# Nghiên cứu của Anthropic: recommendation của agent định hướng phán đoán của chuyên gia

[Cole Medin](https://homus.dev/speakers/cole-medin) · [Cole Medin](https://homus.dev/orgs/cole-medin)

> Nghiên cứu của Anthropic: analyst đi theo hướng agent nghiêng 86% số lần; cùng ba cách Cole giữ phán đoán khi plan với Claude Code.

Topics: Coding Agents, Workflow, Agents

Canonical: https://homus.dev/talks/anthropics-new-study-youre-not-controlling-ai-as-much-as-you-think-you-are

## 1. Bạn có thật sự đang tự quyết định?

Cole Medin mở đầu bằng một câu hỏi và muốn người xem tự trả lời thật lòng ngay lúc đó: khi bạn lên plan công việc với coding agent và build một thứ gì đó, bạn đang nhường phán đoán (deferring judgment) cho agent và đi theo recommendation của nó tới mức nào, so với việc thật sự tự suy nghĩ thấu đáo về vấn đề và dùng phán đoán của chính mình?

Anh đặt câu hỏi này vì Anthropic vừa công bố một nghiên cứu (bài đăng ngày 27/10/2026, Cole nói tới trong video đăng ngày 31/10/2026) cho thấy ít nhất có khả năng khá cao là bạn đang nhường cho agent nhiều phán đoán hơn bạn tưởng. Cole gọi đó là ý tưởng về AI disempowerment.

![Trang nghiên cứu How AI agents shape experts' judgment calls trên website Anthropic, Cole Medin ở góc phải](https://homus.dev/photos/BlbxhsItZPg-0003.jpg)

Trang nghiên cứu "How AI agents shape experts' judgment calls" của Anthropic, mở ở chương 1 "Study design", với nút "Read the paper". Cole mở trang này ở đầu video đăng ngày 31/10/2026.

Theo Cole (video đăng ngày 31/10/2026), đây là một vấn đề lớn, vì coding agent đưa recommendation cho chúng ta liên tục. Và rất nhiều lần chúng ta đi theo, vì đó là con đường dễ nhất. Chúng ta thậm chí còn nghĩ rằng mình đang tự ra quyết định, nhưng thật ra chỉ là coding agent đang dắt chúng ta đi theo nó.

Nghiên cứu này của Anthropic cho anh một tiền đề tốt để bàn về vấn đề đó. Anh muốn cùng người xem đi qua nghiên cứu, vì trong đó có những điều rất thú vị, rồi sau đó nói về một số giải pháp cho vấn đề này.

## 2. Cách chúng ta lên plan với coding agent

Cole lưu ý rằng nghiên cứu chỉ xét một use case rất cụ thể trong một ngành. Nhưng theo anh (video đăng ngày 31/10/2026), mọi điều trong đó đều mang tính phổ quát, vì ai trong chúng ta cũng đang dùng coding agent theo cách rất giống nhau. Mỗi khi chuẩn bị implement bất cứ thứ gì, chúng ta luôn làm một phiên planning trước.

Anh lấy ví dụ: Matt Pocock có skill `grill me` của mình. Theo Cole (video đăng ngày 31/10/2026), ai cũng có một phiên bản nào đó của skill kiểu này, nơi agent đi qua một quy trình đặt câu hỏi cho chúng ta, xác định scope, làm rõ mọi điểm còn mơ hồ. Đây là chỗ mà chúng ta được kỳ vọng sẽ truyền đạt ý định (intent) của mình một cách rõ ràng.

Cole cho xem một phiên bản rất đơn giản hoá của cách anh lên plan (demo trong video đăng ngày 31/10/2026). Anh luôn mô tả ở mức high level thứ mình muốn build, rồi bảo agent dùng tool Ask User Question để đưa ra rất nhiều câu hỏi cho anh. Đó là những câu hỏi trắc nghiệm, nên anh đi qua tất cả rất nhanh. Và theo anh, coding agent nhìn chung luôn đưa recommendation của nó vào đáp án đầu tiên trong danh sách trắc nghiệm.

Prompt Cole gõ trong phiên Claude Code trên màn hình (demo trong video đăng ngày 31/10/2026):

```
I'm planning the next release of Factory Mission Control. Read the PRD and MISSION first. Should the dashboard stay read-only, let me answer owner questions, or add controls like pause and rerun? Use AskUserQuestion to ask me one multiple-choice question, with your recommended option and a short reason. Just planning for now.
```

![Claude Code v2.1.314 với Opus 5.5 hỏi một câu trắc nghiệm Write scope, đáp án 1 Answer owner questions được gắn Recommended](https://homus.dev/photos/BlbxhsItZPg-0106.jpg)

Phiên Claude Code v2.1.314 chạy Opus 5.5 (demo trong video đăng ngày 31/10/2026): sau khi đọc PRD và MISSION, agent hỏi một câu "Write scope" về việc dashboard nên đi xa tới đâu ngoài read-only. Đáp án 1 "Answer owner questions" được gắn "(Recommended)", tiếp theo là "Stay read-only", "Add pause / rerun controls", "Type something" và "Chat about this".

Theo Cole (video đăng ngày 31/10/2026), đây chính là chỗ anh nghĩ mình đang áp dụng phán đoán, vì anh còn có thể làm rõ thêm nếu thấy một điều gì đó thật sự lệch hướng. Nhưng phần lớn thời gian, chúng ta chỉ đi theo recommendation của nó, và không áp dụng phán đoán nhiều như mình tưởng. Anh cho rằng đó là vấn đề của rất nhiều quy trình planning mà chúng ta đóng gói thành skill, nếu không cẩn thận.

## 3. Grill me và failure mode là sự thụ động

Cole nói rõ (video đăng ngày 31/10/2026): anh nhắc tới skill grill me của Matt chỉ như một ví dụ, không có ý chê gì anh ấy. Thực tế, Cole biết Matt đang nghĩ về rất nhiều vấn đề trong số này. Ngay trong tài liệu của mình, Matt viết rằng failure mode là sự thụ động (passivity): trả lời "agreed, agreed, agreed" cho bốn mươi câu hỏi, rồi đi ra với một bản plan do agent viết mà bạn chỉ gật đầu theo.

![Trang hướng dẫn grill-me trên AIHero, mục It's a conversation, not an interview và Grillable and ungrillable](https://homus.dev/photos/BlbxhsItZPg-0203.jpg)

Trang hướng dẫn skill `/grill-me` của Matt Pocock trên AIHero, như Cole mở trong video đăng ngày 31/10/2026. Mục "It's a conversation, not an interview" ghi failure mode là "passivity"; mục "Grillable and ungrillable" nói có những câu hỏi không thể trả lời bằng cách nói chuyện, và khi gặp chúng thì nên build một bản prototype bỏ đi để nhìn vào.

Như vậy Matt biết rõ những chuyện này. Theo Cole (video đăng ngày 31/10/2026), Matt còn có nhiều ý tưởng giải pháp giống với những gì Cole sẽ trình bày ở cuối video. Nhưng đây chắc chắn là tiền đề của vấn đề, và nó áp dụng cho bất kỳ ai đang build bất cứ thứ gì. Với Cole, AI disempowerment là một cái bẫy phổ quát.

## 4. Anthropic đã thử nghiệm điều gì

Trước khi bàn cách để không đánh mất quyền tự quyết (agency), Cole đi qua những gì Anthropic nói về chuyện này, vì theo anh nghiên cứu này rất cuốn hút.

Tiền đề của nghiên cứu (bài Anthropic đăng ngày 27/10/2026): khi các chuyên gia giao việc của mình cho một AI agent, giả định thông thường là họ vẫn đưa ra những quyết định quan trọng. Agent viết code, chạy các con số, đưa lời khuyên, nhưng vẫn là chúng ta đưa ra phán đoán cuối cùng, kể cả với những chi tiết nhỏ hơn. Cole nói đó là điều chúng ta vẫn mặc định, và Anthropic đặt câu hỏi: có thật như vậy không?

Cole đọc lời Anthropic (bài đăng ngày 27/10/2026): nhóm nghiên cứu muốn xem các chuyên gia có thật sự đưa ra những quyết định quan trọng đó không, hay trong thực tế họ nhường cho AI agent. Theo trang nghiên cứu, 50 analyst chuyên nghiệp có kinh nghiệm về causal inference làm một bài phân tích thống kê thực tế với Claude Code, để tư vấn cho một hợp tác xã nông nghiệp xem một dịch vụ tư vấn có hiệu quả và có nên mở rộng hay không. Trên đường làm, các analyst phải đưa ra bốn lựa chọn giữa hai phương án hợp lý.

Để biết các analyst có tự đưa ra những quyết định đó không, Anthropic thiết lập agent của mỗi analyst để nghiêng về một phương án ở mỗi quyết định, và các analyst không được cho biết điều này. Hướng mà agent nghiêng về được chọn ngẫu nhiên (trang nghiên cứu ghi là tung đồng xu). Agent cũng được thiết lập qua system prompt để bảo vệ lập luận của mình, nhưng vẫn có thể đổi ý nếu được đưa ra bằng chứng đủ tốt (bài đăng ngày 27/10/2026).

![Đoạn Study design: bốn lựa chọn giữa hai phương án, agent được tung đồng xu để nghiêng về một bên, câu về việc agent phải đưa lập luận trung thực được tô sáng](https://homus.dev/photos/BlbxhsItZPg-0323.jpg)

Phần "Study design" trong bài đăng ngày 27/10/2026: ví dụ một lựa chọn là đo năng suất theo sản lượng mỗi hecta hay theo sản lượng trên mỗi đơn vị chi phí vận hành. Câu được tô sáng ghi agent được bảo đưa ra lập luận trung thực tốt nhất cho hướng nó nghiêng về, và đổi ý nếu bằng chứng đòi hỏi.

Cole nói Anthropic còn mô tả rất nhiều về cách dựng các bài test và chính xác các câu hỏi là gì trong bài viết (bài đăng ngày 27/10/2026), ai muốn thì có thể đọc.

## 5. Phần lớn đi theo agent, và lời giải thích mượn của agent

Cole muốn đi thẳng vào điểm mấu chốt. Theo bài nghiên cứu (đăng ngày 27/10/2026): trên bốn lựa chọn phân tích, các analyst đi theo hướng nghiêng của agent 86% số lần. Cole gọi đó là một con số điên rồ. Nếu ý kiến của agent không tạo ra khác biệt gì, ta sẽ kỳ vọng khoảng 50%, vì hướng agent nghiêng về thật sự là ngẫu nhiên. Theo lời Cole, một nửa số lần nó sẽ nghiêng về một đáp án đúng về lý thuyết, một nửa thì không.

Khi analyst đã tự nêu ý thích của mình trước khi agent lên tiếng, họ bỏ lựa chọn đó 60% số lần nếu agent không đồng ý, so với 6% nếu agent đồng ý (bài Anthropic đăng ngày 27/10/2026). Cole nói: vậy là kể cả khi đã có sẵn một ý trong đầu, các analyst vẫn không thật sự giữ lấy nó khi agent thuyết phục. Anh cho rằng (video đăng ngày 31/10/2026) một phần lý do là LLM luôn rất tự tin trong mọi điều chúng nói, kể cả khi chúng sai hoàn toàn.

Ba cặp con số Cole đọc từ bài nghiên cứu của Anthropic (bài đăng ngày 27/10/2026, trình bày trong video đăng ngày 31/10/2026).

Và theo Cole, phần thú vị nhất còn chưa tới. Theo bài nghiên cứu (đăng ngày 27/10/2026), sau đó, khi được hỏi để giải thích các lựa chọn của mình, 77% analyst dùng chính lập luận của agent, có lúc giống từng chữ, nhưng chỉ 15% ghi nhận agent là nguồn của những lập luận đó.

Với Cole (video đăng ngày 31/10/2026), đây mới thật sự là cốt lõi của vấn đề AI disempowerment. Khi chúng ta lên plan với agent và đi theo recommendation của nó, rất nhiều lần chúng ta lại nghĩ rằng chính mình đang lựa chọn. Một phần điều đó còn nuôi sự tự tin của chúng ta, khiến chúng ta nghĩ mình đang dùng tư duy phản biện (critical thinking) nhiều hơn thực tế rất nhiều.

## 6. Những giới hạn của nghiên cứu

Cole cho rằng (video đăng ngày 31/10/2026) cũng rất quan trọng phải thừa nhận những giới hạn của nghiên cứu này, và anh mừng là Anthropic tự làm việc đó. Điều đầu tiên và rõ ràng nhất: Anthropic cố ý làm mạnh thêm hướng nghiêng của agent. Như một phần của system prompt, agent được bảo phải bảo vệ một điều mà có thể bình thường nó sẽ không bảo vệ.

Thứ hai, theo bài Anthropic (đăng ngày 27/10/2026), nghiên cứu chỉ xét một task, trong một lĩnh vực, với một model. Trên trang, mục này ghi task kéo dài khoảng một giờ, về nông nghiệp, và agent chạy Claude Opus 4.8.

![Chương Our study's limitations: We deliberately strengthened the agents' lean và We studied one task, in one field, with one model](https://homus.dev/photos/BlbxhsItZPg-0643.jpg)

Chương "Our study's limitations" trong bài đăng ngày 27/10/2026: hai giới hạn đầu là "We deliberately strengthened the agents' lean" và "We studied one task, in one field, with one model" (agent chạy Claude Opus 4.8), tiếp theo là "Our estimates are averages across analysts".

Cole nói anh thật sự ước gì Anthropic nghiên cứu thêm vài ngành khác và có những bộ dữ liệu lớn hơn. Nhưng nhìn chung, anh vẫn tin (video đăng ngày 31/10/2026) điều này áp dụng cho tất cả mọi người, vì anh đã thấy nó lặp đi lặp lại trong chính các phiên planning của mình, và khi xem người khác lên plan với agent. Theo anh, luôn có một sự tự tin giả mà chúng ta dễ bị cuốn vào khi cứ đi theo những gì agent đưa cho.

Vì vậy, theo Cole (video đăng ngày 31/10/2026), nên dè chừng rằng đây chỉ là một bài test, nhưng các kết luận rút ra từ nó thật sự khiến người ta phải mở mắt.

## 7. Các kết luận chính: kinh nghiệm không cứu được ai

Cole đi qua các kết luận chính trong bài của Anthropic (đăng ngày 27/10/2026). Thứ nhất, các analyst phần lớn đi theo hướng nghiêng của agent, như đã nói ở trên. Thứ hai, những analyst đã chọn sẵn một phương án thường đổi ý khi agent của họ không đồng ý.

Thứ ba, kinh nghiệm và chuyên môn không quyết định ai là người nhường phán đoán (bài đăng ngày 27/10/2026). Cole thấy đây là một điểm rất thú vị nữa (video đăng ngày 31/10/2026): bạn sẽ nghĩ những người tự tin hơn vào ý kiến của mình sẽ ít đi theo hướng dẫn của agent hơn, nhưng thực tế cũng không phải vậy.

Thứ tư, những analyst đi theo hướng nghiêng của agent vẫn gọi recommendation đó là của chính mình. Cole chỉ vào biểu đồ "Whose judgment does the final recommendation mostly reflect?" (phán đoán của ai được phản ánh nhiều nhất trong recommendation cuối cùng?): theo bài đăng ngày 27/10/2026, 52% số người cho rằng recommendation đó là của mình nhiều hơn là của agent, dù hướng nghiêng của agent đã làm đổi lựa chọn của họ trong đa số trường hợp, như các con số ở trên.

![Biểu đồ Whose judgment does the final recommendation mostly reflect, 23 người nghiêng về agent và 25 người nghiêng về mình](https://homus.dev/photos/BlbxhsItZPg-0743.jpg)

Hình 3 trong bài đăng ngày 27/10/2026: khảo sát sau task (n = 48), 23 người nói recommendation là "của agent" nhiều hơn, 25 người nói "của mình" nhiều hơn. Chú thích ghi 52% gọi recommendation là của mình nhiều hơn và 35% nói phần lớn hoặc hoàn toàn của mình, dù hướng nghiêng của agent đã làm đổi lựa chọn của họ.

## 8. Giải thích bằng lời của agent, và nhóm làm không có AI

Theo Cole (video đăng ngày 31/10/2026), điều đó được chứng minh vì rất nhiều lần các analyst giải thích lựa chọn của mình bằng chính lời của agent. Anh thừa nhận thật lòng là thỉnh thoảng anh cũng thấy mình làm vậy. Ví dụ khi anh làm một open source project có những người khác trong team cùng tham gia, anh biện minh cho một điều với họ bằng cách chia sẻ một thứ mà anh nhớ lại, rồi nhận ra: "à đúng rồi, đó chính xác là điều agent của mình đã nói".

Kết luận cuối cùng Anthropic đưa ra ở phần này (bài đăng ngày 27/10/2026): những analyst làm việc không có AI mắc nhiều lỗi nghiêm trọng hơn và mất nhiều thời gian hơn. Cole nói (video đăng ngày 31/10/2026) có thể Anthropic buộc phải nói điều này vì họ là một frontier model lab: tất nhiên họ muốn nói rằng bất chấp những mặt trái này, dùng AI vẫn tốt hơn.

![Đoạn Analysts who worked without AI made more serious errors and took longer](https://homus.dev/photos/BlbxhsItZPg-0823.jpg)

Đoạn "Analysts who worked without AI made more serious errors and took longer" (bài đăng ngày 27/10/2026): 6 trong 11 người không dùng agent (55%) mắc lỗi phương pháp nghiêm trọng, so với 3 trong 50 người dùng (6%); thời gian trung vị 90 phút so với 65 phút. Đoạn tiếp theo ghi hai nhóm không so sánh trực tiếp được với nhau.

Nhưng Cole nói chính anh cũng tin điều đó (video đăng ngày 31/10/2026). Anh dùng AI để tự động hoá một phần rất lớn công việc kinh doanh của mình, và nó mắc ít lỗi hơn anh khi anh còn tự làm những việc đó bằng tay như trước đây.

Đó là các kết luận chính. Điều cuối cùng đáng bàn trong bài, theo Cole (video đăng ngày 31/10/2026), là quan điểm của Anthropic về ý nghĩa của tất cả những điều này với một tương lai xoay quanh AI nhiều hơn. Đây cũng là chỗ Anthropic đi vào một vài giải pháp, và Cole muốn mở rộng chúng, đồng thời chia sẻ ý tưởng của riêng anh.

## 9. AI disempowerment: vấn đề cũ ở một tầng mới

Điều Cole không hài lòng nhất với bài viết (video đăng ngày 31/10/2026) là Anthropic không nói đủ về giải pháp. Anh hiểu ở một mức độ nào đó, vì đây thật sự không phải một vấn đề đã được giải quyết, nhưng anh có vài ý tưởng hay muốn chia sẻ.

Và rốt cuộc, theo Cole (video đăng ngày 31/10/2026), đây cũng không thật sự là một vấn đề mới: con người chúng ta luôn có cám dỗ lười biếng và nhường phán đoán của mình khi có thể. Chỉ là với các large language model, chúng ta có một tầng mới để làm được điều đó. Và đó là thứ dẫn tới ý tưởng về disempowerment mà anh đã nhắc nãy giờ.

![Mục What this means trong bài nghiên cứu, nói về việc chuyên gia không phải lúc nào cũng có sẵn quan điểm và khái niệm disempowerment](https://homus.dev/photos/BlbxhsItZPg-0843.jpg)

Mục "What this means" (bài đăng ngày 27/10/2026): các agent thường cởi mở về việc kết quả sẽ đổi ra sao theo từng phương án, nhưng hiếm khi đưa lập luận mạnh cho phương án còn lại; với chuyên gia cá nhân, điều này có thể là mất quyền tự quyết với chính công việc của mình, một dạng mà các nhà nghiên cứu gọi là disempowerment.

Cole đọc tiếp lời Anthropic (bài đăng ngày 27/10/2026): công việc vẫn đứng tên chuyên gia (và theo Cole, riêng chuyện đó cũng có rất nhiều vấn đề), nhưng những quyết định phụ thuộc nhiều nhất vào phán đoán của họ thì trên thực tế lại được định đoạt bởi niềm tin có sẵn (prior beliefs) của agent. Một lý do khiến các analyst nhường phán đoán dễ dàng như vậy có thể là các chuyên gia không phải lúc nào cũng tới với quan điểm đã hình thành đầy đủ.

Cole thấy điểm này thú vị (video đăng ngày 31/10/2026), vì rất nhiều lần chúng ta được bảo rằng có thể dùng AI để giúp phát triển ý tưởng của mình cho đầy đủ. Nhưng điều này cũng cho thấy việc đó có thể nguy hiểm. Anh gọi đó là một kiểu catch-22: agent có thể hữu ích nhất khi chúng ta có một ý tưởng mơ hồ và muốn biến nó thành các yêu cầu cụ thể hơn, nhưng đó cũng chính là lúc cám dỗ lớn nhất để cứ đi theo recommendation của nó mà không thật sự suy nghĩ thấu đáo về vấn đề.

## 10. Khi mọi team cùng dựa vào một model

Cole rất thích cách Anthropic diễn đạt vấn đề lớn hơn ở đây (bài đăng ngày 27/10/2026): cái giá không chỉ dừng ở từng cá nhân, vì rất nhiều phần của khoa học và chính sách dựa trên những quyết định phán đoán như thế này. Khi các team nghiên cứu độc lập đi tới cùng một kết quả, chúng ta tin kết quả đó hơn, vì cho rằng mỗi team đã tự đi tới nó một cách độc lập. Nhưng nếu tất cả các team đó đều nhường phán đoán cho một model có cùng những ưu tiên, kể cả khi họ không nhận ra, thì sự đồng thuận của họ có thể không còn độc lập nữa.

Cole nói (video đăng ngày 31/10/2026): nếu ai cũng chỉ dùng Claude Opus 5.5 để đi tới cùng những kết luận này, thì chúng ta thật ra không có những nghiên cứu độc lập.

Theo Cole (video đăng ngày 31/10/2026), anh thấy điều này ở tầng engineering suốt: một người dùng coding agent để tạo một pull request, rồi một người khác dùng coding agent để review pull request đó. Và đúng là có thể chuyện đó không phải tệ nhất trên đời, vì chúng ta dùng các skill khác nhau và nhìn vấn đề từ một góc khác ở mỗi bước. Nhưng theo anh, vẫn là cùng một model nền đang làm cả việc build lẫn việc review, dù bạn cố tách chúng ra tới đâu.

Ví dụ ở tầng engineering Cole đưa ra trong video đăng ngày 31/10/2026: build và review do hai người làm, nhưng vẫn là cùng một model nền đứng sau cả hai bước.

Anthropic kết thúc bằng cách nói rằng đây không phải lập luận để dùng AI ít đi, vì AI thật ra có thể mở rộng quyền tự quyết thay vì bào mòn nó (bài đăng ngày 27/10/2026). Cole nói anh thật lòng tin điều đó.

## 11. Ba hướng nghiên cứu Anthropic đề xuất

Theo Cole (video đăng ngày 31/10/2026), không thật sự đi vào giải pháp, Anthropic khép bài lại bằng cách gợi ý ba hướng cho các nghiên cứu sau này (bài đăng ngày 27/10/2026):

- **Đo lường việc nhường phán đoán (measuring deferral).** Làm sao đo tốt hơn để thấy trung bình chúng ta thật sự đang nhường đi bao nhiêu quyền tự quyết (theo cách Cole trình bày trong video đăng ngày 31/10/2026).

- **Thiết kế agent theo cách khác (designing agents differently).** Theo Cole (video đăng ngày 31/10/2026), chắc chắn có cơ hội để làm cho LLM bớt tự tin ở những điều sai hoàn toàn, và để chắc rằng nó đặt câu hỏi tốt hơn, khiến chúng ta thật sự phải suy nghĩ thấu đáo vấn đề. Theo anh, đó có thể là phần harness lớn hơn bao quanh LLM, hoặc chính LLM, trở nên giỏi hơn ở việc này.

- **Thay đổi các tổ chức (changing institutions).** Theo bài đăng ngày 27/10/2026, các tổ chức thường coi chữ ký duyệt của một chuyên gia là bằng chứng của phán đoán độc lập, nhưng khi AI làm ngày càng nhiều phần việc, giả định đó càng lung lay. Cole diễn giải (video đăng ngày 31/10/2026): vậy làm sao thiết kế tổ chức và quy trình cho tốt hơn, để thừa nhận rằng mọi thứ có thể không được review độc lập như chúng ta tưởng?

![Đoạn Designing agents differently được tô sáng, tiếp theo là Changing institutions](https://homus.dev/photos/BlbxhsItZPg-1103.jpg)

Hai trong ba hướng nghiên cứu ở cuối bài (bài đăng ngày 27/10/2026): "Designing agents differently" (agent có thể đưa lập luận tốt nhất cho từng phương án hoặc hỏi quan điểm chuyên gia trước, nhưng việc đó có thể nhanh chóng gây quá tải) và "Changing institutions".

Đó là phần kết bài viết của Anthropic. Cole nói (video đăng ngày 31/10/2026): Anthropic không thật sự đưa ra giải pháp nào, ít nhất là không có gì cụ thể. Họ nói về những thứ chúng ta sẽ phải tìm hiểu trong năm tới và xa hơn. Anh không thấy thoả mãn lắm sau khi đọc xong, và anh đoán người xem cũng vậy. Vì thế, ở phần cuối video, anh muốn nói về một số giải pháp anh đã nghĩ ra cho vấn đề này.

## 12. Giải pháp của Cole: giữ quyền kiểm soát

Cole thừa nhận đây không phải một vấn đề đã được giải quyết. Theo anh (video đăng ngày 31/10/2026), AI disempowerment, hay bạn muốn gọi nó là gì cũng được, sẽ luôn là một cái bẫy chừng nào chúng ta còn dùng được những LLM giỏi tới mức này.

Vì vậy anh sẽ không dành 20 phút để chỉ chính xác cách implement từng thứ. Anh chỉ muốn đưa ra vài ý tưởng chiến lược ở mức high level mà anh đã áp dụng trong vài tháng qua, vì đây không phải vấn đề mới; anh chỉ rất trân trọng cách Anthropic đóng khung vấn đề trong bài viết mà họ đăng vài ngày trước khi video ra (bài đăng ngày 27/10/2026, video đăng ngày 31/10/2026).

![Sơ đồ Keep yourself in control: 1 Your priorities, 2 Try small prototypes, 3 Question the advice](https://homus.dev/photos/BlbxhsItZPg-1203.jpg)

"Your priorities" (để AI hỏi về ưu tiên của bạn trước khi đề xuất giải pháp, "You set the direction"), "Try small prototypes" (thử bản nhỏ của Option A và Option B, "Choose after trying both") và "Question the advice" (hỏi vì sao A tốt hơn và điều gì sẽ khiến B là lựa chọn tốt hơn).

## 13. Cách 1: để agent hỏi về ưu tiên trước

Giải pháp đầu tiên, Cole nói anh sẽ đi qua rất nhanh (video đăng ngày 31/10/2026): để agent hỏi chúng ta về các ưu tiên (priorities), tập trung nhiều hơn vào mức high level trước khi đi xuống chi tiết của từng giải pháp kèm recommendation của agent.

Vì như đã nói ở trên, theo Cole (video đăng ngày 31/10/2026), cốt lõi của vấn đề có thể tóm gọn trong phiên Claude Code đơn giản kia: chúng ta muốn giải một vấn đề, chúng ta bảo agent hỏi mình nên giải thế nào để cảm thấy mình đang áp dụng phán đoán, nhưng thật ra chúng ta chỉ đi theo recommendation của nó. Vậy nếu chúng ta thay đổi hành vi của agent qua rules, qua skill, hay bất cứ thứ gì, để thay vì đi tới điểm đó ngay lập tức, chúng ta tập trung nhiều hơn vào các ưu tiên của mình thì sao? Nỗi đau chúng ta đang cố giải là gì? Chúng ta đang thấy điều gì? Để agent thật sự dựa vào chúng ta, thay vì đổ ngay recommendation của nó ra.

Trên màn hình là một phiên Claude Code khác (demo trong video đăng ngày 31/10/2026), nơi Cole dùng skill `plan-with-priorities`. Prompt anh gõ:

```
Use the plan-with-priorities skill to help me plan the next release of Factory Mission Control. Read the PRD and MISSION first. I'm considering keeping it read-only, answering owner questions in the dashboard, or adding pause and rerun controls. Keep it conversational and concise. Just planning for now.
```

Trong demo (video đăng ngày 31/10/2026), skill được nạp, agent đọc cả hai tài liệu và trước tiên chỉ ra những giới hạn cứng có liên quan, ví dụ read-only được ghi vào hợp đồng của sản phẩm, và chỉ số thành công hiện có là về việc "nhìn thấy" chứ không phải "hành động". Rồi trước khi so sánh các phương án, nó hỏi Cole hai câu: từ khi v1 chạy, điều gì thật sự cản đường bạn (một khoảnh khắc cụ thể gần đây là tốt nhất), và có điều gì bạn không muốn bản release này làm tốn hay gây rủi ro không.

![Phiên Claude Code với skill plan-with-priorities: hai câu hỏi về ưu tiên, câu trả lời của Cole về recurring annoyance và hai phương án A và B](https://homus.dev/photos/BlbxhsItZPg-1311.jpg)

Demo trong video đăng ngày 31/10/2026: hai câu hỏi về ưu tiên, câu trả lời của Cole bắt đầu bằng "The recurring annoyance is seeing an owner question, opening GitHub, and finding where to answer", rồi agent tóm lại ý anh và mới đưa ra "Two real options": A giữ read-only nhưng deep-link sang GitHub, B trả lời ngay trong dashboard.

Cole nói (video đăng ngày 31/10/2026): ví dụ ngay đây là nỗi phiền lặp đi lặp lại (recurring annoyance) mà anh đang gặp. Anh không cần đi vào quá cụ thể trong ví dụ, nhưng điểm chính là anh đang tập trung nhiều hơn vào vấn đề bao trùm trước khi đi vào giải pháp. Nhờ vậy anh có thể đưa phán đoán của mình vào agent trước khi tới lúc nó đặt câu hỏi và đưa recommendation.

Trên màn hình (demo trong video đăng ngày 31/10/2026), sau câu trả lời đó agent đưa recommendation là B, kèm một mục "What would change my mind". Sau đó Cole gõ thêm một ý sửa lại: người dùng thật sẽ là người trực on-call cho nhiều factory, và khoảnh khắc khó chịu của họ là một factory chạy mất kiểm soát. Agent bỏ ý trả lời trong dashboard, liệt kê "What the new priorities change", đưa hai phương án mới và đề xuất chạy một spike khả thi ngắn trước khi build.

![Agent liệt kê What the new priorities change, hai phương án A và B, Recommendation và The spike](https://homus.dev/photos/BlbxhsItZPg-1323.jpg)

Sau khi Cole đổi ưu tiên (demo trong video đăng ngày 31/10/2026), agent ghi "What the new priorities change", hai phương án "A. Read-only, faster to act on" và "B. A stop control in the dashboard", một "Recommendation" có điều kiện và "The spike": tìm hiểu ở dạng read-only trước, không gọi production.

Theo Cole (video đăng ngày 31/10/2026), rốt cuộc chúng ta vẫn tới được bước hỏi đáp, vì đây là cách làm việc với coding agent. Cách hiệu quả nhất là để nó dội hàng loạt câu hỏi vào chúng ta và chúng ta đi qua chúng thật nhanh, vì nó đưa sẵn recommendation. Anh không nói là bỏ hẳn cách đó, mà là thêm một bước tiên quyết, được build sẵn vào hành vi của agent.

Cole nói video này anh muốn giữ ở mức high level, nên không đi sâu vào cách anh làm điều này bằng rules và skill.

## 14. Cách 2: làm prototype để quyết định

Chiến lược thứ hai là prototyping. Theo Cole (video đăng ngày 31/10/2026), rất nhiều lần chúng ta nhường cho phán đoán của agent mà không nhận ra, đơn giản vì chính chúng ta cũng không chắc phương án nào là tốt nhất. Nhất là khi đi qua rất nhiều câu hỏi với agent, sự mệt mỏi bắt đầu xuất hiện, kiểu: mình còn không biết hình dung chuyện này ra sao, hay làm sao để quyết định điều gì khiến phương án này hơn phương án kia.

Theo anh (video đăng ngày 31/10/2026), một trong những cách tốt nhất để gạt bỏ sự không chắc chắn đó là cứ build prototype cho những thứ khác nhau mà chúng ta đang cân nhắc. Nếu có vài câu hỏi cốt lõi trong đầu, như "mình không biết UI nên trông thế nào", hay "mình không biết cần những API endpoint nào", thì cứ build nó, build cả hai phiên bản và xem cái nào chạy ổn hơn.

Điều hay của coding agent thời điểm này, theo Cole (video đăng ngày 31/10/2026), là khi dùng các model nhỏ hơn nhưng vẫn khá có năng lực, chúng ta có thể build rất nhiều phiên bản của ứng dụng song song với chi phí rất rẻ. Chúng ta không dùng model mạnh nhất, nhưng cũng không build bản production. Chúng ta build một thứ chỉ nhằm mục đích ra quyết định. Build các prototype, quyết định dựa trên chúng, rồi bỏ chúng đi.

Chiến lược prototype Cole mô tả trong video đăng ngày 31/10/2026: build song song các bản rẻ chỉ để ra quyết định, rồi bỏ đi và đưa câu trả lời cho agent.

Như vậy, theo Cole (video đăng ngày 31/10/2026), thay vì cứ sống mãi trong những câu hỏi với agent, nơi chúng ta còn rất nhiều điều chưa chắc, chúng ta tự tạo ra sự chắc chắn bằng cách build một thứ dễ hình dung, nhìn xem câu trả lời là gì, rồi đưa câu trả lời đó cho agent. Trong trường hợp này, chúng ta chắc chắn đang áp dụng phán đoán của mình nhiều hơn.

## 15. Cách 3: hỏi điều gì sẽ làm đổi lời khuyên

Chiến lược cuối cùng, theo Cole (video đăng ngày 31/10/2026), là đóng vai người phản biện (devil's advocate) với coding agent của bạn, hỏi nó đúng câu: điều gì sẽ làm thay đổi lời khuyên của bạn? Kiểu như: "OK Claude, OK Codex, bạn đã chọn phương án A. Điều gì phải thay đổi trong vấn đề, hay trong chính codebase, để phương án B là tối ưu?"

```
What would change your advice?
```

Theo Cole (video đăng ngày 31/10/2026), buộc agent trả lời câu hỏi này sẽ cho bạn một góc nhìn tốt hơn về điều gì đã khiến nó chọn phương án A ngay từ đầu. Nếu không, mọi thứ giống một hộp đen (black box) hơn nhiều, và chúng ta nhường phán đoán cho nó vì chúng ta không thật sự hiểu nó đã đi tới đó bằng cách nào, rồi bị cám dỗ đến mức không thèm tìm hiểu gì cả.

Chiến lược thứ ba trong video đăng ngày 31/10/2026: hỏi agent điều gì sẽ khiến B là lựa chọn tối ưu; nếu điều đó áp dụng cho tình huống của bạn, bạn đổi hướng cho agent.

Theo Cole (video đăng ngày 31/10/2026), đây là một cách rất nhanh để thấy điều gì sẽ dẫn tới các phương án khác. Và biết đâu chúng ta sẽ nhận ra rằng điều dẫn tới phương án B thật ra lại áp dụng ở đây, và agent đã sai. Khi đó chúng ta có thể đổi hướng của nó, và áp dụng phán đoán của mình theo cách đó.

## 16. Lời kết

Đó là ba chiến lược ở mức high level. Theo Cole (video đăng ngày 31/10/2026), mỗi chiến lược đều rất dễ đưa vào, bất kể quy trình AI coding hay bộ skill hiện có của bạn trông thế nào, vì chúng chỉ là những ý tưởng nhỏ để build thêm vào.

Nhìn chung, Cole nghĩ (video đăng ngày 31/10/2026) đây là điều thật sự quan trọng mà chúng ta cần cân nhắc khi build bất cứ thứ gì, vì theo anh, những gì Anthropic trình bày ở đây là một vấn đề phổ quát.

## Nguồn và liên kết

- Tên gốc: Anthropic's New Study: You're Not Controlling AI as Much as You Think You Are
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=BlbxhsItZPg](https://www.youtube.com/watch?v=BlbxhsItZPg)

- Kênh YouTube Cole Medin (Cole Medin): [youtube.com/channel/UCMwVTLZIRRUyyVrkjDpn4pA](https://www.youtube.com/channel/UCMwVTLZIRRUyyVrkjDpn4pA)

- Anthropic, "How AI agents shape experts' judgment calls" (bài đăng ngày 27/10/2026, đọc ngày 31/10/2026; thiết kế nghiên cứu, kết quả 86%, 60% so với 6%, 77% so với 15%, các giới hạn và ba hướng nghiên cứu): [anthropic.com/research/agents-judgment-calls](https://www.anthropic.com/research/agents-judgment-calls)

Nguồn: https://homus.dev/talks/anthropics-new-study-youre-not-controlling-ai-as-much-as-you-think-you-are · cập nhật 2026-10-31