5.5 · Năng lực và giới hạn của AI hôm nay

Mở đầu: Làm quen với một đồng nghiệp mới

• Đọc gần như mọi sách, paper, website Internet đến tháng 1/2026
• Viết được 30 ngôn ngữ trôi chảy
• Code Python, JavaScript, Rust, Go, Java... ở mức senior engineer
• Work 24/7, không nghỉ, không than phiền
• Phản hồi trong 5-30 giây

Nhưng:

• Không nhớ ai bạn cuộc trò chuyện trước (trừ khi bạn lưu)
• Đôi khi bịa đặt thông tin với confidence cao
• Không biết gì sau tháng 1/2026
• Cùng câu hỏi, response khác nhau mỗi lần
• Không tự verify được fact của chính mình

Bạn vừa thuê Aldous. Lương là $20/tháng (Claude Pro tier). Câu hỏi: bạn giao việc gì cho Aldous, không giao gì, và tại sao?

Đó chính là Bài 5.5.

Năng lực — AI làm gì tốt?

1. Versatility ngôn ngữ — "Thợ đa năng"

Cùng một model có thể:

• Viết email với tone của bạn
• Tóm tắt báo cáo dài
• Dịch giữa nhiều ngôn ngữ
• Giải thích quantum physics
• Viết tutorial cooking
• Brainstorm ý tưởng bài thơ

Không cần "switch tool". Vài năm trước, mỗi task cần software riêng. Bây giờ, cùng một LLM xử lý hết.

┌─────────────────────────────────────────────────────────┐
│                                                         │
│                    LLM HÔM NAY                          │
│                                                         │
│   📧 Email      📊 Report      🌐 Translation           │
│   ✍️  Writing    📚 Summary     💡 Brainstorm           │
│   🎓 Teaching   💻 Code         📝 Docs                 │
│   🎨 Creative   🔍 Research     🤝 Negotiation help     │
│                                                         │
│         ALL FROM SINGLE INTERFACE                       │
│                                                         │
└─────────────────────────────────────────────────────────┘

2. Contextual awareness — "Nhớ trong cuộc trò chuyện"

Trong 1 conversation:

• Đề cập "deadline dự án" lúc đầu, hỏi "khi nào tôi cần xong?" cuối — model nhớ
• Reference back: "như mày nói lúc nãy..." — model hiểu

3. Tool use — "Tay chân thật"

Model hiện đại có thể:

Đây là hệ quả của "đợt sóng 2" trong Bài 5.2 — AI có tay chân.

4. Pattern recognition ở scale lớn

AI có thể đọc 200 review, 500 ticket support, 80 paper → tìm pattern, theme, anomaly. Việc nếu bạn làm sẽ tốn ngày → AI làm trong phút.

Ứng dụng:

• Customer feedback analysis
• Literature review
• Code review pattern (security issues)
• Trend detection trong data

5. Few-shot learning — "Học nhanh từ ví dụ"

Cho model 2-3 ví dụ về output bạn muốn → nó pattern-match cho task tương tự.

Bạn cung cấp:
- Ví dụ 1: input X → output Y
- Ví dụ 2: input X' → output Y'
- Ví dụ 3: input X'' → output Y''

Model áp dụng pattern cho:
- Input X''' → output Y''' (theo style bạn dạy)

6. Chain-of-thought reasoning (model mới)

Model thế hệ mới (Claude với extended thinking, GPT-5, o-series) có thể "nghĩ từng bước" trước khi answer. Phù hợp:

• Math problem
• Logic puzzle
• Multi-step planning
• Code debug

Giới hạn — AI làm gì tệ (hoặc nguy hiểm)?

1. Knowledge cutoff — "Đi tu trên núi"

Model không biết gì sau training cutoff. Hỏi sự kiện gần đây → bịa hoặc thừa nhận không biết.

Ví dụ vấn đề:

• "Earnings của công ty A quý vừa rồi?" → model không biết
• "Luật mới ban hành tháng trước?" → bịa hoặc rỗng

Giải pháp: Web search tool, hoặc upload data mới làm context.

2. Hallucination — "Nói chắc nhưng sai"

LLM tạo response qua statistical pattern, không phải retrieval. Khi gap kiến thức → bịa với confidence cao.

Ví dụ thường gặp:

• Bịa citation paper
• Bịa quote của người nổi tiếng
• Bịa case law
• Bịa số thống kê
• Bịa URL

Giải pháp:

• Cross-check fact với source độc lập
• Dùng tool search để ground vào reality
• Skeptical với mọi specific number/citation

3. Context window — "Bộ nhớ giới hạn"

Conversation rất dài hoặc data rất lớn → vượt window → quên.

Hệ quả:

• Conversation kéo dài tuần → đầu chat bị quên
• Document 1000 trang → có thể truncate
• Multi-file project → không thấy được mối liên hệ xa

Giải pháp:

• Summarize-and-restart cho conversation dài
• Filter document trước upload
• Dùng model context lớn (Claude 4 1M, Gemini 2M)

4. Non-determinism — "Mỗi lần khác"

Cùng prompt → response khác → không reproducible.

Vấn đề:

• Audit trail khó (lần này đúng, lần sau sai)
• Production system cần consistency
• Test khó (output luôn khác)

Giải pháp:

• Set temperature = 0 cho task cần consistency
• Document version model đang dùng
• Test với nhiều seed để hiểu variance

5. Complex reasoning — "Toán-logic-tài chính"

Lịch sử LLM yếu ở:

• Math nhiều bước
• Logic puzzle phức tạp
• Reasoning ngầm cần inference

Tin tốt: Model "reasoning" mới (o3, Claude extended thinking) đang tiến bộ nhanh. Nhưng:

• Vẫn fail ở một số edge case
• Đắt hơn (compute nhiều)
• Chậm hơn (vài giây đến phút)

Giải pháp:

• Cho model dùng code execution cho math
• Break complex problem thành sub-step
• Verify với calculator/tool độc lập

6. Specific data sources — "Brilliant colleague không có database"

Model brilliant nhưng không truy cập:

• Database công ty bạn
• Repository code internal
• Email cá nhân
• Tool chuyên ngành (Bloomberg Terminal, Westlaw...)

Analogy: "Như có đồng nghiệp thiên tài nhưng không access internal database — họ chỉ giúp được trong phạm vi họ thấy."

Giải pháp:

• Tool integration (MCP, custom connectors)
• Upload relevant data thủ công
• Build retrieval system (RAG)

7. Bias inherent từ training data

Training data từ Internet → model thừa hưởng bias của Internet:

• Ngôn ngữ chính (English) tốt hơn
• Văn hóa Western tốt hơn
• Demographic representation lệch
• Recent data over-represented

Hệ quả:

• Output cho non-English có thể kém hơn
• Recommendation có thể có cultural bias
• Group nhỏ/marginalized có thể bị stereotype

Giải pháp:

• Conscious về bias khi áp dụng cross-cultural
• Dùng language native của target audience để evaluate
• Diligence statement có thể flag bias considerations

8. Real-time / live data

Model không tự update real-time. Không biết:

• Stock price hiện tại
• Weather hôm nay
• News breaking
• Status hệ thống live

Giải pháp: Tool integration. Model không "có" data, nhưng có thể "fetch" qua tool.

Bảng so sánh — AI vs. Human (nơi mỗi bên thắng)

Insight quan trọng: Bảng này không phải "AI tốt hơn / kém hơn". Nó là complementary strengths — bạn dùng AI cho cột trái, human cho cột phải, kết hợp cho output không bên nào tự làm được.

Khái niệm chìa khóa: Complementary strengths

┌────────────────────────────────────────────────────────┐
│                                                        │
│              KẾT HỢP TỐI ƯU                            │
│                                                        │
│         HUMAN                    AI                    │
│         ─────                    ──                    │
│    Critical thinking         Speed                     │
│    Judgment                  Scale                     │
│    Creativity (true)         Pattern recognition       │
│    Ethical oversight         Information processing    │
│    Empathy                   Cross-domain knowledge    │
│    Domain expertise          Tool execution            │
│         │                        │                     │
│         └──────────┬─────────────┘                     │
│                    ▼                                   │
│           OUTPUT TỐT HƠN                               │
│           CẢ HAI BÊN TỰ LÀM                            │
│                                                        │
└────────────────────────────────────────────────────────┘

Nguyên tắc thực dụng:

1. AI làm phần "broad and fast" — research, draft, analyze pattern
2. Human làm phần "deep and judgment" — strategy, ethics, final call
3. Cả hai cộng tác phần "iterate" — refine, improve

Đây là cốt lõi Augmentation (Bài 5.2). Cả khóa này dạy cách thực thi nguyên tắc này.

Ví dụ theo ngành — Áp dụng năng lực/giới hạn

Investment Analyst — NBIM case

NBIM (Norwegian Sovereign Wealth Fund) có 9000 portfolio company.

AI thắng:

• Read all 10-K filing parallel
• Extract financial highlights, risk factors
• Compare quarterly performance across companies
• Build dashboard with MCP integration

Human thắng:

• Investment thesis
• Sector judgment
• Ethical screening (ESG)
• Final buy/sell decision

Kết quả: "Analysts spend less time on tedious manual work, more on relationships and understanding business models." — Nick Linden, Anthropic Financial Services Lead

Product Manager — Maggie case

AI thắng:

• Pull email + calendar + task → daily brief
• Literature review for proposal (45 min vs. half day)
• Convert PRD to Asana task

Human thắng:

• Strategic priority cho team
• Product vision
• Stakeholder relationship

Legal Counsel

AI thắng:

• Compare contract vs. template
• Surface clauses khác biệt
• Summarize positions

Human thắng:

• Legal judgment trên nuance
• Risk acceptance decision
• Client communication
• Court representation

Pharma Researcher — AbbVie case

AI thắng (Genesis tool):

• Sales call planning
• Drug data synthesis
• Customer history aggregation

AI thắng (Gaia tool):

• Draft NDA, PSUR documents
• 40-60% efficiency

Human thắng:

• Drug discovery hypothesis
• Patient safety judgment
• Regulatory strategy
• Clinical trial design (ultimate decision)

Anti-patterns

"AI sẽ giỏi hơn nhân tôi sớm thôi, không cần học cộng tác"

Sai

Ngay cả khi AI giỏi hơn human ở task cụ thể, trách nhiệm vẫn là human. Diligence không thể delegate.

Đúng

Học cộng tác là kỹ năng meta — không lỗi thời.

"AI có thể làm mọi thứ → giao mọi thứ"

Sai

Có những thứ AI làm được nhưng không nên giao (ethics, empathy với khách hàng đau buồn, decision với consequence lớn).

Đúng

Delegation là về "nên hay không", không phải "có thể hay không".

"AI yếu math nên không bao giờ dùng cho number"

Sai

Model mới + code execution tool đã rất tốt math. Bạn missed opportunity.

Đúng

Test định kỳ — capability AI tăng nhanh.

"Tin AI hoàn toàn vì output trông professional"

Sai

Output well-written ≠ output đúng. Hallucination thường rất fluent.

Đúng

Discernment standard — đặc biệt với fact, citation, number.

Mẹo nâng cao

Mẹo 1: Maintain "AI capability radar"

Mỗi quý, dành 1 giờ:

• Test 5-10 task mới với AI mạnh nhất bạn dùng
• Note: cái gì AI bây giờ làm được mà 6 tháng trước không?
• Cái gì AI vẫn fail?

Đây là cách stay current không cần đọc paper.

Mẹo 2: Build "decision card" cá nhân

Tạo cheat sheet:

• "Khi gặp X type task → AI tốt"
• "Khi gặp Y type task → human tốt hơn"
• "Khi gặp Z type task → mix với pattern A"

Update card khi học được điều mới.

Mẹo 3: Học từ "AI failure" của mình

Khi AI fail, đừng frustrated. Note:

• Loại task gì
• Sai như thế nào
• Pattern nào để tránh trong tương lai

Mỗi failure là 1 data point cho mental model.

Áp dụng ngay

Bài tập 1: Tạo "Capability Map" cá nhân (15 phút)

Liệt kê 10 task bạn làm thường xuyên trong công việc/cuộc sống. Phân loại:

Insight:

• Task confidence ≥ 4 → safe to delegate (Automation/Augmentation)
• Task confidence 2-3 → AI hỗ trợ một phần
• Task confidence ≤ 1 → human-only hoặc cần tool đặc biệt

Bài tập 2: Test giới hạn AI bạn dùng (15 phút)

Thử các task sau với Claude:

1. Knowledge cutoff: "What's the most recent major event in [your industry]?"
2. Hallucination check: "Cite 3 academic papers about [niche topic]" — verify mỗi citation có thật
3. Math: "If I have 17 customers, each pays $X different amount, what's the median and mean?"
4. Long context: Upload 1 doc dài, hỏi về câu cuối
5. Tool availability: "Can you search the web?" "Can you create files?"

Note kết quả. Đây là baseline reality check của tool bạn dùng.

Bài tập 3: Reflection (5 phút)

• Hiểu năng lực/giới hạn của AI thay đổi cách bạn nghĩ về dùng AI thế nào?
• Có loại task nào bạn từng tránh AI vì cho rằng nó không làm được, mà thực ra giờ làm được?
• Có loại task nào bạn đã giao AI nhưng bây giờ realize không nên?

Tóm tắt bài học

Tài liệu tham khảo

• What do people use AI models for — Anthropic — Data-driven view of real use cases
• How AbbVie accelerates drug discovery — Genesis & Gaia in pharma
• How Claude is transforming financial services — NBIM, BCI cases