Một cuộc gặp với một học giả không nhất thiết kết thúc khi chương trình khép lại. Đôi khi, giá trị của nó tiếp tục bằng những câu hỏi chưa kịp đặt ra. Sau buổi làm việc và trao đổi học thuật với Giáo sư David G. Stork, năm câu hỏi như vậy đang mở ra những gợi ý đáng suy nghĩ đối với đào tạo Quản trị và Marketing trong bối cảnh trí tuệ nhân tạo ngày càng tham gia sâu vào hoạt động nghề nghiệp.
Giáo sư David G. Stork là nhà khoa học người Mỹ có nhiều nghiên cứu ở vùng giao thoa giữa trí tuệ nhân tạo (AI), thị giác máy tính và nghệ thuật. Chính tính liên ngành trong hành trình nghiên cứu của ông gợi mở một vấn đề đáng quan tâm: những tiến bộ tưởng như thuộc về khoa học máy tính có thể tạo ra thay đổi gì đối với những lĩnh vực như Marketing, Quản trị và giáo dục đại học?
Trong buổi làm việc, do thời lượng có hạn và cần ưu tiên cho các khoa, phòng, bộ phận có chuyên môn liên quan trực tiếp đến lĩnh vực nghiên cứu lõi của Giáo sư, một số câu hỏi được chuẩn bị từ góc nhìn Quản trị và Marketing chưa có cơ hội được đặt ra. Tuy nhiên, thay vì tiếp tục chờ đợi câu trả lời, năm câu hỏi ấy có thể được xem như điểm xuất phát cho một hành trình tìm hiểu mới.
Ảnh: Giáo sư David G. Stork tại Học viện PTIT Hồ Chí Minh
Khi AI có thể “nhìn”, Marketing sẽ hiểu khách hàng khác đi như thế nào?
Câu hỏi đầu tiên bắt đầu từ chính thế mạnh nghiên cứu về thị giác máy tính của Giáo sư Stork: Nếu AI có thể phát hiện những mẫu hình thị giác mà ngay cả người quan sát được đào tạo cũng có thể bỏ qua, thị giác máy tính có thể giúp Marketing hiểu nhận thức người tiêu dùng đến đâu mà không giản lược phán đoán của con người thành dữ liệu?
Marketing vốn hoạt động trong một thế giới giàu tín hiệu thị giác. Logo, màu sắc, bao bì, cách trưng bày, hình ảnh quảng cáo, video hay nội dung mạng xã hội đều góp phần hình thành nhận thức về thương hiệu. Khi AI có khả năng xử lý một lượng hình ảnh vượt xa năng lực quan sát thủ công của con người, cơ hội mới xuất hiện trong việc nhận diện những khuôn mẫu, mối liên hệ và thay đổi mà trước đây rất khó phát hiện.
Nhưng “nhìn thấy” chưa đồng nghĩa với “thấu hiểu”. Một pattern được máy phát hiện không tự động giải thích tại sao người tiêu dùng phản ứng với nó. Chính khoảng cách giữa pattern và meaning, giữa dữ liệu và ý nghĩa, mở ra câu hỏi về vai trò không thể đơn giản chuyển giao cho máy của con người.
AI nhận diện pattern tốt hơn, nhà quản trị cần giỏi điều gì?
Từ Marketing, câu chuyện nhanh chóng chuyển sang Quản trị. Khi AI ngày càng có khả năng nhận diện pattern tốt hơn con người trong một số nhiệm vụ, khoa học về nhận diện mẫu có thể mang lại bài học gì cho việc đào tạo năng lực phân tích và ra quyết định của nhà quản trị?
Nhà quản trị vốn cũng là một “người nhận diện pattern”. Từ những thông tin không hoàn chỉnh về khách hàng, đối thủ, tài chính, công nghệ hay môi trường kinh doanh, họ phải phát hiện vấn đề, nhận diện cơ hội, đánh giá rủi ro và đưa ra quyết định. Nếu AI ngày càng đảm nhiệm tốt hơn phần phát hiện và phân tích, lợi thế của con người có thể phải dịch chuyển sang những tầng cao hơn: diễn giải bối cảnh, đặt câu hỏi đúng, phán đoán, lựa chọn và chịu trách nhiệm về quyết định.
Có thể hình dung quá trình này qua một chuỗi: Data – Pattern – Interpretation – Judgment – Decision – Accountability. AI có thể tiến rất nhanh ở những mắt xích đầu tiên. Nhưng càng đi về cuối chuỗi, vai trò và trách nhiệm của con người càng trở thành vấn đề đáng nghiên cứu.
Sinh viên được dùng AI, chúng ta thực sự đang đánh giá điều gì?
Câu hỏi thứ ba đưa vấn đề trực tiếp trở lại giảng đường: Khi sinh viên được phép sử dụng AI trong học tập, chúng ta nên đánh giá điều gì để nhận diện đúng năng lực thật của người học: sản phẩm cuối cùng, quá trình thực hiện, những quyết định đã đưa ra hay khả năng giải thích và bảo vệ các quyết định đó?
Đây không chỉ là câu chuyện về việc cho phép hay cấm AI. Khi AI trở thành một phần bình thường của môi trường học tập và nghề nghiệp, một bài làm đẹp chưa chắc phản ánh đầy đủ năng lực của người thực hiện. Vì vậy, đánh giá có thể phải dịch chuyển từ việc chỉ nhìn vào sản phẩm sang quan sát cả quá trình: sinh viên đặt vấn đề như thế nào, lựa chọn công cụ ra sao, kiểm chứng kết quả AI bằng cách nào, tại sao chấp nhận hoặc bác bỏ một đề xuất và có đủ khả năng bảo vệ quyết định của mình hay không. Điều đó đặt ra yêu cầu xem xét lại không chỉ phương pháp đánh giá mà cả cách thiết kế bài tập, case study và trải nghiệm học tập.
Chương trình đào tạo nhà quản trị năm 2035 sẽ còn nằm gọn trong ngành Quản trị?
Câu hỏi thứ tư xuất phát từ chính hành trình liên ngành của Giáo sư Stork. Khi những vấn đề thực tế ngày càng nằm ở giao điểm giữa công nghệ, kinh tế, hành vi, dữ liệu, nghệ thuật và xã hội, nếu thiết kế một chương trình đào tạo nhà quản trị cho năm 2035, sinh viên cần được học thêm những gì bên ngoài lĩnh vực kinh doanh?
Có lẽ thách thức không nằm ở việc bổ sung thật nhiều môn học mới. Quan trọng hơn là tạo cho sinh viên khả năng kết nối tri thức từ nhiều lĩnh vực để giải quyết một vấn đề thực tế. Nhà quản trị tương lai có thể không cần trở thành kỹ sư AI, nhà tâm lý học hay nhà khoa học dữ liệu, nhưng cần đủ hiểu biết để làm việc với những chuyên gia đó, đặt đúng câu hỏi và chuyển tri thức chuyên môn thành quyết định kinh doanh.
Cuối cùng, đại học cần phát triển năng lực nào mà con người không nên giao cho máy?
Bốn câu hỏi trên cuối cùng hội tụ vào câu hỏi thứ năm: Khi AI ngày càng giỏi quan sát, nhận diện pattern, tạo ra phương án và hỗ trợ dự báo, đâu là năng lực mang tính con người mà đại học cần đầu tư phát triển mạnh nhất cho sinh viên ngay từ hôm nay, và chúng ta sẽ dạy năng lực ấy như thế nào?
Có lẽ đây mới là câu hỏi khó nhất. Bởi vấn đề không còn đơn thuần là đưa thêm một công cụ AI vào lớp học, mà là xác định lại giá trị của việc học khi một phần công việc nhận thức có thể được thực hiện cùng máy.
Từ góc nhìn đào tạo Quản trị và Marketing, câu trả lời sẽ không thể hình thành chỉ bằng một cuộc trao đổi hay một bài viết. Nó cần được tìm kiếm thông qua nghiên cứu, đối thoại với doanh nghiệp và chuyên gia, thử nghiệm trong lớp học, quan sát kết quả rồi tiếp tục điều chỉnh.
Vì vậy, năm câu hỏi chưa kịp đặt với Giáo sư David G. Stork không cần tiếp tục nằm trong laptop để chờ một dịp khác. Chúng có thể được đưa vào lớp học, các hoạt động nghiên cứu, những cuộc trao đổi với doanh nghiệp và chính những thử nghiệm đào tạo đang diễn ra.
Tự ngẫm giá trị của một cuộc gặp học thuật không chỉ nằm ở những câu trả lời chúng ta mang về. Đôi khi, điều đáng giá hơn là nó để lại một câu hỏi đủ lớn để khiến chúng ta bắt đầu hành động.
Th.S Bùi Đình Quế, Giảng viên Marketing, Khoa QTKD2, Học viện PTIT HCM
