Một sinh viên hôm nay có thể nhờ AI viết bài luận, lập trình, phân tích dữ liệu, thiết kế slide, đọc hàng trăm trang tài liệu rồi tóm tắt trong vài phút. Khi sản phẩm cuối cùng ngày càng khó cho biết đâu là năng lực của người học và đâu là năng lực của công cụ, một câu hỏi lớn đang được đặt ra cho giáo dục đại học: Chúng ta sẽ dạy gì, đánh giá gì và tổ chức trường đại học như thế nào trong kỷ nguyên AI?
Cách đây chưa lâu, câu hỏi khiến nhiều trường đại học bối rối là: Có nên cho sinh viên dùng ChatGPT hay không? Sau đó, tranh luận chuyển sang: Nếu cho dùng thì làm thế nào để bảo đảm liêm chính học thuật?
Nhưng cuộc thảo luận tại nhiều đại học trên thế giới đang dịch chuyển thêm một bước. Nếu AI sẽ trở thành một phần bình thường trong cách kỹ sư thiết kế, bác sĩ phân tích dữ liệu, nhà quản trị ra quyết định, nhà nghiên cứu khám phá tri thức và nhân viên văn phòng xử lý công việc, liệu trường đại học có thể chỉ bổ sung vài công cụ mới mà vẫn giữ nguyên cách dạy, cách học và cách đánh giá cũ được không?
Hay chính trường đại học cũng phải được thiết kế lại?
Đó là câu hỏi nằm phía sau một khái niệm đang ngày càng được nhắc tới: AI-Native University - đại học được thiết kế cho kỷ nguyên AI.
Một cuộc thử nghiệm giáo dục quy mô toàn cầu
Một khảo sát đối sánh quốc tế gần đây do nhóm nghiên cứu tại Trường Đại học CMC thực hiện trên 24 trường thuộc 10 quốc gia và vùng lãnh thổ cho thấy các đại học đang đi theo nhiều con đường khác nhau.
Điểm chung là họ không còn coi AI đơn thuần là một ngành đào tạo. AI đang đi vào chương trình, lớp học, đánh giá, nghiên cứu, hỗ trợ sinh viên và cả quản trị.
Tại Hoa Kỳ, Đại học Purdue đã đưa “năng lực làm việc với AI” thành một yêu cầu tốt nghiệp đối với sinh viên đại học nhập học tại hai cơ sở chính từ mùa thu năm 2026. Đây không phải yêu cầu tất cả sinh viên học cùng một môn AI. Mục tiêu là mỗi ngành phải xác định năng lực sử dụng, đánh giá và làm việc với AI phù hợp với nghề nghiệp của mình.
Đại học Ohio State đi theo một hướng khác. Trường xác định 6 chuẩn đầu ra về năng lực AI cho sinh viên, từ hiểu các khái niệm nền tảng, đánh giá đầu vào và đầu ra của AI, sử dụng AI trong lĩnh vực chuyên môn đến phân tích các hệ quả về đạo đức, xã hội, pháp lý và môi trường. Các trường thành viên và khoa đang xác định những năng lực này sẽ được hình thành và củng cố ở đâu trong suốt bốn năm học.
Đại học Georgia Tech đưa mục tiêu “AI Fluency for Every Student” - năng lực AI cho mọi sinh viên - thành một trong ba trụ cột của chiến lược AI học thuật công bố năm 2026.
Đại học Michigan lại xây dựng công cụ AI trong chính môi trường của mình. Giảng viên có thể tạo một trợ lý AI dựa trên tài liệu của môn học trên Canvas, đồng thời chủ động quyết định dữ liệu nào được đưa vào hệ thống.
Tại Singapore và Hồng Kông (Trung Quốc), Đại học Quốc gia Singapore bắt buộc toàn bộ sinh viên đại học năm nhất từ năm học 2026-2027 học một môn nền tảng về AI tạo sinh (GenAI). Đại học Hồng Kông cũng yêu cầu phần lớn sinh viên vào trường từ năm học 2025-2026 hoàn thành học phần AI Literacy 3 tín chỉ.
Cũng tại Trung Quốc, Đại học Thanh Hoa cho biết đến cuối năm 2025 đã có hơn 390 học phần tích hợp sâu AI vào thực hành dạy học với nhiều hình thức khác nhau: trợ lý học tập, hỗ trợ giảng dạy, chuẩn bị bài và các ứng dụng gắn với tri thức từng môn học.
Những ví dụ ấy cho thấy AI đang đi rất nhanh vào đại học. Tuy nhiên, tốc độ triển khai không đồng nghĩa với mức độ chuyển đổi thực chất.
Có nhiều công cụ AI chưa có nghĩa là đã trở thành một AI-Native University
Hiện nay đã xuất hiện những khung đánh giá mức độ trưởng thành AI, các khung năng lực dành cho người học và giáo viên, thậm chí đã có một số sáng kiến kiểm định sử dụng tên AI-Native University, hàm ý đại học được thiết kế cho kỷ nguyên AI. Tuy nhiên, chưa có một chuẩn AI-Native University được thừa nhận rộng rãi ở cấp quốc tế để có thể đơn giản nói trường nào “đạt” và trường nào “chưa đạt”.
Một trường đào tạo rất nhiều chuyên gia AI chưa chắc đã là một đại học AI-Native. Một trường mua tài khoản AI cho hàng chục nghìn sinh viên cũng chưa chắc. Có siêu máy tính lớn hoặc nhiều GPU càng không tự động làm thay đổi cách một trường đại học vận hành.
Điểm khác biệt nằm sâu hơn. Một đại học AI-Native phải xem xét lại các hoạt động cốt lõi của mình trong điều kiện con người làm việc cùng AI: sinh viên phải học gì, giảng viên dạy thế nào, năng lực nào phải được kiểm chứng, dữ liệu được quản trị ra sao, AI được phép tham gia đến đâu trong các quyết định và cuối cùng công nghệ có thực sự tạo ra kết quả tốt hơn hay không.
Nói cách khác, câu hỏi không phải trường có bao nhiêu AI. Câu hỏi là AI đã khiến trường thay đổi điều gì.
Bài luận rất hay, nhưng ai thực sự đã học?
Hãy hình dung một bài tập quen thuộc: giảng viên yêu cầu sinh viên viết một bài luận 3.000 từ.
Trước đây, sản phẩm cuối cùng phần nào phản ánh khả năng đọc, tổng hợp, lập luận và viết. Hôm nay, một sinh viên biết sử dụng AI có thể tìm tài liệu, xây dàn ý, phản biện lập luận, chỉnh văn phong và tạo ra một bài viết khá hoàn chỉnh trong thời gian rất ngắn.
Tương tự với lập trình, AI có thể sinh mã nguồn, phát hiện lỗi, giải thích thuật toán và đề xuất kiến trúc. Điều này dẫn tới một câu hỏi mà phụ huynh, sinh viên và các trường đại học đều phải quan tâm: Nếu bài làm tốt hơn, làm thế nào biết sinh viên cũng giỏi hơn?
Đây không phải lập luận chống AI. Ngược lại, có những bằng chứng thực nghiệm rất tích cực. Một thử nghiệm ngẫu nhiên tại Harvard công bố năm 2025 cho thấy một hệ thống gia sư AI được thiết kế cẩn thận theo các nguyên tắc sư phạm có thể giúp sinh viên học nhiều hơn trong thời gian ngắn hơn so với một hình thức học chủ động trên lớp trong bối cảnh được nghiên cứu.
Nhưng một thí nghiệm quy mô lớn khác, công bố trên PNAS năm 2025 và thực hiện với học sinh trung học trong môn Toán, cho thấy một kết quả đáng chú ý: AI tạo sinh không có những “rào chắn” sư phạm phù hợp có thể giúp người học làm bài tốt hơn khi đang được hỗ trợ, nhưng khi AI được rút đi, kết quả làm bài độc lập lại thấp hơn nhóm không sử dụng AI. Khi công cụ AI được thiết kế với các gợi ý sư phạm và hạn chế việc cung cấp ngay đáp án, tác động bất lợi này giảm đáng kể.
Hai kết quả tưởng như trái ngược thực ra cùng nói lên một điều: Tác động giáo dục không nằm ở việc có AI hay không. Nó nằm ở cách AI được thiết kế và đưa vào quá trình học.
OECD cũng cảnh báo về nguy cơ người học phó thác cho AI những hoạt động nhận thức vốn cần tự thực hiện để hình thành kiến thức và kỹ năng. Khi đó, người học có thể hoàn thành nhiệm vụ nhanh hơn và tạo ra sản phẩm tốt hơn nhưng chưa chắc học được nhiều hơn.
Vì vậy, trong kỷ nguyên AI, sản phẩm tốt hơn chưa chắc đồng nghĩa với người học giỏi hơn. Đây chính là lý do đánh giá đang trở thành một trong những nơi đại học phải thay đổi đầu tiên.
Đại học phải biết năng lực nào thực sự thuộc về sinh viên
Đại học Sydney, Úc là một trường hợp đáng chú ý. Trường đang chuyển cách đánh giá sang mô hình hai “làn”.
Một là những đánh giá bảo đảm, được tổ chức trong điều kiện có kiểm soát để sinh viên chứng minh rằng chính họ sở hữu những kiến thức, kỹ năng và phẩm chất mà chương trình cam kết.
Hai là các đánh giá mở, được thiết kế để sinh viên có thể sử dụng những công cụ phù hợp, kể cả AI, giống hơn với môi trường nghề nghiệp thực tế.
Điểm quan trọng của cách tiếp cận này không phải “một bên cấm AI, một bên cho AI”. Nó là việc thiết kế đánh giá theo đúng năng lực cần đo.
Nếu một sinh viên kỹ thuật cần chứng minh mình hiểu một nguyên lý nền tảng, trường phải có cách xác nhận chính sinh viên hiểu nó. Nhưng nếu mục tiêu là đánh giá khả năng giải quyết một bài toán thực tế của doanh nghiệp, việc cấm mọi công cụ AI lại có thể tạo ra một môi trường giả tạo, khác xa nơi sinh viên sẽ làm việc sau khi tốt nghiệp.
Oxford cũng đi theo hướng làm rõ mục đích đánh giá. Với mỗi đánh giá tổng kết, sinh viên phải được thông báo cụ thể AI được phép sử dụng như thế nào; nếu không có hướng dẫn bằng văn bản cho phép sử dụng thì AI được xem là không được phép. Khi AI được sử dụng, người học phải khai báo theo yêu cầu.
Tại MIT, một ủy ban đặc biệt về AI trong dạy học, học tập và đào tạo nghiên cứu năm 2026 cũng khuyến nghị mỗi môn học phải có chính sách AI rõ ràng và giải thích lý do. Điểm cần lưu ý là đây hiện là khuyến nghị, chưa phải một quy định bắt buộc chung cho mọi môn học tại MIT.
Nhưng hướng chuyển động đã khá rõ. Trong kỷ nguyên AI, đại học không thể chỉ hỏi sinh viên: “Em đã làm ra sản phẩm gì?”. Phải hỏi thêm: Năng lực nào trong sản phẩm đó thực sự thuộc về em?
Từ đây, mỗi chương trình đào tạo sẽ phải trả lời ít nhất ba câu hỏi: Sinh viên bắt buộc phải tự làm được điều gì? Sinh viên phải biết làm điều gì cùng AI? Khi AI đưa ra một câu trả lời rất thuyết phục nhưng sai, sinh viên có đủ kiến thức và khả năng phán đoán để nhận ra, phản biện và chịu trách nhiệm cho quyết định cuối cùng hay không?
Đây có thể sẽ là ba câu hỏi nền tảng của thiết kế chương trình đào tạo của các trường đại học trong những năm tới.
Giảng viên sẽ phải làm những việc khó hơn
Khi AI có thể giải thích một khái niệm bất cứ lúc nào, tạo hàng chục ví dụ và trả lời câu hỏi 24/7, vai trò của người thầy liệu có mất đi?
Những gì đang diễn ra cho thấy điều ngược lại. Công việc của người thầy có thể trở nên khó hơn. Giảng viên ngày càng phải chuyển từ việc chủ yếu truyền đạt thông tin sang thiết kế trải nghiệm học tập, tạo ra những vấn đề đáng để sinh viên giải quyết, đặt câu hỏi, phản biện và giúp người học hình thành khả năng phán đoán.
UNESCO đã xây dựng một khung năng lực AI dành cho giáo viên với 15 năng lực thuộc 5 nhóm, từ tư duy lấy con người làm trung tâm, đạo đức AI đến nền tảng AI, sư phạm với AI và phát triển nghề nghiệp.
Nhưng khảo sát 24 trường tại các quốc gia phát triển của chúng tôi cho thấy một khoảng trống đáng chú ý: các trường công bố rất nhiều số liệu về khóa tập huấn, số lượt tham gia hay chứng chỉ, trong khi bằng chứng công khai về kiểm chứng năng lực AI thực chất của giảng viên ở quy mô toàn trường vẫn rất hạn chế.
Điều đó cho thấy dự một khóa tập huấn không đồng nghĩa với việc một giảng viên đã biết thiết kế lại môn học. Công nghệ có thể được mua nhưng năng lực thì phải được hình thành.
AI-Native trước hết là bài toán thiết kế đại học
Cuộc thay đổi cũng không dừng ở lớp học. AI đang đi vào hỗ trợ sinh viên, nghiên cứu, tuyển sinh, nhân sự, dữ liệu và vận hành.
Georgia Tech hiện duy trì một danh mục công cụ AI cấp trường và quy trình đánh giá trước khi các công cụ được đưa vào sử dụng trong hệ thống, bao gồm các vấn đề về bảo mật, quyền riêng tư, dữ liệu và rủi ro.
Vấn đề quan trọng hơn là trường đại học phải xác định rõ AI được sử dụng ở đâu, với dữ liệu nào và ai chịu trách nhiệm khi có sai sót:
Dữ liệu của sinh viên được gửi đi đâu?
Một công cụ AI nào được phép đọc dữ liệu nhạy cảm?
AI có được tham gia quyết định tuyển sinh hoặc nhân sự không?
Khi AI đưa ra khuyến nghị sai, ai chịu trách nhiệm?
Con người phải kiểm tra ở bước nào?
Vì vậy, AI-Native không thể là dự án riêng của đơn vị phụ trách công nghệ thông tin. Đó là vấn đề chiến lược và quản trị của cả trường.
Việt Nam có thể bắt đầu từ thiết kế, không phải từ cuộc đua công nghệ
Điều các trường đại học Việt Nam học được từ thế giới có lẽ không phải là trường nào mua công cụ gì hay sở hữu bao nhiêu máy tính hiệu năng cao. Nếu đi theo hướng đó, chúng ta rất dễ lặp lại một bài học của chuyển đổi số: đầu tư công nghệ trước rồi mới đi tìm bài toán.
Trật tự nên làm ngược lại. Trước hết phải trả lời: Trong một thế giới có AI, chúng ta muốn sinh viên tốt nghiệp trở thành người như thế nào?
Từ câu hỏi ấy mới thiết kế lại chuẩn đầu ra, chương trình, cách đánh giá, đội ngũ, dữ liệu và cuối cùng mới là công nghệ.
Mỗi trường có thể bắt đầu từ một số việc rất cụ thể: xác định năng lực AI mà mọi sinh viên phải có; rà soát những năng lực nghề nghiệp đang thay đổi vì AI; xác định phần sinh viên phải tự chứng minh và phần được làm cùng AI; phát triển năng lực AI thực chất của giảng viên; xây dựng môi trường dữ liệu và AI có kiểm soát; và quan trọng nhất là đo kết quả thay vì chỉ đếm người dùng.
Những trường đại học trẻ có thể có một lợi thế. Họ không nhất thiết phải đi lại toàn bộ con đường của những tổ chức hàng trăm năm tuổi rồi mới thay đổi. Nếu đủ linh hoạt, họ có thể thiết kế chương trình, dữ liệu và quản trị ngay từ đầu phù hợp hơn với một thế giới nơi con người và AI cùng làm việc.
Từ quá trình nghiên cứu để xây dựng mô hình đại học AI-Native, điều chúng tôi nhận thấy ngày càng rõ là phần khó nhất không phải lựa chọn một mô hình AI hay mua thêm công nghệ. Phần khó nhất là thiết kế lại chính trường đại học.
Nếu AI đã thay đổi cách con người học, làm việc và tạo ra tri thức, tại sao chúng ta lại nghĩ rằng trường đại học có thể giữ nguyên? AI-Native vì thế không nên trở thành một khẩu hiệu mới. Đó phải là một cuộc tái thiết kế nghiêm túc.
Thước đo cuối cùng không phải trường có bao nhiêu AI, mà là nhờ có AI, con người bước ra từ trường đại học có tư duy tốt hơn, giải quyết được những vấn đề khó hơn và vẫn đủ năng lực để tự mình phán đoán, lựa chọn và chịu trách nhiệm hay không.
