Vượt qua Chu kỳ: Làm thế nào các Tổ chức có thể Tránh Doomprompting và Đạt được Thành công

Kể từ khi khái niệm lý thuyết vào những năm 1950, trí tuệ nhân tạo (AI) đã mở ra con đường cho các doanh nghiệp trải nghiệm những cơ hội và năng suất được cải thiện thông qua các kỹ thuật khác nhau, đặc biệt là hệ thống học máy. Những công cụ/công nghệ này đã cải thiện việc dự đoán và ra quyết định, tạo nền tảng cho các tiến bộ kỹ thuật trong tương lai. Trong những thời gian gần đây, Trí tuệ nhân tạo Generative đã hứa hẹn sẽ thay đổi mọi thứ chúng ta biết về công việc và đã dân chủ hóa trải nghiệm AI. Người dùng hiện đang tương tác với các mô hình AI như ChatGPT, thông qua “prompting”, nơi người dùng tương tác ngược lại với mô hình AI. Tuy nhiên, những lợi ích này cũng đi kèm với một thách thức mới: Doomprompting. Điều này tương đương với việc cuộn xuống nội dung trực tuyến mà không có mục tiêu cụ thể, khiến người dùng bị mắc kẹt trong các lỗ thỏ. Với AI, tuy nhiên, lỗ thỏ có thể phản hồi lại. Hành động liên tục tinh chỉnh lời nhắc AI cho cả mô hình generative và agentic, được thúc đẩy bởi tham vọng đạt được đầu ra hoàn hảo (và đôi khi bằng cách đưa ra lời nhắc mà không có mục tiêu cụ thể nào trong tâm trí), dẫn đến chi phí tăng cao và lợi nhuận giảm. Điều này tạo ra một chướng ngại vật lớn đối với thành công và làm thất bại mục đích sử dụng công nghệ AI itself.

Khi các doanh nghiệp tăng ngân sách liên quan đến AI, những người ra quyết định cần hiểu con đường dẫn đến lợi nhuận thực sự từ đầu tư của họ và giá trị mà nó tạo ra. Một báo cáo năm 2025 của IEEE, ‘The Hidden Costs of AI: How Small Inefficiencies Stack Up, chứng minh cách các điều chỉnh nhỏ có thể tích lũy thành gánh nặng kinh tế đáng kể. Để tránh trở thành một phần của cuộc đấu tranh tốn kém này, các tổ chức phải tinh chỉnh việc đào tạo nhân viên của họ khi sử dụng LLMs để đạt được toàn bộ tiềm năng của đầu tư AI của họ.

Trí tuệ nhân tạo Generative mang lại lời hứa về tối ưu hóa và hiệu quả. Tuy nhiên, khi các đội bị mắc kẹt trong chu kỳ tinh chỉnh không ngừng (hoặc đi lang thang mà không có radar), sự kém hiệu quả sẽ làm suy yếu nền tảng này.

Làm sạch “Workslop”

Một trong những lý do các đội liên tục tinh chỉnh đầu ra để tạo ra phản hồi hoàn hảo là workslop. Đầu tiên được mô tả trong Harvard Business Review, workslop bao gồm ‘nội dung công việc được tạo ra bởi AI mà ngụy trang như một công việc tốt nhưng thiếu chất lượng để tiến bộ có ý nghĩa cho một nhiệm vụ nhất định.’

Nội dung ‘slop’ này do AI tạo ra là domino đầu tiên trong một chuỗi dài tạo ra chu kỳ doomprompting. Trong khi việc sửa đổi nội dung dưới mức thông qua các lần lặp hoặc chỉnh sửa là quan trọng, cần phải hiểu khi nào nên dừng lại, trước khi nó trở thành sự suy giảm lợi nhuận. Các tổ chức phải tiếp cận đầu tư thời gian của họ vào đào tạo AI với sự cân bằng tinh tế. Ở một bên, các đội nên nhận thức được chất lượng cần thiết; ở bên kia, họ nên biết khi nào nó quá nhiều. Việc đào tạo nhân viên trong việc sử dụng thông minh các mô hình AI thông qua lời nhắc tối ưu và mục tiêu rõ ràng cũng sẽ rất hữu ích.

Sử dụng Trí tuệ nhân tạo Agentic để Tránh Doomprompting

Trong những năm gần đây, các doanh nghiệp đã tăng đáng kể sự quan tâm và đầu tư vào trí tuệ nhân tạo agentic, được công nhận vì khả năng cải thiện hiệu quả hoạt động. Trí tuệ nhân tạo Agentic có thể thực hiện các nhiệm vụ phức tạp, điều phối với nhiều tác nhân (bao gồm RAG và tác nhân hành động) để quyết định hành động và thực hiện các nhiệm vụ để hoàn thành nhiệm vụ tổng thể một cách tự động.

Những đặc điểm này có thể giúp AI giảm thiểu doomprompting, hoặc tránh nó hoàn toàn. Điều này có thể loại bỏ nhu cầu hướng dẫn giao diện GenAI thông qua nhiều lời nhắc để hoàn thành nhiệm vụ. Một ví dụ về điều này có thể được tìm thấy trong các hoạt động CNTT được AI hỗ trợ, hoặc AIOps, đang hiện đại hóa CNTT bằng cách tích hợp AI vào các nhiệm vụ hàng ngày. Truyền thống, các đội đã dành thời gian để điều chỉnh hệ thống thủ công. Các bộ phận thế kỷ 21 là những bộ phận tận dụng AI để xử lý tự động các chức năng quan trọng như giải quyết vấn đề, phản hồi sự cố và phân bổ tài nguyên.

Một ví dụ phù hợp khác là cách các hệ thống trí tuệ nhân tạo agentic có thể xử lý một sự cố phức tạp một cách tự động. Những tác nhân này, cùng với ITOps, có khả năng hiểu ngữ cảnh của vấn đề, điều phối với các tác nhân suy luận để quyết định hành động, sử dụng các tác nhân hành động để thực hiện các sửa chữa cuối cùng trên hệ thống CNTT và cuối cùng, sử dụng các tác nhân học hỏi để hiểu việc giải quyết và áp dụng nó hiệu quả hơn trong các sự cố trong tương lai.

Tự động hóa thông minh của Trí tuệ nhân tạo Agentic giúp giảm tương tác của con người và thực hiện các nhiệm vụ tự động. Để đáp ứng nhu cầu kinh doanh đang phát triển, các nhiệm vụ và hoạt động lặp đi lặp lại nên được chuyển giao cho AI tự động. Việc ủy quyền này loại bỏ chu kỳ nhắc lại và tinh chỉnh lặp đi lặp lại thường xuyên thúc đẩy doomprompting. Các hoạt động tự động cho phép các mô hình AI liên tục tối ưu hóa và phản hồi với các biến đổi mà không cần đầu vào thủ công, dẫn đến kết quả nhanh hơn với sự can thiệp của con người tối thiểu.

Trong khi các chuyên gia được đào tạo sẽ vẫn đóng vai trò quan trọng trong hoạt động hàng ngày thông qua phương pháp con người trong vòng lặp, thời gian của họ sẽ được sử dụng tốt hơn trong việc kiểm tra xác minh kết quả. Phương pháp này tối thiểu hóa rủi ro khi giới thiệu lỗi hoặc điều chỉnh quá mức.

Vai trò của Quản lý trong Việc Ngăn chặn Doomprompting

Trong một khảo sát McKinsey gần đây, 88% người được hỏi báo cáo đã tận dụng AI trong ít nhất một chức năng kinh doanh. Đây là một bước nhảy vọt 10% từ năm 2024 và tăng 33% kể từ năm 2023. Đối với Trí tuệ nhân tạo Agentic, bước nhảy vọt này thậm chí còn sâu sắc hơn. Từ chỉ 33% vào năm 2023 đến gần 80% vào năm 2025.

Sự áp dụng rộng rãi này đang thúc đẩy các doanh nghiệp tìm ra các giải pháp mới để chống lại doomprompting. Một công cụ như vậy là các khuôn khổ quản lý mạnh mẽ. Những khuôn khổ này nên được thiết kế cẩn thận để đảm bảo các dự án AI vẫn phù hợp với các mục tiêu kinh doanh và không bị sa vào vũ điệu tối ưu hóa không ngừng. Khi các đội phát triển những khuôn khổ này, họ nên xem xét:

• Thiết lập Hướng dẫn: Các luồng dữ liệu đến và đi từ các mô hình AI đang trở nên ngày càng phức tạp. Để đơn giản hóa điều này, các hướng dẫn AI nên tạo ra một khuôn khổ cho các đội để xử lý dữ liệu, đưa ra quyết định và quản lý đầu ra AI một cách có trách nhiệm.
• Đào tạo Người dùng: Đào tạo đúng cách về việc sử dụng lời nhắc có thể giúp đạt được năng suất tối ưu
• Sử dụng Mô hình Chuyên dụng: Các mô hình AI chuyên ngành và mục đích cụ thể có khả năng cung cấp đầu ra có ý nghĩa và ngữ cảnh nhanh hơn
• Đào tạo Mô hình AI: Đào tạo các mô hình AI với dữ liệu cụ thể cho ngành công nghiệp/nhiệm vụ/tổ chức (bất cứ khi nào có thể) có thể dẫn đến ít workslop và đầu ra phù hợp hơn nhanh chóng.
• Phát triển Quy tắc: Soạn thảo và thực hiện một tập hợp quy tắc rõ ràng là điều cần thiết để hướng dẫn sự phát triển và triển khai AI. Khi các đội thiết lập ranh giới hoạt động, họ đảm bảo rằng các hệ thống được áp dụng phù hợp với mục tiêu tổ chức, tiêu chuẩn đạo đức và yêu cầu quy định.

Trong khi tốc độ áp dụng các giải pháp AI đang tăng, quản lý thì không. Theo Báo cáo PEX Industry 2025, ít hơn một nửa có chính sách quản lý AI. Trong khi chỉ 25% đang trong quá trình triển khai, và gần một-third không có chính sách quản lý AI nào. Những khuôn khổ này có thể là yếu tố quyết định giúp các doanh nghiệp thiết lập ranh giới rõ ràng về hiệu suất chấp nhận được.

Thoát khỏi Vòng lặp Doomprompting

Để tránh rơi vào chu kỳ doomprompting, các doanh nghiệp phải chấp nhận các chiến lược AI ưu tiên kết quả hơn sự hoàn hảo. Sử dụng đào tạo lời nhắc, mô hình AI chuyên dụng và mô hình được đào tạo trên dữ liệu ngữ cảnh doanh nghiệp có thể giảm nhu cầu tinh chỉnh lời nhắc rộng rãi. Các doanh nghiệp tận dụng trí tuệ nhân tạo agentic, hoạt động CNTT tự động và các khuôn khổ quản lý mạnh mẽ có thể tái phân bổ các nguồn lực quan trọng để đạt được mục tiêu kinh doanh của họ mà không bị kẹt trong các chu kỳ tối ưu hóa không ngừng. Thành công sẽ đến khi các đội thay đổi tâm lý của họ từ việc tinh chỉnh liên tục sang việc thực hiện tập trung và kết quả đo lường được.