PLANNERS IN THE AGE OF ARTIFICIAL INTELLIGENCE:
ROLE ALLOCATION, CORE COMPETENCIES AND IMPLICATIONS FOR WATER RESOURCES PLANNING
Đỗ Đức Dũng
Trung tâm Quy hoạch và Điều tra tài nguyên nước quốc gia
Email: doducdung2007@gmail.com
TÓM TẮT
Sự phát triển nhanh của trí tuệ nhân tạo (AI), đặc biệt là AI tạo sinh, đang thay đổi phương thức thu thập thông tin, phân tích dữ liệu, xây dựng kịch bản, mô phỏng, tạo phương án và hỗ trợ ra quyết định trong công tác quy hoạch. Vấn đề trung tâm vì thế không còn chỉ là liệu AI có thay thế người làm quy hoạch hay không, mà là phân công nhiệm vụ và trách nhiệm như thế nào giữa năng lực tính toán của máy với phán đoán chuyên môn, lựa chọn giá trị và trách nhiệm giải trình của con người. Bài viết sử dụng tổng quan định hướng và luận giải khái niệm, ưu tiên các nghiên cứu công bố giai đoạn 2020–8/2026, đồng thời sử dụng một số công trình nền tảng trước giai đoạn này và các khung quản trị AI của NIST, OECD, UNESCO cùng bối cảnh pháp lý Việt Nam. Phân tích cho thấy AI có lợi thế trong xử lý dữ liệu lớn, tổng hợp, nhận dạng mẫu, mô phỏng, tạo kịch bản và mở rộng không gian phương án; trong khi con người cần giữ vai trò chủ đạo trong định khung vấn đề, xây dựng tầm nhìn và mục tiêu, lựa chọn tiêu chí, đánh giá quan hệ nhân quả, xử lý đánh đổi, hiểu bối cảnh, tổ chức đối thoại và chịu trách nhiệm cuối cùng. Đóng góp khái niệm chính của bài viết là đề xuất khung bốn lớp sử dụng AI có trách nhiệm trong quy hoạch, cùng ma trận phân công nhiệm vụ và chín nhóm năng lực cốt lõi của người làm quy hoạch trong thời đại AI. Các hàm ý được làm sâu đối với quy hoạch tài nguyên nước và thủy lợi, bao gồm mô hình lai vật lý–dữ liệu, bản sao số và quy hoạch thích ứng. Bài viết kết luận rằng công cụ càng giỏi tạo câu trả lời, người làm quy hoạch càng phải giỏi đặt đúng câu hỏi, kiểm chứng, lựa chọn và chịu trách nhiệm đối với tương lai.
Từ khóa: trí tuệ nhân tạo; quy hoạch; tư duy chiến lược; ra quyết định; tài nguyên nước; quy hoạch thích ứng; bản sao số.
ABSTRACT
Rapid advances in artificial intelligence (AI), particularly generative AI, are transforming information processing, data analysis, scenario development, modelling, option generation and decision support in planning practice. The central issue is therefore no longer simply whether AI can replace planners, but how tasks and responsibilities should be allocated between machine computation and human professional judgment, value choice and accountability. This paper combines a narrative review with conceptual analysis, prioritising literature published from 2020 to August 2026 while drawing on selected foundational studies and governance frameworks from NIST, OECD and UNESCO as well as Vietnam’s emerging AI legal framework. The analysis indicates that AI has comparative advantages in large-scale data processing, synthesis, pattern recognition, simulation, scenario generation and exploration of alternatives. Human planners should remain central to problem framing, vision and objective setting, criterion selection, causal interpretation, trade-off assessment, contextual understanding, stakeholder deliberation and final accountability. The paper’s main conceptual contribution is a four-layer framework for responsible AI-supported planning, accompanied by a task-allocation matrix and nine core competencies for planners in the AI era. Implications are developed for water resources and irrigation planning, including physics–data hybrid modelling, digital twins and adaptive planning. The paper concludes that as machines become more capable of generating answers, planners must become more capable of asking the right questions, verifying evidence, exercising judgment and taking responsibility for future consequences.
Keywords: artificial intelligence; planning; strategic thinking; decision making; water resources; adaptive planning; digital twin.
1. ĐẶT VẤN ĐỀ
Trí tuệ nhân tạo đang chuyển từ một công cụ chuyên biệt sang một lớp hạ tầng nhận thức có thể tham gia ngày càng sâu vào quá trình phân tích và hỗ trợ quyết định. Trong quy hoạch đô thị và vùng, AI đã được ứng dụng vào phân tích không gian, dự báo sử dụng đất và giao thông, nhận dạng mẫu, mô phỏng, thiết kế phương án và hỗ trợ lựa chọn. Các tổng quan gần đây cho thấy quỹ đạo phát triển đang dịch chuyển từ AI hỗ trợ tác nghiệp và phân tích sang các hệ thống có khả năng tham gia nhiều hơn vào hình thành phương án và quá trình lập quy hoạch (Son et al., 2023; Sanchez et al., 2023; Peng et al., 2024; Jiang et al., 2024).
AI tạo sinh làm tốc độ thay đổi tăng mạnh hơn. Một hệ thống hiện đại có thể đọc và tổng hợp lượng lớn tài liệu, hỗ trợ viết mã, thao tác dữ liệu, tạo nhiều phương án, mô phỏng lập luận và phản biện văn bản trong thời gian ngắn. Tuy nhiên, quy hoạch không chỉ là xử lý thông tin. Quy hoạch chứa những lựa chọn về tương lai mong muốn, phân bổ nguồn lực, mức rủi ro xã hội chấp nhận, công bằng giữa các nhóm, không gian cần bảo vệ và trách nhiệm đối với các thế hệ sau. Vì vậy, khả năng tạo câu trả lời nhanh không đồng nghĩa với quyền xác định câu hỏi, mục tiêu hay phương án cuối cùng.
Từ đó, bài viết chuyển trọng tâm từ câu hỏi “AI có thay thế người làm quy hoạch hay không?” sang câu hỏi có ý nghĩa quản trị hơn: điều gì nên giao cho AI, điều gì con người phải giữ quyền phán đoán, kiểm soát và chịu trách nhiệm? Luận điểm trung tâm của bài viết là AI nên được sử dụng để mở rộng năng lực tư duy và không gian phân tích của con người, nhưng không được trở thành cơ chế làm mờ hoặc thay thế trách nhiệm tư duy của con người. Bài viết tập trung vào ba mục tiêu: nhận diện những công đoạn quy hoạch đang bị AI làm thay đổi; xác định lợi thế tương đối và ranh giới trách nhiệm giữa AI với con người; và đề xuất năng lực cốt lõi cho người làm quy hoạch, với minh họa chuyên sâu trong tài nguyên nước và thủy lợi.
2. PHƯƠNG PHÁP VÀ PHẠM VI NGHIÊN CỨU
Bài viết sử dụng phương pháp tổng quan định hướng (narrative review) kết hợp luận giải khái niệm (conceptual analysis), phù hợp với mục tiêu xây dựng một khung phân công vai trò và trách nhiệm hơn là ước lượng một hiệu ứng thực nghiệm. Tài liệu được lựa chọn có chủ đích theo bốn nhóm: (i) AI trong quy hoạch đô thị, quy hoạch vùng và thiết kế; (ii) cộng tác con người–AI; (iii) quản trị rủi ro, AI lấy con người làm trung tâm và trách nhiệm giải trình; (iv) quy hoạch thích ứng và ra quyết định trong điều kiện bất định. Bài viết ưu tiên công trình phản biện khoa học và tài liệu chính thức công bố từ năm 2020 đến tháng 8/2026; các công trình nền tảng trước giai đoạn này được giữ lại khi cần làm rõ khái niệm hoặc phương pháp, như Dynamic Adaptive Policy Pathways (Haasnoot et al., 2013).
Tiêu chí lựa chọn gồm mức độ liên quan trực tiếp với câu hỏi nghiên cứu, độ tin cậy của nguồn, khả năng truy xuất và giá trị bổ sung cho lập luận. Đối với quản trị AI, bài viết sử dụng các tài liệu chính thức của NIST, OECD và UNESCO; đối với bối cảnh Việt Nam, bổ sung Chiến lược quốc gia về AI, Luật Trí tuệ nhân tạo số 134/2025/QH15 và Nghị định số 142/2026/NĐ-CP. Bốn câu hỏi phân tích xuyên suốt là: AI làm tốt điều gì; AI có giới hạn và rủi ro ở đâu; quyết định nào chứa lựa chọn giá trị hoặc hậu quả khó đảo ngược; và ai phải có thẩm quyền cũng như trách nhiệm cuối cùng. Đây không phải tổng quan hệ thống theo PRISMA, do đó bài viết không tuyên bố bao quát toàn bộ văn liệu; hạn chế này được thảo luận ở Mục 11.5.
3. AI ĐANG LÀM THAY ĐỔI QUY HOẠCH NHƯ THẾ NÀO?
AI tác động tới hầu hết chuỗi công việc quy hoạch, nhưng mức độ phù hợp khác nhau giữa các công đoạn. Trước hết, AI giúp xử lý thông tin quy mô lớn: phân loại tài liệu, trích xuất dữ liệu, tổng hợp bằng chứng, xử lý ảnh và chuỗi thời gian. Tiếp theo, các phương pháp học máy có thể phát hiện quan hệ phi tuyến, nhận dạng mẫu, hỗ trợ dự báo hoặc xây dựng mô hình thay thế (surrogate model) cho một số bài toán tính toán lặp. AI cũng có giá trị cao trong tự động hóa các công việc cơ học như làm sạch dữ liệu, tạo bảng, viết mã, kiểm tra tính nhất quán, tạo bản đồ sơ bộ và chuẩn bị nhiều biến thể đầu vào.
Một thay đổi quan trọng hơn nằm ở khả năng mở rộng không gian khám phá. Thay vì chỉ phân tích một số kịch bản và phương án quen thuộc, chuyên gia có thể sử dụng AI để tạo nhiều tổ hợp giả định, tìm điểm mù, thử độ nhạy và phát triển các phương án đối nghịch để tiếp tục kiểm chứng. Trong tham vấn, AI có thể hỗ trợ phân loại phản hồi, tổng hợp ý kiến và diễn giải nội dung kỹ thuật sang ngôn ngữ dễ tiếp cận. Vì vậy, giá trị của AI không chỉ là “làm nhanh hơn việc cũ”, mà là giúp người làm quy hoạch nhìn thấy nhiều khả năng hơn trước khi lựa chọn.
Tuy nhiên, mở rộng không gian phương án không đồng nghĩa với xác định phương án nào đáng lựa chọn. Máy có thể tạo ra nhiều phương án hợp logic theo dữ liệu và tiêu chí đã cho, nhưng tiêu chí đó có phản ánh đúng mục đích phát triển, công bằng xã hội, giới hạn sinh thái và rủi ro liên thế hệ hay không là một câu hỏi khác. Đây là điểm bắt đầu của sự phân biệt giữa năng lực tính toán và năng lực phán đoán.
4. TỪ CÂU HỎI “AI CÓ THAY THẾ CON NGƯỜI?” ĐẾN BÀI TOÁN PHÂN CÔNG
Một giả định phổ biến là kết hợp con người và AI đương nhiên tốt hơn từng bên riêng lẻ. Bằng chứng thực nghiệm không ủng hộ giả định đơn giản này. Vaccaro, Almaatouq và Malone (2024) tổng hợp 74 bài báo với 106 thí nghiệm và 370 phép đo mức độ tác động (370 effect sizes); kết quả cho thấy tổ hợp con người–AI trung bình tốt hơn con người làm một mình nhưng không mặc nhiên vượt thành phần tốt nhất trong hai bên. Hiệu quả phụ thuộc mạnh vào loại nhiệm vụ, tương quan năng lực giữa con người với AI và cách thiết kế tương tác. Đáng chú ý, các nhiệm vụ sáng tạo có xu hướng hưởng lợi nhiều hơn, trong khi ở một số nhiệm vụ quyết định, phối hợp kém có thể làm giảm hiệu quả.
Hàm ý đối với quy hoạch là không nên thiết kế quy trình theo công thức “AI + chuyên gia = tốt hơn”. Cần phân rã nhiệm vụ và làm rõ: AI có lợi thế ở đâu; con người có lợi thế ở đâu; sai lầm nào có thể xảy ra; hậu quả của sai lầm có thể lớn đến mức nào; kết quả được kiểm chứng bằng kênh độc lập nào; ai có quyền bác bỏ khuyến nghị của AI; và ai chịu trách nhiệm cuối cùng. Bài toán thực chất không phải lựa chọn giữa người và máy, mà là thiết kế một hệ thống phân công, kiểm soát và trách nhiệm phù hợp với mức rủi ro của quyết định.
5. AI NÊN LÀM GÌ VÀ CON NGƯỜI PHẢI GIỮ ĐIỀU GÌ?
5.1. AI có lợi thế về tốc độ, quy mô và khả năng khám phá
AI đặc biệt phù hợp với các nhiệm vụ có lượng thông tin lớn, cấu trúc lặp và tiêu chí tương đối rõ: tìm kiếm và tổng hợp tài liệu; làm sạch, liên kết và phân loại dữ liệu; nhận dạng mẫu; chạy nhiều phép tính hoặc kịch bản; tạo tập phương án; kiểm tra mâu thuẫn; và hỗ trợ lập báo cáo. Khi máy thực hiện tốt những phần việc này, việc buộc chuyên gia tiếp tục dành phần lớn thời gian cho lao động cơ học không còn hợp lý. Giá trị của thời gian được giải phóng chỉ xuất hiện khi nó được chuyển sang những nhiệm vụ có giá trị cao hơn: định khung vấn đề, kiểm chứng, giải thích, cân nhắc đánh đổi và đối thoại.
5.2. Con người phải giữ quyền định khung vấn đề
Định khung vấn đề (problem framing) có thể là chức năng quan trọng nhất của người làm quy hoạch. Nếu một vùng thiếu nước và câu hỏi được đặt ngay là “cần xây hồ nào?”, AI có thể nhanh chóng tạo danh sách vị trí, quy mô và phương án sơ bộ. Nhưng quy hoạch phải hỏi trước: thiếu nước ở đâu và vào thời điểm nào; thiếu do tổng nguồn không đủ hay do tổn thất, phân bổ, cơ cấu nhu cầu, vận hành hoặc chất lượng nước; nguyên nhân nào là gốc và nguyên nhân nào chỉ là biểu hiện. Một câu hỏi ban đầu sai có thể khiến AI giúp chúng ta trả lời rất nhanh một bài toán chưa đúng. Công cụ càng giỏi trả lời, người sử dụng càng phải giỏi đặt câu hỏi.
5.3. Con người phải lựa chọn điều gì đáng tối ưu
AI có thể tối ưu chi phí, lượng nước thiếu, sản lượng điện, diện tích ngập hoặc một hàm lợi ích tổng hợp. Nhưng quy hoạch thường đồng thời phải xem xét hiệu quả, an toàn, môi trường, công bằng, khả năng chống chịu và lợi ích của thế hệ tương lai. Việc quy đổi hoặc xếp trọng số các mục tiêu không chỉ là thao tác toán học; nó thể hiện lựa chọn giá trị và quyền lực phân phối. AI có thể giúp mô tả đường biên đánh đổi và kiểm tra nhiều bộ trọng số, nhưng con người và thể chế phải công khai tiêu chí, lý do ưu tiên và trách nhiệm đối với lựa chọn đó.
5.4. Tư duy nhân quả không thể bị thay bằng nhận dạng tương quan
Cần điều chỉnh một cách hiểu quá nhị nguyên rằng “AI chỉ làm tương quan, con người làm nhân quả”. Các phương pháp tính toán có thể hỗ trợ xây dựng giả thuyết nhân quả, thiết kế phân tích và ước lượng tác động khi có cấu trúc dữ liệu, giả định và thiết kế nhận dạng phù hợp. Tuy nhiên, từ một mẫu thống kê hoặc dự báo chính xác không thể tự động suy ra rằng can thiệp vào biến X sẽ làm biến Y thay đổi theo cùng cơ chế. Trong quy hoạch, người chuyên môn phải hiểu hệ thống vật lý–xã hội, kiểm tra giả định, nhận diện biến gây nhiễu và diễn giải cơ chế tác động. AI có thể hỗ trợ suy luận nhân quả; trách nhiệm xác lập và bảo vệ lập luận nhân quả không nên được giao cho một mô hình chỉ vì mô hình dự báo tốt.
6. NHỮNG RỦI RO CHÍNH KHI SỬ DỤNG AI TRONG QUY HOẠCH
6.1. Câu trả lời sai nhưng thuyết phục và mất tính toàn vẹn thông tin
AI tạo sinh có thể sinh nội dung mạch lạc nhưng không chính xác, một hiện tượng NIST xếp trong nhóm rủi ro “confabulation”, bên cạnh các vấn đề về toàn vẹn thông tin, quyền riêng tư, sở hữu trí tuệ và an toàn (Autio et al., 2024). Vì vậy, độ trôi chảy của câu chữ không phải bằng chứng của tính đúng đắn. Những con số, trích dẫn, quy định pháp luật và giả định kỹ thuật có ảnh hưởng đến quyết định phải được truy xuất về nguồn gốc và kiểm chứng độc lập.
6.2. Phụ thuộc quá mức và hiệu ứng tự động hóa
Khi AI thường xuyên cho kết quả hợp lý, người dùng dễ giảm mức độ kiểm tra và chuyển từ “hỗ trợ quyết định” sang “đi theo khuyến nghị”. Rủi ro tăng mạnh với những quyết định có hậu quả dài hạn hoặc khó đảo ngược. Một vùng trữ lũ bị chuyển đổi, một ngưỡng khai thác nước dưới đất không phù hợp hoặc một công trình đặt sai vị trí có thể tạo hiệu ứng khóa chặt trong nhiều thập kỷ. Vì thế, mức giám sát không nên đồng đều: hậu quả tiềm tàng càng lớn thì yêu cầu kiểm chứng, truy xuất và quyền bác bỏ của con người càng cao.
6.3. Dữ liệu kém chất lượng, thiên lệch và thay đổi chế độ
Đây là điểm cần bổ sung rõ hơn so với bản thảo ban đầu. AI học và suy luận từ dữ liệu; nếu dữ liệu quan trắc thiếu, không đồng nhất, thay đổi phương pháp đo, có khoảng trống không gian–thời gian hoặc không đại diện cho điều kiện tương lai, mô hình có thể tạo ra độ chính xác giả. Đặc biệt trong tài nguyên nước, biến đổi khí hậu, đô thị hóa, thay đổi sử dụng đất và công trình mới có thể làm quan hệ thống kê trong quá khứ dịch chuyển. Do đó, làm sạch dữ liệu không đủ; phải đánh giá nguồn gốc, chất lượng, tính đại diện, sự thay đổi chế độ và mức độ phù hợp của dữ liệu với câu hỏi quy hoạch.
6.4. Mất bối cảnh địa phương, nguồn gốc và tính hợp pháp
Một mô hình có thể tổng hợp kinh nghiệm từ nhiều nơi nhưng không tự động hiểu đầy đủ địa hình, thủy văn, lịch sử công trình, thể chế, văn hóa, năng lực vận hành và hành vi cộng đồng của một địa bàn. Đồng thời, việc đưa dữ liệu nhạy cảm hoặc tài liệu nội bộ lên hệ thống AI có thể phát sinh vấn đề về bảo mật, dữ liệu cá nhân, bản quyền và nguồn gốc nội dung. Quy hoạch vì vậy vẫn cần thực địa, đối thoại, dữ liệu có xuất xứ và quy trình sử dụng AI phù hợp với pháp luật cũng như quy chế của cơ quan.
6.5. Suy giảm năng lực chuyên môn
Nếu chuyên gia giao cả thao tác lẫn tư duy nền tảng cho AI, năng lực phát hiện kết quả vô lý có thể suy giảm theo thời gian. Nguyên tắc phù hợp không phải “phải tự làm mọi thứ”, mà là phải duy trì đủ hiểu biết về dữ liệu, phương pháp, mô hình vật lý, sai số và ngưỡng an toàn để nhận ra khi công cụ đi sai. Trong các lĩnh vực có hậu quả an toàn lớn, năng lực phản biện kết quả là một thành tố của kiểm soát rủi ro, không phải kỹ năng tùy chọn.
7. KHUNG BỐN LỚP SỬ DỤNG AI CÓ TRÁCH NHIỆM TRONG QUY HOẠCH
Từ các phân tích trên, bài viết đề xuất khung bốn lớp như một cấu trúc khái niệm để tổ chức quy trình AI–con người trong quy hoạch. Khung không nhằm thay thế các hệ thống quản trị rủi ro hiện có như NIST AI RMF, mà chuyển các nguyên tắc về quản trị, đo lường, kiểm soát và trách nhiệm vào logic nghề quy hoạch (NIST, 2023; Shneiderman, 2020). Điểm cốt lõi là vai trò của AI và con người thay đổi theo bản chất nhiệm vụ và mức độ khó đảo ngược của quyết định.
Hình 1. Khung bốn lớp sử dụng AI có trách nhiệm trong quy hoạch (đề xuất của tác giả)
Lớp 1 – Con người định khung vấn đề: xác định vấn đề, mục đích, tầm nhìn, mục tiêu, các giá trị cần bảo vệ và những giới hạn không được vượt qua. AI chủ yếu đóng vai trò gợi mở, tìm điểm mù và phản biện. Lớp 2 – AI mở rộng không gian phân tích: tổng hợp bằng chứng, tạo giả thuyết, kịch bản, mô phỏng và phương án để tăng khả năng nhìn thấy, nhưng không tự trao quyền lựa chọn. Lớp 3 – Con người kiểm chứng đa nguồn: đối chiếu với dữ liệu gốc, mô hình chuyên ngành, phương pháp độc lập, thực địa, chuyên gia, tri thức địa phương và quy định pháp luật. Lớp 4 – Con người và thể chế lựa chọn, chịu trách nhiệm: công khai tiêu chí, đánh đổi, bất định còn lại, nhóm được lợi–chịu tác động và điều kiện phải xem xét lại quyết định. Nguyên tắc xuyên suốt là quyết định càng chứa nhiều lựa chọn giá trị, bất định sâu, hậu quả lớn hoặc khó đảo ngược thì mức kiểm chứng và quyền quyết định của con người càng phải tăng.
8. MA TRẬN PHÂN CÔNG GIỮA AI VÀ NGƯỜI LÀM QUY HOẠCH
Khung bốn lớp có thể chuyển thành ma trận phân công theo công đoạn để tránh hai cực đoan: hoặc cấm AI ở những nơi công cụ có thể tạo giá trị lớn, hoặc giao AI quá nhiều quyền ở những nơi chứa lựa chọn giá trị và rủi ro cao. Bảng 1 trình bày nguyên tắc phân công gợi ý.
Bảng 1. Ma trận phân công gợi ý giữa AI và người làm quy hoạch
| Công đoạn | Vai trò chính của AI | Vai trò chính của con người |
| Tổng hợp tài liệu | Tìm kiếm, phân loại, tóm tắt, đối chiếu | Xác định phạm vi; đánh giá độ tin cậy và tính phù hợp của nguồn |
| Xử lý dữ liệu | Làm sạch, liên kết, nhận dạng mẫu, phát hiện bất thường | Kiểm tra nguồn gốc, ý nghĩa, chất lượng, tính đại diện và thay đổi chế độ |
| Phân tích hiện trạng | Hỗ trợ phân tích không gian, chuỗi thời gian và mô hình hóa | Xác định vấn đề, nguyên nhân và mối liên hệ hệ thống |
| Dự báo | Tính toán, mô phỏng, tạo phân bố/khoảng dự báo | Lựa chọn giả định; diễn giải bất định và điều kiện áp dụng |
| Xây dựng kịch bản | Tạo nhiều tổ hợp và kiểm tra độ nhạy | Chọn các bất định chiến lược và kịch bản có ý nghĩa |
| Tạo phương án | Mở rộng không gian giải pháp, tối ưu và tìm phương án đối nghịch | Kiểm tra tính phù hợp, khả thi, an toàn và chấp nhận xã hội |
| Đánh giá phương án | Tính hiệu quả, tác động và đường biên đánh đổi | Lựa chọn tiêu chí, trọng số; đánh giá công bằng và đánh đổi |
| Lựa chọn chiến lược | Hỗ trợ so sánh, giải thích và kiểm thử | Con người và thể chế quyết định, giải trình lý do |
| Tham vấn | Phân loại, tóm tắt, phát hiện chủ đề | Đối thoại, xử lý xung đột, xây dựng đồng thuận |
| Quyết định khó đảo ngược | Mô phỏng hậu quả, stress test, cảnh báo | Giữ quyền quyết định cuối cùng; áp dụng mức kiểm chứng cao |
| Giám sát và điều chỉnh | Theo dõi tín hiệu, phát hiện lệch chuẩn, cảnh báo | Diễn giải; kích hoạt hành động/điều chỉnh và chịu trách nhiệm |
9. NHỮNG NĂNG LỰC CỐT LÕI CỦA NGƯỜI LÀM QUY HOẠCH TRONG THỜI ĐẠI AI
Sự dịch chuyển phân công nhiệm vụ không làm mất nhu cầu về năng lực chuyên môn; nó thay đổi cấu trúc năng lực. Có thể khái quát chín nhóm năng lực. Một là năng lực đặt đúng vấn đề: bắt đầu từ “vấn đề gì cần giải quyết?” thay vì “xây gì hoặc dùng công cụ gì?”. Hai là tư duy hệ thống: hiểu tương tác giữa nước, đất, đô thị, nông nghiệp, công nghiệp, năng lượng, hệ sinh thái, khí hậu, kinh tế và thể chế. Ba là tư duy nhân quả: phân biệt dự báo với tác động của can thiệp. Bốn là năng lực làm việc với bất định: xây dựng kịch bản, phân tích độ nhạy, nhận diện ngưỡng thất bại và bảo tồn khả năng lựa chọn cho tương lai.
Năm là hiểu biết về dữ liệu và AI: không nhất thiết trở thành kỹ sư AI nhưng phải hiểu chất lượng dữ liệu, giới hạn mô hình, khả năng sai, dấu vết nguồn và nguyên tắc kiểm chứng. Sáu là phán đoán chuyên môn và hiểu bối cảnh: biết kết quả nào có ý nghĩa vật lý–xã hội và kết quả nào dù đẹp về toán học vẫn bất hợp lý. Bảy là năng lực đối thoại và tích hợp tri thức: quy hoạch vẫn là quá trình xã hội có nhiều chủ thể và lợi ích. Tám là đạo đức nghề nghiệp và trách nhiệm: luôn hỏi ai được lợi, ai chịu chi phí và rủi ro nào được chuyển sang tương lai. Chín là khả năng học hỏi và tự phản biện: dùng AI không chỉ để tìm câu trả lời mà để tìm lỗ hổng trong lập luận của chính mình.
10. HÀM Ý ĐỐI VỚI QUY HOẠCH TÀI NGUYÊN NƯỚC VÀ THỦY LỢI
Trong tài nguyên nước, cần tránh hai cách hiểu cực đoan: hoặc coi AI chỉ là công cụ văn bản, hoặc coi AI có thể thay thế các mô hình vật lý. Một hướng thực tế hơn là tích hợp. AI/học máy có thể hỗ trợ kiểm soát chất lượng dữ liệu, hiệu chỉnh tham số, đồng hóa dữ liệu, xây dựng mô hình thay thế để tăng tốc số lần mô phỏng, tối ưu vận hành và phát hiện bất thường; trong khi các mô hình thủy văn–thủy lực vẫn cung cấp cấu trúc vật lý, ràng buộc bảo toàn và khả năng giải thích. Nghiên cứu về mô hình mạng nơ-ron có hướng dẫn vật lý cho ngập đô thị cho thấy tiềm năng kết hợp mô hình MIKE FLOOD với mạng nơ-ron để tăng tốc dự báo mà không tách rời hoàn toàn cơ sở vật lý (Balakrishna Madayala et al., 2022). Điều quan trọng là không diễn giải “nhanh hơn” thành “đúng hơn trong mọi điều kiện”: mô hình lai vẫn cần dữ liệu, hiệu chỉnh, đánh giá ngoài mẫu và kiểm tra ý nghĩa vật lý.
10.1. Từ tăng cung sang hiểu đúng bài toán thiếu nước
AI có thể hỗ trợ mạnh trong mô phỏng nguồn–nhu cầu, phân tích nhiều kịch bản và tối ưu phân bổ. Nhưng quy hoạch không nên bắt đầu từ câu hỏi “cần xây thêm hồ nào?”. Cần định khung theo chuỗi từ vị trí và thời điểm thiếu nước, nguyên nhân gây thiếu, khả năng giảm tổn thất và quản lý nhu cầu, tối ưu vận hành nguồn hiện có, tái sử dụng hoặc giải pháp phi công trình, sau đó mới xác định thiếu hụt thực sự còn lại và so sánh phương án tăng nguồn. Hình 2 chuyển chuỗi câu hỏi này thành một logic quyết định phù hợp hơn với bài báo khoa học.
Hình 2. Sơ đồ định khung bài toán thiếu nước trước khi lựa chọn giải pháp tăng cung (đề xuất của tác giả)
10.2. Quy hoạch lũ và ngập: mô hình nhanh không thay thế lựa chọn xã hội
AI có thể hỗ trợ xử lý địa hình, dự báo, xây dựng mô hình thay thế cho mô hình thủy lực và chạy nhiều kịch bản ngập. Tuy nhiên, máy không tự quyết định mức rủi ro xã hội chấp nhận, khu vực nào cần bảo vệ ở mức cao nhất, không gian nào nên dành cho nước hoặc có nên chấp nhận ngập có kiểm soát ở khu vực ít tổn thương để bảo vệ hạ tầng thiết yếu hay không. Đây là lựa chọn có yếu tố công bằng và giá trị. Một phương án tối ưu chi phí nhưng đẩy rủi ro sang nhóm dễ tổn thương không thể được hợp thức hóa chỉ vì điểm số của thuật toán cao.
10.3. Nước dưới đất: từ khả năng khai thác sang giá trị dự phòng chiến lược
AI có thể hỗ trợ dự báo hạ thấp mực nước, phân vùng nguy cơ hoặc liên kết dữ liệu khai thác với sụt lún. Nhưng câu hỏi chiến lược vẫn là nước dưới đất nên giữ vai trò gì trong hệ thống nước tương lai. Nếu được coi là nguồn dự phòng chiến lược, mục tiêu không phải tối đa hóa khai thác hiện tại mà là duy trì trữ lượng, chất lượng và khả năng huy động khi hệ thống gặp hạn cực đoan, ô nhiễm nguồn mặt hoặc gián đoạn cấp nước. Đây là ví dụ điển hình của việc phân biệt “khả năng tính toán” với “mục đích cần lựa chọn”.
10.4. Vận hành hồ chứa: tối ưu đa mục tiêu và giới hạn an toàn
AI có thể hỗ trợ dự báo dòng đến, tối ưu lịch vận hành và tìm đường biên đánh đổi giữa phòng lũ, cấp nước, phát điện và dòng chảy môi trường. Tuy nhiên, ràng buộc an toàn, quy trình vận hành, giới hạn mực nước, năng lực hạ du và các yêu cầu pháp lý không phải những biến có thể tùy ý đánh đổi. Một thuật toán có thể đề xuất phương án có lợi về kinh tế nhưng gây rủi ro hạ du hoặc vi phạm ngưỡng an toàn; khi đó hiểu biết cơ chế vật lý và quyền bác bỏ của kỹ sư, cơ quan quản lý là chốt kiểm soát cuối cùng.
10.5. Bản sao số: hạ tầng hỗ trợ quy hoạch thích ứng, không phải “quy hoạch tự động”
Bản sao số (digital twin) có ý nghĩa khi kết nối mô hình với dữ liệu quan trắc đang cập nhật để phản ánh trạng thái hệ thống, kiểm soát chất lượng, dự báo và hỗ trợ phản ứng. Ví dụ, Kim, Oh và Bartos (2025) phát triển bản sao số thoát nước đô thị kết hợp dữ liệu cảm biến, mô hình thủy lực và đồng hóa dữ liệu để phát hiện nguy cơ ngập trong điều kiện bất định. Đối với quy hoạch, bản sao số nên được xem là lớp hạ tầng dữ liệu–mô hình hỗ trợ giám sát giả định, đánh giá ngưỡng kích hoạt và cập nhật quyết định. Nó không đồng nghĩa với một học thuyết “quy hoạch động” tự động; logic chiến lược và quy tắc điều chỉnh vẫn phải do con người và thể chế xác lập.
11. THẢO LUẬN
11.1. Giá trị nghề nghiệp đang dịch chuyển từ sản xuất thông tin sang phán đoán
Khi AI làm tốt hơn các công việc tìm kiếm, tổng hợp và một phần phân tích, giá trị của chuyên gia dịch chuyển từ tạo ra thông tin sang xác định thông tin nào quan trọng; từ thực hiện phép tính sang xác định phép tính nào cần thực hiện và giả định nào quyết định kết quả; từ tạo phương án sang phán đoán phương án nào đáng lựa chọn. Vì vậy, AI không làm tư duy chiến lược ít quan trọng hơn. Trái lại, nó làm năng lực định khung, đánh giá đánh đổi và chịu trách nhiệm trở thành phần giá trị hơn của nghề quy hoạch.
11.2. “Con người trong vòng quyết định” phải có ý nghĩa thực chất
Việc con người ký xác nhận ở cuối quy trình chưa đủ để được coi là giám sát có ý nghĩa. Người giám sát phải hiểu đủ kết quả, có quyền yêu cầu giải thích, có khả năng kiểm chứng, có quyền bác bỏ và có trách nhiệm đối với quyết định. Tinh thần này phù hợp với các nguyên tắc AI lấy con người làm trung tâm của UNESCO và OECD, cũng như cách tiếp cận quản trị rủi ro của NIST. Đáng chú ý, Luật Trí tuệ nhân tạo số 134/2025/QH15 của Việt Nam nhấn mạnh sự kiểm soát của con người và quy định trong quản lý nhà nước, cung cấp dịch vụ công, AI không được thay thế thẩm quyền ra quyết định của con người; người ra quyết định chịu trách nhiệm cuối cùng. Nghị định số 142/2026/NĐ-CP tiếp tục cụ thể hóa việc thi hành Luật. Điều này làm cho luận điểm về trách nhiệm con người trong quy hoạch không chỉ là yêu cầu đạo đức mà còn gắn trực tiếp với bối cảnh quản trị AI hiện hành ở Việt Nam.
11.3. Từ người lập bản quy hoạch đến người giữ logic dài hạn của hệ thống
Quy hoạch tương lai có thể ngày càng giống một hệ thống được cập nhật hơn là một sản phẩm tĩnh. Dữ liệu mới làm thay đổi đánh giá hiện trạng; mô hình có thể được chạy lại; các chỉ báo có thể cảnh báo giả định đang mất hiệu lực. Cách tiếp cận Dynamic Adaptive Policy Pathways nhấn mạnh việc chuẩn bị các con đường hành động khác nhau và các điểm kích hoạt để điều chỉnh khi điều kiện thay đổi (Haasnoot et al., 2013). AI và bản sao số có thể làm lớp quan sát và phân tích của chu trình này mạnh hơn, nhưng người làm quy hoạch vẫn phải giữ “logic dài hạn”: mục đích, tầm nhìn, giới hạn, ngưỡng chấp nhận và tiêu chí cho biết khi nào phải đổi đường đi.
11.4. Chất lượng dữ liệu và năng lực thể chế là điều kiện nền
Trong thực tế, hiệu quả của AI không thể tách khỏi chất lượng dữ liệu và năng lực tổ chức. Dữ liệu phân tán giữa cơ quan, chuẩn đo khác nhau, hồ sơ thiếu lịch sử, metadata không đầy đủ hoặc không rõ quyền sử dụng có thể làm suy yếu toàn bộ chuỗi AI. Vì thế, đầu tư vào AI trong quy hoạch phải đi cùng quản trị dữ liệu, tiêu chuẩn hóa, khả năng truy xuất, cơ chế chia sẻ, an ninh thông tin và quy trình kiểm định. Luật AI và khung quản trị quốc tế tạo “lan can”, nhưng năng lực của cơ quan lập quy hoạch mới quyết định lan can đó được vận hành thực chất hay chỉ nằm trên giấy.
11.5. Giới hạn của bài viết
Bài viết là một nghiên cứu khái niệm và tổng quan định hướng, không phải tổng quan hệ thống hay nghiên cứu thực nghiệm. Do vậy, khung bốn lớp và ma trận phân công cần được xem là giả thuyết thiết kế quy trình để tiếp tục kiểm nghiệm trong các dự án quy hoạch cụ thể. Các lĩnh vực khác nhau có thể cần mức tự động hóa và kiểm soát khác nhau; ngay trong tài nguyên nước, một tác vụ dự báo ngắn hạn, một quyết định vận hành khẩn cấp và một lựa chọn không gian trữ lũ dài hạn không thể áp dụng cùng một chế độ giám sát. Nghiên cứu tiếp theo nên thử nghiệm khung này trên các quy trình thực tế, đo chất lượng quyết định, thời gian, khả năng phát hiện lỗi và mức độ truy xuất trách nhiệm.
12. KẾT LUẬN
AI đang làm thay đổi sâu sắc nghề quy hoạch bằng cách tự động hóa nhiều công việc tìm kiếm, tổng hợp, xử lý dữ liệu, mô phỏng và tạo phương án. Điều đó không làm người làm quy hoạch trở nên ít quan trọng; nó làm thay đổi nơi con người tạo ra giá trị. Giá trị ngày càng nằm ở đặt đúng câu hỏi, hiểu hệ thống và quan hệ nhân quả, lựa chọn tiêu chí có trách nhiệm, kiểm chứng nguồn, quản trị bất định, tổ chức đối thoại và bảo vệ khả năng lựa chọn của tương lai.
Khung bốn lớp được đề xuất trong bài viết đặt con người ở đầu và cuối chu trình: con người định khung vấn đề; AI mở rộng không gian phân tích; con người kiểm chứng đa nguồn; con người và thể chế lựa chọn, giải trình và chịu trách nhiệm. Ở giữa chu trình, AI có thể và nên làm rất nhiều. Nhưng mức độ tự động hóa không thể tách khỏi mức rủi ro: nhiệm vụ càng chứa nhiều lựa chọn giá trị, bất định sâu, hậu quả lớn hoặc tính khó đảo ngược, vai trò quyết định của con người càng phải rõ.
Đối với tài nguyên nước và thủy lợi, hướng phát triển có triển vọng không phải là thay mô hình vật lý bằng AI một cách giản đơn, mà là hình thành các hệ thống lai: dữ liệu tốt hơn, mô hình vật lý được tăng cường bởi học máy, mô phỏng nhanh hơn, bản sao số phục vụ theo dõi và quy hoạch thích ứng. Trong mọi trường hợp, nguyên tắc nền tảng vẫn là: “Dùng AI để mở rộng năng lực tư duy của con người, không dùng AI để thay thế trách nhiệm tư duy của con người.” Khi AI có thể làm ngày càng nhiều, câu hỏi lớn đối với người làm quy hoạch không phải chỉ là máy có thể làm gì thay chúng ta, mà là con người cần dành trí tuệ, phán đoán và trách nhiệm của mình cho những lựa chọn nào có ý nghĩa đối với nhiều thế hệ.
TUYÊN BỐ VỀ VIỆC SỬ DỤNG TRÍ TUỆ NHÂN TẠO
Trong quá trình chuẩn bị và biên tập bản thảo, công cụ AI tạo sinh được sử dụng để hỗ trợ tìm kiếm và hệ thống hóa tài liệu, phát triển cấu trúc lập luận, kiểm tra tính nhất quán và biên tập ngôn ngữ. Tác giả đã kiểm tra lại các nguồn quan trọng, lựa chọn lập luận và chịu trách nhiệm hoàn toàn đối với nội dung, kết luận và phiên bản cuối cùng của bài viết.
XUNG ĐỘT LỢI ÍCH
Tác giả tuyên bố không có xung đột lợi ích liên quan đến nội dung bài viết.
TÀI LIỆU THAM KHẢO
Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1.
Balakrishna Madayala, A., Jain, A., & Lohani, B. (2022). Development of a physics-guided neural network model for effective urban flood management. Journal of Hydrologic Engineering, 27(9), 04022017. https://doi.org/10.1061/(ASCE)HE.1943-5584.0002196.
Chính phủ. (2026). Nghị định số 142/2026/NĐ-CP ngày 30/4/2026 quy định chi tiết một số điều và biện pháp thi hành Luật Trí tuệ nhân tạo.
Haasnoot, M., Kwakkel, J. H., Walker, W. E., & ter Maat, J. (2013). Dynamic adaptive policy pathways: A method for crafting robust decisions for a deeply uncertain world. Global Environmental Change, 23(2), 485–498. https://doi.org/10.1016/j.gloenvcha.2012.12.006.
Jiang, F., Ma, J., Webster, C. J., Chiaradia, A. J. F., Zhou, Y., Zhao, Z., & Zhang, X. (2024). Generative urban design: A systematic review on problem formulation, design generation, and decision making. Progress in Planning, 180, 100795. https://doi.org/10.1016/j.progress.2023.100795.
Kim, Y., Oh, J., & Bartos, M. (2025). Stormwater digital twin with online quality control detects urban flood hazards under uncertainty. Sustainable Cities and Society, 118, 105982. https://doi.org/10.1016/j.scs.2024.105982.
Lartey, D., & Law, K. M. Y. (2025). Artificial intelligence adoption in urban planning governance: A systematic review of advancements in decision-making and policy-making. Landscape and Urban Planning, 258, 105337. https://doi.org/10.1016/j.landurbplan.2025.105337.
National Institute of Standards and Technology (NIST). (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1.
OECD. (2024). OECD AI Principles (updated 2024). Organisation for Economic Co-operation and Development.
Peng, Z.-R., Lu, K.-F., Liu, Y., & Zhai, W. (2024). The pathway of urban planning AI: From planning support to plan making. Journal of Planning Education and Research, 44(4), 2263–2279. https://doi.org/10.1177/0739456X231180568.
Quốc hội. (2025). Luật Trí tuệ nhân tạo số 134/2025/QH15 ngày 10/12/2025.
Sanchez, T. W., Shumway, H., Gordner, T., & Lim, T. (2023). The prospects of artificial intelligence in urban planning. International Journal of Urban Sciences, 27(2), 179–194. https://doi.org/10.1080/12265934.2022.2102538.
Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118.
Son, T. H., Weedon, Z., Yigitcanlar, T., Sanchez, T., Corchado, J. M., & Mehmood, R. (2023). Algorithmic urban planning for smart and sustainable development: Systematic review of the literature. Sustainable Cities and Society, 94, 104562. https://doi.org/10.1016/j.scs.2023.104562.
Thủ tướng Chính phủ. (2021). Quyết định số 127/QĐ-TTg ngày 26/01/2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng Trí tuệ nhân tạo đến năm 2030.
UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence. United Nations Educational, Scientific and Cultural Organization.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1.
Ngày soạn: 11/08/2026