AI có thể tạo mười module trong thời gian trước đây chỉ đủ làm một. Nó không tạo thêm mười người để kiểm tra xem mười module đó có tác dụng không. Ba phép ẩn dụ từ My Hero Academia, Hunter x Hunter và Naruto, cho một khoản nợ đang âm thầm tích lũy trong ngành L&D.
AI can produce ten modules in the time it used to take to make one. It does not produce ten more people to check whether those ten modules actually work. Three anime metaphors for a debt that is quietly building up across L&D.
Readiness debt là khái niệm được Amy Vidor, chuyên gia về xu hướng học tập tại Synthesia, đưa ra để mô tả một hệ quả đang xuất hiện khi AI được sử dụng ngày càng nhiều trong L&D. Theo khảo sát gần 400 người làm L&D, 84% cho biết họ đang dùng AI để tăng tốc sản xuất content, tuy nhiên tốc độ tạo nội dung lại đang tăng nhanh hơn khả năng xác minh xem những nội dung ấy có thực sự giúp người học thay đổi hành vi hay cải thiện kết quả công việc hay không (Synthesia, 2026).
Readiness debt is a concept coined by Amy Vidor, a learning trends expert at Synthesia, to describe an emerging consequence of AI's growing role in L&D. In a survey of nearly 400 L&D professionals, 84 percent said they are using AI to speed up content production, yet the rate of content creation is now outpacing the organization's ability to verify whether that content actually changes learner behavior or improves job performance (Synthesia, 2026).
Khoảng cách đó tạo ra một khoản nợ, bởi tổ chức có thể liên tục tạo thêm bài giảng, video, tài liệu và module mới, trong khi năng lực review, đo lường và theo dõi tác động thực tế lại không phát triển kịp theo cùng tốc độ.
That gap is what creates the debt. An organization can keep generating new lessons, videos, documents, and modules, while its capacity to review, measure, and track real world impact fails to grow at the same pace.
Khoản nợ này không xuất hiện ngay khi AI tạo ra thêm một khóa học, bởi ở thời điểm đó mọi thứ vẫn trông khá tích cực, số lượng content tăng, thời gian sản xuất giảm và hệ thống có thêm nhiều lượt hoàn thành, tuy nhiên đến khi tổ chức cần chứng minh người học đã thực sự làm việc tốt hơn ở điểm nào, không ai còn đủ dữ liệu để trả lời.
This debt does not show up the moment AI produces one more course. At that point everything still looks positive: content volume goes up, production time goes down, and completion counts climb. It shows up later, when the organization needs to prove exactly where learners are doing better, and no one has enough data to answer.
Để hiểu rõ hơn, hãy cùng Tg bóc tách thật dễ hiểu xem điều gì đang thực sự diễn ra.
To make this concrete, let Tg walk through what is actually happening, one anime metaphor at a time.
body check
Trong My Hero Academia, All Might là một siêu anh hùng sở hữu năng lực đặc biệt mang tên One For All, và ông có thể truyền sức mạnh này cho người kế nhiệm. Người được chọn là Deku, một cậu bé vốn không có siêu năng lực nhưng luôn muốn trở thành anh hùng.
In My Hero Academia, All Might is a superhero who carries a special power called One For All, and he can pass this power on to a successor. The chosen one is Deku, a boy with no power of his own who has always wanted to become a hero.
Deku gần như nhận được một nguồn sức mạnh khổng lồ ngay lập tức, tuy nhiên cơ thể của cậu lại chưa được rèn luyện đủ để chịu nổi sức mạnh ấy, vì vậy mỗi lần sử dụng quá nhiều, cậu có thể gãy tay, gãy chân hoặc tự làm tổn thương chính mình.
Deku receives an enormous source of power almost instantly, but his body has not been trained enough to withstand it, so every time he uses too much of it, he can break his arm, break his leg, or injure himself.
Đây là hình ảnh khá sát với readiness debt, bởi One For All giống như năng lực sản xuất content mà AI mang lại, sức mạnh này xuất hiện rất nhanh, có thể tạo ra khối lượng công việc lớn và giúp một đội L&D làm được nhiều hơn trước, trong khi cơ thể của Deku lại đại diện cho khả năng hấp thụ của tổ chức, bao gồm năng lực review nội dung, kiểm tra độ chính xác, theo dõi hành vi người học và xác minh xem chương trình có tạo ra kết quả thật hay không.
This image is a fairly close fit for readiness debt. One For All is like the content production power AI provides: it arrives fast, it can generate a huge volume of work, and it lets a small L&D team do far more than before. Deku's body represents the organization's absorption capacity, meaning its ability to review content, check accuracy, track learner behavior, and verify whether a program produces real results.
AI có thể giúp một đội L&D tạo ra mười module trong khoảng thời gian trước đây chỉ đủ để hoàn thành một module, tuy nhiên AI không đồng thời tạo thêm mười chuyên gia để thẩm định nội dung, mười quản lý để quan sát hành vi hay mười hệ thống dữ liệu để theo dõi kết quả sau đào tạo.
AI can help an L&D team produce ten modules in the time it used to take to finish one, but it does not simultaneously produce ten subject matter experts to validate the content, ten managers to observe behavior, or ten data systems to track post training results.
Sức mạnh sản xuất tăng lên gần như ngay lập tức, còn cơ thể của tổ chức vẫn cần thời gian để thích nghi, vì vậy vấn đề không nằm ở việc AI có mạnh hay không, mà nằm ở việc tổ chức đã đủ sẵn sàng để sử dụng sức mạnh đó hay chưa.
Production power increases almost instantly, while the organization's body still needs time to adapt. So the problem is not whether AI is powerful, it is whether the organization is ready to wield that power yet.
Cái giá cũng không được trả ngay tại thời điểm content được tạo ra, mà nó tích tụ dần rồi xuất hiện về sau, dưới dạng những chương trình training tốn kém, những kho nội dung ngày càng lớn và những báo cáo đầy số lượt hoàn thành nhưng không có đủ bằng chứng rằng người học đã thực sự thay đổi.
The cost is not paid at the moment the content is created either. It accumulates quietly and surfaces later, as expensive training programs, ever larger content libraries, and reports full of completion counts with no real evidence that learners have actually changed.
pass ≠ ready
evidence
Trong Hunter x Hunter, Hunter là những người được cấp quyền tiếp cận nhiều đặc quyền đặc biệt, chẳng hạn tự do đi lại, tiếp cận thông tin hiếm và tham gia những nhiệm vụ nguy hiểm, tuy nhiên để trở thành Hunter, ứng viên phải vượt qua một kỳ thi cực kỳ khắc nghiệt với tỷ lệ đậu rất thấp.
In Hunter x Hunter, Hunters are people granted access to a range of special privileges, such as freedom of travel, access to rare information, and eligibility for dangerous missions. But to become a Hunter, a candidate must pass an extremely brutal exam with a very low pass rate.
Người vượt qua kỳ thi sẽ được công nhận ngay là Hunter chính thức, tuy nhiên việc đậu kỳ thi không đồng nghĩa họ đã đủ năng lực để sinh tồn trong thế giới thật, bởi nhiều nhân vật sau đó vẫn phải tiếp tục luyện tập, còn Nen, một hệ thống năng lực quan trọng trong bộ phim, cũng cần được huấn luyện trong thời gian dài trước khi người sử dụng có thể đối đầu với nguy hiểm thực sự.
Whoever passes the exam is immediately recognized as an official Hunter, but passing does not mean they are capable of surviving the real world. Many characters keep training afterward, and Nen, an important power system in the show, also requires a long period of training before a user can face real danger.
Khoảng cách giữa việc đậu kỳ thi và việc sống sót ngoài thực tế khá giống với khoảng cách giữa các cấp độ trong mô hình Kirkpatrick, một mô hình thường được dùng để đánh giá hiệu quả đào tạo.
The gap between passing the exam and surviving in the field looks a lot like the gap between the levels in the Kirkpatrick model, a framework commonly used to evaluate training effectiveness.
Cấp độ một đo phản ứng của người học, chẳng hạn họ có hài lòng với khóa học hay không, còn cấp độ hai đo lượng kiến thức hoặc kỹ năng họ tiếp thu ngay sau khi học. Hai cấp độ này tương đối dễ đo, bởi tổ chức có thể sử dụng khảo sát, điểm kiểm tra, tỷ lệ hoàn thành hoặc bài quiz cuối khóa, và chúng khá giống với việc xác nhận rằng một nhân vật đã vượt qua kỳ thi Hunter.
Level one measures learner reaction, for example whether they were satisfied with the course, and level two measures the knowledge or skill they picked up right after training. Both are relatively easy to measure, since an organization can rely on surveys, test scores, completion rates, or an end of course quiz, and they are quite similar to simply confirming that a character passed the Hunter Exam.
Cấp độ ba đo xem người học có thực sự thay đổi hành vi trong công việc hay không, còn cấp độ bốn đo kết quả mà sự thay đổi đó tạo ra cho tổ chức. Hai cấp độ này khó hơn rất nhiều, bởi tổ chức phải chờ người học quay lại công việc, đối mặt với tình huống thật, áp dụng kiến thức, mắc lỗi, điều chỉnh hành vi và tạo ra kết quả có thể quan sát được.
Level three measures whether learners actually change their behavior on the job, and level four measures the results that change produces for the organization. Both are far harder, because the organization has to wait for learners to return to work, face real situations, apply what they learned, make mistakes, adjust, and produce an observable outcome.
Khi AI làm tăng mạnh số lượng content, phần dễ đo cũng tăng lên rất nhanh, bởi mỗi module mới đều có thể đi kèm bài quiz, khảo sát phản hồi, tỷ lệ xem video và dữ liệu hoàn thành, tuy nhiên phần khó đo lại không thể tăng theo cùng tốc độ, vì vẫn cần người quản lý quan sát, vẫn cần dữ liệu công việc thực tế và vẫn cần thời gian để xem hành vi có thực sự thay đổi hay không.
As AI sharply increases the volume of content, the easy to measure part grows just as fast, since every new module can ship with a quiz, a feedback survey, view rates, and completion data. But the hard to measure part cannot grow at the same speed, because it still needs a manager to observe, real job data, and time to see whether behavior has actually changed.
Nói cách khác, AI có thể giúp tổ chức tạo ra hàng trăm “kỳ thi Hunter”, nhưng không bảo đảm những người vượt qua các kỳ thi đó đủ khả năng xử lý công việc thật.
In other words, AI can help an organization produce hundreds of "Hunter Exams," but it does not guarantee that the people who pass them can actually handle the real job.
Synthesia dẫn trường hợp một doanh nghiệp trong lĩnh vực y tế thiết kế lại chương trình phát triển quản lý, tuy nhiên khi xem lại phản hồi sau đó, họ phát hiện nhiều quản lý vẫn không xử lý được những cuộc trò chuyện khó, chẳng hạn đưa phản hồi tiêu cực hoặc giải quyết xung đột.
Synthesia cites the case of a healthcare organization that redesigned its manager development program. When they later reviewed the feedback, they found that many managers still could not handle difficult conversations, such as delivering negative feedback or resolving conflict.
Chương trình đã được hoàn thành đúng tiến độ, người học có thể cũng đã tham gia đầy đủ và hoàn thành các hoạt động cần thiết, tuy nhiên thay đổi hành vi, tức cấp độ ba trong mô hình Kirkpatrick, lại không xảy ra.
The program was delivered on schedule, and learners may well have attended fully and completed every required activity, but the behavior change that level three of the Kirkpatrick model is supposed to capture simply did not happen.
Đây là thời điểm readiness debt bắt đầu hiện hình rõ ràng, bởi tổ chức đã hoàn thành việc cung cấp training nhưng chưa tạo ra năng lực mà chương trình được thiết kế để tạo ra.
This is the moment readiness debt becomes visible: the organization finished delivering the training, but never actually built the capability the program was designed to create.
Việc tạo ra một trăm phân thân không đồng nghĩa Naruto có thể ngay lập tức biến toàn bộ kinh nghiệm đó thành năng lực ổn định.
Creating a hundred shadow clones does not mean Naruto can instantly turn all of that experience into stable ability.
more ≠ learned
Trong Naruto, Kage Bunshin là một kỹ thuật cho phép Naruto tạo ra nhiều phân thân cùng lúc. Những phân thân này có thể hoạt động, chiến đấu hoặc luyện tập độc lập, sau đó khi chúng biến mất, ký ức và kinh nghiệm mà từng phân thân thu được sẽ được trả lại cho Naruto bản gốc.
In Naruto, Kage Bunshin is a technique that lets Naruto create many clones of himself at once. Each clone can act, fight, or train independently, and when a clone disappears, the memory and experience it gathered are returned to the original Naruto.
Nhờ cơ chế này, Naruto có thể tạo ra hàng trăm phân thân để luyện tập song song, vì vậy trong cùng một khoảng thời gian, cậu có thể tích lũy lượng kinh nghiệm lớn hơn rất nhiều so với một người chỉ luyện tập bằng một cơ thể.
Thanks to this mechanic, Naruto can create hundreds of clones to train in parallel, so in the same stretch of time he can accumulate far more experience than someone training with a single body.
Nhìn bề ngoài, đây gần như là hình ảnh hoàn hảo cho AI trong L&D, bởi AI cũng cho phép một đội ngũ nhỏ tạo ra nhiều phiên bản content cùng lúc, một outline có thể nhanh chóng được biến thành bài giảng, video, câu hỏi trắc nghiệm, tình huống mô phỏng, bản tóm tắt và tài liệu hướng dẫn.
On the surface, this looks like a near perfect image for AI in L&D, since AI also lets a small team produce many versions of content at once. An outline can quickly become a lesson, a video, quiz questions, a simulated scenario, a summary, and a guide.
Tuy nhiên, chi tiết quan trọng thường bị bỏ qua là kinh nghiệm chỉ thực sự trở thành của Naruto khi phân thân biến mất và ký ức được trả về cho bản gốc, sau đó chính Naruto vẫn phải xử lý, hấp thụ và tích hợp lượng kinh nghiệm ấy.
The detail people usually miss is that the experience only truly belongs to Naruto once a clone disappears and the memory returns to the original. After that, Naruto himself still has to process, absorb, and integrate that experience.
Việc tạo ra một trăm phân thân không đồng nghĩa Naruto có thể ngay lập tức biến toàn bộ kinh nghiệm đó thành năng lực ổn định, bởi càng nhiều dữ liệu được đẩy về cùng lúc, cơ thể và tâm trí của bản gốc càng phải chịu áp lực xử lý lớn hơn.
Creating a hundred clones does not mean Naruto can instantly turn all of that experience into stable ability, because the more data gets pushed back at once, the more processing pressure the original body and mind have to absorb.
Đây chính là sự bất đối xứng nằm ở gốc của readiness debt, bởi AI khiến việc nhân bản content trở nên cực kỳ nhanh và rẻ, trong khi việc tích hợp content đó vào năng lực thật của người học vẫn bị giới hạn bởi thời gian thực hành, cơ hội áp dụng, phản hồi từ môi trường, chất lượng coaching và dữ liệu quan sát hành vi.
This is the exact asymmetry at the root of readiness debt. AI makes duplicating content extremely fast and cheap, while integrating that content into a learner's real ability is still bound by practice time, opportunities to apply it, feedback from the environment, coaching quality, and behavioral observation data.
Nhân bản nội dung có thể diễn ra trong vài phút, nhưng quá trình để một người hiểu, ghi nhớ, thử nghiệm, mắc lỗi, điều chỉnh và hình thành năng lực vẫn cần thời gian, vì vậy AI có thể rút ngắn phần sản xuất nhưng không thể xóa bỏ phần con người phải thực sự học.
Content can be duplicated in a matter of minutes, but the process of a person understanding, remembering, trying, failing, adjusting, and forming real ability still takes time. AI can shorten the production part, but it cannot remove the part where a human being actually has to learn.
Nếu tổ chức chỉ tập trung tạo thêm phân thân mà không xây dựng cơ chế đưa kinh nghiệm trở lại bản gốc, số lượng content sẽ tăng lên, còn năng lực thực tế của người học chưa chắc tăng theo.
If an organization only focuses on creating more clones without building a mechanism to bring experience back to the original, content volume will keep rising while the learners' real capability may not rise with it.
Các tổ chức và chuyên gia trong ngành đã đưa ra ba nguyên tắc khá nhất quán, và điểm chung nằm ở chỗ AI nên được sử dụng để mở rộng năng lực của con người, chứ không nên trở thành lý do để loại bỏ các bước xác minh, đánh giá và chịu trách nhiệm.
Organizations and experts in the field converge on three fairly consistent principles, and the common thread is that AI should extend human capability, not become a reason to remove verification, evaluation, and accountability.
Nếu phần trước là ba phép ẩn dụ anime, thì phần này là bản checklist thực chiến: AI có thể tăng tốc đầu ra, nhưng mỗi đầu ra vẫn cần người chịu trách nhiệm, mức review tương xứng rủi ro và bằng chứng từ công việc thật.
If the previous sections were three anime metaphors, this is the practical checklist: AI can accelerate output, but each output still needs accountable humans, risk-matched review, and evidence from real work.
Dùng AI để tạo bản đầu tiên, nhưng không bỏ bước tinh chỉnh, cá nhân hóa và kiểm tra độ đúng. Output chỉ thành tri thức khi có người chịu trách nhiệm xác nhận.
Use AI for the first draft, but keep refinement, personalization, and accuracy checks. Output becomes knowledge only when someone is accountable for it.
nháp ≠ xuất bản draft ≠ publishNội dung compliance, pháp lý, coaching lãnh đạo, phản hồi hiệu suất hoặc dữ liệu nội bộ không nên được đối xử như một bài blog nháp.
Compliance, legal, leadership coaching, performance feedback, or internal-data content should not be treated like a casual draft.
review theo rủi ro risk-matchedNếu chỉ đo số module, thời gian tiết kiệm hoặc lượt hoàn thành, AI gần như luôn trông có vẻ thành công. Hãy kéo thước đo về hành vi và kết quả.
If you only measure modules, time saved, or completions, AI will almost always look successful. Move the metric back to behavior and outcomes.
bằng chứng trước evidence firstCognitive debt là lời nhắc rằng cái lợi thấy ngay thường che phần chi phí bị đẩy về sau. Với AI trong L&D, chi phí ấy có thể là năng lực đánh giá bị mòn đi, dữ liệu học tập nhiễu hơn, hoặc tổ chức mất dần thói quen hỏi: nội dung này có thật sự tạo năng lực không?
Cognitive debt is a reminder that immediate convenience can hide costs pushed into the future. In L&D, those costs can include weaker judgment, noisier learning data, or an organization losing the habit of asking whether a piece of content actually builds capability.
Vì vậy, nguyên tắc đi kèm là ghi lại prompt, phiên bản AI, ngày tạo, người review và thay đổi sau review. Truy vết không ngăn mọi lỗi, nhưng giúp tổ chức biết ai đã tạo, ai đã xác minh và quyết định nào đã được đưa ra.
So the companion practice is traceability: log the prompt, AI version, creation date, reviewer, and post-review changes. It will not prevent every mistake, but it shows who created, who verified, and what decisions were made.
Sau khi làm việc với hơn 200 đội L&D triển khai AI, Workademy khuyến nghị sử dụng AI để tạo bản nháp đầu tiên, bởi cách làm này có thể giúp tiết kiệm từ 60% đến 80% thời gian sản xuất, tuy nhiên phần thời gian tiết kiệm được không đồng nghĩa bước review có thể biến mất, bởi content vẫn cần được con người tinh chỉnh, cá nhân hóa, kiểm tra tính chính xác và xác nhận mức độ phù hợp trước khi đưa vào sử dụng.
After working with more than 200 L&D teams deploying AI, Workademy recommends using AI to produce the first draft, since this approach can save between 60 and 80 percent of production time. But saving time does not mean the review step can disappear, because content still needs a human to refine it, personalize it, check it for accuracy, and confirm it is fit for purpose before it goes live.
Cornerstone cũng nhấn mạnh rằng mọi content do AI tạo ra đều cần có người review, và đây phải được xem là một yêu cầu bắt buộc thay vì một lựa chọn bổ sung, bởi AI có thể tạo ra khối lượng nội dung rất lớn, nhưng nội dung đó chỉ thực sự trở thành tri thức của tổ chức sau khi có người chịu trách nhiệm xác nhận rằng nó đúng, phù hợp và có thể sử dụng được.
Cornerstone likewise stresses that every piece of AI generated content needs a human reviewer, and this should be treated as a mandatory requirement rather than an optional extra. AI can produce a huge volume of content, but that content only becomes real organizational knowledge once someone takes responsibility for confirming it is accurate, appropriate, and usable.
Nếu bỏ qua bước này, tổ chức không thực sự sở hữu một hệ thống tri thức, mà chỉ đang sở hữu một kho output được tạo ra với tốc độ cao, trong đó không ai biết chắc phần nào chính xác, phần nào phù hợp và phần nào có thể gây rủi ro.
Skip this step, and the organization does not really own a knowledge system, it owns a high speed pile of output where no one can say for certain which parts are accurate, which are appropriate, and which carry risk.
Workademy liệt kê bốn nhóm nội dung cần đặc biệt thận trọng khi sử dụng AI, bao gồm nội dung đòi hỏi chuyên môn sâu và khả năng phán đoán tinh tế, nội dung liên quan đến tuân thủ pháp lý nơi một sai sót nhỏ có thể tạo ra hậu quả lớn, nội dung đặc thù của doanh nghiệp mà mô hình AI không có đủ dữ liệu nội bộ để hiểu chính xác, cùng với những nội dung có yếu tố con người cao như coaching lãnh đạo, phản hồi hiệu suất hoặc xử lý xung đột.
Workademy lists four categories of content that call for extra caution with AI: content requiring deep expertise and nuanced judgment, content tied to legal compliance where a small error can carry large consequences, content specific to the business that the AI model lacks the internal data to understand accurately, and content with a high human element, such as leadership coaching, performance feedback, or conflict resolution.
Họ dẫn trường hợp một công ty sử dụng AI để soạn khóa học phòng chống quấy rối tình dục, tuy nhiên nội dung được tạo ra lại quá chung chung, thiếu sắc thái pháp lý và không phản ánh được sự khác biệt trong quy định giữa từng bang.
They cite the case of a company that used AI to draft a sexual harassment prevention course, only to find the resulting content too generic, missing legal nuance, and failing to reflect how regulations differ from state to state.
Đây không chỉ là một lỗi về cách diễn đạt, mà là lỗi về bối cảnh, chuyên môn và trách nhiệm, bởi trong những lĩnh vực có mức độ rủi ro cao, một nội dung nghe có vẻ hợp lý vẫn có thể sai về pháp lý hoặc không phù hợp với tình huống cụ thể.
This was not just a wording mistake, it was a failure of context, expertise, and accountability. In high risk domains, content that sounds reasonable can still be legally wrong or a poor fit for the specific situation.
ProEdit cũng đề xuất cùng một logic dưới dạng quy trình, theo đó mức độ review phải tương xứng với mức độ rủi ro, vì content nội bộ có rủi ro thấp có thể chỉ cần một lượt biên tập nhẹ, trong khi nội dung dành cho khách hàng, liên quan đến tuân thủ hoặc thuộc lĩnh vực được quản lý chặt phải trải qua quy trình thẩm định nghiêm ngặt hơn nhiều.
ProEdit proposes the same logic as a process: the depth of review should match the level of risk. Low risk internal content might only need a light editing pass, while content aimed at customers, tied to compliance, or falling under a heavily regulated domain needs a much stricter vetting process.
Không phải kỹ năng nào cũng có thể được kiểm tra bằng một bài thi chuẩn hóa, bởi có những năng lực chỉ lộ ra khi người học phải đối mặt với tình huống thật, chịu áp lực thật và đưa ra quyết định có hậu quả thật, vì vậy nếu công việc yêu cầu khả năng phán đoán, một bài quiz năm câu không thể được xem là bằng chứng đầy đủ cho thấy người học đã sẵn sàng.
Not every skill can be checked with a standardized test. Some capabilities only reveal themselves when a learner faces a real situation, under real pressure, making decisions with real consequences. So if a job requires judgment, a five question quiz cannot be treated as sufficient proof that the learner is ready.
Visla liệt kê khá rõ những việc tổ chức cần tránh, bao gồm xuất bản output của AI mà không qua review của con người, sử dụng công cụ chưa được phê duyệt để xử lý dữ liệu nhạy cảm, tạo ra nội dung chung chung thiếu bối cảnh và đánh giá thành công chỉ dựa trên tốc độ sản xuất.
Visla spells out fairly clearly what organizations should avoid: publishing AI output without human review, using unapproved tools to handle sensitive data, producing generic content that lacks context, and judging success purely by production speed.
Tốc độ có thể là một chỉ số hữu ích, nhưng nó chỉ phản ánh hiệu quả của quá trình tạo content, chứ không phản ánh hiệu quả của quá trình học, bởi một đội L&D có thể giảm thời gian sản xuất khóa học từ bốn tuần xuống còn bốn ngày mà vẫn không tạo ra bất kỳ thay đổi hành vi nào nơi người học.
Speed can be a useful metric, but it only reflects the efficiency of content creation, not the efficiency of learning. An L&D team can cut course production time from four weeks to four days and still produce zero behavior change in learners.
Nếu tổ chức chỉ đo số lượng module được tạo ra, thời gian tiết kiệm được hoặc số lượt hoàn thành khóa học, AI gần như chắc chắn sẽ trông giống một thành công, tuy nhiên nếu chuyển sang đo khả năng áp dụng, chất lượng quyết định, tần suất sai sót hoặc kết quả công việc, bức tranh có thể hoàn toàn khác.
If an organization only measures the number of modules produced, time saved, or completion counts, AI will almost certainly look like a success. But switch to measuring application, decision quality, error frequency, or job outcomes, and the picture can look completely different.
Một khái niệm liên quan đáng chú ý là cognitive debt, được Christopher Dede, nghiên cứu viên cấp cao tại Harvard Graduate School of Education, nêu ra để mô tả nguy cơ xuất hiện khi người dùng liên tục giao toàn bộ phần suy nghĩ cho AI, bởi sự phụ thuộc này có thể dần bào mòn khả năng tư duy phản biện và sáng tạo của chính người sử dụng.
A related concept worth noting is cognitive debt, put forward by Christopher Dede, a senior research fellow at Harvard Graduate School of Education, to describe the risk that emerges when users keep handing all of their thinking over to AI. That dependence can gradually erode the user's own critical thinking and creative ability.
Readiness debt và cognitive debt không hoàn toàn giống nhau, tuy nhiên chúng có cùng một cơ chế nền tảng, đó là lợi ích xuất hiện ngay trong khi chi phí bị đẩy về tương lai, bởi người dùng nhìn thấy tốc độ, sự tiện lợi và khối lượng output trước, còn sự suy giảm về khả năng đánh giá, khả năng tư duy hoặc mức độ sẵn sàng chỉ lộ ra sau một thời gian dài.
Readiness debt and cognitive debt are not identical, but they share the same underlying mechanism: the benefit shows up immediately while the cost is pushed into the future. Users see speed, convenience, and output volume first, while the decline in judgment, thinking ability, or readiness only becomes visible much later.
Một nguyên tắc thực hành quan trọng đi kèm là cần ghi lại prompt đã sử dụng, phiên bản AI, ngày tạo nội dung, người review và những thay đổi được thực hiện sau review, bởi khả năng truy vết không ngăn được mọi sai sót, nhưng nó giúp tổ chức xác định ai đã tạo, ai đã xác minh và quyết định nào đã được đưa ra khi vấn đề xuất hiện.
An important accompanying practice is to log the prompt used, the AI version, the date the content was created, who reviewed it, and what changes were made after review. Traceability cannot prevent every mistake, but it lets an organization identify who created something, who verified it, and what decisions were made when a problem surfaces.
Ba câu chuyện anime mà Tg sử dụng đều dẫn về cùng một điểm, đó là sức mạnh xuất hiện nhanh không đồng nghĩa cơ thể đã sẵn sàng sử dụng nó, vượt qua một kỳ thi không đồng nghĩa người học đủ năng lực sinh tồn trong thực tế, còn nhân bản nhanh không đồng nghĩa kinh nghiệm đã được tích hợp ngay vào bản gốc.
All three anime stories Tg used lead to the same point: power arriving fast does not mean the body is ready to use it, passing an exam does not mean a learner can survive the real thing, and fast duplication does not mean experience has been integrated into the original.
AI đang làm rất tốt phần đầu của từng cặp đối lập ấy, bởi nó tạo ra content nhanh hơn, nhân bản tài liệu dễ hơn và giúp tổ chức triển khai nhiều hoạt động học tập hơn, tuy nhiên phần sau, tức việc xác minh nội dung có chính xác hay không, người học có thực sự thay đổi hành vi hay không và kết quả công việc có được cải thiện hay không, vẫn cần thời gian, con người, dữ liệu và một hệ thống đánh giá đủ nghiêm túc.
AI is doing the first half of each of those contrasts extremely well. It creates content faster, duplicates materials more easily, and lets an organization roll out more learning activities. But the second half, verifying whether content is accurate, whether learners actually change behavior, and whether job outcomes improve, still needs time, people, data, and a genuinely rigorous evaluation system.
Vấn đề vì thế không phải là tổ chức có nên sử dụng AI trong L&D hay không, mà là tổ chức đang dùng AI để tăng năng lực học tập hay chỉ đang tăng số lượng content.
The question, then, is not whether an organization should use AI in L&D. It is whether the organization is using AI to increase learning capability, or simply to increase content volume.
Một tổ chức chưa thật sự sẵn sàng không phải là tổ chức thiếu AI, mà là tổ chức có thể tạo ra hàng trăm khóa học mới nhưng không thể trả lời khóa học nào đang thực sự tạo ra giá trị.
An organization that is not truly ready is not one that lacks AI. It is one that can produce hundreds of new courses but cannot say which of them is actually creating value.
© 2026 Bui Tong Giang · Fieldnotes on Learning. Bài viết, hình ảnh, mã demo và cách trình bày thuộc tác giả. Vui lòng không sao chép toàn văn, đăng lại hoặc tái sử dụng mã nguồn khi chưa có sự đồng ý. Khi trích dẫn một phần nội dung, vui lòng ghi rõ nguồn: Fieldnotes on Learning.
