Nói thật là có một lần mình suýt “đào mộ” chính mình khi gửi báo cáo cho sếp với một con số thống kê… hoàn toàn bịa. AI nó tự tin ghê gớm. Kiểu: “Theo nghiên cứu của Harvard năm 2023, 87% doanh nghiệp đã…” – nghe ngầu và chuẩn chỉnh không ai bằng. Mình tin bét, copy nguyên văn vào báo cáo. May mà trước khi nhấn gửi, mình có thói quen kiểm tra lại trên Google. Kết quả? Cả nghiên cứu, cả con số, đến cả cái mác “Harvard” nữa đều là AI “tưởng tượng” ra. Chết dở, suýt nữa là mất mặt với sếp. Từ vụ đó, mình mới chính thức tìm hiểu sâu về “AI hallucination” – hay nói nôm na là AI bị ảo giác, nói khoác lác mà vẫn rất đỗi tự tin.
Tại sao AI cứ bịa đặt thế nhỉ?
À thì, thật ra AI không “biết” gì như con người đâu. Nó chỉ đang đoán từ tiếp theo sao cho nghe có vẻ hợp lý nhất thôi. Kiểu như bạn chơi trò nối từ vậy – cứ nối sao cho mượt tai là được, đúng sai thì tính sau. Mình nhận thấy AI hay “phóng đại” nhất khi:
- Hỏi tin tức thời sự (vì dữ liệu huấn luyện của nó thường có độ trễ)
- Đòi số liệu chính xác (ngày tháng, tỷ lệ phần trăm, con số thống kê)
- Hỏi về người Việt hoặc doanh nghiệp Việt (dữ liệu tiếng Việt còn ít, nó phải đoán mò)
- Ép nó phải trả lời, không cho phép nó nói “tôi không rõ”
Mình từng thử hỏi ChatGPT về doanh thu của một startup Việt, nó trả lời với con số chi tiết đến tận hai chữ số thập phân. Tự tin như thật ấy chứ. Sau mình chịu khó kiểm tra lại thì mới biết công ty ấy còn chưa từng công bố báo cáo tài chính bao giờ.
Cách 1: Cho phép AI nói “Tôi không biết”
Đây là mẹo đơn giản nhưng lại “chạm đúng nóc” về hiệu quả. Theo tài liệu từ Claude, chỉ cần thêm một câu ngắn gọn vào prompt là tình trạng AI “bịa” đã giảm đáng kể rồi. Mình thường dùng câu này:
Nếu không chắc chắn, cứ nói thẳng là không biết nhé.
Mình thà không có câu trả lời còn hơn câu trả lời sai.
Nghe thì đơn giản vậy thôi, nhưng áp dụng vào là thấy ngay sự khác biệt. AI sẽ bớt phải cố “chèn” thông tin vào khi không có dữ liệu.
Cách 2: Dùng Tăng Cường Truy Xuất - Cho AI tài liệu để đọc
Mẹo này có vẻ hơi chuyên sâu một tí, nhưng hiệu quả thì “đỉnh nóc” luôn anh em ạ. Tăng Cường Truy Xuất (RAG - Retrieval-Augmented Generation) thực chất là cách bạn cung cấp sẵn tài liệu cho AI, rồi ra lệnh: “Chỉ được trả lời dựa trên những tài liệu này, tuyệt đối không tự ý thêm thông tin bên ngoài.” Theo các nghiên cứu mới nhất, phương pháp RAG giúp giảm 42-68% lỗi ảo giác. Ở một số ứng dụng trong ngành y tế, tỷ lệ chính xác thậm chí lên tới 89% khi kết hợp RAG với nguồn dữ liệu uy tín như PubMed. Mình thường áp dụng quy trình này khi cần AI phân tích tài liệu nội bộ:
Đây là tài liệu:
[dán nội dung vào đây]
Trả lời câu hỏi của mình CHỈ dựa trên tài liệu trên.
Không được thêm thông tin từ nguồn khác.
Nếu tài liệu không có thông tin, nói thẳng là "tài liệu không đề cập."
Áp dụng vào là thấy “nhanh như cắt”. Có tài liệu thực tế để AI bám vào, nó sẽ bớt “vẽ” thông tin lung tung đi rất nhiều.
Cách 3: Yêu cầu trích dẫn nguyên văn
Mẹo này mình học lỏm được từ tài liệu của Claude – đặc biệt hữu ích khi xử lý tài liệu dài quá 20.000 token, hãy yêu cầu AI trích dẫn nguyên văn đoạn tương ứng trước khi đưa ra phân tích.
Trước khi trả lời, hãy trích dẫn nguyên văn đoạn liên quan từ tài liệu.
Đặt trong dấu ngoặc kép.
Rồi mới giải thích.
Cách này như một cái “cọc tiêu”, buộc AI phải bám sát văn bản gốc, không có nước nào để “tự chế” thông tin. Dùng cái này là “đã” lắm luôn.
Cách 4: Hỏi nhiều lần, so sánh kết quả
Kỹ thuật này tên gọi nghe có vẻ hàn lâm là “Xác Minh Chọn Tốt Nhất” (Best-of-N Verification), nhưng thực chất rất dễ hiểu. Bạn chỉ cần hỏi AI cùng một câu hỏi từ 3-4 lần. Nếu các câu trả lời lệch nhau quá xa, khả năng cao là AI đang “tự chế”. Theo một nghiên cứu công bố năm 2025, phương pháp này giúp giảm đáng kể tỷ lệ sai sót mà chẳng cần phải nâng cấp mô hình. Mình thường áp dụng với những thông tin quan trọng. Hỏi thử Claude, ChatGPT và Gemini cùng một câu, nếu 3 bên cho ra kết quả tương đồng thì cứ yên tâm dùng. Còn nếu mỗi mô hình một ý, thì bắt buộc phải kiểm tra lại thật kỹ.
Cách 5: Bảo AI suy nghĩ từng bước
Chain-of-Thought (Suy luận theo chuỗi) – nghe thì có vẻ khó hiểu, nhưng bản chất chỉ là bảo AI “giải thích ra thành lời” khi xử lý vấn đề.
Hãy suy nghĩ từng bước trước khi đưa ra kết luận.
Cho mình thấy quá trình suy luận của bạn.
Khi phải đi từng bước một, AI tự nhận ra được lỗ hổng lập luận trong chính câu trả lời của nó. Điều này giúp giảm hẳn tình trạng “nhảy cóc” dẫn đến kết luận sai lệch.
Cách 6: Thu hẹp phạm vi câu hỏi
Hỏi càng chung chung, AI càng dễ “đánh trống lảng” hoặc tự chế thông tin.
Đừng hỏi:
Nói mình nghe về thị trường bất động sản Việt Nam.
Hỏi thế này:
So sánh giá chung cư ở Quận 7 và Quận 2 năm 2025,
tập trung vào phân khúc 2-3 tỷ đồng.
Chỉ nêu xu hướng chung, không cần số liệu cụ thể.
Câu hỏi càng cụ thể và rõ ràng, AI càng ít có khoảng trống để “đoán mò”. Mình thấy mẹo này cực kỳ hiệu quả trong thực tế.
Cách 7: Bảo AI tự kiểm tra lại
Khá bất ngờ phải không anh em, nhưng AI hoàn toàn có thể tự phát hiện lỗi nếu mình biết cách yêu cầu. Sau khi AI đưa ra câu trả lời đầu tiên, mình thường thêm một bước kiểm tra:
Xem lại câu trả lời vừa rồi đi.
Có thông tin nào bạn không chắc chắn không?
Có gì cần xác minh lại không?
Nhiều khi AI sẽ tự nhận ra “à, phần dữ liệu này mình không chắc chắn, bạn nên đối chiếu lại.” Cách này tiết kiệm cho mình rất nhiều công sức dò tìm sai sót.
Cách 8: Dùng nhiều AI cùng lúc
Kỹ thuật Đối Chiếu Chéo Nhiều Mô Hình – đây chính là cách mình tâm đắc và tin dùng nhất. Hãy hỏi Claude, ChatGPT và Gemini cùng một câu hỏi. Nếu 3 mô hình cho ra kết quả tương đồng, khả năng cao thông tin là chính xác. Còn nếu mỗi bên một ý, thì bắt buộc phải rà soát lại. Theo khảo sát mới, 76% doanh nghiệp lớn hiện nay đã áp dụng quy trình kiểm duyệt bởi con người trước khi đưa kết quả AI vào sử dụng thực tế. Mình hoàn toàn đồng tình với xu hướng tiếp cận thận trọng này.
Thực tế là không thể triệt tiêu hoàn toàn đâu
Nói thẳng ra là, không có AI nào hoàn hảo cả. Chúng vẫn sẽ đôi lúc “tự chế” thông tin. Ngay cả những mô hình tiên tiến nhất năm 2025 vẫn sở hữu tỷ lệ ảo giác khoảng 0.7-0.9%. Con số nghe có vẻ nhỏ, nhưng với những công việc quan trọng, sự cẩn trọng là bắt buộc. AI thường “nhạy” hơn cả với các nhóm thông tin sau:
- Tin tức thời sự – do dữ liệu huấn luyện thường có độ trễ
- Số liệu chi tiết – ngày tháng, tỷ lệ phần trăm, thống kê
- Thông tin nội địa – dữ liệu tiếng Việt còn hạn chế
- Trích dẫn và nguồn tham khảo – hay “tự chế” tên sách, tên tác giả
Tư duy quan trọng nhất
Chìa khóa quan trọng nhất nằm ở việc thay đổi tư duy làm việc. Đừng đặt AI vào vị trí của một “chuyên gia biết tuốt”. Hãy xem nó như một thực tập sinh tài năng – nhanh nhạy, nhiệt huyết, nhưng đôi khi tự tin quá mức và luôn cần sự giám sát lại từ con người. Mình thường dùng AI để:
- Bão ý tưởng nhanh chóng
- Viết bản nháp đầu tiên
- Tóm tắt tài liệu dài
- Giải thích các khái niệm chuyên môn
Nhưng mình TUYỆT ĐỐI không bao giờ tin tưởng mù quáng vào số liệu, trích dẫn hay thông tin cụ thể do AI cung cấp. Luôn đối chiếu và kiểm chứng lại.
Tóm lại cho anh em dễ nhớ
- Cho phép nói “không biết” – Đơn giản mà cực hiệu quả
- Áp dụng RAG – Cung cấp tài liệu để AI bám vào
- Yêu cầu trích dẫn nguyên văn – Bắt buộc neo vào dữ liệu gốc
- Hỏi lặp lại – So sánh tính nhất quán của câu trả lời
- Suy luận từng bước – Để AI tự rà soát lỗ hổng lập luận
- Thu hẹp phạm vi – Hỏi cụ thể, hạn chế câu hỏi chung chung
- Yêu cầu tự kiểm tra – Đưa AI vào vai trò “reviewer”
- Dùng đa nền tảng – Đối chiếu chéo giữa các mô hình
Áp dụng bộ mẹo này, mình cam đoan anh em sẽ bớt “đau đầu” hơn rất nhiều khi làm việc với AI. Nó vẫn có lúc “tự chế”, nhưng giờ sẽ ít hơn và dễ phát hiện hơn nhiều.
Nếu có thắc mắc gì, anh em cứ comment bên dưới nhé. Mình sẵn sàng chia sẻ thêm kinh nghiệm thực tế!
