Đêm 12 rạng sáng 13/9/2026, tôi để AI tổng hợp dữ liệu bài tập của 28 học viên khóa AI Tinh Gọn K6: quét nhóm Zalo, tìm bài nộp theo tên từng người, đếm ai đủ 3 bài trước hạn 00:00. Kết quả gọn gàng: 17/28 học viên nộp đủ. 00:12, tôi gửi bảng tổng kết đó vào nhóm lớp.
Bảng đó sai. Sau khi quét lại, con số đúng là 18/28, và có hai học viên đã nộp đủ bài từ sớm nhưng bị ghi thiếu, ngay trước mắt cả lớp. Đây là câu chuyện về việc AI tổng hợp dữ liệu có đáng tin tuyệt đối không, kể từ một lần chính tôi phải đính chính công khai.
AI tổng hợp dữ liệu chỉ thấy những gì nó tìm tới
Tôi làm nghề dạy AI, gần 2.000 người tôi trực tiếp huấn luyện, nên tôi không phải người ngồi trách máy vì không biết dùng. Nhưng đêm đó tôi mới thấy rõ một giới hạn ít ai nói tới: AI chỉ tổng hợp được những gì cách tìm kiếm của nó chạm tới. Nó không “đọc hết” khung chat như mắt người lướt qua.
Quy trình chấm lúc đó: lọc tin nhắn trong nhóm theo tên người gửi, đếm bằng chứng nộp bài của từng người. Nghe hợp lý, và nó chạy đúng với phần lớn học viên. Vấn đề nằm ở ô tìm kiếm của Zalo: nó chỉ trả về tin nhắn có chữ. Một tấm ảnh bài làm gửi thành tin riêng, không kèm dòng caption nào, sẽ không hiện trong kết quả, dù nó nằm ngay trong khung chat.
Hai trường hợp bị ghi sai:
- Học viên thứ nhất bị xếp 1/3. Thực tế đủ 3/3. Tìm theo tên chỉ ra đúng một tin chữ “E nộp bài ạ”, còn hai tấm ảnh bài làm (ảnh Claude Code và ảnh Skill lên ý tưởng content mỗi ngày) gửi riêng, không caption, nên lọt khỏi kết quả.
- Học viên thứ hai bị xếp 2/3. Thực tế cũng đủ 3/3. Bài cuối là ảnh chụp bài Facebook đăng lúc 22:39, không một chữ đi kèm.
Chỗ nguy hiểm: AI sai trong im lặng
Nếu AI báo lỗi, hoặc nói “tôi không chắc”, tôi đã dừng lại kiểm. Nhưng nó không báo gì cả. Nó đưa ra một bảng đẹp, có số, có phần trăm, có danh sách người cần nhắc. Trông đủ chắc để tôi bấm gửi.
Tôi chỉ phát hiện ra khi yêu cầu quét lại để lấy bảng đầy đủ tên từng người. Lần này bắt nó cuộn tới đúng vị trí trong khung chat, xem các tin ảnh nằm liền kề tin chữ. Hai ô sai lộ ra ngay, vài ô khác trong bảng cũng xê dịch. Lúc đó bảng cũ đã nằm trong nhóm, 28 người đã đọc. Tôi phải chấm lại và đính chính.
Với tôi, cái giá không nằm ở con số 17 hay 18. Nó nằm ở hai học viên đã làm bài đàng hoàng, nộp sớm, rồi thấy tên mình trong danh sách “chưa đủ” do người dạy gửi. Cảm giác bị ghi nhận sai, dù chỉ vài tiếng, là thứ không đính chính nào xóa sạch được.
Kiểu lỗi này không riêng gì chấm bài. Bất cứ khi nào bạn nhờ AI lọc, đếm hay tổng hợp dữ liệu từ nhiều nguồn, cùng một gốc bệnh có thể xuất hiện:
- Rà đơn hàng, hóa đơn: lọc theo từ khóa trong email hay tên file, còn hóa đơn chụp ảnh gửi qua Zalo, Messenger không kèm mô tả thì rơi ra ngoài.
- Tổng hợp phản hồi khách hàng: đếm bình luận theo từ khóa cảm xúc, còn phản hồi bằng emoji, ảnh chụp màn hình hay tin nhắn thoại chưa chuyển thành chữ thì không được tính.
- Duyệt hồ sơ ứng viên: quét CV dạng văn bản, còn CV thiết kế dạng ảnh hoặc PDF scan không có lớp chữ thì bị đọc thiếu mục.
Điểm chung: luôn có một loại dữ liệu nằm ngoài tầm với của tiêu chí lọc, và AI không tự biết mình đang bỏ sót. Với nó, thứ không khớp mẫu tìm kiếm coi như không tồn tại.
Muốn dùng AI mà không dính những lỗ hổng kiểu này? Nhận cuốn Đệ Tử AI miễn phí — tôi viết về cách kiểm soát AI để nó không âm thầm quyết định thay bạn kết quả công việc.
3 luật tôi thêm vào quy trình tổng hợp dữ liệu bằng AI
Sau đêm đó, quy trình chấm bài của tôi (giờ đã đóng thành một quy trình riêng, dùng lại cho các khóa sau) có thêm một dòng in đậm: không được kết luận số bài chỉ từ danh sách tìm kiếm theo người gửi. Từ dòng đó, tôi rút ra ba luật dùng cho mọi việc tổng hợp, không chỉ chấm bài.
1. Hỏi AI nó đang tìm bằng cách nào, trước khi tin con số cuối. Đừng chỉ hỏi “ai đã nộp bài”. Hãy hỏi thêm: “Bạn đang lọc theo tiêu chí gì, và cách đó có thể bỏ sót loại nội dung nào?” Câu trả lời thường lộ lỗ hổng ngay. Một câu như “tôi tìm tin nhắn theo tên người gửi” đã đủ để người biết hỏi giật mình: thế còn tin ảnh thì sao?
2. Việc ảnh hưởng tới người thật thì luôn có một vòng kiểm tay. Chấm điểm, duyệt hồ sơ, tính lương, đối soát công nợ: một con số sai ở đây chạm thẳng vào một con người cụ thể. Lời khuyên của tôi: danh sách nhỏ (vài chục dòng) thì kiểm lại toàn bộ; danh sách lớn thì lấy mẫu một phần để đối chiếu, thấy lệch ở mẫu là kiểm lại hết.
3. Kết quả AI là bản nháp, chưa phải phán quyết. Đây là thay đổi lớn nhất trong cách tôi dùng AI sau chuyện này. Trước đó tôi vô thức coi con số AI đưa ra như sự thật đã kiểm chứng. Giờ tôi coi nó như bản nháp của một trợ lý giỏi nhưng mới vào: làm nhanh, làm nhiều, nhưng phải có người rà trước khi công bố.
Vì sao người dùng AI càng quen càng dễ mắc
Công cụ nào cũng có giới hạn, chuyện AI bỏ sót tôi chấp nhận được. Điều làm tôi ngượng là chính tôi, người đứng lớp dạy AI, vẫn bấm gửi một bảng sai chỉ vì nó trông quá gọn gàng để nghi ngờ. Càng quen dùng AI, người ta càng dễ bỏ bước kiểm tra. Lúc tin tưởng nhất lại là lúc dễ sai nhất.
Nếu công việc của bạn có đụng tới việc tổng hợp dữ liệu số lượng lớn (đơn hàng, phản hồi khách, hồ sơ, báo cáo tháng) mà một phần dữ liệu đó nằm dưới dạng ảnh, tin nhắn thoại, file scan, thì nhiều khả năng bạn đang đứng trên đúng lỗ hổng tôi vừa kể. Công cụ của bạn vẫn tốt; thứ còn thiếu thường chỉ là một câu hỏi đúng trước khi tin kết quả.
Vậy AI tổng hợp dữ liệu có đáng tin tuyệt đối không? Câu trả lời thật của tôi, sau lần phải đính chính trước cả lớp: đáng tin để làm nhanh, chưa đủ tin để công bố khi chưa có người kiểm.
🎁 Học AI Tinh Gọn — học ít, dùng chắc
Khóa học tôi trực tiếp huấn luyện: cách giao việc cho AI mà vẫn kiểm soát được kết quả, không phó mặc cho một con số trông có vẻ đúng. Thực hành ngay trên công việc thật của bạn.
0 Bình luận