Tôi làm việc phát triển Claude. Đó là một trải nghiệm rất thú vị: Mỗi ngày, tôi lại biết thêm một thành tựu mới được thực hiện bằng Claude hoặc do chính Claude thực hiện — những điều mà trước đây tôi chưa từng nghĩ tới, không tin là có thể, hoặc đơn giản là chưa đủ tò mò và thời gian để thử.
Chỉ riêng tháng này, Claude có thể đã góp phần phát hiện một hành tinh mới. Tôi đã xem được video ca nhạc đầu tiên do AI tạo ra mà tôi thực sự yêu thích. Và chúng ta đang thảo luận về một kỷ nguyên mới của toán học.
Năng lực của các mô hình AI không phát triển đồng đều. Như nhà toán học Terence Tao từng nhận xét, các mô hình này “đáng kinh ngạc ở một số khía cạnh, nhưng vẫn còn yếu kém ở những khía cạnh khác”.
Một số người đã học được cách khai thác những năng lực đáng kinh ngạc ấy và dường như đang thực sự cất cánh. Việc chứng kiến họ đạt tới những tầm cao khó tin bằng chính những sản phẩm mà tôi góp phần xây dựng thực sự rất cuốn hút.
Trong khi đó, nhiều người khác vẫn đang loay hoay tìm cách sử dụng đôi cánh mới của mình. Họ tự hỏi AI có thể làm được gì ngoài việc trả lời những câu hỏi như “Thủ đô của Pháp là gì?” hoặc “Bạn có thể viết lại email này sao cho bớt giận dữ không?”.
Tôi thường xuyên tuyên bố, cùng với nhiều người khác đang làm việc trong lĩnh vực AI, rằng chúng ta cần tham vọng hơn khi sử dụng AI.
Điều này gần như đã trở thành một khẩu hiệu. Mỗi khi chứng kiến một thành tựu ấn tượng, chúng tôi lại chia sẻ nó và viết: “Chúng ta vẫn chưa đủ tham vọng”.
Tôi hiểu rằng việc thực sự làm theo lời khuyên đó không hề đơn giản. Vì vậy, đây là hướng dẫn giúp bạn trở nên tham vọng hơn.
Tôi chia tham vọng thành bốn dạng:
1. Tốc độ (Speed): Hoàn thành cùng một công việc trong thời gian ngắn hơn. Đây là nền tảng tạo nên giá trị kinh tế của AI. Nếu cần viết một đoạn mã, tôi có thể làm nhanh hơn với Claude. Điều này đã được chứng minh rõ ràng và không đòi hỏi nhiều sáng tạo trong cách tiếp cận AI, nên tôi sẽ bỏ qua phần này.
2. Tầm cao (Altitude): Nâng mức độ trừu tượng của vấn đề, tập trung vào kết quả cuối cùng thay vì từng nhiệm vụ riêng lẻ.
3. Chiều sâu (Depth): Tiếp cận một nhiệm vụ như cách một chuyên gia hàng đầu trong lĩnh vực đó sẽ làm. Thay vì chỉ xử lý công việc ở lớp bề mặt, chúng ta đi sâu hơn một tầng, tác động trực tiếp đến dữ liệu, công cụ và những vấn đề nền tảng.
4. Phạm vi (Range): Vận dụng kiến thức từ nhiều lĩnh vực thay vì chỉ giới hạn trong lĩnh vực mà nhiệm vụ có vẻ thuộc về. Sử dụng những kiến thức, công cụ và kỹ thuật mà bình thường bạn sẽ không nghĩ tới.
Tôi chủ yếu sử dụng Claude (hiển nhiên rồi), nhưng những lời khuyên này không phụ thuộc vào một mô hình AI cụ thể nào.
1. Tầm cao (Altitude)
Chúng ta thường nói một cách khá đơn giản rằng đây là việc “để mô hình hoạt động ở mức độ trừu tượng cao hơn”.
Khi giao cho mô hình một nhiệm vụ, thực chất bạn đang yêu cầu nó thực hiện phương án mà bạn cho là tốt nhất để đạt được kết quả mong muốn.
Để tham vọng hơn về tầm cao, hãy tự hỏi:
Bạn thực sự muốn điều gì xảy ra tiếp theo? Mục tiêu nằm phía sau mục tiêu hiện tại là gì?
Đầu năm ngoái, tôi vẫn thường yêu cầu Claude sửa từng lỗi khiến ứng dụng bị sập. Nhưng rồi, tôi bắt đầu yêu cầu Claude đơn giản là giữ cho các ứng dụng của chúng tôi không bị sập nữa.
Hãy xem xét một công việc văn phòng rất thường ngày (thậm chí có thể nói là khá nhàm chán).
Bạn đang làm việc tại Acme Inc, một công ty giả định, và cần chuẩn bị bộ slide cho buổi đánh giá hoạt động kinh doanh hằng quý (Quarterly Business Review — QBR).
Nếu được cung cấp một loạt dữ liệu, Claude sẽ vui vẻ tạo slide cho bạn. Có thể bạn thậm chí đã có sẵn mẫu trình bày và Claude chỉ cần điền nội dung vào.
Tất nhiên, công việc này khó có thể so sánh với việc khám phá một hành tinh mới.
Vậy hãy xem một số bước cụ thể để khiến cách tiếp cận của chúng ta trở nên tham vọng hơn. Chúng ta sẽ bắt đầu từ mức cơ bản và tăng dần mức độ tham vọng qua từng bước.
Bước 1: Đừng chỉ yêu cầu cập nhật các con số.
Hầu hết các buổi đánh giá kinh doanh đều cần trả lời ba câu hỏi:
- Điều gì đã thay đổi trong quý này?
- Tại sao những thay đổi đó xảy ra?
- Chúng ta nên làm gì trước tình hình đó?
Hãy cưỡng lại xu hướng chỉ yêu cầu AI cập nhật các con số có sẵn trong mẫu slide.
Thay vào đó, hãy cung cấp cho mô hình càng nhiều dữ liệu càng tốt để nó có thể thực sự hiểu doanh nghiệp của bạn.
Bạn có thể yêu cầu:
Hãy cho tôi biết điều gì đã thay đổi trong quý này, tại sao những thay đổi đó xảy ra và chúng ta nên làm gì để giải quyết chúng.
Bước 2: Chuyển từ phân tích sang hỗ trợ ra quyết định.
Các cuộc họp, ít nhất là những cuộc họp hiệu quả, lý tưởng nhất phải kết thúc bằng một số quyết định cụ thể.
Hãy yêu cầu Claude:
Dựa trên tất cả những gì bạn đã tìm hiểu, hãy xác định ba quyết định cấp bách nhất mà chúng ta cần đưa ra. Sau đó, bắt đầu xây dựng các phương án khả thi, kèm theo lập luận ủng hộ và phản đối từng phương án.
Bước 3: Đặt câu hỏi về chính sự cần thiết của buổi đánh giá hằng quý.
Các buổi QBR ra đời trong thời kỳ con người phải cẩn thận rà soát dữ liệu, tìm hiểu ý nghĩa của chúng và xác định xem doanh nghiệp có cần điều chỉnh hoạt động hay không.
Nhưng nếu mục tiêu thực sự là phát hiện vấn đề sớm và phân bổ nguồn lực hiệu quả hơn, liệu một bộ slide hằng quý có còn là cách tốt nhất?
Hãy yêu cầu Claude:
Mục đích của buổi đánh giá là giúp ban lãnh đạo phát hiện vấn đề sớm và phân bổ tiền bạc cũng như nhân sự đến đúng nơi cần thiết.
Hãy thiết kế một phương pháp tốt hơn việc sử dụng bộ slide đánh giá hằng quý.
Dựa trên dữ liệu lịch sử của chính công ty, hãy chứng minh rằng phương pháp mới có thể phát hiện vấn đề sớm hơn.
Sau đó, vận hành thử phương pháp mới song song với quy trình hiện tại trong một quý.
Cách tiếp cận theo tầm cao phát huy hiệu quả nhất khi bạn thực sự hướng tới một kết quả cuối cùng cụ thể. Nó thường kém phù hợp hơn với những công việc mang tính sáng tạo.
Một dấu hiệu khá rõ cho thấy bạn nên nâng tầm tham vọng là khi công việc bạn đang làm sẽ dẫn tới những cuộc họp để thảo luận về kết quả.
Hiện tại vẫn tồn tại những giới hạn. Chẳng hạn, vào năm 2026, câu lệnh “Claude, hãy đi kiếm tiền đi” dường như vẫn chưa thể tự mình tạo ra kết quả cho phần lớn doanh nghiệp.
Tuy nhiên, nhìn chung, tôi nhận thấy rằng khi các mô hình ngày càng mạnh hơn, chúng cũng có khả năng hoạt động ở những mức độ trừu tượng ngày càng cao.
Tầm cao cũng là nơi con người khám phá ra những quy trình làm việc bền vững, có thể vận hành mà không cần con người liên tục tham gia vào từng bước.
Điều này giúp bạn không còn phải liên tục giao hết nhiệm vụ này đến nhiệm vụ khác cho mô hình.
Để làm tốt việc đó, bạn thường phải thay đổi cả quy trình làm việc của mình.
Ví dụ, để Claude có thể đảm bảo ứng dụng của chúng tôi không bị sập, trước tiên tôi phải bảo đảm rằng nó có thể:
- Dễ dàng truy xuất các báo cáo lỗi ứng dụng.
- Hiểu phiên bản ứng dụng nào tương ứng với commit nào trong Git.
- Truy cập các máy tính chạy Windows, macOS và Linux để tự mình tái hiện lỗi và kiểm chứng các bản sửa lỗi.
2. Chiều sâu (Depth)
Đôi khi, bạn chỉ muốn một nhiệm vụ được thực hiện thật xuất sắc.
Tham vọng về chiều sâu có nghĩa là thúc đẩy mô hình sử dụng những công cụ, kỹ thuật, phương tiện và kiến thức mà các chuyên gia giỏi nhất trong lĩnh vực đó sử dụng.
Và tiếp tục thúc đẩy cho đến khi ngay cả những chuyên gia ấy cũng có thể học được điều gì đó mới từ công việc của bạn.
Hãy quay lại ví dụ về bộ slide đánh giá kinh doanh hằng quý của Acme Inc.
Giả sử công ty đang gặp vấn đề về customer churn — tình trạng khách hàng rời bỏ sản phẩm hoặc dịch vụ theo thời gian.
Tôi nhận thấy việc kết hợp những kỹ thuật sau đặc biệt hữu ích.
1. Yêu cầu sử dụng đúng công cụ của những người giỏi nhất trong ngành
Khi được yêu cầu hành động như một chuyên gia, các mô hình AI thường chỉ thay đổi cách dùng từ mà không thực sự thay đổi phương pháp làm việc.
Để giải quyết vấn đề một cách chuyên sâu, chúng ta cần sử dụng chính những công cụ mà các nhà khoa học dữ liệu và chuyên gia thống kê hàng đầu sử dụng.
Khi Claude định trình bày mọi thứ bằng bảng Markdown, hãy yêu cầu nó sử dụng cơ sở dữ liệu và các mô hình thống kê.
Bạn không nhất thiết phải biết các chuyên gia sử dụng công cụ gì. Thông thường Claude có thể biết điều đó.
2. Đặt ra những mục tiêu tưởng như phi lý và nói với mô hình rằng chúng hoàn toàn hợp lý
Bạn cần giảm thời gian tải trang web từ 10 giây xuống 5 giây?
Hãy yêu cầu giảm xuống còn 200 mili giây.
Có điều gì đó mà mô hình cho rằng không thể thực hiện?
Hãy nhấn mạnh rằng vấn đề hoàn toàn có thể giải quyết được, nó chỉ cần tiếp tục tìm cách.
3. Thách thức những điều bạn tưởng mình đã biết
Đặc biệt trong kinh doanh, rất nhiều điều chúng ta tin là đúng thực chất chỉ là những cách xấp xỉ khá thô về thực tế.
Hãy cho mô hình quyền truy cập thông tin và dữ liệu thô, sau đó yêu cầu nó chủ động tìm cách phản biện và kiểm chứng các giả định.
Ví dụ:
Chúng ta tin rằng tỷ lệ khách hàng rời bỏ cao bắt nguồn từ quy trình hướng dẫn người dùng mới (onboarding).
Hãy thử kiểm chứng và tái tạo kết luận đó từ dữ liệu thô.
4. Tạo ra tri thức mới
Đây là bước phát triển tự nhiên từ việc thách thức những điều bạn tưởng mình đã biết.
Một khi Claude đã phân tích sâu dữ liệu, hãy yêu cầu nó tìm ra những điểm mù mà chúng ta chưa nhận ra.
Ví dụ:
Hãy xây dựng một mô hình mô phỏng hành vi khách hàng có thể tái hiện diễn biến của năm vừa qua dựa trên dữ liệu nhật ký hệ thống.
Sau đó, tìm tín hiệu sớm nhất báo trước việc khách hàng rời bỏ mà chúng ta chưa từng biết đến.
Cuối cùng, chứng minh rằng tín hiệu đó có khả năng dự đoán trên những dữ liệu mà mô hình chưa từng được xem.
5. Sử dụng một bên đánh giá độc lập
Đừng yêu cầu mô hình tự đánh giá chính mình.
Tôi cho rằng vấn đề này cuối cùng sẽ được giải quyết khi trí thông minh của các mô hình tiếp tục tăng lên.
Nhưng vào tháng 10/2026, tôi thực sự khẩn thiết đề nghị bạn phải yêu cầu có sự kiểm chứng từ bên ngoài.
Lý tưởng nhất, đó nên là một công cụ mà mô hình có thể trực tiếp chạy để nhận phản hồi ngay lập tức.
Một câu lệnh đơn giản mà tôi thường sử dụng
Tôi muốn thực hiện nhiệm vụ này ở mức độ chuyên sâu hơn, chứ không phải chỉ mở rộng quy mô của nó.
Trước khi viết lại yêu cầu, hãy:
- Cho biết một chuyên gia hàng đầu trong lĩnh vực này sẽ làm những gì mà hiện tại tôi chưa yêu cầu.
- Xác định nguồn dữ liệu hoặc tài liệu thô nhất mà chuyên gia đó sẽ bắt đầu sử dụng, thay vì những thông tin đã được xử lý và tổng hợp sẵn cho tôi.
- Nêu rõ các phương pháp và công cụ cụ thể mà chuyên gia đó sẽ sử dụng.
- Xác định bằng chứng hoặc cơ chế kiểm chứng độc lập nào, ngoài đánh giá của bạn hoặc của tôi, có thể chứng minh rằng kết quả là chính xác.
Sau đó, hãy viết lại câu lệnh của tôi để yêu cầu thực hiện chính xác những điều trên.
3. Phạm vi (Range)
Nói ngắn gọn, tham vọng về phạm vi có nghĩa là xem xét công việc của chúng ta từ góc nhìn của nhiều lĩnh vực khác nhau — nhiều hơn mức mà trước đây chúng ta có thể huy động một cách hợp lý về mặt chi phí.
Đây không phải là một phát hiện đặc biệt mới mẻ.
Trong hầu hết các bộ phim về những vụ trộm táo bạo, 30 phút đầu tiên đều dành cho việc tập hợp một đội ngũ gồm những nhân vật có kỹ năng và tài năng đa dạng.
Khi các sản phẩm AI ngày càng giúp việc vận hành hệ thống đa tác nhân (multi-agent) trở nên dễ dàng hơn — thông qua nhiều luồng làm việc, các bộ điều phối hoặc đơn giản là những tác nhân phụ — tôi đã chứng kiến nhiều kết quả rất thú vị khi yêu cầu Claude huy động kiến thức từ các lĩnh vực bổ sung.
Đưa cách tiếp cận này vào thực tế không dễ. Nó đòi hỏi bạn phải sáng tạo.
Trước khi thấy đồng nghiệp Alex Albert sử dụng Blender để dựng hình thiết kế nội thất, tôi chưa từng nghĩ tới việc dùng Claude để tạo các môi trường 3D cho trang chủ của mình.
Và điều đó xảy ra dù trước đây tôi từng làm trò chơi điện tử!
Tuy nhiên, đây cũng chính là lĩnh vực mà tôi thường chứng kiến những điều kỳ diệu nhất.
Vậy làm thế nào để thực hiện?
Tôi sử dụng những kỹ thuật sau.
1. Thử thay thế danh từ bằng động từ
Đây là một thủ thuật cũ trong cuốn The Art of Innovation của Tom Kelley và Jonathan Littman.
Một buổi đánh giá kinh doanh hằng quý không đơn thuần là “một bộ slide”.
Thực chất, đó là:
Khiến những người bận rộn tin vào một câu chuyện về quan hệ nhân quả, đồng thời đưa ra quyết định trong điều kiện không chắc chắn, chỉ trong vòng 30 phút.
Việc diễn đạt bằng các động từ giúp cả tôi lẫn Claude dễ dàng hiểu được những lĩnh vực nào có thể mang lại góc nhìn độc đáo và hữu ích.
2. Tập hợp một đội ngũ chuyên gia
Hãy tưởng tượng bộ slide của bạn phải xuất sắc đến mức hoàn hảo, nếu không người ngoài hành tinh sẽ phá hủy Trái Đất.
Nhân loại sẽ tập hợp một đội ngũ như thế nào để thực hiện nhiệm vụ này?
Nếu mục tiêu là chất lượng sản phẩm, tôi sẽ mời:
- Một chuyên gia phân tích.
- Một nhà báo.
- Một biên tập viên.
Nếu bộ slide cần được thuyết trình, có lẽ tôi sẽ bổ sung cả một chuyên gia thiết kế chuyển động và một chuyên gia thiết kế âm thanh.
Việc có một nhóm chuyên phản biện và tìm kiếm điểm yếu (red team) cũng có thể hữu ích.
Vì vậy, hãy mời thêm một nhà đầu tư bán khống và một chuyên gia kế toán điều tra.
Tuy nhiên, bạn rất dễ vô tình biến phương pháp này thành một trò nhập vai, khiến cuộc hội thoại với AI trở nên kỳ quặc hơn mà không thực sự cải thiện kết quả.
Hãy sử dụng phương pháp này để tìm ra các lĩnh vực chuyên môn và kỹ thuật phù hợp.
Đừng yêu cầu mô hình viết như một nhà đầu tư bán khống.
Hãy yêu cầu nó thực hiện những công việc mà một nhà đầu tư bán khống thực sự làm khi nghiên cứu và xây dựng luận điểm đầu tư của mình.
Tất cả những cách tiếp cận tham vọng mà tôi vừa mô tả đều đòi hỏi mô hình phải có quyền sử dụng một máy tính có khả năng cài đặt phần mềm và truy cập nhiều loại dữ liệu liên quan, thông qua các kết nối MCP hoặc những phương thức khác.
Hiện có khá nhiều công cụ cho phép thực hiện điều này, và tôi khuyên bạn nên sử dụng một trong số đó.
4. Chúng ta đã từng ở trong hoàn cảnh này
Trên đây là những lời khuyên cụ thể của tôi về cách trở nên tham vọng hơn.
Nếu bạn sẵn lòng dành thêm một phút, tôi muốn giải thích tại sao tôi cho rằng điều này lại cần thiết ngay từ đầu.
Con người chúng ta từ trước đến nay luôn bị giới hạn bởi những gì mình tin là có thể thực hiện được.
Và điều tệ hơn là chúng ta thường chỉ tin tưởng vào năng lực của bản thân trong những lĩnh vực chuyên môn rất hẹp.
Michelangelo nổi tiếng là đã không muốn vẽ trần Nhà nguyện Sistine.
Lý do rất đơn giản: Ông cho rằng mình là một nhà điêu khắc, chứ không phải họa sĩ.
Khi nghiên cứu về vấn đề tham vọng, tôi biết được rằng tâm lý học có một thuật ngữ dành cho hiện tượng này: self-efficacy — niềm tin vào năng lực bản thân.
Nói ngắn gọn, những người có niềm tin mạnh mẽ vào năng lực bản thân thường tin rằng họ có khả năng làm được nhiều điều hơn, và nhờ đó họ thực sự đạt được nhiều thành tựu hơn.
Có bằng chứng cho thấy chúng ta có thể chủ động tác động đến niềm tin này.
Locke và Latham đã nghiên cứu 35 năm các công trình về thiết lập mục tiêu và đi đến kết luận chắc chắn rằng:
Những người được giao mục tiêu cụ thể và khó khăn thường đạt kết quả tốt hơn những người chỉ được yêu cầu “hãy cố gắng hết sức”.
Bạn có thể xem nghiên cứu tại đây.
Patrick Collison, nhà sáng lập Stripe, duy trì một danh sách có tên “Fast”, ghi lại nhiều thành tựu mà con người đã đạt được khi được giao những mục tiêu táo bạo cùng thời hạn thực hiện rất ngắn.
Dưới đây là một số phương pháp đã được ghi nhận khá rõ ràng.
1. Hoàn thành những việc khó bằng cách tin rằng chúng có thể thực hiện được
Năm 1939, George Dantzig đến muộn trong một buổi học thống kê tại Đại học Berkeley.
Ông chép lại hai bài toán trên bảng và nộp lời giải vì nghĩ rằng đó là bài tập về nhà.
Thực tế, đó là hai bài toán thống kê chưa từng được giải.
2. Hoàn thành những việc khó sau khi chứng kiến người khác làm được
Trong nhiều thập kỷ, con người đã theo đuổi mục tiêu chạy một dặm trong chưa đầy bốn phút.
Roger Bannister phá vỡ cột mốc đó vào tháng 5/1954.
Nhưng ông chỉ giữ vị trí người duy nhất từng làm được điều này trong vỏn vẹn 46 ngày.
Nếu quan tâm đến chạy bộ, bạn sẽ thấy chúng ta đang chứng kiến một hiện tượng tương tự với mục tiêu hoàn thành marathon dưới hai giờ.
Sabastian Sawe đã chạy cuộc marathon chính thức đầu tiên dưới hai giờ tại London vào tháng 4 năm nay.
Trong cùng cuộc đua đó, vận động viên về nhì cũng vượt qua cột mốc hai giờ.
3. Hoàn thành những việc khó bằng cách cho phép bản thân thất bại
Có vẻ như cuốn sách kinh doanh yêu thích của tất cả mọi người là The Inner Game of Tennis, một cuốn sách mà tôi mới biết đến tuần trước.
Luận điểm cốt lõi của cuốn sách là:
Bạn sẽ không chơi tennis ở phong độ tốt nhất nếu cứ cố gắng quá sức một cách căng thẳng.
Những người làm kỹ thuật như chúng ta có thể nhớ đến Linux.
Khi được công bố lần đầu, Linux được mô tả là:
Chỉ là một dự án làm cho vui, sẽ không trở nên lớn mạnh và chuyên nghiệp như GNU.
Niềm tin vào năng lực bản thân không phải là một vấn đề mới.
Nhưng trong thời đại hiện nay, nó trở thành một vấn đề có ảnh hưởng mạnh mẽ hơn rất nhiều.
Trong một thế giới mà năng lực của chúng ta có thể tăng vọt chỉ sau mỗi vài tuần, chúng ta cần những kỹ thuật giúp bản thân thực hiện những điều mà trước đây mình chưa từng cân nhắc, hoặc thậm chí không tin là có thể.
Nếu bạn tìm ra thêm những kỹ thuật giúp chúng ta trở nên tham vọng hơn, hãy cho tôi biết!