AI Không Biết Nói Dối

Thứ Hai đầu tuần 2 của Operation Ascend bắt đầu bằng một cú sốc.

Không phải cú sốc xấu. Cú sốc kiểu: ai đó vừa lật bàn mà bạn không thấy đến. 9 giờ sáng, phiên đánh giá KPI hàng tuần, dashboard nội bộ chiếu lên TV lobby, và cả tầng 19 đang nhìn vào một con số: Growth team của Lâm An Hạ vừa nhảy vọt lên vị trí số 1.

Hôm qua cô ấy hạng 3. Hôm nay hạng 1. Trong startup, người ta gọi đó là "hockey stick growth". Trông đẹp. Trông hấp dẫn. Trông như phép màu.

Tôi không tin phép màu. Tôi tin thuật toán.

Tôi ngồi phòng Product Lab trên tầng 20, nhìn dashboard trên màn hình riêng. Con số nhảy 47% so với tuần trước. Nguồn: chiến dịch tiếp thị qua người ảnh hưởng trên TikTok, kết hợp nội dung do AI tạo. Lượt tải ứng dụng tăng gấp đôi. Lượt đăng ký dùng thử tăng 3 lần.

Ấn tượng.

Nếu số liệu đó thật.

Tôi không nghi ngờ vì ghen. Tôi nghi ngờ vì con số tăng quá nhanh, quá đều, ở một kênh quá mới. Trong 7 năm làm sản phẩm công nghệ, tôi học được một thứ: khi mọi thứ trông quá hoàn hảo, thường là có gì đó sai.

Tôi mở công cụ phân tích AI nội bộ. HyperScan, cái tên do team tôi đặt, công cụ do team tôi xây. Nó có khả năng phân tích hành vi người dùng ở mức chi tiết mà Google Analytics không làm được: thời gian giữa các thao tác, mẫu cuộn trang, tốc độ nhấp, và quan trọng nhất, phân loại được đâu là người thật, đâu là bot.

Tôi nhập dữ liệu từ chiến dịch TikTok của Growth team vào HyperScan. Chạy mất 12 phút.

Kết quả hiện ra.

Tôi nhìn. Nhìn lại. Chạy lại lần nữa. Cùng kết quả.

40% lưu lượng truy cập từ chiến dịch của An Hạ là bot. Không phải bot tinh vi. Bot rẻ tiền, loại mà các công ty tiếp thị qua người ảnh hưởng hay dùng để thổi số liệu. Lượt xem giả, lượt tương tác giả, lượt tải giả. 40% trong tổng số.

Nghĩa là con số tăng trưởng 47% thực ra chỉ khoảng 28%. Vẫn tốt. Nhưng không phải vị trí số 1.

Tôi nghiêng lưng ra ghế, nhìn lên trần.

Bây giờ tôi có hai lựa chọn.

Một: im lặng. Để An Hạ tiếp tục chạy chiến dịch với nhà cung cấp gian lận, số liệu giả tiếp tục lên dashboard, và khi nào CEO hoặc nhà đầu tư phát hiện, cô sẽ bị mất uy tín hoàn toàn. Cuộc đua KPI sẽ chỉ còn tôi và Kiến Phong. Thuận lợi cho tôi.

Hai: nói cho cô biết.

Lựa chọn 1 là lựa chọn thông minh. Lựa chọn 2 là lựa chọn... tôi không biết gọi là gì. Nhưng tôi ghét dữ liệu sai. Ghét từ bản năng. Dữ liệu sai giống như lỗi trong mã nguồn, để lâu sẽ ăn sâu vào hệ thống, đến khi phát hiện thì đã quá muộn.

Và nếu An Hạ thua vì dữ liệu sai, cô ấy không thực sự thua. Mà tôi cũng không thực sự thắng.

Tôi không muốn thắng kiểu đó.

Tôi mở email. Soạn thư cho Lâm An Hạ. Không CC ai. Không CC CEO, không CC Vy Vy, không CC bất kỳ ai.

Tiêu đề: "Dữ liệu chiến dịch TikTok, cần kiểm tra"

Nội dung: báo cáo HyperScan, biểu đồ phân loại lưu lượng thật và giả, danh sách IP bot, và đề xuất kiểm tra nhà cung cấp tiếp thị qua người ảnh hưởng.

Gửi.

Rồi quay lại làm việc.

· · ·

37 phút sau. Cửa phòng Product Lab bật mở.

Tôi không cần ngẩng lên để biết ai. Bước chân nhanh, gấp, dứt khoát. Và mùi cà phê lẫn hương chanh.

An Hạ đứng trước bàn tôi, laptop kẹp nách, mặt đỏ. Không phải đỏ vì nóng. Đỏ vì tức. Cô đang cắn môi, kiểu người đang kiềm chế để không nổ giữa phòng. Tay cầm laptop siết chặt đến mức ngón tay trắng bệch.

— Anh gửi email gì cho tôi vậy?

Team Product quanh phòng ngẩng đầu lên. Minh Tú, chuyên gia dữ liệu của tôi, nhìn sang dò hỏi. Tôi lắc đầu nhẹ, ra hiệu cho mọi người tiếp tục làm việc. Chuyện này không cần khán giả.

— Ngồi xuống đi. Tôi giải thích.

— Tôi không cần ngồi.

— Cô cần. Vì nếu cô đứng đây gào trong phòng Product Lab, ngày mai cả Slack sẽ có ảnh chụp lén, và Vy Vy sẽ viết tiểu thuyết.

Cô nhìn tôi, hít sâu một hơi, rồi kéo ghế ngồi. Đặt laptop lên bàn mạnh hơn cần thiết.

— Anh đang nói 40% lưu lượng của tôi là giả? Anh biết nếu email này bị lộ ra, người ta sẽ nghĩ gì không? Nghĩ là tôi mua số liệu. Nghĩ là chiến dịch của tôi là trò lừa.

— Cô không mua. Nhà cung cấp của cô mua. Có khác nhau.

— Anh có bằng chứng?

Tôi quay màn hình về phía cô. Mở HyperScan, chạy lại phân tích ngay trước mặt.

— Đây. Biểu đồ phân tích hành vi người dùng. Cột xanh là người thật: thời gian trung bình trên ứng dụng 4 phút 20 giây, mẫu cuộn ngẫu nhiên, tương tác có logic. Cột đỏ là bot: thời gian chính xác 45 giây mỗi phiên, cuộn trang đều đặn, nhấp nút theo trình tự.

An Hạ nhìn màn hình. Mắt cô di chuyển nhanh, đọc biểu đồ như đọc báo cáo tài chính. Cô hiểu dữ liệu. Tôi biết cô hiểu.

— Cột đỏ chiếm 40%. Tất cả đến từ cùng một dải IP, trùng khớp với hệ thống mà nhà cung cấp người ảnh hưởng của cô đang dùng. Tôi đã kiểm tra nhà cung cấp: họ bị tố cáo thổi số liệu ở 3 chiến dịch khác trong năm ngoái.

Im lặng. 5 giây. 7 giây. 10 giây.

An Hạ kéo ghế, ngồi xuống. Mặt cô thay đổi, từ tức giận sang cái gì đó khác. Không phải buồn. Gần giống thất vọng. Nhưng thất vọng với chính mình, không phải với tôi.

— Tôi đã kiểm tra nhà cung cấp trước khi ký hợp đồng.

— Họ kiểm tra sạch ở thời điểm đó. Hệ thống bot mới được triển khai 3 tuần trước. Cô không thể biết.

— Tôi phải biết. Đó là việc của tôi.

Cô tức bản thân. Không phải tức tôi. Điều đó cho thấy cô là kiểu người nhận trách nhiệm thay vì đổ lỗi. Hiếm.

— Anh có thể gửi email này cho CEO. Hoặc cho cả công ty. Tại sao anh gửi cho tôi trước?

Câu hỏi tốt. Tôi đã nghĩ về câu trả lời từ lúc bấm nút gửi.

— Vì đây là vấn đề dữ liệu, không phải vấn đề chính trị. Cô sửa được thì không cần ai biết. Không ai bị hại, dữ liệu sạch, cuộc đua tiếp tục công bằng.

An Hạ im. Ngón tay cô gõ nhẹ lên mặt bàn, nhịp đều, kiểu người đang xử lý thông tin.

— Nhưng nếu tôi sửa, KPI của tôi sẽ giảm. Tôi mất vị trí số 1. Và anh sẽ quay lại đứng đầu.

— Đúng.

— Vậy anh lợi.

— Đúng.

— Và anh vẫn gửi cho tôi.

— Đúng.

— Tại sao?

Câu hỏi đó. Ba chữ. Và tôi biết cô không hỏi về dữ liệu nữa. Cô hỏi về tôi.

— Vì nếu Kiến Phong phát hiện trước tôi, anh ta sẽ không gửi email riêng cho cô. Anh ta sẽ gửi cho CEO, CC toàn công ty, kèm emoji cảnh báo. Và lúc đó cô sẽ không có cơ hội tự sửa.

An Hạ nhìn tôi. Ánh mắt cô dò xét, kiểu nhìn của người đang cân giữa tin và không tin. Tôi biết ánh mắt đó. Tôi thấy nó mỗi khi nhìn gương.

10 giây nữa trôi qua. Rồi cô đứng lên.

— Cảm ơn. Nhưng lần sau đừng mong tôi nợ anh.

— Tôi không cần ai nợ. Tôi chỉ ghét dữ liệu sai.

Cô nhìn tôi thêm một giây. Rồi quay đi, bước ra khỏi Product Lab. Bước chân vẫn nhanh, nhưng không gấp như lúc vào.

Cô tin tôi. Không hoàn toàn. Nhưng đủ để hành động dựa trên dữ liệu tôi đưa.

Đó là nhiều hơn tôi kỳ vọng.

· · ·

2 giờ chiều.

Dashboard cập nhật. KPI Growth team giảm 15%. Vy Vy nhắn trên Slack #general: "Ai biết chuyện gì với số liệu Growth không?" Không ai trả lời.

Tôi mở hệ thống theo dõi. An Hạ hành động nhanh hơn tôi nghĩ.

Trong vòng 2 giờ sau khi rời Product Lab, cô đã: một, cắt hợp đồng với nhà cung cấp gian lận. Hai, xóa toàn bộ dữ liệu giả khỏi dashboard, từng dòng một, không bỏ sót. Ba, gửi email cho CEO báo cáo tình hình. Email ngắn gọn, chuyên nghiệp, nhận hoàn toàn trách nhiệm, kèm kế hoạch thay thế nhà cung cấp trong 48 giờ. Bốn, đã liên hệ 3 nhà cung cấp mới để so sánh.

Bốn bước. Hai giờ. Không đổ lỗi cho ai. Không xin gia hạn. Không kêu ca. Không nhắn tin hỏi tôi "anh có chắc không?".

Nếu đây là mã nguồn, tôi gọi đó là clean code. Gặp lỗi, không hoảng, không chắp vá. Xóa sạch, viết lại, chạy tiếp.

Ít người làm được vậy. Ít người trong giới startup. Ít người tôi biết. Rất ít.

Tôi đánh giá thấp cô ấy. Không phải về năng lực, tôi đã biết cô giỏi. Mà về cách cô xử lý khủng hoảng. Người bình thường sẽ tìm cách giấu hoặc giảm nhẹ. Cô cắt luôn.

Tôi quay lại vị trí số 1 trên bảng KPI. Nhưng lần này, thắng mà không vui.

5 giờ chiều. Tôi đi lấy cà phê ở pantry tầng 19. Ngang qua bàn An Hạ, cô đang gọi điện, giọng bình tĩnh nhưng lạnh:

— Vâng, tôi cần nhà cung cấp mới trong 24 giờ. Không, không phải 48, 24. Gửi danh sách cho tôi tối nay.

Cô cúp máy. Thấy tôi đi ngang, mắt cô dừng lại nửa giây. Không nói gì. Không gật đầu. Chỉ nhìn. Rồi quay lại màn hình.

Cô không cảm ơn lần hai. Tôi không cần cô cảm ơn. Chúng tôi hiểu nhau ở mức đó rồi.

7 giờ tối. Văn phòng gần trống. Tôi về phòng làm việc tầng 20, ngồi trước hai màn hình, kiểm tra báo cáo tính năng AI Copilot tuần này. Ngoài cửa kính, Sài Gòn đã lên đèn, quận 1 nhấp nháy như bảng mạch điện tử khổng lồ. Bình thường tôi tập trung 100% vào lúc này, giờ vàng lập trình, không ai gõ cửa, không ai nhắn tin.

Hôm nay khác.

Giữa dòng mã và biểu đồ, tôi mở Slack một lần. Profile Lâm An Hạ. Ảnh đại diện: chụp nghiêng, tóc buộc, đang nhìn ra ngoài cửa kính, có vẻ chụp lén.

Tôi nhìn ảnh đó 3 giây. Rồi đóng. Rồi mở lại. Rồi đóng.

Trần Kha Minh, mày đang làm gì?

Dữ liệu. Chỉ là kiểm tra dữ liệu. Không hơn.

Tôi tắt Slack, quay lại mã nguồn. Nhưng trong đầu, ở một góc mà tôi không muốn thừa nhận, câu nói của cô vẫn lặp:

"Lần sau đừng mong tôi nợ anh."

Tôi không mong. Nhưng tôi bắt đầu tự hỏi: lần sau, tôi có làm giống vậy không? Và câu trả lời, nhanh hơn bất kỳ thuật toán nào tôi từng viết, là: có. Tôi sẽ làm y vậy.

Và điều đó mới đáng lo.

Tôi đóng laptop. Lần đầu tiên trong 2 tuần, tôi rời văn phòng trước 10 giờ tối. Ra ngoài, Sài Gòn vẫn ồn ào, xe máy chạy rần rần trên đường Hàm Nghi, mấy quán nhậu vỉa hè đã đông. Tôi đi bộ về căn hộ ở The Marq, 10 phút đi bộ, đủ để gió đêm thổi qua và đầu óc ngừng phân tích.

Nhưng nó không ngừng. Nó cứ lặp lại khuôn mặt của An Hạ lúc ngồi trong Product Lab, khi cô nhìn biểu đồ và nhận ra cô sai. Không phải khuôn mặt tức giận nữa. Mà khuôn mặt của người vừa bị đánh, nhưng thay vì gục, cô đứng dậy ngay lập tức.

Tôi quen làm việc với máy. Máy dễ hiểu. Nếu A thì B. Nếu lỗi thì sửa. Không có biến số cảm xúc.

Lâm An Hạ không phải máy. Và đó là vấn đề.

Về đến căn hộ, tôi tắm, pha một ly cà phê nữa dù đã 10 giờ tối, ngồi vào bàn. Mở laptop, không phải để làm việc. Mà để viết nhật ký kỹ thuật, thứ tôi làm từ hồi còn ở NUS. Mỗi ngày ghi lại 3 thứ: bài học, sai lầm, và biến số mới.

Hôm nay:

Bài học: dữ liệu sạch quan trọng hơn thắng thua ngắn hạn.

Sai lầm: không có sai lầm kỹ thuật hôm nay.

Biến số mới: Lâm An Hạ.

Tôi nhìn dòng thứ ba. Xóa. Viết lại: "Growth team." Xóa. Viết lại: "Đối thủ chính." Xóa.

Cuối cùng gõ: "Lâm An Hạ." Để nguyên.

Biến số mới. Chưa có mô hình nào dự đoán được. Cần thêm dữ liệu.

Rất nhiều dữ liệu.