AI Can Do Part of My Job. Where Do I Go From Here?

Languages: English · Tiếng Việt bên dưới

Learn, build, and keep going · Part 1 of 12

When I was building AI Agent Kit, there was a point when the checks had passed but the work still did not feel finished. The working tree contained more than seventy changes. The green results told me something useful, but they did not tell me whether all those changes belonged there or whether the original job was ready to hand over. I still had to look through the work and decide what I could stand behind.

That stayed with me because it touches a worry many of us have now. We spend years learning to do something, then watch AI do a part of it in minutes. At first, the time saved feels good. A little later, another question appears: if this part of my work is getting easier to produce, what should I learn next? It is an uncomfortable question when the work also pays the bills.

Think of someone learning to put up a shelf. Before they own a drill, making the holes takes time and effort. A good drill makes that part much easier. But the shelf still needs to be level, the wall needs to hold it, and the person installing it needs to know what could be behind the spot they are about to drill. The tool changes the work. Learning the work still means more than learning which button starts the tool.

Something similar happens at a computer. AI can write a function, draw a screen, or suggest a way to fix an error. We still have to understand what the person using it needs and whether the result works in their situation. Imagine a booking page that lets one customer cancel but leaves the time slot unavailable. A tidy patch is only a starting point. Someone needs to cancel the booking, try that same slot again, and see whether the next customer can actually use it.

For someone just entering the industry, this is harder than it sounds. The small jobs used to be where you learned your way around. If AI completes them before you have understood them, you can finish a busy day without knowing much more than you did in the morning. It helps to keep a little room for your own attempt: work out what you think is wrong, let AI help where you get stuck, and then explain the fix in words you would use with a teammate.

For someone already working, the next thing to learn may be closer than another course catalogue suggests. Look at the last task that went badly. Did you struggle to find the cause? Could you tell whether the answer was right? Did you build something the user had not asked for? Those questions point toward different kinds of learning. You might need to practise finding errors, understand the data better, or spend more time listening before you start making things.

That is easier to fit into a real week than trying to learn everything carrying an AI label. Someone with a job and a family may only have a few evenings. A student may have more time but less experience of real work. Both can begin with one small task and one gap they can name. Try it, find out where the understanding stops, learn that part, and try again. After a while, there is something concrete to compare with the first attempt.

That is the route I want to explore in this series. We will look at starting a career, choosing what to learn, building a small project, finding work, and knowing when it is time to change direction. AI will be part of those stories because it is already part of the work. The question I want to keep nearby is simple: after using it, do I understand the job better, and can I do something useful that I could not do before?

For this week, look back at one task you used AI to help with. Write down what it produced and what you still had to decide or fix. Choose one of those remaining parts to practise. The first step can be that small. You have a place to begin, and a way to notice whether the next attempt is getting better.

🇻🇳 Phiên bản tiếng Việt

AI làm được phần việc của mình rồi. Giờ mình đi đâu?

Học và hành để đi tiếp trong thời AI · Bài 1/12

Khi làm AI Agent Kit, có một lúc các bài kiểm tra đều chạy qua, nhưng mình vẫn chưa thấy công việc đã xong. Nhìn lại thì còn hơn bảy mươi thay đổi đang nằm trong dự án. Kết quả kiểm tra cho mình biết được một phần, nhưng chưa trả lời những thay đổi ấy có nên nằm ở đó không và việc ban đầu đã sẵn sàng giao chưa. Mình vẫn phải xem lại, rồi quyết định phần nào có thể nhận là đã làm xong.

Chuyện ấy khiến mình nghĩ đến một nỗi lo khá quen lúc này. Mình bỏ nhiều năm học một việc, rồi nhìn AI làm được một phần của nó trong vài phút. Ban đầu thấy vui vì đỡ tốn thời gian. Một lúc sau lại có câu hỏi khác: nếu phần việc này ngày càng dễ làm, tiếp theo mình nên học gì? Câu hỏi ấy khó bỏ qua khi công việc cũng là thứ đang trả tiền nhà và tiền sinh hoạt.

Thử nghĩ đến một người đang học đóng kệ. Trước khi có máy khoan, làm mấy lỗ trên tường khá mất sức. Có chiếc máy tốt, phần ấy nhẹ đi nhiều. Nhưng cái kệ vẫn cần thẳng, bức tường phải chịu được sức nặng, và người làm cần biết phía sau chỗ sắp khoan có gì. Công cụ làm công việc thay đổi. Còn học nghề vẫn có nhiều thứ hơn chuyện biết bấm nút cho máy chạy.

Làm việc trên máy tính cũng có phần giống vậy. AI có thể viết một hàm, dựng một màn hình hoặc gợi ý cách sửa lỗi. Mình vẫn cần hiểu người dùng muốn làm gì và kết quả có dùng được trong tình huống của họ không. Ví dụ một trang đặt lịch cho khách hủy, nhưng giờ vừa hủy vẫn không ai đặt lại được. Một bản sửa nhìn gọn gàng mới là chỗ bắt đầu. Vẫn cần có người hủy lịch, thử đặt lại đúng giờ đó và xem khách tiếp theo đã làm được chưa.

Với người mới vào nghề, chuyện này khó hơn nghe qua. Những việc nhỏ từng là chỗ để học cách hệ thống hoạt động. Nếu AI làm xong trước khi mình kịp hiểu, hết một ngày bận rộn có thể vẫn chưa biết thêm bao nhiêu. Có thể giữ lại một khoảng cho mình tự thử: nghĩ xem lỗi nằm ở đâu, nhờ AI giúp ở chỗ mắc, rồi giải thích lại bản sửa bằng lời mình thường nói với người làm cùng.

Với người đã đi làm, thứ cần học tiếp có khi ở gần hơn một danh sách khóa học. Nhìn lại đầu việc gần nhất làm chưa tốt. Mình có mất quá lâu để tìm nguyên nhân không? Có biết câu trả lời đúng hay sai không? Có làm ra thứ người dùng chưa cần không? Mỗi câu trả lời dẫn đến một việc học khác nhau. Có thể cần luyện tìm lỗi, hiểu dữ liệu hơn hoặc chịu nghe kỹ trước khi bắt tay vào làm.

Học như vậy dễ nằm vừa trong một tuần bình thường hơn chuyện cố học hết những thứ có chữ AI. Người có công việc và gia đình có thể chỉ rảnh vài buổi tối. Sinh viên có thể có nhiều thời gian hơn nhưng chưa gặp nhiều việc thật. Cả hai đều có thể bắt đầu bằng một đầu việc nhỏ và một chỗ chưa hiểu gọi tên được. Làm thử, tìm xem mình bí ở đâu, học phần ấy rồi làm lại. Dần dần sẽ có thứ cụ thể để đối chiếu với lần đầu.

Đó là đường đi mình muốn cùng tìm hiểu trong series này. Mình sẽ nói về chuyện bắt đầu đi làm, chọn thứ cần học, làm một dự án nhỏ, tìm công việc và biết lúc nào nên đổi hướng. AI sẽ có mặt trong những câu chuyện ấy vì nó đã có mặt trong công việc. Câu hỏi mình muốn giữ bên cạnh khá đơn giản: sau khi dùng nó, mình có hiểu việc hơn không, và có làm được điều gì có ích mà trước đây chưa làm được không?

Tuần này, thử nhìn lại một đầu việc mình đã nhờ AI hỗ trợ. Ghi nó làm ra phần nào và mình vẫn phải quyết định hoặc sửa phần nào. Chọn một phần còn lại để luyện tiếp. Bước đầu có thể nhỏ như vậy thôi. Mình có chỗ để bắt đầu, và có cách nhận ra lần sau đã khá hơn ở đâu.

Related reading / Đọc thêm

• Hunpeo Labs — AI Agent Kit: A Story That Began With a Small Worry

Next / Bài tiếp theo: Where Do Juniors Learn When AI Does the Small Tasks? — Người mới vào nghề sẽ học từ đâu khi AI làm luôn những việc cơ bản?

The series roadmap / Roadmap của series

Three phases, twelve weekly articles. / Ba chặng, mười hai bài hằng tuần.

Enlarge image