Mục lục
Có một nghịch lý đang xảy ra khi sử dụng AI nhiều hơn mà hầu hết mọi người không nhận ra cho đến khi đã rơi sâu vào nó.
Báo cáo của Microsoft WorkLab có một phát hiện nổi bật là: đến 68% người được khảo sát nói họ đang khó theo kịp nhịp độ và khối lượng công việc, trong khi gần một nửa cho biết họ cảm thấy kiệt sức trong công việc.
Dừng lại một chút. Nếu AI thực sự tiết kiệm thời gian, tại sao bạn lại làm nhiều việc hơn và mệt mỏi hơn?
Nhìn vào một ngày làm việc điển hình. AI giúp bạn viết báo cáo nhanh hơn 2 tiếng, bạn liền nhận thêm 2 báo cáo khác. AI giúp viết nội dung nhanh hơn, bạn liền viết thêm nhiều bài nữa. Cuối ngày, bạn làm được nhiều hơn, mệt hơn, nhưng không cảm thấy mình đang thăng tiến hay nâng cao chất lượng kết quả đầu ra.
Câu hỏi đặt ra là: nếu AI đang thực sự tiết kiệm thời gian cho bạn, thời gian đó đang đi đâu? Và tại sao nó không giúp bạn giỏi hơn?
1. Hiện Tượng Này Đã Xảy Ra 160 Năm Trước
Trước khi nói về 4 cách dùng 3 giờ đó, Linh muốn nói nhỏ với bạn một điều là: nếu AI giúp tiết kiệm thời gian mà bạn vẫn bận hơn, không phải chỉ mình bạn gặp chuyện này. Vì từ 160 năm trước đã có tình huống tương tự.
Có một quy luật kinh tế và tâm lý được ghi chép từ thế kỷ 19, gọi là Nghịch lý Jevons.
Năm 1865, nhà kinh tế học người Anh William Stanley Jevons công bố một quan sát trong cuốn Vấn Đề Than, hay The Coal Question. Sau khi động cơ hơi nước được cải tiến, tiêu thụ ít than hơn để tạo ra cùng lượng công suất, mọi người kỳ vọng nước Anh sẽ dùng ít than hơn. Nhưng điều ngược lại đã xảy ra, lượng tiêu thụ than lại tăng mạnh. Vì khi mỗi đơn vị công suất trở nên rẻ hơn, người ta mở thêm nhà máy, mở rộng sản xuất, và tổng lượng than tiêu thụ tăng lên.
Ngày nay, hiện tượng này thường được gọi là Nghịch lý Jevons hoặc hiệu ứng dội ngược (rebound effect): khi hiệu suất tăng, chi phí sử dụng giảm, và tổng nhu cầu có thể tăng thay vì giảm.
Một quy luật khác mà bạn có thể đã biết là Parkinson cũng nói rằng, công việc sẽ tự mở rộng để lấp đầy thời gian bạn có. Không phải vì ai giao thêm, mà vì bản thân não bộ tự tạo ra việc khi thấy khoảng trống. Hai quy luật này hoạt động cùng nhau: một cái đến từ áp lực bên ngoài, một cái đến từ bên trong.
Ví dụ như khi AI tiết kiệm cho bạn 3 giờ mỗi ngày, bạn tưởng mình vừa có thêm thời gian. Nhưng thật ra, bạn vừa tạo ra một khoảng trống.
Nếu bạn không chủ động đặt vai trò cho nó, như học một kỹ năng khó, cải thiện một quy trình, thì nó sẽ bị lấp đầy rất nhanh bởi những việc dễ thấy hơn: thêm email, thêm tin nhắn, thêm cuộc họp, thêm báo cáo, hoặc đôi khi là lướt điện thoại cho hết giờ.
Đó là điểm nguy hiểm: AI có thể giải phóng thời gian trên lịch, nhưng không tự động nâng cấp cách bạn dùng thời gian đó. Nên câu hỏi quan trọng không phải là “AI giúp bạn tiết kiệm được bao nhiêu giờ?” mà là “Bạn đã quyết định trước số giờ đó sẽ biến thành điều gì chưa?”
Vì nếu câu trả lời là chưa, thì gần như chắc chắn 3 giờ đó sẽ không trở thành bước tiến. Nó sẽ chỉ trở thành nhiều việc hơn. Và đó là lúc bạn rơi vào ba cái bẫy phổ biến nhất khi bắt đầu dùng AI.
2. Ba Cái Bẫy Phổ Biến Nhất
Bẫy thứ nhất là Lấp đầy thời gian trống đó bằng sự bận rộn giả.
Khi có thời gian trống, phản ứng tự nhiên là tìm thứ gì đó để điền vào. Thêm cuộc họp. Trả lời thêm tin nhắn. Kiểm tra thêm email. Cảm giác rất bận rộn, nhưng rất tiếc là không có thêm giá trị nào đáng kể được tạo ra.
Bẫy thứ hai là Dùng AI để làm thêm cùng một loại việc. Đây là cái bẫy mà nhiều bạn “bị lừa” nhất vì nó trông giống như bạn đang tận dụng AI rất tốt. Tiết kiệm được 2 tiếng viết nội dung thì viết thêm 4 bài nữa. Tiết kiệm được 1 tiếng làm báo cáo thì làm thêm 2 báo cáo nữa. Năng suất thì đúng là tăng lên thật, nhưng vai trò và hiệu suất của bạn cũng không thay đổi.
Bẫy thứ 3 là Chờ ai đó chỉ cho mình làm gì. Chờ quản lý có hướng dẫn mới, giao việc mới. Chờ chương trình đào tạo về kỹ năng mới. Tệ hơn là, những cách phản ứng này không chỉ kéo bạn lùi lại ở bối cảnh AI mà ở bất kỳ giai đoạn nào trong sự nghiệp.
Cả ba bẫy này có một điểm chung: chúng đều là phản ứng thụ động với thời gian dư ra của bạn.
Vậy nên phần tiếp theo, chúng ta sẽ tìm hiểu về cách phản ứng chủ động với 3 việc đáng làm trong số giờ mà AI đã giúp bạn tiết kiệm.
3. 3 Việc Đáng Làm Với Số Giờ Ai Giúp Bạn Tiết Kiệm”
3.1 Kết Nối Kiến Thức Liên Lĩnh Vực (Cross-Domain Synthesis)
Kỹ năng đầu tiên đáng đầu tư trong thời gian dư ra là khả năng kết nối kiến thức từ các lĩnh vực khác nhau để giải quyết vấn đề theo cách mà người trong cùng ngành không, hoặc chưa nghĩ đến.
Vì sao Linh lại đề xuất kỹ năng này với các bạn?
Trong cuốn Hiệu Ứng Medici, Frans Johansson lập luận rằng các ý tưởng đột phá thường xuất hiện ở “giao điểm” của các ngành nghề, văn hóa và lĩnh vực khác nhau. Nghĩa là một góc nhìn từ ngành A có thể mở ra cách giải quyết mới cho vấn đề của ngành B, mà những người quá quen với ngành B dễ bỏ lỡ.
Về mặt lý thuyết, trong cuốn Ý Tưởng Tốt Đến Từ Đâu, Steven Johnson cũng mô tả rằng hầu hết các đột phá không đến từ khoảnh khắc "aha!" bất chợt. Chúng đến từ điều mà ông gọi là linh cảm chậm hay slow hunch. Đó là một linh cảm được ấp ủ qua nhiều tháng, nhiều năm, khi các mảnh kiến thức từ nhiều lĩnh vực dần kết nối lại thành một hiểu biết mới.
Và đây là yếu tố cốt lõi. Vì AI không có linh cảm chậm mà xử lý theo yêu cầu hiện tại. Vậy nên khi bạn tích lũy được linh cảm chậm, nghĩa là bạn đang tích lũy điều mà AI không có.
Có 2 cách đơn giản để bạn có thể bắt đầu.
Cách đầu tiên là xây dựng điều mà nhiều nhà khoa học trong lịch sử từng làm: một “cuốn sổ” tích lũy ý tưởng hay Commonplace book.
Đó có thể là ứng dụng ghi chú hoặc một cuốn sổ giấy, nơi bạn lưu lại bất kỳ điều gì khiến mình tò mò: một câu nói, một quan sát, một ý tưởng trong sách, một cuộc trò chuyện, một vấn đề trong công việc, hay một chi tiết nhỏ trong đời sống hằng ngày.
Điều quan trọng là đừng vội đóng khung chúng theo ngành hay chủ đề. Mỗi khi ghi lại, hãy tự hỏi: “Điều này làm mình nghĩ đến điều gì?”
Sau 3 đến 6 tháng, hãy đọc lại. Bạn sẽ bắt đầu thấy những kết nối bất ngờ giữa các mảnh tưởng như rời rạc. Một quan sát về thể thao có thể giải thích động lực làm việc. Một câu chuyện đời thường có thể trở thành bài học về lãnh đạo.
Đó là cách “linh cảm chậm” được nuôi dưỡng: không phải bằng việc ép bản thân phải nghĩ ra ý tưởng lớn ngay lập tức, mà bằng việc kiên trì gom nhặt, kết nối và để các ý tưởng có thời gian trưởng thành.”
Bước thứ hai để kết nối kiến thức là thực hành bài tập dịch thuật liên ngành, mỗi tuần khoảng 20 phút.
Hãy chọn một vấn đề bạn đang gặp trong công việc. Sau đó tìm hiểu về cách một lĩnh vực hoàn toàn khác giải quyết vấn đề tương tự. Đang gặp vấn đề giữ chân nhân viên? Đọc về cách bệnh viện phòng ngừa kiệt sức cho bác sĩ, hoặc cách quân đội xây dựng sự gắn kết trong đơn vị. Câu hỏi cần hỏi là: "Nguyên tắc nào trong đó có thể áp dụng sang vấn đề của mình?"
Tin vui là AI sẽ giúp bạn rất nhiều trong bước này. Bạn có thể mở AI và đưa ra yêu cầu. Ví dụ như “Tôi đang gặp vấn đề giữ chân nhân viên giỏi trong công ty. Hãy tìm 3 lĩnh vực khác cũng phải giải quyết vấn đề tương tự. Với mỗi lĩnh vực, hãy chỉ ra nguyên tắc họ dùng, rồi giúp tôi dịch nguyên tắc đó thành một hành động cụ thể mà tôi có thể thử trong vấn đề của mình.”
Linh có để prompt mẫu trong bài blog, bạn có thể sao chép và sử dụng nhe.
Tôi đang gặp vấn đề sau trong công việc: [mô tả vấn đề cụ thể].
Hãy giúp tôi tìm 3 lĩnh vực hoàn toàn khác cũng từng giải quyết vấn đề tương tự.
Với mỗi lĩnh vực, hãy phân tích:
1/ Họ đang đối mặt với vấn đề gì tương tự?
2/ Họ giải quyết bằng nguyên tắc nào?
3/ Nguyên tắc đó có thể “dịch” sang công việc của tôi như thế nào?
4/ Tôi có thể thử một hành động nhỏ nào trong tuần này?
Trình bày thật đơn giản, thực tế, và ưu tiên những ví dụ dễ áp dụng.
3.2 Phát Triển Trí Tuệ Ngữ Cảnh (Context Intelligence)
Kỹ năng thứ hai là Xây dựng trí tuệ ngữ cảnh hay context intelligence. Bạn có nhớ là, khi làm việc với AI, nếu chúng ta càng đưa ngữ cảnh chi tiết trong prompt thì AI càng trả về kết quả sát với mong muốn nhất. Đó là lý do vì sao bạn cần phát triển kỹ năng này.
Nhà khoa học và triết gia Michael Polanyi từng chỉ ra một điều rất thú vị về tri thức là không phải mọi thứ ta biết đều có thể nói ra trọn vẹn.
Có những kiến thức tường minh (explicit knowledge), có thể viết xuống, mã hóa, lưu trữ và truyền đạt, như tài liệu hướng dẫn, công thức, quy trình, dữ liệu, văn bản, hình ảnh hay âm thanh. Đây cũng là phần mà AI có thể học rất tốt, vì nó đã được ghi lại dưới một hình thức nào đó.
Nhưng bên cạnh đó còn có kiến thức ngầm (tacit knowledge) là những hiểu biết nằm trong kinh nghiệm, trực giác, cảm nhận bối cảnh và khả năng phán đoán của con người.
Kiến thức ngầm là điều bạn chỉ có được sau khi làm việc ở một tổ chức đủ lâu. Ví dụ bạn biết cùng một bản kế hoạch, nếu trình bày với sếp A thì phải bắt đầu bằng rủi ro và số liệu, còn với sếp B thì phải bắt đầu bằng cơ hội và tác động đến đội nhóm. Những chi tiết đó không nằm trong tài liệu, không có trong báo cáo, và AI sẽ không tự biết nếu bạn không đưa ngữ cảnh vào.
Vậy nên cách làm việc hiệu quả nhất là kết nối kiến thức ngầm với kiến thức tường minh, để một phần hiểu biết ngầm có thể được chia sẻ, diễn giải, và xây dựng tốt quy trình. Có 3 bước để bạn có thể xây dựng quy trình này.
Bước đầu tiên là làm kiểm kê những điều AI không biết mỗi quý một lần. Với mỗi công việc quan trọng của bạn, hãy xác định: "Những điều nào mình biết về công việc này nhờ trải nghiệm thực tế mà không thể tìm thấy trên mạng, không có trong tài liệu công ty, và nếu mình không nói ra thì AI không biết?”
Bước thứ hai là thêm bước kiểm tra ngữ cảnh vào mỗi lần dùng kết quả từ AI.
Khi đọc đáp án từ AI, bạn hãy dành khoảng 5 đến 10 phút tự hỏi: “Nếu đưa đề xuất này vào thực tế công việc của mình, phần nào sẽ không chạy được? Ai có thể phản đối? Hay điều kiện nào công ty mình đang thiếu để có thể thực hiện nó?”
Sau khi đã nhìn ra những điểm chưa phù hợp, hãy quay lại cung cấp thêm bối cảnh và hỏi AI: “Dựa trên các yếu tố nội bộ này, hãy điều chỉnh đề xuất để thực tế hơn”
Khi đó, bạn có thể biến một câu trả lời nghe có vẻ đúng trên lý thuyết thành một giải pháp có thể dùng được trong công việc thực tế.
Bước thứ ba là thực hành xem xét sau hành động, hay After-Action Review. Đây là nhiệm vụ mà Linh thường yêu cầu các bạn trong team làm ngay từ trước khi có AI.
Sau mỗi dự án lớn, mỗi quyết định quan trọng, hoặc một sai lầm đáng kể, hãy dành 30 phút viết ra ba điều: một là điều gì thực sự xảy ra, không phải điều gì được báo cáo là xảy ra; hai là vì sao nó xảy ra, theo nguyên nhân thật sự, không phải nguyên nhân bề mặt; và ba là team đã hiểu ra thêm điều gì lúc này mà trước đó không hiểu.
Sau khi viết xong, đừng để nó nằm yên trong một file tổng kết. Hãy dùng những điều đó để cập nhật cách làm lần sau: điều gì cần đưa vào quy trình, điều gì cần tránh lặp lại, quyết định nào cần có tiêu chí rõ hơn, hoặc thông tin nào cần được chia sẻ cho người mới trong team. Đây là cách kinh nghiệm không chỉ dừng lại ở một bài học sau dự án, mà trở thành kiến thức ngầm được chuyển tiếp và dùng lại trong những tình huống sau.
3.3 Xác Định Đúng Vấn Đề & Đặt Câu Hỏi Đúng
Kỹ năng thứ ba là biết đặt đúng câu hỏi trước khi nhờ AI trả lời. Vì đặt câu hỏi đúng hơn sẽ tìm câu trả lời nhanh hơn.
Hai phần trước nói về việc nhìn vấn đề rộng hơn và hiểu bối cảnh sâu hơn. Nhưng nếu ngay từ đầu bạn đưa cho AI sai vấn đề, thì dù AI có trả lời nhanh và hay đến đâu, kết quả vẫn có thể không dùng được.
Giống như bạn đi khám bệnh và chỉ nói với bác sĩ: “Tôi bị đau đầu, hãy cho tôi thuốc đau đầu”. Bác sĩ có thể cho thuốc, và cơn đau có thể giảm một lúc. Nhưng nếu nguyên nhân thật sự là thiếu ngủ, căng thẳng kéo dài, hoặc một vấn đề sức khỏe nghiêm trọng hơn, thì viên thuốc đó chỉ xử lý triệu chứng, không xử lý gốc rễ.
Vì vậy, trước khi mở AI, điều quan trọng nhất không phải là nghĩ prompt sao cho hay cho dài, mà là xác định: Vấn đề thực sự mình đang cần giải quyết là gì?
Linh có 3 gợi ý để bạn thực hiện: với mỗi việc quan trọng cần làm với AI, hãy dành 10 phút trước khi mở AI để xác định 3 yếu tố:
Một là vấn đề thực sự mình đang cố giải quyết là gì? Không phải việc trước mắt cần làm, mà là kết quả mình muốn thay đổi. Ví dụ, vấn đề không phải là “viết lại email bán hàng”, mà có thể là “khách hàng chưa hiểu vì sao giải pháp này đáng để họ dành thời gian”.
Hai là, nếu giải quyết được vấn đề này, điều gì sẽ thay đổi? Người nhận sẽ phản hồi nhiều hơn? Khách hàng sẽ đặt lịch hẹn? Team sẽ ra quyết định nhanh hơn? Câu trả lời càng cụ thể, AI càng dễ giúp bạn tạo ra kết quả đúng.
Ba là, mình đã biết những ràng buộc nào? Ví dụ: đối tượng khách hàng là ai, họ đang lo điều gì, hay công ty có giới hạn gì.
Sau khi xác định xong ba điều này, lúc đó bạn mới mở AI và gõ yêu cầu. Thay vì nói: “Viết lại giúp tôi email bán hàng này” bạn có thể nói: “Tôi cần viết một email cho nhóm khách hàng đã từng quan tâm nhưng chưa đặt lịch tư vấn. Mục tiêu là khiến họ thấy rõ lợi ích thực tế và đồng ý một cuộc gọi 20 phút. Họ đang lo về chi phí và thời gian triển khai. Hãy viết email ngắn, chuyên nghiệp, không quá bán hàng, và có lời kêu gọi hành động rõ.”
10 phút chuẩn bị này sẽ giúp bạn tránh được 30 phút hay thậm chí là cả vài giờ đồng hồ chỉ để sửa đi sửa lại kết quả của AI. Khi bạn dành 10 phút để nói rõ vấn đề, kết quả mong muốn, giới hạn thực tế và tiêu chí đánh giá, AI không cần đoán ý bạn quá nhiều. Và trải nghiệm dùng AI cũng nhanh hơn, ít bực mình hơn .
Ngoài ra, cách chuẩn bị này còn rèn cho bạn một năng lực quan trọng trong công việc: trước khi lao vào làm, bạn biết dừng lại để xác định mình đang thật sự cần giải quyết điều gì.
Khi bạn biết xác định đúng vấn đề và đặt câu hỏi đúng, AI sẽ cho bạn kết quả tốt hơn. Nhưng quan trọng hơn, bạn cũng sẽ làm việc tốt hơn với sếp, với team, với khách hàng, và với chính mình. Bạn bớt phản ứng vội vã với triệu chứng bên ngoài, và bắt đầu nhìn sâu hơn vào nguyên nhân thật sự bên dưới.
Lời kết: Bạn sẽ không nhìn thấy ngay kết quả
OK. Chúng ta vừa nói về ba cách dùng thời gian AI đã giải phóng: kết nối kiến thức, thêm ngữ cảnh, và đặt đúng câu hỏi. Nhưng nếu để ý kỹ, bạn sẽ nhận thấy cả ba việc này có một điểm chung hơi “không vui” là: chúng không tạo ra kết quả nhìn thấy được ngay lập tức.
Bạn dành 30 phút đọc về một lĩnh vực khác để tìm góc nhìn mới. Cuối ngày, có thể bạn chưa có thêm một file báo cáo nào, chưa có thêm được khách hàng nào.
Thực tế là, giá trị thật sự của những việc này thường không xuất hiện ngay trong ngày hôm đó. Nó sẽ xuất hiện sau vài tuần hay thậm chí vài tháng, khi cả đội đang cố làm nhanh hơn, còn bạn nhận ra mọi người đang giải quyết sai vấn đề; khi một dự án bị kẹt, và bạn có thể kết nối một ý tưởng từng đọc để mở ra hướng đi mới.
Những khoảnh khắc đó không ồn ào. Chúng không cho bạn cảm giác “hôm nay mình làm được thật nhiều” hay “mình thật xuất sắc”. Nhưng chúng tích lũy bên trong cách bạn suy nghĩ, cách bạn xác định vấn đề, và cách bạn ra quyết định. Chúng làm bạn suy nghĩ cấu trúc hơn, tư duy thông minh hơn, và dễ được tin tưởng hơn. .
Vì vậy, nếu AI tiết kiệm cho bạn vài giờ mỗi tuần, đừng vội dùng toàn bộ thời gian đó để nhồi thêm việc vào lịch. Hãy giữ lại một phần cho những việc không tạo ra output ngay, nhưng sẽ tạo ra năng lực lâu dài.
