Mục lục
Cách đây 3 tháng, Linh có đọc một bài báo về một doanh nghiệp đã tiêu gần nửa tỷ USD, khoảng 13 nghìn tỷ đồng, cho AI chỉ trong vòng một tháng, chỉ vì họ không đặt giới hạn sử dụng. Lúc đó, phản ứng đầu tiên của Linh là… thấy hơi buồn cười. Linh nghĩ: “Chuyện này chắc chỉ xảy ra với những tập đoàn công nghệ rất lớn, có hàng nghìn nhân viên và ngân sách AI khổng lồ. Chắc chắn sẽ không xảy ra với công ty của mình.”
Cho đến tuần trước. Chỉ trong đúng 3 ngày, tài khoản AI của công ty Linh bị tính hơn 7.500 USD, tương đương gần 200 triệu đồng. May mắn là Linh nhận được email cảnh báo và phát hiện kịp thời.
Nhưng ngay lúc đó, Linh tự hỏi: “Nếu không có email đó thì sao?”, “Nếu hệ thống cứ tiếp tục chạy thêm một tuần, hay thậm chí cả tháng, thì con số sẽ lên đến bao nhiêu?”
Và điều đáng nói nhất là đây không phải một cuộc tấn công mạng. Cũng không có ai cố tình lãng phí tiền của công ty. Mọi người chỉ đang dùng AI để làm công việc hằng ngày nhanh hơn.
Vậy vấn đề thực sự nằm ở đâu?
1. Chuyện Gì Đã Xảy Ra Và Trách Nhiệm Thuộc Về AI?
Để Linh giải thích một cách đơn giản nhất. Hiện tại, đội ngũ của Linh không chỉ dùng AI để hỏi đáp như trước đây. Mọi người bắt đầu dùng những công cụ AI có khả năng tự thực hiện nhiều bước công việc. Chúng có thể tự đọc tài liệu, tìm kiếm thông tin, sửa lỗi, thử lại và tiếp tục làm nhiều bước cho đến khi hoàn thành công việc.
Một số nhân sự được cấp hạn mức khá thoải mái để không bị gián đoạn khi làm việc. Nhưng ở cấp tài khoản cao nhất của công ty, Linh lại chưa đặt một mức chi tiêu tối đa đủ chặt. Và đây là lúc Linh nhận ra mình đã sai ở một điểm.
Linh vẫn đang quản lý AI giống như một phần mềm trả phí cố định hằng tháng. Ví dụ với Canva hay một phần mềm văn phòng, mỗi tháng bạn gần như biết trước mình sẽ phải trả bao nhiêu. Nhưng với những công cụ AI có thể tự chạy nhiều bước, chi phí lại giống như đồng hồ tính tiền của taxi hơn.
Bạn lên xe với một điểm đến. Nhưng nếu bạn không để ý đồng hồ, xe có thể tiếp tục chạy và số tiền cứ tăng lên. AI không còn chỉ là một khoản phí cố định hằng tháng. Nó đang trở thành một khoản chi phí có thể tăng theo mức độ sử dụng.
Nhưng sau khi nhìn lại sự việc, Linh nghĩ sẽ không công bằng nếu nói đây hoàn toàn là lỗi của người quản lý. Và cũng sẽ không đúng nếu đổ trách nhiệm cho nhân viên. Theo Linh, trách nhiệm ở đây gần như là 50–50.
Một nửa nằm ở người quản lý: Công ty đã đặt giới hạn đủ rõ chưa? Đã theo dõi chi phí chưa? Và quan trọng hơn, đã thực sự hướng dẫn nhân viên cách sử dụng AI trong phạm vi ngân sách chưa?
Một nửa còn lại nằm ở người trực tiếp sử dụng: Khi được giao một hạn mức, bạn có xem đó là một nguồn lực cần quản lý hay chỉ đơn giản nghĩ rằng “hệ thống vẫn cho dùng thì cứ dùng”?
AI càng dễ sử dụng thì chúng ta càng dễ quên rằng phía sau mỗi lần AI chạy đều có một chi phí. Vì vậy, bài học của Linh lần này không phải là “sếp phải kiểm soát nhân viên”, cũng không phải “nhân viên phải dùng AI ít đi”. Mà là cả hai bên đều phải hiểu mình đang quản lý một nguồn lực có giới hạn.
Và từ đây, Linh muốn chia 5 bài học thành hai nhóm rất rõ: Ba bài học đầu tiên dành cho CEO và người quản lý. Hai bài học sau dành cho những người trực tiếp sử dụng AI mỗi ngày.
2. Dành Cho CEO Và Người Quản Lý
2.1 Bài Học 1: Đặt Giới Hạn Ở Cấp Cao Nhất
Bài học đầu tiên, và cũng là bài học lớn nhất Linh rút ra cho người quản lý, là: Giới hạn phải được đặt từ cấp cao nhất.
Trước đây, Linh nghĩ chỉ cần cấp một hạn mức cho từng nhân viên là đủ. Nhưng hãy thử nhìn từ góc độ của nhân viên. Nếu hệ thống vẫn cho phép họ tiếp tục sử dụng, họ sẽ mặc định nghĩ: “Vậy chắc mình vẫn đang dùng trong mức cho phép.”
Họ không thể biết cùng lúc những phòng ban khác đang dùng bao nhiêu, hay tổng chi phí của cả công ty đã lên đến mức nào. Vì vậy, trách nhiệm kiểm soát tổng thể phải nằm ở người đang quản lý tài khoản cao nhất, có thể là CEO, bộ phận công nghệ, người quản trị hệ thống hoặc tài chính.
Linh nghĩ có thể chia việc quản lý thành ba tầng:
(1) Tầng 1 là Công ty: Cả công ty được phép chi tối đa bao nhiêu cho AI?
(2) Tầng 2 là Phòng ban hoặc dự án: Mỗi nhóm được phân bổ bao nhiêu?
(3) Tầng 3 là Cá nhân: Mỗi người được sử dụng trong phạm vi nào?
Và có một điểm rất quan trọng: Cảnh báo và giới hạn là hai chuyện hoàn toàn khác nhau.
Cảnh báo nói với bạn: “Bạn đã tiêu đến mức này rồi.”
Còn giới hạn nói với hệ thống: “Đến đây là phải dừng. Không được phép chi thêm.”
Sau sự cố vừa rồi, Linh thấy mình cần cả hai.
2.2 Bài Học 2: Đừng Chỉ Cấp Ngân Sách. Hãy Dạy Nhân Viên Cách Sử Dụng Ngân Sách
Bài học 2, đây là phần Linh nghĩ phần lớn các nhà quản lý dễ bỏ qua. Có một sự khác biệt rất lớn giữa việc “nói cho nhân viên biết” và thực sự “giúp họ hiểu”.
Bạn có thể nói: “AI đang tốn khá nhiều tiền nhé, mọi người chú ý sử dụng.”
Nhưng một tuần sau, mọi thứ rất dễ quay về như cũ. Tại sao? Bởi vì mục tiêu hằng ngày của nhân viên là hoàn thành công việc.
Nếu họ có một việc cần làm nhanh, lựa chọn rất tự nhiên sẽ là: “Mô hình nào mạnh nhất?”, “Cách nào ra kết quả nhanh nhất?”
Và rất nhiều khi, mô hình mạnh nhất cũng là mô hình tốn kém nhất. Nếu người quản lý chỉ yêu cầu nhân viên “tiết kiệm token” mà không giải thích tại sao, không chỉ họ cách lựa chọn công cụ, thì rất khó kỳ vọng hành vi sẽ thay đổi.
Thậm chí khi hết hạn mức, cách xử lý tự nhiên của nhân viên có thể đơn giản là: “Em hết token rồi, cho em xin thêm.”
Nhưng nếu lần nào hết cũng được cấp thêm mà không có câu hỏi nào khác, thì chúng ta chưa thực sự có ngân sách. Chúng ta chỉ đang có một con số có thể tăng lên bất cứ lúc nào.
Linh nghĩ cách dễ hiểu nhất là xem chi phí AI giống như ngân sách mua sắm. Ví dụ Linh giao cho bạn 10 triệu đồng để mua thiết bị cho một dự án.
Nhiệm vụ của bạn không phải là “Tiêu hết 10 triệu.” Cũng không phải “Thiếu thì xin thêm.” Nhiệm vụ của bạn là tìm cách hoàn thành mục tiêu tốt nhất trong phạm vi 10 triệu đó.
AI cũng vậy. Nếu công ty cấp cho bạn một hạn mức sử dụng, câu hỏi không nên là “Làm sao để xin thêm khi dùng hết?” Mà nên là “Làm sao để hoàn thành công việc hiệu quả trong phạm vi mình được giao?”
Và đây là trách nhiệm của người quản lý. Không chỉ đặt ra ngân sách. Mà còn phải giải thích vì sao ngân sách đó tồn tại, hướng dẫn nhân viên cách sử dụng và tạo ra những nguyên tắc đủ đơn giản để mọi người có thể áp dụng hằng ngày.
2.3 Bài Học 3: Theo Dõi Chi Phí, Nhưng Phải Đo Cả Giá Trị Tạo Ra
Sau sự cố này, Linh đã đưa toàn bộ các công cụ AI mà công ty đang sử dụng vào một danh sách để kiểm tra định kỳ. Nhưng kiểm tra hóa đơn cuối tháng thôi là chưa đủ. Bởi vì chi phí AI có hai loại rất khác nhau.
Loại thứ nhất là chi phí cố định. Ví dụ bạn trả tiền cho 20 tài khoản ChatGPT, Claude hay một công cụ AI nào đó mỗi tháng. Khoản này tương đối dễ dự đoán.
Mỗi tháng chỉ cần kiểm tra: Công cụ nào vẫn đang được sử dụng? Tài khoản nào không còn cần thiết? Có gói nào đang trả tiền nhưng hầu như không ai dùng không?
Loại thứ hai là chi phí tăng theo mức sử dụng. Ví dụ phí sử dụng giao diện lập trình, lượng dữ liệu AI xử lý, hay những công cụ AI được giao nhiệm vụ tự chạy trong thời gian dài. Khoản này có thể tăng rất nhanh chỉ trong vài giờ hoặc vài ngày.
Vì vậy: Chi phí cố định thì kiểm tra định kỳ. Chi phí theo mức sử dụng thì cần cảnh báo và giới hạn tự động.
Bạn không cần phải mở hóa đơn AI ra xem mỗi ngày. Nhưng hệ thống phải giúp bạn theo dõi nó liên tục. Tuy nhiên, có một điều khác người quản lý cũng cần tránh: đừng biến mục tiêu tiết kiệm thành mục tiêu dùng AI càng ít càng tốt.
Sau sự cố này, Linh bắt đầu tự hỏi: Nếu một nhân viên sử dụng AI nhiều gấp 10 lần một người khác, điều đó có nghĩa họ đang tạo ra nhiều giá trị hơn không? Không nhất thiết. Một người có thể dùng AI tương đối ít nhưng hoàn thành công việc vốn mất 4 tiếng trong 30 phút. Một người khác có thể để AI chạy hàng giờ nhưng kết quả cuối cùng vẫn phải sửa rất nhiều.
Vì vậy, người quản lý không nên chỉ hỏi: “Nhân viên của mình đã dùng bao nhiêu token?” Hay: “Tháng này chúng ta đã giảm được bao nhiêu chi phí AI?”
Câu hỏi quan trọng hơn là: “Với số tiền đó, AI đã giúp đội ngũ tạo ra giá trị gì?”, công việc có nhanh hơn không, chất lượng có tốt hơn không, chi phí để tạo ra kết quả đó có hợp lý không?
Mục tiêu không phải là tiêu ít nhất. Mà là tạo ra nhiều giá trị nhất trong phạm vi ngân sách cho phép.
3. Dành Cho Những Người Trực Tiếp Sử Dụng AI
Bây giờ chúng ta chuyển sang nửa trách nhiệm còn lại. Nếu công ty đã đặt ngân sách và hướng dẫn rõ ràng, thì người trực tiếp sử dụng AI cũng phải có trách nhiệm với nguồn lực mình được giao. Có hai thói quen Linh nghĩ rất dễ áp dụng ngay.
3.1 Bài Học 4: Lập Kế Hoạch Trước, Thực Hiện Sau
Trước đây, Linh thường có thói quen đưa yêu cầu cho AI rồi để nó bắt đầu làm luôn. Cách này khá ổn nếu công việc chỉ đơn giản là viết lại một đoạn văn hay tóm tắt một tài liệu ngắn. Nhưng với những công việc lớn hơn, đặc biệt khi bạn dùng AI có khả năng tự thực hiện nhiều bước, Linh nghĩ chúng ta nên thêm một bước trước khi cho AI bắt đầu. Đó là: Lập kế hoạch trước, thực hiện sau.
Hiện nay, những công cụ như ChatGPT Work hay Claude Code đều có chế độ lập kế hoạch. Khi bật chế độ này, thay vì nhận yêu cầu rồi lập tức bắt tay vào làm, AI sẽ tìm hiểu yêu cầu trước, hỏi lại bạn những điểm chưa rõ và đưa ra kế hoạch nó dự định thực hiện.
Bạn xem kế hoạch đó. Nếu chưa đúng, bạn yêu cầu sửa. Khi mọi thứ đã rõ ràng, bạn mới đồng ý cho AI bắt đầu.
Trên ChatGPT Work, cách bật rất đơn giản. Bạn có thể gõ: /plan hoặc nhấp vào dấu cộng và chọn chế độ lập kế hoạch.
Khi thấy biểu tượng bóng đèn xuất hiện, bạn đưa yêu cầu cho AI như bình thường. AI sẽ hỏi thêm để làm rõ yêu cầu và đưa ra kế hoạch trước khi thực hiện. Bạn có thể chỉnh kế hoạch cho đến khi thấy ổn, sau đó mới duyệt.
Nếu bạn dùng Claude Code thì nguyên tắc cũng tương tự: bật Plan Mode, để Claude tìm hiểu và lập kế hoạch trước, rồi mới chuyển sang thực hiện.
Linh thà dành thêm vài phút để xem và sửa kế hoạch, còn hơn để AI chạy một lúc lâu rồi mới nhận ra: “Đây không phải điều mình muốn.”
Bởi vì lúc đó không chỉ mất thời gian làm lại. Toàn bộ phần AI vừa thực hiện cũng đã tiêu tốn tài nguyên. Và nếu bạn xem số token mình được cấp như một ngân sách, Plan Mode chính là một cách để kiểm tra xem mình sắp “tiêu tiền vào đâu” trước khi thực sự tiêu.
3.2 Bài Học 5: Đừng Mặc Định Chọn Mô Hình Mạnh Nhất
Có một thói quen khác mà Linh nghĩ rất nhiều người đang mắc phải. Khi đã có quyền sử dụng mô hình AI mạnh nhất, chúng ta có xu hướng dùng nó cho mọi việc. Và đây chính là lúc trách nhiệm của nhân viên với ngân sách AI trở nên quan trọng.
Hãy thử nghĩ trong một công ty. Bạn sẽ không nhờ Giám đốc Tài chính chỉ để nhập từng dòng số liệu vào Excel. Bạn cũng không cần một chuyên gia chiến lược chỉ để sửa vài lỗi định dạng.
AI cũng vậy. Có những việc rất đơn giản như: viết lại một đoạn văn; phân loại dữ liệu; tóm tắt một tài liệu ngắn. Những việc này có thể dùng những mô hình AI nhẹ hơn, nhanh hơn và ít tốn kém hơn.
Còn những việc phức tạp như: phân tích chiến lược; xử lý một bài toán có nhiều yếu tố; lập trình phức tạp; hay thực hiện một chuỗi công việc dài thì lúc đó mới cần mô hình mạnh hơn.
Nếu mỗi lần làm việc bạn đều chọn mô hình mạnh nhất chỉ vì “chắc nó sẽ làm tốt hơn”, thì rất khó để công ty kiểm soát chi phí, cho dù đã đặt ngân sách. Vì vậy, khi được giao một hạn mức, hãy xem nó như tiền của chính mình.
Trước khi bấm chọn mô hình mạnh nhất, hãy tự hỏi: “Công việc này có thực sự cần nó không?”
Bạn không cần lúc nào cũng chọn mô hình thông minh nhất. Bạn cần chọn mô hình đủ khả năng làm tốt công việc mình cần trong phạm vi nguồn lực mình có.
Để giúp các bạn dễ lựa chọn hơn, Linh đã làm một tài liệu ngắn tên là “Hướng dẫn lựa chọn mô hình ChatGPT Business”. Trong đó Linh đã tổng hợp thành một bảng hướng dẫn để bạn có thể nhìn vào loại công việc mình đang làm và nhanh chóng xác định nên bắt đầu với lựa chọn nào, khi nào mới cần chuyển sang một mô hình có năng lực cao hơn.
Linh sẽ không đi sâu vào từng trường hợp trong bài viết này vì phần đó khá chi tiết. Bạn có thể tải miễn phí file PDF “Hướng dẫn lựa chọn mô hình ChatGPT Business” ở đường link này. Linh nghĩ bạn cũng có thể gửi tài liệu này cho cả đội ngũ để mọi người có cùng một cách hiểu khi lựa chọn mô hình AI.
4. Bài Học Lớn: Công Ty Nhỏ Vẫn Có Thể Gặp Rủi Ro Lớn
Bây giờ quay lại câu chuyện ở đầu bài viết. Khi Linh đọc bài báo về một doanh nghiệp tiêu gần nửa tỷ USD cho AI trong một tháng, Linh từng nghĩ: “Đó là vấn đề của những công ty rất lớn.” Nhưng sau hóa đơn 7.500 USD của chính công ty mình, Linh nhận ra: Các doanh nghiệp vừa và nhỏ thậm chí còn phải cẩn thận hơn.
7.500 USD có thể là một con số rất nhỏ trong báo cáo tài chính của một tập đoàn. Nhưng với một công ty nhỏ, đó có thể là ngân sách cho một dự án. Một chiến dịch tiếp thị.
Hay chi phí cho một nhân sự trong một khoảng thời gian. Và đây có lẽ là bài học Linh nhớ nhất sau chuyện này:
Mọi thứ luôn có vẻ rất bình thường… cho đến khi nó không còn bình thường nữa.
5. 5 Phút Để Kiểm Tra Cách Công Ty Bạn Đang Dùng AI
Ngay sau bài viết này, Linh gợi ý bạn dành 5 phút.
Nếu bạn là CEO hoặc người quản lý, hãy tự hỏi 3 câu:
(1) Công ty đang có giới hạn thực sự khiến hệ thống phải dừng, hay mới chỉ có cảnh báo
(2) Nhân viên có biết ngân sách AI của mình là bao nhiêu và tại sao phải tuân thủ nó không?
(3) Công ty đã dạy mọi người cách lựa chọn mô hình và sử dụng AI hiệu quả trong ngân sách đó chưa?
Còn nếu bạn là người trực tiếp sử dụng AI, hãy tự hỏi 2 câu:
(1) Với công việc lớn, mình đã lập kế hoạch trước khi để AI bắt đầu chạy chưa?
(2) Mình đang chọn mô hình phù hợp với công việc, hay chỉ mặc định chọn mô hình mạnh nhất?
AI là trách nhiệm của cả hai phía. Người quản lý tạo ra đường biên. Người sử dụng quyết định mình sẽ làm việc như thế nào bên trong đường biên đó.
Và nếu cả hai cùng làm tốt, chúng ta không cần dùng AI ít đi. Chúng ta có thể dùng AI nhiều hơn, nhưng dùng một cách có trách nhiệm và hiệu quả hơn.
Cảm ơn các bạn đã theo dõi. Nếu công ty bạn cũng từng gặp một tình huống tương tự khi dùng AI, hãy chia sẻ ở phần bình luận nhé.
Linh chúc bạn làm việc ngày càng thông minh và hiệu quả hơn.
