Phương pháp học và làm việc với AI bằng cách đặt câu hỏi — Phần 1: Nền tảng kiến thức ngành và hệ tư duy bổ trợ Để làm việc với AI hiệu quả, đừng chỉ học prompt. Bạn cần bắt đầu từ kiến thức ngành sâu sắc và 5 trụ cột tư duy cốt lõi.

Để khai thác tối đa sức mạnh của AI, prompt giỏi thôi là chưa đủ. Bạn cần một nền tảng kiến thức ngành sâu sắc và hệ tư duy bổ trợ để định hướng cho AI.

I. Kiến thức bản địa/ngành (Domain Knowledge)

Để làm việc tốt với AI, yếu tố đầu tiên chúng ta bắt buộc phải có là kiến thức sâu rộng trong lĩnh vực chuyên môn mà mình đang làm (domain knowledge). Nếu không có kiến thức ngành, chúng ta sẽ không thể đưa ra đề bài đúng cho AI.

1. Bản đồ tài chính doanh nghiệp & phễu doanh thu

Bất kỳ một mô hình kinh doanh nào cũng được cấu thành từ 3 yếu tố cơ bản: Doanh thu, Chi phí và Lợi nhuận. Chúng ta cần phải nắm rõ dòng tiền đi vào từ đâu, chi phí chảy ra ở những khâu nào và lợi nhuận thực tế thu về là bao nhiêu.

Ví dụ thực tế tại KALIX (mô hình bán hàng chu kỳ dài — long sales cycle):

Khác với các sản phẩm giá trị thấp (dưới 1 triệu) chốt đơn trong ngày trên Shopee, sản phẩm nội thất may đo phân khúc cao cấp cần trung bình 60 ngày tư vấn mới có thể chốt một đơn hàng. Phễu vận hành của KALIX trải qua các bước:

Tiếp cận → Thu hút → Chuyển đổi → Sản xuất → Giao hàng → Hoàn thành

Cách dòng tiền dịch chuyển trong phễu:

• Doanh thu đi vào: Chỉ xuất hiện ở khâu cuối cùng là Hoàn thành đơn hàng (khi đã thu đủ tiền).
• Chi phí chảy ra: Xuất hiện liên tục từ các khâu đầu tiên.
  • Tiếp cận & Thu hút: Tốn chi phí chạy Ads/Marketing và chi phí nhân sự Marketing.
  • Chuyển đổi: Tốn chi phí vận hành của đội ngũ Sales.
  • Sản xuất: Tốn giá vốn hàng bán (COGS) để sản xuất hoặc mua vật tư.
  • Giao hàng: Tốn chi phí vận hành và vận chuyển.

Mục tiêu của người quản trị: Luôn là tối ưu hóa phễu này để Tăng doanh thu, Giảm chi phí, Tăng lợi nhuận. Bạn càng hiểu sâu sắc về phễu của ngành mình, bạn càng thiết kế được những giải pháp có giá trị thực tế cho doanh nghiệp.

Case study đo lường hiệu quả quảng cáo tại KALIX:

Trước đây, công ty quản lý báo cáo thủ công qua Google Sheets rất tù mù và chỉ đo lường chuyển đổi đến tầng Lead (số điện thoại/tin nhắn).

Khi tôi tự xây dựng hệ thống báo cáo tự động kéo dữ liệu về đến khâu cuối (chốt đơn), một insight đắt giá đã lộ ra:

• Fanpage A có chi phí ra lead rất đắt (454.000đ/lead), nhưng tỷ lệ chốt đơn rất cao → chi phí trên một đơn hàng thành công lại rất rẻ.
• Fanpage B có chi phí ra lead cực kỳ rẻ, nhưng tỷ lệ chốt gần như bằng không.
• Hậu quả nếu thiếu số liệu: Nếu chỉ nhìn ở phần ngọn (tầng lead), doanh nghiệp sẽ có xu hướng dồn hết ngân sách vào Fanpage B (tưởng là rẻ) và vô tình làm tăng chi phí thực tế, gây lỗ. Hệ thống báo cáo mới giúp điều hướng ngân sách chính xác vào các chiến dịch thực sự tạo ra tiền, trực tiếp giải quyết bài toán tối ưu chi phí và tăng lợi nhuận.

2. Thiết kế giải pháp theo 3 tầng góc nhìn (User Persona)

Khi coi mình là một “nhà cung cấp giải pháp” cho doanh nghiệp, chúng ta phải hiểu rõ đối tượng sử dụng giải pháp của mình là ai để thiết kế tính năng phù hợp:

Nguyên tắc quyết định tính năng: Trong quá trình build giải pháp, các bên sẽ liên tục đòi hỏi thêm tính năng này tính năng kia. Tuy nhiên, bạn phải xác định rõ ai là người chi trả tiền cho giải pháp này (thường là CEO/ban quản trị) để ưu tiên đáp ứng nhu cầu của họ trước tiên.

II. Bộ 5 tư duy bổ trợ để làm việc với AI

1. Sự tò mò và chủ động (Active Curiosity)

AI là một công cụ thụ động, nếu bạn không gõ gì vào khung chat, nó sẽ không bao giờ tự trả lời. Sự tò mò chủ động sẽ dẫn dắt bạn đặt ra những câu hỏi sâu thay vì những câu hỏi hời hợt, nhàm chán (như hỏi thời tiết, giá vàng).

• Ví dụ hỏi thiếu tò mò: “Viết cho tôi bài đăng Facebook về trà sữa” → kết quả chung chung, nhàm chán.
• Ví dụ hỏi có tò mò/chủ động: “Nếu khách hàng mục tiêu là học sinh đang ôn thi căng thẳng, làm sao để viết bài nhấn mạnh vào tính năng giải tỏa stress (xả stress) của trà sữa dưới góc nhìn hài hước?” → kết quả chạm đúng tâm lý người đọc.

2. Tư duy phản biện (Critical Thinking)

AI rất hay gặp hiện tượng ảo giác (hallucination) — nó có thể bịa ra thông tin và trình bày một cách cực kỳ tự tin. Nếu tin ngay lập tức vào kết quả của AI mà không kiểm chứng, bạn sẽ gặp rắc rối lớn.

• Ví dụ thực tế: Khi tôi làm hệ thống báo cáo tự động, lần đầu tiên AI tính toán công thức số liệu trả về bị sai lệch hoàn toàn. Nếu tôi không hiểu rõ bản chất chỉ số để phản biện và bắt AI tối ưu lại, doanh nghiệp sẽ dùng sai số liệu đó để chạy Ads và đốt tiền vô ích. Bạn phải là người nắm rõ đáp án đúng trước khi bắt AI làm việc.

3. Tư duy logic (Logical Thinking)

AI hoạt động theo chuỗi lệnh tuần tự. Nếu bạn đưa ra yêu cầu lộn xộn, AI sẽ bị lạc lối. Tư duy logic giúp bạn chia nhỏ đề bài theo cấu trúc “Nếu — Thì”, “Bước 1 — Bước 2 — Bước 3”.

• Ví dụ prompt thiếu logic: “Lập cho tôi lộ trình học tiếng Anh” → AI trả ra danh sách dài dằng dặc không biết bắt đầu từ đâu.
• Ví dụ prompt có logic:
  • “Bước 1: Hãy kiểm tra trình độ tiếng Anh hiện tại của tôi qua 5 câu hỏi trắc nghiệm sau.”
  • “Bước 2: Dựa trên kết quả đó, lập lộ trình học cá nhân hóa trong 30 ngày.”
  • “Bước 3: Thiết kế mỗi tuần có ít nhất 2 buổi luyện nghe.”
• Ứng dụng thực tế: Đây chính là nguyên lý tôi áp dụng để xây dựng các skill tự động học tập như curriculum (thiết kế lộ trình học) hay study trong hệ thống Obsidian cá nhân. Chúng luôn bắt đầu bằng việc xác định: Mục tiêu học là gì? và Trình độ hiện tại ở đâu? trước khi bắt đầu tạo lộ trình.

4. Tư duy hệ thống & phân tích (System & Analytical Thinking)

Để giải quyết những bài toán lớn, bạn không thể quăng cho AI một yêu cầu khổng lồ. Bạn cần phân tích, bẻ nhỏ vấn đề thành từng mảnh độc lập, sau đó quan sát cách các mảnh này liên kết chằng chịt với nhau trong một tổng thể.

• Khi hệ thống tri thức hoặc mã nguồn phình to, nếu không có tư duy hệ thống để bao quát dòng chảy dữ liệu, việc bạn sửa một node nhỏ ở góc này rất dễ làm sập toàn bộ luồng xử lý ở góc kia.
• Người sử dụng AI hiệu quả hiện nay thực chất đóng vai trò như những kiến trúc sư hệ thống (System Architect) — họ thiết kế quy trình, kết nối các luồng dữ liệu (dataflow) để AI thực thi.

5. Tư duy về vấn đề (Problem-First Mindset)

Trong framework PIPOO của tôi, điểm khởi đầu luôn luôn là Vấn đề (Problem) chứ không phải giải pháp (Solution).

• Nếu bạn vội vàng build giải pháp khi chưa thấu cảm (empathy) xem người dùng/sếp của bạn thực sự đang gặp khó khăn gì, bạn sẽ dễ tạo ra những “giải pháp rác” xa rời thực tế — những giải pháp không giúp tăng doanh thu, không giúp giảm chi phí và cũng chẳng tăng lợi nhuận.
• Hãy bắt đầu bằng cách thấu cảm sâu sắc nỗi đau của người dùng, làm rõ đề bài, sau đó mới dùng AI như một đòn bẩy để hiện thực hóa giải pháp một cách nhanh nhất.