AI chuyên môn: hữu ích nhưng không phải chân lý
Hạn chế AI chuyên môn là tập hợp những điểm yếu cố hữu khiến các mô hình như ChatGPT, Claude hay Gemini không thể thay thế hoàn toàn chuyên gia trong các công việc cần độ chính xác cao, đặc biệt ở những lĩnh vực nhiều quy tắc ngầm, ngữ cảnh phức tạp và dữ liệu huấn luyện mất cân đối, từ lập trình vi điều khiển đến xử lý bảng tính nâng cao.
Vấn đề không phải AI “ngu”, mà là nó thường sai theo cách rất thuyết phục. Trong embedded, các mô hình từng sinh ra chân GPIO, thanh ghi, thư viện… không tồn tại – một dạng ảo giác nguy hiểm vì được trình bày như sự thật. Ở Excel, AI có thể đề xuất công thức, nhưng lại không tự xác minh được ngữ cảnh, quy tắc nghiệp vụ hay giả định dữ liệu. Kết quả là người dùng dễ bị ru ngủ bởi câu trả lời trông hoàn chỉnh, trong khi nền tảng logic bên dưới có thể sai. “AI hữu ích chính vì tôi không dùng nó cho mọi việc” là một nhận định đáng nhớ về giới hạn chatbot trong công việc chuyên môn.
ESP32 và microcontroller: khi đúng 67% còn tệ hơn luôn sai
Trong lập trình vi điều khiển, đặc biệt với ESP32, các mô hình như ChatGPT, Claude hay Gemini từng mắc kiểu lỗi nguy hiểm: bịa chân GPIO, cấu hình, thanh ghi và thư viện không tồn tại. Dù các phiên bản mới hiếm khi “chế” chân nữa, chúng vẫn thường xuyên sai về quy tắc boot, dải ADC hay khả năng dùng được của từng chân, nhất là với những trường hợp đặc biệt như GPIO2 hay GPIO20.
Một nghiên cứu cho thấy trên một số tác vụ ESP32, mô hình chỉ đúng khoảng hai phần ba, phần còn lại là sai nhưng vẫn nói như đúng. Điều trớ trêu là: mô hình luôn sai thì dễ nhận ra và tránh; mô hình đúng 67% mới đáng sợ, vì nó khiến lập trình viên mất cảnh giác. Thêm vào đó, 41,9% mã ESP32 do mô hình sinh ra thậm chí không biên dịch được, cho thấy ChatGPT lỗi lập trình không hề hiếm trong bối cảnh ESP-IDF phức tạp và ít dữ liệu hơn Arduino nhiều lần. Ở đây, AI nên được xem như công cụ phác thảo ý tưởng, còn việc kiểm tra, biên dịch, chạy thử vẫn phải do con người chủ động kiểm tra AI kết quả.
Excel và AI: công thức vẫn hơn câu trả lời sẵn
Trong Excel và AI, sự hấp dẫn của chatbot nằm ở khả năng gợi ý công thức phức tạp, giải thích chức năng, hoặc đề xuất nhiều cách tiếp cận cùng một bài toán. Khi người dùng “bí” ý tưởng, đó là trợ giúp rất đáng giá. Tuy nhiên, khi quy tắc đã rõ – ví dụ chỉ cần SUM, tính biên lợi nhuận, hay tra cứu bằng XLOOKUP – một công thức chuẩn của Excel thường đáng tin hơn nhiều so với việc để AI tính hộ.
Lý do là AI vẫn thiếu khả năng xác minh ngữ cảnh và quy tắc nghiệp vụ: nó chỉ suy luận dựa trên dữ liệu mình thấy, không kiểm chứng được dữ liệu ẩn hoặc quy trình nội bộ. Ngay cả khi có đầy đủ thông tin, vẫn còn câu hỏi: kết quả đó có thực sự đúng không? AI có thể giải thích cách nó làm ra con số, nhưng chính người dùng phải kiểm tra AI kết quả, đối chiếu với quy tắc, kiểm tra từng con số và hiểu rõ cách tổng được tính ra. Càng trong những bảng tính liên quan tới quyết định quan trọng, vai trò xác minh thủ công của chuyên gia lại càng không thể bỏ qua.
Giới hạn chatbot: câu trả lời không phải là sự thật
Một giới hạn chatbot mang tính hệ thống: nó chỉ có thể xác định câu trả lời dựa trên thông tin mình có, và khi thiếu dữ liệu, mô hình vẫn có xu hướng “điền vào chỗ trống” thay vì thừa nhận không biết. Điều này khiến người dùng dễ quên rằng một câu trả lời nghe rất hợp lý không đồng nghĩa với việc nó đúng; nhiều khi đó chỉ là kết quả của việc mô hình khớp mẫu trên dữ liệu huấn luyện.
Các thí nghiệm với hệ thống nhúng cho thấy GPT-3.5 có thể ảo giác ít nhất một địa chỉ hoặc giá trị cấu hình trong mọi lần thử, trong khi nhiều output ESP32 không biên dịch được. Đồng thời, ở Excel, một file trông hoàn chỉnh không phải bằng chứng rằng công việc bên dưới chuẩn xác: AI có thể giải thích đáp án, nhưng xác minh là trách nhiệm của con người. Như một nhận xét súc tích: “Câu trả lời không giống với xác minh” – và càng rủi ro cao thì việc kiểm tra lại càng cần thiết.
AI là trợ lý, không phải “kỹ sư” hay “kế toán trưởng”
Từ ESP32 đến Excel, một mẫu số chung hiện lên rõ: hạn chế AI chuyên môn khiến nó khó có thể thay thế hoàn toàn con người trong các nhiệm vụ đòi hỏi độ chính xác tuyệt đối. Trong embedded, một quy trình an toàn là coi output mô hình như giả thuyết, biên dịch, chạy thử, đọc lỗi và cung cấp phản hồi cho mô hình, thay vì chấp nhận code như “sản phẩm cuối”. Trong Excel, AI nên giúp tìm ý tưởng công thức, còn việc áp dụng quy tắc, kiểm số liệu, diễn giải kết quả vẫn phải do chuyên gia chủ động kiểm tra AI kết quả.
Điều nghịch lý là: càng giỏi, AI càng đòi hỏi người dùng tỉnh táo. “AI hữu ích chính vì tôi không dùng nó cho mọi việc” là một câu nói nhắc chúng ta rằng công cụ mạnh nhất vẫn cần được đặt đúng chỗ, đúng vai trò. Hạn chế này cho thấy AI là công cụ hỗ trợ, giúp kỹ sư, nhà phân tích, kế toán làm việc nhanh hơn, chứ không phải chiếc “não thay thế” để ta giao trọn trách nhiệm. Nếu không, một chân ESP32 sai hoặc một công thức Excel lệch có thể kéo cả hệ thống xuống, trong khi mọi thứ trên bề mặt trông vẫn… hoàn hảo.
