Module 2: Khung Tư Duy 4D

AI Fluency: Delegation — Description — Discernment — Diligence

Tại sao 4D thay vì "prompt tricks"?
Prompt tricks lỗi thời mỗi khi có model mới. Khung 4D là hệ thống tư duy bất biến — áp dụng được cho mọi công cụ AI, mọi thế hệ.

Developed by: Prof. Rick Dakan (Ringling College of Art and Design) & Prof. Joseph Feller (University College Cork) — adopted by Anthropic.

Định Nghĩa AI Fluency

AI Fluency = Năng lực tương tác với hệ thống AI theo cách hiệu quả, năng suất, đạo đức và an toàn.

4 phẩm chất (4E):

Tổng Quan Khung 4D

                    CHIẾN LƯỢC (Strategic)
        ┌─────────────────────────────────────────┐
        │   D1 DELEGATION      D4 DILIGENCE       │
        │   "Ai làm gì?"  ←→  "Có trách nhiệm?"  │
        └─────────────────────────────────────────┘
                    THỰC THI (Tactical)
        ┌─────────────────────────────────────────┐
        │  D2 DESCRIPTION      D3 DISCERNMENT     │
        │  "Mô tả thế nào?" ←→ "Đánh giá ra sao?"│
        └─────────────────────────────────────────┘

4D không phải 4 bước tuần tự — đây là 4 ống kính bạn đeo đồng thời trong mọi tương tác AI.

D1 — Delegation (Ủy Thác / Giao Việc)

Câu hỏi cốt lõi: "Phần nào tôi tự làm, phần nào AI làm, phần nào cả hai cùng làm?"

Delegation xảy ra trước khi gõ prompt — đây là quyết định chiến lược.

3 thành phần của Delegation:

1. Problem Awareness — Hiểu bản thân

• Task này đòi hỏi kỹ năng gì?
• Phần nào cần judgment, sáng tạo, ethical sense của người?
• Phần nào có thể AI làm tốt hơn hoặc nhanh hơn?

2. Platform Awareness — Hiểu AI

• Claude giỏi gì? Kém gì?
• Model nào phù hợp với task này?

3. Task Delegation — Phân công thông minh

Nguyên tắc vàng: Domain expertise của bạn là điều kiện tiên quyết. AI nhân lên (multiply) chuyên môn của bạn — không thay thế nó.

D2 — Description (Mô Tả)

Câu hỏi cốt lõi: "Làm sao truyền đạt ý định với AI để xây dựng môi trường nhận thức (cognitive environment) chung?"

Description không chỉ là "viết prompt hay" — đây là toàn bộ cách bạn thiết lập không gian cộng tác với AI.

3 Lớp Description:

Layer 1 — Product Description (Cái gì?)

Định nghĩa rõ output bạn muốn:

• Format: email / bullet list / table / code / slide
• Length: số từ, số bullet, số slide
• Audience: ai đọc? trình độ? mối quan tâm?
• Style: formal / casual / concise / narrative
• Success criteria: kết quả như thế nào là "đủ tốt"?

Layer 2 — Process Description (Như thế nào?)

Chỉ dẫn phương pháp tiếp cận:

• Bước nào trước, bước nào sau?
• Framework nào áp dụng? (RICE, SWOT, OKR...)
• Reference data / file nào?
• Có example bạn muốn AI follow style không?

Layer 3 — Performance Description (Hành xử ra sao?)

Định nghĩa cách AI cư xử trong cộng tác:

• Cần AI narrowing toward 1 answer hay exploring options?
• Challenge assumptions hay follow lead bạn?
• Concise hay detailed?
• Hỏi clarifying hay tự suy diễn?
• Tone nào? (Phản biện, đồng thuận, trung lập?)

❌ Weak (chỉ có Product):
"Viết email cho khách hàng phàn nàn về bug."

✅ Strong (đủ 3 lớp):
[Product]  Viết email ≤150 từ, không dùng markdown, gửi qua Gmail.
[Process]  Bước 1: Acknowledge vấn đề với empathy. 
           Bước 2: Nêu ETA fix (48h). 
           Bước 3: Offer 10% discount coupon.
[Perform.] Giọng warm nhưng professional. KHÔNG over-apologize.
           Nếu ETA cần đổi, hỏi tôi trước khi finalize.

Insight: Ai cũng nói Product. Người tốt thêm Process. Người fluent nói đủ cả Performance — khía cạnh bị bỏ qua nhiều nhất.

D3 — Discernment (Thẩm Định / Đánh Giá)

Câu hỏi cốt lõi: "AI viết hay không có nghĩa là AI viết đúng."

Discernment là hệ thống kiểm soát chất lượng của bạn. Đây là vòng lặp iterative — không phải accept/reject một lần.

3 Lớp Discernment (đối xứng với Description):

Product Discernment — Output có đúng?

• Số liệu, ngày, tên người có chính xác không? (AI hay fabricate)
• Citations có thật không? (AI hay hallucinate tác giả + paper)
• Có phù hợp với audience không?
• Có câu nào nghe "generic AI" không?
• Có thực sự giải quyết vấn đề của tôi không?

Vùng nguy hiểm cao: Tên người, năm, sự kiện, trích dẫn văn bản gốc, luật/quy định, công thức toán.

Process Discernment — AI nghĩ đúng cách không?

• AI có xem xét mọi factor relevant không?
• Có assumption nào về context của bạn không đúng không?
• Có logic leap nào đáng ngờ không?
• Nếu AI search web — nguồn có đáng tin không?

Performance Discernment — Hành vi AI có phục vụ bạn?

• AI có đang giúp bạn nghĩ, hay chỉ tạo content nhanh?
• AI có nịnh quá không? (Nguy hiểm — làm bạn miss errors)
• AI có quá cautious, thêm disclaimers dài làm loãng ý?
• AI có hiểu đúng giọng và culture của bạn không?

Cách phản hồi khi Discernment phát hiện vấn đề:

"AI hỏi quá nhiều câu làm rõ khi tôi cần trả lời ngay"
→ "Giả định và đi thẳng, tôi sẽ sửa nếu sai"

"AI trả lời quá dài"
→ "Rút gọn còn 3 bullet points chính"

"AI luôn đồng ý với tôi"
→ "Hãy phản biện nghiêm túc, đừng khen lấy lòng"

"AI nhắc lại yêu cầu trước khi trả lời"
→ "Đừng nhắc lại yêu cầu, trả lời trực tiếp"

D4 — Diligence (Cẩn Trọng & Trách Nhiệm)

Câu hỏi cốt lõi: "Cộng tác này có ethical, transparent, và tôi có chịu trách nhiệm cho output không?"

Nếu D1–D3 hướng đến effective + efficient, thì D4 đảm bảo ethical + safe.

3 Thành phần:

4.1 — Creation Diligence (Cẩn trọng khi chọn tool)

Trước khi paste dữ liệu vào AI, hỏi:

• Hệ thống này train thế nào? Ai sở hữu dữ liệu tôi nhập vào?
• Tôi có đang bảo vệ privacy của mình và người khác không?
• Việc này có align với policy tổ chức tôi không?

Ví dụ: Claude.ai có option tắt việc dùng conversation để train model — kiểm tra Settings trước khi share dữ liệu nhạy cảm.

4.2 — Transparency Diligence (Minh bạch khi nào?)

Quote vàng: "Transparency không phải chỉ để follow rules — là duy trì trust và respect trong các mối quan hệ của bạn."

4.3 — Deployment Diligence (Trước khi share ra ngoài)

Checklist trước khi submit / publish / send:

• Fact-check mọi claim có số, tên, ngày tháng
• Check bias (AI có thể lặp lại stereotype từ training data)
• Check accuracy của citation (AI hay hallucinate)
• Check copyright (AI có thể sinh text quá giống nguồn có sẵn)
• Bạn có thể explain mọi phần của output nếu bị hỏi không?

Điểm quan trọng nhất: Dù AI làm 95% khối lượng công việc, bạn own 100% responsibility cho output được ship.

Hai Vòng Lặp Lồng Nhau

Khung 4D hoạt động qua 2 vòng lặp liên tục tác động lẫn nhau:

Vòng 1 — CHIẾN LƯỢC (Chu kỳ dài):
┌─────────────────────────────────────────────────────┐
│  DELEGATION ←──────────────────────→ DILIGENCE      │
│  "Tôi có nên dùng AI cho việc này?" ←→              │
│  "Tôi sẽ chịu trách nhiệm ra sao?"                  │
└─────────────────────────────────────────────────────┘
         ↕ (quyết định chiến lược định hình thực thi)
Vòng 2 — THỰC THI (Chu kỳ ngắn, hàng ngày):
┌─────────────────────────────────────────────────────┐
│  DESCRIPTION ←──────────────────────→ DISCERNMENT   │
│  Mô tả → AI tạo → Đánh giá → Tinh chỉnh → Lặp lại │
└─────────────────────────────────────────────────────┘

Hầu hết tương tác AI thực tế là nhiều vòng lặp nhỏ Description–Discernment, không phải 1 prompt ra 1 sản phẩm.

Khi Nào Quay Lại D Nào?

Discernment phát hiện vấn đề →
  90% trường hợp: Back to DESCRIPTION (mô tả lại tốt hơn)
  10% trường hợp: Back to DELEGATION (chia việc lại, hoặc rút AI ra)

Diligence phát hiện rủi ro →
  Có thể reshape DELEGATION (không dùng AI cho phần này nữa)

Self-Assessment: Bạn Đang Ở Đâu?

Tự chấm điểm (1–10) để biết chữ D nào cần đào sâu:

Làm lại sau khóa học — bạn sẽ thấy bước nhảy rõ ràng.

Tóm Tắt Module 2

Bước Tiếp Theo

→ Module 3: Prompt Engineering — 6 kỹ thuật cốt lõi & Eval-driven development
→ Đọc thêm: Efficient Prompt Engineering Guide — chi tiết 6 kỹ thuật từ Module 3

Source: Claude Course 2026 — NotebookLM