Thử hình dung: cuối tuần, bạn giao AI agent làm báo cáo bán hàng. Trước đây tự lọc đơn, trừ hàng trả rồi viết nhận xét. Giờ tưởng giao xong là nhẹ việc, ai ngờ phải giải thích lại cách tính doanh thu, chỉ đúng file và kiểm từng chỗ agent hiểu sai. Cuối cùng còn lâu hơn tự làm.
Quay về cách cũ thì tiếc. Tiếp tục lại sợ mất công. Sự chậm này là tiền công học cách mới, hay dấu hiệu mình đang chọn sai cách?
Giao agent làm báo cáo: vướng ở đâu?
Agent dùng công cụ và điều chỉnh các bước theo kết quả nhận được [1]. Ở đây, nó được phép đọc bảng tính, chạy phép tính và tạo bản nháp.
Bạn giao: “Lập báo cáo bán hàng tuần, so với tuần trước, chỉ ra đại lý có doanh thu giảm.”
Agent đọc file đơn hàng và hàng trả, tính tổng rồi viết nhận xét. Nhưng bản nháp tính cả đơn chưa giao, tách tên viết tắt của đại lý thành khách khác, còn ghi “do nhu cầu yếu” dù chẳng có dữ liệu về nguyên nhân.
Trước đây, bạn tự xử lý những trường hợp ấy. Giờ phải nói rõ: chỉ tính đơn đã giao, trừ hàng trả theo quy ước, đối chiếu bằng mã đại lý. Tổng lệch thì tìm dòng gây lệch; chưa khớp thì báo lại, không tự kết luận nguyên nhân.
Phần việc phát sinh là biến kinh nghiệm trong đầu thành hướng dẫn người khác — hoặc agent — làm theo được.
Vì sao kết quả có thể thành hình chữ J?
Hãy hình dung trục ngang là thời gian học, trục đứng là lượng việc hoàn thành đạt yêu cầu trong cùng thời gian, so với cách cũ.
Đoạn đi xuống: vẫn phải làm xong báo cáo, nhưng bạn gánh thêm việc chuẩn bị dữ liệu, viết quy tắc và sửa kết quả. Lợi ích chưa bù được công học và thiết lập.
Đoạn hồi lên: hướng dẫn và cách kiểm tra được dùng lại. Bạn bớt phải giải thích từ đầu. Một thực nghiệm đo thời gian phản hồi khi chỉ bấm phím và khi vừa bấm vừa nghe–đếm; sau luyện tập, độ chênh giữa hai điều kiện giảm [2]. Điều này hỗ trợ ý thao tác quen bớt chiếm chú ý, chưa chứng minh đường cong J khi dùng AI.
Đoạn vượt mức cũ: chỉ xuất hiện nếu agent đọc, tính và đối chiếu đủ tốt để bạn chuyển sang kiểm ngoại lệ và quyết định. Lợi thế nằm ở công việc thực sự bớt đi.
Hiểu điều này để đừng kết án cách mới từ lượt đầu, cũng đừng lấy việc “đã quen hơn” làm bằng chứng nó đáng dùng. Chữ J không bảo đảm cứ chịu chậm sẽ được đền đáp.
Vì sao lỗi thực tế có thể khiến người nghe chú ý hơn?
Trong sách Motivational Design for Learning and Performance, John Keller phân biệt việc thu hút chú ý với việc giúp người học thấy nội dung liên quan đến nhu cầu của họ; đó là hai thành phần trong mô hình ARCS về động lực học tập [3].
Áp vào buổi hướng dẫn, một lỗi công ty từng gặp có thể vừa khơi câu hỏi “Vì sao lại sai?”, vừa cho thấy cách mới dùng để giải quyết việc gì. Đây là cách vận dụng khung ARCS, chưa phải kết luận rằng kể lỗi sẽ khiến mọi người tập trung.
Một nghiên cứu trên 59 lính cứu hỏa có kinh nghiệm so sánh việc học qua các sự cố có sai sót với phiên bản được xử lý không mắc lỗi; kết quả cung cấp một phần bằng chứng ủng hộ học từ lỗi của người khác khi đào tạo khả năng thích ứng [4]. Kết quả này chưa chứng minh người nghe luôn chú ý hơn hoặc học nhanh hơn.
Với ví dụ báo cáo ở trên, hãy đưa lỗi tính cả đơn chưa giao ra trước, giải thích nó khiến đánh giá bán hàng sai thế nào, rồi mới hướng dẫn cách giao agent kiểm tra. Người học được thấy lý do đổi cách làm trước khi phải bỏ công học nó.
Thử thế nào để biết nên đi tiếp?
Với báo cáo trên, hãy bắt đầu bằng dữ liệu của một kỳ đã chốt, có kết quả đúng để đối chiếu. Đây là gợi ý thực hành của người viết.
Giao việc có tiêu chuẩn: báo cáo cần những mục nào, doanh thu tính ra sao, thiếu dữ liệu thì xử lý thế nào.
Ghi lỗi cụ thể: nhầm đơn chưa giao, ghép sai đại lý, hay tự suy đoán nguyên nhân. Kiểm tra lỗi có giảm sau khi sửa hướng dẫn không.
Tính toàn bộ công sức: giao việc, chờ chạy, kiểm và sửa. Ghi riêng thời gian thiết lập ban đầu để xem có thể dùng lại bao nhiêu.
So cùng chất lượng: bản nháp nhanh nhưng số sai chưa phải báo cáo hoàn thành. Nếu đã sửa dữ liệu và hướng dẫn mà vẫn phải làm lại gần hết, hãy thu hẹp nhiệm vụ hoặc đổi cách.
Chỉ dùng dữ liệu được phép chia sẻ, thao tác trên bản sao và duyệt bản nháp trước khi gửi. Agent có thể tích lũy lỗi qua các bước, nên cần thử và kiểm tra kết quả [1].
Nhìn chữ J trong những việc quen thuộc
Các tình huống sau là minh họa, kèm dấu hiệu để bạn tự kiểm tra.
Học đàn — sửa cách đặt ngón đã quen. Bạn chơi piano, chọn ngón tiện đâu bấm đó nên hay vấp ở đoạn chuyển câu. Giáo viên sửa cách đi ngón, yêu cầu tách đoạn chuyển ra tập chậm rồi ghép lại. Ban đầu phải nhìn từng chỗ, cảm giác vụng hơn trước. Khi cách mới ổn định, đoạn chuyển có thể liền hơn. Hãy so số lần vấp ở cùng tốc độ; việc chủ động giảm tốc để sửa chưa chứng minh khả năng chơi đàn đã giảm.
Công việc — giao việc thay vì tự ôm. Bạn thường tự sửa đề xuất bán hàng cho nhanh. Khi giao đồng nghiệp làm, ban đầu mất thêm công viết yêu cầu, đưa mẫu và phản hồi. Nếu người nhận dần làm được phần việc ấy, bạn mới có thời gian dành cho khách hàng khó. Dấu hiệu tốt là ít phải sửa cùng một lỗi, vẫn đạt chất lượng; nếu vòng nào cũng viết lại hết, cần xem lại phạm vi giao và cách hướng dẫn.
Đời sống — sửa thói quen để đồ tùy tiện. Chìa khóa, ví và thẻ xe thường được đặt ở đâu tiện tay. Chuyển sang một chỗ cố định, ban đầu phải dọn chỗ và quay lại cất đúng. Khi nếp mới hình thành, bạn có thể bớt những lần tìm đồ lúc sắp ra khỏi nhà. Điều cần theo dõi là tổng công cất và tìm có giảm không; vị trí quá bất tiện thì nên đổi.
Trước một cách làm mới, hãy hỏi: mình đang trả công học điều gì, cách mới gỡ được hạn chế nào, và dấu hiệu nào cho biết nó đang có ích?
Câu hỏi thường gặp
Đường cong J có nghĩa là học cái mới luôn phải kém đi trước không?
Không. Đây là hình ảnh mô tả khả năng hiệu quả giảm lúc chuyển cách làm rồi tăng nếu phương pháp mới phù hợp. Có việc học tiến bộ ngay; có việc không vượt cách cũ. Chủ động chơi đàn chậm để sửa kỹ thuật cũng chưa có nghĩa khả năng chơi đã giảm.
Dùng AI agent thế nào để biết có thật sự tiết kiệm thời gian?
Thử trên một công việc đã có kết quả đúng để đối chiếu. Tính cả thời gian giao việc, chờ chạy, kiểm tra và sửa; ghi riêng công thiết lập có thể dùng lại. Chỉ coi là tiết kiệm khi kết quả đạt cùng tiêu chuẩn chất lượng với cách bạn tự làm.
Làm sao để nhân viên chú ý khi hướng dẫn cách làm mới?
Theo khung ARCS, cần thu hút chú ý và cho người học thấy nội dung liên quan đến nhu cầu của họ [3]. Có thể mở bằng một lỗi thực tế và hậu quả, rồi chỉ cách mới giải quyết nó. Đây là gợi ý ứng dụng, không bảo đảm mọi người sẽ tập trung.
Tài liệu tham khảo
[1] Anthropic. Building effective agents. Hướng dẫn kỹ thuật, công bố ngày 19/12/2024. Trang gốc. Dùng để mô tả agent dùng công cụ, phản hồi từ môi trường và nhu cầu đánh giá kết quả; không phải nghiên cứu chứng minh năng suất tăng hay đường cong J. Nguồn do nhà cung cấp AI công bố, có lợi ích thương mại liên quan.
[2] Poldrack RA, Sabb FW, Foerde K, Tom SM, Asarnow RF, Bookheimer SY, Knowlton BJ. The Neural Correlates of Motor Skill Automaticity. Journal of Neuroscience. 2005;25(22):5356–5364. DOI: 10.1523/JNEUROSCI.3880-04.2005. Nguồn gốc tại PMC. Thực nghiệm trước–sau luyện tập, so sánh bấm phím đơn nhiệm với làm thêm nhiệm vụ nghe–đếm, kết hợp fMRI. Dùng để giải thích sự giảm cản trở giữa các nhiệm vụ sau luyện tập; không kiểm nghiệm các tình huống minh họa trong bài. Nguồn tài trợ và công bố xung đột lợi ích chưa được xác minh lại trong lần biên tập này.
[3] Keller JM. Motivational Design for Learning and Performance: The ARCS Model Approach. Springer, 2010. DOI: 10.1007/978-1-4419-1250-3. Trang sách tại nhà xuất bản; các chương Generating and Sustaining Attention và Establishing and Supporting Relevance. Đây là sách/khung thiết kế động lực học tập, không phải thử nghiệm kể lỗi công ty. Mới đối chiếu giới thiệu, mục lục và abstract chương, chưa đọc toàn bộ sách; chưa xác minh tài trợ và công bố lợi ích liên quan.
[4] Joung W, Hesketh B, Neal A. Using “War Stories” to Train for Adaptive Performance: Is it Better to Learn from Error or Success? Applied Psychology. 2006;55(2):282–302. DOI: 10.1111/j.1464-0597.2006.00244.x. Abstract và thư mục tại Macquarie University. Nghiên cứu đào tạo so sánh hai nhóm, 59 lính cứu hỏa có kinh nghiệm; dùng sự cố dựa trên sự kiện thật, với phiên bản có lỗi và phiên bản không lỗi. Abstract kết luận có một phần bằng chứng ủng hộ học từ lỗi của người khác đối với khả năng thích ứng; không đủ để kết luận riêng về chú ý hoặc tốc độ học. Chưa đọc toàn văn, chưa xác minh cách phân nhóm; trang nhà xuất bản ghi tài trợ Australian Research Council, chưa kiểm đầy đủ công bố xung đột lợi ích.
Cập nhật ngày 24/10/2026.