Đánh giá năng lực AI: Khi nào có thể tin giao việc?

Một AI giải được bài toán rất khó. Một AI khác tạo video gần như thật. Nhưng khi giao một việc tưởng chừng đơn giản, kết quả vẫn có thể thiếu chi tiết quan trọng. Vậy AI đã giỏi ngang con người, hay chúng ta đang đánh giá quá cao nó?

Cả hai cách hỏi đều bỏ sót điều cần làm rõ: giỏi việc gì, trong điều kiện nào, và phải đúng đến mức nào?

Năng lực là những gì hệ thống có thể làm. Độ tin cậy là mức chúng ta có căn cứ để trông đợi hệ thống làm đúng yêu cầu trong hoàn cảnh sử dụng. Hai điều liên quan chặt chẽ, nhưng không đồng nhất. Một lần làm được chưa cho biết có thể làm ổn định; làm ổn định một loại việc chưa có nghĩa nên được tự quyết mọi việc.

1. AI không giỏi theo một mức đồng đều

Các hệ thống AI hiện đại có thể hỗ trợ nhiều công việc: tóm tắt, chuyển ngữ, viết bản nháp, phân tích hình ảnh, tạo nội dung, giải một số bài toán và thực hiện thao tác qua công cụ. Mức làm tốt phụ thuộc mô hình, ứng dụng và từng nhiệm vụ. Danh sách khả năng này không phải lời bảo đảm rằng một sản phẩm bất kỳ đều làm tốt tất cả.

Điều dễ gây nhầm là chúng ta thường suy năng lực chung từ một thành tích nổi bật. Với người, giỏi một lĩnh vực cũng không đồng nghĩa giỏi mọi lĩnh vực; với AI, khoảng cách giữa các nhiệm vụ có thể càng khó đoán theo trực giác của người dùng. Một hệ thống xử lý tốt văn bản dài chưa chắc nhận đúng chi tiết nhỏ trong ảnh. Tạo được câu trả lời đúng chưa chắc thực hiện đúng cả chuỗi hành động.

Một thành tích cụ thể cho thấy mức tiến bộ đáng kể: trong kết quả công bố tháng 7/2025, phiên bản nâng cao của Gemini Deep Think giải trọn 5 trong 6 bài của đề Olympic Toán quốc tế, đạt 35 trên 42 điểm, tương đương ngưỡng huy chương vàng. Lời giải dùng ngôn ngữ tự nhiên, trong giới hạn thời gian thi và được chấm theo tiêu chí dành cho thí sinh.

Đây là bằng chứng mạnh về việc giải những bài toán đó trong thiết lập đã dùng. Tuy nhiên, nó là công bố của bên phát triển về một phiên bản nâng cao, không phải phép đo đại diện cho mọi phiên bản Gemini. Việc lời giải được chấm bên ngoài cũng không biến toàn bộ thiết kế thử nghiệm thành đánh giá độc lập. Thành tích này không tự chứng minh khả năng xử lý mọi công việc thực tế.

Các kết quả có mốc thời gian giúp chúng ta nhìn rõ một năng lực đã được thể hiện. Chúng không phải bảng xếp hạng hiện tại, cũng không cố định giới hạn của những phiên bản về sau.

Hãy hình dung một hồ sơ năng lực: mỗi loại việc có chất lượng, điều kiện thành công và giới hạn riêng. Phần hồ sơ phù hợp với công việc cần giao mới là cơ sở để chọn cách đánh giá và mức tin.

2. Benchmark đo điều gì, và không đo điều gì?

Benchmark là phép đánh giá chuẩn hóa bằng một tập nhiệm vụ cùng quy trình thực hiện và cách chấm xác định. Nó giúp so sánh kết quả, theo dõi tiến bộ hoặc tìm điểm yếu. Một điểm benchmark có ý nghĩa khi biết điểm đó được tạo ra bằng cách nào.

Chẳng hạn, “đúng 90%” có thể là chọn đúng đáp án, giải xong đầu bài, hoặc vượt qua một bộ kiểm thử. Những tiêu chí này khác nhau. Đúng 90% câu hỏi cũng không đồng nghĩa 90% người dùng sẽ hoàn thành công việc, càng không phải xác suất đúng của mọi câu hỏi mới.

Bản trình diễn cho thấy một hệ thống có thể làm được điều gì ở trường hợp được giới thiệu. Nếu không biết trường hợp đó được chọn ra sao, đã thử bao nhiêu lần và có bao nhiêu thất bại, chúng ta chưa thể suy ra tần suất thành công. Demo tốt vẫn có giá trị, nhưng giá trị đó khác một đánh giá có mẫu và cách chấm rõ ràng.

Năng lực ổn định thực tế cần được xem trên những việc giống mục đích sử dụng, gồm cả trường hợp khó và biến thể thường gặp. Đây là bước nối giữa “đã làm được” với “có thể trông đợi làm được”.

Khi gặp một tuyên bố nổi bật, có thể đọc theo các câu hỏi sau:

Độ đúng chỉ là một chiều đánh giá. Một hệ thống có thể có nhiều đáp án đúng nhưng dễ đổi kết luận khi cách diễn đạt thay đổi nhẹ. Nó có thể viết trôi chảy nhưng không giúp kiểm tra dữ kiện, hoặc đạt chất lượng tốt với thời gian và chi phí quá lớn cho mục đích sử dụng.

Ngay cả việc người chấm thích câu trả lời nào hơn cũng chưa đủ đo độ đúng: cách viết dễ đọc có thể được ưa thích dù còn lỗi. Cần chọn tiêu chí phù hợp với điều muốn biết, không lấy một chỉ số thuận tiện làm đại diện cho tất cả.

Benchmark cũng có thể bão hòa: nhiều hệ thống đạt gần mức tối đa, khiến bài kiểm tra khó phân biệt chúng. Bão hòa cho biết phép đo này đã ít phân biệt hơn, không có nghĩa AI đã hết điểm yếu. Và bộ kiểm tra có câu hỏi mơ hồ hoặc đáp án sai thì điểm chấm cũng có thể gây hiểu nhầm.

3. Vì sao cùng một AI có thể có những điểm số khác nhau?

Điểm số không chỉ gắn với tên mô hình. Nó còn gắn với tài liệu được cung cấp, công cụ, chỉ dẫn, ngân sách xử lý, số lượt thử và cách chấm.

Nếu một bên được dùng máy tính hoặc tìm kiếm còn bên kia phải tự trả lời, kết quả có thể phản ánh lợi thế của cả thiết lập. Điều đó không làm đánh giá có công cụ mất giá trị: nhiều công việc thực sự cần công cụ. Nhưng phải biết đang đo mô hình riêng hay hệ thống có các thành phần hỗ trợ, và điều kiện đó có giống ứng dụng sẽ sử dụng hay không.

Thêm thời gian xử lý hoặc thử nhiều phương án có thể giúp ở một số nhiệm vụ, nhưng không bảo đảm mọi nhiệm vụ đều tốt hơn. Khi so sánh, cần tính cả tài nguyên đã dùng. Một kết quả tốt với ngân sách lớn chưa chắc là lựa chọn phù hợp nếu công việc đòi phản hồi nhanh.

Đúng một lần và có ít nhất một lần đúng là hai phép đo khác nhau. Trong đánh giá tạo lời giải, pass@1 thường mô tả khả năng một lần thử đáp ứng tiêu chí; pass@k xét có ít nhất một lời giải đạt trong k lần thử. Chữ k cho biết số cơ hội, không phải số lần đều thành công.

Ví dụ giả định: trên 100 đầu bài, hệ thống có ít nhất một lời giải đúng cho 90 bài khi mỗi bài được thử 10 lần. Không thể nói hệ thống đúng 90% ngay lần đầu. Cũng chưa biết người dùng có nhận ra lời giải đúng trong những phương án được đưa ra hay không. Tạo được một phương án tốt và chọn đúng phương án đó là hai việc cần phân biệt.

Một giới hạn khác là dữ liệu kiểm tra lẫn vào dữ liệu huấn luyện. Nếu hệ thống đã tiếp xúc với đề, đáp án hoặc phiên bản rất gần của chúng, điểm số có thể phản ánh một phần sự quen thuộc thay vì khả năng xử lý việc mới. Không phải mọi điểm cao đều do hiện tượng này; cũng không phải chỉ cần đổi vài từ là đã loại được nó. Tập kiểm tra mới hoặc được giữ riêng giúp giảm nguy cơ, nhưng không tự giải quyết mọi hạn chế đánh giá.

Ngay khi không có sự lẫn dữ liệu, công việc thực tế vẫn có thể khác bộ kiểm tra về ngôn ngữ, định dạng, mức đầy đủ của thông tin hoặc loại ngoại lệ. Kết quả tốt trên văn bản tiếng Anh được chuẩn bị sạch sẽ chưa đủ để kết luận tương tự với tài liệu tiếng Việt nhiều lỗi trình bày. Đó là giới hạn chuyển kết quả sang hoàn cảnh khác, không nhất thiết là bằng chứng mô hình đã gặp đề khi học.

Và đôi khi chính thước đo thay đổi. Trong một cập nhật đánh giá năng lực tự chủ công bố tháng 1/2026, tập nhiệm vụ tăng từ 170 lên 228 đầu bài, đồng thời một số đầu bài và hạ tầng đánh giá được điều chỉnh. Ước lượng năng lực của các mô hình vì thế có thể thay đổi dù bản thân mô hình không đổi. Không nên đọc chênh lệch giữa hai phiên bản phép đo như toàn bộ tiến bộ của AI.

Một số ít trường hợp cũng dễ cho kết quả dao động. Hai điểm gần nhau chưa đủ chứng minh bên nào hơn rõ rệt nếu chưa biết số mẫu và mức bất định của phép đo. Ngày xuất bản báo cáo, thời điểm đo và ngày đọc báo cáo có thể khác nhau; số liệu trong một báo cáo năm 2026 không mặc nhiên bao quát đến cuối năm 2026.

4. Khi nào có thể tin giao một việc cụ thể?

Không có một tỷ lệ đúng chung làm ngưỡng giao mọi việc. Mức tin hợp lý phụ thuộc nhiệm vụ và điều gì xảy ra nếu làm sai.

Có thể bắt đầu từ bốn câu hỏi: hệ thống đã được thử trên việc tương tự chưa; chất lượng có giữ được khi gặp biến thể thường gặp không; mình có cách kiểm tra kết quả không; và một lỗi sẽ gây hậu quả gì, có thể sửa hoặc đảo ngược đến đâu?

Độ đúng và tính nhất quán cần đi cùng nhau. Đúng yêu cầu nghĩa là đáp ứng những tiêu chí cần thiết, không chỉ nghe hợp lý. Nhất quán nghĩa là duy trì chất lượng cần thiết qua các lần và hoàn cảnh tương tự, không phải lúc nào cũng lặp nguyên văn. Một AI liên tục cho cùng kết luận sai vẫn không đáng tin; một AI dùng nhiều cách diễn đạt đúng vẫn có thể nhất quán.

Khả năng kiểm chứng làm thay đổi mức có thể giao việc. Bản tóm tắt có thể đối chiếu với tài liệu gốc; kết quả tính có thể kiểm tra lại bằng phép tính hoặc công cụ phù hợp. Những căn cứ này khác với việc hỏi chính AI “bạn chắc chưa?”. Một lời giải thích thuyết phục có thể giúp hiểu, nhưng không tự thay thế phép kiểm tra.

Hậu quả sai quan trọng không kém tần suất sai. Ví dụ giả định: hai hệ thống đều đáp ứng yêu cầu trên 90% số trường hợp thử. Một hệ thống đề xuất các tiêu đề để người viết chọn; hệ thống kia tự gửi thư xác nhận tới khách hàng. Tỷ lệ bằng nhau không khiến mức tự chủ nên trao bằng nhau. Gợi ý chưa được dùng có thể bỏ đi dễ dàng; thư đã gửi có thể gây hiểu nhầm dù sau đó được đính chính.

Điểm trung bình còn có thể che mất nơi hệ thống làm kém. Ví dụ giả định: kết quả đạt yêu cầu trên 98 trong 100 trường hợp thông thường, nhưng chỉ đạt 12 trong 20 trường hợp ngoại lệ. Nếu công việc thực tế thường gặp ngoại lệ, con số gộp không phản ánh đúng mức tin cần đặt. Cần xem kết quả theo những nhóm tình huống quan trọng, không chỉ điểm toàn bộ.

Công việc nhiều bước cũng cần đánh giá từ đầu đến cuối. Đọc đúng tài liệu, chọn đúng người nhận và soạn đúng nội dung từng phần chưa tự chứng minh cả quy trình gửi thư sẽ thành công. Lỗi sớm có thể đi vào các bước sau. Không thể lấy điểm của một bước thay cho tỷ lệ hoàn thành toàn việc, hoặc tự nhân các tỷ lệ nếu chưa có căn cứ về quan hệ giữa các bước.

Giao việc vì vậy không chỉ có hai trạng thái “dùng” hoặc “không dùng”. Có thể giao AI tạo bản nháp, đề xuất phương án, xử lý một phần có thể kiểm tra, hoặc thực hiện hành động trong phạm vi đã được đánh giá. Mức tự chủ có thể tăng khi có thêm bằng chứng phù hợp; không cần tăng chỉ vì mô hình đạt một thành tích nổi bật ở nơi khác.

Giám sát phải có ý nghĩa thực chất. Một người duyệt nhưng không có tài liệu đối chiếu, không đủ thời gian đọc hoặc không có quyền ngăn hành động thì khó giảm lỗi hiệu quả. Đồng thời, phải tính phần công sức kiểm tra và sửa: phản hồi sinh nhanh chưa chắc làm toàn bộ công việc nhanh hơn.

Nếu thiếu thông tin thiết yếu, hỏi lại hoặc chuyển cho người phụ trách có thể phù hợp hơn cố hoàn thành. Điều cần đánh giá là hệ thống có xử lý đúng giới hạn ấy không, thay vì thưởng cho việc lúc nào cũng đưa ra một kết quả.

Cuối cùng, mức tin cần được xem lại khi đổi phiên bản, công cụ, loại dữ liệu hoặc phạm vi công việc. Bằng chứng tốt cho cách dùng cũ không tự bảo đảm cách dùng mới. Tin có căn cứ là tin trong một phạm vi xác định, với khả năng phát hiện và xử lý những gì vượt phạm vi đó.

5. Điểm số cao nói gì về AGI?

AGI, thường dịch là trí tuệ nhân tạo tổng quát, hướng đến khả năng làm tốt một phạm vi rộng các nhiệm vụ, thay vì chỉ xuất sắc ở một việc chuyên biệt. Nhưng mức “rộng” và “tốt” đến đâu để được gọi là AGI vẫn có nhiều cách định nghĩa.

Có cách định nghĩa nhấn mạnh hệ thống tự chủ cao, vượt người ở phần lớn công việc có giá trị kinh tế. Có khung khác phân tích độ rộng và mức năng lực trước, rồi xem mức tự chủ như một lựa chọn triển khai liên quan đến rủi ro. Vì vậy, một tuyên bố “đã đạt AGI” cần đi kèm tiêu chí đang sử dụng; không nên coi một khung tham chiếu riêng là chuẩn được mọi bên đồng thuận.

Để đọc những tuyên bố này rõ hơn, có thể tách ba góc nhìn. Độ rộng là phạm vi các loại việc làm được. Mức năng lực là chất lượng đạt được trên các loại việc đó, so với tiêu chí hoặc nhóm người cụ thể. Mức tự chủ là phần hệ thống được tự quyết và thực hiện mà không cần người can thiệp. Đây là cách phân tích, không phải một bài thi AGI duy nhất.

Làm được nhiều loại việc nhưng chất lượng thấp chưa đủ cho thấy năng lực tổng quát mạnh. Vượt người ở một bài thi khó cũng chưa chứng minh độ rộng. Được cấp nhiều quyền tự hành động không tự khiến mô hình giỏi hơn; ngược lại, một hệ thống rất giỏi vẫn có thể được triển khai với phạm vi tự chủ hạn chế.

Thành tích của một bài kiểm tra có thể đóng góp bằng chứng cho những kỹ năng nó đo. Nó không tự giải quyết câu hỏi rộng hơn về AGI, và cũng không chứng minh AI có ý thức hay trải nghiệm chủ quan như con người. Năng lực quan sát được và trải nghiệm bên trong là những câu hỏi khác nhau.

Nhìn theo cách này, chúng ta không cần chờ một nhãn AGI để thấy AI hữu ích, cũng không cần tin tuyệt đối chỉ vì nhãn đó xuất hiện. Câu hỏi thực tế vẫn là: hệ thống này làm được việc gì, bằng chứng có sát hoàn cảnh sử dụng không, và phần nào cần người chịu trách nhiệm?

Khép lại bộ nền tảng Học AI, điều quan trọng không phải nhớ một danh sách tên mô hình. Đó là biết phân biệt khả năng với lời hứa, kết quả thử nghiệm với mức tin thực tế, và một thành tích nổi bật với bằng chứng đủ để giao một việc cụ thể.