Làm Nghiên Cứu Khoa Học Với AI Hiệu Quả- Từ Thu Thập Dữ Liệu Đến Báo Cáo (Deep Research 2026)

0:00 Bạn có biết rằng 80% thời gian của các nhà nghiên cứu được dành cho việc tìm kiếm tổng hợp [âm nhạc] thông tin dữ liệu không? Đây chính xác là khâu buồn tẻ nhất, tốn nhiều thời gian nhất nhưng lại quyết định thành bại của toàn bộ dự án nghiên cứu. Và một thực tế đán buồn là hầu hết chúng ta đang làm việc này rất là kém hiệu quả đối với AI. Trong các cái series về ứng dụng AI trong nghiên cứu thì mình đã có hai video. Video đầu tiên là viết bài [âm nhạc] báo nghiên cứu cùng cham IQ, tập trung báo kỹ thuật viết và kỹ thuật huấn luyện AI đúng với giọng văn của bạn, hiểu được sơ bộ, cách tìm kiếm thông tin nghiên cứu [âm nhạc] và cách xác minh dữ liệu. Ở video thứ hai thì mình đã chia sẻ tổng quan về quy trình nghiên cứu, từ lập câu hỏi lên đề cư nghiên cứu cho đến việc quản lý ngữ cảnh đa tài liệu để hỗ trợ viết báo cáo toàn diện. Hôm nay mình sẽ tập trung vào khâu

0:47 thu thập dữ liệu nghiên cứu tổng hợp thông tin dữ liệu như thế nào [âm nhạc] cho hiệu quả nhất. Mình cũng sẽ giải đáp tại sao các cái to các cái công cụ deep research hiện nay chưa thực sự deep thế nào. Và quan trọng hơn là cách nào [âm nhạc] để bạn có thể rút ngắn được 80% thời gian research mà vẫn đảm bảo được chất lượng dữ liệu vượt trội. Và đây cũng là cái tutorial mà mình lại muốn làm từ rất là lâu rồi và hy vọng nó sẽ có ích cho bạn nào đang làm công tác nghiên cứu như mình. Chào mừng các bạn đã quay trở lại với The Smaller Solutions, nơi mình chia [âm nhạc] sẻ cách mình hô biến công việc với cha MyQ. Mình thấy rất là nhiều bạn online [âm nhạc] khoe về khả năng làm research với AI. Chỉ cần một prompt là AI có thể generate [âm nhạc] ra một cái research paper 10 trang với đầy đủ links. Nghe rất là ấn tượng đúng không? Nhưng thực

1:33 tế mình một người nghiên cứu [âm nhạc] chính sách hơn 20 năm và mình dùng AI từ những ngày đầu mới ra thì mình lại ít rất là ít dùng deep research với AI [âm nhạc] hay nói chính xác hơn là cái khâu nghiên cứu như mọi người nghĩ là tức là tìm kiếm và tổng hợp thông tin dữ liệu báo cáo nghiên cứu đó thì mình hầu như là không nhờ AI mấy. Không phải là vì mình không biết cách dùng mà vì mình thử rất là nhiều lần rồi và mình nhận ra là chúng thường tốn thời gian hơn là tiết kiệm [âm nhạc] thời gian. một ví dụ cụ thể ví dụ như là mình đã từng dùng AI research về một topic ví dụ như là cái cách lương hưu chẳng hạn [âm nhạc] và mình dùng model research làity và đưa ra cái research một trang với sáu link tham khảo. Thế nhưng mà khi mà mình kiểm tra sơ bộ thì những cái link này không hẳn

2:18 là dùng được. Ví dụ như có link là nguồn thứ cấp, không phải là nguồn đầu tiên là primary là bài báo gốc. Đối với cái trang này thì nó lại không phải là trang uy tín, có thể là báo vườn chẳng hạn. Rồi [âm nhạc] cái link này từ có một tổ chức nghiên cứu nhưng mà nhưng mà kinh nghiệm của tổ chức mình biết là đây là cái nhóm mà có quan điểm chính trị tiêu cực. Cho nên là thường là mình bọn mình không bao giờ dùng cái nhóm này để [âm nhạc] làm buồn tham khảo. À tổ chức này thì mình biết rất là ổn nhưng là cái link mình check thì nó lại là trang tổng hợp các cái bài viết [âm nhạc] chứ không phải là từng bài viết. sâu một. Thế cho nên là cũng không dùng được. Đấy, [âm nhạc] đây chính là cái lý do tại sao mà những cái tính năng deep research mà mọi người rất là hào hứng

3:05 nhưng lại có những cái hạn chế nhất định. Thì thực ra là có ba lý do kỹ thuật và một lý do cốt lõi. Thì thứ nhất đó là các cái dữ liệu huấn luyện của AI nó là có thời hạn. [âm nhạc] Các cái mô hình AI được huấn luyện dựa trên dữ liệu có thời hạn thường cách đây khoảng vài tháng đến [âm nhạc] cách có có thể cách 1 2 năm. thì những cái nghiên cứu như là những nghiên cứu mới nhất, những báo cáo chính sách gần đây nhất thì [âm nhạc] AI nó sẽ không có quyền chu truy cập được. À thứ hai là AI [âm nhạc] cũng có cái quyền truy cập rất hạn chế đến những cái nguồn à dữ liệu cho chất lượng. Ví dụ như các cái tạp chí khoa học uy tín [âm nhạc] hay báo cáo chính phủ hay là các cơ sở dữ liệu chuyên ngành mà nó có mà bạn phải mua subscription [âm nhạc] phải đăng ký thì AI nó thông thường là

3:52 AI nó thu thập được các cái thông tin miễn phí trên internet thôi mà đó thường không phải là cái nguồn tốt nhất cho các cái nghiên cứu có chất lượng. Thứ ba là AI không hiểu bối cảnh. AI có thể hiểu câu hỏi nghiên cứu nhưng nó sẽ không hiểu [âm nhạc] ngữ cảnh này, không hiểu công việc bạn làm và thường là nó sẽ tìm theo từ khóa và không theo cái logic nghiên cứu. Và cuối cùng cái lý do cốt lõi nhất là nếu mà bạn không [âm nhạc] có kinh nghiệm làm nghiên cứu, bạn không biết cách đánh giá chất lượng của nguồn tham khảo, nguồn tài liệu tham khảo, không biết cách lần theo à các cái [âm nhạc] chuỗi tài liệu tham khảo trích dẫn để mở rộng cái nghiên cứu của bạn thì AI nó sẽ không thể bù đắp cho bạn được những cái thiếu suất đó. AI chỉ [âm nhạc] khuách đại được những cái kỹ năng bạn đã có thôi chứ nó không thể nó

4:38 không thể thay thế cho bạn được những cái kỹ năng [âm nhạc] phan đoán mà và khả năng kinh nghiệm trong nghiên cứu mà bạn thiếu. Thì từ kinh nghiệm của mình là nếu mà bạn để AI tự tìm kiếm và tự tổng hợp thông tin, nếu nguồn tìm kiếm đó sai ngay từ đầu thì việc tổng hợp đó sẽ không có cái tác dụng gì cả. [âm nhạc] Mình đã thử rất là nhiều lần và nhận thấy rằng là AI nó làm cái việc này thường là khiến mình mất gấp thậm chí là gấp ba gấp bốn thời gian [âm nhạc] để kiểm tra từng cái nguồn thông tin và nhiều khi nguồn thông tin mà AI tìm được không đúng với cái đề tài nghiên cứu chẳng hạn và hoặc là những cái nguồn thông tin đó không tin cậy thì lại không sử dụng được. Vậy cách nào hiệu quả nhất? Sau nhiều năm [âm nhạc] làm nghiên cứu chính sách cùng kinh nghiệm sử dụng AI liên tục trong 3 năm qua thì mình đều tìm được cái cách rất là hiệu quả khi nghiên cứu cùng AI gồm

5:24 có ba bước chiến lược. [âm nhạc] Thì bước một là khởi động với AI. Thì bước này chỉ chiếm khoảng 10% thời gian thôi. Với những cái lĩnh vực mà mình chưa quen thì mình sẽ dùng các cái công cụ ví dụ như Internet researcher trên Google hoặc Deep Research của Open AI hay model research perplexity để nắm những cái kiến thức cơ bản và có cái định hướng ban đầu. Thì đây chỉ là cái bước khởi động và nó không phải là bước quyết định. [âm nhạc] Với những cái lĩnh vực mà mình quen thuộc, mình hiểu cái nguồn thông [âm nhạc] tin tài liệu tỉm ở đâu rồi thì mình sẽ bỏ qua cái bước này. À bước thứ hai là kiểm soát nguồn thông tin dữ liệu. Và bước này nó chiếm 50% thời gian nghiên cứu của mình. Đây là cái bước quan trọng nhất. [âm nhạc] Mình sẽ tự lần theo các cái link mà AI

6:09 đưa ra rồi đọc sơ qua đó. Và mình sẽ tự chủ động tìm kiếm dựa trên cái kinh nghiệm nghiên cứu của mình. Và [âm nhạc] tại sao mình lại làm như vậy? Vì chỉ có mình mới đánh giá được nguồn nào, tin cậy trong cái lĩnh vực [âm nhạc] mình nào, tổ chức nào có những cái quan điểm thiên lệch này để tránh này, cái báo cáo nào có thực sự có giá trị thì đấy là phải dựa trên những cái kinh nghiệm nghiên cứu của mình để mình có thể chủ động tìm kiếm và đánh giá được. Thì tất cả khi mà mình tìm những cái thông tin chủ động như vậy [âm nhạc] thì mình sẽ sắp xếp vào trong các cái workspace, copy các cái đoạn check dẫn quan trọng và mình là người kiểm soát hoàn toàn cái đầu vào để cho AI có thể sử dụng. Cho cái bước tiếp theo là sang [âm nhạc] bước thứ ba là sử dụng AI cho phân tích và tổng hợp nghiên cứu. Thì bước này sẽ chiếm khoảng

6:54 40% thời gian. Và khi mà mình đã thu thập được nguồn dữ liệu, nguồn tài liệu tham [âm nhạc] khảo, nguồn nghiên k tài liệu nghiên cứu có chất lượng thì mình sẽ tải lên và nhờ AI phân tích tổng hợp dựa trên những thông tin mình đã [âm nhạc] tìm và đã kiểm chứng. Thì cái điều này rất là quan trọng là cái mindset rất là quan trọng. Thay vì bạn yêu cầu là tìm AI là tìm thông tin cho tôi thì bây giờ bạn hãy nghĩ là tôi sẽ cung cấp thông tin chất lượng, thông tin chuẩn để cho AI giúp tôi phân tích và tổng hợp [âm nhạc] nghiên cứu một cách tốt hơn. Thì tại sao cái phương pháp này nó lại hiệu quả? Mình biết chắc chắn là các bạn đã nghe đến việc AI có ảo giác và [âm nhạc] cái cách thức hoạt động của AI là nó đoán cái từ tiếp theo gần nhất có thể. Thì cái [âm nhạc] điều này chính

7:41 là cái điểm mà 99% người dùng AI nó không nhận ra là cái cái [âm nhạc] ảo giác chính là cái điểm yếu lớn nhất cũng lại là cái sức mạnh bí mật của AI. Nghe rất là mâu thuẫn đúng không? [âm nhạc] Mình sẽ giải thích cụ thể hơn. Bạn muốn nghiên cứu về những cái gì liên quan đến đến dữ liệu những con số chính [âm nhạc] xác thì cái khả năng ảo giác của AI nó sẽ là để điểm yếu. AI nó không chạy thêm trên sự thật như Google Search. không chạy nhanh cái link đấy mà nó dựa trên các cái patterns, nó dựa trên probabilities những cái xác suất bởi vì nó là đoán cái từ tiếp theo gần nhất có [âm nhạc] thể mà. Thế cho nên là nhiều khi nếu mà bạn hỏi là GDP Việt Nam năm 2023 là bao nhiêu thì có thể là ai sẽ không đưa ra được cái số liệu chính xác là vì vì là như vậy. À nhưng mà nếu

8:27 mà bạn sử dụng AI để brainstorm này để phân tích này [âm nhạc] thì cái khả năng ảo giác đó thì nó đã trở thành cái super power. Bởi vì [âm nhạc] sao? Là bởi vì lúc đấy nó có thể đưa ra cái góc nhìn mà bạn chưa từng nghĩ đến. [âm nhạc] Ảo giác tức là nó tạo ra những cái chưa có mà nó là khả năng sáng tạo mà. Thì lúc [âm nhạc] đấy là AI sẽ đưa ra những cái khóc nhìn mà bạn chưa từng nghĩ đến này. Có thể tìm những cái mối liên hệ ẩn giữa các cái dữ liệu hoặc là có thể đưa ra những cái giả thuyết từ những cái patterns không rõ ràng. Đây là cái lý do mà ba cái phương pháp nghiên cứu ba bước của mình có hiệu quả. là ở cái bước hai ý khi mà bạn kiểm soát FA bạn đã loại bỏ tất cả [âm nhạc] các cái gọi là không phải loại bỏ tất cả mà loại bỏ tối đa cái rủi ro để AI có ảo giác ở trong phần

9:14 đầu vào thông tin đầu vào. Và sang bước thứ ba, khi mà bạn nhờ AI phân phân tích tổng hợp Brainstorm thì AI nó sẽ sáp phát huy được cái khả năng sáng tạo của nó trên dựa trên cái dữ liệu các cái facts mà bạn [âm nhạc] đã verify, đã xác minh, đã kiểm chứng ở cái thông tin đầu vào đó. Thì tức là thông tin đầu vào chuẩn thì [âm nhạc] đầu ra sẽ chuẩn. Mà khi bạn kiểm soát được chất lượng của input đầu vào thì bạn có thể yên tâm tận dụng AI để [âm nhạc] prinstorm cái góc nhìn để phân tích mối liên hệ giữa các dữ liệu để đưa ra những cái insize dựa trên các nền tảng thông tin chắc chắn. Thì đây là lý do tại sao mà thông tin đầu vào chuẩn thì đầu ra sẽ chuẩn không chỉ là cái [âm nhạc] nguyên tắc an toàn mà còn là cách để cho bạn có thể unlock toàn bộ cái potential của AI. Với phương

10:01 pháp trên thì bây giờ chúng ta sẽ xem cụ thể những cái công cụ hỗ trợ nghiên cứu mà cha maq cung cấp [âm nhạc] và cách sử dụng như thế nào. Thì trên nền tảng này có họ có mọi công cụ deep research mà thị trường đang có và thậm chí là còn hơn thế [âm nhạc] nữa giúp bạn có thể tìm kiếm thông tin các cái dữ liệu phục vụ cho hoạt động nghiên cứu của bạn. Thì thứ nhất là Internet Researcher. Thì AI Agent này được xây dựng [âm nhạc] sẵn trên TR MyQ và kết nối trực tiếp với Google Search. Nó sẽ giúp [âm nhạc] bạn tìm kiếm tổng hợp nhanh thông tin với các cái đường link tham khảo. Và mình thấy là Internet Researcher này cực kỳ hiệu quả nếu mà bạn muốn tìm thông tin nhanh, tìm những dữ liệu, những số liệu gần nhất có thể à [âm nhạc] nó sẽ cho bạn cái nhìn bao quát và cập nhật rất là nhanh. Thứ hai là họ có [âm nhạc] các

10:47 cái mô hình dành riêng trong nh nghiên cứu là Plex City. Thì trên trq có đầy đủ các cái model của Perplexity [âm nhạc] ví dụ như Sona này, Pro này, Reasoning, Reasoning Pro hay Plex City, Sona Deep Research. Thì tất cả những cái model này đều có thể dùng [âm nhạc] cho nghiên cứu sâu và chúng sẽ tổng hợp các cái thông tin về đề tài nghiên cứu của bạn kèm theo các đường link để bạn có thể tra khảo, kiểm [âm nhạc] tra chéo nguồn trích dẫn. Thì hầu hết thời gian mình sẽ dùng cả Deep Research lẫn [âm nhạc] Perplexity song song. Thứ ba là Deep Research của GPT. Thì ở đây mình đã thiết lập một agent chuyên cho Deep Research thì bạn dùng bất kỳ một bạn cham nào cũng được. Nhưng quan trọng nhất là cái cách cài đặt của bạn là [âm nhạc] bạn chọn mô hình O1 mini deep

11:33 research. Bật web research lên và output thì để ở mức giữa. Và mình hay chọn precise là mức độ sáng [âm nhạc] tạo ở mức thiên về 0.4 là thiên về phía chính xác hơn. á thì mô hình GPT Deep Research này sẽ thực hiện tìm kiếm web à và nó tổng hợp thông tin với các cái nguồn [âm nhạc] trích dẫn và nó hoạt động mà khá là tương tự Plex City hoặc là Google >> [âm nhạc] >> Internet Google research Doc nhưng mà nó tìm kiếm sâu hơn à và có một cái lưu ý rất là quan trọng khi bạn [âm nhạc] dùng Deep Research là chỉ bạn chỉ nên dùng khi bạn có một cái đề cương nghiên cứu chi tiết vì cái model này nó rất là tốn credit Và nếu mà cái câu hỏi nghiên cứu của bạn nó sơ dài thì nó rất thực sự là rất lãng

12:18 phí tiền và cho kết quả rất là kém hiệu [âm nhạc] quả. Một cái điều cực kỳ cực kỳ quan trọng dù bạn dùng bất kỳ tool nào và dùng để với AI research đó thì nhiệm vụ của người làm là phải kiểm tra xác minh từng nguồn, từng link từng số liệu AI đưa ra. Đây là cái trách nhiệm mình nói rất là nhiều lần ở trong các cái video của mình là đây là cái trách [âm nhạc] nhiệm không thể giao phó cho AI và nó là công việc chính của dân nghiên cứu. [âm nhạc] Bạn nào mà bỏ qua cái bước này thì coi như là tạm biệt sớm cái nghề này. [âm nhạc] Thì đã có rất nhiều trường hợp thực tế là ví dụ như giáo sư tại Hồng Kông bị mất chức bởi vì cái research paper nhờ CHGTVET mà có nguồn tham khảo bịa đặt và nói chung là mình không thể hiểu được là tại sao họ lại bỏ qua điều đấy bởi vì đây là cái

13:03 điều tối kỵ trong nghiên cứu. >> Ok. Phần lý thuyết xong rồi thì bây giờ chúng ta sẽ chuyển sang phần thực hành. Mình sẽ chia sẻ file thực tế [âm nhạc] công việc nghiên cứu mà mình làm cách đây mấy tháng trước và áp dụng đúng phương pháp này [âm nhạc] thì mình dùng cham IQ như thế nào trong công việc hàng ngày của mình thì mình cũng chia sẻ đúng như vậy. Thì các bạn đang nhìn trên màn hình là cái file workspace [âm nhạc] công việc cuối cùng. Và trong quá trình làm thì mình đã xóa đi rất là nhiều các phần làm việc phụ cho nên giờ các bạn sẽ không thấy nữa. Nhưng mình sẽ giải thích [âm nhạc] lại từng bước một để các bạn hiểu rõ cái quy trình làm việc của mình. Thì đầu tiên bao giờ cũng sẽ là phải mô tả này, giải thích cái việc nghiên cứu bạn [âm nhạc] làm cho ai hiểu càng chi tiết càng tốt. Thì đối với trường hợp này của mình [âm nhạc] là mình họp với sếp này, mình có biên bản cuộc họp như ở

13:48 trên tram rất tiện là mình ghi âm và độ băng đó. thì sếp giao cho mình hai việc nghiên cứu thì lúc mình họp mình đã nghe hiểu công việc rồi. Thế nhưng mà làm việc với AI thì mình lại phải [âm nhạc] giải thích cho ai hiểu. Nó giống như là cái bộ óc thứ hai của mình. Thì muốn AI làm được thì mình [âm nhạc] phải chia sẻ đúng cái thông tin mình có và mình biết. Thì mình gọi bạn Purpose Air Charm ra và mình bảo bạn [âm nhạc] ý đọc bên bàn cuộc họp và liệt kê hai việc nghiên cứu mình cần làm. Và sau khi là liệt kê mình sẽ làm project một trước. Và đối [âm nhạc] với cái project thứ hai thì mình sẽ copy sang một cái workspace khác để làm việc sau. Thì đối với project 1 là [âm nhạc] việc mình được làm là mình được giao tìm kiếm và nghiên cứu xem cái mức lương trung bình cho các cái giám đốc đầu tư tại các quỹ lương [âm nhạc] hưu tại Mỹ nhận là

14:34 bao nhiêu. Thì tiếp theo đây là cái điều mà rất rất nhiều người dùng AI bỏ qua là mình thường là hỏi bạn Cham là với đề bài này [âm nhạc] thì để làm được cái project số 1 thì mình cần thực hiện các bước gì? Thì trên màn hình các bạn thấy là bạn Cham mô tả lại phương pháp luận rất là chi tiết này, [âm nhạc] có câu hỏi nghiên cứu này, có cách tiếp cận này, có nguồn thông tin cần nghiên cứu như thế nào thì mình đọc qua thấy cũng rất là ổn và đúng với cái đề bài của mình. Và tại sao mình lại hỏi Cham thêm cái bước này nữa? Thì nghe có vẻ thừa [âm nhạc] nhưng thực ra đây là cái bước rất là quan trọng để kiểm soát chất lượng. >> [âm nhạc] >> Việc mà mình yêu cầu bạn Trạch ra các lộ trình này từng bước làm sẽ giúp cho mình kiểu như là neo lại cái tư duy của

15:20 [âm nhạc] AI vào đúng cái ngữ cảnh. Bởi vì nếu mà bạn nếu mà bạn hình dung là nếu bạn cứ bảo bạn cha làm đi AI sẽ làm trong một cái hộp đen đó và bạn nó bạn sẽ không biết là nó tư duy như thế nào, nó đi theo đường nào, dùng logic gì đúng không? Thế may mắn thì thì là sẽ đúng nhưng 90% là [âm nhạc] sẽ lệch tủ. Thế cho nên là muốn đảm bảo được kết quả chuẩn xác và tiết kiệm thời gian, không phải sử đi sửa lại nhiều lần thì bạn phải là cái người cầm lái. Ai chỉ là cái người thực thi cái nhiệm vụ của bạn thôi. Và cho nên là không bao giờ được phó mặc hoàn toàn cho AI và không biết là nó đang làm gì, nó đang [âm nhạc] nghĩ gì. Thế cho nên là bạn luôn luôn cần phải biết là đây là các cái ví dụ như đây là cái nghiên cứu này, đây là các bước bạn cần phải làm theo các cái để [âm nhạc] thực hiện cái nghiên cứu đấy. Thì khi mà bạn có cái thống nhất

16:07 như vậy rồi thì AI sẽ [âm nhạc] tuân thủ theo cái bước bước làm đấy của bạn. Thì việc này bạn cứ hình dung như là nếu mà bạn được sếp giao việc thì cả bạn và sếp đã cùng thống nhất và cùng hiểu cách làm không có gì lạch pha. Đó. Sau khi mà bạn đã làm xong cái bước đó rồi thì [âm nhạc] thống nhất phương án làm này mình mới dùng bắt đầu dùng đến deep research. Thì ở phần bên trên này thì mình đã xóa đi các cái phần hỏi đáp để mình ra được cái cách làm cuối cùng này rồi nhá. Thì mình đã mình hoàn toàn có thể giữ các cái đoạn hội thoại đó. Thế nhưng mà mình xóa đi [âm nhạc] và để chỉ để chọn cái phần cuối cùng thôi để tránh làm loãng và ảnh hưởng đến câu trả lời của AI. Hay nói cách khác là đây chính là việc mà mình gọi là mình [âm nhạc] clean context,

16:53 clean làm sạch cái ngữ cảnh đầu vào để tránh cho tránh cho các cái input hay cái dữ liệu đầu vào của AI nó bị ô nhiễm. nhá. Thì trước khi chạy Deep Research thì mình chỉ giữ lại cái thông tin cuối cùng và cần thiết thôi. Thì đây chính là cái lợi thế rất là lớn trên tram là mà ở tất cả các công cụ AI khác không có là bạn hoàn [âm nhạc] toàn có thể xóa, có thể sửa để giữ lại những cái thông tin bạn cần thôi. Thì thông thường [âm nhạc] deep research nó sẽ chạy mất khoảng 3 đến 4 phút và nó sẽ quay vòng vòng vòng vòng và ra rất nhiều ô. Như các bạn nhìn thấy là thinking này, web research này, thinking này, web research [âm nhạc] thì đấy là cái đặc thù của à deep research của Open AI. Và nếu mà bạn nào ngại tiếng Anh thì đừng có hoảng nhá.

17:38 Mình sẽ [âm nhạc] chỉ nhanh cho mọi người cách là mình cách mình đánh giá kết quả nghiên cứu của AI như thế nào. Mình vẫn phải nhắc lại là ở bước này bắt buộc [âm nhạc] bạn phải đọc và kiểm tra mọi nguồn tài liệu. Đây là trách nhiệm và là công việc của người nghiên cứu. Bạn nào mà bỏ qua cái bước này thì coi như là tạm biệt sớm cái ngày [âm nhạc] này thôi nhé. Yêu cầu đề bài là tổng hợp số liệu lương trung bình của các cái giám đốc đầu tư CIO tại các quỹ lương hưu công ở Mỹ. Thì đây [âm nhạc] là kết quả deep research chạy ra thì họ AI có ghi là mức lương trung bình là tầm 200 đến 300.000 đô một năm. Ví dụ như là nguồn là CERS thì đây là quỹ lương hưu của bang California. Thì ở đây AI đưa ví dụ của CIO là cái ông Christopher [âm nhạc] này ở mức lượng hơn 500.000 đô

18:24 một năm. Nhưng kết quả thì các bạn có thể thấy là từ đó là từ năm [âm nhạc] 2017 thì bây giờ là năm 2000 thì số liệu là có vẻ hơi lạc hậu đúng không? Thứ hai thì xem cái nguồn thứ hai là Florida thì mình mở link xem thì cái nguồn gần hơn là năm 2023 nhưng các bạn có [âm nhạc] thể đọc thấy câu kết luận của AI là các quỹ lớn thì mức lương trung bình tầm 500 đến 750.000. À đây [âm nhạc] là kết luận khá là vội vàng vì nó chỉ thực ra nó chỉ dựa trên hai ví dụ mà AI tìm được thôi. Đó. À tiếp [âm nhạc] theo này AI đưa ra mục quỹ công và quỹ tư khác nhau như thế nào và lấy ví dụ về Texas thì mình cũng phải click vào tải liệu này xem và không thấy số liệu [âm nhạc] hoặc cây chứng minh

19:09 cho kết luận của AI. Thì bài học quan trọng nhất ở đây là luôn luôn phải kiểm tra dữ liệu, phải vận dụng cái khả năng nghiên cứu này, cái khả [âm nhạc] năng đánh giá của bạn để đã để xem là kết quả làm việc của ai chứ không phải là cứ như thế mà kiểu như là bê kết quả và gửi đi đâu. Thì có một điểm nữa mà các bạn có thể lưu ý là nếu các bạn nhìn cái toàn bộ các cái nguồn tham khảo à ở cái nghiên cứu này thì đều là từ trang piine.com [âm nhạc] tức là pensioninvestoronline.com. ạ. Thì trên kinh nghiệm làm việc của mình thì mình biết đây không phải là một trang [âm nhạc] cho trung tâm nghiên cứu học thuật về lương hưu. Nó thiên về cái kiểu như là tin tức báo chí đầu tư hơn là nghiên cứu học thuật và nên là nó có

19:55 thể dùng để tham khảo. [âm nhạc] Thế nhưng mà nó sẽ không phải là cái nguồn chất lượng hàng đầu cho cái nghiên cứu của mình. Thì tóm lại là khi mình chạy deep research ra [âm nhạc] như thế này thì kiểm tra kết quả sơ bộ thì có lẽ là chỉ có một hai tin mình sử dụng được thôi. Và các bạn có thể thấy ở đây nó tốn khá là nhiều credit, 120 credit. Thì với cái đánh giá của mình thì ở cái đề bài nghiên cứu này thì AI nó chỉ làm được đến thế thôi. Cho nên là không cần phải cố chạy lại. À [âm nhạc] deep research này cho mình vài cái hướng đi ban đầu và mình biết là mình sẽ biết là cần tìm gì này, tìm ở đâu này và mình biết là nó [âm nhạc] chưa đủ sâu và chưa đủ nguồn tin cậy. Thế cho nên là như mình nói là mình sẽ không mất không chạy lại và để tốn thêm credit nữa. Vì mình đã hiểu cái hạn chế của AI đối với loại

20:40 nghiên cứu này rồi thì mình sẽ chuyển sang cách hiệu quả hơn là mình sẽ [âm nhạc] là sang cái bước thứ hai đó là mình tự thu thập dữ liệu cần thiết và mình sẽ nhờ AI tổng hợp ở bước thứ ba tức là mình kiểm soát đầu vào cái input [âm nhạc] và lúc đấy thì mình sẽ chỉ giao cho AI việc xử lý thông tin mình cung cấp [âm nhạc] giúp mình brainstorm giúp mình viết tổng hợp thôi thì với cái cách làm này nó sẽ đảm bảo được kết quả chuẩn xác hơn so với việc là để AI tự tìm kiếm và tự tổng hợp thông tin thì mình sẽ tự [âm nhạc] tìm kiếm à mình tự làm cái research của mình là mình copy một cái số tin tức của từ deep research search mình mình thấy dùng được vào một file riêng này. Tiếp đến thì mình search Google thôi, rất nhanh và rất đơn giản. [âm nhạc] Mình đắng thẳng cái câu hỏi nghiên cứu báo cáo mức lương của các cio

21:27 trong Google và mình có thể tìm thấy được một số các nguồn báo cáo [âm nhạc] rất tốt. Ví dụ như là một bài báo có đề cập đến một báo cáo PhD [âm nhạc] của Đại học IOA. họ nghiên cứu 220 quỹ lương trên à toàn nước Mỹ thì rất là tuyệt đúng không? Đây chính là [âm nhạc] cái mình cần bởi vì mình cần một cái nghiên cứu tổng hợp khái quát 220 quỹ thì sẽ cho mình một kết quả tổng quan. Và như vậy là mình mình hoàn toàn mình tìm rất là nhanh thôi mà mình cũng không hiểu không hiểu sao deep research [âm nhạc] nó dùng web search mà nó lại không ra được cái nghiên cứu này. Thì sau khi mà mình thu thập được đủ thông tin nghiên cứu đủ thông tin tham khảo rồi [âm nhạc] thì mình sẽ upload lại các cái tài liệu lên trong mục reference material trên trq. và nhờ AI phân tích và mình sẽ phải đưa ra cách hướng dẫn cho AI này. Ví dụ như là mình ở đây mình nêu yêu cầu là

22:13 bắt đầu từ nghiên cứu tổng quan trước này. Sử dụng cái báo cáo của đại của [âm nhạc] Đại học Iowa đó và sau đó mới sử dụng các cái báo cáo của quỹ [âm nhạc] Lương Hưu tại California là CPER rồi tập trung vào các quỹ lớn. Và mình cũng nêu là nêu yêu cầu là nếu mà có ví dụ [âm nhạc] và số liệu cụ thể thì cần phải nêu những cái ví dụ vào số liệu cụ thể đó và cũng phải tập trung về múc thời gian ví dụ như ưu tiên cho những cái số liệu dữ liệu có thời gian gần hơn. À và cuối cùng mới là đến một số cây [âm nhạc] study thì có thể sử dụng các cái nghiên cứu ví dụ nghiên cứu từ deep research nhưng mà vẫn là lưu ý về mặt thời gian là [âm nhạc] 2017. Đó thì ở đây với cái việc mà mình đặt ra yêu cầu cho ai ở đây chính là nếu mà mình cho mình tự làm thì mình cũng sẽ viết cái

23:00 nghiên cứu này đúng với cái outline mà như vậy thì tức là khi mà mình làm như thế nào, mình có tư duy như thế nào thì mình cũng sẽ giao cho AI làm việc đúng như [âm nhạc] vậy. À và cuối cùng là mình gọi bạn AI của mình ra làm việc thôi là bạn Master Generalist. Thì lúc này AI của mình đưa ra kết [âm nhạc] quả nghiên cứu với nguồn thông tin chuẩn từ cái nghiên cứu học thuật tổng quan đến một số trường [âm nhạc] hợp cụ thể như là CERS hay ở Texas 2024 và những cái xu hướng trả lương và mình nhờ AI viết báo cáo tổng hợp từ cái kết quả nghiên cứu trên và bây giờ ở bến đến này thì rất là dễ rồi đúng không mình chỉ cần viết mà là yêu cầu viết bảo cáo ngắn gọn này ghi ghi ghi rõ nguồn và năm tham [âm nhạc] khảo thì ở cái bước này thì bạn khi mà bạn đọc kết quả AI tổng hợp thì bạn vẫn phải cần à đọc lại kỹ và xem là cần bổ

23:47 sung [âm nhạc] gì này, thiếu thừa gì thì cần bổ sung này. Ví dụ như bạn à Master bạn ấy có so sánh với các quỹ lương tương ứng là các peer group thì mình sẽ [âm nhạc] yêu cầu bạn ý liệt kê ra những cái quỹ đó là quỹ nào, ở bang nào để cho đầy đủ. [âm nhạc] Đó hoặc là mình biết là bạn ý bỏ sót một cái nghiên cứu từ nguồn tài tài liệu tham khảo [âm nhạc] thì mình lại yêu cầu bổ sung. Thì khi mà khi mà các cái ý các cái ý tổng hợp của bạn ấy viết đã đầy đủ rồi thì mình mới tập trung vào cái phần cuối cùng là hoàn thiện văn phong, sửa câu cú, sửa ngôn từ. Thì cách làm việc với AI để hoàn thiện bài viết [âm nhạc] này theo văn phong của bạn à để đảm bảo là cái giọng văn của bạn nó không bị mang tính AI thì bạn có thể tham khảo hướng dẫn chi tiết ở video này và mình sẽ [âm nhạc] không nhắc lại nữa. Thì điều quan trọng là cả quá trình làm việc các bạn có thể thấy

24:33 là như mình ở đây này là người nghiên cứu mình tham gia rất là sâu. mình làm việc cùng với AI và điều khiển này hướng dẫn AI à sử dụng cái những cái kinh nghiệm những cái đánh giá của riêng mình [âm nhạc] để cùng hoàn thiện kết quả nghiên cứu với AI và như mình là mình liên tục yêu cầu bổ sung liên tục hoàn thiện đó thì với cái cách làm trên thì nghiên cứu [âm nhạc] này mình chỉ làm khoảng một buổi chiều là xong trong khi xếp cho mình thì cho mình thời gian là 2 đến 3 ngày cơ đó thì các bạn sẽ thấy là mình cách cách làm này của mình khá là hiệu quả và mình tiết kiệm được rất là nhiều thời gian và đảm đảm bảo là kết quả nó chính xác. Xong dự [âm nhạc] án một thì sang dự án thứ hai mình sẽ đi nhanh hơn để các bạn thấy được cái workflow tổng thể. Thì đề bài nghiên cứu này là [âm nhạc] so sánh mức phí đầu tư ở năm quỹ lương hưu tại

25:19 Chicago. Tức là nếu họ cùng đầu tư vào một hạng mục tài sản [âm nhạc] thì mức phí sẽ khác nhau như thế nào. Và như thường lệ là mình copy phần mô tả yêu cầu của sếp vào này để AI viết lại cho rõ ràng hơn. >> [âm nhạc] >> Và tương tự như project 1 thì mình không bắt tay vào làm ngay mà đầu tiên là mình sẽ hỏi AI [âm nhạc] là để làm nghiên cứu này thì từng bước quy trình cần thực hiện là gì? Và đây là một câu hỏi mình nghĩ là câu hỏi rất là quyền lực vì nó [âm nhạc] sẽ giúp bạn và AI cùng hiểu và cùng thống nhất các cái bước nghiên cứu cũng là để tạo bối cảnh và ngữ cảnh cho AI là kiểm soát đầu vào đó. Và mình ở đây thì mình hay gọi bạn methodology expert có sẵn trên trí gợi ý là cần tìm báo [âm nhạc] cáo tài chính của từng quỹ này. Focus vào hạng mục investment và

26:06 cái mục mà giải thích ở đ ở trong cái financial statements đó. Sau đó lọc mức phí cho từng hạng mục của đầu tư rồi mới so sánh. Thì mình nghĩ là quy trình này cũng rất là hợp lý và cũng đúng. Nếu mà mình làm thủ công không cần dùng đến [âm nhạc] ai thì mình cũng sẽ làm như vậy. Nhưng sau bước này mình sẽ không dùng deep research nữa. Tại sao? À là bởi vì mình hiểu rõ hạn chế của AI. Giỏi thảo luận, giỏi sáng [âm nhạc] tạo nhưng chưa giỏi thực tế và số liệu khách quan thì nó sẽ không thể tự đi tìm được báo cáo tài chính của năm quỹ và tự phân tích hết các cái loại dữ liệu mà mình cần. Vì nếu mà AI làm được như vậy thì chắc là đến Minh cũng không còn việc mà làm. Thì khi mà hiểu được AI làm được gì, [âm nhạc] hiểu được AI không làm được gì thì mình sẽ không phải tốn công, tốn credit để gọi deep research cho

26:52 những việc như vậy nữa. Thì thay vào [âm nhạc] đó là mình sẽ mình sẽ tự vào các cái website của năm quỹ trên tải về báo cáo tài chính cuối năm và mình sẽ up ngược lên vào trong Preference Material. Và thực ra sau khi [âm nhạc] mà up lên xong rồi thì mình cũng biết rằng là rất là khó để ai xem toàn bộ năm báo cáo cùng một [âm nhạc] lúc rồi tự lọc tự so sánh. Bởi vì như này bạn cứ hình dung như là nếu mà cho bạn làm cái [âm nhạc] công việc đó đặt bạn đặt năm cái báo cáo cạnh nhau thì cũng sẽ rất khó để bạn có thể so sánh liên tục được đúng không? Mà bạn sẽ mà cách làm thường là bạn sẽ phải so sánh từng cặp báo cáo một cách thủ công. đó thì đấy chính là cái cách làm tối ưu. Thì ừ và mình và mình đối với AI thì mình cũng sẽ yêu cầu AI làm tương tự như vậy là tuần [âm nhạc] tự là so sánh

27:39 từng từng hai quỹ một với nhau và làm như vậy [âm nhạc] sẽ không bị bỏ sót thông tin. Thì đây chính là cái kỹ năng nghiên cứu là cái người người nghiên cứu người làm ấy họ phải biết là bạn định làm gì, bạn muốn làm gì và bạn làm như thế nào. Còn [âm nhạc] nếu mà bạn không biết thì bạn rất là khó để làm việc với AI. Thì với cách làm như vậy thì mình yêu cầu AI sẽ xem báo cáo đầu tiên của quỹ [âm nhạc] cảnh sát rồi và quỹ MABF trước lọc ra các cái hạng mục đầu tư giống nhau rồi là tạo thiết kế bản biểu và cứ làm tuần tự như vậy đối với năm cái quỹ còn ba cái quỹ còn lại thì mình có cái những cách các cái bảng và mình sẽ tổng kết lại thôi. Thì đây là cái trường hợp mà AI [âm nhạc] chỉ giúp cho bạn định hướng tư duy nhưng mà bạn là

28:25 cái người đưa ra cách làm, chỉ đạo cách làm đối với AI. Sau khi nộp sản phẩm cho sếp thì khoảng một tuần sau sếp giao cho [âm nhạc] mình một công việc là tiếp nối là bây giờ là tìm hiểu mức lương đang trả cho các cái giám đốc đầu tư tại các quỹ tại Chicago chứ không phải là ở ở Mỹ nói chung nữa. Thì [âm nhạc] mình lại chỉ việc quay lại cái workspace trước đó mình làm và mình tiếp tục công [âm nhạc] việc cho cái project followup này. Thì ở đây các bạn có thể thấy là tại sao Cham IQ nó lại rất là tiện lợi là nó cho phép bạn làm việc liên tục liên thông mà không cần nhắc lại toàn bộ ngữ cảnh. Nó tiết kiệm thời gian rất là nhiều. Và bởi vì thực ra là cái công việc thực tế nó là như vậy. Các cái tas, các cái nhiệm vụ nó liên quan nhau chứ không phải là những cái công [âm nhạc] việc lẻ tẻ rời rạc. Thì như mình ở đây là mình chỉ cần

29:12 đặt con trỏ ngay dưới phần mô tả dự án một và nói với Cham là tôi đã hoàn thành dự án trên. [âm nhạc] Bây giờ sếp yêu cầu tìm thêm thông tin về bốn quỹ tại Chicago thôi thì mình lại gọi Deep Research ra làm việc. Và có một kết quả ở đây có một số điểm thú [âm nhạc] vị. Thứ nhất là có ở đây AI có nói là một số lương quỹ lương hưu tại Chicago [âm nhạc] thì cái title là giám đốc đầu tư được gọi là Executive Director. Đây là cái thông tin mình [âm nhạc] chưa biết và mình cần phải kiểm định lại bởi vì là nó sẽ ảnh hưởng đến kết quả tìm kiếm của mình. Thứ hai là bạn AI bạn có gợi ý cho mình tranggmentsalares.com là cái trang chuyên về quỹ lương cho người lao động của chính phủ đó [âm nhạc] thì mình kiểm tra cũng thấy rất là tiện cho tra cứu. Và thứ ba là AI

29:57 tổng kết là cái next step là nên tìm báo cáo tài chính [âm nhạc] của từng quỹ rồi kết hợp với government data portal. đó thì thực ra không cần đấy ai gợi ý thì mình cũng biết là đấy là cái việc mình phải làm rồi. Thì cái bước thực ra cái bước mà mình chạy cái deep research này là chỉ để có thông tin sơ bộ thôi. Nhưng mà mình cũng biết là chính xác được những cái thông tin nghiên cứu mình cần à [âm nhạc] tự tìm là ở các cái báo cáo tài chính này mà AI chưa tiếp cận sâu được. Phần tiếp theo thì các bạn có thể thấy các [âm nhạc] cái mục là info to use thì đây chính là cái phần tổng hợp toàn bộ thông tin mình tự tìm, tự nghiên cứu. Thì ví dụ như [âm nhạc] mình tự tìm bảo cáo investment policy của quỹ người lao động LAAB rồi mình tải lên trong reference material rồi bảo AI kiểm tra xem có đúng CIOIO thì được gọi là executive director không. Rồi, tương tự

30:42 đối với quỹ dành cho lính cứu hỏa là [âm nhạc] Fireman thì kiểm tra đúng rồi thì mình sẽ search cái term đó cùng tên quỹ vào trang dat portal và tìm theo tên người xem là lương trả bao nhiêu. Hoặc là mình có thể tìm từ nhiều nguồn khác nhau. Ví dụ [âm nhạc] như tìm mình tìm Google này, mình tìm bài tuyển dụng này đối với từng từng quỹ rồi mình tìm theo tên của CEIO rồi mình phải [âm nhạc] tìm trên LinkedIn. Có người có đủ thông tin, có người thì không có và có người làm mới làm từ năm 2024. Đó thì ví dụ như ông Cameron [âm nhạc] MK chẳng hạn rồi trước đó thì lại là Tina Consola với chức danh là Executive Director tức là có rất là rất là lẻ tẻ mà mà mình phải bỏ rất là nhiều thời gian ra để mình lần theo những cái thông tin như vậy thì ừ

31:29 những cái việc này thì mình phải nhận ra là [âm nhạc] AI nó chưa thể làm sâu đến thế được mà đấy là mình buộc mình phải làm thôi. Thì khi mà mình thu thập đủ các cái thông tin rồi thì mình mới lại quay lại nhờ AI viết, nhờ AI tổng hợp. thì mình sẽ tải lên các cái [âm nhạc] file của dự án đầu để AI học được cái cách viết theo cái style của mình. Thì đây một lần nữa đây vẫn là một cách tiếp cận rất là nhất quán là bạn cần phải có [âm nhạc] cái kinh nghiệm research này, phải có cái khả năng đánh giá, phải có kỹ năng nghiên [âm nhạc] cứu để hiểu là AI làm được gì và không làm được gì. Và bạn phải là người tham gia vào quá trình [âm nhạc] này sâu rộng cung cấp thông tin đầu vào chuẩn xác cho AI. Trong trường hợp mà AI không thể tìm được những thông tin chuẩn sát phải kiểm định dữ liệu thì đây mới là cái cách mà có thể tận dụng được sức mạnh thật sự

32:15 của AI trong nghiên cứu. Qua các dự án thực tế này, mình [âm nhạc] hy vọng các bạn thấy rõ được một cái mindset cốt lõi khi nghiên cứu cùng AI. AI không phải là Google Search mà nó là một cộng sự thông minh cần được hướng dẫn đúng cách. Và thứ hai, bạn là người kiểm soát chất [âm nhạc] lượng từ việc xác minh nguồn thông tin đến định hướng logic nghiên cứu thì 80% thời gian tiết kiệm được không phải đến từ việc AI [âm nhạc] làm hết được mọi thứ mà là từ việc AI giúp cho bạn phân tích tổng hợp nhanh hơn những thông tin đã [âm nhạc] được kiểm chứng. Và điều quan trọng nhất là đừng bao giờ đánh mất kỹ năng nghiên cứu cốt lõi của bạn. [âm nhạc] AI nó chỉ là cái công cụ khuếch đại chứ nó không phải là cái khả thay thế được cái khả năng phán đoán, cái kinh nghiệm hoặc là những cái sự hiểu biết sâu của về lĩnh vực mà bạn

33:00 đang nghiên cứu. Chúc các bạn nghiên cứu cùng AI hiệu quả. Nếu các bạn muốn viết [âm nhạc] thêm các mẹo hay ho khác về cách mình sử dụng ChamQ thì đừng quên like hay subscribe kênh Smolions của mình nhé. Hẹn gặp lại các bạn trong video tiếp theo.