Tên tiếng Anh: The Shift from Generative AI to Agentic AI in Education: A Self-Regulated Learning Model and Learner Competency Development Strategies in the Digital Era
NGUYỄN VĂN HÙNG
HIGHLIGHTS
- Phân biệt rõ ràng ba làn sóng phát triển của AI trong giáo dục: Rule-based AI → Generative AI → Agentic AI, với những đặc trưng và giới hạn riêng.
- Đề xuất kiến trúc Hệ thống đa tác tử (Multi-Agent Architecture) với bốn tác tử chuyên trách: Diagnostic Agent, Curriculum Planner Agent, Tutor Agent, và Feedback & Reflection Agent.
- Xây dựng cơ chế phối hợp liên tác tử theo chu trình kín, bảo đảm tính thích ứng theo thời gian thực dựa trên Vùng phát triển gần nhất (ZPD) của người học.
- Tái định vị vai trò của nhà giáo từ người truyền thụ tri thức sang Nhà thiết kế trải nghiệm học tập, Cố vấn tâm lý xã hội, và Chỉ huy trưởng hệ thống số.
- Đề xuất khung kiểm soát “Human-in-the-Loop” với ba cơ chế: RAG kết hợp tri thức chuyên gia, bảo mật dữ liệu cá nhân, và cơ chế ngắt khẩn cấp (Circuit Breakers).
- Phát triển mô hình kỹ năng 7Cs cho người học trong kỷ nguyên Agentic AI, bao gồm Tư duy phản biện, Sáng tạo, Hợp tác, Thấu hiểu đa văn hóa, Giao tiếp, Tính toán & Kỹ thuật số, và Tự lực phát triển sự nghiệp.
TÓM TẮT
Sự phát triển của Trí tuệ nhân tạo (AI) đang định hình lại căn bản cấu trúc và phương pháp tiếp cận trong giáo dục hiện đại. Mặc dù Trí tuệ nhân tạo tạo sinh (Generative AI) đã tạo nên bước đột phá về khả năng khởi tạo tài nguyên học tập, song mô hình tương tác một chiều dạng “hỏi – đáp” (prompt-response) bộc lộ nhiều giới hạn trong việc duy trì tiến trình nhận thức liên tục và cá nhân hóa sâu sắc. Bài viết này tập trung phân tích sự chuyển dịch mang tính bản lề từ Generative AI sang Trí tuệ nhân tạo có tính tác tử (Agentic AI) – một mô thức AI sở hữu năng lực tự chủ lập kế hoạch, sử dụng công cụ, lưu trữ ký ức ngữ cảnh và tự phản tỉnh để giải quyết các bài toán giáo dục phức tạp.
Bằng phương pháp tổng quan tài liệu có hệ thống kết hợp mô hình hóa quy trình thiết kế dạy học, nghiên cứu đề xuất kiến trúc hệ thống đa tác tử (Multi-Agent Architecture) nhằm thiết lập môi trường học tập thích ứng, qua đó thúc đẩy năng lực tự điều chỉnh học tập (Self-Regulated Learning – SRL) của người học. Bài báo đồng thời phân tích khung kiểm soát “Human-in-the-Loop” nhằm định vị lại vai trò của nhà giáo, bảo đảm tính nhân văn và các tiêu chuẩn đạo đức học thuật trong quá trình chuyển đổi số giáo dục bền vững.
Từ khóa: Agentic AI, Generative AI, Hệ thống đa tác tử, Học tập thích ứng, Tự điều chỉnh học tập, Human-in-the-Loop.
ABSTRACT
The development of Artificial Intelligence (AI) is fundamentally reshaping the structure and approaches in modern education. While Generative AI has created breakthroughs in generating learning resources, the one-way “prompt-response” interaction model reveals significant limitations in maintaining continuous cognitive processes and deep personalization. This article focuses on analyzing the pivotal shift from Generative AI to Agentic AI – an AI paradigm possessing autonomous capabilities for planning, tool use, contextual memory storage, and self-reflection to address complex educational problems.
Through a systematic literature review combined with instructional design process modeling, this study proposes a Multi-Agent Architecture to establish an adaptive learning environment, thereby promoting learners’ Self-Regulated Learning (SRL) capabilities. The article simultaneously analyzes the “Human-in-the-Loop” control framework to redefine the educator’s role, ensuring humanistic values and academic ethical standards in the sustainable digital transformation of education.
Keywords: Agentic AI, Generative AI, Multi-Agent System, Adaptive Learning, Self-Regulated Learning, Human-in-the-Loop.
- ĐẶT VẤN ĐỀ VÀ BỐI CẢNH NGHIÊN CỨU
1.1. Sự tiến hóa tất yếu của trí tuệ nhân tạo trong không gian sư phạm
Chuyển đổi số trong giáo dục không đơn thuần là việc số hóa giáo trình hay ứng dụng các nền tảng trực tuyến, mà là quá trình tái cấu trúc toàn diện không gian sư phạm dựa trên sự hỗ trợ của các công nghệ đột phá. Lịch sử ứng dụng AI trong giáo dục đã trải qua ba làn sóng tiến hóa rõ rệt:
Giai đoạn 1 – Hệ thống dựa trên quy tắc (Rule-based & Expert Systems): Các hệ thống dạy kèm thông minh thời kỳ đầu (Intelligent Tutoring Systems – ITS) vận hành dựa trên các cây quyết định cố định, hỗ trợ giải đáp một số bài toán chuẩn hóa nhưng hoàn toàn thiếu tính linh hoạt trước sự đa dạng của hành vi học tập.
Giai đoạn 2 – Generative AI (Mô hình ngôn ngữ lớn – LLMs): Sự xuất hiện của ChatGPT và các mô hình nền tảng đánh dấu bước nhảy vọt về khả năng tổng hợp tri thức, dịch thuật và sinh nội dung đa phương tiện, biến AI thành trợ lý đắc lực cho việc tra cứu thông tin nhanh. Tuy nhiên, như Mike Walsh đã nhận định trong The Algorithmic Leader, “bạn không cần phải làm việc cho một công ty công nghệ để thuật toán trở nên quan trọng. Mọi công ty ngày nay đều là một công ty thuật toán, dù họ có biết hay không” (Walsh, 2019). Điều này có nghĩa là mọi cơ sở giáo dục, bất kể quy mô, đều phải đối mặt với thách thức tích hợp AI một cách có chiến lược.
Giai đoạn 3 – Agentic AI (Trí tuệ nhân tạo có tính tác tử): Đánh dấu bước chuyển dịch từ khả năng “tạo sinh nội dung thụ động” sang “năng lực thực thi hành động tự chủ”. Walsh định nghĩa nhà lãnh đạo thuật toán là “người đã thích ứng thành công việc ra quyết định, phong cách quản lý và đầu ra sáng tạo của mình với sự phức tạp của thời đại máy móc” (Walsh, 2019). Trong giáo dục, điều này có nghĩa là các nhà quản lý và giáo viên cần thích ứng với một hệ sinh thái nơi AI không chỉ trả lời câu hỏi mà còn chủ động thiết kế lộ trình học tập.
Hình 1: Tiến trình tiến hóa của AI trong giáo dục
1.2. Những điểm nghẽn nhận thức luận của Generative AI truyền thống
Mặc dù Generative AI mang lại nhiều tiện ích, việc ứng dụng công cụ này vào giáo dục chuyên sâu đang đối mặt với những rào cản mang tính bản chất:
Thứ nhất, sự phụ thuộc vào năng lực Prompting của người học. Khả năng nhận được câu trả lời chất lượng cao tỷ lệ thuận với trình độ ngôn ngữ và tư duy logic của câu lệnh. Học sinh có năng lực tiếp thu yếu hoặc vốn từ hạn chế thường gặp khó khăn trong việc khai thác AI hiệu quả.
Thứ hai, tính đứt gãy ngữ cảnh và thiếu khả năng theo dõi tiến trình. Generative AI truyền thống chủ yếu hoạt động theo từng phiên (session-based), thiếu bộ nhớ cấu trúc dài hạn để ghi nhận sự thay đổi tâm lý, nhận thức, hoặc các lỗ hổng kiến thức tích lũy qua từng tuần học của học sinh. David Autor, David Mindell, và Elisabeth Reynolds trong The Work of the Future đã chỉ ra rằng “điều này sẽ không được quyết định bởi công nghệ tự thân. Nó sẽ được quyết định bởi những lựa chọn mà chúng ta cùng nhau thực hiện” (Autor et al., 2022). Trong bối cảnh giáo dục, những lựa chọn đó bao gồm việc thiết kế hệ thống AI có khả năng duy trì bối cảnh học tập theo thời gian.
Thứ ba, hiện tượng “Ảo giác tri thức” (Hallucination). Việc mô hình ngôn ngữ tự tin đưa ra các thông tin sai lệch gây tổn hại nghiêm trọng đến độ chính xác học thuật nếu người học thiếu năng lực tư duy phản biện. Shannon Vallor, trong The AI Mirror, cảnh báo: “AI là một tấm gương phản chiếu chính chúng ta, không phải như chúng ta nên hoặc có thể trở thành, mà như chúng ta vốn đã và đang là” (Vallor, 2024). Bà nhấn mạnh rằng “thay vì mở ra những tương lai mới, các công nghệ AI mạnh mẽ ngày nay tái tạo quá khứ. Được rèn từ đại dương dữ liệu của chúng ta thành những tấm gương mạnh mẽ nhưng có sai sót, chúng phản ánh những sai lầm, thiên lệch và thất bại trong sự thông thái mà chúng ta cố gắng thoát khỏi” (Vallor, 2024). Điều này đặc biệt nguy hiểm trong giáo dục, nơi AI có thể củng cố các thiên lệch hiện hữu thay vì giúp người học vượt qua chúng.
Thứ tư, nguy cơ làm suy giảm tư duy độc lập. Cơ chế cung cấp ngay câu trả lời hoàn chỉnh dễ dẫn đến hành vi “lười tư duy”, biến người học thành đối tượng tiêu thụ thụ động thay vì chủ thể khám phá kiến thức.
1.3. Tính cấp thiết của nghiên cứu
Trước những giới hạn trên, yêu cầu đặt ra là phải xây dựng một mô hình công nghệ có khả năng chủ động đồng hành, hiểu được ngữ cảnh sư phạm và tự điều chỉnh lộ trình hỗ trợ tương ứng với vùng phát triển của người học. Nghiên cứu mô hình ứng dụng Agentic AI trong giáo dục chính là lời giải khoa học cho mục tiêu chuyển đổi từ “học tập đại trà” sang “học tập thích ứng và cá nhân hóa sâu sắc”, bảo đảm phát triển toàn diện phẩm chất và năng lực người học trong bối cảnh xã hội số.
Như David De Cremer đã chỉ ra trong The AI-Savvy Leader, các nhà lãnh đạo phần lớn đã từ bỏ vai trò của mình trong quá trình chuyển đổi AI, đẩy việc xây dựng chiến lược cho các nhóm kỹ thuật và để lại quyết định đầu tư cho những nhóm thiếu cái nhìn toàn diện về tổ chức và mục tiêu của nó (De Cremer, 2024). De Cremer nhấn mạnh rằng “các nhà lãnh đạo doanh nghiệp không thể ủy thác trách nhiệm của bất kỳ chiến lược áp dụng AI nào” (De Cremer, 2024) – và nguyên tắc này cũng đúng với các nhà quản lý giáo dục.
- CƠ SỞ LÝ LUẬN VỀ AGENTIC AI TRONG GIÁO DỤC
2.1. Bản chất và cấu trúc vận hành của Agentic AI
Khác với một mô hình ngôn ngữ tĩnh chỉ xử lý chuỗi văn bản đầu vào để cho ra chuỗi văn bản đầu ra, một Tác tử AI (AI Agent) là một thực thể tính toán độc lập, được trao quyền tự chủ nhằm đạt được một hoặc nhiều mục tiêu xác định trong môi trường biến đổi.
Cấu trúc vận hành của Agentic AI được thiết lập dựa trên bốn trụ cột cốt lõi:
Lập kế hoạch và Suy luận (Planning & Reasoning): Năng lực phân rã một mục tiêu phức tạp (ví dụ: “Nắm vững định luật bảo toàn năng lượng”) thành các mục tiêu học tập vi mô (Micro-objectives), đồng thời ứng dụng các kỹ thuật tư duy như Chain-of-Thought (Chuỗi suy nghĩ) hay Tree-of-Thoughts để lựa chọn lộ trình giảng giải phù hợp nhất.
Sử dụng công cụ (Tool Use / Function Calling): Tác tử không bị cô lập trong không gian văn bản mà có khả năng kích hoạt máy tính giải tích, truy vấn cơ sở dữ liệu số, mở phần mềm mô phỏng vật lý 3D hoặc tương tác với hệ thống quản lý học tập (LMS) để thu thập dữ kiện.
Hệ thống bộ nhớ (Memory Architecture):
- Bộ nhớ ngắn hạn (Short-term Memory): Lưu trữ các tương tác ngay trong bài học hiện tại.
- Bộ nhớ dài hạn (Long-term Memory): Sử dụng cơ sở dữ liệu véc-tơ (Vector Databases) để lưu trữ toàn bộ lịch sử điểm số, phong cách học tập, sở thích cá nhân và tốc độ tiếp thu của học sinh qua nhiều năm học.
Cơ chế tự phản tỉnh (Reflection & Self-Correction): Sau khi cung cấp một bài tập hoặc lời giải thích, tác tử tự đánh giá mức độ hiểu bài của học sinh. Nếu người học vẫn trả lời sai, tác tử sẽ tự nhận diện sự thất bại của phương pháp trước đó để đổi sang một hình thức trực quan hoặc một ví dụ ẩn dụ khác.
Hình 2: Kiến trúc Agentic Engine
2.2. Các lý thuyết sư phạm nền tảng
Việc kiến tạo mô hình Agentic AI phải bắt rễ từ các nguyên lý sư phạm kinh điển:
Thuyết kiến tạo xã hội và Vùng phát triển gần nhất (Vygotsky, 1978): Khái niệm Zone of Proximal Development (ZPD) chỉ ra khoảng cách giữa năng lực hiện tại của người học khi tự làm việc và tiềm năng đạt được khi có sự hướng dẫn của một “Đối tượng có hiểu biết hơn” (More Knowledgeable Other – MKO). Agentic AI đóng vai trò như một MKO kỹ thuật số liên tục điều chỉnh mức độ giàn giáo sư phạm (Scaffolding), chỉ can thiệp khi học sinh gặp bế tắc và dần dần rút lui khi học sinh đã làm chủ kiến thức.
Thuyết Tự quyết (Deci & Ryan, 2000): Động lực học tập bền vững được hình thành khi thỏa mãn ba nhu cầu tâm lý cơ bản: Tự chủ (Autonomy), Năng lực (Competence), và Gắn kết (Relatedness). Hệ thống tác tử trao quyền cho học sinh tự chọn phương thức tiếp cận kiến thức (thông qua hình ảnh, thực hành dự án hay giải đố), giúp gia tăng cảm giác làm chủ lộ trình cá nhân.
Lý thuyết Tự điều chỉnh học tập (Zimmerman, 2002): Học tập tự điều chỉnh (SRL) là một chu trình gồm ba pha: Hoạch định trước (Forethought), Thực hiện/Kiểm soát (Performance), và Tự phản ánh (Self-reflection). Agentic AI đóng vai trò như chiếc gương phản chiếu giúp học sinh theo dõi tiến độ, tự đánh giá thói quen học tập và rèn luyện kỹ năng tự định hướng suốt đời.
2.3. Bảng đối sánh sâu giữa Generative AI cơ bản và Hệ thống Agentic AI trong giáo dục
| Tiêu chí phân tích | Generative AI thông thường (LLMs) | Hệ thống Agentic AI chuyên sâu |
| Mô hình tương tác | Hỏi – Đáp đơn lẻ, thụ động theo từng lệnh | Vận hành theo mục tiêu học tập dài hạn, chủ động tương tác |
| Khả năng duy trì bối cảnh | Bị giới hạn trong cửa sổ ngữ cảnh của từng phiên làm việc | Tích hợp bộ nhớ dài hạn, theo dõi liên tục tiến trình nhận thức qua nhiều năm |
| Phương pháp sư phạm | Thiên về cung cấp câu trả lời sẵn có (Direct Answer) | Ứng dụng phương pháp gợi mở (Socratic Method), dẫn dắt tư duy từng bước |
| Khả năng tự hiệu chỉnh | Phụ thuộc hoàn toàn vào việc người dùng phát hiện lỗi và sửa prompt | Tự kiểm thử, đánh giá phản hồi của người học để tự động thay đổi chiến thuật dạy |
| Tích hợp công cụ số | Giới hạn trong môi trường sinh văn bản thuần túy | Tự động kết nối phần mềm thí nghiệm, hệ thống LMS, công cụ chấm điểm tự động |
| Cộng tác hệ thống | Đơn lẻ, một mô hình đảm nhiệm mọi tác vụ | Phối hợp đa tác tử chuyên biệt hóa sâu (Đánh giá, Soạn bài, Giám sát) |
Bảng 1: Đối sánh Generative AI và Hệ thống Agentic AI trong giáo dục
- MÔ HÌNH HỆ THỐNG ĐA TÁC TỬ (MULTI-AGENT ARCHITECTURE) TRONG DẠY HỌC THÍCH ỨNG
3.1. Kiến trúc phân tầng của hệ sinh thái Agentic EdTech
Để hiện thực hóa một không gian học tập thích ứng toàn diện, nghiên cứu đề xuất mô hình bốn tác tử chuyên trách vận hành đồng bộ:
Hình 3: Kiến trúc Hệ thống đa tác tử trong dạy học thích ứng
Tác tử Đánh giá & Chẩn đoán (Diagnostic Agent): Phân tích dữ liệu đầu vào của học sinh (kết quả bài kiểm tra, thời gian giải một bài toán, số lần thử sai). Tác tử này xây dựng “Bản đồ lỗ hổng kiến thức” (Knowledge Gap Map) nhằm xác định chính xác điểm nghẽn nhận thức thuộc về khái niệm nền tảng hay kỹ năng tính toán.
Tác tử Thiết kế lộ trình (Curriculum Planner Agent): Dựa trên chẩn đoán, tác tử này phân rã khung chương trình giáo dục quốc gia thành các học phần nhỏ phù hợp với năng lực hiện tại của từng em; tự động sắp xếp lại thứ tự bài học để củng cố nền tảng trước khi nâng cao.
Tác tử Gia sư đồng hành (Tutor Agent): Trực tiếp tương tác với học sinh. Thay vì giải bài hộ, tác tử đóng vai người đồng hành sử dụng nghệ thuật câu hỏi Socrates (Socratic questioning), đưa ra các câu hỏi gợi mở, bài toán tương tự và ví dụ trực quan nhằm kích thích học sinh tự tìm ra đáp án. Như Paul R. Daugherty và H. James Wilson đã nhấn mạnh trong Human + Machine, “các công ty đạt được lợi thế cạnh tranh bền vững bằng cách nhận ra rằng sự bổ trợ, không phải thay thế, giúp họ vượt lên dẫn đầu” (Daugherty & Wilson, 2018) – Tutor Agent được thiết kế để bổ trợ, không thay thế, quá trình tư duy của người học.
Tác tử Giám sát & Đánh giá (Feedback & Reflection Agent): Đóng vai trò là vòng phản hồi liên tục. Tác tử ghi nhận hành vi học tập, đánh giá mức độ tập trung và sự tiến bộ, từ đó cập nhật dữ liệu vào bộ nhớ dài hạn, đồng thời gửi báo cáo tổng hợp trực quan cho giáo viên phụ trách.
3.2. Cơ chế phối hợp liên tác tử (Inter-Agent Collaboration)
Quy trình vận hành giữa các tác tử tuân theo chu trình kín, bảo đảm tính thích ứng theo thời gian thực:
Quá trình này diễn ra tự động hóa nhưng luôn duy trì cơ chế ghi vết (audit trail) để người dạy có thể can thiệp bất kỳ lúc nào. Điều này phù hợp với nhận định của Vallor (2024) rằng “AI có thể làm xói mòn năng lực con người nếu không được thiết kế có chủ đích” – và audit trail là một phần của thiết kế có chủ đích đó.
- CHIẾN LƯỢC TRIỂN KHAI VÀ KHUNG QUẢN TRỊ RỦI RO “HUMAN-IN-THE-LOOP”
4.1. Tái định vị vai trò của Giáo viên trong kỷ nguyên AI tự chủ
Sự trỗi dậy của Agentic AI không làm suy giảm hay thay thế vị thế của người thầy, mà trái lại, nâng tầm vai trò của nhà giáo. David De Cremer (2024) đã nhấn mạnh rằng “mục đích cuối cùng là nâng cao trí tuệ con người” – và sự nâng cao đó đòi hỏi một vai trò mới của nhà giáo:
Từ người truyền thụ một chiều sang Nhà thiết kế trải nghiệm học tập: Giáo viên không còn mất hàng giờ để soạn từng bài kiểm tra hay chấm điểm thủ công, mà tập trung thiết lập các mục tiêu sư phạm cốt lõi, chuẩn đầu ra và kịch bản tương tác cho các tác tử AI.
Người cố vấn tâm lý và phát triển cảm xúc (Mentorship & SEL): Các tác tử AI đảm nhiệm việc tối ưu hóa khối lượng kiến thức học thuật, giải phóng thời gian để giáo viên quan tâm đến sức khỏe tâm thần, cảm xúc xã hội, phát triển tính cách và giải quyết các xung đột tâm lý của học sinh.
Chỉ huy trưởng hệ thống số: Giáo viên nắm quyền phê duyệt cao nhất đối với các lộ trình học tập do AI đề xuất, bảo đảm các can thiệp công nghệ luôn nằm trong chuẩn mực đạo đức sư phạm.
Bảng 2: Sự chuyển dịch vai trò của nhà giáo trong kỷ nguyên mới
4.2. Khung kiểm soát an toàn và đạo đức học thuật
Triển khai Agentic AI trong môi trường giáo dục đòi hỏi một khung quản trị đa tầng nghiêm ngặt. Marco Iansiti và Karim R. Lakhani (2020) đã cảnh báo rằng “các công ty truyền thống không thể gắn AI và phân tích và mong đợi cạnh tranh” – họ cần tái kiến trúc toàn bộ tổ chức, và trong giáo dục, sự tái kiến trúc đó bao gồm các cơ chế kiểm soát sau:
Ứng dụng kỹ thuật RAG (Retrieval-Augmented Generation) kết hợp Tri thức chuyên gia: Các tác tử phải được neo giữ (grounded) trên kho học liệu chuẩn quốc gia đã qua kiểm duyệt sư phạm, triệt tiêu hoàn toàn hiện tượng sinh dữ liệu giả mạo.
Bảo mật và Quyền sở hữu dữ liệu học tập cá nhân: Dữ liệu hành vi, tâm lý và học lực của học sinh phải được mã hóa phân tán, tuân thủ các quy chuẩn bảo mật quốc tế (như GDPR hay COPPA), nghiêm cấm sử dụng dữ liệu này cho các mục đích thương mại ngoài giáo dục. De Cremer (2020), trong Leadership by Algorithm, đã cảnh báo rằng “nếu không có mục đích, thuật toán sẽ khuếch đại thiên lệch” – và việc bảo vệ dữ liệu cá nhân là một phần của mục đích đó.
Cơ chế ngắt khẩn cấp (Circuit Breakers): Hệ thống phải trang bị thuật toán nhận diện các bất thường về mặt hành vi hoặc cảm xúc tiêu cực của học sinh trong quá trình tương tác, lập tức cảnh báo và chuyển quyền kiểm soát hoàn toàn sang cho chuyên viên tâm lý hoặc giáo viên phụ trách.
4.3. Phát triển kỹ năng số và năng lực tự chủ (7Cs) cho người học
Để không bị động trước công nghệ, học sinh cần được trang bị năng lực làm chủ hệ sinh thái số thông qua mô hình kỹ năng thế kỷ 21 (7Cs). Daugherty và Wilson (2018) đã nhấn mạnh rằng “AI không phải là tạo ra những ‘siêu nhân nhân tạo’ – mà là sử dụng công nghệ để trao cho con người ‘siêu năng lực'” – và 7Cs là những siêu năng lực đó trong bối cảnh giáo dục:
- Tư duy phản biện (Critical Thinking):Năng lực chất vấn và kiểm chứng mọi dữ kiện do AI cung cấp. Vallor (2024) đã chỉ ra rằng “nếu không có sự chú ý có chủ đích, AI có thể làm xói mòn năng lực con người” – và tư duy phản biện là sự chú ý có chủ đích đó.
- Sáng tạo (Creativity):Sử dụng các tác tử AI như công cụ mở rộng ý tưởng để giải quyết các bài toán liên môn.
- Hợp tác (Collaboration):Phối hợp giải quyết dự án nhóm trong môi trường có sự hỗ trợ của các tác tử chuyên môn.
- Thấu hiểu đa văn hóa (Cross-cultural Understanding):Tận dụng khả năng đa ngôn ngữ của AI để tiếp cận các nền văn hóa một cách chuẩn mực và tôn trọng.
- Giao tiếp (Communication):Năng lực biểu đạt tư duy mạch lạc để tương tác hiệu quả với cả con người và hệ thống thông minh.
- Tính toán & Kỹ thuật số (Computing):Làm chủ tư duy thuật toán, hiểu nguyên lý vận hành cơ bản của AI.
- Tự lực phát triển sự nghiệp (Career Self-reliance):Ý thức tự học, tự định hướng lộ trình hoàn thiện bản thân trong một thế giới việc làm liên tục biến đổi.
- THẢO LUẬN VÀ HÀM Ý THỰC TIỄN
5.1. Tích hợp trong mô hình giáo dục STEM/STEAM và Đổi mới sáng tạo
Hệ sinh thái Agentic AI là công cụ lý tưởng để triển khai các mô hình giáo dục liên môn phức hợp. Iansiti và Lakhani (2020) đã chỉ ra rằng “ngay cả AI tương đối đơn giản được áp dụng trong hoạt động của công ty cũng có thể thay đổi căn bản cách công ty vận hành” – và trong giáo dục, Agentic AI có thể thay đổi căn bản cách học sinh tiếp cận các dự án STEM:
Mô phỏng và Điều khiển thông minh: Trong các chương trình giáo dục STEM hiện đại (như lập trình thiết bị không người lái – Drones, mô phỏng thực tế ảo XR/VR 360), Agentic AI có thể đóng vai trò như một môi trường thử nghiệm (Sandbox) tự động phản hồi mã lệnh, hướng dẫn học sinh sửa lỗi thuật toán từng bước theo thời gian thực.
Học tập qua dự án (Project-Based Learning – PBL): Các nhóm học sinh có thể chỉ huy các tác tử AI chuyên biệt (Tác tử phân tích dữ liệu, Tác tử thiết kế đồ họa, Tác tử lập trình) để cùng hoàn thành các dự án giải quyết vấn đề thực tiễn của cộng đồng, rèn luyện tư duy lãnh đạo linh hoạt (Agile Leadership).
5.2. Yêu cầu về hạ tầng và thể chế số tại các cơ sở giáo dục
Để hiện thực hóa mô hình, ngành giáo dục cần đồng bộ ba yếu tố then chốt:
Hạ tầng tính toán và đường truyền: Đảm bảo kết nối mạng băng thông rộng và tài nguyên máy chủ biên để giảm độ trễ khi xử lý các chuỗi tác tử.
Khung năng lực số cho đội ngũ sư phạm: Tổ chức các chương trình đào tạo liên tục giúp giáo viên nâng cao năng lực sư phạm số, hiểu rõ cách điều khiển và giám sát các tác tử AI.
Chính sách thể chế mở: Xây dựng quy chế công nhận việc tự học có sự hỗ trợ của AI thích ứng trong cấu trúc tín chỉ và chuẩn đầu ra của chương trình đào tạo.
Autor, Mindell và Reynolds (2022) đã nhấn mạnh rằng “Bầu trời không sụp đổ, nhưng nó đang từ từ hạ thấp” – thay đổi công nghệ diễn ra từ từ nhưng có hệ quả, và “điều này sẽ không được quyết định bởi công nghệ tự thân. Nó sẽ được quyết định bởi những lựa chọn mà chúng ta cùng nhau thực hiện”. Những lựa chọn về hạ tầng và thể chế sẽ quyết định thành công của việc tích hợp Agentic AI vào giáo dục.
- KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN
Agentic AI đánh dấu bước chuyển dịch mang tính bước ngoặt từ các công cụ AI hỗ trợ tạo sinh thụ động sang các hệ sinh thái tác tử tự chủ và đồng hành thích ứng. Mô hình này không chỉ tháo gỡ các nút thắt về sự đứt gãy ngữ cảnh và tính thụ động của Generative AI truyền thống, mà còn tạo ra nền tảng vững chắc để hiện thực hóa triết lý cá nhân hóa giáo dục ở mức độ chính xác cao, trao quyền cho người học phát triển toàn diện năng lực tự điều chỉnh học tập trong kỷ nguyên số.
Như De Cremer và Kasparov (2026) đã nhấn mạnh, “khi tính tất yếu trở thành câu chuyện thống trị, các tổ chức có nguy cơ đánh mất điều gì đó độc nhất của con người: khả năng lựa chọn” (De Cremer & Kasparov, 2026). Trong giáo dục, khả năng lựa chọn đó bao gồm việc quyết định mức độ tự chủ của AI trong quá trình học tập, cách thức bảo vệ quyền chủ thể của người học, và phương thức duy trì trách nhiệm của nhà giáo trong một hệ sinh thái ngày càng tự động hóa.
Định hướng phát triển:
Chuẩn hóa khung kiến trúc đa tác tử an toàn: Đặt cơ chế kiểm soát của nhà giáo (Human-in-the-Loop) làm trung tâm, với các nguyên tắc được UNESCO (2021) và EU AI Act (European Parliament & Council, 2024) khuyến nghị về minh bạch, trách nhiệm giải trình và giám sát con người.
Đẩy mạnh các nghiên cứu thực nghiệm quy mô lớn tại các trường học: Nhằm đánh giá định lượng tác động nhận thức của Agentic AI, đặc biệt là tác động lên năng lực tự điều chỉnh học tập và tư duy phản biện của người học.
Hoàn thiện khung pháp lý và quy chuẩn đạo đức về dữ liệu người học: Bảo đảm tiến trình chuyển đổi số trong giáo dục diễn ra bền vững, nhân văn và hòa nhập, phù hợp với các tiêu chuẩn quốc tế về bảo vệ dữ liệu và quyền riêng tư.
TÀI LIỆU THAM KHẢO
Autor, D., Mindell, D., & Reynolds, E. (2022). The work of the future: Building better jobs in an age of intelligent machines. The MIT Press.
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.
Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258.
Daugherty, P. R., & Wilson, H. J. (2018). Human + machine: Reimagining work in the age of AI. Harvard Business Review Press.
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268.
De Cremer, D. (2020). Leadership by algorithm: Who leads and who follows in the AI era? Harriman House.
De Cremer, D. (2024). The AI-savvy leader: 9 ways to take back control and make AI work. Harvard Business Review Press.
De Cremer, D., & Kasparov, G. (2026). AI is not inevitable; it is a choice! And leaders should start acting like it. California Management Review Insights.
European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542-570.
Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
UNESCO. (2021). AI and education: Guidance for policy-makers. UNESCO Publishing.
Vallor, S. (2024). The AI mirror: How to reclaim our humanity in an age of machine thinking. Oxford University Press.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Walsh, M. (2019). The algorithmic leader: How to be smart when machines are smarter than you. Page Two Books.
Wang, L., et al. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345.
Wooldridge, M. (2009). An introduction to multiagent systems (2nd ed.). John Wiley & Sons.
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64-70.
