Gerd Gigerenzer là nhà tâm lý học nổi tiếng với các nghiên cứu về cách con người ra quyết định và nhận thức rủi ro. Ông từng giữ chức Giám đốc Trung tâm Nghiên cứu Hành vi thích ứng và Nhận thức thuộc Viện Phát triển Con người Max Planck, Berlin, nhiều nhiệm kỳ trong giai đoạn từ năm 1997 đến 2017.
Trong tác phẩm Khôn ngoan hơn thuật toán (2024), ông cảnh báo chúng ta không nên mặc định rằng thuật toán luôn quyết định tốt hơn con người. Đồng thời, ông lưu ý công nghệ không chỉ hỗ trợ các lựa chọn, mà còn có thể định hình hành vi và làm suy giảm quyền tự chủ của chúng ta.
Giới hạn nhận thức của thuật toán
Trong sách Khôn ngoan hơn thuật toán, Gigerenzer chỉ ra rằng các thuật toán phức tạp hoạt động tốt nhất trong môi trường được xác định rõ, tương đối ổn định và có lượng dữ liệu lớn. Trí tuệ con người, ngược lại, đã tiến hóa để ứng phó với sự bất định, kể cả khi thông tin rất ít.
Nhà tâm lý học Gerd Gigerenzer. Ảnh: Viện Phát triển Con người Max Planck
Nhằm làm rõ sự khác biệt này, tác giả so sánh cờ vua với tình yêu. Trong cờ vua, luật chơi không thay đổi, trạng thái bàn cờ có thể được mô tả chính xác và các nước đi hợp lệ được xác định theo những quy tắc rõ ràng. Trái lại, trong tình yêu, con người có thể đổi ý, hành động khác với những gì mình từng nói hoặc bất ngờ chấm dứt một mối quan hệ tưởng như bền vững. Những dữ liệu thu thập được về một người, dù chi tiết đến đâu, cũng chỉ phản ánh họ tại những thời điểm nhất định, chứ không thể bao quát mọi thay đổi trong suy nghĩ và hành vi. Vì thế, dùng dữ liệu hồ sơ hẹn hò để dự đoán ai phù hợp với ai hoặc một mối quan hệ sẽ phát triển ra sao luôn có những giới hạn.
Một trường hợp tiêu biểu khác là dự án Google Flu Trends, từng được ca ngợi như minh chứng cho sức mạnh của dữ liệu lớn. Năm 2008, Google giới thiệu hệ thống dự báo dịch cúm dựa trên hành vi tìm kiếm trực tuyến. Hệ thống đã phân tích dữ liệu của 50 triệu truy vấn, đánh giá khả năng dự báo của truy vấn rồi chọn ra 45 cụm từ tìm kiếm có tương quan cao với số lượt khám vì triệu chứng giống cúm.
Ban đầu, hệ thống cho kết quả đầy triển vọng. Nhưng khi đại dịch H1N1 xuất hiện năm 2009, nó đã bỏ lỡ hoặc đánh giá thấp làn sóng dịch đầu tiên, diễn ra ngoài mùa cúm thông thường. Những năm sau đó, dù được điều chỉnh, Google Flu Trends vẫn nhiều lần ước tính mức độ lây lan của cúm cao hơn thực tế trong 100 trên 108 tuần thuộc giai đoạn 2011–2013.
Thất bại xuất phát từ hai nguồn bất định: virus thay đổi và hành vi tìm kiếm của con người thay đổi. Một người tìm thông tin về cúm có thể vì đang mắc bệnh, nhưng cũng có thể chỉ vì tò mò sau khi đọc tin tức. Cùng một hành vi quan sát được có thể xuất phát từ những nguyên nhân khác nhau.
Gigerenzer đối sánh Google Flu Trends với một phương pháp đơn giản hơn do nhóm nghiên cứu của ông phát triển: sử dụng tỷ lệ lượt khám vì các triệu chứng giống cúm trong tuần gần nhất làm dự báo cho tuần tiếp theo. Trong nghiên cứu công bố năm 2022, phương pháp này cho kết quả chính xác hơn Google Flu Trends, kể cả các phiên bản đã được cập nhật.
Đó là hiệu ứng ít hơn có thể tốt hơn (less-is-more): trong những điều kiện nhất định, dùng ít thông tin hơn lại có thể giúp dự báo chính xác hơn. Mô hình càng phức tạp càng có nguy cơ xem cả những biến động ngẫu nhiên trong dữ liệu quá khứ là quy luật có thể lặp lại. Khi môi trường thay đổi và những quy luật cũ không còn đáng tin cậy, một quy tắc đơn giản dựa trên dữ liệu gần nhất đôi khi lại phản ánh kịp thời hơn những biến động mới, nhờ đó cho kết quả chính xác hơn.
Sự khác biệt giữa quy mô và hiệu quả dự báo cũng xuất hiện trong các nghiên cứu so sánh những mô hình AI hiện đại. Tháng 1/2026, trên tạp chí Artificial Intelligence Review [1], Sanjay Chakraborty và cộng sự công bố nghiên cứu so sánh các mô hình AI quy mô lớn, được huấn luyện trước trên nhiều bộ dữ liệu, với những mô hình nhỏ hơn chuyên phân tích dữ liệu được ghi nhận theo trình tự thời gian. Kết quả cho thấy trong việc dự báo biến động tỷ giá hối đoái, mô hình AI nhỏ iTransformer cho kết quả chính xác hơn một số mô hình lớn. Ngược lại, khi dự báo lưu lượng giao thông, vốn có lượng dữ liệu đồ sộ, mô hình lớn Timer_XL lại có ưu thế. Những kết quả đó chỉ ra rằng tăng quy mô mô hình và dữ liệu huấn luyện không mặc nhiên giúp dự báo chính xác hơn mà hiệu quả còn phụ thuộc vào đặc điểm của dữ liệu và nhiệm vụ cần giải quyết.
Phiên bản tiếng Việt cuốn sách của Gerd Gigerenzer do NXB Trẻ ấn hành. Ảnh: NXB Trẻ
Thuật toán thay đổi cách con người hành xử và lựa chọn
Nếu thế giới bất định gây khó khăn cho thuật toán, có một giải pháp khác ngoài việc làm cho thuật toán thông minh hơn: thay đổi thế giới để nó dễ dự đoán hơn. Gigerenzer gọi đây là nguyên lý thích nghi với AI.
Gigerenzer phân tích một ví dụ gần gũi: các ứng dụng hẹn hò. Ông phân tích lời quảng cáo của Parship, dịch vụ từng tuyên bố cứ 11 phút lại có một người độc thân tìm thấy tình yêu. Cách tính này dựa trên việc thành viên ngừng sử dụng dịch vụ và tự đánh dấu lý do là đã tìm thấy tình yêu. Nhưng với Gigerenzer, tác động đáng chú ý của các ứng dụng hẹn hò không chỉ nằm ở khả năng tìm kiếm hay dự đoán, mà còn ở cách chúng thay đổi hành vi của người dùng. Khi hàng loạt hồ sơ liên tục xuất hiện sau mỗi lần vuốt màn hình, người dùng có thể cảm thấy lúc nào cũng còn một lựa chọn khác đáng để xem xét.
Trong tâm lý học ra quyết định, có sự khác biệt giữa chọn một người phù hợp và người tốt nhất. Với cách thứ nhất, ta xác định trước những tiêu chí quan trọng rồi dừng tìm kiếm khi gặp người đáp ứng được các tiêu chí ấy. Với cách thứ hai, ta tiếp tục so sánh các lựa chọn để tìm người vượt trội hơn tất cả những người đã gặp. Nhưng khi số lựa chọn quá lớn và ta không thể biết trước còn ai đang chờ phía trước, việc tìm kiếm có thể kéo dài mà không bảo đảm sẽ dẫn đến một kết quả tốt hơn.
Như vậy, ứng dụng hẹn hò có thể mở rộng cơ hội gặp gỡ, nhưng cũng có thể khiến người dùng mất nhiều thời gian hơn cho việc tìm kiếm và so sánh, thay vì vun đắp mối quan hệ với người mình đã chọn. Cách vận hành này còn đặt ra một câu hỏi về lợi ích kinh doanh: nếu doanh thu phụ thuộc vào việc người dùng tiếp tục sử dụng dịch vụ, mục tiêu giữ chân họ có thể không hoàn toàn trùng với mong muốn tìm được bạn đời và rời ứng dụng. Đây là một mâu thuẫn tiềm tàng giữa lợi ích của người dùng và mô hình kinh doanh.
Quá trình thuật toán có thể thay đổi hành vi con người diễn ra trong cả những lĩnh vực khó nhận thấy hơn giao thông hay hẹn hò. Thuật toán tuyển dụng cần chuyển kinh nghiệm ứng viên thành dữ liệu có thể phân loại. Hệ thống chấm điểm tín dụng cần lượng hóa hành vi khách hàng. Khi những hệ thống này phổ biến, con người cũng có động cơ điều chỉnh cách thể hiện bản thân theo những tiêu chí mà thuật toán có thể nhận diện.
Con người còn giữ vai trò chủ động đến đâu trong những quyết định của mình?
Từ đây có thể trở lại mối quan tâm xuyên suốt của Gigerenzer: quyền tự chủ trong một thế giới ngày chịu nhiều ảnh hưởng bởi thuật toán.
Gigerenzer hình dung một trợ lý số có khả năng đưa ra những lựa chọn tốt hơn chủ nhân trong hầu hết công việc: quản lý tài chính, viết thư, lựa chọn bạn đời, lập kế hoạch sinh con. Nếu mọi quyết định đều có thể được máy móc tối ưu hóa, đến lúc nào con người sẽ ngừng tự mình quyết định?
Gigerenzer đặc biệt quan tâm đến sự thiếu hiểu biết của con người về cách các hệ thống số hoạt động. Ông hình dung một quán cà phê miễn phí đã loại bỏ mọi đối thủ trong thành phố. Khách có thể ngồi trò chuyện bao lâu tùy thích mà không phải trả tiền. Nhưng đằng sau sự hào phóng ấy, camera và thiết bị ghi âm bí mật thu thập thông tin từ khách hàng.
Trong mô hình này, người uống cà phê không phải là khách hàng mang lại doanh thu chính cho quán. Người trả tiền thực sự là các nhà quảng cáo, còn khách hàng cung cấp thứ giúp quán kiếm tiền: dữ liệu về bản thân, sự chú ý và thời gian họ dành cho dịch vụ. Ví dụ này cho thấy một dịch vụ miễn phí chưa chắc không có cái giá phải trả. Người dùng có thể không mất tiền trực tiếp, nhưng thông tin cá nhân và sự chú ý của họ lại trở thành nguồn tạo ra lợi nhuận cho doanh nghiệp.
Ẩn dụ trên cho thấy vấn đề không chỉ nằm ở công nghệ mà còn ở mô hình kinh doanh đằng sau nó. Với những nền tảng sống nhờ doanh thu quảng cáo, các thông báo, lượt thích và nội dung đề xuất có thể được tối ưu hóa nhằm kéo dài thời gian người dùng ở lại nền tảng. Khi đó, mục tiêu tăng doanh thu có thể xung đột với khả năng tự chủ và kiểm soát thời gian của người dùng.
AI tạo sinh còn đặt ra một câu hỏi sâu hơn về quyền tự chủ: khi máy móc có thể đảm nhận cả những công việc vốn đòi hỏi con người suy nghĩ, cân nhắc và đưa ra phán đoán, chúng ta sẽ còn giữ vai trò chủ động đến đâu trong những quyết định của chính mình?
Trên thực tế, một nghiên cứu của Microsoft Research và Đại học Carnegie Mellon, công bố tại hội nghị CHI 2025 [2], khảo sát 319 lao động tri thức với 936 trường hợp sử dụng AI tạo sinh, cho thấy những người càng tin tưởng AI càng có xu hướng ít huy động tư duy phản biện hơn.
Đây cũng là xu hướng mà Gigerenzer cho rằng giáo dục cần chú ý. Ông nhận xét nhiều chương trình phát triển kỹ năng số tập trung vào việc đưa thiết bị vào lớp học và dạy cách sử dụng, nhưng ít chú trọng năng lực hiểu rủi ro. Ông viện dẫn nghiên cứu với 3.446 người trẻ, cho thấy 96% không đáp ứng yêu cầu kiểm tra độ tin cậy của các trang web và bài đăng.
Bốn năm phát triển của AI cho thấy cuộc cạnh tranh xem con người hay máy móc thông minh hơn ngày càng thiếu ý nghĩa nếu tách khỏi từng nhiệm vụ cụ thể. Vì thế, những cảnh báo xuyên suốt trong Khôn ngoan hơn thuật toán vẫn giữ nguyên giá trị: con người cần hiểu cách hệ thống đang ảnh hưởng đến cuộc sống của mình, biết khi nào phải nghi ngờ và trong những quyết định nào cần giữ quyền phán đoán cuối cùng.
Tài liệu trích dẫn trong bài:
[1] Scaling transformers for time series forecasting: do pretrained large models outperform small-scale alternatives? Artificial Intelligence Review, 13/1/2026. https://link.springer.com/article/10.1007/s10462-025-11481-7
[2] The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. ACM. https://dl.acm.org/doi/10.1145/3706598.3713778