Một chatbot hôm nay thường bắt đầu lại từ đầu ở mỗi cuộc trò chuyện.

Nó có thể trả lời rất hay, nhưng không biết dự án của tôi đã đi đến đâu, khách hàng nào vừa gặp vấn đề, quyết định nào đội ngũ đã bỏ qua, hay vì sao một cách làm nghe có vẻ hợp lý lại từng thất bại.

Đó là lý do hình ảnh “đồng nghiệp AI” hấp dẫn hơn hình ảnh “chatbot”. Đồng nghiệp không chỉ trả lời câu hỏi. Đồng nghiệp cùng sống trong bối cảnh công việc, học dần cách ta làm việc và biết lúc nào cần giúp.

Nhưng nếu AI thực sự học từ cách con người sử dụng nó ở mức độ này, điều thay đổi không chỉ là model.

Thứ thay đổi còn là cả harness xung quanh model: trí nhớ, các công cụ nó được dùng, quyền hạn nó có, quy trình nó được phép chạy, cách nó được đánh giá, và những ranh giới buộc nó phải dừng lại để hỏi con người.

Khi model và harness cùng tiến hóa từ dữ liệu sử dụng, chúng ta đang tạo ra thứ gần với một hệ thần kinh của tổ chức hơn là một ứng dụng đơn lẻ.

Điều đó có thể rất có ích. Và cũng cần được suy nghĩ rất kỹ.

Harness là gì?

Một model ngôn ngữ, dù mạnh đến đâu, vẫn chỉ là phần có thể đọc, suy luận và tạo ra câu trả lời.

Để trở thành đồng nghiệp AI, nó cần nhiều lớp khác xung quanh:

  • Trí nhớ về dự án, khách hàng và các quyết định cũ.
  • Quyền đọc tài liệu, lịch, CRM, codebase hoặc dữ liệu nội bộ.
  • Công cụ để tìm kiếm, viết nháp, tạo ticket, chạy test hay cập nhật hệ thống.
  • Quy tắc về việc nào được tự làm, việc nào phải xin phép.
  • Cách đánh giá một câu trả lời hoặc một hành động là tốt hay không.
  • Cơ chế để con người sửa, phản biện và thu hồi một quyết định.

Tất cả những thứ đó là harness.

Nếu model là bộ não, harness là trí nhớ, tay chân, thói quen, quy trình và các quy tắc sống cùng người khác.

Một AI có model rất giỏi nhưng không có harness tốt giống một người thông minh mới đến công ty: nói chuyện hay, nhưng chưa biết tài liệu ở đâu, ai có quyền quyết định và cách mọi người thật sự làm việc.

Dữ liệu sử dụng không chỉ là câu hỏi và câu trả lời

Khi ta dùng AI như một đồng nghiệp, dữ liệu sinh ra nhiều hơn một prompt và một câu trả lời.

Nó có thể gồm:

  • Những bối cảnh ta cung cấp để AI hiểu công việc.
  • Những câu trả lời ta chấp nhận, sửa lại hoặc bỏ đi.
  • Các lần ta bảo AI tìm thêm bằng chứng.
  • Thứ tự các bước trong một quy trình thành công.
  • Những lúc AI đề xuất sai và lý do nó sai.
  • Những việc ta cho phép AI tự làm, và những việc ta luôn giữ lại.

Đây là loại dữ liệu rất quý. Nó không chỉ nói con người muốn gì. Nó nói con người thực sự làm việc thế nào.

Một AI thấy người Sales luôn sửa phần mở đầu của email, rồi giữ nguyên phần phân tích nhu cầu, có thể học được rằng giọng mở đầu cần cá nhân hơn. Một AI thấy kỹ sư luôn yêu cầu chạy thêm test trước khi sửa một khu vực nhất định, có thể học được đó là vùng rủi ro cao. Một AI thấy Marketer bỏ qua những bài viết có nhiều lượt click nhưng ít chuyển đổi, có thể học được chỉ số nào công ty thật sự quan tâm.

Khi ấy, AI không chỉ biết kiến thức chung của thế giới. Nó bắt đầu biết “cách chúng ta làm việc ở đây”.

Lợi ích: quá trình onboarding có thể không bao giờ phải bắt đầu lại

Một người mới vào công ty thường mất nhiều thời gian để hiểu ngữ cảnh.

Họ phải hỏi: sản phẩm này được xây cho ai? Vì sao chúng ta chọn cách này? Khách hàng nào cần cẩn thận? Chỉ số nào là thật, chỉ số nào chỉ đẹp trong báo cáo? Ai là người nên được hỏi trước khi đổi một điều quan trọng?

Nếu harness học được từ công việc thực tế, AI có thể trở thành một lớp trí nhớ tổ chức dễ tiếp cận hơn nhiều.

Nhân viên mới không chỉ được nhận một thư mục tài liệu cũ. Họ có thể hỏi: “Hãy giải thích vì sao đội ngũ quyết định không làm tính năng này, và cho tôi xem các bằng chứng khi đó.” Hoặc: “Những lỗi nào từng lặp lại ở luồng thanh toán, và chúng ta thường kiểm tra chúng ra sao?”

Điều này giúp tri thức không bị mất đi khi người giỏi chuyển nhóm hoặc rời công ty. Nó cũng giảm việc phải kể lại cùng một câu chuyện hàng trăm lần.

Ở mức cá nhân, một đồng nghiệp AI có thể học sở thích làm việc của tôi: tôi thích bản tóm tắt ngắn hay dài, cần nguồn đến mức nào, loại quyết định nào tôi muốn tự kiểm tra, và thời điểm nào không nên làm phiền.

Nếu làm đúng, AI sẽ không chỉ nhanh hơn. Nó sẽ ít làm ta mệt hơn.

Lợi ích: các quy trình tốt có thể lan truyền nhanh hơn

Trong một công ty, điều tốt thường lan chậm hơn điều xấu.

Một người có cách làm rất hay nhưng nó chỉ nằm trong đầu họ. Một nhóm có checklist giúp tránh lỗi nhưng nhóm khác không biết. Một Sales hiểu cách chuẩn bị cho khách hàng doanh nghiệp nhưng kinh nghiệm đó không được ghi lại đủ rõ để người mới học theo.

Harness có thể biến những thực hành tốt thành một phần mặc định của cách làm việc.

Khi chuẩn bị một proposal, AI nhắc những câu hỏi một đội Sales giỏi luôn hỏi. Khi viết một thay đổi kỹ thuật, AI đưa ra checklist đã được đúc kết từ các sự cố cũ. Khi chuẩn bị chiến dịch, AI yêu cầu làm rõ nhóm khách hàng, lời hứa và chỉ số thành công trước khi tạo hàng loạt nội dung.

Điều này không có nghĩa AI thay người có kinh nghiệm. Nó giúp kinh nghiệm có cơ hội đến được với nhiều người hơn, đúng lúc hơn.

Lợi ích: AI có thể học sự thận trọng, không chỉ học tốc độ

Ta thường nói về AI như một cách làm việc nhanh hơn. Nhưng dữ liệu sử dụng tốt cũng có thể dạy AI cách chậm lại.

Nếu AI học được rằng đội ngũ luôn kiểm tra nguồn trước khi đưa kết luận ra ngoài, luôn xin phê duyệt trước khi thay đổi dữ liệu khách hàng, hoặc luôn gọi chuyên gia khi gặp vấn đề pháp lý, nó có thể trở thành người bảo vệ quy trình chứ không chỉ là máy gia tốc.

Đây là một hướng phát triển đáng mong muốn: AI không chỉ học “làm sao để hoàn thành task”, mà học “khi nào không nên hoàn thành task một mình”.

Đồng nghiệp tốt không phải người luôn có câu trả lời. Đó là người biết giới hạn của mình.

Rủi ro: dữ liệu công việc có thể biến thành dữ liệu về con người

Ranh giới giữa dữ liệu giúp AI hiểu công việc và dữ liệu về chính người lao động rất mỏng.

AI cần biết các chỉnh sửa để học phong cách làm việc. Nhưng các chỉnh sửa ấy cũng có thể nói về điểm yếu, sự do dự, áp lực hay cách một người suy nghĩ. AI cần đọc lịch và cuộc họp để hỗ trợ. Nhưng lịch và cuộc họp cũng cho thấy ai nói với ai, ai bị loại khỏi một quyết định, ai thường làm việc muộn.

Khi dữ liệu này được dùng để giúp ta làm việc tốt hơn, nó có thể hữu ích. Khi nó được dùng để xếp hạng, giám sát hoặc suy đoán về con người mà họ không biết, nó trở thành một vấn đề khác hoàn toàn.

Điều quan trọng không chỉ là “công ty có dữ liệu hay không”. Mà là:

  • Dữ liệu nào được thu thập?
  • Nó được dùng để cải thiện AI hay để đánh giá nhân viên?
  • Ai có thể xem nó?
  • Nó được giữ trong bao lâu?
  • Người lao động có thể xem, sửa hoặc phản đối cách dữ liệu về mình được diễn giải không?

Không có câu trả lời rõ ràng cho những câu này, một đồng nghiệp AI rất dễ trở thành một lớp giám sát vô hình.

Rủi ro: AI có thể học cả định kiến và thói quen xấu

Hệ thống học từ hành vi thực tế không chỉ học điều tốt.

Nếu một công ty thường ưu tiên những người nói to nhất trong cuộc họp, AI có thể học cách đưa thông tin của họ lên trước. Nếu một quy trình từng thành công trong quá khứ nhưng đã lỗi thời, AI có thể tiếp tục củng cố nó. Nếu đội ngũ có một thiên kiến mà không ai gọi tên, AI có thể biến thiên kiến đó thành “cách làm chuẩn”.

Đây là rủi ro của mọi tri thức tổ chức: quá khứ giúp ta đi nhanh, nhưng cũng có thể giữ ta ở lại quá khứ.

Vì vậy, harness không thể chỉ học một chiều từ những gì con người đã làm. Nó cần được thiết kế để còn hỏi lại: dữ liệu này có đủ đại diện không? Kết quả này có thật sự tốt không? Điều gì đang không được đo? Ai bị thiệt nếu ta luôn làm theo cách này?

Một AI chỉ biết lặp lại lịch sử có thể trở thành cỗ máy bảo thủ rất hiệu quả.

Rủi ro: sự tiện lợi có thể dẫn đến sự phụ thuộc và bị khóa chặt

Một đồng nghiệp AI càng hiểu tôi, tôi càng khó muốn rời nó.

Nó biết dự án của tôi, cách tôi ra quyết định, các mẫu tài liệu, những mối quan hệ khách hàng, và vô số chi tiết nhỏ mà tôi không muốn phải dạy lại từ đầu. Sự tiện lợi đó là giá trị thật.

Nhưng nó cũng có thể tạo ra một dạng lock-in mới.

Nếu tôi đổi công ty, đổi công cụ, hoặc muốn chuyển sang một nhà cung cấp AI khác, liệu tôi có mang được trí nhớ làm việc của mình đi không? Tôi có thể xuất lịch sử, quy tắc, mẫu workflow và các đánh giá đã tích lũy không? Hay toàn bộ “đồng nghiệp” mà tôi đã đào tạo sẽ ở lại trong một nền tảng không thể rời đi?

Với doanh nghiệp, câu hỏi này còn lớn hơn. Khi tri thức vận hành được tích lũy trong một harness đóng, việc đổi công cụ có thể trở nên đắt đỏ và rủi ro hơn rất nhiều.

Tính di chuyển của dữ liệu và quy trình có lẽ sẽ quan trọng không kém tính năng thông minh của AI.

Rủi ro: ai có quyền quyết định AI sẽ học điều gì?

Một hệ thống AI ở công ty không trung lập chỉ vì nó “học từ dữ liệu”.

Vẫn có người quyết định dữ liệu nào được đưa vào. Có người quyết định chỉ số nào là tốt. Có người quyết định hành vi nào được thưởng, hành vi nào bị coi là sai. Có người quyết định AI được quyền gợi ý, tự động làm hay chỉ báo cáo.

Những quyết định đó là quyết định về quyền lực, không chỉ là quyết định kỹ thuật.

Ví dụ, nếu AI được tối ưu để giảm thời gian phản hồi, nó có thể tạo áp lực trả lời nhanh. Nếu nó được tối ưu để giảm chi phí hỗ trợ, nó có thể làm khách hàng khó gặp được con người. Nếu nó được tối ưu để tăng số task hoàn thành, nó có thể khiến các công việc khó nhưng quan trọng bị bỏ rơi.

Vì vậy, câu hỏi quan trọng không phải chỉ là: “AI của chúng ta học được gì?”

Mà còn là: “Ai quyết định mục tiêu mà nó đang học để phục vụ?”

Rủi ro: một phản hồi sai có thể được nhân bản rất nhanh

Khi một người hiểu sai, phạm vi sai lầm thường giới hạn bởi thời gian và số việc họ có thể làm.

Khi một harness hiểu sai, nó có thể đưa cùng một lời khuyên sai cho cả đội, tự động hóa cùng một bước sai hàng nghìn lần, hoặc đẩy một thiên kiến vào mọi quyết định nhỏ mà không ai nhận ra ngay.

Sức mạnh của AI là khả năng nhân rộng. Đó cũng là điểm làm một sai lầm hệ thống nguy hiểm hơn.

Do đó, một harness tốt cần có những điều rất “không hào nhoáng”: log rõ ràng, quyền xem lại, môi trường thử nghiệm, khả năng rollback, giới hạn quyền hạn và các điểm yêu cầu con người phê duyệt.

Chúng ta không nên chỉ hỏi AI đã giúp được bao nhiêu task. Chúng ta cũng cần biết: nếu nó sai, chúng ta phát hiện nhanh đến đâu, ai có thể dừng nó, và có thể quay lại trạng thái cũ không?

Điều quan trọng tiếp theo: quyền được hiểu và quyền được can thiệp

Khi AI còn là một công cụ trả lời theo lượt, ta chỉ cần kiểm tra câu trả lời trước mắt.

Khi AI trở thành đồng nghiệp có trí nhớ và quyền hành động, ta cần nhiều hơn thế. Ta cần biết nó biết gì về mình, nó học từ đâu, nó đang được tối ưu cho điều gì, và nó được phép làm đến đâu.

Tôi nghĩ có vài nguyên tắc sẽ ngày càng quan trọng:

  • Ranh giới dữ liệu rõ ràng: dữ liệu nào phục vụ công việc, dữ liệu nào không nên dùng để học hoặc đánh giá con người.
  • Sự đồng ý có ý nghĩa: không chỉ một ô checkbox, mà là khả năng hiểu và chọn phạm vi dữ liệu được dùng.
  • Tính có thể kiểm tra: khi AI đưa ra đề xuất hoặc hành động, con người phải lần được ngữ cảnh, nguồn và quy tắc liên quan.
  • Quyền can thiệp: người bị ảnh hưởng cần có cách sửa, dừng, phản đối hoặc yêu cầu con người xem xét lại.
  • Tính di chuyển: cá nhân và tổ chức cần có khả năng mang tri thức, quy trình và dữ liệu hợp pháp của mình sang công cụ khác.
  • Không gian để bất đồng: AI không nên biến “cách chúng ta từng làm” thành mệnh lệnh không thể tranh luận.

Đây không phải là những chi tiết chỉ dành cho đội kỹ thuật hay pháp lý. Chúng sẽ định hình cảm giác được tôn trọng, được tin cậy và được làm chủ của mỗi người trong công việc hằng ngày.

Đồng nghiệp AI tốt sẽ giúp ta trưởng thành hơn

Phiên bản tốt nhất của đồng nghiệp AI không phải là một hệ thống biết mọi thứ về ta và âm thầm quyết định thay ta.

Nó là một hệ thống giúp ta nhớ tốt hơn, học nhanh hơn, chia sẻ tri thức rộng hơn, và nhìn rõ hơn những điểm mù của mình — trong khi vẫn để con người giữ quyền đặt mục tiêu, chất vấn kết quả và thay đổi cách làm.

Khi AI học từ cách ta làm việc, câu hỏi không còn chỉ là nó sẽ thông minh đến đâu. Câu hỏi là: nó sẽ giúp ta trở thành kiểu tổ chức nào, và ai được quyền trả lời câu hỏi đó.