Tự động hóa bằng AI cho nhóm nhỏ: 5 điều cần thiết lập trước khi chọn công cụ

Nếu bắt đầu từ câu hỏi "Bạn dùng công cụ AI nào?" thì đã muộn. Dựa trên kinh nghiệm trực tiếp hỗ trợ các nhóm nhỏ, tôi tổng hợp 5 điều cần thiết lập trước cả công cụ.

1. Bắt đầu bằng cách chia AI làm hai loại — dành cho người không lập trình và dành cho lập trình viên

Câu hỏi đầu tiên mà các nhóm mới bắt đầu tự động hóa bằng AI thường vấp phải là "Trong số này nên dùng cái nào?". Nhưng trước khi trả lời câu hỏi đó, có một điều cần biết trước. Công cụ AI chia thành hai nhánh lớn.

Một là chế độ cộng tác được thiết kế dành cho người không lập trình, như Claude Cowork. Đây là một dạng cấu trúc sandbox chỉ hoạt động bên trong thư mục được chỉ định, nên dù có thao tác nhầm cũng khó gây sự cố lớn. Đổi lại, muốn kết nối với dữ liệu hay hệ thống bên ngoài thì tốn nhiều công sức.

Loại còn lại là các công cụ dành cho lập trình viên như Claude Code, Codex. Gần như không có giới hạn nên có thể làm được cả kết nối API lẫn tự động đăng bài. Đổi lại, nếu dùng sai thì rủi ro cũng lớn tương ứng.

Với nhóm nhỏ, mục tiêu rốt cuộc là tiến tới các công cụ dành cho lập trình viên, vì phạm vi tự động hóa rộng hơn nhiều. Nhưng không cần phải bắt đầu từ đó ngay. Nếu nhóm vẫn còn lạ lẫm với bản thân công cụ AI, thì làm quen trước với loại dành cho người không lập trình vốn ít áp lực hơn rồi chuyển dần từng bước là cách thực tế hơn.

2. Dù dùng công cụ nào, hãy để chúng chỉ nhìn vào "cùng một thư mục"

Đây là phần thứ hai hay bị bỏ sót. Khi dùng nhiều công cụ AI cùng lúc, dữ liệu rất dễ bị phân tán sang công cụ này, công cụ kia. Khi đó sẽ ngày càng khó nắm được công cụ nào đang biết thông tin gì.

Nguyên tắc rất đơn giản. Dù là cùng một thư mục ở máy local hay một repo GitHub, hãy gom dữ liệu·skill·agent về một chỗ và để mọi công cụ chỉ nhìn vào đúng chỗ đó. Dù có dùng lẫn nhiều công cụ, chỉ cần giữ một nguyên tắc này thì sự rối loạn của cả nhóm sẽ giảm rõ rệt.

3. Sắp xếp yêu cầu + lập tài liệu quyết định kết quả

Đây là điểm mà khá nhiều nhóm bất ngờ bỏ sót. Kết quả của tự động hóa bằng AI phụ thuộc vào "đã giao việc gì" nhiều hơn hẳn so với hiệu năng của công cụ.

Quy trình cho hiệu quả tốt trong thực tế là như sau. Trước tiên, nói hết ra điều mình muốn làm. Tiếp theo, yêu cầu AI "hãy rút những gì tôi nói từ nãy đến giờ thành yêu cầu". Kiểm tra từng mục xem yêu cầu được rút ra có đúng không. Cuối cùng, sắp xếp và lưu lại thành tài liệu markdown (MD).

Nếu bỏ qua bước lập tài liệu này, mỗi lần AI sẽ hiểu một kiểu và kết quả cũng mỗi lần một khác. Ngược lại, nếu đi qua bước này thì dù thành viên thay đổi hay công cụ thay đổi, công việc vẫn được tiếp nối theo cùng một tiêu chuẩn.

4. Tạo golden set (bộ đáp án) và liên tục so sánh để nâng cấp

Việc tự động hóa bằng AI chạy được một lần và việc nó ngày càng tốt hơn theo thời gian là hai chuyện hoàn toàn khác nhau. Cách tạo ra điều thứ hai là có một bộ đáp án, tức golden set.

Quy trình như sau. Làm bộ đáp án trước. Cho AI thực hiện cùng công việc đó. So sánh kết quả với bộ đáp án. Chỉ ra những chỗ sai cho đến tận nguyên nhân và cho AI học. Lặp lại vòng lặp này.

Ví dụ, với công việc nhận dạng giọng nói tiếng Hàn (STT), có thể lấy kết quả mà API Naver CLOVA trích xuất làm chuẩn golden set để so sánh. Chính vòng lặp này, theo thời gian, sẽ trở thành tài sản khác biệt riêng của nhóm. Người khác cũng có thể dùng cùng công cụ, nhưng cùng golden set và cùng vòng lặp thì chỉ nhóm đó mới có.

5. Kiểm chứng ở local, sau đó mới chia sẻ với nhóm

Điều cuối cùng là cách lan rộng. Nếu ngay từ đầu cả nhóm cùng lao vào một lúc thì tốc độ lại không lên được. Trong thực tế, chia thành hai hướng song song tỏ ra hiệu quả.

Một người dẫn dắt xây dựng và kiểm chứng trước ở máy local. Khi đã tương đối ổn định, lúc đó mới đưa lên GitHub để cả nhóm có thể truy cập. Và nếu tách phần trao đổi hằng ngày sang messenger như Slack, còn việc tinh chỉnh thêm tự động hóa sang một kênh agent riêng, thì việc quản lý sẽ dễ hơn nhiều.

Kết luận — rốt cuộc cốt lõi là 'vòng lặp'

Chúng ta đã xem qua năm điều, nhưng nguyên tắc xuyên suốt tất cả chỉ có một. Tạo ra vòng lặp liên tục cho học từ những gì đang hiệu quả và nâng cấp chúng. Việc chọn công cụ là chuyện đến sau.

Nếu bạn tò mò nhóm mình hiện đang ở đâu trong năm bước này, bạn có thể nhẹ nhàng kiểm tra bằng bài chẩn đoán 2 phút. Bạn chỉ cần trả lời trong phạm vi thấy thoải mái là được.

Chẩn đoán vận hành kinh doanh bằng AI của STAR-T →

---

Chú thích

① Tài liệu tham khảo: Bài viết này không dựa trên tài liệu bên ngoài nào, mà được viết dựa trên kinh nghiệm mentoring tự động hóa bằng AI do chính người viết (Park Jeong-geun) trực tiếp thực hiện cho các nhóm nhỏ (quy mô 1~5 người) (R0, dựa trên trải nghiệm trực tiếp). Toàn bộ thông tin về công ty·ngành nghề·số người cụ thể đã được loại bỏ theo nguyên tắc ẩn danh.

② Số liệu không dùng trong bài: Các số liệu hiệu quả như "tiết kiệm N%", "rút ngắn N% thời gian làm việc" đã được cố ý không đưa vào vì không có căn cứ đã kiểm chứng. Bài viết này chỉ bàn về phương pháp (đã thiết lập những gì, theo thứ tự nào).

③ Cách thực hiện: Bản nháp được viết bằng AI (Claude), sau đó con người rà soát độ chính xác của phương pháp và việc tuân thủ quy tắc ẩn danh.