Mở đầu — vì sao bài này quan trọng
Có một câu hỏi mà gần như mọi PM đều hỏi tôi khi mới bắt đầu dùng AI vào công việc: "Anh ơi, em nên dùng cái nào — ChatGPT, Claude hay Gemini?". Và câu trả lời thành thật nhất của tôi luôn làm họ hơi thất vọng: "Tùy việc em làm gì."
Nghe có vẻ né tránh, nhưng đây chính là tư duy quan trọng nhất của bài học này. Trong thực tế, rất nhiều PM rơi vào một trong hai cái bẫy. Bẫy thứ nhất là "trung thành mù quáng" — dùng đúng một công cụ cho mọi việc vì đã quen, kể cả khi nó không phải lựa chọn tốt nhất. Bẫy thứ hai là "đứng núi này trông núi nọ" — liên tục nhảy qua nhảy lại giữa các công cụ vì đọc được một bài viết khen mô hình nào đó, mà không bao giờ thật sự thành thạo cái nào.
Cả hai cái bẫy đều khiến bạn lãng phí: lãng phí thời gian, lãng phí tiền bạc (subscription chồng chéo), và quan trọng hơn — lãng phí cơ hội tạo ra kết quả tốt. Một bản PRD được viết với mô hình phù hợp có thể tiết kiệm cho bạn vài giờ; một bản phân tích dữ liệu giao cho mô hình sai có thể dẫn bạn đến kết luận sai và một quyết định sản phẩm tệ.
Bài học này không nhằm tuyên bố "mô hình nào thắng". Mục tiêu của tôi là trang bị cho bạn một khung tư duy để tự đánh giá: với một tác vụ cụ thể, trong bối cảnh cụ thể của bạn, mô hình nào là lựa chọn hợp lý nhất. Đây là kỹ năng sẽ còn giá trị kể cả khi tên các mô hình thay đổi sau một năm nữa.
Khái niệm cốt lõi
Không có "best" — chỉ có "best for task"
Hãy hình dung ba mô hình AI lớn — Claude (Anthropic), ChatGPT (OpenAI) và Gemini (Google) — như ba đồng nghiệp giỏi nhưng có tính cách và sở trường khác nhau. Một người viết lách mạch lạc và cẩn thận, một người đa năng và có hệ sinh thái công cụ phong phú, một người gắn chặt với kho dữ liệu và các sản phẩm của Google. Bạn sẽ không giao mọi việc cho cùng một người, đúng không?
Điểm mấu chốt: chất lượng đầu ra phụ thuộc vào sự khớp giữa bản chất tác vụ và thế mạnh của mô hình, chứ không phải vào việc mô hình nào "thông minh hơn" trên bảng xếp hạng benchmark. Benchmark là tham khảo, không phải chân lý cho công việc thực tế của bạn.
Bức tranh sức mạnh năm 2026
Tôi sẽ mô tả theo "tính cách" thay vì con số benchmark, vì con số thay đổi liên tục còn đặc tính thì ổn định hơn.
ChatGPT (dòng GPT-4o, o1 và các bản kế nhiệm) — Đây là "con dao đa năng" với hệ sinh thái mạnh nhất. Điểm nổi bật là các công cụ tích hợp: Code Interpreter (chạy code Python để phân tích dữ liệu, vẽ biểu đồ ngay trong chat), tạo ảnh (DALL-E và các thế hệ sau), duyệt web, cùng kho Custom GPTs khổng lồ do cộng đồng xây. Dòng o1/o-series mạnh ở suy luận từng bước cho bài toán logic, toán, lập kế hoạch phức tạp. Nếu bạn cần một công cụ "làm được gần như mọi thứ" và muốn vọc nhiều tính năng, ChatGPT thường là điểm khởi đầu tự nhiên.
Claude (dòng Sonnet, Opus) — Sở trường rõ nhất là viết và xử lý văn bản dài. Văn phong tự nhiên, có cấu trúc, ít "máy móc", và đặc biệt là khả năng giữ mạch khi đọc tài liệu rất dài (cửa sổ ngữ cảnh lớn — có thể nuốt cả một tập tài liệu nghiên cứu, nhiều bản transcript phỏng vấn, hay một PRD dài hàng chục trang). Claude cũng có xu hướng cẩn trọng, ít "bịa" tự tin hơn khi không chắc chắn, và tuân thủ hướng dẫn định dạng tốt. Với PM, đây là lựa chọn rất mạnh cho viết PRD, tóm tắt khối lượng feedback lớn, soạn thảo tài liệu.
Gemini (Google) — Lợi thế lớn nhất nằm ở sự gắn kết với hệ sinh thái Google: Docs, Sheets, Gmail, Drive, và khả năng truy xuất thông tin gắn với Google Search. Gemini xử lý đa phương thức (multimodal — văn bản, hình ảnh, và mạnh ở video) tốt, cũng có cửa sổ ngữ cảnh rất lớn. Nếu công ty của bạn chạy trên Google Workspace, Gemini có thể nhúng thẳng vào luồng làm việc hằng ngày mà không cần copy-paste qua lại.
Bốn trục để bạn tự ra quyết định
Thay vì học thuộc bảng so sánh (sẽ lỗi thời nhanh), hãy nhớ bốn trục đánh giá sau và áp vào từng tác vụ:
- Bản chất tác vụ — Viết lách dài? Suy luận logic? Phân tích dữ liệu có cấu trúc? Tạo hình ảnh/video? Mỗi loại có mô hình mạnh hơn.
- Hệ sinh thái và tích hợp — Công cụ của bạn có cần nối với Google Workspace, với code, với dữ liệu nội bộ không? Mô hình nào nằm sẵn trong luồng làm việc của bạn?
- Ràng buộc dữ liệu và bảo mật — Dữ liệu bạn đưa vào có nhạy cảm không? Chính sách quyền riêng tư, nơi lưu trữ, có dùng bản doanh nghiệp (enterprise) không? (Bài về AI guardrails sẽ đào sâu phần này; ở đây chỉ cần coi nó là một tiêu chí chọn mô hình.)
- Chi phí và tốc độ — Tác vụ này làm một lần hay lặp hàng nghìn lần? Bạn cần câu trả lời ngay hay chấp nhận chậm để chất lượng cao hơn?
Tình huống thực tế
Tình huống 1 — Tiki và bài toán tổng hợp 4.000 đánh giá khách hàng
Giả định một PM tại Tiki (sàn thương mại điện tử Việt Nam) cần tổng hợp khoảng 4.000 đánh giá khách hàng về tính năng "giao hàng nhanh TikiNOW" để chuẩn bị cho buổi review quý. Ban đầu chị dùng ChatGPT, nhưng vì khối lượng văn bản quá lớn, chị phải chia nhỏ thành nhiều lần dán, và sau vài lần mô hình bắt đầu "quên" những gì đã đọc ở đoạn trước, dẫn đến bản tóm tắt rời rạc.
Chị chuyển khối dữ liệu sang Claude vì cửa sổ ngữ cảnh lớn cho phép đưa toàn bộ 4.000 đánh giá vào trong ít lần hơn, giữ được mạch xuyên suốt. Kết quả là một bản tóm tắt có chủ đề rõ ràng: 38% phàn nàn về việc shipper gọi điện quá gấp, 22% khen tốc độ, 15% nói về đóng gói. Văn phong tổng hợp gọn gàng, dùng được gần như nguyên văn cho slide.
Bài học rút ra: Với tác vụ "đọc khối lượng văn bản lớn và tổng hợp thành văn bản mạch lạc", thế mạnh ngữ cảnh dài và văn phong của Claude tỏ ra phù hợp. Đây là khớp tác vụ, không phải Claude "thông minh hơn" nói chung.
Tình huống 2 — Startup fintech tại TP.HCM phân tích dữ liệu cohort
Một startup fintech giả định ở TP.HCM cần phân tích nhanh một file CSV chứa dữ liệu 12.000 người dùng để xem tỷ lệ giữ chân (retention) theo từng nhóm đăng ký theo tháng. PM ở đây không rành SQL hay Python, và cũng không muốn chờ team data bận rộn.
Anh dùng ChatGPT với Code Interpreter: tải thẳng file CSV lên, yêu cầu "tính retention theo cohort tháng đăng ký, vẽ biểu đồ heatmap". Trong vài phút, mô hình tự chạy code Python, trả về bảng số và một biểu đồ trực quan — phát hiện cohort tháng 3 có retention tháng-2 thấp bất thường (chỉ 19% so với mức trung bình 34%), khớp với thời điểm có một bản cập nhật app gây lỗi đăng nhập. Nếu dùng một mô hình chỉ "nói" mà không "chạy được code trên dữ liệu của bạn", anh sẽ chỉ nhận được gợi ý chung chung thay vì con số thật.
Bài học rút ra: Khi tác vụ là phân tích dữ liệu có cấu trúc và cần tính toán thật trên file của bạn, khả năng thực thi code (Code Interpreter của ChatGPT) là yếu tố quyết định — không phải văn phong hay độ dài ngữ cảnh.
Tình huống 3 — Phòng marketing dùng Google Workspace chuẩn bị kế hoạch ra mắt
Một công ty SaaS giả định ở Hà Nội vận hành toàn bộ trên Google Workspace — mọi tài liệu nằm trên Docs và Sheets, lịch họp trên Google Calendar. PM của nhóm cần soạn một bản kế hoạch ra mắt tính năng, kéo dữ liệu ngân sách từ một Sheet và bối cảnh từ vài Docs đã có.
Thay vì copy-paste từng phần qua một công cụ bên ngoài, chị dùng Gemini tích hợp ngay trong Workspace: nó đọc trực tiếp các Docs liên quan, tham chiếu số liệu trong Sheet, và soạn bản nháp ngay trong Google Docs. Việc nằm trọn trong một hệ sinh thái giúp giảm ma sát thao tác và tránh rủi ro dán nhầm phiên bản tài liệu cũ. Đổi lại, chị thừa nhận rằng với những đoạn viết cần "đánh bóng" văn phong tinh tế nhất, chị vẫn mang sang Claude để chỉnh lại lần cuối.
Bài học rút ra: Khi lợi thế tích hợp hệ sinh thái lấn át khác biệt nhỏ về chất lượng đầu ra, mô hình nằm sẵn trong luồng làm việc (ở đây là Gemini với Workspace) lại là lựa chọn năng suất nhất. Và đôi khi giải pháp tốt nhất là kết hợp: mỗi mô hình một công đoạn.
Hướng dẫn từng bước
Đây là quy trình tôi khuyên bạn áp dụng mỗi khi phân vân chọn mô hình:
Bước 1 — Gọi tên tác vụ thật cụ thể. Đừng nói "viết tài liệu" mà hãy nói "tóm tắt 30 trang transcript phỏng vấn thành bản insight 1 trang". Càng cụ thể, việc chọn càng dễ. Phần lớn quyết định sai bắt nguồn từ việc mô tả tác vụ quá mơ hồ.
Bước 2 — Phân loại tác vụ vào một trong các nhóm chính. Viết/tóm tắt văn bản dài → nghiêng về Claude. Phân tích dữ liệu có cấu trúc, chạy tính toán → nghiêng về ChatGPT (Code Interpreter). Suy luận logic nhiều bước → ChatGPT dòng o-series. Việc gắn chặt Google Workspace, đa phương thức video → Gemini. Tạo ảnh → ChatGPT (DALL-E) hoặc công cụ chuyên dụng.
Bước 3 — Soát ba ràng buộc còn lại. Hỏi nhanh: Dữ liệu có nhạy cảm không (ảnh hưởng tới việc dùng bản nào, có cho phép không)? Mô hình có sẵn trong luồng làm việc của tôi không? Việc này lặp nhiều lần khiến chi phí/tốc độ trở thành vấn đề không?
Bước 4 — Chạy "bài test khớp việc" của riêng bạn. Lấy một tác vụ thật bạn làm thường xuyên, đưa cùng một prompt cho hai mô hình, so sánh đầu ra. Đây là dữ liệu đáng tin hơn mọi bài review trên mạng vì nó phản ánh đúng việc của bạn.
Bước 5 — Chốt một "mô hình mặc định" và một "mô hình dự phòng". Đừng cố thành thạo cả ba ngang nhau. Hãy chọn một mô hình làm chủ lực cho 80% công việc, một mô hình thứ hai cho các tác vụ ngoại lệ. Sự thành thạo sâu thường tạo ra nhiều giá trị hơn việc "biết qua loa" cả ba.
Bước 6 — Đặt lịch xem lại mỗi quý. Các mô hình cập nhật rất nhanh. Một thế mạnh hôm nay có thể bị mô hình khác bắt kịp sau ba tháng. Mỗi quý, hãy chạy lại bài test khớp việc ở Bước 4 cho những tác vụ quan trọng nhất.
Lỗi thường gặp & mẹo
Lỗi 1 — Chọn mô hình theo bảng xếp hạng benchmark. Một mô hình đứng đầu benchmark toán học chưa chắc viết PRD hay hơn. Benchmark đo những thứ chuẩn hóa, không đo "việc thật" của bạn. Mẹo: chỉ tin bài test khớp việc do chính bạn chạy.
Lỗi 2 — Trung thành với một công cụ duy nhất vì đã trả tiền. Tâm lý "đã mua gói thì dùng cho mọi việc" khiến bạn giao sai việc cho sai công cụ. Mẹo: tính chi phí theo giá trị tạo ra, không theo việc tận dụng subscription.
Lỗi 3 — Nhầm "mô hình dở" với "prompt dở". Rất nhiều lần đầu ra tệ là do prompt mơ hồ chứ không phải mô hình kém. Trước khi đổi mô hình, hãy thử cải thiện prompt (các bài về prompt engineering trong khóa này sẽ giúp bạn).
Lỗi 4 — Bỏ qua yếu tố tiếng Việt. Chất lượng xử lý tiếng Việt giữa các mô hình có thể khác nhau, đặc biệt với sắc thái, dấu câu và văn phong địa phương. Đây là tiêu chí quan trọng với PM Việt Nam — và là chủ đề được đào sâu ở bài riêng về cân nhắc tiếng Việt; ở đây chỉ cần nhớ đưa nó vào bài test khớp việc.
Lỗi 5 — Đưa dữ liệu nhạy cảm vào bản miễn phí/cá nhân mà không kiểm tra chính sách. Mẹo: với dữ liệu khách hàng hay nội bộ, luôn xác nhận bạn đang dùng phiên bản có cam kết bảo mật phù hợp trước khi dán.
Mẹo vàng: Hãy nghĩ như một PM phân bổ nguồn lực, không như một fan hâm mộ. Bạn không "ủng hộ đội bóng" — bạn điều phối một đội ngũ trợ lý, mỗi người làm phần họ giỏi nhất.
Bài tập thực hành
- Lập bản đồ tác vụ của bạn. Liệt kê 5 tác vụ AI bạn làm thường xuyên nhất trong tuần (ví dụ: tóm tắt feedback, viết user story, phân tích số liệu, soạn email stakeholder, brainstorm ý tưởng). Với mỗi tác vụ, ghi nó thuộc nhóm nào trong Bước 2 ở trên.
- Chạy bài test khớp việc. Chọn 2 tác vụ trong danh sách trên. Với mỗi tác vụ, đưa cùng một prompt cho hai mô hình khác nhau và lưu lại cả hai đầu ra. Tự chấm điểm theo ba tiêu chí: độ chính xác, độ phù hợp văn phong, thời gian tiết kiệm được.
- Quyết định cấu hình mặc định. Dựa trên kết quả test, viết ra một câu cho mỗi loại tác vụ: "Với [loại tác vụ], tôi chọn [mô hình] vì [lý do gắn với 4 trục đánh giá]". Đây sẽ là kim chỉ nam cá nhân của bạn.
- Tự phản biện. Chọn quyết định bạn tự tin nhất ở bài 3 và viết một lập luận ngược lại: trong hoàn cảnh nào lựa chọn đó sẽ sai? Bài tập này rèn cho bạn không rơi vào "trung thành mù quáng".
Tóm tắt
- Không có mô hình "tốt nhất" tuyệt đối — chỉ có mô hình tốt nhất cho một tác vụ cụ thể trong bối cảnh cụ thể của bạn.
- Hãy hình dung Claude, ChatGPT và Gemini như ba đồng nghiệp giỏi nhưng khác sở trường: Claude mạnh ở viết và xử lý văn bản dài; ChatGPT đa năng với hệ sinh thái công cụ phong phú (Code Interpreter, tạo ảnh, suy luận o-series); Gemini gắn chặt hệ sinh thái Google và đa phương thức.
- Ra quyết định dựa trên bốn trục: bản chất tác vụ, hệ sinh thái/tích hợp, ràng buộc dữ liệu/bảo mật, và chi phí/tốc độ.
- Đừng tin benchmark — hãy tin "bài test khớp việc" do chính bạn chạy trên tác vụ thật.
- Chọn một mô hình mặc định cho 80% công việc, một mô hình dự phòng cho ngoại lệ, và xem lại mỗi quý vì các mô hình tiến hóa nhanh.
- Tư duy đúng là tư duy của một PM phân bổ nguồn lực: điều phối đội ngũ trợ lý AI, giao mỗi việc cho công cụ làm tốt nhất.