AI hallucination, thường gọi là ảo giác AI, là hiện tượng mô hình tạo ra thông tin nghe có vẻ hợp lý nhưng sai, thiếu căn cứ hoặc không có trong dữ liệu nguồn. Một chatbot có thể nói rất tự tin, trình bày mạch lạc và thậm chí đưa ra trích dẫn, nhưng điều đó không chứng minh nội dung đúng.
Cách dùng AI an toàn không phải là tìm một prompt thần kỳ để loại bỏ hoàn toàn lỗi. Người dùng cần xem câu trả lời là bản nháp, kiểm tra các tuyên bố quan trọng và thiết kế quy trình để mô hình biết khi nào phải nói “chưa đủ thông tin”.
AI hallucination là gì?
NIST dùng thuật ngữ confabulation để mô tả việc hệ thống AI tạo và trình bày một cách tự tin nội dung sai hoặc không đúng với đầu vào. Trong cách gọi phổ biến, hiện tượng này được gọi là hallucination hoặc fabrication.
Ví dụ, chatbot có thể:
- Bịa tên một nghiên cứu, điều khoản hoặc đường link.
- Gán nhầm phát biểu cho một chuyên gia.
- Tạo con số không có trong báo cáo.
- Suy diễn quá mức từ một đoạn tài liệu ngắn.
- Trả lời hai phiên khác nhau bằng hai sự thật mâu thuẫn.
- Dùng một nguồn thật để làm vỏ bọc cho kết luận không được nguồn đó hỗ trợ.
Vì câu trả lời có vẻ tự nhiên, người đọc dễ nhầm sự lưu loát với độ tin cậy. Đây là lý do hallucination đáng chú ý hơn một lỗi chính tả thông thường.
Vì sao chatbot có thể bịa thông tin?
Mô hình dự đoán chuỗi từ, không tra cứu sự thật theo mặc định
Mô hình ngôn ngữ được huấn luyện để dự đoán token tiếp theo dựa trên các mẫu trong dữ liệu. OpenAI giải thích rằng việc dự đoán này có thể tạo ra câu văn rất trôi chảy, nhưng những sự kiện hiếm, chi tiết riêng lẻ hoặc câu hỏi không có đủ thông tin lại khó suy ra chính xác.
Điều đó không có nghĩa mọi câu trả lời đều là đoán mò. Nó có nghĩa người dùng không nên mặc định rằng mô hình đang mở một cơ sở dữ liệu sự thật mỗi lần trả lời.
Cách chấm điểm có thể khuyến khích việc đoán
Nếu một bài kiểm tra chỉ thưởng cho đáp án đúng và không phạt đáp án sai, hệ thống có động lực đoán thay vì thừa nhận không biết. Nghiên cứu được OpenAI trình bày năm 2025 lập luận rằng các đánh giá chỉ nhìn vào accuracy có thể bỏ qua chi phí của những lỗi tự tin.
Trong sử dụng thực tế, một câu “chưa đủ dữ liệu để kết luận” đôi khi an toàn hơn một câu trả lời cụ thể nhưng sai.
Ngữ cảnh thiếu hoặc nguồn không phù hợp
Nếu người dùng đưa một câu hỏi có ngày tháng, địa điểm, phiên bản sản phẩm hoặc thuật ngữ mơ hồ mà không cung cấp thêm bối cảnh, mô hình có thể điền vào chỗ trống bằng một khả năng có vẻ hợp lý. Khi dữ liệu doanh nghiệp bị cũ, trùng hoặc không có quyền truy cập đầy đủ, câu trả lời cũng dễ bị “grounding” sai.
9 cách kiểm chứng câu trả lời của AI
1. Tách câu trả lời thành từng claim
Đừng kiểm tra một đoạn văn như một khối. Hãy tách thành các tuyên bố có thể xác minh: ai, làm gì, khi nào, ở đâu, con số bao nhiêu, nguồn nào. Mỗi claim quan trọng cần một bằng chứng phù hợp.
2. Kiểm tra ngày, phiên bản và phạm vi áp dụng
Một chính sách đúng năm trước có thể đã đổi. Một tính năng có thể chỉ có trên gói trả phí, một quốc gia hoặc một phiên bản phần mềm. Hãy hỏi lại “thông tin này áp dụng cho thời điểm và thị trường nào?” trước khi dùng.
3. Mở nguồn gốc thay vì chỉ đọc trích dẫn
Nếu chatbot đưa một đường link, hãy mở trang gốc và tìm đúng đoạn hỗ trợ kết luận. Một liên kết tồn tại không có nghĩa nội dung trong đó xác nhận câu trả lời. Với tài liệu dài, kiểm tra tiêu đề, ngày cập nhật, tác giả và đoạn văn liên quan.
4. Ưu tiên nguồn chính thức cho claim nhạy cảm
Đối với luật, thuế, giá, điều kiện dịch vụ, API, bảo mật hoặc y tế, ưu tiên cơ quan quản lý, tài liệu nhà cung cấp, tiêu chuẩn và nghiên cứu gốc. Bài tổng hợp hoặc bài blog chỉ nên là điểm bắt đầu để tìm nguồn.
5. Yêu cầu AI tách dữ kiện và suy luận
Dùng yêu cầu: “Hãy chia câu trả lời thành ba phần: dữ kiện có nguồn, suy luận từ dữ kiện và phần chưa đủ bằng chứng.” Cách này không đảm bảo mô hình tự đánh giá đúng, nhưng giúp người đọc thấy phần nào cần kiểm tra trước.
6. Yêu cầu mô hình nói rõ khi không biết
Có thể đặt quy tắc: “Nếu không có thông tin trong tài liệu cung cấp, hãy trả lời chưa đủ dữ liệu; không tự điền tên, số liệu hoặc đường link.” Đây là lớp giảm rủi ro, không phải giấy chứng nhận rằng câu trả lời luôn đúng.
7. Đối chiếu độc lập với nguồn thứ hai
Với claim quan trọng, tìm một nguồn độc lập có thẩm quyền tương đương. Nếu hai nguồn không khớp, ghi nhận sự khác biệt và tìm văn bản cập nhật hơn. Đừng chọn kết quả chỉ vì nó giống với điều mình muốn nghe.
8. Dùng phép tính hoặc dữ liệu gốc để tái kiểm tra
Nếu AI đưa tỷ lệ, tổng tiền, CAGR, doanh thu hoặc số lượng, hãy tính lại bằng bảng tính hoặc script. Với dữ liệu bảng, kiểm tra tổng hàng, tổng cột, đơn vị đo và kỳ so sánh.
9. Có người chịu trách nhiệm ở bước cuối
NIST khuyến nghị kiểm tra nguồn và citation, đo hiệu năng trong điều kiện gần với môi trường triển khai và duy trì giám sát sau khi đưa hệ thống vào sử dụng. Với quyết định tài chính, pháp lý, y tế, tuyển dụng hoặc an toàn, người có chuyên môn phải duyệt kết quả.
Quy trình dùng AI an toàn cho cá nhân và SME
Bước 1: Xếp hạng mức độ rủi ro
Tác vụ sáng tạo như đặt tên hoặc viết ý tưởng thường có chi phí sai thấp. Tác vụ tóm tắt hợp đồng, tư vấn khách hàng, phân tích tài chính hoặc trả lời chính sách có chi phí sai cao hơn. Mức rủi ro quyết định mức độ kiểm chứng.
Bước 2: Chốt nguồn được phép sử dụng
Tạo một thư mục hoặc bộ tài liệu có phiên bản, ngày cập nhật và người chịu trách nhiệm. Nếu dùng RAG, hãy kiểm tra dữ liệu đã được phân quyền, làm sạch và gắn metadata. Xem thêm bài RAG cho doanh nghiệp để hiểu vì sao không nên đưa dữ liệu nội bộ vào chatbot mà thiếu kiểm soát.
Bước 3: Yêu cầu đầu ra có bằng chứng
Một mẫu yêu cầu thực tế:
Chỉ sử dụng các tài liệu được cung cấp. Với mỗi kết luận, nêu đoạn hoặc mục nguồn hỗ trợ. Nếu không tìm thấy bằng chứng, ghi “chưa đủ dữ liệu”. Tách riêng dữ kiện, suy luận và khuyến nghị. Không bịa citation hoặc số liệu.
Bước 4: Kiểm tra theo checklist
Người duyệt chỉ cần kiểm tra các claim vượt ngưỡng rủi ro, không nhất thiết đọc lại từng câu văn. Checklist nên có: nguồn, ngày cập nhật, con số, đối tượng áp dụng, ngoại lệ, dữ liệu cá nhân và hành động tiếp theo.
Bước 5: Ghi nhận lỗi để cải thiện
Theo dõi số claim sai, loại lỗi, nguồn gây lỗi, cách phát hiện và thời gian sửa. Một hệ thống có thể giảm lỗi bằng cách cải thiện retrieval, thay đổi prompt, thêm rule hoặc chuyển bước đó cho người. Không nên sửa bằng cách đổ thêm tài liệu một cách không có cấu trúc.
Grounding có loại bỏ hallucination không?
Grounding là việc buộc câu trả lời dựa vào dữ liệu được chọn, thường thông qua tìm kiếm, retrieval hoặc tài liệu nội bộ. Microsoft mô tả grounding là cách giúp mô hình bám vào thông tin nguồn và cho phép người dùng kiểm tra citation.
Grounding có thể giảm câu trả lời không có căn cứ, nhưng không tự động giải quyết mọi vấn đề. Nếu retrieval lấy sai đoạn, tài liệu đã lỗi thời, quyền lọc sai hoặc mô hình diễn giải quá mức, câu trả lời vẫn có thể sai. Vì vậy cần đo cả chất lượng retrieval, độ trung thành với nguồn và tính hữu ích của câu trả lời.
Dấu hiệu cảnh báo cần kiểm chứng ngay
Hãy dừng lại và kiểm tra nếu câu trả lời có một trong các dấu hiệu sau: quá cụ thể nhưng không có nguồn, nhiều số liệu tròn đẹp, trích dẫn không mở được, tên nghiên cứu nghe hợp lý nhưng không tìm thấy, khẳng định tuyệt đối về quy định, thay đổi phiên bản mới hoặc mâu thuẫn với tài liệu bạn đã biết.
Một dấu hiệu khác là câu trả lời né câu hỏi nhưng vẫn trình bày rất dài. Độ dài, giọng chuyên nghiệp và nhiều thuật ngữ không phải bằng chứng của độ chính xác.
Câu hỏi thường gặp về AI hallucination
AI có thể hết hallucination không?
Không nên hứa hẹn loại bỏ hoàn toàn. Có thể giảm lỗi bằng dữ liệu tốt, retrieval, đánh giá, yêu cầu abstain và kiểm duyệt của con người. Nhưng câu hỏi thiếu thông tin, dữ liệu thay đổi và giới hạn của mô hình vẫn tạo ra rủi ro.
Prompt yêu cầu “không được bịa” có đủ không?
Không. Prompt là một lớp hướng dẫn. Bạn vẫn cần nguồn, kiểm tra citation, kiểm tra số liệu và người chịu trách nhiệm khi tác vụ quan trọng.
Câu trả lời có citation có đáng tin hơn không?
Citation giúp kiểm tra, nhưng không bảo đảm đúng. Hãy mở nguồn, tìm đoạn hỗ trợ và xem nguồn có đúng phạm vi, thời điểm và kết luận hay không.
Khi nào có thể dùng AI mà không kiểm tra từng câu?
Với nội dung sáng tạo có chi phí sai thấp, bạn có thể kiểm tra ở mức tổng thể. Khi nội dung liên quan tới tiền, quyền lợi, sức khỏe, pháp lý, bảo mật hoặc quyết định về con người, phải nâng mức kiểm chứng.
Nguồn kiểm chứng
- NIST AI 600-1 — Generative AI Profile, kiểm tra ngày 16/10/2026.
- OpenAI — Why language models hallucinate, ngày 05/09/2025, kiểm tra ngày 16/10/2026.
- Microsoft — Why AI sometimes gets it wrong, kiểm tra ngày 16/10/2026.
Bài viết cung cấp khung sử dụng AI có trách nhiệm, không thay thế tư vấn chuyên môn trong các lĩnh vực có hậu quả cao.
