AI cho trường học: lộ trình 90 ngày từ pilot nhỏ đến quy trình dùng được thật

Khi nói về AI cho trường học, hai phản ứng thường gặp là: “nguy hiểm, nên cấm trước” hoặc “công nghệ mới quá hay, hãy triển khai cho toàn trường”. Cả hai cách đều có một điểm yếu: trường chưa kịp học từ thực tế của chính mình.

Một cách an toàn và thực dụng hơn là coi 90 ngày đầu như một pilot — tức giai đoạn thử nghiệm có phạm vi nhỏ, người chịu trách nhiệm rõ và tiêu chí đo cụ thể. Mục tiêu không phải chứng minh AI tuyệt vời; mục tiêu là tìm ra workflow nào thực sự giúp giáo viên/nhà trường và workflow nào không đáng giữ.

Bài này viết cho hiệu trưởng, quản lý đào tạo, tổ trưởng hoặc người phụ trách chuyển đổi số. “Knowledge base” là kho tài liệu chuẩn để tra cứu; “template” là mẫu dùng lại; “human review” là bước con người kiểm trước khi kết quả có tác động thật.

1. Ngày 1–15: chọn nhóm pilot nhỏ và 2–3 bài toán dễ kiểm

Không cần phát tài khoản AI cho toàn trường ngay. Hãy chọn một nhóm giáo viên nòng cốt hoặc một tổ chuyên môn có nhu cầu thật, sẵn sàng ghi lại lỗi và có một người điều phối.

Use case đầu tiên nên ít rủi ro và dễ kiểm: tạo câu hỏi từ tài liệu chuẩn, draft worksheet, tóm tắt tài liệu chuyên môn, biến một nội dung thành nhiều mức độ, chuẩn bị biên bản hoặc checklist sự kiện.

Ví dụ: tổ Khoa học chọn hai workflow: tạo câu hỏi khởi động và tạo worksheet. Mỗi giáo viên dùng cùng một template có mục tiêu, nguồn, độ khó và rule “không thêm kiến thức ngoài nguồn”. Cuối hai tuần, cả tổ so thời gian, lỗi và mức độ phải sửa.

Tránh bắt đầu bằng những việc có hệ quả lớn: chấm điểm chính thức tự động, phân loại học sinh, quyết định kỷ luật hoặc đưa dữ liệu cá nhân lên công cụ chưa được phê duyệt.

Điểm quan trọng: chọn use case vì nó giải quyết pain thật, không vì demo trông ấn tượng.

2. Ngày 1–30: viết quy tắc dữ liệu ngắn, rõ và có ví dụ

Trước khi mọi người dùng AI rộng hơn, trường cần thống nhất ít nhất bốn điều: dữ liệu nào được phép đưa vào; dữ liệu nào phải ẩn danh; công cụ/tài khoản nào được phép dùng; và ai chịu trách nhiệm khi output được dùng chính thức.

Quy tắc không cần dài. Một trang có ví dụ cụ thể thường dễ dùng hơn 30 trang policy không ai đọc.

Ví dụ: “Có thể dùng tài liệu công khai và tài liệu nội bộ đã được phép. Không đưa tên, số điện thoại, hồ sơ sức khỏe hoặc dữ liệu nhạy cảm của học sinh lên công cụ ngoài danh sách được phê duyệt. Với bài tập cần ví dụ, ưu tiên dữ liệu giả lập hoặc đã ẩn danh.”

Tình huống: giáo viên muốn AI hỗ trợ phản hồi bài viết. Nếu mục tiêu chỉ test rubric, hãy dùng 5 bài mẫu đã ẩn danh. Không cần đưa toàn bộ hồ sơ lớp lên hệ thống.

UNESCO trong Guidance for Generative AI in Education and Research nhấn mạnh cách tiếp cận lấy con người làm trung tâm và chú ý tới dữ liệu, độ tuổi và trách nhiệm. Đây là nguồn tham khảo tốt khi trường xây nguyên tắc ban đầu.

3. Ngày 15–45: đào tạo theo workflow, không dạy “30 công cụ AI”

Một chương trình tập huấn tốt nên bắt đầu từ công việc giáo viên: chuẩn bị bài, tạo tài liệu, phân hóa, phản hồi, hành chính và tự học chuyên môn. Mỗi workflow có mẫu giao việc, nguồn, output và điểm kiểm.

Ví dụ một bài thực hành 45 phút: giáo viên mang một mục tiêu bài học và tài liệu nguồn; AI tạo worksheet; giáo viên kiểm 5 tiêu chí; nhóm so sánh bản trước/sau; cuối buổi lưu template. Người học rời lớp với một tài sản dùng lại, không chỉ biết thêm tên tool.

UNESCO AI Competency Framework for Teachers nhìn năng lực AI theo nhiều chiều: tư duy lấy con người làm trung tâm, đạo đức, nền tảng AI, sư phạm với AI và phát triển nghề nghiệp. Điều này nhắc rằng “biết dùng công cụ” mới chỉ là một phần. Xem AI Competency Framework for Teachers.

Tình huống thường gặp: giáo viên học xong một prompt rất hay nhưng tuần sau quên. Nếu khóa học giúp họ lưu template theo môn/lớp, cả tổ có thể dùng và cải tiến, giá trị bền hơn nhiều.

Đọc thêm cách chọn khóa học AI cho giáo viên để xây nội dung tập huấn theo năng lực thay vì tool.

4. Ngày 30–60: tạo thư viện mẫu và owner để tri thức không nằm trong chat cá nhân

Sau vài tuần thử, chắc chắn sẽ có một số cách làm tốt hơn số còn lại. Hãy gom chúng thành thư viện: template tạo worksheet, rubric, mẫu phản hồi, checklist dữ liệu, quy trình tạo câu hỏi, prompt có nguồn.

Mỗi template nên ghi: mục tiêu, input, nguồn, output, điều cấm, bước review và người chịu trách nhiệm cập nhật. Nếu một mẫu không còn dùng, retire thay vì để thư viện phình to.

Ví dụ: template “Tạo câu hỏi kiểm tra hiểu” luôn yêu cầu chỉ dùng đoạn tài liệu được cung cấp, 5 câu theo ba mức, đáp án và lý do, cấm thêm kiến thức ngoài nguồn. Owner là tổ trưởng chuyên môn. Khi model đổi, chạy lại test set trước khi phát hành bản mới.

Đây là bước chuyển từ “mỗi giáo viên tự thử AI” sang “nhà trường có cách dùng chung”. Không cần mọi lớp giống nhau; template giữ chuẩn, còn giáo viên thay context lớp.

Một lỗi cần tránh: chia sẻ nguyên một thư mục prompt không có mô tả. Người mới không biết prompt dùng lúc nào, nguồn nào, lỗi nào phải kiểm. Hãy lưu cách dùng chứ không chỉ lưu câu lệnh.

5. Ngày 45–75: xây knowledge base trước khi nghĩ tới chatbot toàn trường

Nếu trường muốn có trợ lý hỏi–đáp cho giáo viên, học sinh hoặc phụ huynh, hãy dọn nguồn trước. Quy định, lịch, hướng dẫn, FAQ và tài liệu chuyên môn cần biết phiên bản nào đang hiệu lực.

Ví dụ: chatbot trả lời “thủ tục xin nghỉ” phải dẫn tới policy hiện hành. Nếu không tìm thấy nguồn hoặc case đặc biệt, nó chuyển người phụ trách. Câu “tôi không có đủ thông tin” tốt hơn một câu trả lời tự tin nhưng sai.

Tình huống dễ thất bại: trường có ba file lịch học khác nhau trong Drive. Chatbot không thể tự biết file nào chuẩn. Vấn đề cần giải trước là source of truth — nơi dữ liệu chuẩn.

Knowledge base tốt còn giúp onboarding giáo viên mới, giảm câu hỏi lặp và giữ tri thức khi người phụ trách thay đổi.

6. Ngày 60–80: đo pilot bằng vài KPI thật thay vì cảm giác “mọi người rất thích”

Cuối pilot, đừng chỉ khảo sát xem AI có thú vị không. Hãy đo use case: thời gian chuẩn bị một loại tài liệu trước/sau; tỷ lệ output phải sửa lớn; số template được dùng lại; số lỗi nguồn; số câu hỏi knowledge base trả được có nguồn.

Ví dụ: trước pilot, worksheet mất 45 phút; sau pilot còn 25 phút nhưng 40% output phải sửa lớn. Có thể workflow vẫn chưa đạt. Nếu còn 30 phút nhưng tỷ lệ sửa lớn chỉ 10% và giáo viên dùng lặp, đó là tín hiệu đáng giữ.

Không cần tuyên bố “AI tăng năng suất 70%”. Baseline của chính trường đáng tin hơn một benchmark ngoài ngữ cảnh.

Với kết quả học tập, cần thận trọng hơn vì có nhiều yếu tố ảnh hưởng. Nếu muốn đo impact học sinh, thiết kế đánh giá riêng; không quy thay đổi điểm số cho AI chỉ vì pilot diễn ra cùng thời gian.

Nếu chỉ nhớ ba KPI đầu tiên: thời gian, tỷ lệ phải sửa và mức tái sử dụng.

7. Ngày 75–90: review lỗi, quyền và quyết định mở rộng hoặc dừng

Đây là lúc xem use case nào có giá trị, lỗi nào lặp, dữ liệu nào gây vướng, template nào được dùng và phần nào cần policy mới. Mỗi workflow được xếp vào ba nhóm: mở rộng; giữ nhưng sửa; dừng.

Ví dụ: tạo worksheet PASS và được dùng nhiều → mở sang thêm tổ. Chatbot policy thường trả sai vì nguồn rối → chưa mở rộng, quay lại dọn knowledge base. AI feedback nháp hữu ích nhưng giáo viên lo dữ liệu → sửa quy trình ẩn danh trước.

Dừng một use case không phải thất bại. Pilot tồn tại để trường phát hiện điều gì không đáng scale trước khi chi phí và rủi ro tăng.

Trước khi mở rộng, hỏi 6 câu: owner có rõ không; nguồn có version không; dữ liệu có policy không; template/skill có test không; có human review ở quyết định quan trọng không; KPI pilot có bằng chứng không.

Tình huống quyền: ở pilot AI chỉ draft thông báo. Khi mở rộng, đừng tự động chuyển thành quyền gửi. Mỗi mức quyền mới cần test và approval riêng.

8. Vai trò của lãnh đạo, giáo viên nòng cốt và người phụ trách hệ thống

Lãnh đạo không cần giỏi mọi công cụ. Vai trò là chọn outcome, bảo vệ dữ liệu, cho phép thử nhỏ và yêu cầu bằng chứng trước khi scale. Giáo viên nòng cốt thử workflow, ghi lỗi và biến cách làm tốt thành template. Người phụ trách hệ thống giữ nguồn, quyền, version và log.

Mini-case: một trường có nhóm pilot 8 giáo viên, một tổ trưởng và một người IT/ops. Giáo viên thử; tổ trưởng chấm chất lượng sư phạm; IT/ops kiểm dữ liệu và quyền; lãnh đạo review KPI mỗi tháng. Không ai phải làm tất cả.

Một nhịp vận hành đơn giản sau 90 ngày có thể là: hàng tuần giáo viên phản hồi lỗi; hàng tháng owner review template; hàng quý lãnh đạo xem KPI và policy. Nhờ vậy AI trở thành năng lực vận hành chứ không phải chiến dịch một lần.

Làm ngay: chọn 5–10 giáo viên cho pilot và một use case ít rủi ro. Viết một trang gồm mục tiêu, nguồn, dữ liệu cấm, output, người duyệt và KPI. Đó là mission card đầu tiên của chương trình 90 ngày.

Nếu muốn thiết kế pilot/tập huấn theo quy trình và dữ liệu thật của trường, liên hệ Học viện AI để bắt đầu từ outcome và chính sách, không từ danh sách tool.

Một nguyên tắc giữ hệ thống gọn: đừng tạo một trợ lý mới cho mỗi ý tưởng. Khi một workflow có thể dùng chung nguồn và skill, mở rộng từ nền hiện có. Quá nhiều bot nhỏ làm người dùng không biết hỏi ai và làm quản trị quyền khó hơn.

Cuối 90 ngày, trường nên có một “bộ tài sản” cụ thể: policy dữ liệu ngắn; 5–10 template được dùng thật; một kho nguồn chuẩn; một bảng KPI; danh sách use case đã PASS/HOLD/STOP. Đây là bằng chứng trưởng thành tốt hơn số tài khoản AI đã cấp.

Nếu giáo viên không dùng lại template sau pilot thì sao? Đừng vội kết luận họ “ngại công nghệ”. Hãy kiểm ba khả năng: template không giải quyết việc đủ đau; dùng template còn mất công hơn cách cũ; hoặc output chưa đủ tin cậy nên giáo viên phải sửa quá nhiều. Phỏng vấn 5–10 người dùng và sửa workflow trước khi tổ chức thêm một buổi đào tạo.

Dấu hiệu pilot đang đi sai: số tool tăng nhanh hơn số workflow được dùng; mỗi giáo viên giữ prompt riêng; nguồn không có owner; không ai biết bài nào do AI tạo; hoặc KPI chỉ là số tài khoản đã kích hoạt. Khi thấy các dấu hiệu này, nên thu hẹp phạm vi và đưa hệ thống về vài use case có bằng chứng.

Một pilot tốt không nhất thiết kết thúc bằng “mở rộng toàn trường”. Nó có thể kết thúc bằng quyết định rất có giá trị: giữ 3 workflow, dừng 2 workflow và hoãn chatbot tới khi knowledge base sạch. Đó là quản trị dựa trên bằng chứng, không phải thất bại.

Kết luận: 90 ngày đầu là để học cách dùng AI của chính trường, không để chứng minh AI đúng

Triển khai AI cho trường học không cần bắt đầu bằng dự án lớn. Pilot nhỏ có nguồn, dữ liệu, workflow, QA và KPI rõ sẽ giúp nhà trường hiểu mình trước khi mở rộng công nghệ.

Đi chậm ở bước chọn use case và dữ liệu thường giúp đi nhanh hơn ở bước scale. Khi nền này vững, công cụ mới có thể thay đổi mà năng lực của trường vẫn được giữ lại.