Khung 4D — Bốn năng lực cốt lõi của AI Fluency

Tổng quan khung 4D

Cách đọc biểu đồ này:

• Hai cột trái (Delegation, Description) là năng lực chủ động — bạn đưa ra quyết định/yêu cầu.
• Hai cột phải (Diligence, Discernment) là năng lực đánh giá/chịu trách nhiệm — bạn review, verify, own.
• Hai hàng trên (Delegation-Diligence) là quyết định cấp cao, chu kỳ dài — "có nên dùng AI?"
• Hai hàng dưới (Description-Discernment) là tương tác hàng ngày, chu kỳ ngắn — "dùng AI thế nào cho tốt?"

┌──────────────────────────────────────────────────────┐
│                                                      │
│                   KHUNG 4D                           │
│          (Four Competencies of AI Fluency)           │
│                                                      │
│  ┌────────────────┐          ┌────────────────┐      │
│  │   DELEGATION   │◄────────►│   DILIGENCE    │      │
│  │   (Ủy thác)    │          │  (Trách nhiệm) │      │
│  └────────────────┘          └────────────────┘      │
│         ▲                            ▲               │
│         │     Vòng 1: Có dùng AI?    │               │
│         │     Quyết định cấp cao     │               │
│         ▼                            ▼               │
│                                                      │
│  ┌────────────────┐          ┌────────────────┐      │
│  │  DESCRIPTION   │◄────────►│  DISCERNMENT   │      │
│  │    (Mô tả)     │          │   (Thẩm định)  │      │
│  └────────────────┘          └────────────────┘      │
│         ▲                            ▲               │
│         │     Vòng 2: Dùng ra sao?   │               │
│         │     Tương tác hàng ngày    │               │
│         ▼                            ▼               │
│                                                      │
└──────────────────────────────────────────────────────┘

Chữ D thứ nhất: DELEGATION (Ủy thác)

Định nghĩa ngắn: Quyết định việc gì nên làm bởi con người, việc gì nên giao AI, và cách phân bổ giữa hai bên.

Ba thành phần

1a. Problem Awareness — Hiểu rõ bạn đang giải quyết gì

Trước khi nghĩ đến AI, hỏi:

Ví dụ nonprofit cụ thể:

Viết thư cảm ơn nhà tài trợ — hai tình huống khác nhau:

Không có Problem Awareness, bạn dễ mặc định "cứ AI hóa tất cả cho nhanh" — và đánh mất những khoảnh khắc quyết định nhất.

1b. Platform Awareness — Hiểu công cụ bạn đang cầm

Không phải AI nào cũng như nhau. Khác biệt bao gồm:

Ví dụ cụ thể:

Bạn đang xử lý dữ liệu khảo sát cộng đồng mà thông tin cá nhân của họ mang rủi ro cao — chứa tên, địa chỉ, câu chuyện nhạy cảm. Không phải mọi AI đều phù hợp:

Chi tiết về privacy và platform → Bài 14.4.

1c. Task Delegation — Chia việc một cách chiến lược

Với Problem Awareness + Platform Awareness, bạn chia việc:

Ví dụ nonprofit:

Không phải "AI có thể làm được" → "AI nên làm". Hai điều này khác nhau. Delegation giúp bạn thấy rõ khoảng cách đó.

• Mục tiêu cuối cùng là gì? (Thư cảm ơn giao dịch — hay nuôi dưỡng quan hệ 10 năm với đại gia?)
• Đặc tính của công việc này là gì? (Lặp lại hay duy nhất? Có template hay cần sáng tạo? Có rủi ro cao không?)
• Nếu làm sai, hậu quả ra sao?
• Tình huống A: Nhà tài trợ quyên $50 qua form online. Thư cảm ơn có tính giao dịch, dùng template chuẩn. → AI có thể tạo draft tốt.
• Tình huống B: Một nhà tài trợ 10 năm vừa mất người thân và gửi $10,000 với note viết tay. Thư cảm ơn là mối quan hệ, không phải giao dịch. → Bạn viết tay, AI không nên chạm vào.
• Training data: Công cụ này có dùng input của bạn để huấn luyện không?
• Data retention: Giữ data bao lâu?
• Khả năng (capabilities): Model này giỏi gì? Dở gì?
• Giới hạn: Không truy cập được internet? Không xử lý được file lớn?
• Chi phí: Free tier vs. enterprise tier khác nhau ra sao?
• AI free, train trên user input: Không — rủi ro data leak.
• Claude plan Team / Enterprise với "no training": Có thể, nhưng vẫn nên strip PII trước.
• Self-hosted model: An toàn nhất nhưng tốn hạ tầng.
• Receipt email (stakes thấp, lặp lại) → AI full
• Bài post social media (stakes thấp, có chất tổ chức) → AI draft, human polish
• Email xin lỗi khi chương trình bị hoãn (stakes cao, cảm xúc) → Human viết, AI chỉ proofread
• Phân tích xu hướng quyên góp (stakes cao, lặp lại) → AI analyze, human verify

┌─────────────────────────────────────────────────┐
│  TASK BREAKDOWN MATRIX                          │
│                                                 │
│             │  Stakes   │  Stakes               │
│             │   Thấp    │   Cao                 │
│  ───────────┼───────────┼───────────────────    │
│  Lặp lại    │ AI handle │ AI assist,            │
│  cao        │  fully    │ human review          │
│  ───────────┼───────────┼───────────────────    │
│  Duy nhất / │ AI draft, │ Human only,           │
│  cảm xúc    │ human     │ AI may brainstorm     │
│  cao        │ polish    │ but không touch final │
│  ───────────┴───────────┴───────────────────    │
└─────────────────────────────────────────────────┘

Chữ D thứ hai: DILIGENCE (Trách nhiệm)

Định nghĩa ngắn: Chịu trách nhiệm với mỗi lần dùng AI — từ lựa chọn công cụ đến verify kết quả và minh bạch với người liên quan.

Ba thành phần

2a. Creation Diligence — Chủ đích khi dùng

Hỏi mỗi khi bắt đầu:

Ví dụ: Viết đơn tài trợ. Creation diligence nghĩa là bạn quyết định:

2b. Transparency Diligence — Minh bạch

Những ai có quyền biết AI đã được dùng ở đâu?

Câu hỏi test: Nếu nhà tài trợ biết AI đã draft phần X, họ có thay đổi ý kiến về quyết định tài trợ không? Nếu "có thể" → cần minh bạch.

2c. Deployment Diligence — Verify và vouch for

Bạn không publish/submit output cho đến khi:

Tình huống kinh điển: AI generate email cảm ơn 50 nhà tài trợ khác nhau. Bạn skim nhanh, thấy có vẻ ổn, gửi đi. Sau đó mới phát hiện 3 email gọi sai tên người nhận, 1 email mentions số tiền sai, 1 email viết như thể tổ chức của bạn khác hoàn toàn.

Deployment diligence ngăn điều này. "AI làm nhanh" không có nghĩa là "bạn skip review".

• Tại sao tôi dùng AI cho phần này, không phải phần khác?
• Tôi có dữ liệu gì nhạy cảm sẽ đưa vào không?
• Tôi có đang dùng đúng công cụ cho đúng việc không?
• AI giúp: structure đơn, đề xuất framing, check consistency với grant guidelines
• AI không chạm: câu chuyện cộng đồng cụ thể, budget justification, mối quan hệ với funder
• Board: Có. Họ giám sát tổ chức.
• Nhà tài trợ: Có, đặc biệt nếu proposal/report có AI-drafted.
• Cộng đồng: Tùy. Nếu AI được dùng để tạo communications hướng đến họ — thường có.
• Nhân viên trong team: Có. Họ cần biết để học và reuse.
• Mọi số liệu được verify (không chỉ "AI nói vậy")
• Mọi claim được check lại nguồn
• Ngữ điệu phù hợp với tổ chức
• Bạn sẵn sàng đứng tên bảo vệ từng câu

┌────────────────────────────────────────────────┐
│                                                │
│                  DILIGENCE                     │
│                                                │
│   ┌──────────────┐                             │
│   │   Creation   │  Chọn công cụ, chọn đầu vào │
│   │   Diligence  │  một cách có chủ đích       │
│   └──────────────┘                             │
│          │                                     │
│          ▼                                     │
│   ┌──────────────┐                             │
│   │ Transparency │  Minh bạch vai trò AI       │
│   │   Diligence  │  với những ai cần biết      │
│   └──────────────┘                             │
│          │                                     │
│          ▼                                     │
│   ┌──────────────┐                             │
│   │  Deployment  │  Verify, vouch for,         │
│   │  Diligence   │  chịu trách nhiệm           │
│   └──────────────┘                             │
│                                                │
└────────────────────────────────────────────────┘

🔁 Vòng 1: Delegation ↔ Diligence

Delegation và Diligence không phải hai bước riêng lẻ — chúng tạo thành vòng lặp:

Ví dụ cụ thể:

Tháng 1: Maya quyết định delegate toàn bộ việc draft response email cho tình nguyện viên → gửi 50 email/tháng. Deployment diligence phát hiện: 5 email quên mention training session bắt buộc. Bài học: Tháng 2, Maya thay đổi delegation — AI draft nhưng Maya review tất cả, và cô update system prompt thêm "always mention orientation training".

Delegation quyết định có dùng AI. Diligence dạy bạn cách delegate tốt hơn. Vòng lặp tiếp tục.

      Quyết định delegate     ──►    Làm với AI
            ▲                              │
            │                              ▼
     Học từ kết quả để          ◄──   Diligence:
     delegate tốt hơn                verify, transparent,
     lần sau                         take ownership

Chữ D thứ ba: DESCRIPTION (Mô tả)

Định nghĩa ngắn: Cách bạn giao tiếp với AI để hướng dẫn nó làm việc — không chỉ "viết prompt hay" mà là xây dựng một môi trường nhận thức (cognitive environment) nơi bạn và AI cộng tác hiệu quả.

Ba thành phần

3a. Product Description — Cái gì?

Mô tả output:

So sánh:

❌ "Viết post social media về food pantry của chúng tôi"

✅ "Viết caption Instagram 150 từ cho hình ảnh buổi phát thực phẩm tối qua. Audience: cộng đồng địa phương + nhà tài trợ nhỏ. Tone: ấm áp nhưng không sentimental. Include: 1 số liệu cụ thể (số gia đình phục vụ), 1 câu quote từ tình nguyện viên (giả lập OK), 1 CTA mềm (volunteer signup). Hashtag: 3-5 cái."

3b. Process Description — Như thế nào?

Mô tả cách AI nên tiếp cận vấn đề:

Ví dụ: Phân tích khảo sát 120 gia đình.

❌ "Phân tích khảo sát này"

✅ "Đọc toàn bộ responses. Bước 1: catalog các themes chính (cluster similar responses). Bước 2: count frequency mỗi theme. Bước 3: identify outliers — responses khác biệt mà có insight value. Bước 4: synthesize top 5 findings. KHÔNG quote tên cụ thể — chỉ dùng role như 'một mẹ đơn thân'. KHÔNG suy diễn causation — chỉ report correlation."

3c. Performance Description — Hành xử ra sao?

Mô tả tính cách/role của AI trong cuộc trò chuyện:

Ví dụ:

Hoặc ngược lại:

Pro tip: Đừng viết lại prompt mỗi lần

Các công cụ AI hiện đại (Claude, ChatGPT) cho phép bạn tạo projects / custom instructions / styles — lưu lại context để không phải type lại. Tận dụng:

Tất cả đều là hình thức scaled description — bạn làm 1 lần, AI hiểu suốt các cuộc trò chuyện sau.

• Format (email / bullet list / document / table / code)
• Length (số từ, số bullet)
• Audience (ai đọc? trình độ? mối quan tâm?)
• Style (formal / warm / concise / narrative)
• Success criteria (kết quả như thế nào là "đủ tốt"?)
• Các bước cần làm
• Thứ tự
• Phương pháp luận
• Những gì không nên làm
• AI là ai? (Critical reviewer? Supportive coach? Skeptical audience?)
• Hành vi nào OK? Không OK?
• Mức độ pushback?
• Claude Projects: Upload mission statement, past work, brand guidelines vào project folder.
• Custom instructions: Lưu tone preferences, organization background.
• Document context: Dictate hoặc upload để share context nhanh hơn gõ.

┌──────────────────────────────────────────────────┐
│                                                  │
│                  DESCRIPTION                     │
│                                                  │
│   ┌──────────────┐                               │
│   │   Product    │  Kết quả mong đợi:            │
│   │ Description  │  format, length, audience     │
│   └──────────────┘                               │
│                                                  │
│   ┌──────────────┐                               │
│   │   Process    │  Cách AI tiếp cận:            │
│   │ Description  │  steps, order, methodology    │
│   └──────────────┘                               │
│                                                  │
│   ┌──────────────┐                               │
│   │ Performance  │  Hành vi AI trong cuộc trò:   │
│   │ Description  │  tone, role, boundaries       │
│   └──────────────┘                               │
│                                                  │
└──────────────────────────────────────────────────┘

Chữ D thứ tư: DISCERNMENT (Thẩm định)

Định nghĩa ngắn: Đánh giá có phê phán về chất lượng, cách tiếp cận, và hành vi của AI — rồi điều chỉnh để output tốt hơn.

Ba thành phần

4a. Product Discernment — Output có đúng?

Kiểm tra:

4b. Process Discernment — AI nghĩ đúng cách không?

4c. Performance Discernment — Hành vi AI có phục vụ bạn?

Discernment ≠ accept/reject

Sai lầm phổ biến: Nhận output, review qua, rồi hoặc accept nguyên hoặc vứt hoàn toàn.

Đúng: Discernment là vòng lặp iterative. Bạn nhận → đánh giá → feedback cụ thể → AI điều chỉnh → đánh giá lại. Mỗi vòng làm output gần hơn với cái bạn cần.

• Số liệu có chính xác không? (AI có thể fabricate)
• Quotations có thật không?
• Language có phản ánh cộng đồng bạn phục vụ không?
• Recommendations có align với giá trị tổ chức không?
• Có sentence nào nghe "generic AI" không?
• AI có consider mọi factor relevant không?
• Có assumption nào về cộng đồng của bạn không đúng?
• Có logic leap nào đáng ngờ không?
• Nếu AI "search web" — nguồn có đáng tin không?
• AI có đang giúp bạn nghĩ, hay chỉ tạo content nhanh?
• AI có nịnh quá không? (Nguy hiểm — làm bạn miss errors)
• AI có quá cautious, đẻ disclaimers dài làm loãng ý?
• AI có đang hiểu đúng giọng của tổ chức bạn?

┌──────────────────────────────────────────────────┐
│                                                  │
│                  DISCERNMENT                     │
│                                                  │
│   ┌──────────────┐                               │
│   │   Product    │  Output có đúng, tốt, phù     │
│   │ Discernment  │  hợp không?                   │
│   └──────────────┘                               │
│                                                  │
│   ┌──────────────┐                               │
│   │   Process    │  AI đã nghĩ đúng cách?        │
│   │ Discernment  │  Bỏ sót factor nào?           │
│   └──────────────┘                               │
│                                                  │
│   ┌──────────────┐                               │
│   │ Performance  │  Cách AI hành xử có đang      │
│   │ Discernment  │  phục vụ bạn không?           │
│   └──────────────┘                               │
│                                                  │
└──────────────────────────────────────────────────┘

🔁 Vòng 2: Description ↔ Discernment

Đây là vòng trung tâm của công việc hàng ngày với AI:

Ví dụ: Maya dùng AI để soạn nháp quarterly report cho board.

Mỗi vòng: description tốt hơn + discernment sâu hơn = output tiệm cận nhu cầu thật.

Chi tiết về vòng này trong công việc research → Bài 14.2. Trong writing → Bài 14.3.

• Vòng 1: Maya: "Viết báo cáo quý cho board". AI trả về template chung chung. Maya discerns: không reflect reality của tổ chức cô.
• Vòng 2: Maya: "Upload last 2 quarterly reports + this quarter's metrics. Match voice. Focus: 120 gia đình mới, chương trình tiếng Anh tăng 40%, 2 nhân viên mới." AI trả về draft chi tiết hơn. Maya discerns: số liệu đúng nhưng tone hơi marketing.
• Vòng 3: Maya: "Good. Cut 'passionate', 'committed'. Thay bằng specific actions. Add 1 câu về challenge chúng tôi đang face với visa processing delays." AI điều chỉnh. Maya discerns: tốt, nhưng thiếu forward-looking section.
• Vòng 4: Maya: "Add 1 paragraph about next quarter priorities based on uploaded strategic plan". AI follow up.

 Bạn mô tả         ──►         AI đưa output
 cái bạn cần                   dựa trên mô tả
      ▲                              │
      │                              ▼
 Điều chỉnh mô tả   ◄──         Bạn đánh giá:
 (chi tiết hơn,                 đúng? đủ? hợp?
  hoặc khác góc                 cái gì thiếu?
  độ)                           cái gì cần đổi?

Bảng so sánh: Hai vòng

Ví dụ tổng hợp: Maya viết impact report

Theo dõi Maya áp dụng cả 4 chữ D cho 1 công việc:

DELEGATION — Maya quyết định:

DESCRIPTION — Maya nói với Claude:

DISCERNMENT — Maya review draft:

Vòng 2 vòng nữa, report gần hoàn thành.

DILIGENCE — Maya trước khi submit:

Kết quả: Báo cáo xong trong 4 giờ (thay vì 2 ngày), chất lượng không giảm, và Maya vẫn tự tin đứng tên.

• AI draft các sections cấu trúc và số liệu
• Maya viết executive summary và beneficiary stories
• Dùng Claude Team plan (no training on user data) vì impact report có giving patterns nhạy cảm
• Product: 8-page report, audience là major donors + board. Format: exec summary → 4 program sections → budget snapshot → call for continued support. Tone: confident nhưng humble, data-driven nhưng story-first.
• Process: Đọc past 2 impact reports tôi upload. Match voice. Mỗi section: 1 số liệu key + 1 anecdote (placeholder, tôi sẽ fill in) + 1 forward-looking statement.
• Performance: Hãy như một program officer friendly nhưng rigorous. Nếu gặp claim cần evidence và tôi chưa cung cấp, hỏi thay vì fabricate.
• Product: Số liệu survey response rate hơi làm tròn. Sửa.
• Process: AI không dùng comparison với year-over-year growth như báo cáo cũ. Feedback.
• Performance: AI đang quá formal. Loosen.
• Creation: Xác nhận đã dùng Team plan, đã strip sensitive names trong stories.
• Transparency: Note ở cuối report: "Sections của báo cáo này được draft với hỗ trợ AI; tất cả data và stories đã được Maya và team xác minh."
• Deployment: Maya verify từng số liệu với raw data. Re-read và ký tên.

Anti-patterns — Sai lầm khi áp dụng 4D

❌ "Tôi chỉ cần Description"

Triệu chứng: Bạn dành hàng giờ perfecting prompts, nhưng không review nghiêm túc output.

Tại sao là sai: Prompt hoàn hảo + output không verify = publish sai dưới tên bạn.

Cách đúng: Với công việc stakes cao, thời gian discernment ≥ thời gian description.

❌ "Skip Delegation cho nhanh"

Triệu chứng: Thấy công việc gì cũng đưa AI trước khi nghĩ "có nên không".

Tại sao là sai: Bạn có thể đưa PII vào tool không phù hợp, hoặc AI hóa mối quan hệ cần human touch.

Cách đúng: 30 giây hỏi "can" + "should" trước khi mở AI. Đặc biệt với task mới.

❌ "Diligence là review cuối cùng thôi"

Triệu chứng: Dùng AI xuyên suốt, chỉ proofread 5 phút trước khi gửi.

Tại sao là sai: Errors hệ thống (số liệu sai, claim không có source) thường không bắt được bằng proofread.

Cách đúng: Diligence là thái độ xuyên suốt — creation, transparency, deployment — không phải step cuối.

❌ "Nhầm 2 vòng với nhau"

Triệu chứng: Mỗi email gửi donor, bạn hỏi "có nên dùng AI không?" — slow, stuck.

Tại sao là sai: Vòng 1 (Delegation-Diligence) đã decide pattern chung. Vòng 2 (Description-Discernment) chỉ là thực thi pattern đó.

Cách đúng: Decide pattern 1 lần (ví dụ: "receipt emails → AI full, thank-you emails → AI draft + Maya polish"), rồi chạy pattern.

Mẹo nâng cao

Mẹo 1: Tự-audit năng lực 4D của bạn

Sau mỗi cuộc trò chuyện AI lớn, hỏi: "Tôi đã dùng D nào tốt? D nào yếu?"

Identify 1 D yếu nhất → Ưu tiên phát triển trong bài tiếp.

Mẹo 2: 2 vòng có thể interact

Đôi khi Discernment (vòng 2) cho bạn bài học thay đổi Delegation (vòng 1). Ví dụ: sau 3 tuần dùng AI cho volunteer emails, Maya nhận ra 30% email cần nuance human. Cô thay đổi delegation: giờ AI chỉ handle 70% email đơn giản, 30% Maya viết tay.

Mẹo 3: 4D không tuyến tính

Bạn có thể bắt đầu ở bất kỳ D nào. Ví dụ: bạn đang Description, AI trả output lạ → Discernment → quay lại Delegation ("task này có nên cho AI không nhỉ?") → điều chỉnh.

Khung 4D là công cụ tư duy, không phải công thức cứng.

• Delegation yếu: Bạn skip step "should AI do this?"
• Description yếu: Output generic, lặp đi lặp lại.
• Discernment yếu: Bạn accept output quá nhanh.
• Diligence yếu: Bạn không verify, không transparent.

Áp dụng ngay

Bài tập 1: Mapping AI Needs (~15 phút)

Bước 1 — Tự phản xạ: Liệt kê 5-10 câu hỏi / mối lo lắng của bạn về việc dùng AI. Không censoring, cứ viết ra. Ví dụ:

Bước 2 — Collaborate: Mở AI. Prompt:

Bước 3 — Phản xạ:

Bài tập 2: Cross-competency challenge (stretch, ~15 phút)

Identify 1 việc bạn cần phát triển nhiều D cùng lúc để tiến lên.

Ví dụ:

Chọn 1 challenge như vậy. Lên plan 2 tuần tới bạn sẽ luyện cả 2 D đó thế nào:

• "Lo AI viết email nghe không giống tôi"
• "Không biết prompt thế nào cho tốt"
• "Sợ leak data người hưởng lợi"
• "Không biết output AI đúng không"
• "Board sẽ phản ứng ra sao?"
• Câu hỏi/mối lo của bạn tập trung vào D nào nhất? ___________
• Pattern này cho bạn biết gì về "relationship hiện tại" của bạn với AI?
• D yếu nhất của bạn có thể là? Một thay đổi cụ thể lần tới khi dùng AI: ___________
• "Để chạy auto-email cho volunteer, tôi cần cả Delegation (task nào AI nên handle?) VÀ Diligence (đảm bảo privacy volunteers) trước khi move forward."
• "Mối lo về accuracy (Discernment) của tôi không matter cho đến khi Description skills đủ tốt để AI output đúng."
• D thứ 1: ___________
• D thứ 2: ___________
• Task thực tế để luyện: ___________
• Cách đo progress: ___________

Phản xạ bài học

• Nhìn vào mapping câu hỏi/mối lo, bạn có bất ngờ về D nào dominant không? Điều đó nói gì về relationship bạn với AI?
• Hai vòng (Delegation-Diligence và Description-Discernment) có thể thay đổi một tương tác gần đây bạn đã có với AI như thế nào?
• Trong 4 D, bạn thấy D nào "natural" nhất? D nào "khó nhất"?

Tóm tắt bài học

🎯 4D = 4 năng lực đan xen: Delegation (có dùng AI?) – Description (mô tả) – Discernment (thẩm định) – Diligence (trách nhiệm).

🎯 Hai vòng lặp: Delegation↔Diligence cho quyết định cấp cao; Description↔Discernment cho tương tác hàng ngày.

🎯 Delegation trả lời "can vs. should" — không phải cái gì AI làm được cũng nên giao AI.

🎯 Description không chỉ là "viết prompt" — nó là xây cognitive environment với product + process + performance.

🎯 Discernment là vòng lặp, không phải yes/no — iterate để output gần với nhu cầu.

🎯 Diligence = creation + transparency + deployment — không phải proofread 5 phút cuối.