Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng tình huống này: bạn là PM, đang gấp rút chuẩn bị một bản đề xuất chiến lược cho buổi họp với ban lãnh đạo vào sáng mai. Bạn hỏi ChatGPT: "Quy mô thị trường thương mại điện tử Việt Nam năm 2025 là bao nhiêu?" và nhận về một câu trả lời rất gọn gàng, đầy con số: "Thị trường đạt 39 tỷ USD, tăng trưởng 28%, theo báo cáo của Google e-Conomy SEA 2024." Bạn copy thẳng vào slide, tự tin trình bày. Đến khi một thành viên hội đồng — vốn là người từng làm tại Google — nhíu mày hỏi: "Con số này lấy ở đâu? Tôi nhớ báo cáo đó nói khác." Bạn đứng hình. Hóa ra con số đó không tồn tại trong báo cáo nào cả. AI đã "bịa" ra nó.
Đó chính là hallucination (ảo giác) — và nó là một trong những rủi ro nguy hiểm nhất khi PM dùng AI. Nguy hiểm không phải vì AI sai (phần mềm nào cũng có lỗi), mà vì AI sai một cách rất tự tin, rất trôi chảy, rất giống thật. Một câu trả lời sai be bét nhưng diễn đạt vụng về thì bạn dễ cảnh giác. Còn một câu trả lời sai nhưng văn phong mượt mà, có vẻ trích dẫn nguồn, có con số cụ thể — đó mới là cái bẫy chết người.
Với nghề PM, hậu quả của hallucination không chỉ là mất mặt trong một buổi họp. Nó có thể là một quyết định đầu tư sai, một PRD dựa trên thông tin bịa đặt, một phân tích đối thủ dẫn dắt cả team đi sai hướng trong nhiều tháng. Bài này sẽ giúp bạn hiểu vì sao AI ảo giác, nhận diện những dấu hiệu cảnh báo, và xây dựng thói quen kiểm chứng để dùng AI mà không bị nó dắt mũi.
Khái niệm cốt lõi
Hallucination là gì?
Hallucination là khi mô hình AI tạo ra output nghe có vẻ tự tin và hợp lý, nhưng thực chất sai sự thật, bịa đặt, hoặc tự mâu thuẫn. Nó không phải là lỗi cú pháp hay AI báo "tôi không biết" — ngược lại, AI trả lời rất dứt khoát, như thể đó là chân lý.
Có vài dạng hallucination phổ biến mà PM hay gặp:
- Bịa con số/dữ kiện: AI đưa ra số liệu thị trường, tỷ lệ chuyển đổi, dân số... mà không có thật.
- Bịa nguồn trích dẫn: AI viện dẫn "theo báo cáo McKinsey 2023", "nghiên cứu của Harvard Business Review" — nhưng báo cáo/nghiên cứu đó không tồn tại, hoặc tồn tại nhưng không nói điều đó.
- Bịa tính năng/sự kiện: Bạn hỏi về tính năng của một công cụ (ví dụ Jira, Notion), AI mô tả một tính năng nghe rất hợp lý nhưng thực ra công cụ đó không có.
- Tự mâu thuẫn: Trong cùng một câu trả lời dài, AI nói A ở đoạn đầu rồi nói không-A ở đoạn sau.
- Bịa quan hệ nhân quả: AI khẳng định "tính năng X làm tăng retention vì Y" trong khi mối liên hệ đó chỉ là phỏng đoán nghe hợp lý.
Vì sao AI lại ảo giác? — Bản chất "đoán từ tiếp theo"
Để nhận diện hallucination tốt, bạn phải hiểu AI hoạt động ra sao ở mức cốt lõi. Mô hình ngôn ngữ lớn (LLM — Large Language Model) như GPT, Claude, Gemini không phải là một cỗ máy tra cứu sự thật. Nó là một cỗ máy dự đoán từ tiếp theo (next-token prediction).
Hãy hình dung thế này: LLM được huấn luyện trên một khối lượng văn bản khổng lồ, và nhiệm vụ duy nhất của nó là, cho một chuỗi từ phía trước, đoán xem từ nào có xác suất cao nhất sẽ xuất hiện tiếp theo. Nó giống như tính năng gợi ý từ trên bàn phím điện thoại — nhưng mạnh hơn hàng triệu lần. Khi bạn hỏi "Thủ đô của Việt Nam là...", mô hình đoán "Hà Nội" vì trong dữ liệu huấn luyện, hai chuỗi này đi cùng nhau với xác suất cực cao.
Vấn đề nằm ở chỗ: mô hình tối ưu cho việc tạo ra văn bản nghe hợp lý, chứ không tối ưu cho việc nói đúng sự thật. Hai mục tiêu này thường trùng nhau (vì sự thật thường được viết nhiều trong dữ liệu), nhưng không phải lúc nào cũng vậy. Khi bạn hỏi một điều mà mô hình không có đủ dữ liệu chắc chắn — ví dụ con số thị trường rất cụ thể của một năm gần đây — nó vẫn sẽ tạo ra một câu trả lời "nghe giống một câu trả lời đúng". Nó điền vào chỗ trống bằng những con số có hình dáng hợp lý. Đây không phải AI "cố tình lừa bạn"; nó đơn giản đang làm đúng công việc của mình: tạo chuỗi từ trôi chảy nhất.
Vài lý do cụ thể khiến hallucination xảy ra:
- Khoảng trống trong dữ liệu huấn luyện: Câu hỏi rơi vào vùng mô hình ít hoặc không có thông tin, nó "đoán đại" cho có.
- Knowledge cutoff (giới hạn thời điểm): Mô hình chỉ biết tới một mốc thời gian nhất định. Hỏi về sự kiện mới hơn, nó vẫn trả lời chứ ít khi tự thú nhận "tôi không biết".
- Áp lực phải trả lời: Mặc định, AI được thiết kế để luôn hữu ích, nên nó thiên về việc đưa ra câu trả lời thay vì im lặng.
- Câu hỏi mơ hồ hoặc dẫn dắt: Nếu bạn hỏi "Vì sao tính năng X thất bại?" thì AI sẽ ngoan ngoãn liệt kê lý do — kể cả khi tính năng X chưa hề thất bại. Nó tin theo giả định trong câu hỏi của bạn.
Vì sao hallucination khó phát hiện với PM?
Có ba lý do khiến PM đặc biệt dễ "dính bẫy":
- Văn phong tự tin: AI không bao giờ ậm ừ. Nó nói "rõ ràng là", "theo dữ liệu", "chắc chắn rằng" — khiến bạn mất cảnh giác.
- PM thường hỏi điều mình không rành: Bạn dùng AI chính vì muốn nhanh chóng nắm một lĩnh vực mới (thị trường mới, công nghệ mới). Mà khi bạn không rành, bạn càng khó phát hiện AI sai.
- Áp lực thời gian: PM luôn bận. Khi deadline cận kề, ta có xu hướng tin ngay câu trả lời đầu tiên thay vì kiểm chứng.
Tình huống thực tế
Tình huống 1: Con số thị trường "ma" tại một startup fintech TP.HCM
Một PM tại startup fintech ở TP.HCM được giao chuẩn bị tài liệu gọi vốn vòng Series A. Anh hỏi AI: "Có bao nhiêu người trưởng thành ở Việt Nam chưa có tài khoản ngân hàng (unbanked) tính đến 2025?" AI trả lời ngay: "Khoảng 69% dân số trưởng thành Việt Nam, tương đương 51 triệu người, chưa được tiếp cận dịch vụ ngân hàng, theo World Bank Global Findex 2024."
Con số nghe rất thuyết phục — có phần trăm, có số tuyệt đối, có tên tổ chức uy tín. PM đưa thẳng vào pitch deck. Đến vòng due diligence, một nhà đầu tư yêu cầu dẫn nguồn. Khi tra lại, hóa ra: tỷ lệ unbanked thực tế của Việt Nam đã giảm mạnh những năm gần đây (chỉ còn khoảng 30% theo các báo cáo cập nhật), và quan trọng hơn, không có ấn bản Global Findex 2024 — báo cáo này được World Bank phát hành theo chu kỳ vài năm một lần. AI đã ghép một con số cũ/sai với một cái tên báo cáo nghe có vẻ thật.
Bài học: Con số càng cụ thể, càng kèm "nguồn uy tín", bạn càng phải nghi ngờ — vì đó chính là dạng hallucination khó phát hiện nhất. Hãy luôn truy ngược về nguồn gốc thật.
Tình huống 2: Tính năng không tồn tại trong báo cáo so sánh công cụ
Một PM tại một công ty SaaS B2B ở Hà Nội đang đánh giá xem nên chọn công cụ quản lý dự án nào cho team. Cô hỏi AI: "So sánh khả năng tự động hóa workflow giữa Asana, ClickUp và Trello." AI tạo ra một bảng so sánh đẹp đẽ, trong đó ghi rằng "Trello hỗ trợ phân nhánh workflow điều kiện đa cấp (multi-level conditional branching) qua tính năng Butler Pro nâng cao."
Cô PM dựa vào đó, đề xuất chọn Trello cho một số use case phức tạp. Sau khi team dùng thử, họ phát hiện Trello (qua Butler) không hỗ trợ phân nhánh điều kiện đa cấp như AI mô tả — tính năng đó là sản phẩm của trí tưởng tượng. AI đã "trộn" khả năng của nhiều công cụ lại với nhau và gán cho Trello một cái tên tính năng nghe rất thật ("Butler Pro" thậm chí không phải tên gói chính thức).
Bài học: Với thông tin về tính năng sản phẩm — vốn thay đổi liên tục và rất cụ thể — AI cực kỳ dễ bịa. Luôn xác minh trực tiếp trên trang chính thức của nhà cung cấp hoặc dùng thử trước khi đưa vào quyết định.
Tình huống 3: AI "ngoan ngoãn" theo giả định sai của bạn
Một PM ở một sàn TMĐT khu vực Đông Nam Á nhận thấy tỷ lệ hoàn thành đơn hàng (checkout completion) giảm trong tháng. Cô hỏi AI: "Vì sao việc thêm bước xác minh OTP ở bước thanh toán làm giảm tỷ lệ checkout của chúng tôi 15%?" AI lập tức đưa ra một danh sách lý do rất mạch lạc: thêm ma sát, người dùng mất kiên nhẫn, OTP chậm về, v.v. — kèm cả "con số tham khảo" rằng "trung bình mỗi bước thêm vào checkout làm giảm 10-20% chuyển đổi".
Vấn đề: team của cô chưa hề thêm bước OTP nào trong tháng đó. Cô chỉ đang giả định, và AI đã tin theo giả định ấy mà bịa ra cả một câu chuyện nhân-quả hoàn chỉnh. Nguyên nhân thật của việc giảm checkout hóa ra là một lỗi kỹ thuật ở cổng thanh toán — hoàn toàn khác.
Bài học: AI sẽ chấp nhận mọi giả định bạn nhét vào câu hỏi và xây lâu đài trên đó. Hãy hỏi theo cách trung lập ("Có những nguyên nhân nào khiến checkout giảm?") thay vì câu hỏi đã cài sẵn kết luận.
Hướng dẫn từng bước
Đây là quy trình thực tế để phát hiện và phòng ngừa hallucination trong công việc hàng ngày của PM:
Bước 1 — Phân loại câu hỏi theo mức rủi ro. Trước khi tin một output, hãy tự hỏi: thông tin này thuộc loại nào? Có ba mức:
- Rủi ro thấp: brainstorm ý tưởng, viết nháp, gợi ý cấu trúc tài liệu. Sai cũng không sao vì bạn sẽ chỉnh.
- Rủi ro trung bình: tóm tắt nội dung bạn cung cấp, diễn giải khái niệm phổ biến.
- Rủi ro cao: con số cụ thể, dữ liệu thị trường, trích dẫn nguồn, tính năng sản phẩm, sự kiện gần đây, thông tin pháp lý/tài chính. Mọi thứ ở mức này đều phải kiểm chứng độc lập.
- Con số quá tròn trịa hoặc quá cụ thể mà không rõ nguồn.
- Tên báo cáo/nghiên cứu/tác giả kèm năm (đây là điểm AI hay bịa nhất).
- Khẳng định về sự kiện sau thời điểm knowledge cutoff của mô hình.
- Bất kỳ chỗ nào output mâu thuẫn với chính nó.
Bước 4 — Kiểm chứng chéo (cross-check). Đối với mọi dữ kiện rủi ro cao, hãy xác minh ở ít nhất một nguồn độc lập ngoài AI: trang chính thức, báo cáo gốc, hoặc một công cụ AI khác có khả năng truy cập web. Nếu AI nói "theo World Bank", hãy lên thẳng trang World Bank tìm.
Bước 5 — Buộc AI trích dẫn nguồn có thể kiểm tra. Khi cần dữ kiện, hãy yêu cầu: "Chỉ đưa ra thông tin nếu bạn có thể dẫn nguồn cụ thể, kèm link kiểm tra được. Nếu không chắc, hãy nói rõ là bạn không chắc." Câu lệnh này giảm đáng kể tỷ lệ bịa đặt.
Bước 6 — Ưu tiên dùng công cụ có grounding. Với câu hỏi cần dữ liệu thực tế, dùng các chế độ/công cụ AI có kết nối web hoặc dựa trên tài liệu bạn cung cấp (RAG). Khi AI trả lời dựa trên một tài liệu thật bạn đưa vào, khả năng bịa giảm mạnh — nhưng vẫn không bằng không.
Bước 7 — Ghi rõ nguồn trong tài liệu cuối. Khi đưa số liệu vào PRD, slide hay báo cáo, luôn ghi nguồn thật (đã kiểm chứng), không bao giờ ghi "theo AI". Đây vừa là kỷ luật nghề nghiệp, vừa là lớp bảo vệ cuối cùng buộc bạn phải kiểm tra.
Lỗi thường gặp & mẹo
Lỗi 1: Tin vì nghe "trôi chảy". Bẫy lớn nhất. Sự mượt mà của văn phong không liên quan gì đến độ chính xác. Hãy tách bạch "diễn đạt hay" và "nội dung đúng".
Lỗi 2: Tin trích dẫn nguồn mà không kiểm tra. Nghịch lý: chính những output có vẻ "có nguồn" lại hay bịa nguồn nhất. Một câu trả lời ghi "theo Statista 2024" khiến bạn yên tâm, nhưng đó có thể là nguồn ma. Luôn click vào, luôn tra lại.
Lỗi 3: Hỏi câu đã cài sẵn kết luận. Như tình huống 3, nếu bạn hỏi "Vì sao X tốt hơn Y?", AI sẽ tìm lý do bênh X kể cả khi không đúng. Hãy hỏi trung lập.
Lỗi 4: Dùng AI cho thông tin sau knowledge cutoff mà không bật chế độ web. Hỏi về sự kiện tháng trước trên một mô hình offline thì gần như chắc chắn nhận về thông tin bịa hoặc lỗi thời.
Lỗi 5: Không kiểm tra với chính lĩnh vực mình rành. Một mẹo hay để "đo" độ tin cậy của một mô hình: hỏi nó vài câu trong lĩnh vực bạn cực rành. Nếu nó sai ở chỗ bạn biết rõ, hãy hình dung nó sai bao nhiêu ở chỗ bạn không biết.
Mẹo vàng:
- Kỹ thuật "đối chất": Hỏi cùng một câu theo hai cách khác nhau, hoặc hỏi lại "Bạn vừa nói X, nhưng có nguồn nào nói ngược lại không?". Nếu câu trả lời lung lay, đó là tín hiệu hallucination.
- Quy tắc "hai nguồn": Bất kỳ con số nào sắp lên slide lãnh đạo phải có ít nhất hai nguồn độc lập xác nhận, trong đó không nguồn nào là AI.
- Cho AI quyền nói "tôi không biết": Thêm vào prompt câu "Nếu không chắc chắn, hãy trả lời 'Tôi không có đủ thông tin' thay vì đoán." Đơn giản nhưng hiệu quả bất ngờ.
- Cảnh giác cao nhất với: tên riêng + năm + con số đi cùng nhau. Đây là "công thức vàng" của hallucination.
Bài tập thực hành
Bài 1 — Săn hallucination. Chọn một chủ đề bạn cực kỳ rành (một sản phẩm bạn từng làm, một thị trường ngách bạn am hiểu). Hỏi AI 5 câu hỏi chi tiết về nó, bao gồm câu hỏi về số liệu và "nguồn". Ghi lại mọi chỗ AI bịa hoặc sai. Mục tiêu: tận mắt thấy mô hình ảo giác ở vùng bạn kiểm chứng được, để hình thành phản xạ nghi ngờ.
Bài 2 — Bẫy bằng giả định sai. Đặt cho AI một câu hỏi chứa giả định hoàn toàn bịa đặt (ví dụ: "Vì sao việc đổi nút CTA sang màu tím làm tăng 22% chuyển đổi cho Shopee?"). Quan sát xem AI có ngoan ngoãn bịa lý do hay không, và nó có dám phản biện giả định của bạn không. Sau đó hỏi lại theo cách trung lập và so sánh.
Bài 3 — Viết "prompt chống ảo giác". Soạn một đoạn prompt mẫu bạn sẽ tái sử dụng mỗi khi cần dữ kiện thật, trong đó yêu cầu AI: chỉ nói khi chắc chắn, dẫn nguồn kiểm tra được, và thừa nhận khi không biết. Lưu lại làm template cá nhân.
Bài 4 — Quy trình kiểm chứng 1 trang. Lấy một báo cáo/phân tích bạn từng nhờ AI làm, áp dụng Bước 1–7 ở phần Hướng dẫn để soi lại. Đếm xem có bao nhiêu dữ kiện rủi ro cao chưa từng được kiểm chứng. Kết quả thường khiến nhiều PM giật mình.
Tóm tắt
Hallucination là khi AI tạo ra thông tin nghe tự tin, trôi chảy nhưng sai sự thật, bịa đặt hoặc tự mâu thuẫn. Nó xảy ra vì bản chất của LLM là dự đoán từ tiếp theo — tối ưu cho việc tạo văn bản hợp lý, chứ không phải nói đúng sự thật. Với PM, đây là rủi ro đặc biệt nguy hiểm vì bạn thường dùng AI để tìm hiểu thứ mình không rành, dưới áp lực thời gian, và câu trả lời sai lại được gói trong văn phong rất thuyết phục.
Ba nguyên tắc cần khắc cốt:
- Mức rủi ro quyết định mức kiểm chứng — mọi con số, nguồn, tính năng, sự kiện đều phải xác minh độc lập.
- Văn phong tự tin không bằng chứng cho sự thật — đặc biệt cảnh giác với "tên riêng + năm + con số".
- Buộc AI bộc lộ độ chắc chắn và cho nó quyền nói 'không biết' — rồi tự kiểm chứng chéo ở nguồn thật.