Hai bản tin trong cùng một tuần
Ngày 9/10, Anthropic công bố kết quả một đợt rà soát nội bộ kéo dài từ tháng 7. Trong lúc chạy các bài đánh giá, agent của hãng đã tìm cách khai thác lỗ hổng trên nhiều website để hoàn thành nhiệm vụ được giao. Hãng thừa nhận đã không biết phần mềm của mình đang làm gì vào lúc nó làm. Lý do được đưa ra là môi trường huấn luyện có lỗi, khiến model học được rằng lách luật thì được thưởng. Cách xử lý: ngắt internet thật khỏi toàn bộ đánh giá nội bộ, đưa agent về hạ tầng quản lý tập trung, tăng giám sát.
Ba ngày sau, báo chí công nghệ dẫn một báo cáo mới của Gartner. Dự báo của họ: đến năm 2030, cứ 10 tổ chức thì 3 sẽ phát hiện ít nhất một vị trí cốt lõi mà nhân viên đã mất dần khả năng tự phán đoán vì dùng AI. Trong 533 CIO và lãnh đạo IT cấp cao được hỏi, chỉ 40% nói họ có kế hoạch để ngăn chuyện này. Câu kết luận của Gartner đáng đọc lại hai lần: trong thời AI, kết quả công việc tốt không còn chứng minh được là người làm có năng lực.
Tôi đặt hai bản tin này cạnh nhau vì chúng nói về cùng một chỗ hổng. Người làm ra agent không nhìn thấy agent của mình đang làm gì. Người dùng agent thì ngày càng khó nhận ra khi nó làm sai. Kiểm soát bằng máy và kiểm soát bằng người đang yếu đi cùng lúc.
Ai đang kiểm tra người kiểm tra?
Mọi khung governance cho agent, kể cả bậc thang năm bậc tôi viết trong bài trước, đều dựa vào một giả định: ở một bước nào đó có một người đủ hiểu việc để duyệt, để kiểm tra, hoặc để dừng lại. Và doanh nghiệp đang dựa vào người đó nhiều hơn.
Khảo sát tháng 8/2026 của VentureBeat Intelligence với 140 tổ chức cho thấy điều này khá rõ. Tỷ lệ doanh nghiệp cho phép agent đưa thay đổi lên production chỉ dựa trên đánh giá tự động, hoặc đang xây để cho phép, giảm từ 75% xuống 56% trong một tháng; tỷ lệ nói sẽ giữ con người review tăng từ 20% lên 42%. Lý do đứng đầu: kết quả eval không khớp với thực tế, và 61% tổ chức có eval trước khi triển khai vẫn gặp ít nhất một sự cố trước mặt khách hàng trong 12 tháng. Một khảo sát khác do Optro công bố cùng tuần (417 lãnh đạo audit, risk, compliance và an ninh; đây là nghiên cứu của vendor) cho con số 34% đã từng hành động theo một kết quả sai của agent, và 46% thấy nhân viên tốn nhiều thời gian hơn để review và sửa output của AI.
Nói cách khác, khi máy chưa đủ tin, tổ chức đẩy quyết định về cho người, trong khi lượng việc người đó phải kiểm tra ngày một nhiều. Câu hỏi tôi chưa thấy khung governance nào đặt ra: người đó còn đủ sức phát hiện lỗi không? Ba nhóm dữ liệu cho thấy câu trả lời không hiển nhiên là có.
Thứ nhất, càng tin AI thì càng ít kiểm tra. Nghiên cứu của Microsoft Research và Carnegie Mellon (2025) hỏi 319 lao động tri thức về 936 lần họ dùng GenAI trong công việc thật: người càng tin vào AI thì càng ít tư duy phản biện, và thói quen bỏ qua kiểm tra ở việc nhỏ được mang nguyên sang việc lớn.
Thứ hai, khâu review đang quá tải đúng ở chỗ cần người giỏi nhất. Faros AI đo telemetry của hơn 10.000 kỹ sư: nhóm dùng AI nhiều merge số pull request gần gấp đôi, nhưng thời gian review mỗi PR tăng 91%, kích cỡ PR tăng 154%, số lỗi mỗi kỹ sư tăng 9%.
Thứ ba, chỗ để người ta học nghề đang bị cắt. Gartner khảo sát 1.303 lãnh đạo cấp cao đầu năm 2026: 18% lãnh đạo marketing đã bỏ một số vị trí vì tự động hóa, và Gartner cảnh báo rủi ro lớn nhất là tưởng rằng AI làm được việc cấp đầu vào thì không cần người cấp đầu vào nữa. Đó là nơi người ta học cách cân nhắc được mất và hiểu ngữ cảnh kinh doanh. Bỏ nó đi, vài năm sau không còn ai ở cấp trên biết “đúng” trông như thế nào.
Đây là phân tích của tôi, không phải số liệu: các khung governance hiện nay coi “người trong vòng lặp” là một hằng số. Dữ liệu trên cho thấy đó là một đại lượng giảm dần, nhanh hay chậm tùy mức độ tổ chức dùng AI, và không báo cáo quản trị nào theo dõi nó.
Điều tôi muốn nói
Human-in-the-loop chỉ có giá trị khi người trong vòng lặp còn biết nghề. Khả năng đó mất dần theo chính mức độ dùng AI, nên doanh nghiệp phải quản lý nó như quản lý một quỹ dự phòng: có định mức, có kiểm tra định kỳ, có bổ sung. Không thể mặc định là nó luôn có sẵn.
Năng lực phán đoán mất đi như thế nào
Phần này là phân tích cơ chế. Theo tôi có ba vòng lặp tự củng cố.
Vòng thứ nhất là lòng tin. AI đưa kết quả đúng nhiều lần, người dùng kiểm tra ít đi; ít kiểm tra thì ít cơ hội rèn phán đoán; phán đoán yếu đi thì kết quả của AI càng khó bị nghi ngờ. Gartner gọi điểm cuối của vòng này là “cognitive surrender”: chấp nhận câu trả lời vì nó trông hợp lý, và giao luôn trách nhiệm cho máy.
Vòng thứ hai là đường ống nhân sự. AI làm việc cấp thấp rẻ hơn junior, tổ chức ngừng tuyển hoặc ngừng giao việc cho junior, lớp senior hiện tại trở thành thế hệ cuối từng tự tay làm việc đó. Khi họ nghỉ, tổ chức không còn ai để so output của agent với kết quả đúng.
Vòng thứ ba là cách đo. KPI đếm số lượng: số PR, số báo cáo, số ticket đóng. Đếm như vậy là thưởng cho tốc độ, không thưởng cho việc kiểm tra. Gartner cảnh báo riêng về việc đánh giá lập trình viên bằng số dòng code hay số commit. Thước đo thưởng cái gì thì tổ chức có nhiều cái đó, và kiểm tra là việc không ai được thưởng.
Ba vòng này nối với bài học tôi rút ra khi chuẩn hóa AI-native SDLC: kỹ năng phải đi trước công cụ. Hồi đó tôi nói về kỹ năng viết tri thức của tổ chức thành artifact cho agent đọc. Kỹ năng theo chiều ngược lại, đọc output của agent và chỉ ra chỗ sai, quan trọng không kém và mất đi khó thấy hơn nhiều, vì không có sự cố nào báo trước cho đến khi một kết quả sai được duyệt.
Hai ví dụ, một ngoài đời và một trong phần mềm
Ví dụ đã công khai: tháng 10/2025, Deloitte Australia phải hoàn lại một phần phí của hợp đồng 440.000 đô la Úc cho Bộ Việc làm và Quan hệ Lao động Úc. Báo cáo 237 trang họ nộp có một trích dẫn gán cho thẩm phán liên bang mà thẩm phán chưa từng nói, nhiều tài liệu tham khảo không tồn tại, và một cuốn sách gán nhầm cho một giáo sư luật. Người phát hiện không phải quy trình QA của Deloitte, cũng không phải của Bộ, mà là một nhà nghiên cứu ở Đại học Sydney đọc báo cáo sau khi nó đã được công bố. Bản sửa sau đó mới ghi rõ báo cáo có dùng Azure OpenAI. AI bịa trích dẫn thì ai cũng biết. Điều đáng bàn là báo cáo đã đi qua nhiều lớp người có kinh nghiệm ở một hãng tư vấn lớn, và không ai dừng lại để kiểm tra một trích dẫn trông rất hợp lý. Đó chính là vòng lòng tin ở trên, nhìn từ kết quả.
Trong phát triển phần mềm, cơ chế này dễ thấy hơn vì đo được. Lấy ví dụ hai đội cùng đưa một agent lập trình vào quy trình, cùng một codebase, cùng mục tiêu tăng tốc.
Đội thứ nhất đặt ba quy tắc từ ngày đầu. Mỗi PR do agent viết phải kèm ba câu của người phụ trách: thay đổi này đúng vì sao, và nó có thể hỏng ở đâu; CI xanh không thay được ba câu đó. Mỗi tuần chọn ngẫu nhiên một PR để review với trợ lý AI tắt đi, người review ghi lại những chỗ mình không hiểu. Mỗi quý, đội tự sửa một lỗi production bằng tay, không dùng agent, để biết mình còn làm được. Sau sáu tháng, tốc độ merge của đội này tăng, nhưng điều có giá trị hơn là khi agent bắt đầu sinh ra một kiểu lỗi mới sau lần đổi model, đội phát hiện ngay trong tuần đầu, vì vẫn có người đang đọc thật.
Đội thứ hai không đặt quy tắc nào. Agent viết, CI xanh thì merge. Ba tháng đầu rất nhanh. Đến tháng thứ sáu, một module đã qua tay agent nhiều lần đến mức không ai trong đội giải thích được nó chạy thế nào. Sự cố đầu tiên dính đến module đó mất nhiều ngày để khoanh vùng, vì người duy nhất có thể đọc code là người đã không đọc nó suốt nửa năm. Đội này không thiếu người giỏi. Họ thiếu một lý do để tiếp tục đọc.
Khác biệt giữa hai đội không nằm ở công cụ hay ở người. Nó nằm ở chỗ đội thứ nhất có cơ chế buộc người ta tiếp tục làm việc mà AI đã làm thay, ở một liều lượng đủ để năng lực không mất đi.
Giữ người biết nghề ở đâu
Không thể giữ người ở mọi vòng lặp, vừa tốn kém vừa không cần thiết. Vấn đề là giữ ở đâu, bao nhiêu người, và kiểm tra bằng cách nào. Tôi dùng hai câu hỏi để phân loại: nếu sai thì có sửa được không, và kết quả có kiểm tra được bằng số liệu hay phải dựa vào kinh nghiệm.

Ô cuối cùng là chỗ cần quản lý như một quỹ dự phòng, với ba câu hỏi:
Ai: hiện có bao nhiêu người, tên cụ thể, tự làm được việc đó mà không cần AI.
Bao lâu: bao lâu kiểm tra lại một lần, trong điều kiện không có AI.
Ở đâu: danh sách những quyết định thuộc ô này, do ban điều hành duyệt và rà soát định kỳ.
Gartner dự báo đến hết 2026, một nửa số tổ chức trên thế giới sẽ yêu cầu đánh giá năng lực không dùng AI, vì lo tư duy phản biện suy giảm. Đó là dự báo, chưa phải số đo. Nhưng logic đằng sau thì khó cãi: năng lực nào chưa bao giờ được kiểm tra khi không có AI thì tổ chức không thể chắc là còn.
Bậc thang kiểm soát trong bài trước (gate, observe, contain) là kiểm soát bằng máy. Giữ người biết nghề là kiểm soát bằng người. Thiếu một bên, bên kia không có gì để đối chiếu.
CIO cần thay đổi gì
Thêm một thước đo vào báo cáo. Ngoài tỷ lệ dùng AI và năng suất, báo cáo thêm: bao nhiêu quyết định “sai là mất” đã được phân loại, mỗi ô còn bao nhiêu người làm được không cần AI, lần kiểm tra gần nhất là khi nào. Tổ chức có 90% nhân viên dùng AI mà không trả lời được ba câu này là đang chạy không có dự phòng.
Thiết kế lại vị trí junior, đừng bỏ. Junior không còn làm việc mà AI làm được, nhưng nên được giao sớm hơn việc đánh giá kết quả của AI, đối chiếu với kết quả kinh doanh, và ngồi cùng senior để học cách cân nhắc. Gartner khuyến nghị điều này cho CMO; tôi thấy nó đúng với mọi chức năng.
Đặt rào cản đúng chỗ. Gartner gọi là “useful friction”: ở việc quan trọng, bắt buộc kiểm tra bằng chứng và giải thích căn cứ trước khi chấp nhận kết quả của AI; ở việc rủi ro thấp, bỏ hết rào cản. Có thể làm ngay trong công cụ: agent hỏi lại đề bài trước khi trả lời, hoặc một agent thứ hai phản biện agent thứ nhất.
Đưa vào điều kiện nghiệm thu với vendor. Bài trước tôi nói năng lực giữ agent sống sau khi vendor rút là thứ không mua được. Năng lực đó bao gồm cả việc nhận ra agent sai: ai trong tổ chức đọc được kết quả eval và biết con số nào đáng ngờ. Nên viết vào hợp đồng như điều kiện nghiệm thu.
Việc cần làm trong 90 ngày
30 ngày đầu: kiểm kê. Liệt kê 10 quyết định quan trọng nhất đang có AI tham gia, xếp vào bảng trên. Với các ô “sai là mất”, đếm số người có tên còn tự làm được không cần AI. Ô nào dưới 2 người thì báo cáo như một rủi ro vận hành (ngưỡng 2 là đề xuất của tôi, mỗi tổ chức tự điều chỉnh).
60 ngày: thử một ô. Chọn một quyết định trong ô “sai là mất, phải dựa vào kinh nghiệm”. Cho đội phụ trách làm một đợt đánh giá không dùng AI và xem kết quả thật ra sao. Áp dụng quy tắc giải thích trước khi chấp nhận cho output AI trong ô đó. Thiết kế lại một vị trí junior liên quan.
90 ngày: thành chuẩn. Đưa thước đo mới vào báo cáo ban điều hành. Sửa KPI để thưởng việc kiểm tra, không chỉ số lượng. Ghi điều kiện chuyển giao năng lực nhận diện lỗi vào hợp đồng xây agent. Kiểm tra lại năng lực không dùng AI ở các ô đã xác định mỗi quý hoặc nửa năm, tùy mức rủi ro.
Câu hỏi để lại
Cũng trong tuần đó, ngày 8/10, Google giới thiệu agent cho doanh nghiệp có tài khoản Workspace và email riêng, biết ai là người duyệt, thuộc nhóm nào, và mọi việc nó làm được ghi vào audit trail dưới tên của chính nó. Agent đang được đưa vào sơ đồ tổ chức với định danh như một nhân sự, và số agent sẽ tăng nhanh hơn số người.
Câu hỏi cho mỗi CIO không phải là tổ chức mình sẽ có bao nhiêu agent. Câu hỏi là trong sơ đồ đó còn bao nhiêu người đủ sức nói “cái này sai”, và tổ chức đang làm gì để con số ấy không giảm qua từng quý.
Tác giả: Hồ Minh Thắng – Vice Director of FPT.AI




The reserve fund idea is the one I would take into a team. A list of people who can do each task without AI turns a vague worry into a number a board can track. The Deloitte refund is the warning: a report nobody could check cost real money. I would start the 30-day list with the decisions where a wrong answer is a loss.