Câu trả lời AI đến nhanh hơn cả thời gian team đọc xong ticket. Nó có phần giải thích gọn gàng, một implementation đề xuất, và ghi chú tự tin về edge case. Trong một khoảnh khắc, căn phòng yên hơn. Câu trả lời trông đủ hoàn chỉnh để giảm áp lực, nhưng chưa đủ hoàn chỉnh để tin mà không làm thêm việc.
Đó là hình dạng của nhiều ngày làm việc có AI bây giờ. Draft đầu tiên rất dễ lấy. Câu hỏi hay hơn là chuyện gì xảy ra sau draft đầu tiên. Câu trả lời có trở thành code mà không được kiểm tra không? Nó có trở thành một cuộc trò chuyện không? Team có dạy prompt tiếp theo bằng điều vừa học không? Khác biệt nằm ở feedback loop.
Human feedback loop không chỉ là một người bấm approve hay reject. Nó là một system nhỏ bao quanh output AI. Team kiểm tra claim với source code. Team chạy test. Team so sánh approach được gợi ý với architecture thật. Team ghi lại chỗ câu trả lời hữu ích, chỗ nó đoán, và context nào bị thiếu. Sau đó evidence đó thay đổi request tiếp theo.
Nếu thiếu loop này, AI có thể tạo ra một kiểu tốc độ lạ. Work đi nhanh ở bề mặt trong khi understanding tụt lại phía sau. Một function xuất hiện. Một migration script xuất hiện. Một summary xuất hiện. Nhưng nếu không ai hỏi vì sao câu trả lời chọn boundary đó, failure mode nào bị bỏ qua, hay assumption nào được đưa vào lặng lẽ, team có thể chỉ phát hiện chi phí muộn hơn.
Loop không cần nặng nề. Với một coding task, nó có thể là checklist ngắn: model dựa vào những file nào, test nào chứng minh behavior, edge case nào vẫn chưa được test, và phần nào của câu trả lời chỉ là inference? Với product hoặc writing task, nó có thể là source link, tone review, factual check, và quyết định của con người về thứ không nên publish.
Prompt tốt có ích, nhưng prompt không phải toàn bộ practice. Team mạnh xem prompt như artifact sống. Họ giữ example về cách frame task hữu ích, failure mode thường gặp, câu hỏi review và rollback check. Người tiếp theo không bắt đầu từ một ô trống. Họ thừa hưởng thêm một chút judgment từ lần thử trước.
Đây là lúc công việc với AI bớt cá nhân và trở thành năng lực tổ chức. Một người học rằng model hay bỏ sót migration rollback. Một người khác học rằng nó quá tin generated API example. Một người khác thấy nó viết test nghe hợp lý nhưng không assert contract thật. Nếu những bài học này ở lại riêng tư, team sẽ lặp lại. Nếu chúng đi vào loop, system tốt lên.
Có sự khiêm tốn trong việc này. Ta không cần giả vờ AI là phép màu, cũng không cần xem nó vô dụng. Nó là một collaborator nhanh, có memory không đều, và không chịu trách nhiệm cho production. Việc của ta là tạo điều kiện để output hữu ích sống sót qua verification, còn output yếu bị bắt sớm.
AI workflow tốt nhất tôi biết không phải một prompt hoàn hảo. Nó là một nhịp: hỏi rõ, kiểm tra kiên nhẫn, test claim, lưu bài học, và làm request tiếp theo tốt hơn. Nếu team bạn đã tìm được feedback loop thực tế giúp AI hữu ích mà không làm mọi người chậm lại, pattern đó rất đáng được chia sẻ.