AI Agent trong giáo dục: Khi AI không chỉ trả lời mà còn hành động

AI agent trong giáo dục là hệ thống AI có thể nhận một mục tiêu, chia nhỏ công việc, sử dụng công cụ, quan sát kết quả và thực hiện nhiều bước thay vì chỉ trả lời một prompt. Giá trị của agent nằm ở việc hỗ trợ giáo viên nghiên cứu, chuẩn bị học liệu, kiểm tra chất lượng và quản lý workflow. Tuy nhiên, các quyết định sư phạm, đánh giá chính thức, dữ liệu nhạy cảm và giao tiếp có hậu quả vẫn cần con người kiểm soát.

Nếu chatbot chủ yếu trả lời một yêu cầu, thì AI agent có thể được giao một mục tiêu, tự chia nhỏ công việc, chọn công cụ phù hợp, kiểm tra kết quả và tiếp tục hành động theo nhiều bước. Đây là bước chuyển quan trọng của AI trong giáo dục năm 2026: từ “hỏi – đáp” sang “giao mục tiêu – theo dõi – thực thi”.

UNESCO, trong Digital Learning Week 2026, mô tả các hệ thống “agentic AI” là một trong những biên giới mới của giáo dục, đồng thời cảnh báo rằng mức độ tự chủ cao hơn đặt ra câu hỏi mới về bằng chứng, trách nhiệm và quyền kiểm soát của con người. ISTE Live 2026 cũng dành nhiều phiên cho việc chuyển từ prompt sang agent trong dạy học. Tuy nhiên, sự xuất hiện của nhiều sản phẩm agent không đồng nghĩa đã có đủ bằng chứng rằng agent luôn cải thiện kết quả học tập. Với giáo dục, tiêu chí quan trọng không phải agent làm được bao nhiêu việc, mà là agent có giúp con người ra quyết định tốt hơn mà không làm mất quyền chủ động hay không.

AI agent là gì?

Có thể hiểu thực dụng như sau:

• Chatbot: nhận prompt và trả về nội dung.
• Automation: chạy một quy trình đã được định nghĩa khá rõ từ trước.
• AI agent: nhận mục tiêu, suy luận bước tiếp theo, có thể gọi công cụ, quan sát kết quả, điều chỉnh và lặp lại cho đến khi đạt điều kiện dừng.

Ranh giới giữa ba nhóm này không tuyệt đối. Nhiều sản phẩm hiện nay kết hợp cả chatbot, workflow cố định và thành phần agent. Vì vậy, thay vì tranh luận tên gọi, giáo viên và nhà trường nên hỏi bốn câu thực tế: hệ thống được phép quyết định gì, được truy cập dữ liệu nào, được hành động đến đâu, và ai chịu trách nhiệm kiểm tra cuối cùng.

Sáu thành phần cốt lõi của một agent giáo dục

Một agent có ích trong giáo dục thường cần ít nhất sáu thành phần.

1. Mục tiêu rõ ràng. Agent phải biết kết quả cần đạt là gì, ví dụ “kiểm tra tính nhất quán của 20 giáo án theo cùng rubric”, thay vì yêu cầu mơ hồ như “cải thiện tài liệu”.

2. Kế hoạch nhiều bước. Agent có khả năng chia mục tiêu thành các bước: đọc tài liệu, trích tiêu chí, so sánh, phát hiện thiếu sót, tổng hợp báo cáo.

3. Công cụ. Agent có thể sử dụng tìm kiếm, Drive, LMS, bảng tính, cơ sở dữ liệu, trình duyệt hoặc API tùy quyền được cấp.

4. Ngữ cảnh và bộ nhớ làm việc. Agent cần giữ được những quyết định trước đó, tiêu chuẩn áp dụng và trạng thái công việc.

5. Vòng phản hồi. Sau mỗi hành động, agent phải quan sát kết quả và quyết định tiếp tục, sửa, hoặc dừng.

6. Cơ chế kiểm soát của con người. Với giáo dục, đây không phải phần bổ sung mà là một thành phần thiết kế bắt buộc. Các quyết định có hậu quả đối với học sinh, giáo viên hoặc dữ liệu nhạy cảm phải có điểm dừng để con người xem xét.

UNESCO từ 2023 đã nhấn mạnh cách tiếp cận lấy con người làm trung tâm, coi human agency, quyền riêng tư, tính phù hợp sư phạm và trách nhiệm giải trình là điều kiện cốt lõi khi đưa GenAI vào giáo dục. Khi AI chuyển từ tạo nội dung sang thực hiện hành động, các yêu cầu này càng quan trọng.

Chatbot, automation và agent khác nhau thế nào trong trường học?

Hãy lấy tình huống “chuẩn bị một bài học STEM”.

Chatbot có thể đề xuất mục tiêu, câu hỏi gợi mở hoặc một hoạt động. Giáo viên đọc kết quả rồi tự làm bước tiếp theo.

Automation có thể lấy dữ liệu từ một biểu mẫu, điền vào template giáo án và lưu thành tệp theo quy tắc cố định.

Agent có thể được giao mục tiêu: “chuẩn bị bản nháp bài học theo template của tổ chuyên môn”. Nó đọc chuẩn đầu ra, tìm tài liệu được phép dùng, đối chiếu bài cũ, tạo bản nháp, tự kiểm tra rubric và gắn cờ các điểm cần giáo viên quyết định.

Điểm khác biệt quan trọng không nằm ở việc nội dung “thông minh” hơn, mà ở quyền hành động và mức độ tự quyết trong chuỗi công việc.

7 việc AI agent có thể hỗ trợ giáo viên

1. Nghiên cứu và tổng hợp tài liệu có kiểm chứng

Agent có thể tìm tài liệu từ danh sách nguồn được phép, trích luận điểm chính, đối chiếu ngày xuất bản và đưa các mâu thuẫn vào danh sách cần kiểm tra. Giáo viên vẫn phải chịu trách nhiệm chọn nguồn và xác nhận các kết luận quan trọng.

2. Chuẩn bị biến thể học liệu

Từ một bản gốc đã được duyệt, agent có thể tạo phiên bản ngắn hơn, phiên bản hỗ trợ học sinh yếu, câu hỏi luyện tập hoặc bảng từ khóa. Đây là nhóm công việc có cấu trúc rõ, dễ kiểm tra và có thể tiết kiệm thời gian.

3. Kiểm tra tính nhất quán của chương trình

Agent có thể so sánh nhiều lesson plan để phát hiện mục tiêu chưa được đánh giá, hoạt động không liên kết với mục tiêu, thuật ngữ dùng không thống nhất, hoặc rubric thiếu tiêu chí.

4. Quản lý phiên bản và bằng chứng

Trong các dự án R&D học liệu, agent có thể ghi lại thay đổi, liên kết feedback với phiên bản, tổng hợp minh chứng QC và chuẩn bị bảng đối chiếu trước–sau.

5. Theo dõi tiến độ công việc

Agent có thể tổng hợp trạng thái từ task board, Drive hoặc tài liệu nhóm; phát hiện hạng mục chậm; chuẩn bị báo cáo cho con người. Đây là ứng dụng vận hành, không phải quyết định sư phạm.

6. Hỗ trợ phản hồi sơ bộ

Agent có thể phân loại sản phẩm theo tiêu chí, gợi ý feedback hoặc phát hiện phần thiếu. Nhưng phản hồi liên quan đến đánh giá năng lực, cảm xúc, hành vi hoặc quyết định có ảnh hưởng đến học sinh cần người thật xem xét.

7. Chuẩn bị “bản nháp quyết định”

Một ứng dụng an toàn hơn việc để agent tự quyết là yêu cầu nó tạo decision brief: tóm tắt dữ liệu, nêu các lựa chọn, lợi ích, rủi ro và phần chưa chắc chắn. Con người dùng brief đó để quyết định.

5 việc không nên giao hoàn toàn cho agent

1. Xác định mục tiêu học tập cuối cùng

AI có thể gợi ý, nhưng mục tiêu phải phản ánh chương trình, bối cảnh lớp, độ tuổi, nhu cầu thực tế và định hướng của nhà trường.

2. Đánh giá cuối cùng về năng lực học sinh

Điểm số, xếp loại, quyết định hỗ trợ đặc biệt hoặc nhận định có hậu quả dài hạn không nên dựa hoàn toàn vào kết quả của agent.

3. Quyết định liên quan đến dữ liệu nhạy cảm

Agent chỉ nên truy cập dữ liệu tối thiểu cần thiết. Dữ liệu học sinh, hồ sơ cá nhân, sức khỏe, hành vi hoặc thông tin gia đình cần chính sách rõ ràng, giới hạn quyền và nhật ký truy cập.

4. Phán đoán sư phạm trong tình huống giàu ngữ cảnh

Một câu trả lời “đúng” về nội dung có thể vẫn không phù hợp với lớp học cụ thể. Giáo viên hiểu động lực nhóm, tâm lý, văn hóa lớp và lịch sử học tập theo cách mà agent thường không có.

5. Giao tiếp quan trọng với học sinh và phụ huynh

Agent có thể hỗ trợ soạn bản nháp, nhưng những trao đổi liên quan đến tiến bộ, hành vi, xung đột, kỳ vọng hay quyết định hỗ trợ cần con người chịu trách nhiệm.

Thiết kế “con người trong vòng kiểm soát”

Human-in-the-loop không có nghĩa là giáo viên phải kiểm tra mọi click của agent. Cách hiệu quả hơn là đặt checkpoint theo mức rủi ro.

Có thể dùng mô hình ba tầng:

Tầng xanh – Agent tự xử lý: tác vụ lặp lại, rủi ro thấp, đầu ra dễ kiểm chứng. Ví dụ đổi định dạng, tổng hợp danh sách, kiểm tra trường dữ liệu thiếu.

Tầng vàng – Agent đề xuất, người duyệt: tạo học liệu, phân tích tài liệu, gợi ý feedback, so sánh rubric, tạo kế hoạch.

Tầng đỏ – Con người quyết định: đánh giá chính thức, dữ liệu nhạy cảm, quyết định liên quan học sinh, thông tin gửi phụ huynh, thay đổi chương trình hay chính sách.

Một ví dụ: Agent kiểm tra chất lượng giáo án

Giả sử một tổ chuyên môn có 30 giáo án STEM cần QC trước học kỳ.

Một agent có thể:

1. Đọc template và rubric chuẩn.
2. Kiểm tra từng giáo án có mục tiêu đo được hay không.
3. Xác định hoạt động nào chưa liên kết với mục tiêu.
4. Kiểm tra rubric có đủ bằng chứng cho mục tiêu không.
5. Gắn cờ lỗi nội dung hoặc nguồn cần xác minh.
6. Tạo bảng tổng hợp lỗi theo mức độ.
7. Chuẩn bị đề xuất sửa cho từng giáo án.

Agent không tự duyệt giáo án. Tổ chuyên môn đọc danh sách cờ, chọn lỗi thực sự, quyết định sửa và ký duyệt.

Đây là điểm khác biệt giữa “tự động hóa để thay người” và “agent để tăng năng lực của người”.

Checklist thử nghiệm một AI agent giáo dục trong 1 tuần

Ngày 1 – Chọn một tác vụ hẹp. Tác vụ nên lặp lại, tốn thời gian, có tiêu chí rõ và không liên quan quyết định nhạy cảm.

Ngày 2 – Xác định dữ liệu được phép dùng. Tách dữ liệu cá nhân khỏi tài liệu thử nghiệm nếu có thể.

Ngày 3 – Viết tiêu chí thành công. Ví dụ: giảm 30% thời gian QC nhưng không tăng lỗi bỏ sót.

Ngày 4 – Thiết kế checkpoint. Xác định bước nào agent được tự làm, bước nào phải dừng để giáo viên duyệt.

Ngày 5 – Chạy song song với cách cũ. Không thay quy trình hiện tại ngay. So sánh hai cách trên cùng một mẫu công việc.

Ngày 6 – Ghi lỗi và ngoại lệ. Tập trung vào lỗi mà agent “tự tin nhưng sai”, lỗi do thiếu ngữ cảnh và lỗi do quyền công cụ.

Ngày 7 – Quyết định mở rộng hay dừng. Chỉ mở rộng khi lợi ích đo được lớn hơn chi phí kiểm tra và rủi ro.

5 câu hỏi phải trả lời trước khi cho agent hành động

1. Agent đang tối ưu điều gì?
2. Nó được truy cập dữ liệu nào?
3. Nó có thể thực hiện hành động nào mà không cần hỏi?
4. Điểm nào bắt buộc con người phê duyệt?
5. Nếu agent sai, ai phát hiện và quy trình hoàn tác là gì?

Nếu chưa trả lời được năm câu hỏi này, agent chưa nên được cấp thêm quyền.

Từ “prompt tốt” sang “thiết kế hệ thống tốt”

Giai đoạn đầu của GenAI tập trung nhiều vào cách viết prompt. Với agent, kỹ năng quan trọng dịch chuyển sang thiết kế workflow, phân quyền, nguồn dữ liệu, điều kiện dừng, logging, kiểm thử và cơ chế phê duyệt.

Điều đó cũng thay đổi năng lực AI mà giáo viên và chuyên viên học thuật cần phát triển. Họ không nhất thiết phải trở thành lập trình viên AI, nhưng cần biết cách mô tả mục tiêu, xác định tiêu chí, chia nhiệm vụ, kiểm tra nguồn, thiết kế checkpoint và đánh giá rủi ro.

Kết luận

AI agent mở ra khả năng lớn hơn chatbot vì nó có thể kết nối mục tiêu, dữ liệu, công cụ và nhiều bước hành động. Nhưng trong giáo dục, mức tự chủ càng cao thì thiết kế trách nhiệm càng phải rõ.

Cách tiếp cận phù hợp không phải là “để agent làm thay giáo viên”, mà là:

giao tác vụ rõ → giới hạn quyền → đặt checkpoint → đo chất lượng → giữ quyết định quan trọng cho con người.

Một agent tốt trong giáo dục không phải agent làm được nhiều việc nhất. Đó là agent giúp giáo viên và người học làm việc tốt hơn, nhìn thấy rõ hơn và vẫn giữ quyền chủ động.