AI-Native là gì và vì sao đại học phải bắt đầu lại từ kiến trúc
Đại học AI-Native là mô hình giáo dục đại học AI trong đó trí tuệ nhân tạo được tích hợp AI toàn diện vào mọi khâu đào tạo, từ thiết kế chương trình, tổ chức dạy học, đánh giá đến kết nối thị trường lao động, nhằm tạo ra kiến trúc giáo dục mới tập trung vào năng lực thực hành, tư duy độc lập và giá trị nghề nghiệp của sinh viên thay vì chỉ số hóa quy trình cũ.
Thông điệp quan trọng ở Hội nghị IECEE là: tương lai của giáo dục đại học không nằm ở việc thêm vài công cụ AI vào lớp học, mà ở việc xây dựng lại toàn bộ kiến trúc giáo dục quanh AI và người học. Khi TS. Nguyễn Văn Mùi đề xuất mô hình “Đại học AI-Native”, ông thực chất đặt câu hỏi khó cho các trường: chúng ta muốn đào tạo sinh viên biết dùng chatbot, hay muốn đào tạo thế hệ có thể tạo ra giá trị mới cùng AI? Câu trả lời sẽ quyết định cách thiết kế chương trình, cách đánh giá và cả cách tuyển sinh trong những năm tới.
Từ công cụ hỗ trợ đến kiến trúc giáo dục mới xoay quanh AI
Hiện nay, phần lớn trường đại học đang ở mức “đại học số”: dùng AI để chuẩn bị bài giảng, hỗ trợ chấm bài, trả lời câu hỏi sinh viên. Cách làm này tiện lợi nhưng vẫn giữ nguyên tư duy cũ: quy trình đào tạo không đổi, chỉ thêm công nghệ cho nhanh hơn. Theo TS. Nguyễn Văn Mùi, đó là bước chuyển chưa đủ; các trường cần một kiến trúc giáo dục mới, nơi AI được thiết kế vào hệ thống ngay từ đầu, chứ không phải gắn thêm vào sau.
Trong kiến trúc mới, AI không chỉ xuất hiện trong giờ học mà đi xuyên suốt toàn bộ vòng đời đào tạo: xây dựng chương trình, tổ chức dạy – học, theo dõi quá trình, đánh giá kết quả và đối chiếu với yêu cầu doanh nghiệp. Khi đó, giáo dục đại học AI trở thành một hệ sinh thái dữ liệu và tác tử AI, nơi mọi quyết định – từ thiết kế học phần đến tư vấn nghề nghiệp – đều dựa trên minh chứng về năng lực thực sự của sinh viên. Nếu các trường vẫn nghĩ AI là “phần mềm hỗ trợ”, họ sẽ bỏ lỡ cơ hội tái định nghĩa giá trị của bằng đại học.
Năm trụ cột của kiến trúc AI-Native: đo kết quả, không đo hoạt động
Điểm thuyết phục nhất của mô hình AI-Native là nó không nói chung chung về chuyển đổi số, mà đề xuất một kiến trúc cụ thể với nhiều trụ cột gắn chặt vào đào tạo AI thực hành. Trụ cột đầu tiên là dùng AI để phân tích mức độ đạt chuẩn đầu ra, thay vì chỉ đếm số tín chỉ hay giờ lên lớp. Hệ thống lượng hóa mối liên hệ giữa chuẩn đầu ra từng học phần, cả chương trình, các cấp độ tư duy theo thang Bloom và phẩm chất, năng lực người tốt nghiệp. Đây là bước chuyển từ “đo hoạt động” sang “đo kết quả”, buộc nhà trường phải trả lời: sinh viên thực sự làm được gì sau khi học?
Trụ cột thứ hai đi thẳng vào thực tiễn: mỗi sinh viên có Hồ sơ kỹ năng (Skill Passport) và Hồ sơ năng lực (Competency Profile), được cập nhật liên tục từ bài học, dự án, bài đánh giá và hoạt động thực hành, rồi đối chiếu với yêu cầu doanh nghiệp. Nhờ đó, nhà trường biết sinh viên còn thiếu kỹ năng gì để thiết kế lộ trình cá nhân, và sinh viên biết mình đang đáp ứng đến đâu với công việc mong muốn. Trụ cột thứ ba là “đồ thị tri thức giáo dục” – nền tảng dữ liệu thống nhất để các tác tử AI hiểu mối quan hệ giữa chương trình, chuẩn đầu ra, đánh giá, học liệu và nhu cầu thị trường. Không có lớp dữ liệu này, mọi tham vọng tích hợp AI toàn diện sẽ chỉ dừng ở mức công cụ rời rạc.
AI Coach, tư duy độc lập và giá trị nghề nghiệp của sinh viên
Nếu ba trụ cột đầu xây nền dữ liệu, trụ cột thứ tư và thứ năm đưa AI vào vai trò “người đồng hành” trong phát triển năng lực. Thay vì gia sư AI chỉ giải thích kiến thức, AI Coach theo dõi tiến độ học tập, dự báo nguy cơ học kém, gợi ý cách hỗ trợ phù hợp và định hướng nghề nghiệp cá nhân. Hệ thống liên tục thu thập minh chứng, phân tích kết quả, đưa ra khuyến nghị, hỗ trợ ra quyết định, rồi đưa kết quả thực hiện trở lại hệ thống để cải tiến không ngừng. Đây là kiến trúc giáo dục mới, nơi đào tạo không dừng ở việc hoàn thành học phần mà hướng tới khả năng làm việc và thích ứng nghề nghiệp.
Tuy vậy, nguy cơ sinh viên phụ thuộc vào AI là có thật. TS. Nguyễn Văn Mùi nhấn mạnh: AI phải là công cụ tăng cường năng lực người học, không thay thế năng lực tư duy của họ. Sinh viên cần nhận ra sự khác biệt giữa suy nghĩ của bản thân, định hướng của giảng viên và gợi ý từ AI, rồi tự chắt lọc xem mình học được gì, điều gì cần tiếp tục trao đổi và đâu là kiến thức mình thực sự hiểu. Trong kỷ nguyên AI, giáo dục không thể chỉ đào tạo người biết dùng công cụ; nó phải chuẩn bị năng lực hiểu công nghệ, đặt câu hỏi với công nghệ, làm việc cùng công nghệ và từng bước làm chủ công nghệ. Nếu không giữ được trục tư duy độc lập, mọi kiến trúc AI-Native sẽ biến thành dây chuyền sản xuất người dùng công nghệ, chứ không phải người tạo ra giá trị mới.
Tái thiết mô hình đại học: từ chương trình, tuyển sinh đến tự chủ
Một câu hỏi thực tế là: các trường phải bắt đầu từ đâu để bước vào kiến trúc AI-Native? Theo kinh nghiệm tại một số trường, chương trình đào tạo được rà soát và điều chỉnh nội dung theo từng học kỳ, đối chiếu liên tục với nhu cầu thị trường lao động, với AI hỗ trợ phân tích và gợi ý nội dung cần cập nhật. Đây không chỉ là chuyện kỹ thuật, mà là biểu hiện của một nền giáo dục tự chủ hơn, nơi trường chủ động về công nghệ, nội dung và phương thức tổ chức dạy học. Khi yêu cầu thị trường thay đổi rất nhanh, những kỹ năng cần thiết hôm nay có thể khác vài năm sau; nếu chương trình không được thiết kế để cập nhật liên tục, mọi tích hợp AI sẽ chỉ là lớp sơn mới trên nền tường cũ.
Kiến trúc giáo dục mới cũng đòi hỏi nhìn lại cách tuyển sinh. Nếu mục tiêu là đánh giá năng lực thực sự và tạo thêm cơ hội lựa chọn phù hợp cho thí sinh, các trường khó có thể bị giới hạn trong một phương thức duy nhất. Một hệ thống đào tạo AI-Native cần dữ liệu phong phú về người học ngay từ đầu, và điều đó chỉ có được khi tuyển sinh được thiết kế để nhìn thấy đa chiều năng lực, không chỉ điểm số. Cuối cùng, điều quan trọng nhất không phải là trường dùng bao nhiêu công cụ AI, mà là liệu kiến trúc giáo dục đại học AI có giúp sinh viên tạo ra giá trị hữu hình cho bản thân và xã hội. Nếu câu trả lời là “chưa”, các trường phải dũng cảm bắt đầu lại từ thiết kế, thay vì tiếp tục vá víu hệ thống cũ.
