Đỗ Đức Dũng
Tóm tắt
Tri thức chuyên gia là tài sản đặc biệt của các tổ chức nghiên cứu, cơ quan quản lý, đơn vị kỹ thuật và ngành nghề có tính tích lũy dài hạn như tài nguyên nước, thủy lợi, quy hoạch, vận hành hồ chứa, phòng chống thiên tai và quản lý lưu vực sông. Tri thức ấy không chỉ nằm trong báo cáo, bản đồ, mô hình, số liệu hay văn bản pháp lý, mà còn nằm trong kinh nghiệm hiện trường, trực giác chuyên môn, bài học thất bại, cách đặt câu hỏi, năng lực thẩm định, hiểu biết vùng và trách nhiệm nghề nghiệp. Sự phát triển của AI, đặc biệt là mô hình ngôn ngữ lớn, hệ thống hỏi – đáp nội bộ, truy xuất tăng cường bằng dữ liệu, chuyển giọng nói thành văn bản, phân tích tài liệu và xây dựng kho tri thức số, mở ra khả năng mới trong việc ghi lại, tổ chức, tìm kiếm và tái sử dụng tri thức chuyên gia. Tuy nhiên, AI không thể lưu giữ toàn bộ tri thức chuyên gia nếu tổ chức không chủ động thu thập, số hóa, kiểm chứng và đặt tri thức vào bối cảnh. AI có thể lưu giữ phần tri thức đã được diễn đạt, mô tả, ghi âm, ghi hình, tài liệu hóa hoặc phản ánh qua dữ liệu; nhưng phần tri thức ngầm sâu, trực giác nghề nghiệp, đạo đức quyết định và năng lực xử lý tình huống vẫn cần truyền qua tương tác con người, làm việc chung, thực địa và trách nhiệm nghề nghiệp. Bài viết cho rằng AI có thể trở thành công cụ rất mạnh để lưu giữ tri thức chuyên gia, nhưng chỉ khi được đặt trong một hệ thống quản trị tri thức nghiêm túc, có dữ liệu tốt, có chuyên gia kiểm chứng, có phân quyền, có nguồn trích dẫn và có văn hóa chia sẻ.
Từ khóa: AI, tri thức chuyên gia, tri thức ngầm, quản trị tri thức, RAG, kho tri thức số, chuyên gia nghỉ hưu, tài nguyên nước, thủy lợi, tổ chức nghiên cứu, truyền nghề.
1. Đặt vấn đề
Mỗi tổ chức nghiên cứu, mỗi ngành kỹ thuật, mỗi cơ quan quản lý lâu năm đều có một kho tri thức đặc biệt.
Một phần kho tri thức ấy nằm trong báo cáo.
Một phần nằm trong bản đồ.
Một phần nằm trong mô hình.
Một phần nằm trong hồ sơ dự án.
Một phần nằm trong dữ liệu quan trắc.
Một phần nằm trong văn bản pháp lý, quy trình, tiêu chuẩn, định mức.
Nhưng một phần rất lớn lại nằm trong đầu các chuyên gia.
Đó là phần khó nhìn thấy nhất, nhưng nhiều khi lại quý nhất.
Một chuyên gia lâu năm có thể nhớ vì sao một phương án quy hoạch đã được chọn. Có thể biết bộ số liệu nào không nên dùng nguyên trạng. Có thể hiểu một mô hình sai ở đâu dù chỉ nhìn qua đường quá trình. Có thể biết một vùng trên bản đồ tưởng an toàn nhưng thực tế rất nhạy cảm. Có thể kể lại một trận lũ, một mùa hạn, một đợt mặn, một lần vận hành hồ chứa căng thẳng mà báo cáo chính thức chỉ ghi lại rất ít.
Câu hỏi đặt ra là: AI có thể lưu giữ những tri thức đó không?
Câu trả lời ngắn gọn là: có thể, nhưng không phải tất cả và không tự động.
AI có thể giúp lưu giữ tri thức chuyên gia tốt hơn rất nhiều so với cách lưu hồ sơ truyền thống. Nhưng AI chỉ lưu giữ được những gì được đưa vào hệ thống bằng một hình thức nào đó: văn bản, âm thanh, video, mô hình, dữ liệu, bản đồ, ghi chú, nhật ký, phỏng vấn, tình huống, quyết định, phản biện hoặc đối thoại.
AI không thể tự đọc được ký ức chưa từng được kể ra.
AI không thể tự khôi phục kinh nghiệm đã mất.
AI không thể thay thế hoàn toàn quá trình truyền nghề giữa người đi trước và người đi sau.
Vì vậy, vấn đề không phải là “AI có phép màu giữ lại tri thức chuyên gia hay không”. Vấn đề đúng hơn là: chúng ta có biết dùng AI để biến tri thức cá nhân thành trí nhớ tổ chức hay không.
2. Tri thức chuyên gia là gì?
Tri thức chuyên gia không đơn giản là biết nhiều thông tin.
Một người có thể đọc nhiều tài liệu nhưng chưa chắc là chuyên gia. Một hệ thống AI có thể tổng hợp rất nhiều văn bản nhưng chưa chắc có tri thức chuyên gia đúng nghĩa.
Tri thức chuyên gia là sự kết hợp giữa kiến thức, kinh nghiệm, phán đoán, bối cảnh, trách nhiệm và khả năng hành động trong một lĩnh vực cụ thể.
Trong ngành tài nguyên nước và thủy lợi, tri thức chuyên gia có thể gồm:
- Hiểu quy luật mưa – dòng chảy của một lưu vực.
- Biết một chuỗi số liệu có đáng tin hay không.
- Hiểu vì sao mô hình thủy lực cho kết quả sai ở một đoạn sông.
- Biết vùng nào thường ngập dù bản đồ địa hình chưa thể hiện đầy đủ.
- Biết một hồ chứa nên thận trọng trong tình huống nào.
- Biết khi nào kết quả tính toán đẹp nhưng không hợp lý ngoài thực tế.
- Biết cách trao đổi với địa phương để một phương án quy hoạch được hiểu đúng.
- Biết rủi ro xã hội nằm ở đâu trong một phương án kỹ thuật.
- Biết điều gì không nên làm, dù về mặt tính toán có vẻ khả thi.
Tri thức chuyên gia có hai phần lớn: tri thức hiển minh và tri thức ngầm.
Tri thức hiển minh là phần có thể viết ra: báo cáo, hướng dẫn, quy trình, bản đồ, dữ liệu, mô hình, tiêu chuẩn, bài giảng, checklist.
Tri thức ngầm là phần khó viết ra: kinh nghiệm, trực giác, cảm nhận rủi ro, kỹ năng đọc hiện trường, cách nhận biết sai số, cách ra quyết định trong điều kiện thiếu dữ liệu.
Mô hình SECI của Nonaka và Takeuchi, một khung kinh điển trong quản trị tri thức, mô tả quá trình tạo lập tri thức tổ chức thông qua chuyển hóa giữa tri thức ngầm và tri thức hiển minh: xã hội hóa, ngoại hiện, kết hợp và nội hóa. Các nghiên cứu về SECI nhấn mạnh rằng tri thức tổ chức không chỉ được tạo ra bằng tài liệu, mà bằng tương tác giữa kinh nghiệm con người và hệ thống lưu giữ tri thức.
Đây là điểm rất quan trọng: muốn AI lưu giữ tri thức chuyên gia, trước hết phải hiểu rằng không phải tri thức nào cũng đã nằm sẵn trong tài liệu để AI đọc.
3. AI có thể lưu giữ tri thức theo nghĩa nào?
Khi nói AI lưu giữ tri thức chuyên gia, cần phân biệt bốn mức.
3.1. Lưu trữ
Ở mức thấp nhất, AI và hệ thống số giúp lưu trữ tài liệu, âm thanh, video, bản đồ, mô hình, dữ liệu, ảnh hiện trường và hồ sơ dự án.
Nhưng lưu trữ chưa phải là tri thức.
Một kho có hàng nghìn báo cáo PDF nhưng không tìm được, không biết báo cáo nào còn đúng, không biết dữ liệu nào là gốc, thì kho đó chưa thật sự có giá trị tri thức.
3.2. Tổ chức
Ở mức cao hơn, AI giúp phân loại, gắn thẻ, tóm tắt, trích xuất thông tin, nhận diện chủ đề, liên kết tài liệu theo lưu vực, công trình, mô hình, dự án, chuyên gia, thời gian, vùng địa lý.
Khi đó, tài liệu không còn là đống hồ sơ rời rạc. Nó bắt đầu trở thành kho tri thức có cấu trúc.
3.3. Truy xuất
Ở mức tiếp theo, AI giúp người dùng hỏi và tìm lại tri thức.
Thay vì mở từng báo cáo, người dùng có thể hỏi: “Lưu vực này từng dùng mô hình nào?”, “Trạm này có vấn đề gì trong quá khứ?”, “Vì sao phương án đê bao cao từng bị tranh luận?”, “Ai từng làm dự án này?”, “Có bài học nào về vận hành hồ trong trận lũ lớn không?”.
AI có thể trả lời nếu kho tri thức có dữ liệu, có cấu trúc và có nguồn.
3.4. Hỗ trợ tái sử dụng
Mức cao hơn nữa là AI giúp biến tri thức đã lưu thành hỗ trợ công việc: checklist kiểm tra, gợi ý mô hình, cảnh báo dữ liệu bất thường, bài học tương tự, tình huống đào tạo, báo cáo nhanh, trợ lý phản biện.
Lúc này, AI không chỉ giữ tri thức trong kho. AI đưa tri thức trở lại dòng công việc.
Đó mới là giá trị lớn nhất.
4. AI lưu giữ tốt phần nào của tri thức chuyên gia?
AI có thể lưu giữ tốt một số loại tri thức, đặc biệt là những tri thức đã hoặc có thể được diễn đạt.
4.1. Tài liệu chuyên môn
Báo cáo quy hoạch, báo cáo mô hình, hồ sơ công trình, quy trình vận hành, tiêu chuẩn, quy chuẩn, biên bản họp, tài liệu đào tạo, bài giảng, báo cáo tổng kết.
AI có thể giúp tóm tắt, tìm kiếm, so sánh, lập bảng đối chiếu và truy xuất nội dung từ các tài liệu này.
4.2. Dữ liệu lịch sử
Chuỗi mưa, mực nước, lưu lượng, mặn, ngập, vận hành hồ chứa, sự cố, thiệt hại, ảnh vệ tinh, dữ liệu mô hình.
AI có thể phát hiện mẫu, nhận dạng bất thường, học sai số, tìm sự kiện tương tự và hỗ trợ phân tích xu thế.
4.3. Tri thức được chuyên gia kể lại
Phỏng vấn, ghi âm, ghi hình, seminar, tọa đàm, bài kể chuyện nghề nghiệp, trao đổi kỹ thuật.
AI có thể chuyển thành văn bản, tóm tắt, gắn thẻ, trích xuất bài học, tạo câu hỏi – trả lời.
NASA đã có hệ thống Lessons Learned, là cơ sở dữ liệu các bài học chính thức được rà soát từ các chương trình và dự án, phục vụ nhiều lĩnh vực như khoa học, kỹ thuật, giáo dục, chế tạo và quản lý dự án. Đây là một ví dụ rõ về việc biến kinh nghiệm nhiệm vụ thành tài nguyên tri thức có thể truy cập.
4.4. Tri thức về quyết định
Vì sao chọn phương án này?
Vì sao loại phương án kia?
Lúc đó dữ liệu nào được dùng?
Ai phản biện?
Sai số nào được chấp nhận?
Rủi ro nào được cân nhắc?
Nếu các quyết định được ghi lại cùng bối cảnh, AI có thể giúp truy xuất logic quyết định trong tương lai.
4.5. Tri thức quy trình
Các bước kiểm tra số liệu, kiểm định mô hình, thẩm định quy hoạch, đánh giá vận hành, cảnh báo hạ du, quản lý hồ chứa, phối hợp địa phương.
AI có thể chuyển quy trình thành checklist, trợ lý hỏi – đáp và công cụ nhắc việc.
ISO 30401:2018 về hệ thống quản lý tri thức đưa ra yêu cầu và hướng dẫn để tổ chức thiết lập, duy trì, rà soát và cải tiến hệ thống quản lý tri thức; điểm đáng chú ý là quản trị tri thức được xem như một hệ thống quản lý, không phải hoạt động tự phát.
5. AI khó lưu giữ phần nào?
AI khó lưu giữ những phần tri thức chưa được diễn đạt hoặc chỉ tồn tại trong hành động.
5.1. Trực giác chuyên môn
Một chuyên gia nhìn một kết quả mô hình và thấy “có gì đó không ổn”. Nếu chuyên gia không giải thích vì sao, AI rất khó học được trực giác đó.
5.2. Cảm giác hiện trường
Đi thực địa, nhìn dòng nước, nghe người dân kể, thấy địa hình, nhìn vết ngập, quan sát công trình vận hành. Những trải nghiệm này không thể thay hoàn toàn bằng văn bản.
5.3. Kỹ năng ra quyết định dưới áp lực
Trong một trận lũ, một đợt hạn, một sự cố hồ chứa, người ra quyết định không có đủ dữ liệu hoàn hảo. Kỹ năng cân nhắc trong áp lực rất khó chuyển thành công thức đầy đủ.
5.4. Đạo đức nghề nghiệp
Không phải mọi điều đúng về kỹ thuật đều nên làm. Không phải mọi phương án tối ưu số học đều công bằng. AI có thể hỗ trợ phân tích, nhưng trách nhiệm đạo đức vẫn là con người.
5.5. Văn hóa nghề
Cẩn trọng với số liệu, tôn trọng hiện trường, không tùy tiện với mô hình, không xem nhẹ hạ du, không viết điều chưa kiểm chứng. Những điều này phải được sống trong tổ chức, không chỉ lưu trong cơ sở dữ liệu.
OECD khi bàn về chuyển giao tri thức giữa các thế hệ nhấn mạnh vai trò của mentoring, coaching và môi trường làm việc đa thế hệ trong chuyển giao tri thức từ người có kinh nghiệm sang người trẻ. Điều này cho thấy tri thức chuyên gia không chỉ chuyển qua tài liệu, mà còn qua quan hệ làm việc và tương tác lâu dài.
6. AI có thể “giữ” tri thức hay chỉ “giữ dấu vết” của tri thức?
Đây là một câu hỏi sâu.
Nhiều khi AI không giữ được toàn bộ tri thức chuyên gia. Nó giữ được dấu vết của tri thức.
Dấu vết ấy có thể là lời kể, báo cáo, dữ liệu, quyết định, mô hình, bản đồ, ghi chú, phản biện, bài học, tình huống.
Từ các dấu vết đó, AI có thể giúp tái dựng một phần tri thức.
Ví dụ, một chuyên gia có thể không viết rõ “tôi nghi ngờ trạm này”. Nhưng nếu trong nhiều báo cáo, nhiều ghi chú, nhiều lần hiệu chỉnh mô hình đều cho thấy trạm đó được xử lý đặc biệt, AI có thể phát hiện đây là một điểm dữ liệu cần chú ý.
Một chuyên gia có thể không nói trực tiếp “vùng này rất nhạy cảm”. Nhưng nếu trong nhiều dự án, vùng này luôn được gắn với cảnh báo, biên bản họp, ý kiến địa phương, thiệt hại lũ và điều chỉnh phương án, AI có thể giúp nhận diện vùng đó là vùng tri thức quan trọng.
Các nghiên cứu mới về dùng mô hình ngôn ngữ lớn để khám phá tri thức ngầm trong tổ chức cho rằng LLM có thể hỗ trợ tái dựng tri thức phân mảnh thông qua tương tác với nhân viên, tài liệu và cấu trúc tổ chức, nhưng cũng nhấn mạnh rằng việc này cần quy trình hỏi đúng, nguồn dữ liệu đủ và đánh giá tin cậy.
Vì vậy, AI không nhất thiết “giữ nguyên” tri thức chuyên gia như một bản sao hoàn chỉnh. Nhưng AI có thể giúp giữ lại nhiều dấu vết quan trọng, kết nối chúng và làm cho tổ chức dễ truy xuất hơn.
7. AI như một người phỏng vấn tri thức
Một ứng dụng rất có giá trị là dùng AI để hỗ trợ phỏng vấn chuyên gia.
Thông thường, khi chuyên gia nghỉ hưu, tổ chức chỉ yêu cầu bàn giao hồ sơ. Nhưng hồ sơ không đủ.
Cần phỏng vấn sâu.
AI có thể chuẩn bị bộ câu hỏi theo từng chuyên đề:
Về dữ liệu: trạm nào cần chú ý, chuỗi nào đã từng hiệu chỉnh, dữ liệu nào không nên dùng nguyên trạng?
Về mô hình: mô hình nào đã dùng, tham số nào nhạy, điều kiện biên nào quan trọng, sai số thường gặp là gì?
Về lưu vực: vùng nào đặc thù, điểm nghẽn thủy lực ở đâu, thay đổi lớn nhất trong 20 năm qua là gì?
Về quy hoạch: phương án nào từng bị loại, vì sao, bài học gì?
Về vận hành: tình huống nào khó nhất, quyết định nào cần thận trọng, hạ du nào nhạy cảm?
Về nghề nghiệp: người trẻ cần học gì, điều gì không nên lặp lại, nguyên tắc nào phải giữ?
Các tác nhân AI tương tác xã hội được đề xuất trong nghiên cứu năm 2025 như một hướng hỗ trợ bảo tồn và chuyển giao tri thức ngầm thông qua đối thoại tự nhiên, gợi mở ngữ cảnh, giúp người có kinh nghiệm diễn đạt những hiểu biết vốn khó nói ra; nhưng nghiên cứu cũng nhấn mạnh yêu cầu về niềm tin, bảo mật, minh bạch và kiểm chứng.
Trong bối cảnh ngành thủy lợi, AI có thể trở thành “người hỏi không biết mệt”. Nhưng câu trả lời vẫn phải đến từ chuyên gia, từ hồ sơ và từ thực tế.
8. AI như một thủ thư của kho tri thức
Một tổ chức nghiên cứu lâu năm thường có rất nhiều tài liệu.
Vấn đề không phải là không có tri thức, mà là tri thức bị chôn trong tài liệu.
Báo cáo quy hoạch nằm ở thư mục này.
Mô hình nằm ở ổ cứng kia.
Bản đồ nằm trong dự án cũ.
Dữ liệu nằm trong file Excel.
Biên bản họp nằm trong hộp thư.
Bài học nằm trong trí nhớ người làm.
AI có thể đóng vai trò thủ thư thông minh.
Nó có thể giúp:
- đọc và phân loại tài liệu;
- tóm tắt nội dung chính;
- nhận diện địa danh, lưu vực, công trình, trạm đo;
- gắn thẻ theo chủ đề;
- trích xuất bảng số liệu;
- liên kết tài liệu cùng chủ đề;
- tìm các báo cáo liên quan;
- phát hiện mâu thuẫn giữa tài liệu;
- trả lời câu hỏi có trích nguồn.
NASA nhấn mạnh “critical knowledge” và duy trì các hệ thống bài học kinh nghiệm, phương pháp chia sẻ thực hành tốt, nhằm hỗ trợ sử dụng tri thức trong các chương trình, dự án và quyết định của tổ chức.
Một viện nghiên cứu thủy lợi cũng rất cần một “thủ thư AI” như vậy. Không phải để thay chuyên gia, mà để không lãng phí kho tri thức đã tích lũy nhiều thập kỷ.
9. AI như một trợ lý phản biện
Một kho tri thức chuyên gia chỉ thật sự hữu ích nếu được đưa vào công việc.
AI có thể hỗ trợ phản biện kỹ thuật dựa trên tri thức đã lưu.
Ví dụ, khi người trẻ lập một mô hình lũ, AI có thể nhắc:
Lưu vực này trước đây từng dùng bộ tham số nào?
Trạm này từng có vấn đề gì?
Trận lũ nào nên dùng để kiểm định?
Sai số ở đoạn hạ lưu thường do triều hay do điều kiện biên?
Báo cáo cũ nào có nhận xét về vùng này?
Khi lập quy hoạch thủy lợi, AI có thể nhắc:
Vùng này từng có xung đột giữa chống lũ và trữ lũ.
Phương án đê bao cao từng được đánh giá có rủi ro làm tăng mực nước hạ du.
Dữ liệu DEM khu vực này từng được cảnh báo về hệ cao độ.
Địa phương này từng phản ánh tiêu thoát chậm do cống vận hành không đồng bộ.
Như vậy, AI không chỉ tìm tài liệu. AI đưa trí nhớ tổ chức vào lúc người làm việc cần nó nhất.
Đây là điểm rất quan trọng: tri thức phải xuất hiện đúng thời điểm của quyết định.
10. AI và RAG: không để AI “nói chung chung”
Khi dùng AI để lưu giữ tri thức chuyên gia, một nguyên tắc rất quan trọng là không để AI trả lời chung chung.
AI phải trả lời dựa trên kho tri thức của tổ chức.
Cách tiếp cận phù hợp hiện nay là sử dụng cơ chế truy xuất tăng cường, thường gọi là RAG. Ý tưởng cơ bản là trước khi AI trả lời, hệ thống tìm các tài liệu nội bộ liên quan, sau đó AI trả lời dựa trên các nguồn đó và trích dẫn lại nguồn.
Với tổ chức nghiên cứu, điều này rất quan trọng.
Nếu hỏi: “Vì sao vùng này từng được khuyến nghị giữ không gian trữ lũ?”, AI không nên trả lời bằng kiến thức chung về lũ. Nó phải tìm trong báo cáo quy hoạch, biên bản họp, mô hình thủy lực, bản đồ ngập, ý kiến chuyên gia, rồi trả lời có nguồn.
Nếu hỏi: “Mô hình nào đã dùng cho lưu vực này?”, AI phải chỉ ra tài liệu cụ thể, năm thực hiện, nhóm thực hiện, dữ liệu đầu vào, phạm vi mô hình.
Nếu hỏi: “Có bài học nào về vận hành hồ này trong trận lũ lớn?”, AI phải dẫn được nhật ký vận hành, báo cáo tổng kết, ghi chú chuyên gia.
NIST AI Risk Management Framework nhấn mạnh việc đưa các yếu tố đáng tin cậy vào thiết kế, phát triển, sử dụng và đánh giá hệ thống AI; với AI tri thức chuyên gia, điều đó có nghĩa là phải kiểm soát nguồn, độ tin cậy, quyền truy cập, khả năng giải thích và trách nhiệm sử dụng.
AI không có nguồn trong lĩnh vực kỹ thuật là AI nguy hiểm. AI có nguồn, có giới hạn và có chuyên gia kiểm chứng mới đáng tin.
11. AI không chỉ lưu câu trả lời, mà phải lưu bối cảnh
Tri thức chuyên gia không thể tách khỏi bối cảnh.
Một nhận định đúng trong năm 2000 có thể không còn đúng trong năm 2030.
Một phương án đúng trong điều kiện chưa có hồ chứa thượng nguồn có thể không còn đúng sau khi hệ thống công trình thay đổi.
Một vùng từng ngập sâu có thể đã được nâng cấp đê, nhưng cũng có thể sụt lún làm rủi ro quay lại.
Một mô hình từng hiệu chỉnh tốt trong quá khứ có thể sai khi sử dụng đất thay đổi.
Vì vậy, khi lưu tri thức chuyên gia, AI phải lưu cả bối cảnh:
- ai nói;
- nói khi nào;
- dựa trên dữ liệu nào;
- áp dụng cho vùng nào;
- trong điều kiện nào;
- độ tin cậy ra sao;
- còn hiệu lực không;
- cần kiểm tra gì trước khi dùng lại.
Đây là lý do metadata rất quan trọng.
Một câu trả lời không có bối cảnh có thể gây hiểu lầm.
Một bài học không có điều kiện áp dụng có thể bị dùng sai.
Một kinh nghiệm không có giới hạn có thể trở thành giáo điều.
AI lưu giữ tri thức chuyên gia phải luôn đi kèm câu hỏi: tri thức này đúng trong bối cảnh nào?
12. AI có thể lưu giữ tri thức hiện trường không?
Có thể, nhưng phải làm chủ động.
Tri thức hiện trường là phần rất khó giữ vì nó thường không nằm trong báo cáo chính thức.
Muốn AI lưu giữ tri thức hiện trường, tổ chức cần tạo dữ liệu hiện trường.
Ví dụ:
- ghi âm trao đổi khi khảo sát;
- chụp ảnh có tọa độ;
- ghi chú hiện trường có cấu trúc;
- đánh dấu điểm bất thường trên bản đồ;
- ghi lại lời kể người dân;
- ghi video giải thích của chuyên gia tại vị trí cụ thể;
- gắn nhận xét hiện trường vào lớp WebGIS;
- lưu vết ngập, vết mặn, điểm sạt lở, điểm tắc dòng;
- tạo nhật ký khảo sát số.
Khi đó, AI có thể giúp tổ chức lại tri thức hiện trường:
- điểm nào được nhiều chuyên gia nhắc đến;
- vùng nào thường có nhận xét rủi ro;
- hiện trường nào mâu thuẫn với bản đồ;
- dữ liệu nào cần kiểm tra lại;
- khu vực nào có nhiều bài học.
Trong ngành nước, đây là hướng rất quan trọng. Nếu chỉ lưu báo cáo cuối cùng, ta mất rất nhiều tri thức hiện trường sinh ra trong quá trình khảo sát.
13. AI có thể lưu giữ trực giác chuyên gia không?
Đây là phần khó nhất.
Trực giác chuyên gia là kết quả của nhiều năm kinh nghiệm, nhưng không phải lúc nào chuyên gia cũng diễn đạt được.
AI có thể lưu giữ một phần trực giác nếu chuyên gia được dẫn dắt để giải thích.
Ví dụ, thay vì hỏi: “Anh thấy kết quả này đúng không?”, nên hỏi:
- Vì sao anh nghi ngờ kết quả này?
- Dấu hiệu nào làm anh chú ý?
- Anh so sánh với sự kiện nào trong quá khứ?
- Nếu kiểm tra, anh sẽ kiểm tra dữ liệu nào trước?
- Một kỹ sư trẻ hay sai ở bước nào?
- Kết quả nào nhìn đẹp nhưng đáng nghi?
- Khi nào chỉ số sai số tốt nhưng mô hình vẫn không đáng tin?
Những câu hỏi này giúp trực giác trở nên có thể diễn đạt một phần.
AI có thể hỗ trợ quá trình đó bằng cách hỏi tiếp, phân tích câu trả lời, tìm mẫu lặp lại và biến chúng thành checklist hoặc tình huống đào tạo.
Nhưng phải chấp nhận rằng không phải toàn bộ trực giác có thể được mã hóa.
Có những điều chỉ học được khi làm cùng chuyên gia, tranh luận cùng chuyên gia, đi thực địa cùng chuyên gia và chịu trách nhiệm cùng chuyên gia.
14. AI có thể lưu giữ đạo đức nghề nghiệp không?
AI có thể lưu giữ các nguyên tắc đạo đức dưới dạng văn bản, tình huống, bài học, quy tắc cảnh báo.
Nhưng AI không thể tự có đạo đức nghề nghiệp như con người.
Trong ngành tài nguyên nước, đạo đức nghề nghiệp có thể gồm:
- không xem nhẹ an toàn hạ du;
- không làm đẹp mô hình để hợp thức hóa phương án;
- không sử dụng dữ liệu chưa kiểm chứng cho quyết định rủi ro cao;
- không che giấu bất định;
- không bỏ qua nhóm dễ bị tổn thương;
- không đánh đổi an toàn công trình vì lợi ích ngắn hạn;
- không coi cộng đồng chỉ là “đối tượng chịu tác động” trên giấy.
UNESCO trong Khuyến nghị về đạo đức AI nhấn mạnh AI phải tôn trọng nhân quyền, phẩm giá con người, minh bạch, công bằng và sự giám sát của con người. Với AI lưu giữ tri thức chuyên gia, điều này có nghĩa là AI phải hỗ trợ trách nhiệm nghề nghiệp, không làm mờ trách nhiệm ấy.
AI có thể nhắc lại nguyên tắc. Nhưng người kỹ sư, người quản lý, người chuyên gia mới là người phải sống với nguyên tắc đó.
15. AI có thể tạo “chuyên gia số” không?
Nhiều người có thể đặt câu hỏi: nếu thu thập đủ tài liệu, ghi âm đủ chuyên gia, huấn luyện đủ dữ liệu, liệu có thể tạo ra một “chuyên gia số” không?
Câu trả lời cần thận trọng.
Có thể tạo ra một trợ lý tri thức mang phong cách và kho kinh nghiệm của chuyên gia, trong phạm vi dữ liệu đã được cung cấp.
Ví dụ, một trợ lý AI có thể trả lời các câu hỏi dựa trên toàn bộ báo cáo, bài giảng, phỏng vấn, ghi chú, mô hình và bài học của một chuyên gia.
Nó có thể giúp người trẻ tìm hiểu chuyên gia ấy từng nghĩ gì, từng làm gì, từng cảnh báo điều gì.
Nhưng không nên gọi đó là chuyên gia thay thế.
Vì chuyên gia thật không chỉ trả lời câu hỏi. Chuyên gia thật chịu trách nhiệm, hiểu bối cảnh sống, cập nhật hiện trường, tranh luận với người khác, thay đổi quan điểm khi có dữ liệu mới và cân nhắc đạo đức trong quyết định.
“Chuyên gia số” chỉ nên được hiểu là bản sao tri thức có giới hạn, không phải bản sao con người.
Trong ngành kỹ thuật có rủi ro cao, đây là phân biệt rất quan trọng.
16. Một kiến trúc AI lưu giữ tri thức chuyên gia
Tôi đề xuất một kiến trúc gồm chín lớp.
Lớp 1: Dữ liệu gốc
Báo cáo, bản đồ, mô hình, số liệu, văn bản, ảnh hiện trường, video, ghi âm, email chuyên môn, biên bản họp, nhật ký vận hành.
Lớp 2: Số hóa và chuẩn hóa
Chuyển tài liệu giấy thành văn bản, chuẩn hóa tên file, mã dự án, mã lưu vực, mã công trình, thời gian, tác giả, phiên bản.
Lớp 3: Metadata
Gắn thông tin về nguồn, tác giả, năm, phạm vi, độ tin cậy, tình trạng hiệu lực, quyền truy cập.
Lớp 4: Phân loại tri thức
Dữ liệu, mô hình, công trình, lưu vực, quy hoạch, vận hành, thiên tai, bài học, thất bại, khuyến nghị.
Lớp 5: Phỏng vấn và ngoại hiện tri thức ngầm
Tổ chức phỏng vấn sâu chuyên gia, ghi lại seminar, tọa đàm, phản biện, câu chuyện nghề nghiệp.
Lớp 6: Kho tri thức có tìm kiếm
Xây cơ sở dữ liệu tài liệu và tri thức có khả năng tìm kiếm theo chủ đề, địa điểm, chuyên gia, dự án, thời gian.
Lớp 7: AI truy xuất có nguồn
AI trả lời dựa trên tài liệu nội bộ, có trích nguồn, không trả lời vượt quá dữ liệu nếu thiếu căn cứ.
Lớp 8: Chuyên gia kiểm chứng
Các câu trả lời, bài học, checklist và quy tắc quan trọng phải được chuyên gia xác nhận.
Lớp 9: Tích hợp vào công việc
AI tri thức phải đi vào quy trình lập quy hoạch, kiểm tra mô hình, vận hành hồ chứa, thẩm định báo cáo, đào tạo người trẻ, viết bản tin, cảnh báo và tổng kết sự kiện.
Nếu thiếu lớp 9, kho tri thức chỉ là thư viện đẹp. Nếu thiếu lớp 8, AI có thể nguy hiểm. Nếu thiếu lớp 5, tri thức ngầm vẫn bị bỏ lại trong đầu người.
17. Quy trình thu thập tri thức chuyên gia trước khi nghỉ hưu
Với một chuyên gia chuẩn bị nghỉ hưu, tổ chức có thể triển khai quy trình tám bước.
Bước 1: Lập hồ sơ tri thức cá nhân
Chuyên gia đã làm lĩnh vực gì, lưu vực nào, mô hình nào, công trình nào, quy hoạch nào, sự kiện nào.
Bước 2: Thu thập tài liệu liên quan
Báo cáo, bản đồ, mô hình, bảng tính, ghi chú, bài trình bày, ảnh hiện trường, biên bản quan trọng.
Bước 3: Phỏng vấn tổng quan
Hỏi về hành trình nghề nghiệp, các dự án quan trọng, bài học lớn, thất bại đáng nhớ, điều muốn truyền lại.
Bước 4: Phỏng vấn chuyên đề
Theo từng mảng: dữ liệu, mô hình, lưu vực, công trình, quy hoạch, vận hành, thiên tai, thể chế.
Bước 5: Ghi hình bài giảng chuyên gia
Mỗi chuyên gia nên có một số bài giảng di sản: “những điều tôi học được sau 30 năm làm nghề”.
Bước 6: Chuyển thành kho tri thức
Tự động chuyển âm thanh thành văn bản, gắn thẻ, biên tập, liên kết tài liệu.
Bước 7: Người kế thừa đối thoại lại
Người trẻ đọc, hỏi lại, tranh luận, yêu cầu giải thích thêm. Đây là bước rất quan trọng để tri thức sống, không chỉ lưu.
Bước 8: Tạo sản phẩm sử dụng được
Checklist, case study, bài học, hướng dẫn, bản đồ tri thức, trợ lý AI nội bộ, tài liệu đào tạo.
Nghỉ hưu khi đó không chỉ là bàn giao hồ sơ. Nó trở thành một quá trình chuyển hóa tri thức.
18. Với ngành tài nguyên nước, AI nên lưu giữ những gì trước?
Trong điều kiện nguồn lực có hạn, nên ưu tiên sáu nhóm tri thức.
18.1. Tri thức về dữ liệu
Nguồn gốc dữ liệu, độ tin cậy, sai số trạm, chuỗi hiệu chỉnh, dữ liệu lịch sử quan trọng.
18.2. Tri thức về mô hình
Cấu trúc mô hình, tham số, điều kiện biên, sai số thường gặp, bài học hiệu chỉnh.
18.3. Tri thức về lưu vực và vùng đặc thù
ĐBSCL, Đồng Nai – Sài Gòn, miền Trung, Tây Nguyên, ven biển, lưu vực xuyên biên giới.
18.4. Tri thức về công trình trọng yếu
Hồ chứa, cống kiểm soát mặn, đê bao, trạm bơm, hệ thống thủy lợi liên tỉnh, công trình có hạ du nhạy cảm.
18.5. Tri thức về sự kiện cực đoan
Lũ lịch sử, hạn lịch sử, mặn lịch sử, sự cố công trình, trận vận hành khó.
18.6. Tri thức về quyết định và bài học
Vì sao chọn phương án, vì sao loại phương án, bài học từ thất bại, điểm nghẽn phối hợp, kinh nghiệm làm việc với địa phương.
Đây là những phần nếu mất đi sẽ rất khó khôi phục.
19. Rủi ro khi dùng AI để lưu giữ tri thức chuyên gia
19.1. Rủi ro tưởng rằng đã lưu đủ
Có nhiều tài liệu trong kho không có nghĩa là đã giữ được tri thức. Nếu thiếu bối cảnh và tri thức ngầm, kho vẫn nghèo.
19.2. Rủi ro AI bịa hoặc suy diễn quá mức
Nếu AI không có nguồn hoặc nguồn không đủ, nó có thể tạo câu trả lời nghe hợp lý nhưng sai.
19.3. Rủi ro dùng tri thức cũ sai bối cảnh
Một kinh nghiệm đúng trong quá khứ có thể sai khi điều kiện tự nhiên, công trình, dữ liệu hoặc xã hội thay đổi.
19.4. Rủi ro lộ dữ liệu nhạy cảm
Tri thức chuyên gia có thể liên quan đến hồ chứa, hạ du, quy hoạch, dữ liệu công trình, rủi ro thiên tai, thông tin nội bộ. Cần phân quyền nghiêm túc.
19.5. Rủi ro làm người trẻ lười học
Nếu người trẻ chỉ hỏi AI mà không đọc số liệu, không đi thực địa, không hiểu mô hình, không tranh luận với chuyên gia, thì AI làm yếu đi năng lực nghề nghiệp.
19.6. Rủi ro đóng băng tri thức
Nếu AI chỉ lặp lại kinh nghiệm cũ mà không cập nhật dữ liệu mới, tổ chức có thể bị quá khứ trói buộc.
Vì vậy, AI lưu giữ tri thức phải là hệ thống sống, được cập nhật, kiểm chứng và phản biện liên tục.
20. AI lưu giữ tri thức không thay thế truyền nghề
Một tổ chức không nên nghĩ rằng đã có AI thì không cần truyền nghề.
Truyền nghề vẫn rất cần.
Người trẻ cần được làm cùng chuyên gia.
Đi thực địa cùng chuyên gia.
Ngồi hiệu chỉnh mô hình cùng chuyên gia.
Dự họp thẩm định cùng chuyên gia.
Xử lý số liệu khó cùng chuyên gia.
Nghe chuyên gia kể chuyện thất bại.
Bị chuyên gia hỏi ngược.
Được chuyên gia chỉ ra sai sót.
Được thấy chuyên gia chịu trách nhiệm.
AI có thể ghi lại, nhắc lại, hệ thống hóa và mở rộng khả năng tiếp cận tri thức. Nhưng AI không thay thế được quá trình trưởng thành nghề nghiệp.
Tri thức chuyên gia không chỉ là thông tin để đọc. Nó là năng lực để hành động đúng trong bối cảnh cụ thể.
21. Từ “kho tài liệu” đến “trí nhớ tổ chức”
Mục tiêu cuối cùng không phải là có nhiều file hơn.
Mục tiêu là xây dựng trí nhớ tổ chức.
Một tổ chức có trí nhớ là tổ chức biết:
- mình đã làm gì;
- đã đúng ở đâu;
- đã sai ở đâu;
- dữ liệu nào tin được;
- mô hình nào dùng được;
- vùng nào cần thận trọng;
- công trình nào có rủi ro;
- ai biết điều gì;
- bài học nào không được quên;
- người trẻ cần học gì;
- quyết định hiện tại liên quan thế nào đến quá khứ.
AI có thể là công cụ rất mạnh để xây dựng trí nhớ đó.
Nhưng trí nhớ tổ chức không tự nhiên sinh ra từ công nghệ. Nó cần lãnh đạo coi tri thức là tài sản, cần chuyên gia sẵn sàng chia sẻ, cần người trẻ chủ động học, cần quy trình cập nhật, cần hệ thống dữ liệu và cần văn hóa kiểm chứng.
22. Kết luận
AI có thể lưu giữ tri thức của các chuyên gia hay không?
Câu trả lời là: có, nhưng có điều kiện.
AI có thể lưu giữ tốt phần tri thức đã được tài liệu hóa, số hóa, kể lại, ghi âm, ghi hình, gắn với dữ liệu, mô hình, bản đồ và quyết định.
AI có thể hỗ trợ tổ chức phỏng vấn chuyên gia, chuyển lời nói thành văn bản, tóm tắt, gắn thẻ, tìm kiếm, liên kết, hỏi – đáp và tạo công cụ đào tạo.
AI có thể biến kho báo cáo rời rạc thành kho tri thức có thể truy xuất.
AI có thể giúp người trẻ tiếp cận trí nhớ nghề nghiệp của tổ chức nhanh hơn.
Nhưng AI không thể tự lưu giữ những gì chưa từng được nói ra.
AI không thể thay thế hoàn toàn trực giác, hiện trường, đạo đức nghề nghiệp và quá trình truyền nghề.
AI không thể biến dữ liệu nghèo thành tri thức giàu.
AI không thể thay trách nhiệm của chuyên gia trong quyết định kỹ thuật.
Vì vậy, điều quan trọng không phải là giao tri thức chuyên gia cho AI.
Điều quan trọng là dùng AI để hỗ trợ một chương trình quản trị tri thức nghiêm túc, trong đó con người vẫn là trung tâm.
Nếu làm đúng, AI có thể giúp thế hệ chuyên gia đi trước không biến mất khỏi trí nhớ tổ chức khi họ nghỉ hưu.
Nếu làm sai, AI chỉ tạo ra một kho tài liệu đẹp nhưng rỗng bối cảnh.
Một suy nghĩ bổ sung
Tôi nghĩ rằng tri thức chuyên gia giống như phù sa của một dòng sông nghề nghiệp.
Nó không xuất hiện trong một ngày.
Nó được bồi đắp qua nhiều mùa lũ, mùa hạn, qua những chuyến đi thực địa, những lần tính sai, những cuộc tranh luận, những đêm trực vận hành, những bản báo cáo sửa đi sửa lại, những bài học không dễ nói thành lời.
Nếu không giữ lại, phù sa ấy sẽ trôi đi.
AI cho chúng ta một cơ hội rất mới: có thể ghi lại nhiều hơn, tìm lại nhanh hơn, kết nối tốt hơn và truyền cho nhiều người hơn.
Nhưng AI không tự tạo ra phù sa.
Nó chỉ giúp ta giữ lại, sắp xếp và sử dụng những gì con người chịu chia sẻ.
Vì vậy, câu hỏi “AI có thể lưu giữ tri thức chuyên gia hay không” cuối cùng lại quay về một câu hỏi rất người:
Chuyên gia có muốn để lại không?
Tổ chức có biết trân trọng không?
Người trẻ có chịu học không?
Và chúng ta có đủ khiêm tốn để hiểu rằng công nghệ mạnh nhất vẫn cần được nuôi bằng ký ức, trách nhiệm và kinh nghiệm sống của con người hay không?
Nếu câu trả lời là có, AI sẽ không chỉ là công cụ tính toán.
AI có thể trở thành một phần của trí nhớ nghề nghiệp.
Và khi đó, một chuyên gia dù đã nghỉ hưu vẫn có thể tiếp tục hiện diện trong tổ chức: không bằng chức vụ, mà bằng tri thức được lưu giữ, được hỏi lại, được kiểm chứng và được thế hệ sau tiếp tục phát triển.
Tài liệu tham khảo
- ISO. ISO 30401:2018 — Knowledge management systems: Requirements.
- NASA APPEL Knowledge Services. Knowledge Management.
- NASA. NASA Lessons Learned.
- OECD. Facilitating knowledge transfer between generations.
- OECD. Employer policies for ageing workplaces.
- Farnese, M. L. et al. Managing Knowledge in Organizations: A Nonaka’s SECI Model Operationalization.
- Nonaka, I., Toyama, R., & Konno, N. SECI, Ba and Leadership: A Unified Model of Dynamic Knowledge Creation.
- NIST. Artificial Intelligence Risk Management Framework.
- NIST AI Resource Center. AI Risks and Trustworthiness.
- UNESCO. Recommendation on the Ethics of Artificial Intelligence.
- Zuin, G. et al. Leveraging Large Language Models for Tacit Knowledge Discovery in Organizational Contexts.
- Benderoth, M. et al. Socially Interactive Agents for Preserving and Transferring Tacit Knowledge in Organizations.