ĐỘI NGŨ LAI NGƯỜI VÀ AI TRONG STARTUP

AI tác tử nhận việc như một nhân sự số, nhưng trách nhiệm và phán đoán cuối cùng vẫn thuộc về con người

---

Minh và Hà khởi nghiệp với một nền tảng luyện thi tiếng Anh. Chỉ có hai người, nhưng họ vận hành như một công ty mười người: một tác tử AI viết và kiểm thử mã, một tác tử soạn bài đăng mạng xã hội theo lịch, một trợ lý AI trả lời học viên suốt đêm. Mọi thứ trơn tru cho đến khi một học viên chụp màn hình gửi lên nhóm cộng đồng: trợ lý AI đã hứa hoàn tiền toàn bộ nếu học viên không đạt điểm mục tiêu, một chính sách mà Minh và Hà chưa bao giờ đưa ra. Học viên đòi hoàn tiền. Hai nhà sáng lập tranh cãi: lỗi là của AI, đâu phải của mình?

Câu hỏi đó đã có câu trả lời ở nơi khác. Năm 2024, một hội đồng giải quyết tranh chấp dân sự ở Canada buộc Air Canada bồi thường cho một hành khách vì chatbot của hãng đã đưa thông tin sai về chính sách giá vé. Hãng lập luận rằng chatbot là một thực thể riêng, tự chịu trách nhiệm về lời nói của nó; hội đồng bác bỏ lập luận này và cho rằng doanh nghiệp chịu trách nhiệm về mọi thông tin trên website của mình, dù do người hay chatbot cung cấp (Moffatt v. Air Canada, 2024). Doanh nghiệp có thể giao việc cho AI, nhưng không thể giao trách nhiệm cho AI.

Bài viết gồm năm mục. Mục 1 giải thích vì sao AI tác tử có thể được xem là một nguồn "nhân sự số" mới. Mục 2 chỉ ra điểm khác biệt về bản chất giữa nhân sự AI và nhân sự con người. Mục 3 phân tích tác động lên cấu trúc và kỹ năng của đội ngũ. Mục 4 vạch ranh giới giữa phần việc AI thực thi và phần phán đoán thuộc về con người. Mục 5 bàn về việc con người nên dựa vào AI đến mức nào.

1. AI tác tử, nguồn nhân sự số thứ năm

AI tạo sinh thế hệ đầu chủ yếu trả lời từng lượt hỏi đáp. AI tác tử (agentic AI) đi xa hơn: nó nhận một mục tiêu, tự lập kế hoạch, dùng công cụ như trình duyệt, bảng tính, môi trường lập trình hay phần mềm doanh nghiệp và thực hiện chuỗi tác vụ nhiều bước với rất ít giám sát. Với startup luôn thiếu cả tiền lẫn người, câu hỏi quản trị mới xuất hiện: nên xem AI là công cụ, là nhân viên, hay một thứ ở giữa?

Doanh nghiệp non trẻ thường khai thác bốn nguồn lao động truyền thống: nhân viên chính thức, thực tập sinh, người làm tự do (freelancer) và trợ lý ảo (Barringer & Ireland, 2024); bốn nguồn này được bàn trong bài Tuyển nhân sự chủ chốt, cố vấn và hội đồng cho startup. AI tác tử có thể xem là nguồn thứ năm đang hình thành, giống một "trợ lý ảo không ngủ": chi phí biên thấp, mở rộng gần như tức thời, làm việc liên tục và nhất quán. Bảng 1 đối chiếu những việc AI tác tử làm tốt với giới hạn buộc phải có con người trong từng nhóm vai trò.

Bảng 1. Nhân sự AI theo nhóm vai trò trong startup

Nguồn: người viết tổng hợp.

Bảng 1 cho thấy một quy luật: AI làm tốt phần thực thi lặp lại được, còn con người giữ phần liên quan đến tiền, cam kết, quan hệ và lựa chọn chiến lược. Sự cố của Minh và Hà rơi đúng vào cột bên phải: trợ lý AI đã chạm vào một cam kết về tiền mà lẽ ra phải có người duyệt.

2. Giao việc, không giao trách nhiệm

Nhân sự AI khác bốn nguồn lao động còn lại ở một điểm mấu chốt: AI không phải là chủ thể chịu trách nhiệm. Đầu ra của tác tử có thể sai một cách tự tin, hiện tượng thường gọi là "ảo giác". Nó có thể vi phạm bản quyền, hoặc làm rò rỉ dữ liệu khách hàng và bí mật kinh doanh nếu dữ liệu nhạy cảm được đưa vào dịch vụ AI của bên thứ ba mà không kiểm soát. Trong mọi trường hợp, trách nhiệm pháp lý, tài chính và đạo đức thuộc về con người và doanh nghiệp vận hành nó, như vụ Air Canada cho thấy.

Bằng chứng nghiên cứu cũng nhắc nhở điều tương tự. Trong một thí nghiệm thực địa với 758 chuyên viên tư vấn của Boston Consulting Group, những người dùng GPT-4 cho các nhiệm vụ nằm trong khả năng của AI hoàn thành nhiều việc hơn khoảng 12%, nhanh hơn khoảng 25% và có chất lượng cao hơn hơn 40% so với nhóm không dùng. Nhưng với một nhiệm vụ nằm ngoài khả năng của AI, nhóm dùng AI lại có xác suất đưa ra đáp án đúng thấp hơn khoảng 19 điểm phần trăm (Dell'Acqua et al., 2023). Các tác giả gọi đây là "biên giới công nghệ lởm chởm": AI giỏi bất ngờ ở việc này nhưng kém bất ngờ ở việc khác trông có vẻ dễ tương đương và người dùng không phải lúc nào cũng biết mình đang ở bên nào của biên giới.

Với startup, hệ quả rất thực tế. Mỗi phần việc giao cho AI cần được đối xử như giao cho một nhân sự thật: có mô tả công việc, có tiêu chí nghiệm thu, có người giám sát chịu trách nhiệm. Trợ lý AI của Minh và Hà thiếu cả ba: không có danh sách điều được và không được hứa, không có ngưỡng chuyển cho người và không ai đọc lại các cuộc hội thoại.

3. Tác động lên cấu trúc và kỹ năng của đội ngũ

AI tác tử không chỉ thêm một nguồn lao động; nó thay đổi cách đội ngũ được tổ chức, kỹ năng cần có và cách tuyển người.

3.1. Vai trò, không phải đầu người

Tác động dễ thấy nhất của AI tác tử là những đội ngũ siêu tinh gọn: vài nhà sáng lập điều phối một "dàn" tác tử có thể làm khối lượng công việc trước đây cần cả một phòng ban. Điều này không làm mô hình đội khả thi tối thiểu 3H (Hacker, Hustler, Hipster) lỗi thời; ngược lại, nó làm rõ bản chất của 3H: đó là ba vai trò phải được bảo đảm, chứ không phải ba đầu người. Một nhà sáng lập có thể dùng tác tử để phủ một phần việc của Hacker hay Hipster, nhưng mỗi trục vẫn cần một con người đứng tên chịu trách nhiệm phán đoán cuối cùng. AI nâng năng suất của từng trục; nó không thay được người gác trục. Mô hình 3H được trình bày trong bài Founder-Problem Fit và độ hợp giữa đội sáng lập với vấn đề.

3.2. Ba năng lực mới

Bên cạnh kỹ năng chuyên môn truyền thống, đội ngũ khởi nghiệp thời AI cần thêm ba năng lực:

1. Ra đề bài cho AI: diễn đạt mục tiêu, ràng buộc và tiêu chí chất lượng đủ rõ để tác tử làm đúng.
2. Thẩm định đầu ra: đủ chuyên môn để phát hiện khi AI sai. Người không kiểm tra được việc AI làm thì cũng không nên giao việc đó cho AI.
3. Thiết kế quy trình người và máy: quyết định điểm nào trong quy trình bắt buộc có người phê duyệt (human-in-the-loop).

Cách thực hành đơn giản nhất là thêm một cột "phần việc giao cho AI" vào hồ sơ kỹ năng của đội, như Hình 1. Mỗi dòng công việc ghi rõ ai chịu trách nhiệm, phần nào AI làm và ai thẩm định.

Hình 1. Hồ sơ kỹ năng của một đội ngũ lai người và AI (minh họa). Nguồn: người viết.

Hình 1 cho thấy điều Minh và Hà bỏ sót: dòng "chăm sóc khách hàng" có tác tử AI làm phần lớn việc, nhưng ô "người thẩm định" để trống. Mọi dòng có AI tham gia đều cần một tên người ở cột đó.

3.3. Tuyển ít hơn nhưng chuẩn hơn

Hệ quả thứ ba nằm ở tuyển dụng. Khi các tác vụ lặp lại đã được tự động hóa, mỗi vị trí con người còn lại phải tạo giá trị ở phần phán đoán, sáng tạo và quan hệ. Nguyên tắc "mỗi người được tuyển phải tạo ra đóng góp giá trị" (Barringer & Ireland, 2024) nay có chuẩn cao hơn. Khả năng làm việc hiệu quả cùng AI trở thành một tiêu chí tuyển chọn mới và việc doanh nghiệp ứng dụng AI bài bản cũng trở thành một phần sức hút đối với ứng viên trẻ.

4. Ranh giới giữa AI thực thi và con người phán đoán

AI có thể thay một đồng sáng lập không? Câu trả lời là không, vì ba lý do. Thứ nhất, AI không có sự phù hợp giữa nhà sáng lập và vấn đề: nó không trải qua nỗi đau của khách hàng, không có hiểu biết của người trong cuộc từ trải nghiệm sống và không thể cam kết theo đuổi một vấn đề trong mười năm. Thứ hai, AI không thể là chủ thể của thỏa thuận đồng sáng lập: không nắm cổ phần, không chịu trách nhiệm pháp lý, không đứng tên trước nhà đầu tư và pháp luật. Thứ ba, những gì cố vấn, hội đồng và nhà đầu tư mang lại, như tính chính danh, quan hệ và niềm tin, đều dựa trên uy tín của con người.

Vì vậy, nguyên tắc vận hành của đội ngũ lai người và AI có thể tóm trong một câu: AI thực thi, con người phán đoán. Hình 2 phân chia hai vùng việc.

Hình 2. Ranh giới giữa phần việc AI thực thi và phần phán đoán của con người. Nguồn: người viết.

Những việc nên dứt khoát giữ cho con người gồm: chọn vấn đề và tầm nhìn; các cam kết và văn hóa đội ngũ; quan hệ niềm tin với khách hàng đầu tiên, nhà đầu tư và cố vấn; các quyết định đạo đức và pháp lý; và việc ký kết, sửa đổi thỏa thuận giữa các nhà sáng lập. Đi kèm là ba lưu ý quản trị:

• Luôn có người phê duyệt các đầu ra quan trọng, nhất là mọi thứ liên quan đến tiền, chính sách và cam kết với khách hàng.
• Cẩn trọng với dữ liệu nhạy cảm khi dùng dịch vụ AI của bên thứ ba; rủi ro mất bí mật kinh doanh được bàn trong bài Sở hữu trí tuệ cho startup theo pháp luật Việt Nam.
• Cảnh giác với ảo tưởng "một người cộng AI là đủ". Nhà đầu tư và thực tế vẫn đòi hỏi một đội ngũ con người cân bằng, chịu trách nhiệm cho cả ba trục khả thi, khả sinh lời và khả dụng.

5. Hiệu chỉnh niềm tin giữa người và máy

Giao việc cho AI và giữ phán đoán cho người mới là nửa đầu của bài toán. Nửa sau là con người dựa vào AI đến mức nào. Rủi ro lớn nhất trong một đội ngũ lai thường không phải là AI sai, vì AI luôn sai ở đâu đó, mà là con người dựa vào nó sai mức.

5.1. Hai xu hướng ngược chiều

Hai dòng nghiên cứu tâm lý tưởng như mâu thuẫn giúp hiểu vấn đề. Dòng thứ nhất là né tránh thuật toán (algorithm aversion): người ta đặc biệt tránh dùng một thuật toán dự báo sau khi thấy nó mắc lỗi, kể cả khi chính họ thấy nó dự báo tốt hơn con người (Dietvorst và cộng sự, 2015). Ta dễ tha thứ cho sai lầm của người hơn của máy. Dòng thứ hai là ưa chuộng thuật toán (algorithm appreciation): qua sáu thí nghiệm, người bình thường làm theo lời khuyên nhiều hơn khi nghĩ nó đến từ thuật toán, nhưng người có chuyên môn lại dựa vào thuật toán ít hơn và vì thế dự báo kém chính xác hơn (Logg và cộng sự, 2019).

Hai kết quả cùng nói một điều: mức con người dựa vào máy thường không khớp với mức máy đáng tin. Từ nghiên cứu về tự động hóa trong buồng lái và nhà máy, Parasuraman và Riley (1997) phân biệt việc dùng đúng tự động hóa với lạm dụng (dựa vào quá mức, bỏ qua kiểm tra) và bỏ phí (không dùng dù nó đáng tin). Hình 3 đặt các khái niệm này lên hai trục.

Hình 3. Hiệu chỉnh niềm tin: hai ô đỏ là hai cách dựa vào AI sai mức.

Trục dọc trong Hình 3 đo độ tin cậy của AI ở từng tác vụ, không phải ở cả công cụ. Cùng một trợ lý có thể viết bài đăng rất tốt nhưng trả lời sai chính sách hoàn tiền; một người có thể vừa bỏ phí ở việc này vừa lạm dụng ở việc kia. Thí nghiệm với các tư vấn viên của Boston Consulting Group ở mục 2 cũng quan sát thấy người dùng AI thành công có hai kiểu làm việc: kiểu "nhân mã" (centaur) chia rõ phần nào giao máy, phần nào tự làm; kiểu "người máy" (cyborg) đan xen với máy trong từng bước (Dell'Acqua và cộng sự, 2023). Cả hai kiểu đều chủ động đánh giá đầu ra của máy thay vì chấp nhận nguyên văn.

5.2. Ba lệch chuẩn và cách sửa

Lời dặn chung chung kiểu "hãy cẩn thận với AI" không chữa được cả lạm dụng lẫn bỏ phí, vì hai lệch chuẩn đi ngược chiều nhau. Bảng 2 gợi ý dấu hiệu và biện pháp riêng cho từng loại, lấy ví dụ từ startup luyện thi của Minh và Hà ở đầu bài.

Bảng 2. Ba lệch chuẩn niềm tin và biện pháp thiết kế

Dòng cuối của Bảng 2 chính là lựa chọn của Minh và Hà ở phần kết: họ không bỏ trợ lý AI mà viết cho nó một bản mô tả công việc. Hiệu chỉnh niềm tin là việc làm liên tục, vì năng lực AI thay đổi theo từng phiên bản mô hình. Một bảng nhỏ ghi tỷ lệ đạt theo từng loại việc, cập nhật mỗi tháng, là đủ để cả đội biết nên dựa vào máy đến đâu.

Kết luận

Minh và Hà cuối cùng hoàn tiền cho học viên, vì đó là lời hứa nhân danh công ty của họ. Sau sự cố, họ không bỏ trợ lý AI mà viết cho nó một "bản mô tả công việc": được trả lời những gì, không được hứa những gì, khi nào phải chuyển cho người. Hà nhận vai người thẩm định, đọc lại ngẫu nhiên các cuộc hội thoại mỗi tuần. Đó là cách một đội ngũ lai người và AI nên vận hành: AI khuếch đại năng lực thực thi của đội, nhưng không thay thế phán đoán và trách nhiệm của con người.

Và vì độ tin cậy của AI khác nhau theo từng việc, đội ngũ lai cần một thói quen đo: biết AI đạt ở loại việc nào để dựa vào, biết nó kém ở đâu để kiểm kỹ, thay vì tin hay ngờ cả công cụ.

Đọc thêm

• Founder-Problem Fit và độ hợp giữa đội sáng lập với vấn đề
• Tuyển nhân sự chủ chốt, cố vấn và hội đồng cho startup
• Bản đồ hệ sinh thái AI cho người khởi nghiệp
• Sở hữu trí tuệ cho startup theo pháp luật Việt Nam
• Lợi thế không công bằng của nhà sáng lập
• AI agent cho doanh nghiệp nhỏ
• Cách viết prompt cho người làm kinh doanh

Tài liệu tham khảo

Barringer, B. R., & Ireland, R. D. (2024). Entrepreneurship: Successfully launching new ventures (7th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/entrepreneurship-successfully-launching-new-ventures/P200000010335/9780138287696

Dell'Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper No. 24-013). Harvard Business School. https://www.hbs.edu/faculty/Pages/item.aspx?num=64700

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033

Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90–103. https://doi.org/10.1016/j.obhdp.2018.12.005

Moffatt v. Air Canada, 2024 BCCRT 149 (British Columbia Civil Resolution Tribunal, 2024). https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html

Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886