Việc nào nên giao cho AI? Ma trận và 20 ví dụ

Đăng ngày 25/10/2026

Tóm tắt: chọn nhiệm vụ, giữ rõ trách nhiệm

Việc nào nên giao cho AI cần được quyết định từ đầu ra, cách kiểm và hậu quả nếu sai. Một nhiệm vụ quen thuộc có thể dùng mô hình để tạo nháp nhưng vẫn cần người xác nhận trước khi gửi. Ngược lại, một tác vụ phức tạp có thể được chia nhỏ để hỗ trợ an toàn hơn. Bài đề xuất ma trận hai chiều cùng 20 ví dụ văn phòng giả định; phần phân loại là của tác giả, chưa được kiểm nghiệm như công cụ dự báo hiệu quả.

• Tách nhiệm vụ khỏi tên nghề. Soạn dàn ý và phê duyệt nội dung không có cùng yêu cầu, dù một người làm cả hai. Giao phần tạo nháp không đồng nghĩa giao quyền công bố, thanh toán hoặc quyết định thay con người.
• Hỏi ai kiểm được đầu ra bằng nguồn hay phép thử độc lập. Câu trả lời nghe tự tin không phải bằng chứng đúng. Khi thiếu người kiểm có năng lực, cần giảm phạm vi hoặc hoãn dùng, thay vì chỉ thêm câu lệnh yêu cầu chính xác.
• Xem tác động nếu sai, kể cả việc khó đảo ngược và ảnh hưởng người ngoài nhóm. Một đầu ra dễ đối chiếu vẫn có thể gây hậu quả lớn nếu được gửi tự động trước khi người phụ trách xem.
• Cập nhật cách phân loại khi mô hình, dữ liệu hoặc quy trình đổi. Ma trận không là giấy phép tự động hóa. Người chịu trách nhiệm cần biết điểm dừng, đường báo lỗi và cách quay về phương án hiện hành khi kết quả chưa đạt.

Ranh giới gập ghềnh nghĩa là gì?

Khái niệm jagged frontier được giới thiệu trong nghiên cứu Dell’Acqua và cộng sự về công việc tri thức. Trang HBS AI Institute năm 2023 mô tả hợp tác với BCG, đánh giá 758 tư vấn viên và kết quả tốt ở một số nhiệm vụ nhưng hạn chế ở nhiệm vụ khác. Ý chính là năng lực không trải đều theo một mức khó đơn giản. Bài này chỉ đọc được trang giới thiệu của viện, không toàn văn nghiên cứu; không dùng một tỷ lệ ngoài ranh giới chưa kiểm được phương pháp [1].

Ma trận dễ kiểm và mức tác động

Bài đề xuất đặt từng nhiệm vụ vào hai trục. Trục dễ kiểm hỏi người có trách nhiệm có nguồn hoặc phép thử đủ tin để xác nhận đúng sai không. Trục tác động hỏi sai sót có thể gây ảnh hưởng lớn đến tiền, quyền lợi, an toàn, dữ liệu hay uy tín không. Ma trận chỉ sắp xếp việc cần thảo luận, không đo chính xác xác suất lỗi. Một nhiệm vụ có thể đổi ô khi đối tượng sử dụng hoặc quyền thực hiện thay đổi.

NIST giới thiệu AI RMF với mục đích đưa yếu tố đáng tin cậy vào thiết kế, sử dụng và đánh giá; việc áp dụng mang tính tự nguyện và bản 1.0 đang được sửa. Bài không suy ma trận này là yêu cầu của NIST [2]. Hướng dẫn AI Playbook của Chính phủ Anh cũng nhấn mạnh kiểm soát thực chất của con người ở các giai đoạn thích hợp. Đó là hướng dẫn cho khu vực công Anh, không phải luật áp trực tiếp cho doanh nghiệp Việt Nam [3].

Ô dễ kiểm, tác động thấp: hỗ trợ có thể thử trước

Năm phân loại giả định dưới đây áp dụng khi dữ liệu được phép, bản gốc còn và đầu ra dùng nội bộ. Nếu cho công cụ gửi tự động hoặc đổi loại thông tin, cần xếp lại ô. Tên việc hành chính không tự bảo đảm an toàn.

• Việc 1, sắp danh sách theo thứ tự: AI đề xuất cách tổ chức, người dùng so lại số mục với bản gốc và kiểm mục trùng. Chỉ dùng bản sao khi thử để tránh mất dữ liệu. Nếu danh sách quyết định thứ tự thanh toán, tác động đã đổi.
• Việc 2, sửa lỗi trình bày bản nháp: đối chiếu tên, số và ý nghĩa với văn bản trước sửa. Người duyệt xác nhận công cụ không làm đổi yêu cầu. Khi văn bản sẽ công bố, cần thêm kiểm nội dung và quyền sử dụng, không chỉ chính tả.
• Việc 3, chuyển ghi chú thành danh sách việc: AI tách hành động, người dự họp xác nhận người làm và thời hạn. Những ý chưa chốt phải giữ trạng thái chưa quyết định. Không biến một câu hỏi trong ghi chú thành cam kết đã được thống nhất.
• Việc 4, gợi ý tiêu đề cho tài liệu nội bộ: người biên tập kiểm mức phản ánh nội dung và bỏ lời khẳng định quá mức. Không cần chọn phương án hấp dẫn nhất nếu gây hiểu sai. Đây là hỗ trợ sáng tạo, không có thước đúng sai hoàn toàn khách quan.
• Việc 5, tạo câu hỏi luyện tập từ tài liệu mẫu: đối chiếu đáp án với phần nguồn được chỉ rõ. Người hướng dẫn kiểm câu hỏi có nhiều cách hiểu và sửa trước khi dùng. Ví dụ chỉ là tài liệu luyện tập nội bộ, không phải đề đánh giá có hậu quả.

Ô dễ kiểm, tác động cao: phải có người phê duyệt

Bản dự thảo dễ đối chiếu vẫn có thể gây hậu quả lớn khi gửi sai. Trong các tình huống giả định dưới đây, phải tách chuẩn bị khỏi quyền hành động. Quyết định thật cần người có trách nhiệm kiểm, không chỉ bấm nút duyệt.

• Việc 6, soạn dự thảo báo giá từ bảng được duyệt: người phụ trách đối chiếu mã hàng, điều kiện và giá trước gửi. AI không được tự chọn mức giảm hay xác nhận hàng còn. Một phép so tự động hỗ trợ kiểm nhưng không thay quyền phê duyệt thương mại.
• Việc 7, chuẩn bị bản nhắc thanh toán: kiểm đúng khách, khoản phải trả và trạng thái mới nhất với hồ sơ có thẩm quyền. Chỉ người được phép mới gửi. Nếu nguồn chưa đồng bộ, dừng bản nhắc thay vì coi thông tin mô hình suy ra là số phải thu.
• Việc 8, gợi ý sửa cấu hình hệ thống: nhóm kỹ thuật kiểm thay đổi trong môi trường thử, xét quyền và đường quay lại trước áp dụng. Không cho AI tự sửa hệ thống thật chỉ vì câu lệnh nhìn có vẻ đúng. Tài liệu kiểm phải gắn với phiên bản cụ thể.
• Việc 9, trích thông tin để chuẩn bị hợp đồng: người chuyên trách đối chiếu từng trường với nguồn và điều kiện đã thỏa thuận. AI chỉ hỗ trợ nhập nháp, không tự xác nhận điều khoản có hiệu lực. Tên, số và vai trò pháp lý cần được xem riêng.
• Việc 10, dự thảo thông báo thay đổi lịch phục vụ: kiểm phạm vi khách bị ảnh hưởng, ngày giờ và kênh liên hệ. Người phụ trách chịu trách nhiệm phát hành. Một lỗi giờ có thể dễ nhìn thấy nhưng vẫn gây gián đoạn nếu thông báo được gửi hàng loạt trước kiểm.

Ô khó kiểm, tác động thấp: dùng để khám phá

Ở nhóm giả định này, AI mở thêm phương án, không cung cấp bằng chứng về thị trường hay con người. Ý tưởng vẫn cần thử. Khi dùng để ra quyết định lớn, phải chuyển sang thẩm định phù hợp thay vì giữ nhãn tác động thấp.

• Việc 11, đề xuất chủ đề buổi chia sẻ: người tổ chức hỏi lại nhu cầu của người tham dự và khả năng thực hiện. AI giúp mở danh sách, không chứng minh chủ đề nào sẽ thu hút. Trước khi công bố cần kiểm nội dung hứa hẹn và người thực sự phụ trách.
• Việc 12, gợi tên cho hoạt động nội bộ: xem tính dễ hiểu và ngữ cảnh văn hóa của nhóm. Những kiểm liên quan thương hiệu hoặc quyền sử dụng phải được thực hiện nếu tên sẽ dùng bên ngoài. Sự mới lạ do mô hình tạo chưa bảo đảm tên chưa ai dùng.
• Việc 13, dựng tình huống luyện trao đổi với khách: ghi rõ nhân vật và tình tiết đều giả định. Người hướng dẫn kiểm cách ứng xử trước khi dùng đào tạo. Không trình bày cuộc hội thoại do AI tạo như phản hồi thật của một khách hàng từng giao dịch.
• Việc 14, gợi câu hỏi phỏng vấn nhu cầu: người nghiên cứu rà câu dẫn dắt và kiểm qua thử nhỏ. AI không thay người dùng thật trả lời. Mục tiêu là chuẩn bị hỏi tốt hơn, không rút kết luận nhu cầu thị trường từ câu trả lời mô phỏng.
• Việc 15, lập các hướng giải thích một hiện tượng: giữ nhiều khả năng và liệt kê dữ liệu phân biệt chúng. Không chọn câu chuyện thuyết phục nhất làm nguyên nhân thật. Nếu dùng để đánh giá trách nhiệm cá nhân, mức tác động tăng và cần bằng chứng độc lập.

Ô khó kiểm, tác động cao: giữ quyền quyết định ở người có năng lực

Những tình huống giả định sau cần chuyên môn và người chịu trách nhiệm; không giao mô hình quyết định cuối. AI có thể hỗ trợ bước hẹp được phép, nhưng không xác nhận kết luận. Danh sách không thay quy trình chuyên ngành hay tư vấn riêng.

• Việc 16, chọn ứng viên từ hồ sơ: AI không nên tự ra quyết định tuyển hoặc loại người. Người phụ trách cần kiểm tiêu chí, thông tin và nguy cơ sai lệch trước mọi hỗ trợ được phép. Không dùng một điểm tổng hợp không giải thích được làm lý do cuối.
• Việc 17, kết luận một điều khoản có phù hợp pháp luật không: mô hình chỉ có thể giúp chuẩn bị câu hỏi và chỉ mục tài liệu trong phạm vi được cho phép. Người có chuyên môn phải đọc văn bản còn hiệu lực và hoàn cảnh thật. Câu trả lời chung không thay ý kiến chuyên trách.
• Việc 18, khuyến nghị đầu tư từ dữ liệu thiếu: không giao AI quyết định sử dụng vốn hoặc bảo đảm lợi nhuận. Cần chuyên môn, kiểm nguồn và đánh giá rủi ro của trường hợp cụ thể. Bài chỉ phân loại quyền quyết định, không hướng dẫn chọn tài sản hay tỷ trọng đầu tư.
• Việc 19, xử lý sự cố an toàn ảnh hưởng con người: giữ quyết định ở người và quy trình có thẩm quyền, không chờ mô hình đoán cách làm. AI chỉ hỗ trợ việc hành chính đã được phép sau khi tình huống được kiểm soát. Một câu trả lời nhanh không tạo ra quyền can thiệp chuyên môn.
• Việc 20, kết luận nhân viên vi phạm từ tin nhắn rời rạc: không để AI gán trách nhiệm hay tự đưa biện pháp xử lý. Phải xác minh thông tin, bối cảnh và quyền giải trình theo quy trình thích hợp. Mô hình tóm tắt giỏi vẫn có thể bỏ phần thông tin làm đổi kết luận.

Cần những gì để nói đầu ra đã được kiểm?

Sau phân loại công việc giao cho AI, nên có một phiếu nhỏ ghi nguồn vào, tiêu chí đạt, người kiểm và quyền thực hiện. Một nguồn gốc có thể truy lại giúp phân biệt dữ kiện có trong tài liệu với phần mô hình bổ sung. Hướng dẫn của cơ quan Canada về báo cáo đánh giá cũng yêu cầu làm rõ mục đích, phương pháp, cấu hình và giới hạn. Đây là nguyên tắc minh bạch đánh giá, không phải chứng nhận ma trận hay 20 ví dụ của bài [4].

Kiểm tra đầu ra của AI cần phù hợp loại lỗi. Với số liệu, đối chiếu theo nguồn; với thay đổi hệ thống, dùng phép thử có khả năng bắt lỗi; với ý tưởng, cần phản hồi thực thay vì hỏi mô hình tự chấm. Nghiên cứu viết do MIT giới thiệu có những giới hạn về kiến thức bối cảnh và kiểm chứng sự thật. Điều đó nhắc rằng bài viết được chấm tốt chưa đồng nghĩa dữ kiện đã được xác minh cho công việc của doanh nghiệp [5].

Việt Nam: quyền dữ liệu cần xem trước khi thử

Luật 91/2025/QH 15 về bảo vệ dữ liệu cá nhân được thông qua ngày 26/6/2025, có hiệu lực ngày 1/1/2026. Nguyên tắc tại Điều 3 yêu cầu xử lý trong phạm vi, mục đích cụ thể và bảo đảm độ chính xác. Đọc ma trận không thay việc rà nghĩa vụ áp dụng cho dữ liệu và hệ thống thật. Phần này chỉ đối chiếu nguyên tắc cùng mốc văn bản, chưa đánh giá toàn bộ luật, nghị định hay trường hợp cụ thể để đưa tư vấn pháp lý [6].

Trong bài công bố tháng 5/2026, FPT trình bày quan điểm chuyển từ dùng công cụ sang tích hợp vào vận hành, gắn vai trò lãnh đạo và dữ liệu. Tại Việt Nam, đây là chia sẻ do chính doanh nghiệp công nghệ đăng, có lợi ích thương mại; bài không lấy các mức tăng năng suất trong nguồn làm bằng chứng nhân quả [7]. Với doanh nghiệp nhỏ, điều đáng chuyển thành câu hỏi là ai giao quyền, ai kiểm và ai xử lý nếu công cụ làm sai, thay vì sao chép một mô hình tổ chức lớn.

Góc nhìn AI: khi nào nên dùng AI sau khi công cụ đổi?

Biên giới năng lực AI không được xác định vĩnh viễn bởi tên mô hình hay một bản trình diễn. Trong nghiên cứu của METR năm 2025, nhiệm vụ lập trình thực tế cho thấy khác biệt giữa khả năng trên đánh giá chuẩn và hiệu quả trong bối cảnh được thử. Cập nhật năm 2026 lại chỉ ra khó khăn chọn người tham gia và nhiệm vụ, làm kết quả mới thiếu chắc chắn [8][9]. Bài không dùng các tỷ lệ ấy để xếp 20 việc văn phòng; chúng chỉ cho thấy phải giữ bối cảnh khi kiểm lại cách phân công.

Bài đề xuất duy trì một bộ ví dụ AI đủ gần công việc của nhóm, gồm trường hợp thường gặp và trường hợp từng gây lỗi. Mỗi lần đổi công cụ, dữ liệu nguồn hay quyền hành động, thử lại các trường hợp liên quan trước khi giữ mức phân quyền cũ. Tần suất rà định kỳ do tổ chức chọn theo mức rủi ro và tốc độ thay đổi, không có một lịch chung được chứng minh tối ưu. Nếu kết quả chỉ tốt trên các ví dụ đã quen, cần thêm trường hợp mới được chọn độc lập.

Người mới dùng AI cần được hướng dẫn kiểm ngoài mô hình. Khi chưa biết một nội dung đúng hay sai, yêu cầu công cụ tự xác nhận thêm nhiều lần không tạo ra nguồn độc lập. Trong tình huống giả định về soạn báo giá, nhân viên mới phải đối chiếu với bảng được duyệt và hỏi người phụ trách khi thiếu điều kiện, không suy từ câu trả lời tự tin. Việc huấn luyện nên gắn lỗi cụ thể với hành động sửa, giúp người học biết giới hạn quyền của mình trước khi dùng thật.

Không nên coi kinh nghiệm lâu năm là bảo đảm miễn kiểm AI. Người giỏi vẫn có thể gặp dữ liệu mới, yêu cầu mới hoặc chịu áp lực thời gian. Khi mở rộng quyền, hãy kiểm việc phát hiện lỗi và khả năng dừng, thay vì chỉ nhìn số đầu ra tạo được. Bộ ví dụ và cách kiểm do bài đề xuất chưa được chứng minh hiệu quả như một gói đào tạo. Chúng phù hợp để tổ chức trao đổi và phát hiện lỗ hổng ban đầu, không thay đánh giá chuyên môn cho quyết định có hậu quả cao.

Áp dụng cho doanh nghiệp nhỏ và vừa

Doanh nghiệp nhỏ có thể chọn một nhóm việc trong ô dễ kiểm để thử, với người phụ trách nhận kết quả trực tiếp. Chỉ cần biết đầu vào nào được phép, kiểm ở đâu và khi nào phải dừng. Không nên mua quyền tự động thực hiện trước khi người dùng biết cách xem bản nháp. Nếu chủ doanh nghiệp đang kiêm người giao và người duyệt, cần dành thời gian kiểm thật, tránh coi việc mình đã đọc qua là bằng chứng mọi dữ kiện đều đúng.

Doanh nghiệp vừa thường có nhiều khâu bàn giao hơn. Có thể phân người giữ dữ liệu, người nhận đầu ra và người duyệt hành động, nhưng cần tránh tạo bước duyệt chỉ mang tính hình thức. OECD mô tả từ khảo sát năm 2024 rằng doanh nghiệp nhỏ và vừa thường dùng AI tạo sinh cho phần hỗ trợ hơn cho hoạt động lõi. Đây là dữ liệu tự khai, không phải chứng minh rằng mọi doanh nghiệp vừa nên bắt đầu giống nhau hay rằng việc ngoại vi luôn có rủi ro thấp [10].

Với hộ kinh doanh hoặc nhóm rất ít người, có thể bắt đầu bằng các việc thử trên tài liệu giả định để học cách kiểm. Nhóm lớn hơn cần thống nhất cách bàn giao đầu ra đã dùng công cụ, để người nhận không tưởng đó là thông tin đã được chuyên gia xác minh. Ở mọi quy mô, khi chưa có người kiểm đủ năng lực cho một việc, hãy đổi phạm vi hỗ trợ trước khi tăng quyền. Việc nào nên giao cho AI vì thế là quyết định về cả con người và quy trình.

Thử cách giao việc rồi mới tăng quyền

Bài đề xuất phiếu quyết định ghi ba lựa chọn: giữ mức hỗ trợ, thu hẹp hoặc tăng quyền có điều kiện. Ghi lý do cụ thể và người chịu trách nhiệm xem lại. Đây là đóng góp thực hành thứ hai, không phải khung đã được đánh giá độc lập. Nếu nhân viên ngại báo lỗi, sổ khó còn giá trị. Nên xem lỗi được phát hiện sớm như thông tin để điều chỉnh, không ép mọi thử nghiệm phải chứng minh lựa chọn ban đầu là đúng.

Sai lầm khi dùng tên nghề để quyết định

Hỏi AI thay thế công việc nào dễ dẫn đến câu trả lời quá rộng nếu chưa tách các bước. Một nghề có phần chuẩn hóa, phần cần phán đoán và phần phải có người chịu trách nhiệm. Cũng không nên nghĩ việc nhiều chữ là khó kiểm còn bảng số là dễ kiểm: khi nguồn sai hoặc thiếu, cả hai đều có thể gây nhầm. Hai trục trong bài cần được xem theo bối cảnh cụ thể, không theo định dạng đầu ra.

Hỏi đáp

Việc nào nên giao cho AI trước? Nên xem phần việc có đầu vào được phép, tiêu chí đạt đủ rõ và người kiểm có năng lực. Thử hỗ trợ hẹp trước, ghi cả công kiểm và lỗi. Không cần chọn việc có vẻ hiện đại nhất. Nếu chưa biết đầu ra tốt nghĩa là gì, hãy xác định điều đó trước khi tăng tự động hóa.

Ô tác động thấp có được bỏ kiểm không? Không. Tác động được xếp trong điều kiện giả định và có thể đổi khi đầu ra được dùng ngoài dự kiến. Người phụ trách vẫn cần kiểm mức phù hợp với việc, giữ nguồn gốc và xác nhận quyền sử dụng. Một lỗi nhỏ lặp nhiều lần hoặc được gửi rộng cũng có thể gây ảnh hưởng đáng kể.

Ma trận có đo khả năng chính xác của mô hình không? Không. Đây là đề xuất tổ chức trao đổi về khả năng kiểm và hậu quả. Nó không cho xác suất lỗi, không thay bộ thử và chưa được kiểm nghiệm như công cụ dự báo. Để biết một mô hình làm được gì, cần phép kiểm đủ gần nhiệm vụ và cấu hình đang dùng.

Có người duyệt thì đã an toàn chưa? Người duyệt cần đủ thông tin, thời gian, năng lực và quyền từ chối. Nếu chỉ bấm chấp nhận vì tin công cụ hoặc không thể đối chiếu, bước duyệt khó tạo kiểm soát thực chất. Cần xác định phần phải xem, cách ghi điều chưa rõ và đường đưa việc về người có thẩm quyền.

Có cần phân loại lại sau mỗi câu lệnh mới không? Không nhất thiết làm lại toàn bộ ma trận. Nhưng thay đổi ảnh hưởng dữ liệu, chất lượng, đối tượng nhận hoặc quyền hành động cần được xem xét. Nhóm nên có người nhận biết thay đổi quan trọng và bộ ví dụ để kiểm lại phần liên quan, tránh duy trì quyền cũ chỉ vì hệ thống vẫn chạy.

Kết luận: giao nhiệm vụ trong ranh giới có thể kiểm

Hãy lấy một nhiệm vụ thực sự cần hỗ trợ, chỉ ra dữ liệu được phép và người có thể xác nhận đầu ra. Bắt đầu với quyền hẹp, lưu lý do nhận hoặc từ chối và xem lại sau thay đổi quan trọng. Nếu không còn đủ khả năng kiểm, thu phần quyền liên quan về trước khi mở rộng. Ma trận là điểm khởi đầu thảo luận; quyết định vẫn cần dựa vào bằng chứng tác vụ và trách nhiệm của người sử dụng.

Nguồn và phương pháp

Bài có AI hỗ trợ biên soạn, không phải bản dịch. Nguồn đối chiếu ngày 25/10/2026 gồm giới thiệu nghiên cứu, hướng dẫn cơ quan, khảo sát OECD và nguồn Việt Nam. Chưa kiểm chứng hiệu quả ma trận hay 20 phân loại giả định tại doanh nghiệp. Không trích mức giảm chất lượng ngoài ranh giới từ toàn văn chưa đọc được. Các mục pháp lý chỉ nêu nguyên tắc đã xem, không thay tư vấn trường hợp riêng; mọi đề xuất vẫn cần đánh giá theo bối cảnh.