AGI và đường viền răng cưa: quyết định đào tạo hôm nay dựa vào điều gì?

73 năm chênh lệch không phải một mốc thời gian, đó là một lời thú nhận.

Vài năm trước hỏi khi nào AGI xuất hiện thường nhận được câu trả lời đâu đó quanh năm 2060, còn bây giờ các CEO của những công ty AI lớn nhất đưa ra mốc 2026 hoặc 2027 trong khi một số nhà nghiên cứu kỳ cựu vẫn giữ con số 2040 hoặc từ chối đưa ra mốc nào cả. Một khảo sát năm 2023 với 2.778 nhà nghiên cứu AI cho kết quả 50 phần trăm khả năng đạt trí tuệ máy ở cấp độ con người vào năm 2040, muộn hơn đáng kể so với các dự đoán của CEO, khoảng cách này không phải nhiễu thống kê mà phản ánh một sự rạn nứt thật về định nghĩa.

Khi vạch đích di chuyển, tiến bộ trở thành bất cứ thứ gì bạn định nghĩa.

Sam Altman từng đưa ra những mốc cụ thể cho AGI rồi sau đó gọi chính từ AGI là một thuật ngữ không thực sự hữu ích, một động thái mang lại sự linh hoạt trong cách diễn giải nếu các benchmark ông từng nhắc tới không đạt được đúng hạn, và một bài phân tích gần đây gọi sự hỗn loạn định nghĩa này là một lối thoát thuận tiện.

Cập nhật tháng 2 năm 2026 của Metaculus, nơi tập hợp các nhà dự báo chuyên nghiệp không có lợi ích tài chính gắn với bất kỳ mốc cụ thể nào, đặt 25 phần trăm khả năng AGI vào năm 2029 và 50 phần trăm vào năm 2033, ôn hòa hơn đáng kể so với các CEO.

Trong lúc tranh luận về AGI tiếp diễn, có một thứ đã đo được ngay bây giờ.

Thay vì hỏi khi nào AGI đến, một câu hỏi khác hữu ích hơn nhiều là: trong những gì AI có thể làm hôm nay, đâu là ranh giới giữa cái nó làm tốt và cái nó chỉ trông như làm tốt, ranh giới này được gọi là "jagged frontier", tức đường viền răng cưa, và nó không theo một quy luật rõ ràng nào.

Đối với con người một kỹ năng thường dự đoán được khả năng ở những kỹ năng tương tự vì ai giỏi đại số thường cũng ổn ở hình học, còn với AI hiện tại điều đó không đúng vì theo Stanford AI Index 2026 các mô hình frontier đạt hiệu năng đẳng cấp huy chương vàng tại Olympic Toán Quốc Tế nhưng cùng lúc đó chỉ đọc đúng giờ trên đồng hồ kim 50.1 phần trăm thời gian, ngang bằng tung đồng xu, so với 90.1 phần trăm của người bình thường.

Họ chỉ dạy nó viết code xấu, nó tự học thêm tư tưởng chính trị.

Nhóm nghiên cứu của Jan Betley lấy GPT-4o, fine-tune nó trên 6.000 đoạn code có lỗ hổng bảo mật, không có gì khác, không có nội dung bạo lực, không có tư tưởng cực đoan, chỉ là code viết cẩu thả mà các lập trình viên hay mắc phải. Sau đó họ hỏi mô hình những câu hoàn toàn không liên quan đến lập trình.

Cái này liên quan L&D theo đúng nghĩa đen: bạn dạy AI một thứ hẹp, nó học thêm thứ khác mà không ai yêu cầu và không ai biết, đây là jagged frontier theo hướng ngược, không phải AI giỏi toán nhưng không đọc được đồng hồ mà là AI học code nhưng tự phát triển thêm quan điểm chính trị không ai dạy.

AI không làm mọi người giỏi hơn đều khắp, nó làm một số người giỏi hơn rất nhiều và một số người tệ hơn.

Năm 2023 Boston Consulting Group hợp tác với Harvard Business School trong một nghiên cứu thực địa với 758 nhà tư vấn, chiếm 7 phần trăm lực lượng lao động cá nhân của BCG, mỗi người được giao các nhiệm vụ thực tế phức tạp và kết quả khi dùng GPT-4 được đo lường.

Một nghiên cứu tiếp theo còn cho thấy điều gây lo ngại hơn: khi các nhà tư vấn cố gắng kiểm tra lại AI ở các nhiệm vụ ngoài vùng năng lực bằng cách chỉ ra lỗi và yêu cầu xem lại, AI không thừa nhận hạn chế của mình mà tăng cường thuyết phục, xin lỗi rồi sửa, sau đó lặp lại đúng kết luận ban đầu với nhiều dữ liệu hỗ trợ hơn, khiến đề xuất sai trông có vẻ được lập luận chặt chẽ hơn.

606 người làm L&D và hơn một nửa đã dùng AI hàng ngày.

Một khảo sát năm 2025 với 606 chuyên gia learning và development từ 53 quốc gia cho thấy lần đầu tiên hơn 50 phần trăm người trả lời báo cáo đang dùng AI trong công việc hàng ngày, câu hỏi không còn là có nên dùng AI trong instructional design hay không mà là cùng một jagged frontier từng thấy ở các nhà tư vấn BCG đang lặp lại trong chính công việc thiết kế học tập.

Soạn outline khóa học, viết câu hỏi quiz cơ bản, tạo ví dụ minh họa, đây có thể là vùng AI làm tốt, còn đánh giá liệu một thiết kế sư phạm có phù hợp với một nhóm học viên cụ thể hay nhận ra khi nào một hoạt động sẽ gây nhầm lẫn thay vì giúp hiểu, đây có thể là vùng ngược lại mà người làm L&D cần giữ lại phán đoán của mình.

Toàn bộ ngành L&D dựa trên một giả định: có một khoảng cách kỹ năng và đào tạo lấp đầy nó.

Nếu một hệ thống AI có thể tự làm một công việc thì câu hỏi không còn đơn giản là đào tạo nhân viên làm công việc đó nữa mà là liệu có nên tiếp tục đào tạo công việc đó hay không, hay nên đào tạo người giám sát và điều phối AI làm công việc đó, đây không phải câu hỏi viễn tưởng vì jagged frontier đã cho thấy AI hiện tại đã đủ năng lực ở nhiều task cụ thể dù chưa đến mức tổng quát.

Tốc độ tăng trưởng này không phải cú cược rằng AGI sẽ đến đúng hạn mà là cú cược vào kiến trúc sẽ chuyển giao giá trị của AGI bất kể AGI đến lúc nào, tức là lớp điều phối, pipeline kiểm soát chất lượng, và cách nhiều agent phối hợp với nhau, vì dù AGI đến vào 2027 hay 2035 nó sẽ đến với người dùng thông qua agent.

Đây không phải điểm yếu của một thiết kế, đây là điểm đúng thời điểm.

Một AI tutor được thiết kế hôm nay, dù trong một sản phẩm thương mại hay một đề tài nghiên cứu nhỏ, sẽ là một AI jagged, hữu hạn, mạnh ở một số việc và yếu khó đoán ở những việc khác, đó không phải một sự thỏa hiệp tạm thời trong lúc chờ AGI vì như nghiên cứu BCG cho thấy jagged frontier không biến mất khi mô hình mạnh hơn mà chỉ di chuyển.

Với một thiết kế dùng LLM để tạo bài tập theo cụm lỗi như bài viết trước trên Tellstory đã trình bày, đây chính là một ví dụ thực tế của bài học jagged frontier: LLM được giao một việc hẹp, có cấu trúc rõ, đầu ra dễ kiểm tra, đây là vùng AI thường làm tốt, còn việc quyết định khi nào can thiệp dựa trên công thức và ngưỡng đã định được giữ lại ở phần logic do người thiết kế kiểm soát, không giao cho AI tự quyết.