Làn sóng AI mới đang trỗi dậy, và lần này không phải là về các chatbot. Trong vài tháng qua, mọi thứ đã thay đổi. Các hệ thống AI đã chuyển từ việc trả lời câu hỏi sang thực hiện công việc: viết toàn bộ mã nguồn, quản lý các dự án phức tạp, và thực thi các tác vụ đa bước với sự can thiệp tối thiểu từ con người. Các công cụ như Clawdbot, một khung tác nhân mã nguồn mở bùng nổ chỉ sau một đêm, cho phép người dùng chạy AI cục bộ trên máy tính cá nhân, kết nối với các ứng dụng riêng và hành động thay cho họ. Claude Code đang thay đổi cách thức xây dựng phần mềm.
McKay Wrigley, một lập trình viên mà tôi tin tưởng vào nhận định, đã gọi Opus 4.5 là "bước ngoặt đối với các tác nhân, giống như Sonnet 3.5 đã làm với mã nguồn". METR, một tổ chức đánh giá độc lập, nhận thấy rằng khoảng thời gian mà AI có thể làm việc tự chủ đang tăng gấp đôi sau mỗi bốn đến bảy tháng. Các kỹ sư tại Brisk đang giao gần như toàn bộ công việc lập trình cho AI và dành thời gian để đánh giá, chỉ đạo và đưa ra quyết định.
Đây không phải là sự thổi phồng. Mô hình tác nhân thực sự hiệu quả đối với công việc tri thức, và nó sẽ thay đổi cách vận hành của rất nhiều ngành công nghiệp.
Tại sao mô hình tác nhân lại thất bại đối với học sinh
Gần đây, một phóng viên đã hỏi tôi điều này có ý nghĩa gì đối với giáo dục phổ thông. Tôi đã suy nghĩ về vấn đề này một thời gian, và câu trả lời thành thật của tôi là: phần lớn chỉ là hư ảo. Không phải vì các tác nhân không mạnh mẽ, mà vì logic giúp chúng hiệu quả trong kỹ thuật phần mềm lại gần như chính là logic khiến chúng gây hại cho việc học tập. Tôi không nghĩ rằng có đủ người trong ngành giáo dục đang phân biệt rõ ràng điều này.
Cách dễ nhất để thấy điều đó là tự hỏi: mục tiêu là gì?
Trong phần mềm, mục tiêu là kết quả đầu ra. Giao tính năng, sửa lỗi, triển khai hệ thống. Nếu một tác nhân AI viết mã cho bạn, tốt hơn và nhanh hơn những gì bạn có thể làm, thì đó chính là mục đích. Tác nhân thực hiện công việc chính là sản phẩm. Công việc của kỹ sư ngày càng trở thành việc đánh giá, chỉ đạo và quyết định trong khi AI xử lý khâu thực thi.
Trong trường học, mục tiêu lại hoàn toàn ngược lại. Kết quả đầu ra (bài luận, bộ bài tập, báo cáo thí nghiệm) gần như không phải là vấn đề chính. Điều quan trọng là những gì đã diễn ra trong não bộ của học sinh khi họ tạo ra chúng.
Một học sinh sử dụng tác nhân AI để hoàn thành bài tập không hề được giúp đỡ. Họ đã bị tước đi thứ duy nhất quan trọng. Việc kết quả đầu ra trông có vẻ tốt hơn, nếu có, thì lại càng tệ hơn: nó tạo ra ảo tưởng về việc học trong khi thực tế không có kiến thức nào được tiếp thu.
Chúng ta hiện đã có bằng chứng xác thực cho điều này. Một thử nghiệm ngẫu nhiên có đối chứng trên gần một nghìn học sinh trung học tại Thổ Nhĩ Kỳ, được công bố trên PNAS, đã kiểm chứng chính xác kịch bản này. Học sinh được chia thành ba nhóm: không có quyền truy cập AI, sử dụng công cụ giống ChatGPT tiêu chuẩn, và một gia sư AI có rào chắn bảo vệ được thiết kế với sự đóng góp từ giáo viên của họ.
Học sinh sử dụng công cụ AI tiêu chuẩn đạt kết quả tốt hơn 48% trong các bài tập thực hành. Tuy nhiên, họ lại đạt kết quả kém hơn 17% trong bài kiểm tra khi không còn sự hỗ trợ của AI. Đáng lo ngại nhất là họ không hề nhận ra điều đó.
Họ tin rằng mình đã học được nhiều hơn nhóm đối chứng. OECD, trong báo cáo Triển vọng Giáo dục Kỹ thuật số 2026 được công bố chỉ vài tuần trước, đã đặt ra một thuật ngữ cho hiện tượng này: sự lười biếng về nhận thức (metacognitive laziness). Học sinh không chỉ trút bỏ công việc mà còn trút bỏ cả nhận thức về việc liệu mình có thực sự đang học hay không.
Nhóm sử dụng gia sư có rào chắn bảo vệ đạt kết quả khá hơn một chút (cải thiện 127% trong bài tập thực hành) nhưng trong bài kiểm tra không có sự hỗ trợ, họ không làm tốt hơn những học sinh chưa từng sử dụng AI. Ngay cả công cụ AI dành cho học sinh được thiết kế chu đáo nhất cũng không mang lại sự cải thiện học tập nào có thể đo lường được trong bài đánh giá thực sự quan trọng.
Đây không chỉ là vấn đề học sinh lười biếng. Đó là điều gì đó mang tính cấu trúc về bản chất của các tác nhân và bản chất của giáo dục phổ thông.
Ba sự bất cập về cấu trúc
Bất cập 1: Vấn đề chuyên gia trong quy trình
Các tác nhân AI được xây dựng cho một loại công việc cụ thể. Chúng giỏi giải quyết các vấn đề mới mẻ, không giới hạn, nơi con người tham gia có đủ kỹ năng để đánh giá kết quả đầu ra. Một kỹ sư sử dụng Claude Code có thể đọc yêu cầu kéo (pull request), phát hiện lỗi, hiểu sự đánh đổi và điều hướng lại. Tác nhân đề xuất; chuyên gia quyết định. Điều này hiệu quả vì con người có đủ kiến thức chuyên môn để thực sự kiểm soát công việc của tác nhân.
Một học sinh lớp chín không thể làm được điều này. Khi một gia sư AI hướng dẫn học sinh giải một bài toán hoặc soạn thảo một đoạn văn cho bài luận, chính học sinh đó lại thiếu kiến thức mà họ cần phải tiếp thu. Họ không thể đánh giá liệu lập luận của AI có hợp lý không, liệu có bước nào bị bỏ qua không, hay liệu lời giải thích đó dù trôi chảy nhưng lại sai lệch một cách tinh vi.
Mô hình con người trong quy trình bị phá vỡ chính xác khi con người đó lại là người cần phải học hỏi.
Đây không phải là vấn đề có thể giải quyết bằng kỹ thuật đặt câu lệnh (prompt engineering) tốt hơn hay các rào cản bảo mật tinh vi hơn. Nó mang tính cấu trúc. Theo định nghĩa, học sinh chưa phải là chuyên gia.
Bất cập 2: Công việc thường nhật so với tư duy mới mẻ
Có một sự bất cập thứ hai. Các tác nhân AI được thiết kế cho các nhiệm vụ mới mẻ, có khả năng khái quát hóa, loại nhiệm vụ đòi hỏi tư duy linh hoạt trên những lĩnh vực xa lạ. Nhưng giáo dục phổ thông không phải là điều mới mẻ. Đó là 180 ngày với chương trình giảng dạy có cấu trúc và trình tự rõ ràng. Một giáo viên lớp ba ở Houston và một giáo viên lớp ba ở Memphis đang dạy các tiêu chuẩn gần như giống nhau theo cùng một trình tự. Công việc này mang tính thường nhật theo nghĩa tích cực nhất: được thiết kế cẩn thận để xây dựng kiến thức từng bước, mỗi bài học đều dựa trên bài học trước đó. Bạn không cần một AI phải tư duy từ đầu mỗi lần. Bạn cần một thứ gì đó thực thi đáng tin cậy dựa trên phạm vi và trình tự đã biết. Mô hình tác nhân AI đang nhắm vào sai vấn đề.
Bất cập 3: Sự nỗ lực hiệu quả so với sự nỗ lực vô ích
Sau đó là vấn đề sâu sắc nhất, điều mà các giáo viên giỏi hiểu theo bản năng nhưng lại gần như hoàn toàn vắng bóng trong các cuộc thảo luận về AI trong giáo dục: sự khác biệt giữa nỗ lực hiệu quả và nỗ lực vô ích.
Không phải mọi khó khăn đều giống nhau. Khi một học sinh vật lộn với một bài toán khó và cảm nhận được sự trắc trở khi chưa giải được — đó là nỗ lực hiệu quả. Đó là nơi việc học diễn ra. Nhưng khi một giáo viên dành bốn mươi phút để định dạng lại giáo án trên ba nền tảng khác nhau, hoặc phân hóa thủ công một đoạn văn đọc hiểu cho năm trình độ đọc khác nhau, hoặc tìm kiếm trong hệ thống quản lý học tập (LMS) để gắn thẻ tiêu chuẩn phù hợp — đó là nỗ lực vô ích. Nó không tạo ra kiến thức cho bất kỳ ai. Đó hoàn toàn là công việc hành chính.
Một tác nhân AI đa năng không thể phân biệt được sự khác biệt giữa nỗ lực hiệu quả và nỗ lực vô ích. Mặc định của nó là xóa bỏ cả hai.
Khi bạn áp dụng tác nhân AI cho học sinh, nó loại bỏ sự nỗ lực hiệu quả — phần cốt lõi của việc học — cùng với những công việc hành chính. Đó là điều mà nghiên cứu tại Thổ Nhĩ Kỳ đã chỉ ra. AI làm cho công việc trở nên dễ dàng hơn. Học sinh cảm thấy như mình đang học. Nhưng chính sự dễ dàng đó lại là vấn đề.
Điều gì thực sự hiệu quả với học sinh
Vậy nếu các tác nhân tự hành không phải là mô hình phù hợp cho học sinh, liệu điều đó có nghĩa là AI không bao giờ nên tiếp cận học sinh? Không hẳn. Nhưng định hướng của AI phải hoàn toàn khác biệt so với mô hình tác nhân, và giáo viên phải luôn là người kiểm soát mục tiêu mà AI đang hướng tới.
Hãy thử nghĩ về hai thiết kế khác nhau cho một hoạt động AI dành cho học sinh. Trong thiết kế đầu tiên, học sinh mở một công cụ AI đa năng và yêu cầu: "Hãy giúp tôi viết một bài luận về nguyên nhân dẫn đến cuộc Nội chiến". Tác nhân này sẽ thực hiện ngay. Nó lập dàn ý, gợi ý luận điểm, đưa ra các đoạn văn để học sinh chỉnh sửa. Kết quả là học sinh có một bài luận chỉn chu nhưng lại mơ hồ về việc mình đã thực sự tham gia vào quá trình học tập như thế nào. Đây chính là mô hình tác nhân áp dụng vào giáo dục, và đó cũng là điều mà nghiên cứu tại Thổ Nhĩ Kỳ đã đo lường. Nó không hiệu quả.
Trong thiết kế thứ hai, giáo viên tạo ra một hoạt động dựa trên bài học của tuần đó. Nhiệm vụ của AI không phải là giúp học sinh hoàn thành bài tập. Nhiệm vụ của nó là thúc đẩy học sinh thể hiện một kết quả học tập cụ thể. Học sinh không thể tiến bộ bằng cách yêu cầu AI làm thay phần tư duy. AI sẽ đặt câu hỏi, phản biện và yêu cầu học sinh phải trình bày rõ ràng lập luận của mình. Cách duy nhất để vượt qua là chứng minh được bạn đã hiểu bài. Giáo viên xác định kết quả; AI thực thi lộ trình.
Ở mô hình đầu tiên, AI tập trung vào nhiệm vụ và thước đo thành công là việc hoàn thành bài tập. Ở mô hình thứ hai, AI tập trung vào học sinh và thước đo thành công là việc học sinh có thể chứng minh được sự hiểu biết của mình hay không.
Sự khác biệt này nghe có vẻ nhỏ nhưng lại thay đổi tất cả. Một bên là tác nhân tự hành. Bên kia là công cụ hỗ trợ phương pháp sư phạm của giáo viên. Đây chính là điều chúng tôi đã xây dựng với Brisk Boost: các hoạt động AI dành cho học sinh, nơi giáo viên thiết lập mục tiêu học tập, AI bám sát chương trình giảng dạy thực tế và học sinh buộc phải tự mình tư duy. Nhiệm vụ của AI là làm cho quá trình nỗ lực học tập trở nên tất yếu, chứ không phải loại bỏ nó.
Vấn đề chưa bao giờ là "AI có nên tiếp cận học sinh hay không". Vấn đề là: ai là người kiểm soát và AI đang tối ưu hóa cho điều gì? Một tác nhân đa năng tối ưu hóa cho việc hoàn thành nhiệm vụ sẽ luôn có xu hướng làm thay công việc của học sinh. Đó là bản chất của các tác nhân. Khi giáo viên xác định kết quả học tập và AI bị giới hạn để hướng tới mục tiêu đó, cục diện sẽ thay đổi. AI trở thành công cụ để củng cố sự chặt chẽ, thay vì né tránh nó.
Nơi các tác nhân thực sự phát huy tác dụng: Quy trình làm việc của giáo viên
Phía giáo viên cũng quan trọng không kém, và đây chính là nơi mô hình tác nhân thực sự phù hợp.
Giáo viên đang bị quá tải, nhưng không phải vì công việc giảng dạy, mà là vì các công việc xoay quanh việc dạy học. Một giáo viên trung bình phải sử dụng nửa tá nền tảng mỗi ngày: hệ thống quản lý học tập (LMS), hệ thống thông tin học sinh (SIS), cổng thông tin chương trình giảng dạy, Google Docs, email, các công cụ chấm điểm. Việc phải điều hướng giữa các hệ thống này, định dạng lại nội dung và điều chỉnh tài liệu thủ công cho nhu cầu của từng học sinh tiêu tốn rất nhiều thời gian. Dữ liệu cho thấy giáo viên sử dụng AI hàng tuần tiết kiệm được trung bình gần sáu giờ mỗi tuần. Tính trong cả năm học, họ có lại được sáu tuần làm việc trọn vẹn.
Những công việc khiến giáo viên kiệt sức chính là những việc mà các tác nhân làm rất tốt: phân hóa bài học này cho ba trình độ đọc hiểu, căn chỉnh bài đánh giá này theo tiêu chuẩn của học khu, soạn thông báo cho phụ huynh về mục tiêu của tuần, xây dựng hoạt động nhóm nhỏ dựa trên phạm vi và trình tự bài học. Đây là những quy trình có giới hạn, có thể lặp lại và kiểm duyệt được. Chúng không phải là những việc mở, cũng không phải là những việc mới lạ. Đó là những loại công việc giống nhau, được thực hiện hàng trăm lần mỗi năm, dựa trên một chương trình giảng dạy đã biết.
Và giáo viên là chuyên gia trong quy trình này. Họ xem xét kết quả đầu ra của AI trước khi nó đến tay học sinh. Họ phát hiện lỗi, điều chỉnh giọng văn, định hướng lại cách tiếp cận. Mô hình con người trong vòng lặp (human-in-the-loop) hoạt động hiệu quả ở đây vì con người có kiến thức chuyên môn để đánh giá những gì tác nhân tạo ra.
Đây chính là loại AI mà giáo dục phổ thông thực sự cần: không phải là một tác nhân tự hành suy luận từ các nguyên tắc cơ bản về việc học sinh nên học gì tiếp theo, mà là một hệ thống thực thi đáng tin cậy dựa trên chương trình giảng dạy thực tế của học khu: phạm vi và trình tự bài học, tài liệu được phê duyệt, các tiêu chuẩn và hướng dẫn về tiến độ. Trí tuệ không nằm ở khả năng suy luận chung chung. Nó nằm ở khả năng truy xuất, bám sát thực tế và sự trung thành với những gì học khu này, ở khối lớp này, trong bài học này, đang thực sự giảng dạy trong tuần này.
Việc các tác nhân AI đang thay đổi ngành kỹ thuật phần mềm không có nghĩa là chúng sẽ thay đổi mọi thứ. Logic của mã nguồn khác với logic của việc học tập. Trong lập trình, bạn muốn AI thực hiện công việc thay mình. Còn trong giáo dục, chính học sinh là người phải thực hiện công việc đó, đó mới là mục đích cốt lõi. Coi việc học như một tác vụ tri thức cần được tự động hóa là một sai lầm, có thể khiến cả một thế hệ học sinh bị thụt lùi trong khi mọi người vẫn lầm tưởng rằng chúng ta đang tiến bộ.
Công nghệ này rất mạnh mẽ. Vấn đề nằm ở chỗ chúng ta áp dụng nó vào công việc, hay áp dụng vào chính những người cần phải học hỏi từ công việc đó.
Cơ hội trong giáo dục phổ thông là có thật và rất đáng kể, nhưng nó nằm ở việc trao quyền kiểm soát cho giáo viên. Kiểm soát chương trình giảng dạy mà AI dựa vào. Kiểm soát các kết quả học tập mà AI hướng tới. Kiểm soát các quy trình làm việc mà AI thực hiện thay cho họ. Chứ không phải là đưa cho học sinh một tác nhân AI đa năng rồi phó mặc cho may rủi.
.webp)
