What AI taught me about designing work like a Service
Service-oriented mindset and its miracle
AI đang thay đổi cách làm việc của chúng ta mỗi ngày và mình cũng không ngoại lệ. Sau một thời gian ngụp lặn tìm hiểu xem mình nên học AI như thế nào và nó có thể áp dụng những gì cho công việc hiện tại của mình, mình nhận ra rằng: điều quan trọng nhất không phải là học cách dùng AI, mà là học lại cách mình làm việc.
Bài viết này là một phần reflection khá dài để connect the dot - giữa cách tư duy khi dùng AI, cách thiết kế công việc, và cách AI compound năng lực cá nhân. Sau bài viết này, hy vọng bạn có thể giống như mình:
Hiểu service-oriented mindset - tư duy thiết kế công việc dưới dạng service để cộng tác cùng AI hiệu quả hơn.
Biết cách xác định mình muốn gì và cần gì, để AI có thể trở thành đòn bẩy cho chính năng lực của bạn.
Những gì mình chia sẻ dưới đây được truyền cảm hứng từ thiết kế sản phẩm của Rework & một lớp học Product Building cực xịn mà mình sẽ bật mí trong bài viết.
The Black Box Model - Khi mọi thứ bắt đầu từ Input và Output
Ngày đầu tiên khi nghe về kiến trúc sản phẩm của Rework, mình lần đầu được nghe hai khái niệm: “Service Architecture” và “Black Box Model”. Hai khái niệm mất 30 phút để nghe nhưng mất tới vài tháng để hiểu thực sự ý nghĩa là gì.
Trong Computer Science, “black box” là một hệ thống mà ta chỉ thấy đầu vào (input) và đầu ra (output) - còn cách nó xử lý bên trong thì ẩn giấu hoặc không thể quan sát được.
Trong Machine Learning, một mô hình deep learning nhận dữ liệu đầu vào, tạo ra dự đoán, nhưng ta không thực sự biết nó “nghĩ gì” bên trong. Vì vậy, người ta mới gọi nó là black box - chiếc hộp đen bí ẩn.
# The concept of Input → Black-Box → Output is widely discussed in literature (especially in machine learning / systems theory) under the term “black-box model” (or “black-box system”)
### What the concept means
# A “black-box” system is one where you observe inputs and outputs, but you don’t (or can’t) meaningfully inspect or understand the internal workings.
# In machine learning this often shows up as a complex model (e.g., deep neural network) that takes input data and produces a prediction/output—but the path from input → output is opaque.
# The “input → black-box → output” framing is useful because it highlights that you can see what goes in and what comes out, but the “box” (internal mechanism) is hidden or inscrutable.Nhưng điều thú vị là: khái niệm này không chỉ đúng với AI, mà còn đúng với công việc của con người.
Nếu coi mỗi nhiệm vụ bạn làm như một service, bạn sẽ thấy nó đều tuân theo công thức chung: Input → Black Box → Output. Bạn không cần biết chính xác “black box” đó chứa những gì, nhưng bạn phải biết rõ hai điều: Input là gì? và Output trông như thế nào?
Ví dụ, trong Sales Service, đầu vào là khách hàng tiềm năng, đầu ra là khách hàng chốt đơn, còn black box là toàn bộ quy trình tư vấn, nurturing, chăm sóc… Tương tự, trong Hiring Service, đầu vào là ứng viên, đầu ra là nhân viên sẵn sàng nhận việc, còn bên trong là chuỗi hoạt động sàng lọc, phỏng vấn, training.
Dù chưa biết cách nào để đạt được kết quả, mình vẫn cần phải hình dung rõ ràng về kết quả (input & output) trước khi bắt tay vào quá trình tìm ra blackbox, hoặc xác định “black box” phù hợp nhất.
Hiểu về Input & Output - kỹ năng giao việc và nhận việc mà ai cũng phải học
Hãy nghĩ trong bối cảnh công việc của chúng ta một chút và bạn sẽ thấy công thức này vô cùng dễ hiểu.
Mọi công việc đều bắt đầu từ Input – tức là cách bạn brief. Nếu coi AI là cộng sự, thì Input chính là bản hướng dẫn bạn gửi cho nó để nó bắt đầu “nghĩ”. Cũng giống như trong công việc hằng ngày, chất lượng đầu ra phụ thuộc rất lớn vào việc bạn giao việc rõ ràng đến đâu. Một bản brief tốt không chỉ nói “làm gì”, mà phải chỉ ra “để làm gì” và “muốn ra kết quả trông như thế nào”.
Thực tế, đây là kỹ năng mà cả sếp lẫn nhân viên đều cần rèn. Người giao việc phải học cách xác định rõ loại kết quả mong muốn (Type), tiêu chuẩn và hình thức thể hiện (Format), cùng ví dụ hoặc tham chiếu cụ thể (Example). Còn người nhận việc cần biết cách hỏi ngược lại để xác nhận mình hiểu đúng đầu vào. Khi hai bên cùng làm rõ “đầu vào” như vậy, sai lệch sẽ giảm đáng kể, hiệu suất tăng rõ rệt.
Nhưng để công việc thực sự trôi chảy, Output – tức kết quả mong muốn – cũng phải được định nghĩa rõ ràng. Nhiều người giao việc mà không chỉ ra thế nào là “tốt”, khiến người làm cứ mông lung. Một deadline không đủ; chỉ khi tiêu chuẩn đầu ra được mô tả cụ thể thì công việc mới có cơ sở để đánh giá và cải thiện. Ở góc độ người lãnh đạo, đó là kỹ năng “giao việc bằng Output, phản hồi bằng tiêu chí”; còn ở góc độ nhân viên, đó là khả năng “deliver có trách nhiệm”, biết chính xác cần đạt tới đâu là đủ.
Điều thú vị là: bài học này đúng y khi làm việc với AI. Nếu bạn nói mơ hồ, AI sẽ chỉ “đoán ý” và cho ra kết quả vô nghĩa. Nhưng nếu bạn biết mô tả chính xác Input (brief) và hình dung rõ Output (mục tiêu), AI sẽ trở thành cộng sự cực kỳ hiệu quả. Nói cách khác, làm việc tốt với AI cũng chính là học lại kỹ năng giao việc, nhận việc và phản hồi rõ ràng trong đời thực – vì AI chỉ phản chiếu cách bạn tư duy và diễn đạt mà thôi.
Đây là tư duy gốc rễ để làm việc hiệu quả, không chỉ với AI mà với bất kỳ công việc nào.
Nếu Input không rõ, bạn không biết mình có gì → không ai (kể cả AI) có thể giúp bạn tạo ra kết quả tốt.
Nếu Output không rõ, bạn không biết mình đang hướng đến điều gì, dù bạn có nỗ lực thế nào cũng sẽ lạc hướng
Bóc tách Black Box - hiểu AI hoạt động ra sao
Để đi từ input đến output, AI cũng có một black box của riêng nó. Hiểu được cấu trúc bên trong đó giúp bạn cộng tác cùng AI hiệu quả hơn.
Một AI Agent (ví dụ như node trong n8n) thường gồm ba thành phần chính: Brain, Memory và Tools.
Brain là bộ não – mô hình ngôn ngữ như ChatGPT, Claude hay Gemini – chịu trách nhiệm lập luận, suy nghĩ, sinh ngôn ngữ.
Memory là trí nhớ – nơi lưu lại các tương tác trước đó, giúp AI hiểu ngữ cảnh, truy xuất thông tin từ tài liệu hoặc vector database. AI chỉ có thể làm việc tốt khi rõ ngữ cảnh (context), nếu thiếu ngữ cảnh, kết quả trả ra sẽ mơ hồ hoặc không đúng như kỳ vọng.
Tools là “tay chân” – cách AI tương tác với thế giới thật, như gửi email, đọc Google Sheet, gọi API hay kích hoạt workflow.
Khi hiểu được mối quan hệ giữa ba yếu tố này, bạn sẽ biết cách thiết kế workflow để AI thực sự làm việc cho bạn: hãy cho nó một bộ não, hãy truyền đạt đầy đủ bối cảnh, và hãy rõ ràng về việc nó nên làm gì bằng cách nào.
→ Bạn có thể xem thêm video này để hiểu thêm về AI Agent.
Điều thú vị là, càng hiểu cách AI vận hành, mình càng nhận ra: Black Box không chỉ nằm ở AI – mà còn nằm ở chính bản thân mình. AI thông minh thế, tại sao mình chưa sử dụng tối ưu được? Giới hạn nằm chẳng phải nằm ở chính mình hay sao?
Black Box không chỉ là AI - mà còn là bạn
Ban đầu mình nghĩ “Black Box” là phần bí ẩn của máy, nhưng thật ra, chính con người cũng là một chiếc hộp đen phức tạp không kém. Khi làm việc với AI, ta đang để nó phản chiếu chính “bộ não” của mình:
những framework đã học (ví dụ, con người biết cách dùng mô hình STP để phân tích thị trường, dùng Business Model Canvas để phân tích doanh nghiệp, dùng Five Forces để đánh giá tình hình cạnh tranh...)
mindset được rèn qua trải nghiệm (tiêu chí, tiêu chuẩn đánh giá đúng sai, tốt xấu,…)
Tất cả được reflect trong các guideline ta đặt ra cho AI – từ cách nó nên tư duy đến cách trình bày kết quả.
“ChatGPT hay AI Prompt chính là tấm gương phản chiếu trí tuệ của người dùng.” Nếu bạn tư duy có cấu trúc, đặt câu hỏi đúng, và phản hồi chính xác, AI sẽ trở thành cộng sự cực mạnh; nhưng nếu bạn mơ hồ và hỏi chung chung, nó chỉ nhân đôi sự mơ hồ ấy mà thôi. AI có thể suy luận rất logic, nhưng không có tư duy chủ quan. Nó không “biết” điều gì đúng, hay “muốn” làm gì, mà nó chỉ chỉ phản chiếu những gì mà bạn đã đưa vào thông qua prompting.
Vì vậy mà muốn AI làm việc hiệu quả hơn, bản thân mình phải học nhiều hơn, nghĩ sâu hơn, rèn cách đặt câu hỏi, và feedback chính xác hơn. Mỗi lần mình phản hồi, chỉnh lại prompt, hay chỉ ra phần nào chưa đúng, chính là lúc mình dạy lại AI cách hiểu mình hơn, và đồng thời rèn lại chính tư duy của mình.
How I built a multi-agent workflow to automate my GTM Engine
Với mô hình Blackbox & tư duy Service-oriented phía trên, mình đã ứng dụng vào việc build AI workflow để tự động hoá công việc của mình. Phần này cần có một chút tư duy về xây dựng sản phẩm, để phân tích mình có nhu cầu gì, giải quyết như thế nào, bằng tính năng gì, và build product bằng AI ra sao.
Đây là một sản phẩm mình build trong quá trình học lớp học Build Product with The 1ight của anh Quang Nguyen, xin recommend 1000 lần cho những ai đang gặp những nỗi đau về product building, giờ đây bạn có thể tự build sản phẩm giải quyết pain point của chính mình, với sự trợ giúp của AI và các kiến thức building product từ lớp học. (Ngoài ra bạn còn có thể đánh giá product của người khác)
10s quảng cáo đã kết thúc giờ mình quay lại phần chính.
Bài toán mình gặp là cần xây dựng một luồng tự động hoá để scale chiến dịch email outreach số lượng lớn. Mình muốn build một AI agent thay thế cả ngàn giờ nghiên cứu khách hàng tiềm năng - và mình muốn viết mail cho họ như thể mình đã tìm hiểu doanh nghiệp của họ suốt nhiều tháng vậy. Cụ thể:
Problem Statement.
Joey, một thành viên trong team Go-To-Market (GTM) của công ty SaaS, đang gặp khó khăn trong việc tạo và triển khai chiến dịch email outreach để tìm kiếm khách hàng tiềm năng.
Joey cần một workflow tự động hoá toàn bộ quy trình từ tìm kiếm profile tiềm năng - enrich dữ liệu - nghiên cứu profile khách hàng từ dữ liệu tìm được – viết email/ message cá nhân hoá cho từng khách hàng - tiếp cận qua email/LinkedIn.
Mỗi bước trên diễn ra rời rạc, tốn công sức, mất nhiều thời gian, trong khi conversion rate thấp và chưa có mấy hiệu quả. Chi phí thời gian đối với một công ty startup là rất lớn, do đó Joey cần một giải pháp tự động hoá quy trình GTM, giúp vận hành chiến dịch ở quy mô lớn, tiết kiệm thời gian mà vẫn đảm bảo chất lượng nội dung.
Sau khi phân tích, dưới đây là Core use cases mình cần giải quyết:
Upload danh sách lead hàng loạt (CSV, Google Sheets)
Tự động enrich thông tin lead (Person name, title, company, website, LinkedIn…)
Research thông tin lead: Company research + Persona research
Cá nhân hoá email/ message dựa trên dữ liệu đã enrich bằng AI
Gửi & theo dõi chiến dịch email tự động
Dashboard đo hiệu suất: open, reply, bounce, top-performing template
Mình chưa đủ thời gian và khả năng build product cho tất cả các use case trên, do đó mình tập trung chọn 2 use cases: Research & cá nhân hoá email outreach.
Workflow mà mình định xây dựng có logic như sau:
Xây dựng một file Google Sheet với mỗi row = một lead tiềm năng mà mình muốn tiếp cận, mỗi column = một trường thông tin mà mình sẽ sử dụng để làm input cho các tác vụ của AI.
Khi mình cập nhật các thông tin lead (đã enrich data) vào file Google Sheet này (input = Get rows in Sheet), sẽ trigger automation để workflow chạy. Kết quả mình muốn là mỗi lead sẽ có một custom email được viết cẩn thận dựa trên nghiên cứu về công ty và bản thân khách hàng đó. (output = custom email, update rows in Sheet)
Để từ input ban đầu ra output cuối cùng đó, mình sử dụng ba AI agent nối tiếp nhau, với logic là: output của agent trước là input của agent sau. Ba agents này thực hiện 3 nhiệm vụ lần lượt là:
Industry Research agent: nghiên cứu công ty và ngành hàng của công ty để hiểu rõ đặc thù công ty và cách kiếm tiền của họ
Rework Proposition agent: dựa trên nghiên cứu công ty đã tìm được ở phía trước, kết hợp với kiến thức về sản phẩm Rework CRM, tìm ra giải pháp của Rework CRM cho công ty này.
Email Outreach agent: dựa vào pain point của khách hàng (đã tìm ra ở agent 1), và giải pháp của Rework (đã tìm ra ở agent 2), viết email cá nhân hoá cho khách hàng theo một cấu trúc/ yêu cầu cho trước.
Mỗi AI Agent này cũng cần phải định nghĩa rõ ràng về input và output của riêng nó:
Ví dụ: Industry Research agent
Input: Company name, Industry, Website, Social media link.
Output: Giới thiệu về công ty, Quy mô công ty, đặc thù ngành hàng, Tuổi đời, đối tượng khách hàng, Sales Cycle…
Prompt: Sử dụng các [input] để nghiên cứu và phân tích, sau đó đưa ra các [output] là các mô hình về Business Model Canvas, Value Chain, Go-to-market models,… nhằm hiểu được cách công ty này kiếm doanh thu/ lợi nhuận.
Tools: Mình sử dụng tools scrape website để đảm bảo agent này lấy thông tin có thật từ link mình cung cấp chứ không bịa đặt.
Tương tự với 2 agents còn lại, mình cũng xác định input, output và điều chỉnh prompt để ra được kết quả như ý muốn.
Dưới đây là kết quả email mình nhận được, và mình nghĩ mình đã đạt được mục tiêu: AI Agent thay thế cả ngàn giờ nghiên cứu khách hàng - như thể chúng mình đã tìm hiểu doanh nghiệp của họ suốt nhiều tháng vậy.
Rework Architecture – Nơi con người và AI thực sự làm việc cùng nhau
Tất cả những gì mình vừa chia sẻ – từ tư duy Input/Output, Black Box, cho đến service-oriented mindset – đều bắt nguồn từ một câu hỏi mà đội ngũ Rework từng đặt ra khi xây dựng sản phẩm:
“Nếu con người, phần mềm và AI có thể nói cùng một ngôn ngữ, họ có thể làm việc cùng nhau hiệu quả hơn không?”
Câu hỏi này là nền móng cho Rework Architecture, mô hình vận hành nơi AI và con người cộng tác dựa trên cùng một cấu trúc dịch vụ (Service Architecture).
Trong thế giới hiện nay, con người có thể hiểu nhau vì chúng ta chia sẻ một ngôn ngữ chung, nhưng giữa con người, phần mềm và AI – sự liên kết đó lại đang thiếu vắng. Phần mềm được thiết kế để ẩn đi độ phức tạp bên trong, nhưng AI lại cần ngữ cảnh rõ ràng để hành động. Kết quả là người dùng bị mắc kẹt trong những vòng lặp copy–paste, hướng dẫn AI từng bước chỉ để nó “hiểu mình đang nói gì”.
Vậy nếu AI tích hợp ngay trong phần mềm để hiểu ngữ cảnh thì sao? Và nếu con người chủ động tạo ra cấu trúc đó để AI sẵn sàng đọc hiểu ngữ cảnh thì sao?
Để vận hành doanh nghiệp tốt hơn, không cần tạo ra một “AI thông minh hơn”, mà cần tạo ra một ngôn ngữ chung – một shared protocol giúp AI hiểu được doanh nghiệp muốn gì, tiêu chuẩn quy trình là gì, và phải thực thi như thế nào. Từ niềm tin đó, Rework được xây dựng dựa trên Service Architecture – nơi mọi thứ trong doanh nghiệp, từ mục tiêu, dữ liệu đến hành động, đều được mô tả rõ ràng, minh bạch, và có thể được hiểu bởi cả con người lẫn AI.
Khi làm việc trong Rework, mình học cách thiết kế công việc như một chuỗi service nối tiếp nhau. Mỗi service có đầu vào (input) và đầu ra (output) được định nghĩa sẵn, giúp con người có chuẩn mực làm việc rõ ràng, và AI có thể tham gia ngay vào quy trình đó – tự động hóa thao tác, cung cấp dữ liệu hoặc đánh giá hiệu suất của từng service. Thay vì tách rời, hai bên bắt đầu hiểu cùng một ngôn ngữ vận hành.
Học tập & tiến hoá trong kỷ nguyên AI
AI thật sự là một giống loài kỳ lạ. Nó được con người tạo ra, nhưng lại có khả năng khiến chính con người phải kinh ngạc về tốc độ tiến hoá của nó. Nó học từ dữ liệu, từ ngôn ngữ, từ chính cách con người suy nghĩ và làm việc – và rồi, bằng một cách nào đó, nó phản chiếu ngược lại để khiến ta nhìn rõ hơn chính mình.
Và có lẽ, đây là một cách tiến hoá mới trong kỷ nguyên AI: không phải khi con người tạo ra những cỗ máy biết suy nghĩ, mà là khi chính con người trở nên thông minh hơn nhờ học cách làm việc với chúng. AI không chỉ thay đổi cách mình làm việc - nó đang thay đổi cách mình tư duy về công việc, về tri thức, và về chính giới hạn của bản thân. Nó vừa khiến mình thấy sự vô hạn của tri thức, vừa cảm thấy vô cùng nhỏ bé trước dòng chảy biến đổi không ngừng của thời gian.
Bài viết connect the dot này đã quá dài, nhưng mình nghĩ còn nhiều nữa những dấu chấm tiếp theo và hành trình học hành này sẽ vô cùng thú vị. Còn bạn thì sao? Hãy chia sẻ hành trình và trải nghiệm của bạn để mình cùng reflection nhé.







Ở phần Research bạn có thể tích hợp API của Perplexity, công cụ để research nên các thông tin cũng rõ ràng và chính xác cao hơn đó :D Mình đã thử và có tác dụng. Cảm ơn bạn đã chia sẻ!
Đang bảo ơ thấy ai viết quen quen giống lớp mình.
Đọc thấy xịn xịn té ra học sinh trong lớp.
Quá tự hào em ơi