Đừng học tool, hãy học tư duy khi dùng AI

Giới thiệu

Chào các bạn,

Mấy tháng gần đây mình thấy rất nhiều người học AI theo một hướng khá quen: hỏi xem nên dùng tool nào, prompt nào, workflow nào. Cách học này không sai. Thậm chí nó còn cho cảm giác tiến bộ rất nhanh vì chỉ cần vài buổi là đã có thể dùng được một số tính năng cơ bản.

Nhưng nếu chỉ dừng ở mức đó thì rất dễ rơi vào một vòng lặp mệt: cứ mỗi lần model đổi, giao diện đổi, hay một tool mới nổi lên, chúng ta lại có cảm giác phải học lại từ đầu. Đó là lý do mình muốn viết bài này. Ý chính rất đơn giản: đừng chỉ học tool, hãy học tư duy. Vì tool thay đổi liên tục, còn tư duy thì theo bạn lâu hơn.

Trong bài này mình sẽ nói rõ hơn vì sao cách học theo tool thường hấp dẫn nhưng không bền, và tư duy nào mới là phần nên học trước.

Vì sao nhiều người thích học tool trước?

Lý do đầu tiên là học tool cho cảm giác rất cụ thể.

Bạn mở một video lên và thấy:

• đây là prompt để viết tài liệu
• đây là workflow để tóm tắt họp
• đây là extension để code nhanh hơn
• đây là một app AI mới giúp vẽ flow hoặc prototype

Những thứ đó rất dễ học vì chúng có hình dạng rõ ràng. Có nút bấm. Có giao diện. Có trước và sau. Có cảm giác "dùng được ngay".

Lý do thứ hai là nội dung về tool rất dễ lan truyền. Một video kiểu "5 prompt cho BA", "3 tool AI giúp dev code nhanh hơn", hay "workflow giúp viết tài liệu trong 10 phút" luôn dễ thu hút hơn một bài nói về tư duy nền.

Lý do thứ ba là học tool thật ra cho kết quả nhanh trong ngắn hạn. Nếu hôm nay một bạn BA chưa từng dùng AI để viết user story, chưa từng nhờ AI tóm tắt họp, chưa từng nhờ AI gợi ý wireframe, thì chỉ cần học đúng một vài thao tác là đã thấy năng suất tăng ngay.

Vấn đề nằm ở chỗ: phần đó chỉ là lớp bề mặt.

Nếu các bạn chỉ nhớ:

• tool nào đang hot
• prompt nào đang viral
• bấm ở đâu để ra kết quả
• model nào đang được cộng đồng nhắc nhiều

thì kiến thức đó rất dễ cũ. Nó hữu ích, nhưng tuổi thọ ngắn.

Tool thay đổi liên tục. Tư duy thì giữ bạn lại lâu hơn

Chỉ cần nhìn lại thị trường AI một thời gian ngắn là các bạn sẽ thấy điều này rất rõ.

Chỉ riêng OpenAI, chúng ta đã đi từ GPT-3.5, GPT-4, GPT-4o đến GPT-5.5, chưa kể các dòng reasoning như o1, o3. Ở phía Anthropic, Claude cũng đã lên Opus 4.7. Gemini cũng vậy. Chưa kể xung quanh mỗi model lại có thêm hàng loạt công cụ, workflow, extension, agent, wrapper, UI mới.

Nếu học AI theo kiểu bám chặt vào từng tool, thì mỗi lần thị trường đổi là mình lại phải reset một phần kiến thức:

• giao diện khác đi
• chỗ nhập prompt khác đi
• tính năng đổi tên
• workflow cũ không còn hợp nữa
• tool cũ dần bị outdate hoặc không còn là lựa chọn tốt nhất nữa
• một tool từng rất hợp ở thời điểm này, nhưng vài tháng sau đã có tool khác làm tốt hơn
• tool mới xuất hiện và cộng đồng lại chuyển sang học thứ khác

Nhưng nếu học theo tư duy, bạn sẽ bám vào những câu hỏi ít thay đổi hơn:

• mình đang giải quyết bài toán gì?
• LLM thực sự hoạt động kiểu gì, mạnh ở đâu và dễ sai ở đâu?
• đầu vào nào là quan trọng?
• output tốt là như thế nào?
• phần nào giao cho AI, phần nào phải tự review?
• mình cần cung cấp context nào để AI làm việc đúng hơn?
• với bài toán này thì nên build workflow như thế nào cho hợp lý?
• model nào phù hợp hơn với đúng nhu cầu mình đang có?

Đó mới là phần giúp các bạn đổi tool mà không hoảng.

Ví dụ một người hiểu cách mô tả bài toán rõ ràng, biết chia requirement thành context, constraints, expected output và checklist review, thì người đó có thể chuyển từ ChatGPT sang Claude, Gemini hay bất kỳ tool nào khác khá nhanh. Người đó vẫn cần thời gian làm quen giao diện, nhưng không phải học lại tư duy từ đầu.

Ngược lại, một người chỉ nhớ "ở tool A có prompt B rất hay" thường sẽ gặp khó ngay khi:

• prompt đó không còn hợp với task mới
• tool mới phản hồi khác
• output thay đổi vì context khác
• không biết sửa prompt vì thật ra chưa hiểu bài toán mình đang đưa vào

Tư duy nào mới là phần nên học trước khi học prompt?

Theo mình, có ít nhất 5 lớp tư duy đáng học trước.

1. Tư duy bóc tách bài toán

Trước khi hỏi AI, các bạn phải biết mình đang cần gì.

Ví dụ cùng là "viết tài liệu", nhưng thật ra có thể là:

• viết user story
• draft acceptance criteria
• tóm tắt meeting note
• phân tích business rule
• chuyển ý tưởng thành wireframe text

Nếu bài toán chưa rõ, prompt rất khó tốt. AI thường chỉ làm nhanh hơn phần mình đã nghĩ rõ. Nó không tự thay thế hoàn toàn khâu hiểu bài toán.

Với BA, đây là chỗ đặc biệt quan trọng. Nếu chưa rõ business objective, actor, rule, flow chính, flow phụ, hay điểm cần clarify với stakeholder, thì dùng AI dễ ra một bản nháp trông có vẻ ổn nhưng thực ra rất chung chung.

2. Tư duy về cách LLM hoạt động

Nhiều người dùng AI mỗi ngày nhưng lại không có hình dung cơ bản về nó đang làm gì. Theo mình, đây là một lỗ hổng khá lớn.

Các bạn không cần đi quá sâu vào technical paper. Nhưng ít nhất nên hiểu vài ý nền:

• LLM không "hiểu" như con người, mà dự đoán chuỗi từ tiếp theo dựa trên xác suất và context
• nó rất mạnh ở việc tổng hợp, diễn đạt, biến đổi format, gợi ý cấu trúc và tạo bản nháp
• nó không tự có ground truth cho bài toán của team bạn nếu bạn không cung cấp context đủ tốt
• nó có thể tạo ra câu trả lời nghe rất mượt nhưng vẫn sai, thiếu, hoặc tự bịa
• cùng một yêu cầu nhưng chỉ cần đổi context, ví dụ, hoặc ràng buộc là output có thể khác hẳn

Hiểu mấy điểm này rất quan trọng vì nó đổi luôn cách các bạn dùng AI.

Khi đó, các bạn sẽ bớt kỳ vọng sai kiểu:

• hỏi quá ngắn nhưng đòi output rất chuẩn
• đưa thiếu dữ liệu nhưng nghĩ model sẽ tự hiểu domain
• thấy câu trả lời mượt nên mặc định tin luôn
• gặp một lần trả lời sai rồi kết luận là tool đó "dở"

Nói cách khác, hiểu LLM hoạt động ra sao sẽ giúp các bạn dùng AI thực tế hơn, thay vì hoặc thần thánh hóa nó, hoặc thất vọng quá sớm.

3. Tư duy input – process – output

Rất nhiều người học prompt như học một câu thần chú. Nhưng prompt tốt thường không phải là một câu hay, mà là một cấu trúc rõ.

Ít nhất các bạn nên nghĩ theo khung:

• input mình đang có là gì?
• AI cần xử lý theo vai trò nào?
• output mong muốn trông ra sao?
• tiêu chí đánh giá output là gì?

Khi hiểu khung này, các bạn sẽ bớt lệ thuộc vào prompt mẫu trên mạng. Thay vì đi copy nguyên văn, các bạn biết cách tự ráp prompt theo task của mình.

4. Tư duy context và container

Đây là chỗ mình thấy rất giống với thiết kế và frontend.

Một prompt không chỉ là một câu lệnh. Nó là một cái container chứa:

• bối cảnh
• dữ liệu đầu vào
• ràng buộc
• ví dụ mong muốn
• format đầu ra

Nếu container này lỏng, AI sẽ suy diễn nhiều. Nếu container này rõ, output sẽ ổn định hơn.

Nói cách khác, AI không chỉ cần câu hỏi. Nó cần đúng "khung chứa" cho câu hỏi đó.

5. Tư duy review và kiểm chứng

Đây là phần người mới học AI hay bỏ qua nhất.

AI rất giỏi tạo ra cảm giác "có vẻ đúng". Nhưng trong công việc BA, dev, tester hay designer, "có vẻ đúng" là chưa đủ. Các bạn vẫn phải kiểm:

• logic có khớp không
• business rule có bị thiếu không
• thuật ngữ có dùng sai không
• flow có mâu thuẫn không
• output có thật sự phù hợp với team mình không

Nếu không có tư duy review, các bạn càng dùng AI nhiều càng dễ tăng tốc sai.

Ví dụ từ thiết kế: hiểu layer, container rồi thì đổi tool nào cũng theo được

Mình nghĩ ví dụ này khá dễ thấy, nhất là với các bạn từng làm việc gần designer hoặc từng tự vẽ mockup.

Trước khi AI bùng nổ, thế giới design cũng đã thay đổi tool liên tục rồi. Có giai đoạn nhiều người học Photoshop. Sau đó đến XD. Có người dùng Balsamiq cho wireframe nhanh. Rồi Figma trở thành công cụ quá phổ biến.

Nếu chỉ học tool theo kiểu "nút nào nằm ở đâu", các bạn sẽ thấy mỗi lần đổi tool là một lần mệt. Nhưng nếu học tư duy thiết kế cơ bản, quá trình chuyển tool thật ra không quá đáng sợ.

Ví dụ các bạn hiểu:

• layer nào đang nằm trên layer nào
• khối nào là container
• thành phần nào đang nằm trong container đó
• khoảng cách giữa các phần tử nên nhất quán ra sao
• khi nào dùng component, khi nào chỉ là một shape tạm
• phần nào là nội dung, phần nào là cấu trúc

thì khi chuyển từ Photoshop sang XD, từ XD sang Figma, hay từ Balsamiq sang một tool khác, phần khó nhất không còn là tư duy nữa. Phần còn lại chủ yếu là học vị trí tính năng, cách thao tác, và một vài convention riêng của tool.

Nói ngắn gọn:

• học tư duy thì lâu hơn
• học dùng tool cơ bản thì 1-2 hôm là có thể làm được

Đó là lý do người hiểu bản chất thường đổi công cụ khá nhanh.

Ví dụ từ frontend: nhìn màn hình như một cây component

Nếu các bạn có làm việc với frontend thì câu chuyện còn rõ hơn nữa.

Một màn hình nhìn ở mức bề mặt chỉ là giao diện. Nhưng nếu nhìn theo tư duy cấu trúc, các bạn sẽ thấy nó giống một cây component:

• page là container lớn
• trong page có section
• trong section có card
• trong card có title, description, button
• mỗi khối lại có padding, spacing, alignment, state

Khi designer hiểu tư duy container và developer hiểu tư duy component, hai bên nói chuyện với nhau dễ hơn rất nhiều. BA cũng được lợi vì khi nhìn màn hình, BA không chỉ thấy "đẹp hay không đẹp", mà còn nhìn ra:

• khối nào là vùng chức năng
• state nào cần đặc tả thêm
• phần tử nào phụ thuộc dữ liệu
• thành phần nào có thể tái sử dụng
• chỗ nào cần note rõ cho dev hoặc tester

Tư duy này cũng áp dụng ngược lại khi học AI.

Nếu chỉ nhìn AI như một ô chat để nhập prompt, các bạn sẽ học theo bề mặt. Nhưng nếu nhìn nó như một hệ thống nhận input, xử lý theo context, và trả output có điều kiện, thì cách học sẽ khác hẳn. Các bạn bắt đầu quan tâm tới cấu trúc, không chỉ quan tâm tới câu chữ.

Nên học AI theo thứ tự nào để không phải học lại liên tục?

Nếu phải gợi ý một thứ tự học thực dụng, mình sẽ đi như sau:

1. Chọn một bài toán công việc thật.
   Ví dụ: tóm tắt họp, draft user story, gợi ý test case, phân tích flow, viết email cho stakeholder.

2. Định nghĩa output tốt trông như thế nào.
   Ví dụ với user story thì cần actor, goal, scope, acceptance criteria. Với meeting note thì cần decision, open point, action item.

3. Học cách đưa context vào prompt.
   Đừng chỉ viết một câu rất ngắn. Hãy đưa background, audience, constraints, format và nếu cần thì thêm mẫu đầu ra mong muốn.

4. Học cách review output.
   Tự hỏi phần nào dùng được ngay, phần nào cần sửa, phần nào AI đang đoán.

5. Sau cùng mới tối ưu workflow và tool.
   Lúc này các bạn mới hỏi sâu hơn về model nào hợp, tool nào tiện, tính năng nào tiết kiệm thời gian hơn.

Nếu muốn gói lại thành một checklist ngắn, các bạn có thể nhớ:

• đừng bắt đầu từ tool, hãy bắt đầu từ task
• đừng bắt đầu từ prompt mẫu, hãy bắt đầu từ tiêu chí output
• đừng tin câu trả lời đầu tiên, hãy review như đang review tài liệu của đồng nghiệp
• đừng học mỗi giao diện, hãy học cách mô tả bài toán

Với BA, thứ tự này còn giúp các bạn dùng AI mà không mất góc nhìn nghiệp vụ. Vì cuối cùng thứ team cần không phải là một prompt hay, mà là output dùng được trong dự án.

Khi nào vẫn nên đi sâu vào tool?

Bài này không có ý phủ nhận việc học tool.

Thực tế, khi một tool đã trở thành công cụ dùng hằng ngày, các bạn vẫn nên đi sâu vào nó. Ví dụ:

• team đang chuẩn hóa trên một nền tảng cụ thể
• tool đó có tính năng giúp tiết kiệm nhiều thời gian thật
• bạn dùng nó đủ thường xuyên để tối ưu workflow cá nhân
• có integration tốt với tài liệu, code, design hoặc task management của team

Lúc này học sâu tool là hợp lý. Nhưng khác biệt nằm ở chỗ: bạn học tool trên nền của tư duy, chứ không thay tư duy bằng tool.

Khi đó, nếu sau này công cụ thay đổi, phần mất đi chủ yếu là thao tác. Phần còn lại như cách đặt vấn đề, cách define output, cách review và cách gắn AI vào quy trình làm việc vẫn giữ nguyên được khá nhiều.

Kết bài

Nếu chỉ chọn một câu để nhớ từ bài này, mình sẽ chọn câu này: tool giúp các bạn chạy nhanh trong ngắn hạn, còn tư duy giúp các bạn không phải chạy lại từ đầu sau mỗi lần thị trường đổi.

Vì vậy, khi học AI, các bạn vẫn nên học tool. Nhưng đừng dừng ở đó. Hãy học sâu hơn một lớp: bài toán là gì, LLM hoạt động ra sao ở mức đủ dùng, context nào quan trọng, output tốt trông như thế nào, nên build workflow ra sao, model nào phù hợp hơn với nhu cầu của mình, và mình phải review ra sao. Khi có lớp tư duy đó rồi, đổi từ tool này sang tool khác sẽ nhẹ hơn rất nhiều.