Từ khóa của tuần này đến từ những lượt chat vô tri của Py với GPT về tương lai, nơi mà AI sẽ chắc chắn thâm nhập và xâm lấn ngày càng sâu vào công việc lẫn đời sống của con người. Và cụm từ khiến Py chú ý nhiều hơn hẳn, hiển nhiên là “nợ nhận thức”, và bài viết này là tổng hợp lại cách Py hiểu về hiện tượng này.

Nợ nhận thức là gì?

Theo Py tìm hiểu, hiện tượng này bắt đầu từ khái niệm cognitive offloading (giảm tải nhận thức). đơn giản là việc dùng các công cụ bên ngoài để “gánh” bớt việc cho não. Ghi chép vào sổ, đặt lịch nhắc trên điện thoại, hay bấm máy tính thay vì nhẩm trong đầu… đều là offloading, và bản thân nó chẳng có gì xấu.

Nhưng “nợ nhận thức” lại là một tầng khác, một khái niệm mới xuất hiện trong nghiên cứu Your Brain on ChatGPT của nhóm MIT Media Lab năm 2025. Ý tưởng này được mượn từ technical debt (nợ kỹ thuật): hiệu quả nhanh chóng trước mắt luôn được đánh đổi bằng những khoản chi phí phát sinh về lâu về dài.

Chắc anh chị em làm product không lạ gì nợ kỹ thuật. Vì cần ship nhanh mà ta tạm bỏ qua vài edge cases, để rồi sau đó phải “trả lãi” bằng đống bug và những đợt refactor mệt mỏi. Nợ nhận thức cũng vận hành y hệt như thế, chỉ khác ở chỗ: cái “codebase” đang gánh nợ không phải là mã nguồn, mà chính là năng lực tư duy của mình.

Góc nhìn chính chuyên
(Phần này được tổng hợp với sự hỗ trợ của AI)

Nghiên cứu đầu tiên đến từ MIT. Nhóm tác giả mời 54 sinh viên viết bài luận qua nhiều buổi, chia thành ba nhóm: dùng ChatGPT, chỉ dùng công cụ tìm kiếm, và tự viết hoàn toàn. Trong lúc viết, mỗi người đeo thiết bị EEG để đo hoạt động não. Kết quả cho thấy ở nhóm dùng ChatGPT, các vùng não kết nối và “trò chuyện” với nhau ít nhất, nói nôm na là não làm việc ít hơn hẳn. Nhóm này cũng nhớ nội dung bài mình vừa viết kém hơn, và ít cảm thấy bài viết là của mình nhất¹.

Nghiên cứu thứ hai, của nhóm tác giả từ UC Berkeley cùng một số trường khác², đi tìm câu trả lời cho một câu hỏi thân thuộc hơn: nếu đang quen dùng AI mà đột nhiên không còn AI nữa, mình còn tự làm được không? Họ mời 1.222 người giải toán phân số và làm bài đọc hiểu kiểu SAT. Một nhóm được dùng ChatGPT để hỏi, thậm chí xin luôn đáp án, nhóm kia tự làm. Ở những câu đầu, nhóm có AI làm đúng nhiều hơn, điều này cũng dễ hiểu. Nhưng trong thí nghiệm giải phân số, sau câu thứ 12 thì AI bị lấy đi, và gần như ngay lập tức, nhóm này làm sai hoặc bỏ qua câu hỏi nhiều hơn hẳn. Trong khi đó, nhóm tự làm từ đầu vẫn hoàn thành phần còn lại, và còn làm tốt hơn về cuối. Thí nghiệm đọc hiểu cũng cho kết quả tương tự.

Dĩ nhiên, hai nghiên cứu này đều có giới hạn. Nghiên cứu MIT có mẫu khá nhỏ và vẫn ở dạng preprint, tức chưa qua bình duyệt. Bài tập phân số thì khác xa công việc thật. Nhưng chính một tác giả của nghiên cứu Berkeley cho rằng đây không chỉ là chuyện phân số hay đề SAT, mà là chuyện đang xảy ra với năng lực chuyên môn ở mọi cấp độ, từ học sinh đến chuyên gia hàng đầu².

Đọc đến đây, phản xạ tự nhiên là: thôi thì dùng AI ít lại. Nhưng nghiên cứu thứ ba, đăng trên Frontiers in Psychology³, gợi ý rằng vấn đề không chỉ nằm ở lượng dùng, mà còn ở cách dùng. Nhóm tác giả theo dõi 589 sinh viên và người mới đi làm qua ba đợt, và tách cognitive offloading thành hai kiểu. Dependent offloading là giao luôn phần suy nghĩ cho AI, nhận câu trả lời hoàn chỉnh mà ít đánh giá lại. Autonomous offloading là dùng AI như giàn giáo, lấy gợi ý của AI làm điểm khởi đầu nhưng vẫn tự suy nghĩ.

Sau vài tuần, những người hay giao luôn phần nghĩ cho AI tự đánh giá mình kém đi rõ rệt: ít tự tin làm việc khi không có AI, ít ý tưởng mới, và khó tự đưa ra kết luận hơn. Họ cũng dần mất hứng thú với việc tự suy nghĩ, và điều này có vẻ rõ hơn ở người đi làm, dù nhóm này trong nghiên cứu khá nhỏ. Điều đáng nói là lúc đang dùng, cả hai kiểu đều thấy xong việc nhanh và đỡ mệt như nhau. Nghĩa là nếu chỉ dựa vào cảm giác, mình gần như không biết được mình đang dùng AI theo kiểu nào.

Cũng cần nói thêm, đây là nghiên cứu tương quan, dựa trên tự đánh giá, nên chưa khẳng định được quan hệ nhân quả. Nhưng nó khá khớp với một chi tiết trong nghiên cứu MIT: thứ tự cũng quan trọng. Ở buổi cuối, nhóm tự viết trước rồi mới chuyển sang dùng AI lại ghi nhớ tốt hơn, còn nhóm quen dùng AI, khi bị lấy đi thì loay hoay¹.

Vòng đi vòng lại, câu hỏi có lẽ không phải là “có nên dùng AI không”, mà là “mình đang để AI làm phần nào”. Phần gõ phím, hay phần suy nghĩ?

Cách Py hiểu

Ở bài Sycophancy, Py có viết rằng AI đang optimize cho user satisfaction thay vì user outcome. Nhóm nghiên cứu Berkeley cũng nhắc đến một ý mà Py thấy khá tương tự, nhưng ở một tầng hiểu khác: AI được tối ưu cho sự hữu ích tức thời có thể bào mòn năng lực dài hạn của chính người dùng². Nối hai ý này lại, theo cách hiểu của Py (không phải kết luận của nghiên cứu) thì là thế này: AI hay chiều ý nên mình dễ tin AI hơn, càng tin thì mình càng ít kiểm tra lại, và càng ít kiểm tra thì nợ nhận thức càng tích nhanh.

Theo Py quan sát, công việc đang dịch dần từ “tự làm” sang “kiểm tra output của AI”. Nhưng muốn kiểm tra tốt thì lại cần chính những năng lực mà việc giao hết cho AI đang bào mòn: tự nghĩ, tự soi lỗi, và tự đặt câu hỏi ngược lại.

Vậy làm sao để giảm nợ? Py không nghĩ có công thức chung cho chuyện này. Nhưng nếu muốn phá vòng lặp ở trên, tổng hợp từ chính những nghiên cứu đã nhắc đến, có vài điểm Py thấy đáng để thử.

Đầu tiên là để ý xem mình đang giao cho AI phần nào. Giao phần làm, như soạn text, định dạng hay tóm tắt những thứ mình đã hiểu, là một chuyện. Giao luôn phần nghĩ lại là chuyện khác. Theo cách hiểu của Py, đây chính là ranh giới giữa autonomous và dependent offloading³.

Khi đã giữ phần nghĩ cho mình, điểm thứ hai là thứ tự: tự nghĩ trước, rồi mới check lại với AI¹. Và khi check, Py thấy hỏi “tại sao” thường giữ mình ở vai người suy nghĩ hơn là chỉ hỏi “cái gì”, vì nó buộc mình phải hiểu chứ không chỉ nhận đáp án.

Cuối cùng, để năng lực tự nghĩ không bị mai một, nên giữ lại một khoảng nhỏ không có AI. Brian Christian, một tác giả của nghiên cứu Berkeley, vẫn giữ một cuốn sổ trên bàn và viết vào đó mỗi ngày, để không đánh mất sự sắc bén của chính mình². Một người đã nghĩ về AI suốt hai mươi năm mà còn làm vậy, thì có lẽ cũng đáng để mình nghĩ lại.

Nợ thì không phải lúc nào cũng xấu. Dev nào cũng từng chủ động nhận một ít technical debt để kịp ship. Cái đáng sợ là nợ mà mình không biết mình đang nợ. Bài này cũng bắt đầu từ việc Py dùng AI để tìm chủ đề và Py nghĩ vậy cũng không sao. Phần Py giữ lại cho mình là đọc thêm, tự hiểu, rồi tự viết ra.

Có lẽ đó là cách trả nợ dễ nhất mà Py đang làm – mong là có tác dụng.

Trong bài Py có đề cập đến một vài nghiên cứu, nhưng chia sẻ thẳng thắn thì Py không đọc hết toàn bộ từng paper, mà ưu tiên đọc abstract, conclusion, và cross-check với các nguồn uy tín.

¹ Kosmyna et al. — Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task (MIT Media Lab, 2025)

² Berkeley News — Study explores how AI use affects performance on math and reasoning tasks (10/2026)

³ Zhu et al. — Not all cognitive offloading is equal: distinguishing dependent and autonomous offloading to generative AI (Frontiers in Psychology, 2026)

Cám ơn bạn đã nán lại cho đến những dòng cuối cùng này.

Chúc bạn nhiều may mắn và bình an.

Anpy