Hãy tưởng tượng bạn có một đầu bếp Michelin tận tụy, sẵn sàng đứng cạnh bạn trong bếp mỗi khi bạn nấu ăn. Không phải để nấu hộ — mà để nhắc bạn: "Đừng cho muối lúc này, đợi nước sôi đã." Hay: "Món này không cần thêm gia vị, bạn đang làm hỏng vị gốc đấy."

Giờ thay "đầu bếp Michelin" bằng một chuyên gia thiết kế bài giảng hàng đầu thế giới — người luôn nhắc bạn quay về câu hỏi đúng mỗi khi bạn bắt đầu thiết kế khóa học.

Đó là thứ tôi muốn tạo ra. Và tôi đã làm được — không viết một dòng code nào.

Bài viết này sẽ dẫn bạn qua 5 bước, từ việc "đi chợ" nguyên liệu (thu thập dữ liệu chuyên gia), đến việc xây "tủ lạnh thông minh" (NotebookLM), và cuối cùng là "dạy robot nấu theo đúng khẩu vị nhà mình" (Gemini Gem với 3 lớp: phương pháp + ngữ cảnh công ty + giọng thương hiệu).

Nắm được cách làm, bạn có thể nhân bản bất kỳ chuyên gia nào — hoặc thậm chí giảng viên giỏi nhất công ty bạn — thành một cố vấn AI riêng, sẵn sàng tư vấn lúc 11 giờ đêm mà không bao giờ phàn nàn.

Bạn hoàn toàn có thể hỏi ChatGPT: "Giúp tôi thiết kế khóa học onboarding cho nhân viên mới."

Nó sẽ trả lời ngon lành. Nhưng câu trả lời đó giống như bạn hỏi Google Maps "đi đâu ăn tối" — nó liệt kê cho bạn 50 quán, nhưng không biết bạn thích gì, dị ứng gì, và đang hẹn hò hay đi nhậu với bạn bè.

Nói cách khác, ChatGPT cho bạn kiến thức trung bình cộng của internet — một mớ thông tin đúng nhưng không có "linh hồn."

Giờ thử tưởng tượng bạn hỏi câu đó với Cathy Moore — một trong những chuyên gia thiết kế bài giảng được kính trọng nhất thế giới. Bà ấy sẽ không đưa ra danh sách module. Bà ấy sẽ nhíu mày hỏi ngược: "Khoan đã. Nhân viên mới đang làm SAI điều gì? Nếu không ai cần thay đổi hành vi, khóa học này không nên tồn tại."

Đó là sự khác biệt giữa một cuốn bách khoa toàn thư và một người thầy. Bách khoa toàn thư biết mọi thứ nhưng không có quan điểm. Người thầy biết ít hơn nhưng biết cách hỏi đúng câu hỏi.

Nhưng chuyện chưa dừng ở đó. Có một lớp nữa mà ít người nghĩ tới: "giọng nói" của tổ chức.

Mỗi công ty có một cách riêng để nói chuyện với khách hàng và nhân viên. Có nơi muốn mọi thứ "đơn giản, gần gũi, không quan liêu." Có nơi nhấn mạnh "trao quyền cho nhân viên tuyến đầu." Có nơi muốn cảm giác "hiện đại, tích cực, không dọa nạt." Giọng nói đó — gọi là brand voice — phải thấm vào cách thiết kế khóa học, từ ngôn ngữ dùng trong bài tập đến phong cách slide.

Vậy cố vấn AI hoàn hảo cho dân thiết kế bài giảng cần 3 thứ cùng lúc: đúng phương pháp, đúng ngữ cảnh công ty, và đúng "giọng" thương hiệu. Thiếu bất kỳ lớp nào, nó chỉ là chatbot nói chung chung.

Quay lại hình ảnh đầu bếp. Bạn có thể có công thức hoàn hảo nhất thế giới (prompt thần thánh), nhưng nếu nguyên liệu là rau héo và thịt ươn thì món ăn vẫn dở.

Với AI cũng vậy. Nhiều người nghĩ bí quyết nằm ở prompt — viết prompt càng dài, càng chi tiết thì AI càng giỏi. Sai rồi. Bí quyết nằm ở dữ liệu bạn cho AI "ăn."

Nếu bạn cho nó ăn dữ liệu rác — những bài tóm tắt second-hand, slide PowerPoint chắp vá — thì phân thân AI của bạn sẽ chỉ biết nói những câu sáo rỗng kiểu "hãy thiết kế phù hợp với đối tượng."

Nhưng nếu bạn kiên nhẫn thu thập nguyên liệu gốc — sách do chính chuyên gia viết, bài blog họ đăng, podcast họ nói, tweetstorm họ chia sẻ — thì AI sẽ "thấm" được cả triết lý, cách lập luận, và phong cách giao tiếp đặc trưng của người đó. Cũng như bạn cho thêm tài liệu nội bộ công ty, brand guidelines — nó sẽ hiểu bối cảnh thực tế thay vì tư vấn trong chân không.

Ghi nhớ: Rau héo vào → món dở ra. Nguyên liệu tươi + gia vị nhà trồng → món nhà hàng.

Bước này giống như đi chợ trước khi nấu ăn. Bạn không chạy ra siêu thị mua bừa — bạn cần biết chợ nào bán nguyên liệu tươi nhất.

Đây là bước quan trọng nhất và cũng là bước nhiều người bỏ qua. Họ vội vàng copy-paste vài bài blog rồi nhét vào AI. Kết quả? Một "món ăn" nhạt nhẽo.

Thay vì vậy, hãy dùng Deep Research (có trên Gemini, Grok, hoặc ChatGPT) như người dẫn đường ở chợ — nó chỉ cho bạn quầy nào bán hàng tươi, quầy nào là hàng đông lạnh.

Bạn gõ cho nó thế này:

"Tôi muốn xây dựng bộ dữ liệu toàn diện về [Tên chuyên gia]. Hãy tìm tất cả nguồn dữ liệu gốc do chính người này tạo ra: sách, blog cá nhân, podcast đã có transcript, bài phát biểu, bài viết trên X/Twitter, bài nghiên cứu. Ưu tiên nguồn gốc, tránh tóm tắt của bên thứ ba."

Ví dụ bạn muốn clone Cathy Moore, Deep Research sẽ chỉ ra: blog chính tại cathy-moore.com (hàng trăm bài viết), sách "Map It," các cuộc phỏng vấn trên podcast The eLearning Coach, và tài khoản X @CathyMoore với nhiều năm chia sẻ quan điểm.

Nói đơn giản: Deep Research lập cho bạn bản đồ kho báu — biết chính xác cần đi đâu để lấy gì, thay vì mò mẫm trên Google như tìm kim đáy bể.

Đây là phần mà nhiều người tưởng phải là lập trình viên mới làm được. Giống như nghĩ phải là nông dân mới hái được rau vậy — không phải đâu, bạn chỉ cần biết cách vặn đúng quả.

Với blog có nhiều bài viết — mẹo "copy mã nguồn":

Nghe có vẻ kỹ thuật, nhưng thực ra đơn giản như photocopy. Mở trang blog → nhấp chuột phải → chọn "View Page Source" → Ctrl+A chọn hết → dán vào Gemini kèm prompt: "Hãy trích xuất tất cả đường link bài viết từ đây."

Vậy thôi. Gemini sẽ lọc ra hàng chục đến hàng trăm URL sạch trong vài giây — nhanh hơn cả thuê lập trình viên viết phần mềm thu thập dữ liệu.

Với dữ liệu trên X/Twitter:

Dùng tìm kiếm nâng cao: from:CathyMoore until:2026-02-18 -filter:retweets. Cách này hơi chậm — giống như ngồi nhặt từng quả cherry — nhưng sạch nhất. Bạn lấy đúng nguyên văn của chuyên gia mà không vi phạm bất kỳ quy định nào.

Mẹo: cuộn xuống cuối kết quả, ghi lại ngày cuối cùng, rồi chỉnh ngày trong lệnh tìm kiếm để lấy tiếp đợt trước. Lặp lại cho đến khi hết.

Với sách và podcast: Sách thì tìm bản PDF hoặc ebook. Podcast nếu đã có transcript thì lấy text, nếu chưa thì tải file MP3 về — bước sau AI sẽ tự chuyển thành text.

Mẹo sắp xếp: Tạo một thư mục riêng, gom tất cả file vào đó. Coi như bạn đang sắp xếp nguyên liệu lên bàn bếp trước khi nấu — gọn gàng, dễ tìm.

Giờ bạn có một đống nguyên liệu tươi. Câu hỏi là: cất ở đâu để AI lấy ra dùng khi cần?

Trước đây, để làm việc này (dân kỹ thuật gọi là RAG — hiểu nôm na là "dạy AI đọc sách rồi thi mở sách"), bạn phải biết lập trình, biết cơ sở dữ liệu, biết cắt dữ liệu thành từng lát... Phức tạp kinh khủng, giống như phải tự xây tủ lạnh từ con chip.

Bây giờ? Google làm sẵn cho bạn cái tủ lạnh rồi. Nó tên là NotebookLM — bạn chỉ việc bỏ nguyên liệu vào, nó tự sắp xếp, tự phân loại, và khi bạn hỏi thì nó mở đúng ngăn lấy đúng thứ bạn cần. Đặc biệt, nó chỉ trả lời dựa trên nguyên liệu bạn bỏ vào — không tự ý ra ngoài mua thêm (tức là không bịa).

Nhưng đây là bước nâng cấp quan trọng: bạn cần HAI cái tủ, không phải một.

Tại sao? Vì nếu bạn chỉ cho AI "ăn" sách của chuyên gia, nó sẽ tư vấn đúng lý thuyết nhưng mù tịt về thực tế công ty bạn. Giống như một đầu bếp Pháp biết nấu hoàn hảo nhưng không biết nhà bạn có bếp gas hay bếp từ, tủ lạnh có gì, và gia đình bạn dị ứng gì.

Tủ lạnh #1 — Ngăn "Phương pháp luận":

Vào notebooklm.google.com → tạo notebook mới → kéo thả toàn bộ file của chuyên gia vào (PDF, TXT, Markdown) → dán các URL blog. Đây là kho tri thức chuyên gia — sách, bài viết, podcast — tất cả "nguyên liệu tươi" bạn đã thu thập.

Tủ lạnh #2 — Ngăn "Ngữ cảnh công ty":

Tạo notebook thứ hai → upload vào đây: tài liệu sản phẩm/dịch vụ, quy trình nội bộ, KPI, slide khóa học hiện có, brand guidelines. Đặc biệt quan trọng: upload cả tài liệu mô tả "giọng nói" thương hiệu — triết lý, phong cách giao tiếp, giá trị cốt lõi, cách công ty muốn nhân viên nói chuyện với khách hàng.

NotebookLM hỗ trợ tới 300 file mỗi notebook — thừa sức chứa. Với file MP3 chưa có bản text, bạn upload thẳng — nó tự chuyển thành text ở hậu trường (hơi chậm, nên ưu tiên bản text nếu có).

Tại sao phải tách hai ngăn? Vì khi trộn lẫn sách chuyên gia với tài liệu nội bộ vào cùng một chỗ, AI sẽ loạn — không phân biệt được đâu là nguyên tắc thiết kế, đâu là thông tin cụ thể của công ty. Tách ra giúp nó biết "đang tra cứu phương pháp" hay "đang tra cứu ngữ cảnh" — giống như bạn để gia vị và thực phẩm ở hai ngăn khác nhau cho dễ tìm.

Đến đây, bạn đã có hai tủ lạnh đầy nguyên liệu. Nhưng tủ lạnh không biết nấu ăn — nó chỉ biết giữ đồ tươi. Giờ bạn cần một đầu bếp robot biết mở tủ, lấy đúng nguyên liệu, và nấu theo đúng phong cách bạn muốn.

Đầu bếp robot đó là Gemini Gem.

Cách thiết lập — 3 bước đơn giản:

System Prompt là gì? Nếu bạn thuê một nhân viên mới, bạn sẽ nói: "Bạn đảm nhận vai trò gì, cách làm việc ra sao, khi nào nên hỏi lại, phong cách giao tiếp thế nào." System Prompt cũng giống vậy — nó là "bản mô tả công việc" cho AI.

Đây là mẫu "bản mô tả" cho một phân thân 3 lớp:

Bạn thấy không? Nó giống hệt việc viết một bản JD (mô tả công việc) cho nhân viên mới. Bạn không cần biết code, không cần hiểu thuật ngữ kỹ thuật — chỉ cần biết rõ bạn muốn "nhân viên AI" này làm gì, biết gì, và nói giọng nào.

3 lớp hoạt động cùng lúc: chuyên gia giữ bạn đúng phương pháp, tài liệu công ty giữ bạn đúng thực tế, brand voice giữ bạn đúng "chất." Bạn có thể thay tên chuyên gia, thay tên công ty, thay brand voice — mô hình vẫn hoạt động.

Đầu bếp nấu xong, bạn phải nếm thử trước khi dọn cho khách. Không ai dọn món chưa nếm lên bàn cả.

Tương tự, tạo xong phân thân AI chưa phải là xong. Một AI không qua kiểm tra thì chỉ là chatbot đeo mặt nạ — nhìn giống chuyên gia nhưng nói năng như Wikipedia.

Chuẩn bị mấy "câu hỏi bẫy" — những câu mà câu trả lời sẽ cho thấy AI có thực sự "ngấm" phong cách chuyên gia hay chỉ đang diễn kịch. Với mô hình 3 lớp, bạn cần nếm cả 3 vị: phương pháp, ngữ cảnh, và giọng nói.

🧪 Nếm vị 1 — Phương pháp có đúng không?

Hỏi: "Sếp đưa tôi 50 slide nội dung, bảo chuyển thành e-learning. Bắt đầu từ đâu?"

→ Nếu nó trả lời kiểu "Chia 50 slide thành 5 module, mỗi module 10 slide" — giống nhân viên ngoan ngoãn làm theo lệnh → Trượt. Nếu nó hỏi ngược: "50 slide đó giải quyết vấn đề gì? Trước khi làm e-learning, xác định hành vi nào cần thay đổi đã" — giống chuyên gia thực sự → Đạt.

🧪 Nếm vị 2 — Có dám phản biện không?

Hỏi: "Tôi cần làm khóa compliance 2 tiếng, bao gồm toàn bộ chính sách công ty."

→ Nếu nó giúp bạn sắp xếp 2 tiếng nội dung — giống trợ lý copy-paste → Trượt. Nếu nó nói thẳng: "2 tiếng đọc chính sách sẽ không thay đổi hành vi nào cả. Chọn 3-5 tình huống rủi ro cao nhất và biến thành bài tập thực hành" → Đạt.

🧪 Nếm vị 3 — Giọng thương hiệu có chuẩn không?

Gửi cho nó một bản draft scenario dùng ngôn ngữ đe doạ: "Nếu bạn không hoàn thành khóa học trong 7 ngày, bạn sẽ bị đánh giá thấp trong kỳ review."

→ Nếu nó nói "OK, scenario này ổn" → Trượt. Nếu nó chỉ ra ngôn ngữ áp lực trái với brand voice và viết lại: "Hoàn thành khóa học trong 7 ngày đầu sẽ giúp bạn tự tin hơn khi bắt đầu — đồng nghiệp sẽ ấn tượng với tốc độ hoà nhập của bạn" → Đạt. Cùng nội dung nhưng khác hoàn toàn cảm xúc.

🧪 Nếm vị 4 — Xử lý mâu thuẫn có khéo không?

Hỏi: "Compliance bắt nhân viên học thuộc 15 quy tắc an toàn. Làm khóa học thế nào?"

→ Nếu nó nói "Tạo 15 flashcard" — giải pháp lười → Trượt. Nếu nó đề xuất: "Tạo 5 tình huống thực tế — nhân viên phải xác định quy tắc nào áp dụng và hành động đúng. Compliance hài lòng vì nội dung đúng. Nhân viên học được vì practice-based. Và ngôn ngữ đơn giản, dễ hiểu đúng brand voice" → Cả 3 vị đều đạt.

🧪 Nếm vị 5 — Đo lường có thực tế không?

Hỏi: "Làm sao biết khóa học có hiệu quả?"

→ Nếu nó nói "Gửi khảo sát hài lòng cho học viên" — câu trả lời an toàn nhưng vô ích → Trượt. Nếu nó trả lời theo hướng đo bằng KPI kinh doanh thực tế của công ty thay vì survey cảm tính → Đạt.

Quy tắc nếm tổng quát: Nếu phân thân trả lời kiểu "tuỳ bạn" hoặc liệt kê chung chung, nó đã trượt. Phân thân tốt phải có quan điểm rõ ràng và dám challenge bạn — y như chuyên gia thật ngồi cạnh bạn vậy. Và nó phải challenge đúng "giọng" công ty bạn, không phải giọng giáo sư đại học.

Workflow này không phải để khoe trên LinkedIn. Nó giải quyết những bài toán rất thực:

1. "Đồng nghiệp review" 24/7: Mỗi khi thiết kế xong bài giảng, thay vì đợi đồng nghiệp rảnh, bạn đưa cho phân thân AI review ngay. Nó phản biện trên 3 chiều cùng lúc: phương pháp có đúng không? Nội dung có khả thi với công ty không? Ngôn ngữ có đúng "chất" brand không? Một reviewer thay vì phải hỏi 3 người khác nhau.

2. "Giữ hồn" cho giảng viên sắp nghỉ hưu: Công ty bạn có trainer giỏi sắp rời đi? Gom toàn bộ tài liệu, bài giảng, ghi âm buổi dạy của họ → Tạo phân thân AI → Giữ lại "trí tuệ tổ chức" vĩnh viễn. Giống như ghi lại công thức gia truyền trước khi bà ngoại quên mất.

3. "Máy lọc" brand voice cho tài liệu cũ: Dùng phân thân để scan toàn bộ slide cũ, kịch bản cũ, script cũ — và phát hiện chỗ nào nói sai "giọng" công ty. Chỗ nào đang dùng ngôn ngữ đe doạ? Chỗ nào quá phức tạp? Chỗ nào đọc xong vẫn không biết phải làm gì? Nó tìm ra cho bạn.

4. "Biệt đội cố vấn" đa chuyên gia: Tạo nhiều phân thân khác nhau — một cho thiết kế nội dung, một cho gamification, một cho đo lường hiệu quả. Tất cả đều kết nối cùng một "tủ lạnh ngữ cảnh" và cùng một brand voice. Tuỳ dự án, bạn "triệu hồi" đúng chuyên gia — nhưng ai cũng nói đúng "giọng" công ty.

5. "Buddy" cho đồng nghiệp mới: Khi có người mới vào team, thay vì tốn hàng tuần giải thích triết lý thiết kế + ngữ cảnh + brand voice, bạn cho họ nói chuyện với phân thân AI trước. Giống như cho nhân viên mới ngồi cạnh nhân viên giỏi nhất công ty — nhưng nhân viên giỏi đó không bao giờ bận.

Nhiều người nghĩ tạo phân thân AI là chuyện của lập trình viên. Thực ra, toàn bộ quy trình giống như nấu ăn hơn là viết code:

Đi chợ (Deep Research tìm nguồn) → Hái rau (thu thập dữ liệu gốc) → Bỏ vào tủ lạnh (NotebookLM) → Dạy đầu bếp robot (Gemini Gem) → Nếm thử (kiểm tra chất lượng).

Điều khó nhất không phải công nghệ. Mà là sự kiên nhẫn "đi chợ" cho kỹ — thu thập đúng nguyên liệu, đúng nguồn, đủ lượng. Và sự tinh tế khi viết "bản mô tả công việc" 3 lớp: phương pháp + ngữ cảnh + brand voice.

Với người làm L&D, đây có lẽ là kỹ năng mà bạn nên làm ngay: biến bất kỳ chuyên gia nào thành cố vấn AI riêng — cố vấn vừa đúng phương pháp, vừa hiểu công ty bạn, vừa nói đúng "giọng" thương hiệu. Sẵn sàng 24/7, không bao giờ nghỉ phép, và luôn nhắc bạn quay về câu hỏi quan trọng nhất: "Nhân viên đang làm sai điều gì?"

Hãy bắt đầu với một chuyên gia bạn ngưỡng mộ nhất. Và nhớ: đừng chỉ dùng AI — hãy xây AI cho riêng mình.