Cognitive Debt

Nợ nhận thức là khoảng cách tích lũy giữa công việc mọi người hoàn thành với AI và mức độ hiểu biết họ phát triển trong quá trình thực hiện. Khi ai đó chấp nhận một câu trả lời, bài luận hoặc thay đổi mã mà không tự tìm hiểu lập luận đằng sau, họ tiết kiệm công sức trước mắt nhưng chưa hoàn tất việc học hỏi hoặc xác minh. "Khoản nợ" này trở nên rõ rệt khi họ cần giải thích kết quả, xác định lỗi hoặc tự điều chỉnh công việc.

John V Willshire đã trình bày ý nghĩa tập trung vào AI này vào tháng 4 năm 2025 và mở rộng khái niệm trong phần giải thích ban đầu về nợ nhận thức vào tháng 5 cùng năm. Ông mô tả cái giá mà tổ chức phải trả khi nhận câu trả lời nhưng bỏ qua quá trình tư duy cần thiết để hiểu chúng, qua đó mở rộng phép ẩn dụ về nợ kỹ thuật gắn với Ward Cunningham.

Nợ nhận thức tích lũy như thế nào#

AI tạo sinh cung cấp đầu ra trau chuốt trước khi người dùng tích lũy đủ kiến thức để đánh giá chúng. Mô hình ngôn ngữ lớn (LLM) có thể đưa ra lời giải thích hoặc cách triển khai, trong khi mức độ hiểu biết của người dùng vẫn chưa đầy đủ. Việc liên tục giao phó công việc khiến mọi người có ít cơ hội hơn để rèn luyện khả năng nhớ lại thông tin, xây dựng lập luận và chẩn đoán lỗi. Vì vậy, nợ nhận thức liên quan đến những năng lực của con người cần thiết để giám sát công việc do AI tạo ra.

Trong các nhóm phần mềm, khoảng cách này còn ảnh hưởng đến sự hiểu biết chung: ai biết vì sao một thành phần tồn tại, các phần phụ thuộc tương tác với nhau như thế nào và một thay đổi sẽ tác động đến những gì. Margaret-Anne Storey đã mô tả một nhóm sinh viên phát triển phần mềm rơi vào tình trạng này trong một khóa học về khởi nghiệp. Đến tuần thứ bảy hoặc thứ tám, ngay cả những thay đổi đơn giản cũng gây ra lỗi ngoài dự kiến, và các thành viên trong nhóm không còn giải thích được những quyết định thiết kế quan trọng. Sự hiểu biết rời rạc khiến việc tiếp tục phát triển trở nên khó khăn.

Nợ nhận thức và các khái niệm liên quan#

Một số thuật ngữ liên quan mô tả những khía cạnh khác nhau của vấn đề này:

• Chuyển tải nhận thức: Chuyển phần việc tư duy sang một nguồn lực bên ngoài, chẳng hạn như ghi chú, công cụ tìm kiếm hoặc AI. Nợ nhận thức mô tả phần hiểu biết chưa được phát triển khi việc giao phó này thay thế quá trình học hỏi.
• Nợ kỹ thuật: Công việc bảo trì phát sinh trong tương lai do những lựa chọn thiết kế hoặc triển khai nhằm giải quyết nhu cầu trước mắt. Nợ nhận thức liên quan đến mức độ hiểu biết của mọi người về hệ thống và khả năng thay đổi hệ thống.
• Suy giảm kỹ năng: Sự mai một của một năng lực sẵn có do ít được thực hành hơn. Nợ nhận thức còn bao gồm kiến thức mà một người chưa từng lĩnh hội trong quá trình thực hiện công việc có AI hỗ trợ.

Trong lập trình theo hướng tác tử và lập trình theo cảm hứng, những phân biệt này giúp tách khối lượng phần mềm được tạo ra khỏi mức độ hiểu biết cần thiết để bảo trì phần mềm đó. Trong cách dùng rộng hơn tại nơi làm việc, cụm từ này còn bao hàm những khoảng trống hiểu biết tích lũy do các quyết định không được ghi chép.

Nợ nhận thức xuất hiện ở đâu#

Viết có AI hỗ trợ là một ví dụ trực tiếp. Nataliya Kosmyna và các cộng sự đã sử dụng thuật ngữ này trong bài báo tháng 6 năm 2025, Bộ não của bạn khi dùng ChatGPT. Năm mươi tư người tham gia hoàn thành ba buổi viết bài luận bằng LLM, công cụ tìm kiếm hoặc không dùng công cụ nào. Các phương pháp kết hợp điện não đồ, phương pháp ghi lại hoạt động điện của não, với xử lý ngôn ngữ tự nhiên, đánh giá bài luận và kiểm tra khả năng nhớ lại. Người dùng LLM cho biết họ ít cảm thấy sở hữu bài luận của mình nhất và gặp khó khăn hơn trong việc trích dẫn chính xác nội dung bài viết của chính mình. Những kết quả này cho thấy mối liên hệ giữa công việc đã hoàn thành với khả năng nhớ lại và mức độ tham gia yếu hơn trong quá trình thực hiện nhiệm vụ đó.

Trong thị giác máy tính, trách nhiệm liên quan là hiểu và kiểm tra nhãn do model tạo ra. Trình chỉnh sửa chú thích thông minh của Ultralytics Platform sử dụng các dự đoán từ Ultralytics YOLO để tạo chú thích có thể chỉnh sửa; người đánh giá có thể điều chỉnh hộp giới hạn, sửa lớp và xóa các dự đoán không chính xác. Điều này khiến nợ nhận thức trở thành vấn đề liên quan đến gán nhãn dữ liệu: tự động hóa xử lý bước gán nhãn ban đầu, trong khi con người vẫn chịu trách nhiệm về quy tắc gán nhãn và dữ liệu huấn luyện cuối cùng.

Nhận diện và giảm nợ nhận thức#

Biện pháp thực tế là đưa việc hiểu rõ vấn đề thành một phần của quá trình hoàn thành nhiệm vụ. Các cách kiểm tra hữu ích có thể yêu cầu ai đó giải thích quyết định bằng lời của mình, dự đoán hệ quả của một thay đổi hoặc chẩn đoán lỗi mà không yêu cầu tạo thêm câu trả lời. Đối với các nhóm, ghi lại lý do đưa ra quyết định và cùng nhau xem xét các thay đổi giúp duy trì kiến thức giữa những người đóng góp. Trong quy trình có con người tham gia, điều này có nghĩa là trao cho người đánh giá quyền đưa ra nhận định thực chất thay vì chỉ thực hiện bước phê duyệt đơn giản.

Hiểu biết về AI bao gồm việc biết khi nào cần yêu cầu giải thích, kiểm tra giả định và xác minh đầu ra. Những thực hành này hỗ trợ hoạt động giám sát cần thiết cho an toàn AI và giám sát model liên tục.

Có thể đánh giá mức độ hiểu biết riêng biệt với chất lượng đầu ra. Trong thí nghiệm lập trình ngẫu nhiên có đối chứng của Judy Hanwen Shen và Alex Tamkin, 52 nhà phát triển học thư viện lập trình bất đồng bộ Trio của Python. Những người tham gia yêu cầu giải thích hoặc đặt câu hỏi về khái niệm có mức độ nắm vững kiến thức cao hơn so với những người giao phó nhiều việc hơn. Nhóm có AI hỗ trợ đạt điểm trung bình 50% trong bài kiểm tra tiếp theo, so với 67% ở nhóm tự viết mã — chênh lệch 17 điểm phần trăm, trong đó khác biệt lớn nhất nằm ở các câu hỏi gỡ lỗi.