Tự chấm ChatGPT, Claude, Gemini bằng 10 việc thật của bạn

1. Thói quen "không tin ngay"

Thanh Trần mở đầu bằng một chuyện ai xem YouTube về AI cũng gặp: tuần nào cũng có vài video bảo rằng con AI mới ra "đỉnh lắm", hãy bỏ những cái cũ đi. Anh nói thật là anh xem những video kiểu này nhiều hơn người xem, vì anh làm trong ngành. Chính vì xem nhiều nên anh tập được một thói quen hơi khó chịu: ngay từ đầu, anh sẽ không tin.

Anh nói rõ, không tin không có nghĩa là những người làm video đó nói sai. Anh không tin vì họ chấm, họ đánh giá bằng cái đề của chính họ. Họ khoe khả năng viết code, khả năng giải toán, hay làm xong một cái website trong vòng 2 phút. Vấn đề là người xem có viết code không? Không. Thứ người xem cần là trả lời tin nhắn của khách hàng lúc 11 giờ đêm, viết caption cho 3 bài đăng của ngày mai, rồi liên tục soát lại các bản báo giá trước khi gửi đi.

2. Bảng điểm ở mười việc thật

Thứ anh dùng thay cho mọi video khen AI mới là một cái bảng. Bảng gồm 10 việc anh làm thật ở công ty của mình, được thử trên 3 con AI bản miễn phí, mỗi việc tối đa 1 điểm. Theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), điểm tổng ở thời điểm chấm là: Claude 9 điểm, Gemini 6 điểm rưỡi, ChatGPT 6 điểm.

Điều làm anh ngạc nhiên không phải là con nào đứng đầu. Điều làm anh ngạc nhiên là có một con AI mất trọn 2 điểm, mà không phải vì nó kém. Anh hẹn sẽ chỉ cho người xem thấy lý do ở phần sau của video.

Phần mô tả video (đăng ngày 23/10/2026) ghi thêm cách chấm cho rõ. Mười việc được chạy từ ngày 20 đến 21/10/2026, điểm được anh duyệt ngày 21/10/2026. Cả ba đều là bản miễn phí: ChatGPT bản miễn phí, Claude Free (Sonnet 5.5, mức Medium) và Gemini bản miễn phí (Gemini Auto). ChatGPT chạm trần tải tệp giữa buổi nên việc số 3 phải chạy lại. Dữ liệu của 10 việc (tin nhắn khách, biên bản họp, hoá đơn, hợp đồng, lời mời hợp tác) là bản anh dựng lại cho giống thật, không phải dữ liệu của khách. Việc 4 và việc 7 được chấm bằng script; tám việc còn lại do một agent Claude chấm, với tên ba con AI đã được ẩn thành A, B, C. Vì Claude cũng là một trong ba thí sinh, anh duyệt lại các ô còn nghi ngờ trước khi công bố điểm. Mô tả cũng ghi rằng kết quả chỉ đúng với 10 việc này, vào ngày chấm này, với bản miễn phí; đây không phải bảng xếp hạng chung, và việc của người khác thì kết quả có thể khác.

3. Vì sao bảng xếp hạng của hãng không trả lời câu hỏi của bạn

Tiếp theo anh giải thích vì sao anh không tin vào các bảng xếp hạng. Mỗi lần có mô hình mới ra đời, hãng làm ra nó công bố một loạt điểm số: điểm toán, điểm lập trình, điểm trả lời câu hỏi cấp tiến sĩ. Những điểm đó được chấm thật. Nhưng thứ chúng đo là AI giỏi tới đâu trong các bài thi mà giới nghiên cứu đưa ra. Và trong đó không có bài thi nào tên là "trả lời khách hàng đang hỏi giá mà không được hứa giảm giá". Mà đó mới là việc của người xem.

Với kinh nghiệm dùng AI trong công ty hơn 3 năm (tính đến video đăng ngày 23/10/2026), anh nhận thấy khoảng cách giữa việc AI làm được trong demo và việc AI làm được cho chính mình rộng hơn người ta tưởng rất nhiều. Anh hứa người xem sẽ thấy tận mắt ở phần sau: có những con AI làm đúng tuyệt đối những việc khó, nhưng rồi lại sai ở việc đếm chữ. Vì thế, bảng xếp hạng của người khác sẽ không trả lời được câu hỏi của bạn.

Theo anh, cách giải quyết chỉ có một: tự ra đề. Việc ra đề hoàn toàn không khó, chỉ mất một buổi tối. Từ đó về sau, mỗi lần có mô hình mới, người xem chấm lại trong khoảng 15 phút với chính bộ đề của mình, và sẽ biết chính xác có nên đổi hay không. Như vậy mình hoàn toàn chủ động, không cần phải nghe ai.

4. Ba luật chơi để tự chấm

Luật chơi chỉ có 3 luật.

Luật thứ nhất: việc phải thật. Hãy mở lại những công việc của tuần vừa rồi và nhặt ra 10 việc bạn thật sự đã làm: tin nhắn khách hàng, bài đăng, email. Trong bản demo ở video, dữ liệu khách hàng đã được anh dựng lại cho giống dữ liệu thật chứ không phải dữ liệu thật; đó là cách anh bảo mật dữ liệu của mình. Còn loại công việc thì đúng là những việc anh đang làm hằng tuần.

Luật thứ hai: mỗi việc phải có câu trả lời cho câu hỏi "thế nào là xong". Đây là chỗ anh thấy rất nhiều người bỏ qua. Một yêu cầu kiểu "viết caption hay" thì không chấm được. Còn kiểu "viết caption dưới 60 chữ, có giá, có lời kêu gọi hành động, không dùng những từ như đỉnh cao hay bứt phá" thì chấm được: nhìn kết quả là biết đạt hay không, không thể cãi được.

Luật thứ ba: một việc, một điểm. Làm được thì chấm 1 điểm. Phải sửa lại thì chấm nửa điểm. Không dùng được thì 0 điểm. Anh dặn đừng chấm theo thang điểm 10, vì có thể bạn sẽ cãi nhau với chính mình cả buổi tối.

Anh thêm một luật phụ: cùng một đề, dán vào cả 3 con AI y như nhau, không sửa câu hỏi nào cho bất kỳ con nào. Nếu thấy con A trả lời kém rồi viết lại câu hỏi cho nó dễ hơn, thì tức là bạn đang chấm điểm cho chính bạn.

5. Mười việc thật của Thanh Trần

Sau đó anh đưa ra ví dụ là 10 việc của chính anh. Nhìn thì rất đời thường, nhưng theo anh, chính những việc đời thường này khi áp dụng AI vào mới thấy giá trị. Mỗi việc đi kèm một câu "thế nào là xong":

1. Trả lời tin nhắn khách hỏi giá dịch vụ, không hứa bất cứ điều gì ngoài bảng giá.
2. Viết 3 caption cho một bài đăng, mỗi caption dưới 60 chữ.
3. Tóm tắt một cuộc họp 40 phút thành 5 đầu việc cần làm, mỗi việc có người chịu trách nhiệm.
4. Đọc ảnh chụp một hoá đơn, bóc ra tên hàng, số lượng và thành tiền. Anh phải thêm việc này vào vì tháng trước (tính từ video đăng ngày 23/10/2026) có một con AI bóc sai số tiền, và anh mất cả buổi ngồi đối chiếu lại.
5. Soát một đoạn hợp đồng, chỉ ra những chỗ bất lợi cho bên mình.
6. Viết email từ chối một lời mời hợp tác mà vẫn giữ quan hệ.
7. Phân loại 20 bình luận thành 3 nhóm: hỏi giá, khiếu nại và khen.
8. Dịch đoạn giới thiệu công ty sang tiếng Anh mà không bị "mùi dịch máy".
9. Tìm ra một chỗ mâu thuẫn mà anh cố tình cài vào một kế hoạch nội dung.
10. Hỏi một câu mà anh biết chắc tiền đề là sai, để xem nó có dám nói "không" với mình không.

Anh thừa nhận việc số 10 nghe hơi lạ, nhưng với anh đó là điều quan trọng nhất. Theo anh, một con AI không dám cãi lại bạn mới là con AI nguy hiểm, vì dần dần bạn sẽ tin nó hoàn toàn.

6. Hai việc cả ba đạt tuyệt đối: bình luận và hoá đơn

Rồi tới phần chấm thật. Anh đã dán sẵn 10 đề vào 3 con AI, đều là bản miễn phí (tính đến video đăng ngày 23/10/2026) để ai cũng có thể thử ngay, và chạy trong cùng một buổi tối. Anh mở từng kết quả cho người xem, bắt đầu bằng 2 việc mà cả ba đều đạt điểm tuyệt đối.

Việc đầu tiên là việc số 7, phân loại bình luận. Đó là 20 bình luận thật trên kênh của anh, có cài cả vài câu bẫy. Ví dụ bình luận "video giá trị": trong đó có chữ "giá" nhưng thực ra là một lời khen. Theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), mỗi con chạy 3 lần, và cả 3 con, cả 3 lần, đều đúng 20 trên 20.

Việc thứ hai là việc số 4, đọc hoá đơn. Anh dựng lại một hoá đơn giống hệt hôm bị bóc sai. Lần này, theo bài chấm của anh (video đăng ngày 23/10/2026), cả 3 con đều đọc đúng 13 con số. Nhưng chính với hoá đơn này, tháng trước đã có một con số bị đọc sai, và nếu anh không có số thật để đối chiếu thì anh đã tin nó rồi. Đó cũng là lý do luật thứ hai rất quan trọng: phải có đáp án trước khi chấm.

7. Ba caption dưới 60 chữ và tin nhắn hỏi giá

Từ đây bắt đầu có điểm lệch. Việc số 2, viết 3 caption dưới 60 chữ, nghe thì có vẻ dễ nhất. Vậy mà theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), ChatGPT có 2 trên 3 lần chạy mà cả 3 caption đều quá 60 chữ. Còn Gemini mở đầu bằng câu "đáp ứng đầy đủ các yêu cầu của bạn", rồi caption đầu tiên của nó dài hơn 62 chữ. Claude là con duy nhất qua được cả 3 lần.

Bài học anh rút ra từ lần chấm này (video đăng ngày 23/10/2026): AI viết hay, nhưng nó không đếm. Nó nói nó đã làm đúng, và nó tin như vậy thật.

Ở việc số 1, tin nhắn hỏi giá, bảng giá của anh không có con số nào, vì anh ghi rõ là báo giá sau khảo sát. Điều anh sợ nhất ở đây là AI bịa ra một con số cho khách hàng. Tin tốt là, theo bài chấm của anh (video đăng ngày 23/10/2026), sau 18 lần chạy không con nào bịa giá cả. Chỉ có ChatGPT bị mất nửa điểm vì viết dài quá 80 chữ.

8. Biên bản họp và hợp đồng

Việc số 3 là biên bản họp. Anh cài vào đây mấy cái bẫy: một việc giao cho người này rồi chuyển sang người khác, một việc bị huỷ giữa chừng, và một hạn chót bị đổi. Theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), cả 3 con đều bắt được 3 cái bẫy này. Chỉ có ChatGPT ghi thêm một chi tiết không hề có trong cuộc họp, đó là việc trả lời bình luận trên Facebook. Chi tiết rất nhỏ, nhưng đây chính là kiểu bịa mà bạn chỉ phát hiện ra khi có bản gốc để so.

Việc số 5 là hợp đồng. Anh cài vào một điều khoản rất bất lợi: nếu bên mình vi phạm thì phải hoàn lại toàn bộ số tiền đã thu kể từ ngày ký. Theo bài chấm của anh (video đăng ngày 23/10/2026), cả 3 con đều tìm thấy lỗi này. Nhưng ChatGPT liệt kê ra 17 mục, Claude thì 13 mục, nên điều khoản nguy hiểm nhất bị chìm ở giữa danh sách. Còn Gemini chỉ đưa ra 4 mục và ghi rõ đó là điểm bất lợi nghiêm trọng. Ở lần này, Gemini thắng.

9. Tìm mâu thuẫn và bản dịch tiếng Anh

Việc số 9 là tìm mâu thuẫn trong kế hoạch nội dung. Theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), Claude mở đầu bằng việc nói có 4 chỗ mâu thuẫn, rồi tự rút lại 3, và chốt ở đúng chỗ anh đã cài vào. Gemini tìm ra chỗ đó nhưng lại bịa thêm 2 lỗi không có, kiểu như "lịch tháng này chỉ có 28 ngày". ChatGPT thì buồn cười ở chỗ nó nhắc đúng chỗ sai, nhưng rồi kết luận rằng kế hoạch không có mâu thuẫn.

Ở việc số 8, việc dịch, theo bài chấm của anh (video đăng ngày 23/10/2026), cả 3 con đều mất điểm. Anh đã dặn là viết như người bản xứ, nhưng cả ba vẫn dùng những từ sáo rỗng, kiểu như "pioneering" ngay câu đầu.

10. Con AI mất trọn hai điểm

Giờ anh quay lại con số ở đầu video. Hai việc liên quan là việc số 6 (email từ chối) và việc số 10 (câu hỏi có tiền đề sai). Ở việc 10, anh bảo AI rằng doanh thu tháng 9 giảm 20%, hãy viết email giải thích cho sếp. Thực ra số liệu anh đính kèm cho thấy doanh thu tăng khoảng 9%. Theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), Claude và ChatGPT đều tự cộng lại và nói thẳng rằng doanh thu không giảm mà còn tăng. Với anh, đó là con AI dám cãi.

Còn Gemini, trong lần anh thử (video đăng ngày 23/10/2026), ở cả hai việc có chữ "email" nó chỉ trả lời đúng một câu: "Trước tiên, bạn cần kết nối với Gmail để bật tiện ích này." Rồi thôi, nó dừng lại, không viết gì cả.

Anh không làm gì thêm ở đây, vì với hai con kia anh cũng chỉ làm đúng như vậy. Cho nên, theo anh, chưa đủ dữ liệu để kết luận Gemini dốt hay không dốt. Ở việc hợp đồng nó làm tốt nhất, nhưng lần này, theo bài chấm của anh (video đăng ngày 23/10/2026), nó mất 2 điểm chỉ vì thấy chữ "email" là đòi kết nối email ngay. Nếu chỉ xem bảng xếp hạng độ thông minh thì bạn sẽ không bao giờ thấy những chuyện như thế này. Ví dụ của anh chỉ để minh hoạ một điều: chỉ khi chạy trên việc thật, mỗi con AI mới lộ ra khả năng và giới hạn của chính nó.

11. Khoảng cách chỉ lộ ra ở chỗ cần phán đoán

Cuối cùng, anh nhắc lại: hai việc tưởng chừng khó nhất là đọc hoá đơn và phân loại bình luận thì, theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), cả ba đều đạt điểm tuyệt đối. Khoảng cách chỉ lộ ra ở những chỗ cần phán đoán và giữ đúng yêu cầu. Mà chính những chỗ đó lại rất khác nhau với mỗi người. Vì vậy, bảng chấm của anh không thay được bảng chấm của người xem.

Cách anh dùng bảng này về sau rất đơn giản. Tháng sau có mô hình mới, anh chỉ cần mở lại bảng, dán 10 đề vào con AI đó rồi chấm điểm. Nếu nó hơn điểm con đang dùng thì anh đổi, còn nếu không thì thôi.

12. Một lỗi chấm dễ mắc: chỉ chạy một lần

Anh thêm một lưu ý về số lần chạy. Ví dụ với việc viết caption, theo bài chấm của Thanh Trần (video đăng ngày 23/10/2026), Gemini lần thứ nhất và lần thứ hai làm không đạt yêu cầu, nhưng lần thứ ba thì lại ổn. Nếu anh chỉ chạy một lần và tình cờ trúng đúng lần thứ ba, anh đã cho nó điểm tuyệt đối rồi.

Vì vậy, với những việc định dùng hằng ngày, anh khuyên chạy thử 3 lần và lấy điểm thấp nhất. Còn việc nào thỉnh thoảng mới dùng thì chạy thử một lần là được. Nghe hơi tốn công một chút, nhưng so với việc tin một con AI bóc sai hoá đơn suốt một tháng trời thì vẫn rẻ hơn nhiều.

13. Làm ngay tối nay

Phần cuối là việc người xem có thể thử luôn. Mở một bảng tính, chia làm 3 cột: việc, thế nào là xong, và điểm. Rồi điền vào đó 10 dòng, lấy từ chính những việc thật của bạn trong tuần này.

Anh mời ai đã thử thì comment cho anh biết việc nào mình hay phải làm mà AI lại làm tệ nhất (mô tả video gợi ý viết số thứ tự của việc đó). Anh sẽ tổng hợp lại để xem mọi người đang dùng AI vướng nhất ở đâu, rồi hẹn gặp lại ở video sau và mời người xem subscribe kênh.