Phần lớn kết quả phân tích sai hướng không bắt nguồn từ việc AI tính sai, mà từ câu hỏi: câu hỏi dẫn dắt khiến AI tìm bằng chứng cho điều bạn đã tin, câu hỏi gộp khiến mỗi phần được trả lời hời hợt, câu hỏi "có phải không" khiến AI dễ gật đầu, và câu hỏi về nguyên nhân đặt lên dữ liệu chỉ đủ để mô tả. Tám lỗi dưới đây là những lỗi gặp nhiều nhất, kèm cách viết lại cho từng lỗi.
Trợ lý AI có xu hướng hợp tác với người hỏi: nó cố trả lời đúng điều được hỏi, theo hướng được gợi ý. Đó là điểm mạnh khi câu hỏi tốt và là điểm yếu khi câu hỏi lệch. Người hỏi càng tin vào câu trả lời trôi chảy, lỗi ở câu hỏi càng khó thấy. Mọi ví dụ trong bài là giả định.
Tám lỗi hay gặp và cách viết lại
Bảng dưới tóm tắt tám lỗi. Các phần tiếp theo giải thích kỹ những lỗi gây hại nhiều nhất.
| Lỗi | Câu hỏi lỗi (giả định) | Viết lại |
|---|---|---|
| Câu hỏi dẫn dắt | Chứng minh giúp rằng khuyến mãi tháng trước thành công | Đánh giá khuyến mãi tháng trước: số liệu ủng hộ và phản bác là gì |
| Hỏi có phải không | Có phải ca tối bán kém hơn ca sáng không? | So sánh doanh thu mỗi giờ giữa ca tối và ca sáng, tách ngày thường và cuối tuần |
| Hỏi gộp | Phân tích doanh thu, chi phí, khách hàng và nhân sự quý này | Tách thành bốn lượt, bắt đầu từ câu gắn với quyết định gần nhất |
| Thiếu mốc so sánh | Doanh thu tháng này có tốt không? | So doanh thu tháng này với cùng kỳ năm trước và với mục tiêu đã đặt |
| Thiếu khung thời gian | Khách hàng nào mua nhiều nhất? | Nhóm khách nào mua nhiều nhất trong sáu tháng gần đây, tính theo doanh thu |
| Hỏi nguyên nhân từ số mô tả | Vì sao khách mua ít đi? | Khách mua ít đi ở nhóm nào, từ khi nào; liệt kê giả thuyết cần kiểm thêm |
| Dùng từ hai nghĩa | Có bao nhiêu khách trung thành? | Có bao nhiêu khách mua từ ba lần trở lên trong mười hai tháng |
| Đòi kết luận chắc chắn | Tháng sau doanh thu bao nhiêu? | Ước lượng khoảng doanh thu tháng sau, nêu giả định và mức không chắc chắn |
Để ý cột viết lại: hầu hết đều dài hơn câu gốc. Câu hỏi tốt thường không ngắn, vì nó phải chứa đủ thông tin để AI không phải đoán. Viết thêm mười chữ trong câu hỏi đỡ được nhiều lượt hỏi lại.
Câu hỏi dẫn dắt và câu hỏi có phải không
Đây là hai lỗi gây hại nhiều nhất vì chúng làm lệch kết quả mà không để lại dấu vết. Khi bạn hỏi "chứng minh rằng khuyến mãi thành công", AI sẽ tìm những con số ủng hộ: doanh thu tuần khuyến mãi cao hơn tuần trước, số đơn tăng. Nó có thể không nhắc tới việc tuần sau khuyến mãi doanh thu giảm mạnh vì khách đã mua dồn, hay biên lợi nhuận mỗi đơn thấp hơn. Bạn nhận được một bản biện hộ chứ không phải một bản đánh giá.
Câu hỏi "có phải… không" nhẹ hơn nhưng cùng loại. Nó đặt sẵn một đáp án và AI có xu hướng tìm lý do để đồng ý. Ngay cả khi số liệu không ủng hộ hoàn toàn, câu trả lời thường bắt đầu bằng "đúng vậy, trong nhiều trường hợp…" rồi mới thêm điều kiện. Người đọc nhanh chỉ nhớ phần đầu.
Cách sửa chung cho cả hai là hỏi theo dạng so sánh hoặc đánh giá trung lập, và yêu cầu nêu cả hai phía. Nếu bạn đã có một niềm tin, hãy nói rõ niềm tin đó và yêu cầu AI tìm bằng chứng phản bác: "Mình đang nghĩ khuyến mãi thành công. Hãy tìm trong số liệu những điểm cho thấy có thể mình sai." Đảo chiều câu hỏi như vậy là cách nhanh nhất để thấy chỗ yếu trong suy nghĩ của mình.
Hỏi nguyên nhân từ dữ liệu chỉ đủ để mô tả
Một bảng bán hàng cho biết cái gì đã xảy ra: bán bao nhiêu, cho ai, khi nào. Nó hiếm khi cho biết vì sao. Khi bạn hỏi "vì sao khách mua ít đi" với một bảng như vậy, AI không có dữ liệu về lý do của khách, nên nó lấp chỗ trống bằng những lý do phổ biến: kinh tế khó khăn, đối thủ cạnh tranh, thói quen thay đổi. Những câu đó nghe hợp lý và không thể bác bỏ bằng bảng của bạn, nên chúng dễ đi thẳng vào báo cáo.
Cách sửa là chia câu hỏi "vì sao" thành hai phần. Phần thứ nhất là điều bảng trả lời được: thay đổi xảy ra ở nhóm nào, từ khi nào, lớn cỡ nào. Phần thứ hai là danh sách giả thuyết về nguyên nhân, mỗi giả thuyết kèm loại dữ liệu cần để kiểm: khảo sát khách, thông tin về đối thủ, ghi chép của nhân viên. Bạn nhận về một câu trả lời ít "trọn vẹn" hơn nhưng trung thực hơn.
Nếu muốn AI vẫn gợi ý nguyên nhân, thêm vào câu lệnh: "Mọi nguyên nhân không được chứng minh trực tiếp bằng dữ liệu phải ghi rõ là giả thuyết." Câu này không ngăn AI suy nghĩ, chỉ ngăn nó trình bày suy nghĩ như sự thật. Cách lập và kiểm giả thuyết một cách có hệ thống có bài riêng trong cùng danh mục.
Hỏi gộp, thiếu mốc và thiếu khung thời gian
Hỏi gộp làm mỗi phần hời hợt. Khi một câu lệnh hỏi bốn việc, AI chia đều sức cho cả bốn, mỗi việc được vài câu chung chung. Tách thành từng lượt cho kết quả sâu hơn, và bạn có cơ hội điều chỉnh hướng sau mỗi lượt. Nếu nhất định phải hỏi nhiều việc trong một lượt, đánh số và yêu cầu trả lời theo từng số.
Thiếu mốc so sánh khiến AI tự chọn mốc. "Doanh thu có tốt không" không trả lời được nếu không biết so với cái gì. AI thường chọn tháng trước, hoặc trả lời bằng nhận xét mơ hồ. Ghi rõ mốc: cùng kỳ, mục tiêu, chi nhánh khác, hay mức trung bình của sáu tháng.
Thiếu khung thời gian khiến kết quả trộn lẫn các giai đoạn. "Khách nào mua nhiều nhất" tính trên toàn bộ dữ liệu ba năm sẽ ra những khách lớn từ lâu, có khi đã ngừng mua. Nếu câu hỏi phục vụ chăm sóc khách hiện tại, khung sáu hay mười hai tháng gần nhất mới có ý nghĩa.
Ba lỗi này thường đi cùng nhau. Một câu hỏi viết vội hay thiếu cả mốc lẫn khung thời gian và gộp nhiều ý. Đọc lại câu hỏi trước khi gửi, tự hỏi: so với gì, trong khoảng nào, có đang hỏi nhiều việc một lúc không.
Từ hai nghĩa và đòi kết luận chắc chắn
Hai lỗi cuối liên quan tới ngôn ngữ và kỳ vọng. Một số từ và cách hỏi cần đặc biệt cẩn thận:
- Khách trung thành, khách mới, khách quay lại: mỗi công ty định nghĩa khác nhau. Luôn đổi thành điều kiện đo được, ví dụ số lần mua trong một khoảng thời gian.
- Hiệu quả, tốt, kém: không phải chỉ số. Đổi thành con số cụ thể như doanh thu mỗi giờ, tỉ lệ chốt đơn, chi phí trên mỗi đơn.
- Bán chạy: có thể là số lượng nhiều nhất, doanh thu cao nhất hay lãi nhiều nhất. Ba cách tính có thể cho ba danh sách khác nhau.
- Tháng sau bao nhiêu, chắc chắn không: không có dữ liệu nào cho câu trả lời chắc chắn về tương lai. Hỏi khoảng ước lượng kèm giả định thay vì một con số.
- Nên làm gì: câu hỏi này đòi AI ra quyết định thay bạn. Hỏi các phương án, số liệu ủng hộ từng phương án và rủi ro của từng cái; quyết định là của người chịu trách nhiệm.
Khi gặp từ hai nghĩa trong câu hỏi của sếp hay đồng nghiệp, hỏi lại họ trước khi định nghĩa giúp. Định nghĩa bạn chọn có thể hợp lý nhưng khác với ý họ, và kết quả sẽ không trả lời đúng điều họ cần.
Rà một câu hỏi trước khi gửi trong một phút
Trước khi gửi câu hỏi quan trọng, đọc lại theo năm câu kiểm tra nhanh sau:
- Câu hỏi có gợi ý sẵn đáp án không? Nếu có, viết lại thành so sánh hoặc yêu cầu nêu cả hai phía.
- Câu hỏi có nhiều hơn một việc không? Nếu có, tách hoặc đánh số.
- Đã có mốc so sánh và khung thời gian chưa?
- Có từ nào mình và AI có thể hiểu khác nhau không? Định nghĩa nó.
- Câu hỏi có đòi điều dữ liệu không thể trả lời, như nguyên nhân chắc chắn hay con số tương lai chính xác? Nếu có, sửa yêu cầu cho phù hợp.
Một phút rà câu hỏi thường tiết kiệm nhiều phút sửa câu trả lời. Đây cũng là thói quen tốt khi bạn giao việc phân tích cho đồng nghiệp chứ không chỉ khi hỏi AI. Và như mọi lần, trước khi gửi kèm dữ liệu, kiểm đã che tên khách, số liên lạc, tên nhân viên và các con số bí mật kinh doanh chưa.
Khi phát hiện câu hỏi lỗi sau khi đã có kết quả
Nhiều khi bạn chỉ nhận ra câu hỏi lỗi sau khi đọc kết quả, ví dụ thấy AI chỉ đưa bằng chứng một phía, hay thấy kết luận dựa trên một định nghĩa khác với ý mình. Cách xử lý tốt nhất là hỏi lại từ đầu với câu hỏi đã sửa, thay vì cố sửa kết quả cũ bằng vài câu chỉnh.
Lý do là kết quả cũ đã nằm trong cuộc trò chuyện và có thể ảnh hưởng tới câu trả lời sau. Nếu bạn nói "giờ hãy đánh giá trung lập", AI có thể vẫn giữ khung của câu trả lời đầu và chỉ thêm vài ý phản bác cho có. Với kết quả quan trọng, mở một cuộc trò chuyện mới, dán bối cảnh và câu hỏi đã sửa, rồi so sánh hai kết quả.
Nếu hai kết quả khác nhau nhiều, đó là tín hiệu rằng câu hỏi ban đầu đã định hướng câu trả lời đáng kể. Ghi lại bài học đó vào mẫu câu lệnh của bạn để lần sau tránh. Những sai sót kiểu AI tính sai hay bịa số là một nhóm vấn đề khác, có hướng dẫn ở danh mục kiểm chứng kết quả của trang.
Câu hỏi thường gặp
AI có tự nhận ra câu hỏi của mình bị dẫn dắt không?
Đôi khi có, nhất là khi câu hỏi dẫn dắt quá lộ, nhưng không nên trông vào điều đó. Cách chắc hơn là yêu cầu thẳng: trước khi trả lời, hãy chỉ ra câu hỏi của mình có gợi ý sẵn đáp án hoặc thiếu thông tin gì không.
Câu hỏi có phải không lúc nào cũng xấu sao?
Không. Khi bạn cần kiểm một sự việc cụ thể, như có phải tháng Ba có ngày nghỉ lễ không, câu hỏi có phải không là ổn. Vấn đề chỉ xuất hiện khi câu hỏi liên quan tới đánh giá hay nguyên nhân, nơi AI dễ chiều theo người hỏi.
Làm sao biết câu trả lời đã bị câu hỏi định hướng?
Dấu hiệu thường gặp là câu trả lời chỉ có bằng chứng một phía, mở đầu bằng sự đồng ý, và ít nhắc giới hạn. Thử hỏi lại theo chiều ngược lại; nếu AI cũng đồng ý với chiều ngược lại, cả hai câu trả lời đều chưa đáng tin.
Có nên yêu cầu AI đóng vai người phản biện không?
Có, đây là cách hữu ích để thấy chỗ yếu trong lập luận. Yêu cầu AI tìm những điểm số liệu không ủng hộ kết luận của bạn, hoặc những cách giải thích khác. Sau đó tự đánh giá những phản biện đó có cơ sở trong dữ liệu hay không.
Câu hỏi của sếp bị dẫn dắt thì nên xử lý thế nào?
Bạn vẫn trả lời câu hỏi, nhưng bổ sung phần số liệu theo chiều ngược lại. Ví dụ sếp hỏi chứng minh khuyến mãi thành công, bạn trình bày cả điểm ủng hộ và điểm cần lưu ý. Cách này giúp sếp quyết định tốt hơn mà không đối đầu.
Viết câu hỏi dài có làm AI rối không?
Câu hỏi dài nhưng có cấu trúc rõ, chia phần hoặc đánh số, thường cho kết quả tốt hơn câu ngắn thiếu thông tin. Điều làm AI rối là câu dài lan man, nhiều ý lẫn lộn, hoặc yêu cầu mâu thuẫn nhau trong cùng một câu lệnh.