Biết nghiệp vụ quan trọng hơn biết code khi làm việc với AI Agent: bằng chứng từ 400.000 phiên

Một trong những câu nói phổ biến nhất khi người đi làm tiếp cận AI Agent là: “Tôi không biết code, chắc không dùng được.”

Nghiên cứu mới của Anthropic gợi ý điều ngược lại. Trong nhiều tình huống, yếu tố quyết định không phải người dùng có phải lập trình viên hay không. Yếu tố quan trọng hơn là họ có hiểu bài toán, biết mô tả kết quả, nhận ra lỗi và điều hướng AI quay lại đúng đường hay không.

Điều đó không có nghĩa “không cần học gì”. Nó có nghĩa thứ cần học đang thay đổi.

Nghiên cứu đã đo điều gì?

Ngày 16/06/2026, Anthropic công bố phân tích bảo vệ quyền riêng tư trên khoảng 400.000 phiên Claude Code tương tác từ khoảng 235.000 người, trong giai đoạn tháng 10/2025 đến tháng 4/2026.

Claude Code là một AI Agent có thể đọc file, sửa code, chạy lệnh và thực hiện chuỗi hành động. Đây là môi trường phù hợp để quan sát sự phân công giữa con người và AI: ai quyết định mục tiêu, ai chọn cách làm, một prompt kích hoạt bao nhiêu hành động và phiên làm việc kết thúc như thế nào.

Nhóm nghiên cứu phân loại mức chuyên môn của người dùng theo từng nhiệm vụ — từ novice đến expert — dựa trên ba tín hiệu chính:

• Họ mô tả yêu cầu chính xác đến đâu.
• Họ yêu cầu AI kiểm tra điều gì.
• Khi có sai lệch, ai sửa ai: người sửa AI hay AI phải bổ sung hiểu biết cho người.

Đây là “chuyên môn theo nhiệm vụ”, không phải chức danh. Một kỹ sư giỏi nhưng mới học Rust vẫn có thể là người mới trong nhiệm vụ Rust. Ngược lại, một kế toán không biết Python nhưng mô tả rõ quy tắc đối soát, phát hiện ngoại lệ cuối tháng và chỉ ra trường dữ liệu sai có thể được xem là chuyên gia trong chính bài toán đó.

Người có nghiệp vụ khiến AI làm được nhiều hơn từ mỗi yêu cầu

Trong các phiên được xếp novice, một prompt điển hình kích hoạt khoảng 5 hành động của Claude và khoảng 600 từ output.

Trong các phiên được xếp expert, mỗi prompt kích hoạt khoảng 12 hành động và khoảng 3.200 từ output.

Nói cách khác, người hiểu việc không nhất thiết phải nhắn nhiều hơn. Họ đưa ra một yêu cầu có chất lượng cao hơn, giúp AI thực hiện một chuỗi công việc dài hơn và tạo ra nhiều sản phẩm trung gian hơn trước khi cần quay lại hỏi.

Điều này rất gần với cách một quản lý giỏi giao việc cho nhân sự. Câu “làm giúp tôi báo cáo” tạo ra nhiều vòng hỏi lại. Một brief chỉ rõ mục tiêu, nguồn dữ liệu, chỉ số cần so, ngưỡng cảnh báo và định dạng bàn giao giúp người thực hiện đi xa hơn mà không cần bị điều khiển từng bước.

Hiểu việc có liên hệ mạnh với khả năng hoàn thành

Theo thước đo nghiêm ngặt nhất của nghiên cứu — verified success, yêu cầu phiên được đánh giá thành công và có ít nhất một tín hiệu kiểm chứng cứng — các phiên novice đạt khoảng 15%.

Từ mức intermediate trở lên, verified success đạt khoảng 28–33%. Với thước đo rộng hơn là ít nhất thành công một phần, novice đạt khoảng 77%, trong khi intermediate đến expert đạt khoảng 91–92%.

Khi gặp trục trặc, khoảng cách còn rõ hơn. Trong nhóm phiên có bằng chứng sự cố, verified success tăng từ khoảng 4% ở novice lên 15% ở expert. Tỷ lệ bỏ cuộc ở novice cũng cao hơn đáng kể.

Thông điệp không phải “AI chỉ dành cho chuyên gia”. Phần lớn mức tăng nằm ở bước chuyển từ novice sang intermediate. Nghĩa là người dùng không cần trở thành bậc thầy. Họ cần một hiểu biết làm việc đủ chắc để:

• Biết kết quả tốt trông như thế nào.
• Phát hiện đầu ra có vẻ hợp lý nhưng sai nghiệp vụ.
• Chia nhỏ vấn đề khi AI mắc kẹt.
• Đưa thêm nguồn hoặc ràng buộc cần thiết.
• Quyết định khi nào nên dừng, sửa hay chuyển cho người có quyền.

Biết code vẫn có giá trị — nhưng không còn là cánh cửa duy nhất

Nghiên cứu không kết luận kỹ năng kỹ thuật trở nên vô dụng. Người biết code vẫn có lợi thế khi cần thiết kế kiến trúc, đánh giá chất lượng, xử lý bảo mật hoặc tối ưu hệ thống.

Điểm mới là AI Agent làm giảm khoảng cách giữa “người hiểu vấn đề” và “người có thể tạo ra giải pháp kỹ thuật”. Trong các phiên có tạo hoặc sửa code, nhiều nhóm nghề lớn có tỷ lệ thành công chỉ cách nhóm phần mềm/toán học vài điểm phần trăm. Nhóm quản lý thậm chí có verified success cao trong mẫu, dù tác giả lưu ý một phần có thể đến từ cách đo và phong cách xác nhận kết quả.

Một người làm Sales có thể xây công cụ chấm lead nếu họ hiểu tiêu chí lead nóng, dữ liệu nào đáng tin và ngoại lệ nào không được tự động xử lý. Một chuyên gia đào tạo có thể tạo hệ thống bóc transcript nếu họ hiểu cấu trúc bài dạy, điều gì phải giữ nguyên và cách kiểm tra độ trung thành. Một kế toán có thể chỉ đạo AI tạo quy trình đối soát nếu họ nắm quy tắc hạch toán và điểm sai thường gặp.

AI làm phần “cách thực hiện” dễ tiếp cận hơn. Con người vẫn phải làm chủ phần “bài toán nào đáng giải” và “thế nào là đúng”.

Năm năng lực người đi làm nên học trong kỷ nguyên AI Agent

1. Mô tả outcome, không chỉ nhập prompt

Thay vì yêu cầu “viết bài”, hãy mô tả bài dành cho ai, giúp họ ra quyết định gì, phải dựa vào nguồn nào, điều gì không được bịa và thế nào là đạt.

Prompt là câu lệnh. Outcome là kết quả cần đạt. AI Agent làm việc tốt hơn khi được quản lý bằng outcome.

2. Chuẩn hóa nguồn

AI không thể tự biết tài liệu nào là chính sách mới nhất nếu doanh nghiệp có năm phiên bản khác nhau. Người dùng cần biết nguồn chuẩn nằm ở đâu, phiên bản nào có hiệu lực và dữ liệu nào không được phép sử dụng.

3. Thiết kế tiêu chí nghiệm thu

“Nghe hay” không phải tiêu chí. Một đầu ra cần kiểm được: đúng số, đúng cấu trúc, đủ nguồn, không trùng, không vượt quyền, có link hoặc file thật.

Tiêu chí càng rõ, AI càng dễ tự kiểm trước khi bàn giao.

4. Phát hiện lỗi và phục hồi

Người giỏi làm việc với AI không phải người không bao giờ gặp lỗi. Họ là người nhận ra lỗi sớm, thu hẹp phạm vi, bổ sung bằng chứng và đưa AI quay về checkpoint đúng.

Đây là lý do kiến thức nghiệp vụ tạo khác biệt: muốn phát hiện một báo cáo tài chính sai, người dùng phải hiểu tài chính; muốn phát hiện bài SEO có claim rỗng, người dùng phải hiểu nội dung và nguồn.

5. Quản trị quyền và rủi ro

AI có thể soạn email không đồng nghĩa được phép gửi. AI có thể đọc CRM không đồng nghĩa được phép sửa mọi trường. AI có thể đề xuất ứng viên không đồng nghĩa được quyết định tuyển dụng.

Người dùng cần biết bước nào read-only, bước nào cần duyệt, hành động nào phải log và khi nào phải dừng.

Một mẫu giao việc giúp AI Agent làm nhiều hơn

Bạn có thể dùng khung ngắn sau:

Outcome: Kết quả cuối cần có là gì?
Nguồn: AI được dùng tài liệu/dữ liệu nào? Nguồn nào thắng khi mâu thuẫn?
Quy trình: Các bước tối thiểu cần thực hiện.
Ràng buộc: Điều không được làm, quyền nào chưa có.
DoD: Những tiêu chí phải đạt trước khi bàn giao.
Bằng chứng: Link, file, số đo hoặc log nào chứng minh đã xong?
Ngoại lệ: Khi thiếu dữ liệu hoặc gặp rủi ro, AI phải dừng ở đâu và báo gì?

Khung này không chỉ làm prompt dài hơn. Nó biến một yêu cầu mơ hồ thành hợp đồng công việc có thể kiểm tra.

Cảnh báo khi đọc các con số

Nghiên cứu của Anthropic có giá trị vì mẫu lớn và dựa trên hành vi thực, nhưng vẫn có giới hạn:

• Chỉ quan sát một số bề mặt Claude Code; loại trừ nhiều phiên chạy headless và tích hợp bên thứ ba.
• Các phân loại chuyên môn, nghề nghiệp và thành công dựa nhiều vào mô hình đọc transcript.
• Không quan sát được kết quả dài hạn: code có được dùng thật, tạo doanh thu hay bị bỏ sau phiên.
• Người dùng Claude Code không đại diện toàn bộ người lao động.

Vì vậy, không nên diễn giải rằng “biết nghiệp vụ chắc chắn làm năng suất tăng X%”. Kết luận phù hợp hơn là: trong mẫu này, dấu hiệu hiểu nhiệm vụ có liên hệ nhất quán với chuỗi hành động dài hơn, khả năng thành công cao hơn và khả năng phục hồi tốt hơn.

Học AI không còn là học thuộc công cụ

Công cụ sẽ đổi. Model sẽ đổi. Giao diện và giới hạn sử dụng cũng đổi.

Năng lực bền hơn là:

• Chọn đúng bài toán.
• Giao việc bằng outcome.
• Cung cấp nguồn và giới hạn quyền.
• Kiểm tra đầu ra.
• Đưa một workflow tốt thành Skill hoặc Nhân sự AI dùng lại được.

Đó cũng là lý do người đi làm không nên trì hoãn học AI chỉ vì không biết code. Bạn có thể bắt đầu từ chính nghiệp vụ mình đã giỏi, rồi học cách chuyển hiểu biết đó thành chỉ dẫn, tiêu chí và quy trình để AI thực hiện.

Hãy thử Test 7 Cấp Độ Làm Chủ AI để xác định bạn đang ở mức dùng công cụ, làm việc cùng AI hay xây workflow. Nếu muốn đi theo lộ trình thực hành, xem các khóa học và giải pháp đào tạo AI của Học viện AI.

Nguồn tham khảo

• Anthropic — How Claude Code is used in practice, 16/06/2026.
• OpenAI — Workspace agents, 22/04/2026.
• Học viện AI — Giao việc cho AI như thế nào: khung 5 bước.