hieutruongbackl
Thành viên
- Tham gia
- 20/8/2025
- Bài viết
- 14
Chỉ trong một thời gian ngắn, AI đã chuyển từ một công nghệ được bàn luận nhiều thành công cụ xuất hiện trong công việc hàng ngày.
Một Marketer có thể dùng AI để nghiên cứu khách hàng và xây content plan. Sales có thể chuẩn bị thông tin trước cuộc gặp. HR có thể hỗ trợ xây JD, onboarding hoặc tài liệu đào tạo. Người làm văn phòng có thể tổng hợp báo cáo, xử lý tài liệu và phân tích dữ liệu nhanh hơn.
Nhưng khi ngày càng nhiều người biết sử dụng ChatGPT, Gemini hay các công cụ AI khác, một câu hỏi mới bắt đầu xuất hiện:
Câu trả lời ngày càng nằm ở khả năng đưa AI vào đúng quy trình làm việc, thay vì chỉ biết sử dụng từng công cụ riêng lẻ.
Đây cũng là hướng DNAI Academy đang theo đuổi khi xây dựng các chương trình đào tạo AI tại Đà Nẵng dành cho người đi làm và doanh nghiệp.
Khoảng cách giữa “dùng AI” và “làm việc với AI”
Hiện nay, việc tiếp cận AI tương đối dễ dàng.Một người mới có thể mở ChatGPT và yêu cầu:
“Viết cho tôi bài Facebook.”
“Tóm tắt tài liệu này.”
“Phân tích bảng dữ liệu này.”
“Lập kế hoạch Marketing.”
AI có thể trả về kết quả trong vài giây.
Nhưng khi áp dụng vào công việc thật, vấn đề bắt đầu phức tạp hơn.
Một bài Content do AI tạo ra có đúng thương hiệu không?
Một insight AI phát hiện có dựa trên dữ liệu chính xác không?
Một thông tin AI cung cấp có nguồn kiểm chứng không?
Một quy trình có nên tự động hóa hoàn toàn không?
Đây chính là khoảng cách giữa sử dụng AI như công cụ và sử dụng AI như một phần của hệ thống làm việc.
Người lao động trong giai đoạn tiếp theo vì vậy không chỉ cần biết đặt prompt.
Họ cần biết:
AI nên làm gì → Con người kiểm tra gì → Kết quả được sử dụng thế nào.
DNAI lựa chọn đào tạo AI theo công việc thay vì chạy theo tool
Thị trường AI thay đổi rất nhanh.Một công cụ được sử dụng rộng rãi hôm nay chưa chắc vẫn là lựa chọn tốt nhất sau một năm.
Nếu chương trình đào tạo chỉ tập trung vào:
Tool A → Tool B → Tool C → Tool D
thì kiến thức của người học rất dễ lỗi thời.
DNAI lựa chọn một hướng khác: bắt đầu từ bài toán công việc.
Ví dụ với người làm Marketing, câu hỏi không phải:
Mà là:
Một workflow có thể là:
Customer Research → Planning → Content → Campaign → Data → Optimization.
AI có thể tham gia từng phần với vai trò khác nhau.
Ở Research, AI hỗ trợ tổng hợp thông tin.
Ở Planning, AI hỗ trợ xây các phương án.
Ở Content, AI hỗ trợ research, outline và first draft.
Ở Data, AI giúp tóm tắt và phát hiện những điểm cần kiểm tra.
Nhưng chiến lược và quyết định cuối cùng vẫn thuộc về con người.
Không phải ngành nào cũng cần học AI giống nhau
Một điểm khác biệt quan trọng khi đào tạo AI là ngữ cảnh nghề nghiệp.Một người làm Content sẽ không có nhu cầu giống Sales.
HR cũng không dùng AI giống Data Analyst.
Vì vậy, thay vì áp một chương trình cho tất cả mọi người, lộ trình nên được chia theo nhóm công việc.
DNAI hiện phát triển các hướng ứng dụng như:
- AI Foundation và Prompt Engineering;
- AI Marketing;
- AI Content;
- AI Sales;
- AI cho HR;
- AI Data Analytics;
- AI Automation & AI Agents.
Một Marketer không cần phải trở thành AI Engineer.
Một HR Executive cũng không cần bắt đầu bằng Python.
Điểm xuất phát nên là:
Người đi làm cần nhiều hơn một bộ prompt
Prompt Engineering thường là một trong những kỹ năng đầu tiên khi học AI.Nhưng nếu chỉ học prompt mẫu, người dùng rất dễ phụ thuộc vào những “công thức câu lệnh”.
Trong thực tế, output AI phụ thuộc rất nhiều vào bối cảnh.
Một yêu cầu:
sẽ tạo ra kết quả rất khác với:
Khác biệt không nằm ở việc prompt dài hơn.
Khác biệt nằm ở context tốt hơn.
Đó cũng là lý do người làm việc với AI cần biết cách cung cấp:
Mục tiêu → Dữ liệu → Điều kiện → Tiêu chí → Output mong muốn.
Kỹ năng này có giá trị lâu dài hơn nhiều so với việc thuộc hàng chục prompt mẫu.
AI giúp tăng tốc, nhưng không thay thế bước kiểm chứng
Một trong những kỹ năng quan trọng khi ứng dụng AI là biết không tin hoàn toàn vào AI.AI có thể:
tóm tắt nhanh;
tạo nội dung nhanh;
đề xuất nhanh;
phân tích nhanh.
Nhưng “nhanh” và “đúng” không phải lúc nào cũng giống nhau.
Ví dụ AI phân tích một file dữ liệu và kết luận:
Người dùng vẫn phải kiểm tra:
Dữ liệu có đủ không?
Tracking có lỗi không?
Campaign có mục tiêu khác nhau không?
Khoảng thời gian so sánh có hợp lý không?
Có yếu tố mùa vụ không?
Đây là lý do DNAI định hướng AI theo mô hình có sự kiểm soát của con người:
AI hỗ trợ → Con người kiểm tra → Con người quyết định.
Khi nào nên học AI Automation?
Sau khi sử dụng AI cho từng công việc, nhiều người bắt đầu quan tâm đến Automation.Automation có thể giúp kết nối nhiều bước:
Form khách hàng
→ AI phân loại
→ lưu dữ liệu
→ tạo nội dung phản hồi
→ chuyển cho nhân viên phụ trách.
Hoặc trong Content:
Brief
→ Research
→ Outline
→ First draft
→ Review
→ Social variation.
Tuy nhiên, Automation không nên là bước đầu tiên.
Nếu một quy trình hiện tại chưa rõ, tự động hóa nó có thể khiến lỗi xảy ra nhanh hơn.
Một lộ trình hợp lý hơn là:
Làm thủ công → Hiểu quy trình → Chuẩn hóa → AI hỗ trợ → Automation.
Người học vì vậy cần hiểu logic của công việc trước khi xây hệ thống tự động.
Học AI cần tạo ra “đầu ra công việc”
Một khóa học AI thực tế không nên chỉ kết thúc bằng việc người học biết thêm tên một số nền tảng.Người học nên tạo ra những sản phẩm có thể sử dụng sau khóa học.
Ví dụ một Marketer có thể xây được workflow nghiên cứu khách hàng.
Người làm Content có thể tạo được quy trình từ brief đến nội dung hoàn chỉnh.
Sales có thể thiết kế quy trình nghiên cứu lead và follow-up.
Người làm Data có thể biết cách sử dụng AI để đọc dữ liệu và đặt câu hỏi tốt hơn.
Đầu ra như vậy giúp người học chuyển từ:
sang:
Đây là khác biệt quan trọng.
Doanh nghiệp cần đào tạo AI khác cá nhân
Với cá nhân, mục tiêu thường là tiết kiệm thời gian và cải thiện hiệu suất công việc.Nhưng với doanh nghiệp, bài toán rộng hơn nhiều.
Doanh nghiệp phải quan tâm đến:
dữ liệu nào được phép sử dụng;
AI nào được phê duyệt;
nhân sự nào được quyền truy cập;
output nào phải có người kiểm tra;
quy trình nào có thể tự động;
hiệu quả được đo bằng KPI nào.
Do đó, đào tạo AI trong doanh nghiệp không nên chỉ dừng ở buổi hướng dẫn sử dụng ChatGPT.
Cần bắt đầu từ use case cụ thể của từng phòng ban.
Ví dụ Marketing có một nhóm use case.
Sales có nhóm khác.
HR và Operations lại có những yêu cầu khác.
Khi từng nhóm công việc được xác định rõ, AI mới có khả năng chuyển từ thử nghiệm sang ứng dụng thực tế.
DNAI Academy hướng tới hệ sinh thái học AI ứng dụng
Thay vì xem AI là một khóa học độc lập, DNAI đang xây lộ trình theo nhiều cấp độ.Người mới có thể bắt đầu từ kiến thức nền tảng.
Sau đó tiếp tục với Prompt Engineering.
Tiếp theo là ứng dụng AI vào chuyên môn như Marketing, Content, Sales, HR hoặc Data.
Khi quy trình đã rõ, người học có thể đi sâu hơn sang Automation và AI Agent.
Cấu trúc này phản ánh đúng cách AI thường được triển khai trong công việc:
Hiểu → Sử dụng → Ứng dụng → Chuẩn hóa → Tự động hóa.
Không nhất thiết tất cả người học đều phải đi đến bước cuối.
Quan trọng là lựa chọn đúng cấp độ phù hợp với mục tiêu hiện tại.
AI đang thay đổi yêu cầu đối với người lao động
Trước đây, doanh nghiệp có thể đánh giá nhân sự dựa trên khả năng làm một công việc nhanh và chính xác.Khi AI tham gia nhiều hơn, tiêu chuẩn có thể dần thay đổi.
Người có giá trị không nhất thiết là người tự làm tất cả.
Họ có thể là người biết:
xác định bài toán;
cung cấp đúng dữ liệu;
giao đúng nhiệm vụ cho AI;
kiểm tra kết quả;
và sử dụng thời gian tiết kiệm được cho những công việc có giá trị cao hơn.
Theo cách đó, AI không chỉ là một công cụ hỗ trợ.
Nó dần trở thành một phần của năng lực làm việc hiện đại.
Từ học công cụ đến xây năng lực AI
Công cụ sẽ tiếp tục thay đổi.ChatGPT, Gemini hay bất kỳ nền tảng nào hôm nay cũng sẽ tiếp tục được nâng cấp.
Nhưng có những kỹ năng ít thay đổi hơn:
Hiểu bài toán.
Biết đặt câu hỏi.
Biết cung cấp context.
Biết kiểm chứng.
Biết xây workflow.
Biết đo kết quả.
Đó cũng là hướng DNAI Academy muốn đưa vào các chương trình đào tạo AI tại Đà Nẵng.
Mục tiêu cuối cùng không phải để người học nói rằng:
Mà là:
Khi đạt được điều đó, AI mới thực sự chuyển từ xu hướng công nghệ thành một năng lực có giá trị cho cá nhân và doanh nghiệp.
