Ở bài trước, Py có nhắc đến một câu hỏi còn bỏ ngỏ: nếu technical intuition được hình thành từ những pattern đã ngấm vào vô thức, thì làm sao để tạo ra đủ “nguyên liệu” cho quá trình đó?

Py sẽ tiếp tục mượn mô hình Iceberg, một cách diễn giải phổ biến trong systems thinking, để diễn tả về cách thức các lớp tương tác với nhau. Cần phải nói thêm, những gì Py tìm hiểu về systems thinking chỉ dừng lại ở góc nhìn của một người thích đọc và sử dụng theo mục đích của mình, hơn là nghiên cứu chuyên sâu. Thế nên Py chỉ “mượn” mô hình để hệ thống hóa lại những gì mình đúc rút được chứ không đại diện cho một luận điểm chuyên môn nào.

Cụ thể, mô hình này nhìn một hệ thống (ở đây là chính bản thân mình) theo nhiều lớp: lớp nổi trên bề mặt là các sự việc xảy ra hàng ngày, lớp dưới là các pattern lặp lại theo thời gian, sâu hơn nữa là cấu trúc tạo ra pattern đó, và sâu nhất là mental model, tức cách mình nhìn và diễn giải thế giới.

Áp vào việc rèn technical intuition, Py nghĩ hành động cũng nên trải đều qua các lớp này, từ nông tới sâu, thay vì chỉ chăm vào một lớp.

Ở lớp sự việc, nông nhất nhưng dễ bắt đầu nhất

Py hay thử thách bản thân liên tục đưa ra giả định và tìm cách kiểm chứng, bất kể giả định đó cuối cùng có được dùng để ra quyết định hay không. Cái quan trọng không phải là giả định đúng, mà là buộc não phải chủ động “đặt cược” trước khi nhìn thấy đáp án — chí ít, nó cũng buộc não phải làm việc, thay vì đợi dữ liệu rồi mới phản ứng. Ví dụ, nếu nhìn thấy số CSAT giảm, Py sẽ ngay lập tức đưa ra vài giả định: dashboard có vấn đề dẫn đến lệch số, có thể có incident từ service nào đó… Việc này tốn thời gian nhưng với Py là đáng, nên trong một chừng mực hợp lý, Py sẽ vẫn để bản thân wandering (dạo chơi) trong những giả định — miễn đảm bảo deadline.

Ở lớp pattern, đòi hỏi nhìn lại nhiều quyết định cùng lúc để bắt được cái lặp lại

Hiển nhiên chỉ dựa vào số lượng quyết định của bản thân là chưa đủ, thậm chí có phần khó khăn cho các vị trí entry level (mới vào nghề), nên cách của Py là học cách lý giải quyết định của người khác. Dễ làm nhất là quan sát rồi tự đoán logic phía sau, còn cách hiệu quả hơn nhiều là tìm cơ hội kết nối trực tiếp để hỏi các anh/chị đi trước vì sao họ chọn quyết định đó, trong tình huống nào, với thông tin gì lúc đó. Một nghiên cứu về phát triển decision-making expertise trong thể thao chuyên nghiệp — lĩnh vực cũng phải quyết định nhanh dưới áp lực và thông tin không đầy đủ — chỉ ra rằng hiệu quả ra quyết định được nâng cao nhờ xây dựng văn hóa làm việc khuyến khích nhiều góc nhìn khác nhau và làm việc nhóm có tính cộng tác[1]. Nghe quyết định cuối cùng không có nhiều bài học, nhưng nghe được lý do phía sau — và cả những lựa chọn đã bị loại bỏ — mới là chỗ thực sự xây pattern nhận diện cho mình.

Ở lớp cấu trúc, phần ít người chịu đầu tư nhất vì tốn thời gian và không cho kết quả ngay

Cần tập thói quen đi tìm root cause thay vì xử lý triệu chứng nổi trên mặt. Một nghiên cứu của Paul Nutt tại Ohio State University, xem xét 350 quy trình ra quyết định ở các công ty cỡ vừa và lớn, phát hiện hơn một nửa số quyết định đó thất bại trong việc đạt kết quả mong muốn — phần nhiều vì áp lực thời gian khiến người ra quyết định không dành đủ sự chú ý để xem xét vấn đề từ nhiều góc độ trước khi hành động[2]. Nói cách khác: ngay cả ở cấp lãnh đạo, phần lớn vẫn đang phản ứng với triệu chứng nhiều hơn là dừng lại để hỏi “vấn đề thật sự nằm ở đâu” — vì việc đó tốn công hơn nhiều so với việc vá ngay chỗ đang rò rỉ. Nhưng đây chính là phần luyện tập giúp intuition không chỉ nhanh, mà còn đúng chỗ. 

Trên thực tế, Py cũng chỉ truy đến root cause nếu vấn đề đủ lớn và liên tục lặp đi lặp lại — vì một trong những tín hiệu mạnh cho thấy mình đã tác động đúng vào root cause là vấn đề không còn tái diễn trong điều kiện bối cảnh tương đương. Nhưng chí ít, giữ cho bản thân luôn nhận định cause và root cause như hai đối tượng khác nhau đã là bước đầu cần thiết để hành xử khác đi trong một thế giới dần quen với việc chỉ phản ứng trên phần nổi của tảng băng.

Ở lớp mental model, sâu nhất, cũng chậm thấy hiệu quả nhất

Vẫn là việc không thể bỏ qua: học, đọc, liên tục cập nhật kiến thức nền của domain mình đang làm. Vì nói gì thì nói, intuition không tự sinh ra từ chân không — nó cần một lượng đủ lớn kiến thức và trải nghiệm đã “ngấm” để làm nền cho phản xạ. Cũng vì vậy, Py hay (tự) khuyến khích hãy đa dạng chủ đề và hoạt động học tập, với một niềm tin rằng các dots sẽ nối với nhau theo cách nào đó, nhưng tiên quyết, vẫn là bổ sung đủ các dots thành phần.

Thật ra điều đáng giá nhất của technical intuition không nằm ở việc giúp mình quyết định nhanh hơn. Điều đáng giá hơn là nó giúp mình nhìn thấy hướng đi ngay cả khi dữ liệu còn thiếu và câu trả lời chưa xuất hiện. AI có thể hỗ trợ phân tích ngày càng tốt, nhưng việc nhận ra đâu là câu hỏi đáng để phân tích vẫn là một năng lực rất con người. Và đó, có lẽ, là lý do intuition sẽ ngày càng trở thành một lợi thế cạnh tranh khó thay thế.

[1] Wilson, P. J., & Kiely, J. (2023). Developing Decision-Making Expertise in Professional Sports Staff: What We Can Learn from the Good Judgement Project

[2] Binder, J., & Watkins, M. D. (2024). To Solve a Tough Problem, Reframe It.

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

Chúc bạn nhiều may mắn và bình an.

Anpy