14.2 · Nghiên cứu với AI

Mở đầu: Khi nghiên cứu ngốn nửa tuần của bạn

• Tra cứu chính sách mới ảnh hưởng đến cộng đồng bạn phục vụ
• Research quỹ tài trợ và tiêu chí của họ
• So sánh chương trình của các tổ chức tương tự để học hỏi
• Nắm bắt xu hướng — dữ liệu dân số, thay đổi xã hội, luật mới
• Tìm case studies / best practices của lĩnh vực

Nhà lãnh đạo nonprofit trung bình dành 15-20% thời gian chỉ cho loại việc này. Với những tổ chức nhỏ (không có team research), con số này có thể lên đến 30%.

Nhưng đây cũng là lĩnh vực AI có thể tăng tốc mạnh nhất — nếu bạn biết hướng dẫn và thẩm định nó đúng cách. AI không thay thế chuyên môn của bạn. AI giúp bạn định hướng nhanh hơn — và dành nhiều thời gian hơn cho quyết định thật sự quan trọng.

Trong bài này, bạn sẽ theo dõi Maria, executive director của Moss and Momentum, một tổ chức nonprofit quản lý emergency shelter và transitional housing ở Portland 15 năm. Maria chuẩn bị mở rộng sang Seattle — thành phố mới với luật mới, funding streams mới, tenant protection khác. Cô cần research để inform expansion strategy. Và cô có... 3 tuần.

Đây là lúc Description-Discernment loop trở thành công cụ sống còn.

Ôn lại: Description-Discernment loop

Nhắc nhanh từ Bài 14.1. Đây là vòng lặp trung tâm của công việc hàng ngày với AI:

      Maria mô tả cái    ──►   AI trả về
      cô cần biết              thông tin
             ▲                      │
             │                      ▼
      Maria điều chỉnh    ◄── Maria thẩm định:
      mô tả dựa trên           đúng? đủ? đáng tin?
      bài học                  thiếu gì?

Chìa khóa: không mong prompt đầu tiên cho output hoàn hảo. Mong nó cho starting point tốt, rồi iterate.

Trong research, vòng lặp này thường chạy 3-5 vòng. Vòng 1 là "định hướng rộng". Vòng 2-3 là "zoom vào đúng chỗ". Vòng 4-5 là "verify và fill gaps".

Kịch bản: Maria research housing Seattle

Giả định Maria đã xong vòng Delegation-Diligence. Cô đã quyết định:

• AI hỗ trợ research — tăng tốc định hướng
• Dùng Claude (plan không train on user data) — vì sẽ nhắc đến funder names và strategy nội bộ
• Maria giữ quyền quyết định chiến lược expansion
• Maria verify mọi claim quan trọng trước khi dùng trong funding proposal

Giờ vào Description-Discernment.

Vòng 1: Từ prompt mờ đến prompt rich-context

Prompt kém (generic)

Tell me about Seattle housing policy.

AI sẽ trả về bản tóm tắt Wikipedia-ish — đúng nhưng vô dụng. Không actionable. Không hiểu Maria cần gì.

Prompt tốt — Áp dụng đủ 3 phần Description

Product Description (cái gì):

Tôi cần một policy landscape overview về Seattle low-income housing, khoảng 1,200-1,500 từ, cấu trúc theo 4 mảng: (1) assistance programs hiện có, (2) legislation quan trọng, (3) compliance requirements cho nonprofits, (4) funding opportunities.

Process Description (làm như thế nào):

Focus vào thay đổi 2 năm gần nhất (2024-2026). Include income thresholds cụ thể. Khi possible, include comparison với Portland system

vì tổ chức tôi đang vận hành ở đó và biết rõ."

Performance Description (hành xử ra sao):

Tone: practical và mission-focused. Không academic, không marketing. Tôi là ED của Moss and Momentum, phục vụ families experiencing homelessness. Tôi cần actionable intelligence — không phải essay đẹp. Nếu có fact mà bạn không chắc, flag rõ ràng thay vì che đậy.

Pro tip: Upload thay vì gõ

Nếu Maria có note research trước đó, brand guidelines, hay organization one-pager, cô upload chúng vào cuộc trò chuyện trước khi đặt câu hỏi. AI hiểu context sâu hơn.

• Claude: Dùng Projects để lưu context persistent.
• ChatGPT: Upload files trực tiếp vào chat.
• Mọi tool: Include một "context section" đầu prompt — ngắn nhưng chứa organization background.

Cùng một câu hỏi với và không có context → chất lượng output khác một trời một vực.

Vòng 2: Thẩm định — Discernment trong research

AI trả về 1,400 từ trên Seattle housing. Trông chỉn chu. Đủ sections. Nhưng... dùng được chưa?

Đây là checklist tâm trí Maria chạy qua khi review:

Product Discernment

• Tên program (ví dụ "Seattle Housing Authority Program X") có đúng không?
• Income threshold số liệu có cụ thể không? Có đúng không?
• Deadline funding có current không?
• Có source cho mỗi claim lớn không?
• Ngôn ngữ nhắc đến low-income families có tôn trọng không, hay có deficit-framing?
• Có bất kỳ section nào nghe "template AI" — vague và generic?

Process Discernment

• AI đã search current sources hay trả lời từ training data cũ?
• Bỏ sót area nào mà Maria (expert) expect phải có?
• Có assumption về Seattle demographics hay chính sách không đúng?
• Nếu có comparison Portland-Seattle — có nuanced hay over-simplify?

Performance Discernment

• AI đang giao tiếp practical hay chuyển sang academic tone?
• Có nịnh ("That's a great question!") làm loãng substance không?
• Khi không chắc, AI có flag rõ không — hay che đậy uncertainty?

Vòng 3: Iterate — Không reject, không accept nguyên

Maria thấy: draft good overall, nhưng có 3 issues:

1. Nhiều sources nghe như từ news articles, không phải government websites
2. Deadlines funding không có source
3. Tone một số đoạn hơi academic

Maria KHÔNG:

• Vứt toàn bộ output → phí thời gian đã đầu tư
• Accept nguyên → risk publish thông tin sai

Maria iterate:

Thank you cho overview này. Giờ cần verify một số specifics: 1. Một số sources nghe như news articles. Please confirm mỗi claim có thể verify từ official government websites (ví dụ: seattle.gov, wa.gov, HUD sites). Cite specific URLs. 2. Deadlines cho funding opportunities — source của chúng là gì? Point me đến page where I can verify từng deadline. 3. Tôi appreciate report centered on facts. Keep that energy. Cut bất kỳ marketing-ish phrasing nào. Trả lại revised version.

AI sẽ:

• Tìm/verify sources (nếu có web access)
• Hoặc acknowledge uncertainty với specific claims không chắc
• Điều chỉnh tone

Đây là description-discernment loop ở dạng purest. Mỗi vòng, Maria narrowing vào information reliable hơn.

Ba chiến lược discernment thực chiến

Chiến lược 1: Flag claims cần verify ngay khi đọc

Khi đọc output AI, đánh dấu (mental hoặc literal) 3 loại claim:

┌─────────────────────────────────────────────────┐
│  CLAIM CLASSIFICATION MATRIX                    │
│                                                 │
│   🟢 LOW-RISK          Không specific, không    │
│      claims           time-sensitive. Nền tảng. │
│                       → Dùng như context         │
│                                                 │
│   🟡 VERIFY-LATER      Specific numbers,        │
│      claims           active programs.          │
│                       → Mark, check sau         │
│                                                 │
│   🔴 VERIFY-BEFORE     Deadlines, legal reqs,   │
│      claims           eligibility.              │
│                       → Check ngay              │
│                                                 │
└─────────────────────────────────────────────────┘

Chiến lược 2: Evaluate process gaps

Hỏi: AI có thực sự tìm up-to-date information hay chỉ đưa best guess từ training data?

Test: Nếu AI không mention date cụ thể, không cite source, đưa ra rounded statistics → likely just best guess. Ask directly:

Claim này dựa trên gì? Bạn có browsed web cho info current hay đây là training data knowledge của bạn?

AI trung thực sẽ acknowledge. Nếu AI của bạn không admit uncertainty — đó là red flag về quality của tool đó.

Chiến lược 3: Observe AI behavior

Performance discernment = để ý cách AI đang "là" trong conversation:

• Đang helpful hay đang people-pleasing?
• Đang push back khi bạn sai hay agree với mọi thứ?
• Tone có match với context nonprofit bạn cung cấp không?

Nếu AI quá nịnh, adjust performance description:

Please push back on claims của tôi nếu có nghi ngờ. Đừng tự động agree. Tôi cần critical partner, không phải cheerleader.

Maria's final output

Sau 4 vòng Description-Discernment, Maria có:

• 1,800 từ Seattle housing policy overview
• 12 sources được verify (6/12 cô đã click-through và đọc gốc)
• 3 gaps AI admitted — Maria sẽ reach out người Seattle để fill (đây là điều AI không làm được)
• 2 insights surprise Maria ban đầu không nghĩ tới

Quan trọng hơn: Maria không outsource tư duy. Cô dùng AI để accelerate orientation — giờ có thể make decisions informed hơn. Khi write funding proposal, Maria apply diligence: verify claims, own final result.

Research với AI = accelerator, không phải replacement.

Ví dụ theo ngành — Research trong các vai trò nonprofit

Housing / Homelessness Services

Pain point: "Mỗi khi chính sách mới ra, tôi mất 2-3 ngày đọc + hỏi peers để hiểu impact."

Giải pháp:

• Prompt rich-context: policy + nonprofit role + populations served
• Iterate 3-4 vòng verify
• Output: 1-page briefing cho team
• Kết quả: 2-3 ngày → 3-4 giờ

Education / Workforce Development

Pain point: "Research best practices cho youth program — phải đọc 20+ reports, synthesize."

Giải pháp:

• Upload 5-10 key reports
• Prompt: "Synthesize common themes across these reports. Identify areas of consensus vs. contested. Flag evidence strength."
• Discernment: verify 2-3 citations để trust
• Kết quả: 1 tuần → 1-2 ngày

Development / Fundraising

Pain point: "Tìm foundation prospects fit với mission + budget size của tôi tốn cả tuần."

Giải pháp:

• Prompt với organization details cụ thể: mission, budget size, populations, geography
• AI suggest funders + giving history patterns
• Discernment: check mỗi funder thật sự fund org size / type của bạn
• Verify current application cycles
• Kết quả: 1 tuần → 1 ngày (20+ prospects vetted)

Policy / Advocacy

Pain point: "Tracking multiple bills qua state legislatures, understanding implications cho communities."

Giải pháp:

• Weekly prompt: "Scan recent legislation trong [state] affecting [population]. Flag top 3 bills theo impact level."
• AI output briefing
• Verify key bills trên official legislature site
• Kết quả: Tracking trở nên feasible — thay vì miss legislation

Health / Social Services

Pain point: "Hiểu new Medicaid policy changes và ảnh hưởng đến patient intake."

Giải pháp:

• Upload policy document (nếu public)
• Prompt: "Summarize impact cho [specific patient population]. What changes trong our intake process?"
• Iterate: verify specific thresholds với CMS sites
• Kết quả: 1 ngày → 2 giờ + 1 implementation plan

Grants Management

Pain point: "Preparing grant report — need to reference comparable programs, benchmarks."

Giải pháp:

• Prompt: "Research programs similar to ours [describe]. Find published outcomes, benchmarks, best practices."
• AI pulls từ multiple sources
• Discernment: verify 3 most-cited studies
• Kết quả: Richer context → stronger grant reports

Prompt templates cho research

1. Policy landscape overview

Tôi là [role] tại [organization type], phục vụ [population]. 
Context: [key org characteristics].

Cần hiểu: [specific policy area] trong [geography], 
đặc biệt thay đổi từ [timeframe].

Structure output theo: [assistance programs / legislation / 
compliance / funding].

Focus: actionable intelligence. Cite sources khi possible, 
flag uncertainty khi không chắc.

So sánh với [reference area] nếu relevant.

2. Funding / grant prospecting

Giúp tôi identify [type of funders] phù hợp với:

- Mission: [1-2 sentences]
- Budget size: [annual budget]
- Geography: [service area]
- Populations: [who we serve]
- Program seeking funding: [specific program]

Cho mỗi prospect, provide:
- Mission fit rationale
- Grant size range historically
- Application cycle (dates)
- Key contact / portal
- Red flags or positive signals

Priority: funders that fund orgs our size, not mega-nonprofits.
Flag any info that might be outdated.

3. Comparative research (peers / competitors)

Identify 5-7 [type of organizations] similar to us:
- [key characteristics]
- [geography overlap hoặc comparable]
- [program area]

Cho mỗi org:
- Program model (what they do differently)
- Scale (budget, reach, years operating)
- Public outcomes reported
- Partnership / funding patterns

Synthesize common patterns + key differentiators.
Flag assumptions; base trên publicly available info.

4. Best-practices synthesis

Tôi upload 5-10 reports về [topic].

Analyze all documents. Identify:
- Areas of consensus across reports
- Areas of contested view
- Evidence quality (strong data, anecdotal, opinion?)
- Gaps (questions reports don't answer)

Output: synthesis briefing 1,200-1,500 từ, 
với evidence-backed bullets.

5. Community-needs trend spotting

Based on [data I provide + external sources]:

- Latest demographics in [service area]
- Service requests trends [our program data]
- External factors (policy, economic, demographic changes)
- Comparable community patterns

Identify:
- Emerging needs we should prepare for (next 12-18 months)
- Current services underutilized (and why)
- Gaps likely to grow

Frame: opportunities for planning, not predictions. 
Caveat assumptions.

6. Compliance / regulatory scan

I'm a [role] at [nonprofit type]. Upcoming compliance 
concerns:

[list what worries you]

Research current requirements for:
- [specific reg area 1]
- [specific reg area 2]

For each:
- Who enforces
- What's required
- Recent changes (last 12 months)
- Penalties for non-compliance
- Common mistakes small nonprofits make

Output: action checklist, not legal opinion.
Recommend when to consult lawyer.

7. Literature review (academic)

Upload N papers về [topic].

Phase 1: Catalog mỗi paper:
- Author(s), year
- Research question
- Methodology
- Key findings
- Limitations noted

Phase 2: Synthesize:
- Themes across papers
- Consensus findings
- Contested findings  
- Methodological debates
- Gaps

Phase 3: Relevance to our work:
- Which findings inform our program design?
- Which challenge our assumptions?
- Which can be cited trong grant reports?

Format: synthesis doc với bibliography.

8. Market intelligence (competitor / field scan)

Scan [field / sector] activity:

- Major organizations + recent news
- Funding moves (new foundations entering, exits)
- Policy shifts affecting our field
- Emerging issues being discussed
- Key reports / white papers released

Timeframe: last 6 months.
Sources: prioritize [trusted sources].

Output: 2-page intelligence brief.

Anti-patterns — Sai lầm khi research với AI

Chấp nhận first draft

Triệu chứng

AI trả về overview đẹp, bạn cảm ơn, dùng luôn.

Tại sao là sai

First drafts thường generic, chưa specific. Bạn bỏ qua cơ hội tốt nhất của description-discernment loop.

Cách đúng

Treat first output là draft zero. Iterate ít nhất 2 vòng.

Prompt không có context tổ chức

Triệu chứng

"Tell me about X policy" — không mention ai bạn, bạn phục vụ ai, mục đích dùng info.

Tại sao là sai

AI không biết tailor. Output generic.

Cách đúng

Front-load context: role + org + populations + decision info will inform.

Bỏ qua verify — "AI đã search web"

Triệu chứng

AI claim search web, bạn tin. Không click sources.

Tại sao là sai

AI đôi khi "search" nhưng hallucinate sources, hoặc search nhưng mis-summarize.

Cách đúng

Click-through 2-3 key sources. Đặc biệt với stakes-high claims.

Dùng AI làm chuyên gia cuối cùng

Triệu chứng

"AI said X, so we're going with X." Skip gọi contact Seattle.

Tại sao là sai

AI không có relationships, không biết insider context, không có lived experience.

Cách đúng

AI accelerate orientation → human network fill gaps.

Lặp lại prompt khi không hài lòng, không explain tại sao

Triệu chứng

"Không phải cái tôi cần. Thử lại." AI đoán.

Tại sao là sai

AI không biết lý do. Không cải thiện.

Cách đúng

Specific feedback: "Section 2 quá academic — rewrite punchy hơn. Section 3 thiếu cost info — add."

Over-prompt với constraints khiến output rigid

Triệu chứng

20 constraints + 10 examples → AI trả về robotic.

Tại sao là sai

Too many rules = AI stiff. Tốt nhất: 3-5 clear constraints, để room để intelligent.

Cách đúng

Start với core requirements. Thêm constraint ở iteration sau nếu cần.

Mẹo nâng cao

Mẹo 1: "Source trail" audit

Sau mỗi research session, yêu cầu AI:

Summarize all claims bạn made trong output này + cite source cho mỗi cái. Nếu claim không có source, flag là 'no verified source'.

Bạn sẽ ngạc nhiên bao nhiêu claim actually có source vs. synthesized từ training data.

Mẹo 2: Ask AI to red-team itself

Treat cái output này như đối thủ. Poke holes. Identify 5 weakest claims. 5 places where missing info lớn nhất.

Self-critique thường surface issues Maria (hay bạn) chưa thấy.

Mẹo 3: Layer sources

Không dependency vào 1 tool AI:

• Pass 1: Claude để synthesize
• Pass 2: Google Scholar / official sites để verify
• Pass 3: Human contact để fill blind spots

Ba layer này cover nhược điểm từng cái. Don't trust any single one.

Mẹo 4: Time-box iterations

Không iterate vô hạn. Rule thumb:

• 1st iteration: broad overview (~10 phút)
• 2-3rd iterations: sharpen focus (~15-20 phút)
• 4th+ iterations: diminishing returns — stop, verify, move on

Áp dụng ngay

Bài tập 1: Policy tracking (~30 phút)

Part I — Tự phản xạ:

Chọn 1 policy area relevant cho công việc bạn:

• Housing policy
• Education funding
• Healthcare access
• Immigration
• Environmental regulation

Draft prompt bao gồm:

• Specific policy/legislation bạn muốn hiểu
• Context tổ chức bạn (role, populations served, why this matters)
• What you need: impact on beneficiaries, funding implications, compliance needs, advocacy opportunities
• Timeframe + geographic scope

Part II — Collaborate:

Share prompt với AI. Apply Discernment:

• Identify ít nhất 2 claims cần verify
• Note missing perspectives về cộng đồng của bạn
• Flag info có vẻ outdated / generic

Part III — Phản xạ:

• Prompt đầu có đủ context không?
• Bạn sẽ revise prompt như nào cho lần tới?
• Verification steps nào bạn sẽ take trước khi dùng info này?

Stretch goal: Yêu cầu AI "tìm source gốc cho 1 key claim" và click-through để verify accuracy.

Bài tập 2: Donor / grant prospecting (~30 phút)

Part I: Chọn research focus (grant opps cho 1 chương trình cụ thể, corporate donors in region, foundation prospects).

Draft prompt với:

• Mission + specific program seeking funding
• Organization characteristics (budget, geography, populations)
• Funding parameters (grant size range, eligible expenses, timing)
• "Good fit" criteria beyond topic alignment (values, giving history, accessibility)

Part II: Share prompt, review response. Apply Discernment:

• Suggested funders có actually fund orgs size/type của bạn?
• Verify deadlines và eligibility
• Identify outdated info (closed programs, changed priorities)
• Note prospects align giá trị bạn, không chỉ budget needs

Part III — Phản xạ:

• AI có hiểu "aligned funder" ≠ "topically related"?
• Details nào bạn cần verify trước khi invest time apply?
• Cái gì chỉ network của bạn biết mà AI không?

Stretch goal: Pick 1 suggested funder → ask AI research recent grants của họ → compare actual giving với stated priorities.

Phản xạ bài học

• Cung cấp context về org đã thay đổi quality output ra sao so với prompt generic?
• Verification habits nào bạn sẽ build vào workflow khi dùng AI research?
• D nào (Description / Discernment) bạn thấy natural, D nào khó?

Tóm tắt bài học

Tài liệu tham khảo

• AI Fluency Framework & Foundations (Lesson 7 — Effective Prompting): Anthropic Academy
• Anthropic research features: https://www.anthropic.com/news/research
• Claude for Research use cases: https://claude.com/resources