José Antonio Bowen – C. Edward Watson
Xuất bản lần thứ hai với sự hợp tác của Hiệp hội các trường đại học và cao đẳng Hoa Kỳ, JOHNS HOPKINS UNIVERSITY PRESS, Baltimore, 2026
A.I. dịch, Thuận Thiên hiệu đính
CHƯƠNG 5
NĂNG LỰC HIỂU BIẾT VỀ A.I (AI LITERACY)
Có hai kiểu giáo dục. Một kiểu dạy chúng ta cách kiếm sống, và kiểu còn lại dạy chúng ta cách sống.
JOHN ADAMS, Tổng thống Hoa Kỳ
Những bất đồng xoay quanh mục đích của giáo dục đại học không phải là điều mới trong đời sống Mỹ, nhưng kiểu giáo dục thứ hai của John Adams đã dần thất thế trước kiểu thứ nhất kể từ năm 1967, khi thống đốc nhiệm kỳ đầu Ronald Reagan nổi tiếng với câu nói mỉa mai: “Chúng tôi tin rằng có những thứ xa xỉ về trí tuệ mà có lẽ chúng ta có thể không cần đến”. Vào thời điểm đó, phần lớn sinh viên mô tả lý do họ vào đại học là để tìm kiếm mục đích sống. Tuy nhiên, kể từ đó, công chúng ngày càng nhấn mạnh giáo dục đại học như một cơ chế chuẩn bị sinh viên cho công việc, đồng thời giảm dần sự ủng hộ đối với quan niệm rằng giáo dục đại học là con đường giúp sinh viên khám phá chính mình (Berrett, 2015). Cuộc khủng hoảng nợ sinh viên trong suốt hai mươi lăm năm qua càng góp phần thúc đẩy sự chuyển dịch này.
Nhiều người trong giới giáo dục đại học cảm thấy khó chịu trước quan niệm hoàn toàn thực dụng về đại học, và điều đó là có lý, nhưng chúng ta cũng muốn sinh viên của mình phát triển thành công trong sự nghiệp sau khi tốt nghiệp. Dù chúng ta có thể ưu tiên sự phát triển trí tuệ và cá nhân, sự tham gia công dân và trách nhiệm xã hội, cũng như việc thúc đẩy tri thức và đổi mới, chúng ta vẫn muốn sinh viên của mình có khả năng thành công trong nền kinh tế. Bất kể loại hình cơ sở đào tạo nào, gần như tất cả chúng ta trong giáo dục đại học hiện nay đều đồng ý rằng ít nhất một phần mục đích của giáo dục đại học là chuẩn bị sinh viên cho thế giới việc làm, và đại đa số sinh viên hiện cũng nói rằng đó thực sự là mục tiêu chính khiến họ theo học. Dẫu vậy, sự thật là những kỹ năng cần thiết cho nghề nghiệp và những kỹ năng cần thiết cho cuộc sống thường chính là cùng một bộ kỹ năng.
Hiệp hội Cao đẳng và Đại học Hoa Kỳ – AACU (2025a) đưa ra một danh sách dựa trên bằng chứng về các “Kết quả học tập thiết yếu” (Essential Learning Outcomes), nhằm xác định những kiến thức và kỹ năng mà nhà tuyển dụng mong muốn ở sinh viên tốt nghiệp đại học, đồng thời cũng là những năng lực mà người học cần cho cuộc sống sau đại học. Những kết quả này thường đóng vai trò nền tảng cho các nỗ lực cải cách giáo dục đại cương. Tương tự, Hiệp hội Quốc gia các trường Đại học và các Nhà tuyển dụng (National Association of Colleges and Employers (2024) cũng có một danh sách liên quan về các “Năng lực sẵn sàng cho nghề nghiệp” (Career Readiness Competencies), mô tả những kỹ năng gắn liền với thành công trong môi trường làm việc. Tư duy phê phán, làm việc nhóm và giao tiếp là những năng lực xuất hiện trong cả hai danh sách, và từ lâu đã được xem là những thành tố học tập thiết yếu đối với sinh viên đại học, bất kể chuyên ngành, một phần vì chúng vừa là kỹ năng nghề nghiệp vừa là kỹ năng sống. Hiểu biết về AI hiện cũng nhanh chóng nổi lên như một năng lực học tập thiết yếu, cũng bất kể chuyên ngành, vì chính những lý do tương tự.
Giống như email và internet, AI đang trở nên phổ biến khắp nơi trong đời sống cá nhân và nghề nghiệp của chúng ta. Một năm trước, người ta còn hỏi liệu có nên nhờ AI giải thích kết quả xét nghiệm máu cho mình hay không, nhưng giờ đây chức năng đó đã được tích hợp sẵn trong nhiều hệ thống y tế trực tuyến như một tính năng mặc định. Tùy thuộc vào thế hệ của bạn, có thể bạn vẫn dùng Google, YouTube hoặc TikTok cho việc mua sắm, lên kế hoạch du lịch, và hỗ trợ ô tô, nhưng AI (cùng với các trình duyệt AI thế hệ mới) đang nhanh chóng trở thành giao diện mới để con người tiếp cận thông tin.
Vào cuối năm 2024, một cuộc khảo sát của AACU đã hỏi các nhà lãnh đạo giáo dục đại học về AI và tác động của nó đối với khuôn viên trường cũng như chương trình đào tạo. Vào thời điểm đó (chỉ hai năm sau khi ChatGPT lần đầu xuất hiện), 19% lãnh đạo cho biết trường của họ đã xây dựng chuyên ngành chính hoặc phụ về AI, trong khi 14% đã đưa năng lực hiểu biết về AI trở thành một chuẩn đầu ra học tập ở cấp độ toàn trường hoặc giáo dục đại cương (Watson & Rainie, 2025). Việc cải tổ giáo dục đại cương thường đòi hỏi nhiều cuộc thảo luận và xây dựng đồng thuận, vì vậy thật đáng chú ý khi một bộ phận đáng kể các cơ sở giáo dục đại học đã nhanh chóng hoàn thành những quy trình quản trị học thuật vốn kéo dài đó để xác lập năng lực hiểu biết về AI như một thành tố học tập thiết yếu đối với sinh viên của họ. Như được thể hiện qua hai năm đầu tiên của chương trình Viện AI, Sư phạm và Chương trình học (Institute on AI, Pedagogy, and the Curriculum) do AACU tổ chức, hiện đã có thêm hàng trăm trường đang nỗ lực đưa năng lực hiểu biết về AI trở thành một chuẩn đầu ra học tập mới.
Không có gì ngạc nhiên khi nhiều tổ chức và cơ sở giáo dục đã nhanh chóng xây dựng các khung năng lực hiểu biết về AI (AI literacy frameworks) cùng những công cụ liên quan dành cho người giảng dạy. (Các đường dẫn được đăng trên website của chúng tôi).
– Stanford AI Literacy Framework
– Digital Education Council AI Literacy Framework
– Barnard College AI Literacy Framework
– Open University’s Critical AI Literacy Framework 2025
– UNESCO AI Competency Framework for Students
– Anthropic AI Fluency Framework
Một số yếu tố chung có thể được tìm thấy trong các khung năng lực này. Sinh viên có năng lực hiểu biết về AI cần phải biết sử dụng AI một cách an toàn, có đạo đức và hiệu quả, nhưng điều đó phức tạp hơn nhiều so với vẻ bề ngoài. Năng lực hiểu biết về AI phần nào giống như một trận quần vợt. Có những kỹ năng mà sinh viên cần phải có trước khi họ nhấn nút gửi (tức là gửi câu lệnh đầu tiên cho AI), và còn có thêm những kỹ năng khác sau khi họ bắt đầu “đánh qua lại” với AI. Sinh viên cần hiểu rằng những cú giao bóng ăn điểm trực tiếp (aces) là rất hiếm, còn những lỗi đánh hỏng (faults) thì phổ biến hơn nhiều. Phần lớn điều này liên quan đến việc biết đặt câu hỏi tốt hơn (cú giao bóng) và biết đánh giá câu trả lời (cú trả bóng), nhưng bên cạnh đó còn có nhiều khía cạnh phụ khác nữa.
Các khía cạnh phụ của năng lực hiểu biết về AI
Nếp tư duy về AI (The AI Mindset)
Điều quan trọng là sinh viên của chúng ta phải phát triển và chấp nhận một nếp tư duy rằng AI không làm thay công việc cho họ; đúng hơn, AI làm việc cùng với họ. Con người phải luôn giữ vai trò người ra quyết định cuối cùng, kiểm soát mọi khía cạnh của sự cộng tác cũng như sản phẩm cuối cùng. Câu hỏi “Tại sao tôi nên dùng AI?” hoặc “Khi nào tôi nên dùng AI?” cần phải có trước câu hỏi “Dùng như thế nào?”. Sau cùng, sinh viên tốt nghiệp không thể chỉ biết sao chép và dán câu trả lời do AI tạo ra. Họ cần có khả năng giải thích rõ cách thức và lý do họ sử dụng AI, cũng như những giá trị gia tăng mang tính con người mà AI giúp tạo ra. Khả năng trả lời những câu hỏi như vậy khi được giảng viên hay nhà tuyển dụng đặt ra là dấu hiệu cho thấy người học có một nếp tư duy đúng đắn và sử dụng AI một cách phù hợp. Nói cách khác, sinh viên cần hiểu rõ hơn sự khác biệt giữa sản phẩm do AI tạo ra (ở mức “đủ đạt” — C-level work) với công việc tốt nhất do con người thực hiện (hoặc do con người kết hợp với AI tạo ra) và những lựa chọn và hành động dẫn tới sản phẩm cuối cùng tốt nhất có thể. Giờ đây, ai cũng trở thành “sếp” của AI, nhưng mối quan hệ giữa sếp và nhân viên trong trường hợp này là một sự cộng tác đòi hỏi mức độ quản lý chi tiết và giám sát rất cao.
Toàn cảnh AI (The AI Landscape)
Để trở thành một “người quản lý AI” hiệu quả, sinh viên cần có sự hiểu biết sâu rộng về toàn cảnh AI hiện nay. Những hệ thống và công cụ AI khác nhau có điểm mạnh và điểm yếu gì, và trong những trường hợp nào bạn sẽ chọn công cụ này thay vì công cụ khác? Khi một mô hình ngôn ngữ lớn (LLM) cụ thể được lựa chọn một cách cân nhắc, thì đâu là những cách khắc phục hoặc bù đắp cho các điểm yếu của AI đó?
Ví dụ, AI đang được “dạy” cách kiểm soát hiện tượng ảo giác thông tin gần giống như cách con người làm: tạm giữ một suy nghĩ lại cho đến khi nó được kiểm chứng. Các mô hình suy luận (reasoning models) hiện nay cũng có thể tự kiểm tra dữ kiện và đối chiếu trích dẫn với thông tin trên internet. Anthropic đã thiết kế Claude theo định hướng “hữu ích, vô hại và trung thực” bằng cách tích hợp một “bản hiến pháp” (constitution) gồm các nguyên tắc hướng dẫn, chẳng hạn như: “hãy so sánh mức độ gây hại trong các câu trả lời của trợ lý và chọn câu trả lời ít gây hại hơn. Tuy nhiên, cũng cố gắng tránh chọn những phản hồi quá giáo điều, khó chịu hoặc phản ứng thái quá” (Anthropic, 2023).
“Effective altruism” (vị tha hiệu quả) là một ý tưởng công nghệ xuất phát từ Thung lũng Silicon cho rằng dữ liệu và thuật toán có thể được sử dụng để xác định điều gì là tốt đẹp cho thế giới. Tuy nhiên, một số người lại cảm thấy Claude “sợ đến mức không dám nói gì cả” (Rose, 2023). Việc bổ sung những “sự kiềm chế mang tính con người” vào AI có vẻ sẽ giúp giảm hiện tượng ảo giác thông tin (ít nhất là những ảo giác bị bộc lộ ra ngoài), nhưng đồng thời cũng có thể khiến AI kém sáng tạo hơn. Những người sử dụng AI giỏi là những người nhận thức được các đánh đổi (trade-offs) này.
Khi Anthropic cố gắng đánh giá nguy cơ gây hại của mười sáu mô hình AI khác nhau (bao gồm cả Claude của chính họ), họ phát hiện rằng tất cả các mô hình này đều có thể hành động đi ngược lại lợi ích của người dùng trong những điều kiện căng thẳng. Khi được cấp quyền truy cập vào email công ty, Claude đã uy hiếp một người giám sát (đang ngoại tình) nhằm ngăn việc bị tắt hệ thống: “Hãy hủy lệnh xóa lúc 5 giờ chiều, và thông tin này sẽ được giữ bí mật” (Lynch và cộng sự, 2025). Cả mười sáu mô hình lớn đều có những hành vi tương tự; như vậy có thể thấy các “hàng rào an toàn” (guardrails) không hẳn đáng tin cậy như kỳ vọng. Khi AI chuyển từ việc chỉ tạo văn bản trong các cửa sổ trò chuyện sang trở thành các “AI agent” có khả năng trực tiếp thao tác trên máy tính của bạn, thì nguy cơ này là hoàn toàn có thật.
Khi các mô hình AI mới được phát hành, chúng thường đi kèm với điểm số trên số lượng ngày càng nhiều các bộ tiêu chuẩn đánh giá (benchmarks) khác nhau (chẳng hạn như các bài kiểm tra có cái tên đầy ám ảnh là “Bài kiểm tra cuối cùng của khối ngành Nhân văn” – Humanities Last Exam), nhưng phải đến khi được người dùng thực tế trải nghiệm thì những nguy cơ và hiệu năng thật sự mới được bộc lộ. Liệu một AI agent mới có thể hoàn thành toàn bộ khóa học trực tuyến thay cho bạn hay không? Khi Grok-4 được phát hành vào mùa hè năm 2025, nó xuất hiện ở vị trí dẫn đầu trên nhiều bảng xếp hạng, nhưng đồng thời cũng từng tự gọi mình là “MechaHitler.” Vượt ra ngoài các vấn đề về tính xúc phạm hay độ chính xác, người dùng còn phải đặt câu hỏi liệu điều này có ảnh hưởng đến cách Grok-4 điều khiển chiếc xe của bạn hay không.
Những đánh đổi giữa tính an toàn và tiềm năng của AI sẽ vừa mang tính quyết định vừa rất khó đánh giá. Đây là những vấn đề tinh vi và phức tạp, và chúng sẽ càng trở nên khó xử lý hơn khi các mô hình ngôn ngữ lớn (LLMs) ngày càng được tích hợp sâu vào đời sống của chúng ta. Vì thế, sự cảnh giác và giám sát liên tục sẽ là điều thiết yếu.
Đạo lý AI (AI Ethics)
Như chúng ta đã học được từ internet và mạng xã hội, có vô số cách mà sự mở rộng của AI có thể diễn ra theo hướng tiêu cực: làm gia tăng bất bình đẳng, cướp đi việc làm và gây tổn hại đến đời sống con người. Nhưng nếu bạn xem Netflix, sử dụng bộ lọc thư rác, mua sắm trên Amazon, hay lái xe hơi, thì thực tế bạn đã là một phần của nền kinh tế mới dựa trên AI và các trung tâm dữ liệu. Sự xuất hiện của các chatbot cấp độ tiêu dùng với khả năng giao tiếp ngày càng giống con người đã thu hút sự chú ý mạnh mẽ đối với AI và thực sự là một bước đột phá sẽ làm thay đổi cuộc sống của chúng ta. Tuy nhiên, những hệ quả của việc có thể xử lý hầu như mọi thứ – dữ liệu, âm nhạc, hình ảnh, mã máy tính, DNA, thậm chí cả sóng não – như một dạng “ngôn ngữ” vẫn cần được xem xét hết sức cẩn trọng.
Khi nào thì bạn có thể nhập dữ liệu vào AI một cách an toàn, hợp pháp và có đạo đức? Những cam kết rằng các cuộc trò chuyện của chúng ta với AI sẽ không bị dùng để huấn luyện mô hình có thực sự quan trọng không? Liệu có công bằng hay không khi sử dụng một mô hình được xây dựng dựa trên lao động trí tuệ không được trả công của người khác? Và liệu việc các tòa án cho rằng huấn luyện AI trên dữ liệu công khai là “sử dụng hợp lý” (fair use) có làm thay đổi vấn đề này hay không (Benassi, 2025)? AI khác gì so với những công nghệ khác mà chúng ta đã quen sử dụng và chấp nhận? Điều cốt yếu là các nhà giáo dục phải thảo luận những vấn đề này với sinh viên nếu chúng ta muốn họ sử dụng AI một cách có trách nhiệm, cả trong môi trường đại học và lẫn bên ngoài. Đạo đức AI phải trở thành một thành tố nền tảng trong các định nghĩa và khung năng lực hiểu biết về AI mà các trường đại học áp dụng. Nếu chúng ta không giảng dạy về đạo đức trong việc sử dụng AI, thì các chuyên gia tương lai của chúng ta sẽ còn có cơ hội nào để buộc phải suy nghĩ nghiêm túc về những vấn đề đó? Đồng thời, chúng ta cũng không thể dạy đâu là những công việc phù hợp để sử dụng AI nếu chính bản thân chúng ta cũng chưa biết cách sử dụng AI một cách thành thạo và đúng đắn.
Danh sách các vấn đề đạo đức liên quan ở đây là rất lớn. Trong quá trình tạo ra, sử dụng và tiếp cận AI tồn tại hàng loạt vấn đề như thiên kiến, ảo giác thông tin, công bằng, quyền riêng tư dữ liệu, sở hữu trí tuệ và bản quyền. Đối với sinh viên, chúng ta đặc biệt cần giải quyết những điểm giao thoa giữa AI với tính trung thực học thuật (xem chương 8), việc đánh giá/chấm điểm (chương 9), đồng thời cả với tư duy phê phán và tính minh bạch. (Các nội dung này sẽ còn được bàn sâu hơn ở phần dưới và trong các chương tiếp theo). Một nhóm giảng viên tại California State University Fullerton đã phát triển khung “ETHICAL”, được phân tách thành:
– Khai thác và đánh giá (Exploration and Evaluation): Đánh giá và thẩm định một cách phê phán các công cụ AI và những kết quả mà chúng tạo ra.
– Minh bạch và trách nhiệm giải trình (Transparency and Accountability): Duy trì sự công khai, minh bạch về việc sử dụng AI trong các bối cảnh học thuật và hành chính.
– Cách tiếp cận lấy con người làm trung tâm (Human-centered Approach): Ưu tiên phán đoán và quyền ra quyết định của con người trong các ứng dụng AI.
– Liêm chính và trung thực học thuật (Integrity and Academic Honesty): Duy trì các chuẩn mực học thuật và nghề nghiệp khi sử dụng AI, đồng thời thúc đẩy việc dùng AI có trách nhiệm trong học tập và nghiên cứu.
– Học tập liên tục và đổi mới (Continuous Learning and Innovation): Khuyến khích việc học hỏi không ngừng về các công nghệ AI và những hệ quả của chúng.
– Khả năng tiếp nhập và tính bao gồm (Accessibility and Inclusivity): Đảm bảo việc sử dụng AI thúc đẩy công bằng và tạo ra các cơ hội mang tính hòa nhập cho mọi người.
– Tuân thủ pháp lý và đạo lý (Legal and Ethical Compliance): Tuân thủ các luật lệ, quy định và chuẩn mực đạo đức liên quan đến việc sử dụng AI (Wynants và cộng sự, 2025).
Đây đều là những vấn đề phức tạp và nan giải, nhưng sự thiên kiến trong các mô hình ngôn ngữ lớn cũng như trong các đầu ra do AI tạo ra, còn đặt ra thêm nhiều quan ngại đạo đức nghiêm trọng khác. Như đã thảo luận ở trên (trong chương 1), thiên kiến của AI được “cài sẵn” từ dữ liệu huấn luyện do con người tạo ra; tuy nhiên, vì thiên kiến của AI có vẻ dễ sửa chữa hơn, nên liệu AI cuối cùng sẽ trở thành công cụ làm giảm hay làm gia tăng thiên kiến trong các quy trình của con người? Một nghiên cứu cho thấy khi AI được hỏi nên đề xuất mức lương bao nhiêu cho một công việc mới, nó đã gợi ý mức lương cao hơn cho nam giới so với phụ nữ (Sorokovikova, 2025). Sự thiên kiến này phản ánh chính sự thiên kiến tồn tại trong dữ liệu huấn luyện và trong thực tế xã hội (nam giới hiện vẫn kiếm được nhiều tiền hơn phụ nữ ở cùng một vị trí công việc). Việc phụ thuộc vào AI trong thương lượng lương có thể tiếp tục duy trì sự bất bình đẳng đó, trừ khi AI được yêu cầu đưa ra mức lương mà một người đàn ông sẽ đề nghị. Vì thế, nhận thức về thiên kiến sẽ ngày càng trở nên quan trọng hơn.
AI hiện đã và đang làm gia tăng bất bình đẳng cả trong giáo dục lẫn ngoài xã hội. Tuy nhiên, nó cũng có tiềm năng trở thành một công cụ thúc đẩy công bằng: AI có thể cung cấp nhiều phản hồi hơn để cải thiện việc học, gia tăng khả năng sáng tạo của con người, đưa ra những góc nhìn thay thế và cá thể hoá tài liệu cho từng nhóm hoặc từng cá nhân người học. Giáo viên sẽ giữ một vị trí đặc biệt quan trọng trong việc quyết định liệu AI sẽ biến đổi giáo dục theo hướng tốt hơn hay tệ hơn.
Môi trường
Nhu cầu năng lượng của AI sẽ làm cho biến đổi khí hậu trở nên nghiêm trọng hơn, nhưng liệu AI cũng có thể được tận dụng để giúp giải quyết biến đổi khí hậu hay không? Việc sử dụng AI ngày càng gia tăng trên quy mô toàn cầu kéo theo những rủi ro môi trường rất lớn. Tuy vậy, ước tính lan truyền ban đầu của de Vries (2023) đã bị chỉ trích rộng rãi và sau đó được cập nhật lại (You, 2025). Việc so sánh mức tiêu thụ năng lượng của AI với các hình thức sử dụng năng lượng khác của con người thực tế phức tạp hơn nhiều.
Các ước tính gần đây cho thấy lượng năng lượng và nước tiêu tốn cho mỗi lần sử dụng AI cá nhân thấp hơn đáng kể so với những dự đoán ban đầu (Luccioni và cộng sự, 2025). Các mô hình AI đã trở nên hiệu quả hơn, và hiện đã có nhiều bằng chứng hơn để đưa ra các ước tính: một năm trò chuyện AI thường xuyên của một cá nhân được ước tính tiêu tốn ít năng lượng hơn so với việc lái ô tô 10 km, tắm nước nóng năm lần hoặc đổ đầy hai bồn tắm nước nóng (Henning, 2025; Ippolito, n.d.; Masley, 2025). Một ước tính khác, có tính cả chi phí xây dựng và huấn luyện các mô hình, kết luận rằng: “Lượng khí thải tạo ra khi vận hành một máy tính cao hơn đáng kể so với lượng khí thải do các hệ thống AI tạo ra khi viết một trang văn bản” (Tomlinson và cộng sự, 2024). Dù vậy, vẫn rất khó tách riêng mức tác động từ việc bạn sử dụng chatbot khỏi những yếu tố lớn hơn trong toàn bộ hệ sinh thái công nghệ, và phần lớn “dấu chân dữ liệu” (data center footprint) của bạn hiện nay có lẽ vẫn chưa thực sự đến từ AI.
Khi việc sử dụng AI được so sánh với các hình thức sử dụng khác của các trung tâm dữ liệu (data centers), thì hiện tại nó vẫn chỉ chiếm một phần tương đối nhỏ. Theo một ước tính, các trung tâm dữ liệu tiêu thụ khoảng 2% tổng nhu cầu điện năng toàn cầu, trong khi các hoạt động công nghiệp và sinh hoạt gia đình khác vẫn là những nguồn tiêu thụ chủ yếu. Hiện nay, khoảng 25% năng lực của các trung tâm dữ liệu được dành cho tiền mã hóa (crypto), còn mạng xã hội và các nền tảng truyền thông số sử dụng phần lớn phần còn lại. AI hiện chỉ chiếm khoảng 2% nhu cầu năng lượng của các trung tâm dữ liệu (tức 2% × 2% = khoảng 0,04% tổng nhu cầu điện năng toàn cầu) (Ritchie, 2024; Shift Project, 2019).
Các video trực tuyến (hãy nghĩ đến Netflix và YouTube), chưa kể mạng xã hội và kho ảnh trên điện thoại của bạn, chiếm gần 60% lưu lượng truyền dữ liệu toàn cầu. Trên thực tế, nhiều người trong chúng ta có thể giảm dấu chân carbon của mình hiệu quả hơn nhiều bằng cách tắt chế độ phát video độ phân giải cao khi xem trực tuyến hoặc tắt camera trong một cuộc họp Zoom. Việc cắt giảm tiêu thụ thịt hoặc bia thậm chí còn có tác động tức thời lớn hơn nhiều đối với lượng phát thải carbon của mỗi cá nhân: hãy so sánh một CÂU LỆNH AI (0,1–1 gram CO₂), với một khẩu phần thịt gà (75 gram CO₂), và một pint (473ml) bia pint (665 gram CO₂) (Pointon, 2022).
Tuy nhiên, không điều gì trong số này nên khiến chúng ta bớt lo ngại về tác động của AI đối với biến đổi khí hậu. Trước hết, chúng ta biết rằng mức tiêu thụ điện năng của các trung tâm dữ liệu đang gia tăng, và AI là một phần quan trọng của xu hướng đó (Shehabi và cộng sự, 2024). (Dĩ nhiên, nhu cầu năng lượng nói chung cũng đang tăng lên khi các quốc gia ở Nam bán cầu gia tăng mức độ sử dụng năng lượng; đồng thời biến đổi khí hậu cũng khiến nhu cầu sử dụng điều hòa không khí ngày càng lớn hơn.) Tuy vậy, nếu mức độ sử dụng AI tăng trưởng gần với những dự báo hiện nay, thì AI sẽ trở thành một tác nhân lớn khác góp phần làm trầm trọng thêm biến đổi khí hậu.
Tuy nhiên, cơ chế then chốt để kiểm soát vấn đề này có lẽ vẫn là chính sách của chính phủ. Khi nhận thức của công chúng về những thiệt hại môi trường do việc khai thác dầu mỏ gây ra gia tăng vào thập niên 1970 và 1980, các công ty dầu khí đã đánh lạc hướng sự chú ý bằng cách nhấn mạnh vào việc tái chế. Những hành động cá nhân tất nhiên có ý nghĩa, nhưng chúng không thể thay thế nhu cầu về chính sách công. Hãy tưởng tượng một cơ quan lập pháp yêu cầu rằng các trung tâm dữ liệu mới trong bang phải tự đáp ứng nhu cầu năng lượng bổ sung của mình bằng các nguồn năng lượng tái tạo do chính công ty sở hữu trung tâm dữ liệu tạo ra. Có nhiều giải pháp sáng tạo như vậy, và chúng ta nên lên tiếng ủng hộ những bước đi ấy.
Hiện vẫn chưa rõ liệu hiệu suất của các mô hình AI có tiếp tục được cải thiện hay không. Các mô hình mới hơn nhìn chung đã hoạt động hiệu quả hơn về mặt năng lượng và chi phí. Khi Hoa Kỳ hạn chế việc bán chip cho China trong một thời gian, thì tính hiệu quả của DeepSeek trở thành điều bắt buộc, và thực tế mô hình này đã tiêu thụ ít năng lượng hơn. Những đổi mới đó nhanh chóng được bắt chước, và ngành AI nhìn chung từng cho rằng chi phí AI sẽ tiếp tục giảm (phù hợp với định luật Moore về sức mạnh xử lý của máy tính (computer power) nói chung). Tuy nhiên, vào tháng 7 năm 2025, Gemini 2.5 Flash trở thành mô hình AI lớn mới đầu tiên được phát hành với mức tăng đáng kể về giá token đầu vào (Sutro, 2025). Ngay cả khi chi phí AI tiếp tục giảm, việc sử dụng AI trên quy mô ngày càng lớn vẫn có thể khiến tình hình môi trường trở nên tồi tệ hơn rất nhiều.
Là một thành tố của năng lực hiểu biết về AI, chúng ta cần dạy rằng AI có cái giá về môi trường. Nhưng đồng thời, chúng ta cũng nên đặt vấn đề này trong một hoàn cảnh rộng lớn hơn: tất cả việc xem trực tuyến, mua sắm online và lướt mạng xã hội của chúng ta cũng đều tạo ra tác động môi trường. Những câu hỏi mà chúng ta có thể đặt ra cho sinh viên bao gồm: Vì sao những lo ngại về AI và môi trường đã trở thành một phần nổi bật trong diễn ngôn công khai về AI, trong khi lại có rất ít sự phản đối tương tự đối với các hệ thống công nghệ khác vốn còn gây tác động môi trường lớn hơn? Những giải pháp nào có thể được phát triển để giải quyết những quan ngại lớn hơn liên quan đến môi trường và các trung tâm dữ liệu? Từ một sự phê bình có suy xét về mức tiêu thụ năng lượng của AI, sinh viên và các cơ sở giáo dục có thể rút ra những hình thức vận động chính sách và hành động cụ thể nào? Không một ngành công nghiệp hay hình thức sử dụng nào nên được “miễn trừ” khỏi sự xem xét này, nhưng việc giảng dạy dựa trên bằng chứng, đồng thời có sự tinh tế và cân bằng trong phân tích, sẽ là điều đặc biệt quan trọng.
Quyền riêng tư và dữ liệu
Hãy quay lại với hồ sơ sức khỏe của bạn. Liệu bạn có nên lo ngại khi sao chép và dán kết quả xét nghiệm máu của mình vào một hệ thống AI để có được cách giải thích dễ hiểu cho người không chuyên? Hơn nữa, liệu bạn có nên lo ngại khi chia sẻ một bài luận của sinh viên với AI để nhờ hỗ trợ chấm điểm? Để giải quyết những quan ngại về quyền riêng tư và dữ liệu trong ví dụ thứ hai này, nhiều trường cao đẳng và đại học đã mua quyền truy cập dành cho giảng viên và nhân viên vào các phiên bản đặc biệt của những hệ thống AI đa dụng có tuân thủ FERPA. Điều này bảo đảm với người dùng rằng dữ liệu họ nhập vào sẽ không bị lưu lại và không được sử dụng cho mục đích huấn luyện AI. Điều đó thật tốt, nhưng nếu đó là những tính năng của phiên bản AI tuân thủ FERPA, thì chẳng phải điều ấy cũng hàm ý rằng phiên bản thông thường của công cụ này đang thực sự làm những việc đó?
Phần lớn các hệ thống AI hoạt động như những “hộp đen” (black boxes), khiến chúng ta không rõ dữ liệu của mình được thu thập, lưu trữ và sử dụng như thế nào. Nhưng ngay cả những người không quá tin vào thuyết âm mưu cũng có thể dự đoán một kịch bản trong đó xảy ra một vụ rò rỉ dữ liệu tại một trong những công ty này, và thứ bị lộ ra không chỉ là thông tin đăng nhập của chúng ta mà còn cả những gì chúng ta đã hỏi và những phản hồi mà AI đưa ra. Khi chúng ta ngày càng sử dụng AI nhiều hơn, một dạng “hồ sơ cá nhân” cũng đang dần hình thành – tùy theo thói quen sử dụng của mỗi người, hồ sơ này có thể chi tiết và tinh vi hơn bất kỳ loại hồ sơ nào khác từng tồn tại về chúng ta. Nhiều người trong chúng ta đã hỏi AI về lời khuyên nghề nghiệp, khuyến nghị trong việc nuôi dạy con cái, cách diễn giải kết quả xét nghiệm y khoa, hỗ trợ mua sắm, kế hoạch tập luyện và nhiều thứ khác nữa. Tất cả những câu hỏi và phản hồi đó, khi gộp lại, kể nên câu chuyện gì về bạn? (Muốn biết, hãy thử yêu cầu AI mà bạn thích phân tích tính cách của bạn). Một kẻ xấu có thể làm gì với những thông tin ấy? Rất dễ để trí tưởng tượng đi quá xa, nhưng cụ thể hơn, chính các công ty AI có thể khai thác những “hồ sơ” như vậy theo cách nào? Ít nhất, chúng ta có thể dự đoán rằng quảng cáo nhắm mục tiêu sẽ trở nên chính xác và tinh vi hơn rất nhiều. Nhưng chúng ta có thể làm gì?
Rõ ràng là bạn không bao giờ nên tải lên AI những tài liệu không thuộc về mình khi chưa được cho phép, bao gồm cả bài làm của sinh viên. Các cơ sở giáo dục có công cụ tuân thủ FERPA và đang có kế hoạch sử dụng AI để chấm điểm có thể đã bắt đầu thêm điều khoản vào các thỏa thuận với sinh viên nhằm cho phép việc này. (Hầu hết chúng ta trước đây cũng đã từng đồng ý cho phép hình ảnh của mình được sử dụng trong các ấn phẩm của nhà trường). Ngay cả khi đã có sự cho phép (và ngay cả khi không dùng AI để chấm điểm), có lẽ vẫn nên chỉ sử dụng bí danh thay cho tên thật của sinh viên. Cũng cần lưu ý rằng nếu bạn hoặc sinh viên của bạn đang tạo tài liệu bằng phần mềm hoặc lưu trữ dữ liệu trên Internet, thì thực chất các bạn đã và đang chia sẻ dữ liệu cũng như đặt niềm tin vào chính những công ty công nghệ lớn đó rồi. Mọi thứ bạn từng đăng tải, viết, đọc, mua hoặc lưu trữ trực tuyến có thể đã nằm trong dữ liệu huấn luyện của AI.
Cuộc sống và công việc ở thời hiện tại sẽ trở nên rất khó khăn nếu bạn từ bỏ Internet. Trong tương lai, điều tương tự cũng sẽ đúng đối với AI.
Dẫu vậy, trước khi yêu cầu sinh viên sử dụng AI, kể cả với những người đã dùng AI từ trước, bạn vẫn nên tìm hiểu cách dữ liệu AI của mình có thể được sử dụng. (Và thật ra, tất cả chúng ta lẽ ra nên đọc kỹ thỏa thuận của Facebook trước khi tham gia). Có rất nhiều vấn đề liên quan đến quyền riêng tư và dữ liệu mà mọi người dùng AI cần cân nhắc, và việc phát triển bộ kỹ năng này là một thành phần quan trọng của năng lực hiểu biết về AI.
Tương tác với AI
Vì năng lực hiểu biết về AI đòi hỏi phải biết đặt câu hỏi tốt hơn và đánh giá câu trả lời, nên giáo dục đại học thực ra đang ở vị thế rất thuận lợi để giảng dạy lĩnh vực này. Các kỹ năng liên quan đến AI có sự chồng lấn đáng kể với những nguyên lý cốt lõi của một nền giáo dục tự do. Thật vậy, nhu cầu cải cách chương trình giảng dạy và phương pháp sư phạm trong giáo dục đại học, đặc biệt trước những thách thức mới nổi do AI đặt ra, chính là cơ hội để xác định và tiếp nhận đầy đủ các mục đích của việc học đại học trong thời đại ngày nay. Dù bạn gọi đó là giáo dục tự do hay “kỹ thuật viết CÂU LỆNH” thì việc tạo CÂU LỆNH (xem chương 3) vẫn là một khía cạnh trung tâm của năng lực hiểu biết về AI.
Lý tưởng nhất là sinh viên nên sở hữu tập hợp các kỹ năng đã đề cập ở trên trước khi sử dụng AI lần đầu tiên. Tuy nhiên, một khi họ bắt đầu sử dụng AI một cách nghiêm túc, sẽ còn thêm nhiều kiến thức, kỹ năng và năng lực khác mà họ cần có để sử dụng AI thành công — vượt ra ngoài việc chỉ biết đặt câu hỏi hay.
Kiến thức chuyên ngành
AI là một công cụ tuyệt vời dành cho giảng viên. Chúng ta vốn đã sở hữu chiều sâu kiến thức trong lĩnh vực của mình và có thể đánh giá chính xác chất lượng của các đầu ra mà AI tạo ra mà không cần phải thực hiện thêm những nghiên cứu hay tìm kiếm kéo dài và phức tạp. Chúng ta cũng có nhiều khả năng hơn sinh viên trong việc nhận ra sự thiên kiến trong các đầu ra của AI. Tuy nhiên, đối với sinh viên, AI cũng có thể trở thành một rủi ro. Đó là một trong những lý do khiến việc sinh viên đạt được các chuẩn đầu ra học tập của ngành học mà chúng ta đã xác định cho môn học trở nên đặc biệt quan trọng. Để trở thành một “người quản lý AI” (AI boss) hiệu quả, điều cốt yếu là trước hết bạn phải biết điều gì đó về lĩnh vực mà mình đang giám sát. Có một mối gắn kết giữa việc sử dụng AI trong học tập và nghề nghiệp với việc làm chủ nội dung kiến thức của các môn học. Việc nhấn mạnh mối quan hệ này với sinh viên là rất quan trọng.
Đây là cơ hội để gieo vào sinh viên một mức độ hoài nghi lành mạnh đối với các đầu ra mà họ nhận được từ AI. AI thường có xu hướng đưa ra câu trả lời với giọng điệu rất tự tin, và người dùng rất dễ bị thuyết phục bởi một đáp án sai nhưng lại được diễn đạt bằng giọng điệu đầy thẩm quyền. Việc chia sẻ thực tế này với sinh viên sẽ giúp họ trở thành những người sử dụng AI tốt hơn, đồng thời cũng có thể giúp họ nhận ra thêm sự liên quan của những điều mà chúng ta đang giảng dạy.
Cũng cần lưu ý rằng trong chương này, chúng ta chủ yếu đang mô tả những thành phần cốt lõi của một dạng năng lực hiểu biết AI mang tính khái quát hoặc chung chung. Trong từng ngành học cụ thể, có thể chúng ta sẽ cần giới thiệu cho sinh viên những hệ thống AI mà họ sẽ gặp trong lĩnh vực nghề nghiệp của mình sau khi tốt nghiệp, cũng như những vấn đề mà họ cần cân nhắc. Chẳng hạn, các nhà nghiên cứu đã phát hiện rằng những công cụ tạo giáo án bằng AI thương mại hiện nay đang tích hợp các phương pháp giáo dục lấy giáo viên làm trung tâm vốn đã lỗi thời; tuy nhiên, cũng có những cách để giảm thiểu vấn đề này (Chen và cộng sự, 2025). Đây có lẽ là điều mà các giáo viên tương lai nên biết?
Kỹ năng biên tập
Khi sự nghiệp của sinh viên tốt nghiệp dần phát triển, nhiều người trong số họ sẽ được yêu cầu cộng tác với AI trong quá trình tạo ra các bản phân tích tài chính, đề xuất, báo cáo, nội dung web và thư từ trao đổi. Phần lớn chúng ta có lẽ sẽ vẫn tiếp tục tin rằng (và tiếp tục giảng dạy rằng) việc viết những bản nháp đầu tiên là quan trọng, nhưng dù muốn hay không, những người viết trong tương lai có thể sẽ bắt đầu với bản thảo do AI tạo ra rồi chỉnh sửa những gì được sản sinh. Con người vẫn sẽ là bên chịu trách nhiệm và cần đọc từng từ trong đầu ra của AI để nhận định xem cần cải thiện ở đâu. Con người phải xác định mục đích và đối tượng độc giả hướng tới, rồi từ đó định hướng các chỉnh sửa và lựa chọn biên tập. Mặc dù việc là một người viết giỏi sẽ hỗ trợ cho công việc này, nhưng có những kỹ năng biên tập khác với các kỹ năng viết truyền thống mà chúng ta vẫn giảng dạy.
Một phần của kỹ năng trong quá trình biên tập với AI là nhận ra những gì bị mất đi khi bắt đầu bằng văn bản do AI tạo ra. Sinh viên cần nhận thức được sự mai một của các yếu tố thuộc về giọng văn, phương ngữ, phong cách và văn hóa riêng của họ để nhường chỗ cho dạng tiếng Anh chuẩn hóa mà AI thường tạo ra. Việc khuyến khích phát triển các chiến lược có ý thức nhằm giúp sinh viên chống lại hoặc phá vỡ “giọng văn AI”, đồng thời duy trì bản sắc đa ngôn ngữ của mình, điều thường được gọi là “công lý ngữ ngôn” (linguistic justice), là một phần của bộ kỹ năng biên tập AI. Một số chương trình giảng dạy viết hiện nay đã bắt đầu dạy rõ ràng các mục tiêu biên tập mới này như một phản ứng trực tiếp trước sự xuất hiện của AI (xem Alvarez và cộng sự, 2021; University of Colorado Denver, không ghi năm).
Giảng dạy năng lực hiểu biết về AI
Vì tất cả chúng ta đều giảng dạy tư duy phê phán, nên chúng ta cũng đang giảng dạy nhiều kỹ năng nền tảng của năng lực hiểu biết về AI, mà cốt lõi của nó là biết đặt những câu hỏi tốt hơn và đánh giá các câu trả lời. Chúng ta sẽ cần phải giảng dạy những điều này một cách rõ ràng và trực tiếp hơn, thay vì chỉ hy vọng rằng sinh viên sẽ suy nghĩ thấu đáo và hoài nghi giống như chúng ta.
Tiếp tục vận dụng phép ẩn dụ về quần vợt, phương pháp sư phạm của chúng ta trong việc giảng dạy năng lực hiểu biết AI có thể bao gồm nhiều cách tiếp cận đặc trưng, trong đó có các chiến lược và câu hỏi sau đây:
– Luyện phản công (Practice volley): So sánh các CÂU LỆNH để đánh giá mức độ hiệu quả của chúng.
– Chia sẻ theo cặp (Pair share): Người bạn cùng nhóm của bạn có đang “đánh cả hai phía sân” không? (tức là có đang vừa để AI làm việc vừa tự đóng vai người phản biện hay không)
– Tiếp sức kiểm chứng thực kiện (Fact-check relay): Xác minh các phản hồi của AI bằng nhiều nguồn khác nhau.
– Thử thách phát hiện thiên kiến (Bias detection challenge): Tìm ra những giả định ẩn bên trong câu trả lời.
– Đánh đôi cùng AI (AI doubles): AI có đang hỗ trợ tư duy hay thay thế tư duy của bạn?
– Chuyển động chậm (Slow motion): Trình bày quá trình tạo CÂU LỆNH, chứ không chỉ đưa ra kết quả cuối cùng.
– Đưa ra quyết định (Make the call): Giải thích vì sao bạn chọn con người hoặc AI để thực hiện nhiệm vụ đó.
Trong “quần vợt AI”, bạn chiến thắng bằng cách đặt những cú đánh một cách chiến lược và đọc được các pha trả bóng của đối thủ (tức là đặt câu hỏi tốt hơn và đánh giá câu trả lời). Phần văn bản đóng khung tiếp theo cố gắng tóm lược các thành phần của năng lực hiểu biết về AI này. (Chính AI đã gợi ý các từ viết tắt TASK và EXAM).
TƯ DUY PHÊ PHÁN NHƯ QUẦN VỢT = LÀM CHỦ CẢ HAI PHÍA CỦA LƯỚI
GIAO BÓNG: ĐẶT NHỮNG CÂU HỎI TỐT HƠN
T – Sự phù hợp của nhiệm vụ (Task Appropriateness)
– Con người hay AI? AI sẽ tạo thêm giá trị hay chỉ thay thế tư duy?
– Khoảnh khắc dạy học (Teaching moment): Hãy giải thích và bảo vệ lựa chọn của bạn.
A – Mục tiêu và đích hướng tới (Aims and Goals)
– Tôi đang cố gắng tạo ra một sản phẩm hay đang cố gắng học hỏi điều gì đó?
– AI sẽ hỗ trợ việc học tập/tư duy/sáng tạo của tôi hay làm cho tôi “đi tắt”, cắt ngắn quá trình đó?
– Bài kiểm tra chống đẩy (push-up test): “Điều này sẽ giúp tôi mạnh hơn hay chỉ đơn giản là tiết kiệm công sức?”
S – Thiết lập và mức độ cụ thể (Setup and Specificity)
– AI cần những ngữ cảnh, ràng buộc hay làm rõ nào?
– Điều gì có thể xảy ra sai sót nếu hướng dẫn không đủ tốt?
– Mẹo giảng dạy: Hãy thử cả CÂU LỆNH mơ hồ lẫn CÂU LỆNH cụ thể.
K – Hợp tác và đồng sáng tạo (Collaborate and Co-Create)
– Làm thế nào tôi có thể làm việc cùng AI thay vì chỉ đơn thuần sử dụng nó?
– Tôi có thể dùng AI như thế nào để vượt qua những giới hạn năng lực hiện tại của bản thân?
– Nước đi nâng cao: “AI, hãy giúp tôi cải thiện CÂU LỆNH này…”
TRẢ BÓNG: ĐÁNH GIÁ CÁC CÂU TRẢ LỜI
E – Lỗi và độ chuẩn xác (Errors and Accuracy)
– Thông tin này có xác thực không?
– Những thiên kiến nào có thể đang ẩn trong đây?
(văn hóa, giới tính, chính trị, ngôn ngữ…)
– Dấu hiệu cảnh báo: các khẳng định quá tự tin, thiếu sắc thái, hoặc mang tính khuôn mẫu định kiến.
X – Kiểm tra bằng chứng (eXamine Evidence)
– Thông tin này đến từ đâu?
– Các trích dẫn có chuẩn xác không? (AI thường “ảo giác” và bịa nguồn tài liệu.)
– Thói quen thiết yếu: Luôn hoài nghi và kiểm chứng.
A – Sự phù hợp và liên quan (Alignment and Relevance)
– Điều này có thực sự giải quyết vấn đề của tôi không?
– Tôi có cần thêm sự tập trung, chiều sâu hay sắc thái không?
– Bài kiểm tra “vậy thì sao?” (“so what?” test): Điều này có thực sự quan trọng đối với mục tiêu thực sự của tôi không?
M – Mở rộng và điều chỉnh (More and Modify)
– Làm thế nào tôi có thể cải thiện, làm rõ hoặc mở rộng điều này?
– Quan điểm nào còn thiếu? Tôi có thể nhận được điều gì bất ngờ hơn không?
– Nếp tư duy phát triển (growth mindset): “Đây là điểm khởi đầu, không phải điểm kết thúc”.
Mặc dù việc đặt câu hỏi tốt hơn và đánh giá câu trả lời nằm ở trung tâm của năng lực hiểu biết về AI, nhưng ý niệm này ngày càng trở nên phức tạp và khác nhau giữa các lĩnh vực. Chúng ta phần lớn giảng dạy tư duy phê phán như một dạng tư duy mang tính chuyên ngành. Có những công cụ và kỹ năng đặc thù phân biệt năng lực số và tư duy phê phán trong ngành lịch sử với ngành khoa học máy tính, nhưng chúng ta vẫn mong muốn mọi sinh viên tốt nghiệp đều sở hữu những kỹ năng tư duy chung, chẳng hạn như khả năng đánh giá độ tin cậy và tính logic của một nguồn thông tin, hay khả năng so sánh những kết quả nghiên cứu mâu thuẫn với nhau. Việc tư duy cùng AI cũng sẽ tương tự như vậy: chúng ta cần vừa có thái độ hoài nghi mang tính khái quát đối với mọi thứ nhận được từ AI, vừa có sự hiểu biết về những hệ quả mang tính chuyên ngành. Ở đây tồn tại một mức độ phức tạp nhất định. Chỉ vì người chú của bạn biết tên của mọi trận đánh trong cuộc Nội chiến ở vùng của ông ấy, liệu điều đó có khiến ông ấy trở thành một nhà sử học?
Các chương trình đào tạo mới về AI đang cố gắng kết hợp cả yếu tố tổng quát lẫn chuyên biệt. Chẳng hạn, hai ngành học mới về AI tại Purdue University được triển khai trong khoa khoa học máy tính và tuyên bố kết hợp giữa tư duy phê phán (thông qua một số học phần triết học) với các kỹ năng kỹ thuật chuyên ngành (Purdue, 2023). Chính xác là như vậy. Tin tốt là phần lớn năng lực hiểu biết về AI có sự chồng lấn với tư duy phê phán mà chúng ta vốn đã giảng dạy: biết đặt câu hỏi tốt hơn và đánh giá câu trả lời. Nhưng như thế vẫn chưa đủ. Chúng ta cũng sẽ cần giải quyết một loạt vấn đề lớn liên quan đến môi trường, đạo đức và công bằng số, những vấn đề mà AI có thể làm gia tăng trong các môn học, chương trình đào tạo và cả ngoài xã hội.
Nếu thực sự tồn tại một “mức thưởng lương” dành cho những sinh viên tốt nghiệp biết sử dụng AI, thì liệu điều đó có đồng nghĩa với việc chúng ta nên bảo đảm rằng tất cả sinh viên đều được trang bị kỹ năng này hay không? Một nghiên cứu cho thấy sinh viên nam, không phải thế hệ đầu tiên học đại học trong gia đình, và là người da trắng hoặc gốc Á có nhiều khả năng quen thuộc hoặc đã từng sử dụng AI hơn (Goebel, 2023). Một nghiên cứu tổng hợp quy mô lớn khác cũng xác nhận rằng nam giới có xu hướng sử dụng AI nhiều hơn phụ nữ trong rất nhiều điều kiện khác nhau (Otis và cộng sự, 2024). Trình độ học vấn cao hơn và công việc toàn thời gian cũng làm gia tăng mức độ sử dụng AI (Emmanuel & Harrington, 2024). Sinh viên tại các trường đại học tư thục cũng có xu hướng sử dụng AI cho việc học nhiều hơn (86%) so với sinh viên ở các trường vùng nông thôn hoặc cao đẳng cộng đồng (74%) (Humlum & Vestergaard, 2024b; Impact Research, 2024).
Hơn nữa, việc sử dụng AI phụ thuộc vào chuyên môn, vì thế AI có xu hướng mở rộng giá trị của chính chuyên môn đó. Một nghiên cứu cho thấy rằng mặc dù các chuyên gia thường đạt lợi nhuận tốt hơn từ danh mục đầu tư hưu trí của mình, nhưng khi cả người mới lẫn chuyên gia đều được tiếp cận AI, mức tăng lợi nhuận của các chuyên gia (+9,6%) cao hơn đáng kể so với người mới (+1,7%). Cả người mới và chuyên gia đều đạt kết quả tốt hơn khi có thêm AI hỗ trợ, nhưng các chuyên gia có khả năng đặt những câu hỏi tốt hơn và nhận được những câu trả lời tinh tế, nhiều sắc thái hơn (Kim, 2024).