nó viết gì bên trong.
Một bộ Skills thường có cấu trúc rõ ràng: mô tả mục đích, cách kích hoạt, các bước thực thi, quy tắc phong cách, và đôi khi cả ví dụ minh họa. Nếu không đọc, bạn sẽ không hiểu nó đang "dạy" AI làm gì. Và khi không hiểu, bạn không thể đánh giá kết quả đúng hay sai.

Subscribe now

Hồi xưa xin câu lệnh cũng vậy, mấy ai đọc kỹ cái câu lệnh dài 500 chữ đâu. Dán vào, chạy, xong. Mà cái hay nằm ở bên trong câu lệnh ấy, ở cách người ta cấu trúc yêu cầu, ở cách đặt biến, ở cách kiểm soát đầu ra.
Đọc trước, hiểu trước, rồi hãy dùng. Lười nhưng vẫn phải lười có chọn lọc.

3. Trao đổi với AI để xây dựng Skills theo khung nhất định
Đây mới là bước mình thấy tạo ra sự khác biệt lớn.
Thay vì chỉ nhận và dùng, hãy ngồi lại với chính AI để xây Skills riêng cho mình.

Giống như hồi xưa mình hay nói: thay vì copy câu lệnh, hãy hiểu nguyên lý rồi viết lại theo cách của mình. Skills cũng vậy thôi, phiên bản nâng cấp.

Cái này cần thời gian, nhưng đổi lại bạn sẽ có một bộ công cụ gắn liền với thực tế của chính mình, không phải của ai khác.

4. Đối chiếu, tinh chỉnh theo mỗi lần sử dụng
Skills không phải thứ "làm xong rồi bỏ đó". Nó cần được va chạm thực tế mới biết chỗ nào ổn, chỗ nào cần sửa.

Cứ mỗi lần chỉnh, Skills lại tốt hơn một chút. Và sau vài vòng lặp, bạn sẽ có một bộ Skills thực sự phù hợp, không phải vì nó hoàn hảo ngay từ đầu, mà vì nó được mài giũa qua từng lần va chạm.

Đúng kiểu tư duy FILTER mình hay chia sẻ: lọc bỏ bớt, giữ lại cái cần thiết, tối ưu dần dần.

Đó là lý do mình luôn tận dụng những tri thức có sẵn nhưng vẫn luôn lọc, điều chỉnh phù hợp nhu cầu và hệ thống lưu trữ lại.

Quan trọng nhất vẫn là: PHÙ HỢP VỚI MÌNH Ở GIAI ĐOẠN HIỆN TẠI. Vẫn cứ thấy kết quả đúng ý, hiệu suất thay đổi tốt là cứ mần. Có điều kiện, năng lực thì trải nghiệm những gì người khác chia sẻ. Được thì dứt, không được thì lại chiến cái cũ hoặc lại mày mò tiếp.

Kệ nhỉ!

Bạn đang dùng Skills được chia sẻ hay tự xây dựng riêng?

Bạn có đang cần Skills gì để được chia sẻ luôn?

Góc chia sẻ từ Bửu Trung — Dân Lười, thích Tối ưu

"Người đi nhanh chưa chắc đi xa. Người đi đúng mới bền"

Bính Ngọ 2026 - năm con Ngựa Lửa. Ai cũng muốn phi nhanh, phi mạnh.

Nhưng dân Lười như mình lại nghĩ khác: phi đúng hướng, tiết kiệm sức, mà vẫn tới đích. Đó mới là tối ưu.

Và đây là 3 trụ cột mình đúc kết cho hành trình AI năm nay, cũng là điều mình chia sẻ với các anh em đồng môn trong những buổi thủ thỉ gần đây:

TRỤ 1: CHUYÊN MÔN SÂU - NỀN MÓNG KHÔNG AI NÀO THAY THẾ ĐƯỢC

Mình thấy rất nhiều bạn lao vào học AI mà quên mất một điều cốt lõi: AI là công cụ khuếch đại. Nó khuếch đại cái bạn đã có, chứ không tạo ra cái bạn chưa có.

Ví dụ thực tế từ mình: Mảng chăm sóc sức khoẻ, dược phẩm mình làm hơn chục năm. Khi dùng AI để tạo nội dung, tư vấn chiến lược, lên kế hoạch - kết quả ra khác hẳn so với người mới chạm lĩnh vực này. Không phải vì mình giỏi AI hơn, mà vì mình biết đâu là đúng, đâu là sai trong ngành của mình.

Chuyên môn sâu giúp bạn:

1. Một là, biết đặt câu hỏi đúng cho AI. Người không có chuyên môn hỏi "viết cho tôi bài về sản phẩm X". Người có chuyên môn biết hỏi "phân tích thành phần ABC tác động thế nào tới nhóm đối tượng Y trong bối cảnh Z, với giọng văn chuyên gia nhưng dễ hiểu".

2. Hai là, biết đánh giá kết quả AI trả về. AI có thể tự tin nói sai. Nếu bạn không có nền tảng, bạn sẽ dùng cái sai đó mà không hay.

3. Ba là, tạo ra giá trị mà AI đơn thuần không thể thay thế. Kinh nghiệm thực chiến, góc nhìn từ va chạm thực tế, cảm xúc trong từng quyết định - những thứ này máy chưa có được.

Và góc Bửu Trung: AI không thay thế chuyên gia. AI biến chuyên gia thành siêu chuyên gia. Nên trước khi chạy theo công cụ, hãy mài sắc cái nghề của mình trước đã.

TRỤ 2: HIỂU BIẾT AI CƠ BẢN - KHÔNG CẦN XOÁY MẠNH KỸ THUẬT, CHỈ CẦN HIỂU ĐỂ DÙNG ĐÚNG

Mình vẫn hay nói với anh em: bạn không cần hiểu cách động cơ ô tô hoạt động để lái xe giỏi. Nhưng bạn cần biết khi nào đổ xăng, khi nào thay nhớt, khi nào nên đi đường nào.

Với AI cũng vậy. Hiểu biết cơ bản ở đây không phải là biết lập trình hay hiểu thuật toán. Mà là:

1. Hiểu bản chất: AI tạo sinh hoạt động dựa trên dự đoán từ ngữ tiếp theo. Nó không "hiểu" như con người. Biết điều này giúp bạn đặt kỳ vọng đúng và sử dụng hiệu quả hơn.

2. Hiểu điểm mạnh và giới hạn: Mỗi công cụ AI có thế mạnh riêng. Mình dùng Gemini cho việc này, Claude cho việc kia, còn Google AI Studio cho nhu cầu khác. Không có cái nào "thần thánh" cân hết tất cả. Hoặc có những lúc lại chỉ dùng sổ và viết, bỏ qua AI :>

3. Hiểu cách giao tiếp: Từ "nghĩ sao nói vậy" tới có chủ đích với vai trò, ngữ cảnh, mong muốn. Sức mạnh của từ ngữ khi trao đổi với AI là điều mình luôn chia sẻ. Viết khác viết lại, tóm tắt khác phân tích - động từ, danh từ, tính từ hay các thuật ngữ chuyên môn bạn chọn định hướng cách AI xử lý.

4. Hiểu về dữ liệu cá nhân: Cái gì nên đưa vào AI, cái gì không. Bảo mật không phải chuyện đùa, nhất là câu chuyện của Biz.

Góc Bửu Trung: Bạn không cần biết tất cả. Chỉ cần biết đủ để dùng đúng, dùng hiệu quả, và không bị AI "dắt mũi". Kiểu dân Lười ấy - ít mà chất.

TRỤ 3: HỌC HỎI CHỦ ĐỘNG THEO NGUYÊN TẮC FILTER - FOCUS - FLOW

Đây là phần mình tâm đắc nhất, cũng là điều mình thực hành hàng ngày và chia sẻ liên tục với anh em.

Thời đại này thông tin quá nhiều. Công cụ AI mới ra mỗi ngày. Group nào cũng chia sẻ tới tấp. Nếu không có bộ lọc, bạn sẽ ngộp. Mà ngộp rồi thì nản, nản rồi thì bỏ.

Nguyên tắc của mình:

Bước một - FILTER (Lọc): Đây là tư duy mình thấm nhất và áp dụng nghiêm ngặt mỗi ngày. Lọc bỏ bớt, ưu tiên điều đơn giản và cần thiết. Mỗi tuần mình dành thời gian dọn bỏ kiến thức "cũ", đừng để bị ngộp bởi "rác". Có cái mở trang đăng ký xong thấy không phù hợp là thoát luôn. Không tiếc. Nhiều hay ít, quan trọng là phù hợp. Mà sự phù hợp cần phải có va chạm mới thấm được.

Bước hai - FOCUS (Tập trung): Sau khi lọc, tập trung vào cái cốt lõi. Bản thân mình hàng ngày cũng chỉ gắn bó với vài công cụ chính. Không chạy theo mọi xu hướng. Tập trung vào cái mình cần, cái phù hợp với nghề của mình, với mục tiêu của mình. Thà giỏi một vài cái còn hơn biết lơ mơ cả trăm cái.

Bước ba - FLOW (Dòng chảy): Khi đã lọc và tập trung xong, hãy để kiến thức chảy vào công việc thực tế. Học đi đôi với hành. Nghe ít, học chủ động, thực hành nhiều. Quan trọng nhất là phần thực hành từng trường hợp cụ thể để thấy được cái chưa đúng và điều chỉnh. Mình vẫn luôn nói: cứ mò mẫm liên tục trên con đường tối ưu.

Và góc Dân Lười: FILTER để không ngộp. FOCUS để không loãng. FLOW để không lý thuyết suông. Ba bước này tạo nên vòng lặp học hỏi bền vững, kiểu dân Lười nhưng vẫn đi xa.

TINH THẦN NGỰA LỬA BÍNH NGỌ - SỰ TƯƠNG QUAN

Nói tới Bính Ngọ, người Việt mình hay nhắc tới con ngựa với tinh thần phóng khoáng, mạnh mẽ, không ngại đường xa. Ngựa Lửa lại càng đặc biệt - nóng bỏng, quyết liệt, đầy năng lượng.

Nhìn lại 3 trụ cột mình chia sẻ, thấy sự cộng hưởng rõ ràng:

1. Chuyên môn sâu chính là đôi chân ngựa vững chắc. Ngựa không có chân khoẻ thì phi kiểu gì cũng ngã. Chuyên môn là nền tảng để bạn đứng vững trong thời đại AI thay đổi chóng mặt. Đôi chân đó được rèn luyện qua bao năm va chạm, không phải thứ có thể tạo ra qua đêm.

2. Hiểu biết AI cơ bản là yên cương và dây cương. Giúp bạn điều khiển sức mạnh của ngựa đúng hướng. Không có yên cương, sức mạnh trở thành hỗn loạn. Hiểu AI đủ để dùng đúng, không cần biết hết, nhưng cần biết cách "cầm cương" cho phù hợp.

3. FILTER - FOCUS - FLOW chính là con đường ngựa phi. Ngựa giỏi không phi bừa qua mọi cánh đồng. Ngựa giỏi chọn đường, giữ nhịp, và phi với dòng chảy tự nhiên nhất. FILTER là chọn đường. FOCUS là giữ nhịp. FLOW là phi tự nhiên, mượt mà, không gắng sức mà vẫn nhanh.

Và tinh thần Lửa trong Bính Ngọ - đó là ngọn lửa đam mê, sự nhiệt huyết không tắt. Nhưng lửa cần kiểm soát. Lửa cháy đúng chỗ sưởi ấm cả nhà. Lửa cháy bừa thiêu rụi tất cả. Tư duy FILTER chính là cách mình kiểm soát ngọn lửa đó.

ĐÔI DÒNG TÂM TRẠNG ĐẦU NĂM

Nhìn lại hành trình, từ những ngày đầu ngáo ngơ với AI, tới giờ đã có Biệt đội Tối ưu, có hệ thống Wiki rõ ràng, có quy trình ứng dụng chi tiết cho cá nhân và team hơn... mình thấy điều quan trọng nhất không phải là biết nhiều công cụ. Mà là biết mình cần gì, lọc đúng cái phù hợp, và kiên trì tối ưu mỗi ngày.

NĂM 2026, BỬU TRUNG GỬI LỜI CHÚC ĐẾN ĐỒNG LƯỜI:

1. Chân vững: Mài sắc chuyên môn, đừng bỏ nghề chạy theo công cụ.

2. Cương chắc: Hiểu AI đủ dùng, đừng để AI dùng mình.

3. Đường đúng: FILTER - FOCUS - FLOW. Lọc, tập trung, và để mọi thứ chảy tự nhiên vào công việc.

4. Lửa cháy đúng chỗ: Nhiệt huyết có, nhưng kiểm soát. Đừng ngộp, đừng nản, đừng bỏ giữa đường.

5. Phi đúng hướng, mọi thứ sẽ đến. Kiểu Lười mà hiệu quả ấy.

Bạn đang có định hướng gì cho năm Ngựa Lửa này? Liệu chúng ta có cơ hội chạm và kết nối cùng nhau. Chia sẻ cùng Trung nhé.

Bửu Trung - Dân Lười, thích Tối ưu

#buutrung #luoithichtoiuu #lazyAI #binhngo2026 #FilterFocusFlow

Share