Việc nào nên giao cho AI? Ma trận rủi ro và độ mơ hồ

Sáng thứ Hai, danh sách việc của tuần có 20 dòng. Dòng nào đưa thẳng cho AI, dòng nào nhờ AI nháp rồi tự duyệt, dòng nào không đụng vào? Tôi thử trả lời qua một ví dụ giả định: chị Lan, quản lý vận hành của Chuyến Mẫu, công ty giao hàng 15 xe tải ở Cần Thơ. Công ty, chị Lan và mọi con số đều do tôi bịa.

Khung chị dùng là Ma trận giao việc cho AI trong thư viện của site. Hai trục có nguồn, còn bốn ô thì không nguồn nào đề xuất.

Việc nào nên giao cho AI, và hai trục nào quyết định?

Mỗi việc cần hai câu trả lời: nếu AI làm sai thì thiệt hại bao nhiêu, và yêu cầu đã rõ hay còn mơ hồ. Hai câu trả lời xếp việc vào một trong bốn ô.

Trục rủi ro mượn từ Parasuraman, Sheridan và Wickens (2000), một bài viết cho người thiết kế hệ thống tự động hoá như kiểm soát không lưu. Họ định nghĩa rủi ro của một quyết định là chi phí sai nhân xác suất sai, và viết rằng quyết định ít rủi ro là ứng viên mạnh cho tự động hoá mức cao (Parasuraman et al., 2000, p. 292). Tôi chỉ mượn ý đó.

Từ "mơ hồ" là của site, không phải của bài nào. Điều bài báo có là hình ảnh ranh giới năng lực lởm chởm. Dell'Acqua và cộng sự thử với 758 nhân viên tư vấn của Boston Consulting Group vào mùa xuân 2023; một nhóm không có AI, hai nhóm dùng GPT-4. Ở 18 việc nằm trong tầm AI, nhóm dùng AI hoàn thành nhiều hơn 12,2% số việc, xong nhanh hơn 25,1%, và chất lượng do người chấm cao hơn trên 40%. Ở một việc dựng để nằm ngoài tầm, tỷ lệ làm đúng của nhóm dùng AI thấp hơn nhóm không dùng 19 điểm phần trăm (Dell'Acqua et al., 2023). Việc trông khó ngang nhau có thể rơi vào hai phía ranh giới, và người trong nghề cũng khó thấy ranh giới nằm đâu.

Vì vậy mơ hồ khó dự đoán AI có làm hỏng hay không: các việc trong tầm AI của thí nghiệm khá mở, như đề xuất ít nhất 10 ý tưởng giày mới hay soạn thông cáo báo chí (Dell'Acqua et al., 2023). Trục này cho biết người phải gánh bao nhiêu phần phán đoán: việc rõ thì đối chiếu được, việc mơ hồ thì không có đáp án sẵn.

Chấm điểm 20 việc của một tuần như thế nào?

Viết hết 20 việc ra, chấm mỗi việc hai số từ 1 đến 5, và lấy mốc 3 làm ranh giới: từ 3 trở lên là cao. Thang và mốc này do tôi đặt, không nguồn nào quy định. Rủi ro 1 là sai thì sửa trong vài phút, 5 là mất khách lớn hoặc vi phạm hợp đồng. Mơ hồ 1 là viết ra được thế nào là đúng và kiểm trong năm phút, 5 là nhiều đáp án chấp nhận được.

Dưới đây là 8 trong 20 việc tuần này của chị Lan, mọi điểm đều giả định.

Cả 20 việc, chị đếm được 7 việc ở ô "AI làm hết", 6 ở ô nháp, 4 ở ô "người làm, AI phản biện", 3 ở ô chỉ người làm. Việc 3 đi ngược trực giác: mơ hồ 5 không có nghĩa AI kém, vì các việc sáng tạo của thí nghiệm 2023 nằm trong tầm GPT-4 (Dell'Acqua et al., 2023).

Làm sao thử một lần trước khi tin một ô?

Lấy một ca cũ đã có đáp án, giao cho AI đúng như bạn giao cho người, rồi đối chiếu. Kết quả thử thắng ô trong ma trận. Bốn bước:

1. Chọn một ca đã xong mà bạn tin đáp án.
2. Đưa AI cùng thông tin người làm việc đó có. Gói ngữ cảnh năm thành phần liệt kê năm phần nên chuẩn bị sẵn.
3. Đối chiếu từng con số và từng kết luận.
4. Khớp thì giữ ô. Sai kiểu lướt qua không thấy thì nhích ô về phía người. Sai kiểu nhìn là biết thì giữ ô và thêm bước duyệt.

Lý do phải thử: ranh giới không hiện ra từ độ khó bề ngoài, và trong thí nghiệm, người làm kém đi khi dùng AI thường nhận kết quả của nó mà ít chất vấn (Dell'Acqua et al., 2023). Một lần thử chưa phải bằng chứng; với ô liên quan đến tiền, tôi đề nghị thử ba ca.

Việc 8 của chị Lan cho thấy vì sao. Chị chấm rủi ro 2, mơ hồ 1: bảng số rõ, mười lăm phút là xong. Chị giao cho AI bảng tuần trước, vốn đã có đáp án. Giả sử AI chọn tuyến có số đơn trả nhiều nhất. Nhưng một dòng ghi chú của điều phối viên cho biết 40 đơn trả ở tuyến đó đến từ một khách thu hồi cả lô hàng lỗi, không phải xu hướng. Số liệu khớp nên lướt qua sẽ không thấy lỗi. Chị chuyển việc sang ô "AI nháp, người duyệt" và ghi vào sổ: duyệt cả cột ghi chú.

Phần kết quả là bịa; chỉ hình dạng bài toán là mượn. Việc ngoài tầm trong thí nghiệm 2023 dựng từ một bảng tính và các cuộc phỏng vấn, với chi tiết trong phỏng vấn làm đổi kết luận: nhóm không dùng AI đúng 84,5%, hai nhóm dùng AI đúng 60% và 70% (Dell'Acqua et al., 2023). Bài báo không nói AI hôm nay sẽ làm gì với bảng của chị.

Khi nào chỉ cần ba câu hỏi nhanh?

Khi không có thời gian chấm cả danh sách, hỏi ba câu trước mỗi việc mới. Đây là Phán đoán tối thiểu trước khi giao việc, cách gom của site từ ba khung chi tiết hơn; "phán đoán tối thiểu" là nhãn của site.

1. Có đáng giao không? Anthropic (2024) nói các hệ thống agent thường đổi thời gian chờ và chi phí lấy chất lượng, nên cần cân nhắc khi nào đáng (Anthropic, 2024). Tôi chuyển sang người giao việc: soạn yêu cầu và kiểm kết quả tốn bao lâu so với tự làm?
2. AI cần biết gì? Anthropic (2025) khuyên tìm tập thông tin tối thiểu mà vẫn mô tả đủ hành vi mong muốn; tối thiểu không nhất thiết là ngắn (Anthropic, 2025). Xem Gói ngữ cảnh năm thành phần.
3. Sai thì thiệt hại gì? Chi phí của hậu quả là một tiêu chí chọn mức tự động hoá (Parasuraman et al., 2000, p. 292). Xem Thang kiểm chứng năm bậc và bài thang kiểm chứng năm nấc.

Ví dụ giả định: chị Lan tóm tắt hợp đồng thuê kho 40 trang cho giám đốc trước khi gia hạn. Đáng giao, vì đọc cả bản mất hai giờ. AI cần biết quyết định là gia hạn hay không, và phải soi phạt chấm dứt sớm. Nếu bản tóm tắt bỏ sót điều khoản phạt, công ty gia hạn với giá sai, nên chị tự đọc các điều khoản mà nó dẫn ra. Với việc có hệ quả lớn, ba câu không thay được ma trận và thang kiểm chứng.

Đào sâu: các nguồn cho thấy gì, và không cho thấy gì?

Dell'Acqua và cộng sự (2023) là working paper của Harvard Business School ngày 22/9/2023. Nghiên cứu có đăng ký trước. Họ dùng phiên bản GPT-4 có cuối tháng 4/2023, chia ngẫu nhiên vào ba nhóm: không AI, GPT-4, GPT-4 kèm hướng dẫn viết prompt. Thí nghiệm trong tầm AI có 385 người, thí nghiệm ngoài tầm có 373 người (Dell'Acqua et al., 2023). Giới hạn tôi rút ra từ chính văn bản:

• Một công ty, một mô hình, một thời điểm, nhóm kỹ năng rất cao ("giỏi hơn" chỉ là tương đối, như các tác giả ghi). Tôi không có số liệu về mô hình hiện nay.
• Việc ngoài tầm chỉ có một, do nhóm tác giả dựng để GPT-4 mắc lỗi. Họ viết rằng khá khó thiết kế việc ngoài tầm mà người giỏi vẫn luôn hơn AI. Bài không cho biết loại việc đó phổ biến cỡ nào ngoài đời.
• Mức "hơn 40%" là điểm do người chấm. Điểm do GPT-4 chấm cho mức tăng nhỏ hơn, khoảng 17% đến 19%, và các tác giả ghi GPT-4 chấm dễ tay hơn.
• Bài không đo thiệt hại bằng tiền, nên trục rủi ro không đến từ bài này.
• Bản tôi đọc là working paper tự nhận là bản nháp. Một số tác giả làm ở BCG, theo lời khai trong bài.

Parasuraman, Sheridan và Wickens (2000) đề ra mô hình bốn loại tự động hoá, mỗi loại có nhiều mức, trước khi có AI tạo sinh. Họ nói mô hình không quy định cái gì nên tự động hoá (Parasuraman et al., 2000, p. 286), là mô hình định tính, và chưa bàn cách cân các tiêu chí với nhau (Parasuraman et al., 2000, p. 294). Hai bài của Anthropic là hướng dẫn của một nhà phát triển mô hình cho người xây agent; tôi dùng mỗi bài một câu. Ma trận bốn ô và bộ ba câu hỏi là cách gom của site, không nguồn nào đề xuất.

Tôi đọc phần thân working paper của Dell'Acqua và cộng sự từ bản PDF ở MIT Sloan. Tôi chỉ đọc chú thích của các hình, chưa đọc kỹ các bảng sau Bảng 1 và các phụ lục, và chưa đọc bản nào đăng sau đó. Bài Parasuraman và cộng sự tôi đọc phần tóm tắt, mô hình, tiêu chí đánh giá (tr. 290–293) và phần giới hạn (tr. 294); phần còn lại chỉ lướt. Hai bài Anthropic tôi đọc đủ, ở dạng trang web hiện hành.