AI Cho Research

Level: L5 — AI For Real Work (Bài 1/12)

1. Mục tiêu học tập

Sau bài này, bạn có thể:

Thực hiện workflow nghiên cứu đầu-cuối: từ câu hỏi mơ hồ tới 1 bộ deliverable có căn cứ, trích dẫn được.
Áp dụng nguyên tắc “duyệt kế hoạch trước khi thực thi” để giữ quyền kiểm soát hướng nghiên cứu.
Áp dụng kỹ thuật “tam giác hóa” (triangulation) — đối chiếu nhiều nguồn/phương pháp trước khi tin vào 1 con số ước tính.
Biết áp dụng 1 khung nghiệp vụ có thẩm quyền (TAM/SAM/SOM) khi nghiên cứu liên quan tới quy mô thị trường.

2. Khái niệm cốt lõi — Jobs-to-be-done

Công việc thật đằng sau “research” trong công việc thường là: cần đủ thông tin đáng tin cậy để ra 1 quyết định hoặc thuyết phục người khác (có nên ra mắt sản phẩm này? thị trường này lớn tới đâu? đối thủ đang làm gì?) — không phải “tìm thông tin” đơn thuần. Sự khác biệt quan trọng: research cho công việc luôn có 1 quyết định/deliverable ở cuối, không dừng lại ở việc biết thêm thông tin.

Ví dụ workflow chính thức (Anthropic, qua Claude Cowork) — định lượng thị trường:

Mô tả thị trường cần định lượng + output mong muốn (trình chiếu, Excel, tài liệu có trích dẫn).
AI hỏi lại để làm rõ phạm vi (thị trường, địa lý, mốc thời gian, giả định hiện có).
AI xây 1 kế hoạch nghiên cứu, người dùng duyệt kế hoạch đó TRƯỚC KHI AI bắt đầu lấy dữ liệu — kiểm tra đúng phân khúc/khu vực/khung phân tích.
AI thực thi nghiên cứu, áp dụng khung TAM/SAM/SOM (Total Addressable Market / Serviceable Available Market / Serviceable Obtainable Market — khung định lượng thị trường được dùng rộng rãi trong giới kinh doanh/đầu tư), tạo ra bộ deliverable đồng bộ [S82].

3. Tại sao nội dung này quan trọng

Nghiên cứu sai hoặc thiếu căn cứ dẫn tới quyết định sai — và AI có thể tạo ra 1 bản báo cáo “trông rất chuyên nghiệp” dù thông tin bên trong chưa được xác minh đủ. Bước “duyệt kế hoạch trước khi thực thi” và “tam giác hóa” là 2 kỹ thuật giúp giữ quyền kiểm soát và độ tin cậy — khác hẳn cách dùng AI như “hỏi 1 câu, nhận 1 câu trả lời, tin luôn”.

4. Cơ chế hoạt động — Input & Context

Trước khi bắt đầu, cần chuẩn bị:

Câu hỏi/quyết định cần trả lời — càng cụ thể càng tốt (không phải “nghiên cứu về ngành X” mà “quy mô thị trường Y ở khu vực Z trong 3 năm tới là bao nhiêu, để quyết định có đầu tư mở rộng không”).
Tài liệu/dữ liệu nội bộ có sẵn (nếu có) — báo cáo cũ, dữ liệu bán hàng, ghi chú phỏng vấn khách hàng — giúp AI không phải bắt đầu từ số 0 và giảm rủi ro “ảo giác” số liệu.
Output mong muốn — quyết định ngay từ đầu cần trình chiếu, báo cáo văn bản, hay bảng tính, để AI cấu trúc quá trình nghiên cứu phù hợp.

5. Mental model

Coi AI như 1 nhà nghiên cứu cấp dưới rất nhanh nhẹn nhưng cần được giao việc rõ ràng và kiểm tra lại — bạn không tự đi tìm từng nguồn, nhưng bạn duyệt kế hoạch trước khi nó bắt tay vào việc (như duyệt đề cương trước khi 1 thực tập sinh viết báo cáo), và bạn đối chiếu lại kết luận quan trọng nhất trước khi trình lên cấp trên hoặc dùng để quyết định.

6. Hướng dẫn từng bước — Workflow đầu-cuối

Workflow cốt lõi (tổng quát hóa từ S82, áp dụng được cho nhiều loại research, không chỉ định lượng thị trường):

Xác định câu hỏi/quyết định cần trả lời — viết thành 1 câu cụ thể.
Cung cấp ngữ cảnh/tài liệu có sẵn — càng nhiều tài liệu nội bộ tin cậy, AI càng ít phải “đoán” hoặc dùng nguồn ngoài chưa kiểm chứng.
Xem lại/làm rõ phạm vi — nếu AI hỏi lại (phạm vi, thời gian, giả định), trả lời rõ ràng thay vì bỏ qua.
Duyệt kế hoạch trước khi AI thực thi sâu (bước kiểm soát quan trọng nhất) — xác nhận đúng hướng trước khi để AI tốn thời gian nghiên cứu sai hướng.
AI thực thi thu thập + tổng hợp — có trích dẫn nguồn.
Tam giác hóa (Kiểm soát chất lượng) — đối chiếu số liệu/kết luận quan trọng nhất với ít nhất 1 nguồn độc lập khác (báo cáo phân tích, dữ liệu nội bộ, chuyên gia) trước khi tin dùng — đúng khuyến nghị chính thức “cross-check bottom-up calculations against analyst reports” [S82].
Tổng hợp thành deliverable cuối — theo đúng định dạng đã xác định ở bước 1.

7. Ví dụ thực tế — Deliverable cụ thể

Ví dụ chính thức (S82): yêu cầu “định lượng thị trường phần mềm quản lý dự án cho doanh nghiệp vừa và nhỏ ở Đông Nam Á” → AI hỏi lại phạm vi (chỉ SME hay cả lớn? 3 năm hay 5 năm?) → xây kế hoạch nghiên cứu, người dùng duyệt kế hoạch → AI thực thi, áp dụng TAM/SAM/SOM → tạo 3 file đồng bộ: PowerPoint tóm tắt điều hành (10-12 slide), Excel chi tiết tính toán + phương pháp luận, markdown có trích dẫn từng số liệu [S82].

Deliverable của workflow này (tổng quát): 1 bộ tài liệu có căn cứ, trích dẫn được, đã qua ít nhất 1 vòng tam giác hóa của con người, đủ để dùng cho quyết định/thuyết trình thật.

8. Prompt/template/workflow — Cơ hội tái sử dụng

Câu hỏi/quyết định cần trả lời: ___
Phạm vi (thị trường/khu vực/thời gian): ___
Tài liệu/dữ liệu nội bộ có sẵn: ___
Output mong muốn: ___

[ ] Số liệu/kết luận quan trọng nhất là gì?
[ ] Có ít nhất 1 nguồn độc lập khác xác nhận số liệu này không?
[ ] Nếu 2 nguồn không khớp, chênh lệch đó có giải thích được không?

Nếu bạn thực hiện cùng 1 dạng nghiên cứu lặp lại (ví dụ: rà soát đối thủ hàng quý), đây là ứng viên tốt để đóng gói thành Skill (Level 4) — dẫn chiếu bài 35, không giải thích lại.

9. Visual hoặc diagram cần thiết

Hình 5.1 — Workflow nghiên cứu 7 bước với 2 cổng kiểm soát: duyệt kế hoạch (bước 4) và tam giác hóa (bước 6). [S82]

10. Bài tập thực hành — Mini-project

Chọn 1 câu hỏi nghiên cứu thật cho công việc/dự án cá nhân của bạn.
Điền khung câu hỏi ở mục 8.
Yêu cầu AI xây kế hoạch nghiên cứu trước — đọc kỹ, chỉnh sửa nếu thiếu góc nhìn quan trọng, trước khi để AI thực thi.
Sau khi có kết quả, áp dụng checklist tam giác hóa cho ít nhất 1 số liệu quan trọng nhất.
Ghi lại: kế hoạch ban đầu AI đề xuất có bỏ sót góc nhìn nào bạn phải tự bổ sung không?

11. Checklist

Viết câu hỏi nghiên cứu cụ thể, có gắn với 1 quyết định/deliverable.
Luôn duyệt kế hoạch nghiên cứu trước khi để AI thực thi sâu.
Áp dụng tam giác hóa cho ít nhất 1 số liệu/kết luận quan trọng nhất.
Không nhầm bài này với việc chỉ dùng tính năng Research (L3 bài 22) — workflow ở đây rộng hơn.

12. Lỗi thường gặp

Bỏ qua bước duyệt kế hoạch — AI có thể nghiên cứu đúng nhưng sai hướng (sai phân khúc, sai khung thời gian) mà không ai phát hiện tới khi đã tốn nhiều thời gian.
Không tam giác hóa — tin vào 1 con số duy nhất dù không có nguồn độc lập xác nhận, đặc biệt rủi ro với số liệu AI có thể “làm tròn” hoặc ước tính không có căn cứ vững.
Coi “research” = “bật tính năng Research” — bỏ lỡ phần quan trọng nhất của workflow (đặt câu hỏi đúng, duyệt kế hoạch, tam giác hóa) chỉ vì tập trung vào 1 công cụ cụ thể.

13. Giới hạn & khi nào KHÔNG nên áp dụng

Bài này không dạy lại cơ chế kỹ thuật của tính năng Research — xem L3 bài 22 nếu cần hiểu cơ chế agentic search.
Với nghiên cứu học thuật/khoa học đòi hỏi độ nghiêm ngặt cao (peer review, phương pháp luận chuyên sâu), workflow này chỉ là điểm khởi đầu, không thay thế quy trình nghiên cứu học thuật chính thức.
Khung TAM/SAM/SOM phù hợp cho nghiên cứu định lượng thị trường — không phải khung phù hợp cho mọi loại câu hỏi nghiên cứu (nghiên cứu định tính về hành vi người dùng cần phương pháp khác).

14. An toàn & quản trị (Safety/Governance)

Rủi ro lớn nhất là trình bày kết luận chưa tam giác hóa như thể đã được xác minh đầy đủ — đặc biệt nguy hiểm khi deliverable “trông chuyên nghiệp” (có slide, có bảng tính chi tiết) dễ khiến người đọc (kể cả chính bạn) tin tưởng quá mức. Với nghiên cứu dùng để ra quyết định đầu tư/kinh doanh quan trọng, luôn ghi rõ trong deliverable mức độ tin cậy của từng số liệu (đã tam giác hóa hay chỉ từ 1 nguồn).

15. Best practices

Luôn dành thời gian duyệt kế hoạch nghiên cứu — đây là bước rẻ nhất (tốn ít thời gian) nhưng tiết kiệm nhiều nhất nếu phát hiện sai hướng sớm.
Ưu tiên cung cấp tài liệu nội bộ thật thay vì để AI tự tìm từ đầu — giảm rủi ro số liệu không chính xác.
Với số liệu quan trọng nhất trong deliverable, luôn ghi rõ nguồn và mức độ tin cậy, không chỉ trình bày như 1 con số chắc chắn.

16. Nội dung nâng cao (không bắt buộc)

Chiến lược sản phẩm gần đây của Anthropic có xu hướng xây sản phẩm theo chiều dọc, cấp độ workflow (ví dụ: market sizing hoàn chỉnh qua Cowork) thay vì chỉ cung cấp năng lực mô hình thô — nghĩa là các workflow nghiên cứu chuyên biệt theo ngành (tài chính, pháp lý…) có thể tiếp tục xuất hiện thêm trong tương lai, đáng theo dõi khi cập nhật giáo trình.

17. Nguồn tham khảo

[S82] Size a Market Using Your Research, Anthropic (claude.com/resources/use-cases) — workflow đầu-cuối, khung TAM/SAM/SOM, nguyên tắc triangulation · Dẫn chiếu (không trích dẫn mới): L3 bài 22 (cơ chế kỹ thuật Research feature).

18. Ngày kiểm chứng

Workflow và claim kỹ thuật kiểm chứng qua nguồn Tier 1 (S82) ngày 2026-07-12.