Mở đầu — vì sao bài này quan trọng
Trong suốt 51 bài trước, chúng ta đã cùng nhau xây dựng một nền tảng UX writing dựa trên một giả định ngầm mà ít khi ai nói ra: sản phẩm luôn phản hồi đúng và giống nhau. Khi bạn viết một error message, bạn biết chính xác lỗi gì xảy ra. Khi bạn viết một button label "Lưu", bạn biết bấm vào nó sẽ lưu. Khi bạn viết một success state, bạn chắc chắn hành động đã thành công. Toàn bộ nghề viết của chúng ta được xây trên nền tảng của sự xác định (determinism).
AI products phá vỡ giả định đó. Khi bạn viết copy cho một sản phẩm có tính năng AI — một chatbot tư vấn, một công cụ tóm tắt hợp đồng, một trợ lý gợi ý sản phẩm, một máy chấm điểm bài luận — bạn đang viết cho một hệ thống mà bản thân bạn cũng không biết trước nó sẽ trả ra cái gì, có đúng không, và lần sau có giống lần này không. Đây là một sự thay đổi bản chất, không phải chỉ là một domain mới như banking (Bài 30) hay healthcare (Bài 33).
Từ 2023 trở đi, gần như mọi sản phẩm số ở Việt Nam đều "gắn AI" ở đâu đó: MoMo có trợ lý tài chính, các ngân hàng có chatbot GenAI, ELSA Speak chấm phát âm bằng AI, các startup edtech dùng AI ra đề. UX writer nào không hiểu cách viết copy cho sự bất định, sự biến thiên, và sự bịa đặt của AI sẽ tạo ra những sản phẩm khiến người dùng mất niềm tin ngay lần đầu chạm. Bài này trang bị cho bạn tư duy và bộ công cụ ngôn ngữ để làm điều ngược lại: giúp người dùng tin AI vừa đủ — không mù quáng, không hoảng sợ.
Khái niệm cốt lõi
Ba thách thức mới mà AI products đặt ra cho người viết là: Uncertainty (bất định), Variability (biến thiên) và Hallucination (bịa đặt). Ta sẽ mổ xẻ từng cái và — quan trọng hơn — rút ra nguyên tắc viết tương ứng.
1. Uncertainty — AI có thể sai, và copy phải phản ánh điều đó
Một sản phẩm truyền thống nói với người dùng bằng giọng của sự chắc chắn: "Số dư của bạn là 2.500.000đ." AI thì khác. Khi một mô hình tóm tắt một email dài, phân loại một giao dịch là "gian lận", hay gợi ý "bạn nên đầu tư quỹ này", nó đang đưa ra một dự đoán có xác suất, không phải một sự thật.
Nguyên tắc viết cốt lõi ở đây là calibrated confidence — mức độ tự tin trong câu chữ phải khớp với mức độ chắc chắn thật của hệ thống. Copy tuyệt đối không được nói chắc như đinh đóng cột về thứ mà mô hình chỉ đoán. Thay vì "Đây là câu trả lời", hãy dùng "Đây là gợi ý của AI, bạn nên kiểm tra lại". Thay vì "Giao dịch này là gian lận", hãy dùng "Giao dịch này có dấu hiệu bất thường".
Cách thể hiện uncertainty trong ngôn ngữ gồm ba tầng:
- Hedging từ vựng: "có thể", "gợi ý", "dựa trên dữ liệu hiện có", "theo AI ước tính". Nhưng cẩn thận — hedge quá nhiều thì sản phẩm nghe thiếu tin cậy. Đây là nghệ thuật cân bằng.
- Framing hành động: đặt output của AI thành một điểm khởi đầu để người dùng chỉnh sửa, chứ không phải một kết luận cuối cùng. Nút "Chỉnh sửa gợi ý" hàm ý rằng đây chưa phải bản cuối.
- Disclosure rõ ràng: người dùng phải biết họ đang tương tác với AI. Đây không chỉ là đạo đức mà ở nhiều nơi đã thành yêu cầu pháp lý (EU AI Act, và Việt Nam đang xây dựng khung tương tự).
2. Variability — cùng một câu hỏi, hai lần trả lời khác nhau
Với sản phẩm thường, cùng một input cho ra cùng một output. Với AI (đặc biệt là LLM), output không tất định: hỏi cùng một câu hai lần có thể nhận hai câu trả lời khác nhau về cả nội dung lẫn giọng điệu. Điều này tạo ra hai vấn đề cho người viết.
Thứ nhất, bạn không thể viết cứng toàn bộ copy. Trong UX writing truyền thống, bạn kiểm soát 100% chữ trên màn hình. Trong AI product, một phần lớn "chữ" do mô hình sinh ra tại thời điểm chạy. Vai trò của bạn dịch chuyển: từ người viết từng câu, sang người viết khung (scaffold) và system prompt / guardrail để định hình cách AI nói. Bạn viết voice và tone (Bài 5) không phải cho một màn hình, mà cho một cái máy sẽ tự sinh ra hàng nghìn màn hình.
Thứ hai, voice consistency (Bài 44) trở nên khó gấp bội. Nếu chatbot lúc thì gọi khách là "bạn", lúc thì "quý khách" (Bài 6, 7), lúc lịch sự lúc cợt nhả, trải nghiệm sẽ rời rạc. Người viết AI product phải định nghĩa voice trong system prompt bằng ngôn ngữ máy có thể tuân theo, kèm ví dụ mẫu (few-shot). Phần copy bạn viết trực tiếp — nút bấm, tiêu đề, disclaimer, error khi AI fail — chính là "mỏ neo" giữ cho toàn bộ trải nghiệm không trôi dạt.
3. Hallucination — AI bịa ra thông tin nghe rất thật
Đây là thách thức nguy hiểm nhất. Mô hình có thể tự tin trình bày một thông tin hoàn toàn sai — một điều luật không tồn tại, một số liệu bịa, một chính sách hoàn tiền không có thật — bằng văn phong trơn tru đến mức người dùng tin ngay. Copy của bạn là tuyến phòng thủ cuối cùng trước khi hallucination gây hại thật.
Vũ khí ngôn ngữ chống hallucination gồm:
- Câu miễn trừ (disclaimer) đặt đúng chỗ: "AI có thể mắc lỗi. Hãy kiểm tra thông tin quan trọng." đặt ngay cạnh câu trả lời, không giấu ở footer.
- Trích dẫn nguồn (citation/grounding): khi có thể, gắn output với nguồn thật ("Theo điều 5, hợp đồng bạn tải lên...") để người dùng kiểm chứng. Copy dẫn dắt hành vi kiểm chứng này cực kỳ giá trị.
- Rào chắn theo mức rủi ro: câu hỏi "gợi ý tên quán cà phê" khác hoàn toàn "liều dùng thuốc cho con tôi". Với domain rủi ro cao, copy phải chủ động từ chối hoặc chuyển hướng: "Mình không thể tư vấn y tế. Bạn nên hỏi bác sĩ."
Tình huống thực tế
Ví dụ 1 — Chatbot GenAI của một ngân hàng Việt (bối cảnh giả định hợp lý)
Một ngân hàng số ở TP.HCM ra mắt chatbot AI trả lời câu hỏi về sản phẩm vay. Bản đầu tiên, để nghe "chuyên nghiệp", đội sản phẩm viết mở đầu mỗi câu trả lời bằng: "Câu trả lời chính xác cho bạn là:". Trong tuần đầu, chatbot bịa ra một mức lãi suất ưu đãi 5,9% không tồn tại (thực tế là 8,9%). Một khách hàng chụp màn hình đăng lên nhóm Facebook 40.000 thành viên với chú thích "Ngân hàng cam kết bằng văn bản đây nhé". Bộ phận pháp chế phải vào cuộc.
Diễn giải: vấn đề không chỉ là mô hình sai, mà là copy đã khuếch đại cái sai. Cụm "Câu trả lời chính xác" biến một dự đoán xác suất thành một cam kết. Đội viết đã dùng giọng của sự chắc chắn cho một hệ thống bất định.
Bản sửa: bỏ hoàn toàn cụm "chính xác"; mỗi câu trả lời liên quan lãi suất/phí đều kèm dòng nhỏ "Con số này chỉ mang tính tham khảo. Lãi suất chính thức xem tại [bảng lãi suất]." và nút "Xem biểu phí chính thức". Với các câu hỏi về số tiền cụ thể, chatbot chuyển hẳn sang truy vấn dữ liệu thật thay vì để LLM tự sinh. Số khiếu nại liên quan giảm về gần như bằng 0.
Bài học: trong domain có hậu quả pháp lý/tài chính, copy phải hạ mức tự tin xuống đúng thực tế và luôn trỏ về nguồn sự thật (source of truth) mà mô hình không được phép bịa.
Ví dụ 2 — ELSA Speak và việc chấm điểm phát âm
ELSA Speak (startup gốc Việt, nổi tiếng toàn cầu) dùng AI chấm phát âm tiếng Anh. Bản chất công nghệ này là bất định: cùng một câu người dùng nói hai lần với chất lượng tương đương, điểm có thể chênh nhau. Nếu copy nói "Bạn phát âm SAI từ 'world'", một người dùng phát âm ổn nhưng bị chấm thấp do nhiễu micro sẽ thấy bị xúc phạm và bỏ app.
Diễn giải: đây là bài toán edtech (Bài 32) giao với AI. Điểm số của AI là tín hiệu, không phải phán xét tuyệt đối. Copy hiệu quả trong loại app này thường dùng giọng hướng dẫn thay vì phán xử: "Thử nhấn mạnh âm /w/ hơn nhé" tốt hơn nhiều "Bạn sai âm /w/". Cách framing này vừa che đi sự biến thiên của mô hình, vừa giữ động lực học viên — đúng tinh thần encouragement của edtech.
Bài học: khi output AI là một đánh giá có thể sai do biến thiên, hãy chuyển ngôn ngữ từ "đúng/sai tuyệt đối" sang "gợi ý cải thiện". Bạn vừa an toàn về mặt kỹ thuật, vừa nhân văn hơn.
Ví dụ 3 — Trợ lý AI tóm tắt của một công cụ nội bộ
Một công ty logistics ở Đông Nam Á thêm nút "Tóm tắt bằng AI" vào hệ thống quản lý khiếu nại của khách. Ban đầu nút chỉ ghi "Tóm tắt", kết quả hiện ra không có dấu hiệu gì cho biết đó là AI sinh. Một nhân viên chăm sóc khách hàng đọc bản tóm tắt (trong đó AI bịa thêm chi tiết "khách yêu cầu hoàn 100%" — vốn không có trong email gốc) rồi xử lý theo, gây thiệt hại.
Diễn giải: thiếu disclosure và thiếu grounding khiến người dùng nội bộ nhầm output AI là dữ liệu gốc. Bản sửa gồm ba thay đổi copy: (1) nút đổi thành "Tóm tắt bằng AI"; (2) khối kết quả có nhãn "Bản tóm tắt do AI tạo — có thể thiếu hoặc sai chi tiết. Đối chiếu email gốc trước khi xử lý."; (3) thêm liên kết "Xem email gốc" ngay bên cạnh. Tỷ lệ nhân viên đối chiếu nguồn trước khi hành động tăng rõ rệt.
Bài học: dù là sản phẩm nội bộ (người dùng là đồng nghiệp, không phải khách), nguyên tắc disclosure và grounding vẫn bắt buộc. Đừng cho rằng "người trong nhà thì hiểu".
Hướng dẫn từng bước
Khi bạn được giao viết copy cho một tính năng AI, hãy đi theo quy trình sau:
Bước 1 — Xác định mức rủi ro của output. Hỏi: nếu AI sai ở đây, hậu quả tệ nhất là gì? Sai tên quán ăn (thấp) hay sai liều thuốc/lãi suất/điều khoản pháp lý (cao)? Mức rủi ro quyết định "liều lượng" disclaimer và mức độ hedge trong câu chữ.
Bước 2 — Đảm bảo disclosure. Người dùng phải biết họ đang dùng AI trước khi tin output. Thể hiện qua nhãn ("do AI tạo"), tên tính năng, hoặc lời chào của chatbot. Không giấu.
Bước 3 — Calibrate độ tự tin của câu chữ. Với output rủi ro cao và mô hình không chắc, dùng hedging ("có thể", "gợi ý", "tham khảo"). Với output chắc chắn (ví dụ AI chỉ định dạng lại dữ liệu thật), không cần hedge — hedge thừa gây mất tin cậy.
Bước 4 — Viết grounding và citation. Bất cứ khi nào có nguồn thật, hãy trỏ tới nó và dùng copy khuyến khích người dùng kiểm chứng: "Xem nguồn", "Đối chiếu bản gốc", "Kiểm tra tại...".
Bước 5 — Viết cho trạng thái thất bại. AI sẽ có lúc không trả lời được, trả lời lạc đề, hoặc bị chặn bởi guardrail. Áp dụng 4 thành phần của error message (Bài 10) nhưng thêm giọng khiêm tốn: "Mình chưa hiểu ý này. Bạn thử diễn đạt lại giúp mình nhé?" thay vì đổ lỗi cho người dùng.
Bước 6 — Viết voice/guardrail cho phần AI tự sinh. Với phần mô hình sinh ra động, hãy viết một đoạn định nghĩa voice/tone trong system prompt: xưng hô cố định (Bài 6, 7), danh sách việc AI được/không được nói, kèm 2–3 ví dụ mẫu. Đây là "copy" của thời AI.
Bước 7 — Regenerate và feedback affordance. Cung cấp copy cho các hành động đặc thù của AI: "Tạo lại", "Câu trả lời này có hữu ích không?" (thumbs up/down), "Báo cáo nội dung sai". Chúng vừa giúp người dùng thoát khỏi output tệ, vừa thu dữ liệu cải thiện mô hình.
Lỗi thường gặp & mẹo
Lỗi 1 — Dùng giọng chắc chắn cho output bất định. "Đây là câu trả lời đúng" là cái bẫy kinh điển. Mẹo: gạch bỏ mọi từ hàm ý tuyệt đối ("chính xác", "đúng", "chắc chắn", "luôn luôn") khỏi copy bao quanh output AI, trừ khi bạn thật sự chắc.
Lỗi 2 — Hedge quá tay khiến sản phẩm nghe vô dụng. Nếu mọi câu đều "có thể... có lẽ... không chắc...", người dùng sẽ không tin gì cả. Mẹo: hedge một lần ở nhãn/disclaimer cấp khối, rồi để nội dung bên trong nói thẳng. Đừng rải "có thể" vào từng câu.
Lỗi 3 — Giấu việc đang dùng AI. Cố tình làm AI giống người thật để "ấn tượng" là dark pattern (Bài 53) và ngày càng vi phạm quy định. Mẹo: disclosure sớm, rõ, một lần là đủ — không cần lặp lại đến khó chịu.
Lỗi 4 — Đổ lỗi cho người dùng khi AI fail. "Yêu cầu không hợp lệ" khi thật ra mô hình không hiểu là sai cả về UX lẫn đạo đức. Mẹo: dùng giọng khiêm tốn, nhận phần lỗi về phía sản phẩm, và luôn đưa một lối đi tiếp theo.
Lỗi 5 — Anthropomorphize (nhân cách hóa) quá đà. Cho AI nói "Tôi cảm thấy...", "Tôi nghĩ rằng tôi hiểu bạn" tạo kỳ vọng sai về năng lực và cảm xúc của máy. Mẹo: giữ giọng thân thiện nhưng trung thực về việc đây là công cụ, không phải người.
Mẹo vàng — Viết trước cho trường hợp tệ nhất. Khác với sản phẩm thường (bạn viết happy path trước), với AI hãy viết copy cho failure/hallucination/refusal TRƯỚC. Vì đó chính là nơi niềm tin của người dùng sống hoặc chết.
Bài tập thực hành
Bài 1 — Sửa giọng chắc chắn. Cho một chatbot du lịch, output gốc: "Chuyến bay rẻ nhất Hà Nội – Đà Nẵng ngày mai là 480.000đ của Vietjet." Biết rằng giá này do LLM sinh và có thể lỗi thời. Viết lại phần copy bao quanh (không sửa con số) sao cho calibrated confidence đúng và có grounding. Gợi ý: thêm nhãn nguồn + lời nhắc kiểm chứng + CTA "Kiểm tra giá thật".
Bài 2 — Viết trạng thái thất bại. Một công cụ AI viết mô tả sản phẩm cho người bán trên sàn TMĐT. Viết 3 dòng copy cho 3 tình huống: (a) AI không hiểu yêu cầu; (b) yêu cầu vi phạm chính sách (bán hàng cấm); (c) AI tạo xong nhưng cần nhắc người dùng kiểm tra. Áp dụng giọng khiêm tốn và luôn có next step.
Bài 3 — Viết guardrail voice. Cho một trợ lý AI của app học tiếng Việt cho trẻ 8–12 tuổi. Viết một đoạn 5–7 dòng định nghĩa voice/tone để đưa vào system prompt: cách xưng hô, việc được/không được nói, và 2 câu ví dụ mẫu. Nhớ đối chiếu với nguyên tắc xưng hô ở Bài 6.
Bài 4 — Đánh giá disclosure. Mở một sản phẩm AI bạn đang dùng (MoMo, chatbot ngân hàng, ChatGPT, Gemini...). Chụp lại và trả lời: người dùng có biết đang dùng AI không? Disclaimer đặt ở đâu, đủ rõ chưa? Có grounding/citation không? Đề xuất một cải tiến copy cụ thể.
Tóm tắt
Viết copy cho AI products là một bước nhảy về bản chất so với UX writing truyền thống, vì AI mang lại ba thách thức mới: Uncertainty (có thể sai), Variability (output không tất định) và Hallucination (bịa thông tin nghe rất thật). Ba nguyên tắc ngôn ngữ tương ứng là: calibrated confidence (mức tự tin của câu chữ khớp mức chắc chắn thật), voice qua guardrail (bạn viết khung và system prompt, không chỉ từng câu), và grounding + disclosure (luôn cho người dùng biết đây là AI và luôn trỏ về nguồn sự thật).
Vai trò của UX writer dịch chuyển: từ người viết từng dòng chữ, sang người thiết kế niềm tin — quyết định người dùng nên tin AI đến mức nào, và dùng ngôn ngữ để giữ họ ở đúng mức đó: không mù quáng, không hoảng sợ. Hãy nhớ quy tắc vàng: với AI, viết cho trường hợp tệ nhất trước, vì đó là nơi niềm tin được xây hoặc bị phá. Từ ba câu chuyện của ngân hàng số, ELSA và công cụ logistics, bài học chung là: mô hình sai không phải lỗi của bạn, nhưng copy khuếch đại cái sai thì hoàn toàn là.