Bạn thấy sợ AI, hay thấy vui vì đã có một trợ lý rất lợi hại? Có một điều mình để ý là cùng một công cụ AI, nhưng có người khen “quá ngon”, có người lại chê “gà”. Khác biệt thường không nằm ở công cụ, mà nằm ở mindset của người dùng.
Trong bài này, mình chia sẻ mindset mà bản thân mình đang áp dụng khi dùng AI cho công việc quản trị mạng, dựng lab và dạy CCNA. Mindset này giúp mình dùng AI hiệu quả hơn mà không cần nhớ framework prompt nào. Nó cũng giúp mình không bị lạc giữa rừng công cụ AI và không chạy theo FOMO, đốt tiền vào những công cụ mà hiệu quả thực tế còn chưa rõ.
Xem video trên YouTube:
Mindset cốt lõi: đối xử với AI như một đồng nghiệp
Hãy hình dung AI là một người đồng nghiệp mới ngồi cạnh bạn. Người này rất giỏi, làm việc rất nhanh, nhưng chưa biết gì về bạn, về công ty, về hệ thống mạng của bạn. Vậy bạn sẽ làm việc với họ như thế nào? Từ câu hỏi đó, mình rút ra sáu nguyên tắc dưới đây.
1. Hiểu năng lực của AI: việc nào giao, việc nào tự làm
Đồng nghiệp nào cũng có giới hạn, dù họ giỏi và nhanh đến đâu. AI cũng vậy. Có những việc bạn tự làm sẽ nhanh và hiệu quả hơn việc giao hết cho AI. Cũng có những việc AI hoàn toàn không làm được.
Cách đơn giản nhất để biết là hỏi thẳng AI. Với công cụ nào cũng được (ChatGPT, Claude, Gemini…), bạn có thể hỏi: “Bạn có thể giúp tôi dựng lab EVE-NG không? Nếu được thì tôi cần làm gì để bạn giúp? Nếu không thì bạn hỗ trợ tôi dựng lab network như thế nào?” Câu trả lời sẽ cho bạn biết AI đang dùng có thể làm gì, từ đó bạn phân chia được việc nào giao cho AI, việc nào tự làm.
2. Giao việc cụ thể, đừng bắt AI đoán ý
Bạn có hiểu hết ý người yêu hay vợ mình không? Nhiều khi họ giận mà mình không biết lý do. Con người còn không hiểu ý nhau, thì đừng bắt AI phải hiểu ý mình. Nếu giao một câu chung chung, AI sẽ phải đoán phần còn lại. Ngày nay AI đoán khá giỏi, nhưng nó vẫn có thể đoán sai. Khi đó bạn phải sửa đi sửa lại, mất nhiều thời gian hơn so với việc giao cụ thể ngay từ đầu.
Cũng nhờ nguyên tắc này, bạn không cần nhớ các framework prompt như CRAFT hay các từ viết tắt tương tự. Chỉ cần nhớ một điều: giao việc cụ thể. Ví dụ, khi nhờ AI troubleshoot hoặc cấu hình thiết bị mạng, ít nhất bạn nên cung cấp:
- Topology: thiết bị nào kết nối với thiết bị nào.
- Hãng và phiên bản phần mềm của từng thiết bị.
- Quy hoạch: địa chỉ IP, VLAN, OSPF neighbor…
Trước khi gửi, hãy tự đọc lại prompt và hỏi: “Nếu một người khác nhận yêu cầu này, họ có đủ thông tin để tự làm không?” Nếu đủ thì gửi, nếu chưa thì bổ sung. Khi chưa chắc, bạn có thể thêm một câu: “Nếu thấy chưa đủ thông tin, hãy hỏi lại tôi.” Cách này giúp kết quả ngay lần đầu sát với mong muốn của bạn nhất.
3. Có mục tiêu và tiêu chuẩn để đánh giá kết quả
Khi giao việc, bạn cần biết mục tiêu cuối cùng là gì. Bạn cũng cần có tiêu chuẩn riêng để đánh giá kết quả AI trả về. Nếu không có, bạn sẽ dễ dùng nguyên văn bất cứ thứ gì AI đưa ra. Kết quả như vậy thường được gọi là “rác”: những bức ảnh người có sáu ngón tay, hay những đoạn văn đọc vào là biết không phải người viết.
Lấy ví dụ nhờ AI viết một bài blog. Trước tiên bạn cần mục tiêu: bài viết về nội dung gì, mục đích là chia sẻ kiến thức hay quảng cáo, đối tượng đọc là ai. Tiếp theo là tiêu chuẩn: bài cần có những nội dung chính nào, tổ chức thành các đề mục ra sao, văn phong chuyên nghiệp, gần gũi, vui vẻ hay hàn lâm, học thuật. Sau khi AI viết xong, bạn đọc lại và điều chỉnh: thừa thì bảo xóa, thiếu thì bảo thêm, chung chung thì bảo viết chi tiết hơn. Nếu văn quá hàn lâm và khó hiểu, hãy yêu cầu viết đơn giản, dễ hiểu hơn.
Với lab và cấu hình mạng, việc review còn quan trọng hơn. Đừng copy rồi paste thẳng vào thiết bị. Bạn không biết cấu hình đó có chính xác không, và một khi đã đưa vào hệ thống thật thì hậu quả có thể khó lường.
4. Kiên nhẫn, feedback cho AI và đặt hàng rào an toàn
Hai người gặp nhau lần đầu thì chỉ xã giao, chưa hiểu tính cách, sở thích hay mục tiêu của nhau. AI cũng vậy. Ở những lần trò chuyện đầu tiên, câu trả lời của nó thường chung chung và chưa phù hợp. Nhiều người thấy vậy là chuyển sang một con AI khác, rồi lại chuyển tiếp khi con đó cũng chưa hợp.
Mình làm khác. Mình dùng ít công cụ và dùng lâu. Trước đây mình dùng ChatGPT, sau này chuyển sang Claude và gắn bó với nó một thời gian dài. Lúc đầu câu trả lời cũng chưa đúng ý mình, nhưng mình kiên nhẫn góp ý: “Nội dung này chưa phù hợp vì lý do abc xyz” Càng dùng lâu, AI càng hiểu ý mình và xác suất đúng ý càng cao. Các công cụ AI hiện nay còn có chức năng lưu memory (tên gọi khác nhau như project, skill, memory…). Bạn dùng công cụ nào thì hãy tìm hiểu cách nó lưu memory.
Điểm quan trọng là hãy feedback khi câu trả lời chưa phù hợp, đừng im lặng bỏ đi. Cứ thử tưởng tượng bạn trả lời một người lạ chưa vừa ý, rồi họ bỏ đi luôn không chơi với bạn nữa, chắc bạn cũng thấy buồn.
Ngoài ra, AI không hiểu ý bạn nên nó cũng không biết điều gì là nguy hiểm với hệ thống của bạn. Vì vậy hãy dặn rõ những việc tuyệt đối không được làm. Nếu có thể, hãy chạy AI ở chế độ manual, tức là mỗi hành động phải được bạn duyệt (approve) rồi mới thực thi. Cách này hơi mất công vì AI hỏi liên tục, nhưng đó là cách kiểm soát việc thực thi. Các thao tác như xóa config, reboot thiết bị hay restart một service đều có thể gây sự cố, nhất là trong giờ làm việc, và AI làm rất nhanh nên ảnh hưởng lan nhanh theo. Khi duyệt, bạn cũng phải đọc xem nó định làm gì, đừng bấm “approve” mà không biết AI sắp chạy lệnh gì.
5. Cẩn trọng với thông tin nhạy cảm
Khi kể một chuyện cho ai đó, bạn không chắc họ có kể lại cho người khác hay không. Với AI cũng vậy, nhất là các công cụ public như ChatGPT, Claude hay Gemini. Các tổ chức đứng sau cam kết không để lộ thông tin và không dùng dữ liệu của bạn để huấn luyện model, và bạn có thể tin họ. Nhưng vẫn có những rủi ro: nhà cung cấp bị bên thứ ba tấn công, hoặc AI bị lừa bởi các kỹ thuật tấn công dựa trên prompt.
Vì vậy, thông tin nhạy cảm hoặc bí mật mà bạn không muốn công khai thì tốt nhất đừng đưa cho AI public. Nếu dùng AI chạy local thì là chuyện khác, vì nó chạy trong hạ tầng của bạn và không giao tiếp ra bên ngoài, nên bạn kiểm soát được phần nào. Còn với AI public, hãy coi như bạn đang nói chuyện giữa chợ.
6. Nâng cấp lên mindset của một manager
Nhờ có AI, bạn như có một hoặc nhiều trợ lý đứng sau lưng. Lúc này bạn không còn chỉ là nhân viên mà cần có mindset của một manager. Manager nhận việc thì phải phân tích đầu vào và kiểm soát đầu ra.
- Phân tích đầu vào: mục tiêu là gì, để đạt mục tiêu cần làm những việc gì, việc nào giao cho trợ lý, việc nào tự làm.
- Kiểm soát đầu ra: có bảng tiêu chí đánh giá chất lượng và đối chiếu kết quả của AI với bảng đó.
Nếu bạn chỉ nhận việc từ sếp rồi chuyển nguyên cho AI, sau đó ôm nguyên kết quả gửi lại cho sếp, bạn thiếu cả hai bước. Khi đó sếp có thể giao thẳng việc cho AI luôn, và bạn chỉ là một lớp trung gian thừa. Giá trị của con người nằm ở việc biết phân tích đầu vào và kiểm soát đầu ra. Nếu dùng AI theo cách đó thì mình tin AI sẽ hỗ trợ công việc của bạn chứ không lấy đi công việc của bạn.
AI giống như Google ngày xưa
AI bây giờ giống Google hồi xưa: dù muốn hay không, nó đã đến và không tránh được. Cùng là Google, có người dùng rất hiệu quả nên học tập và công việc thuận lợi, có người dùng xong vẫn không làm được gì. AI cũng vậy: ai cũng dùng được, nhưng hiệu quả cuối cùng phụ thuộc vào cách bạn sử dụng.
AI trong chương trình CCNA 2.0 và các khóa học tại KAI NETWORKS
Cisco đã đưa AI vào chương trình CCNA 2.0. Các khóa CCNA hiện nay đều có một buổi nói về ứng dụng AI trong vận hành hệ thống mạng. Với các lớp CCNA cũ của KAI NETWORKS, mình đã tổ chức một buổi workshop để cập nhật nội dung ứng dụng AI vào vận hành hệ thống mạng. Nếu bạn muốn xem tổng quan phần cập nhật này, mời bạn xem video CCNA v2 Big Update trên kênh Kai Networks.
Sắp tới KAI NETWORKS khai giảng thêm các lớp CCNA. Bạn có thể xem lịch khai giảng tại https://lms.kainetworks.vn/lich-khai-giang. Các khóa học đều có đầy đủ lý thuyết, lab, hỗ trợ, hỏi đáp, và khi hoàn thành bạn được cấp chứng chỉ hoàn thành khóa học.
Tóm tắt các nguyên tắc dùng AI hiệu quả
- Biết AI làm được gì, và việc nào tự làm sẽ nhanh hơn.
- Giao việc cụ thể, đủ thông tin, và cho phép AI hỏi lại khi còn thiếu.
- Có mục tiêu và tiêu chuẩn đánh giá trước khi đọc kết quả. Luôn review cấu hình trước khi áp dụng vào hệ thống.
- Kiên nhẫn, feedback cho AI, dặn rõ những việc nguy hiểm và ưu tiên chế độ manual có duyệt.
- Không đưa thông tin nhạy cảm cho AI public.
- Dùng AI với mindset của manager: phân tích đầu vào, kiểm soát đầu ra.