Đừng Tốn Một Mô Hình Cho Việc Mà Một Quy Tắc Có Thể Làm: Cẩm Nang Local-First Cho Tự Động Hóa Hàng Ngày

Hóa đơn của bạn không cần một cuộc trò chuyện.

Bộ điều nhiệt của bạn không cần một agent. Thư mục ảnh của bạn không cần một trung tâm dữ liệu. Một ngày tháng trong file PDF cần Find. Một tổng số cần một máy tính. Chữ in cần OCR. Một đèn báo lỗi cố định cần một quy tắc.

Gửi tất cả những thứ đó đến một mô hình tạo sinh đa dụng không phải là sự tinh vi. Đó là thất bại trong việc chọn công cụ.

Khi công việc tính toán thường ngày biến thành một cuộc trò chuyện đám mây tính phí theo lượt, người dùng phải trả bằng token, sự lệ thuộc vào mạng, rủi ro tiết lộ thông tin, và điện năng mà họ không thể kiểm tra. Vấn đề không phải là AI tạo sinh tồn tại. Vấn đề là biến nó thành trạm thu phí cho những việc mà máy tính thông thường đã biết làm từ lâu.

Đây không phải là bảng xếp hạng mô hình, hướng dẫn mua sắm, hay bài quảng cáo liên kết. Nó đứng về phía người dùng:

Dùng công cụ ít mạnh nhất mà vẫn hoàn thành được việc. Chỉ leo lên bậc cao hơn khi bậc thấp thất bại.

Local-first là một quy tắc định tuyến, không phải một bài kiểm tra sự tinh khiết. Mục tiêu không phải là zero AI. Mục tiêu là AI có lý do chính đáng.

Nấc thang LOCAL

Chạy bài kiểm tra này trước khi mở một chatbot.

Phiên bản 30 giây:

1. Câu trả lời đã có sẵn chưa?
2. Một quy tắc chính xác có thể tạo ra nó không?
3. Một bộ nhận diện hẹp có thể nhận ra nó cục bộ không?
4. Việc tạo sinh thêm được gì mà việc trích xuất không làm được?
5. Có điều gì thực sự cần quyền để hành động không?

Dùng tạo sinh xác suất cho sự mập mờ. Dùng phần mềm tất định cho sự thật và quy tắc.

Hầu hết "công việc AI" nhỏ hơn cái tên của nó

Câu hỏi hữu ích không phải là "Tôi nên dùng mô hình nào?" Mà là "Đây là loại phép toán gì?"

Những công cụ này không "kém thông minh hơn." Chúng hẹp hơn — và hẹp thường tốt hơn. Đầu vào của chúng có giới hạn, đầu ra có thể kiểm tra được, và khi thất bại, nó không đội lốt văn xuôi trôi chảy.

Machine learning cổ điển vẫn quan trọng. Hồi quy logistic, Naive Bayes, cây quyết định, máy vector hỗ trợ, rừng ngẫu nhiên, và isolation forest có thể chạy trên CPU thông thường mà không tạo ra một token nào. OpenCV cung cấp phép ngưỡng cục bộ, khớp mẫu, và trừ nền. Tesseract biến ảnh cục bộ thành văn bản có thể tìm kiếm. Không cái nào cần một cuộc trò chuyện từ xa để hoàn thành công việc chính [3, 4, 5].

Năng lượng: đo công việc, không đo slogan

Trước hết, giữ đơn vị rõ ràng:

- Watt (W) đo công suất tại một thời điểm. - Watt-giờ (Wh) đo năng lượng dùng theo thời gian. - Token là đơn vị tính phí hoặc khối lượng công việc, không phải đơn vị điện năng.

Không có mức giá năng lượng phổ quát trung thực nào cho "một lời nhắc AI." Kích thước mô hình, nhiệm vụ, độ dài đầu ra, phần cứng, gộp lô (batching), vị trí, và ranh giới kế toán đều có ảnh hưởng. Suy luận (reasoning), quy trình agentic, và video có thể cần hàng trăm hoặc hàng nghìn lần nhiều điện năng hơn mỗi truy vấn so với tạo văn bản đơn giản [1].

Xu hướng ở cấp hệ thống thì rõ ràng. IEA báo cáo rằng nhu cầu điện của trung tâm dữ liệu toàn cầu tăng 17% trong năm 2025, trong khi điện năng tiêu thụ của các trung tâm dữ liệu tập trung vào AI tăng 50%. Cơ quan này dự báo tổng lượng dùng của trung tâm dữ liệu sẽ tăng từ 485 TWh năm 2025 lên khoảng 950 TWh năm 2030 [1]. Đây không phải là con số cho mỗi lời nhắc, và không phải toàn bộ nhu cầu trung tâm dữ liệu đều là AI.

Vì vậy, hãy đưa ra khẳng định hẹp mà bạn có thể bảo vệ được: bỏ qua một lệnh gọi mô hình không cần thiết sẽ tránh được lệnh gọi mô hình đó. Nó tiết kiệm phí token liên quan và suy luận từ xa. Nó không làm cho thiết bị cục bộ trở nên vô hại về tác động.

Đừng mua một GPU quá khổ để làm việc mà một CPU đang rảnh, một bảng tính, hoặc quy tắc mười dòng có thể xử lý. Local-first bao gồm cả phần cứng đã có sẵn trên bàn.

Năm công việc hàng ngày, định tuyến đúng cách

1. Tìm hạn chót trong một file PDF

1. Lấy tài liệu gốc và xác nhận bên phát hành cùng ngày ban hành.
2. Tìm hạn, trước, trong vòng, hết hạn, và tháng liên quan.
3. Nếu trang là ảnh, chạy OCR cục bộ, sau đó tìm lại.
4. Ghi lại câu chính xác và số trang. Tự kiểm tra trang đó.

Chỉ leo bậc khi các điều kiện rải rác qua nhiều phần hoặc thực sự mập mờ. Nếu cần tạo sinh, gửi những trang liên quan — không phải toàn bộ hồ sơ cá nhân — và yêu cầu câu trả lời phân biệt rõ giữa nguyên văn chính xác, diễn giải, và độ không chắc chắn.

Bản ghi cuối cùng nên có bốn trường: ngày, hành động, câu nguồn chính xác, trang. Điều này hữu ích hơn một đoạn văn được đánh bóng.

2. Kiểm tra một hóa đơn hoặc biên lai

Giữ tài liệu thô trên thiết bị.

1. OCR tên người bán, ngày, các mục hàng, thuế, khoản giảm trừ, và tổng số in trên hóa đơn.
2. Xác thực các trường cố định bằng quy tắc: định dạng ngày, đơn vị tiền tệ, số tài khoản đuôi đã biết, và mẫu hóa đơn bắt buộc.
3. Đưa các số liệu vào bảng tính.
4. Tính tổng(các mục hàng) + thuế − khoản giảm trừ và so sánh với tổng số in.
5. Đánh dấu chữ số không đọc được là UNKNOWN; đừng bao giờ điền vào bằng một dự đoán có vẻ hợp lý.

Chỉ dùng mô hình khi cần giải thích bằng ngôn ngữ thông thường về một khoản phí đã được xác thực. Mô hình ngôn ngữ có thể sắp xếp số liệu, nhưng công thức vẫn là bên có quyền quyết định cuối cùng.

3. Sắp xếp file, ảnh, và tin nhắn

Bắt đầu với metadata, không phải nội dung:

- tên file và phần mở rộng - người gửi hoặc domain - ngày tạo và metadata vị trí - hash chính xác cho file trùng lặp - hash cảm nhận (perceptual hash) cho ảnh gần trùng lặp - một thư mục hoặc từ vựng nhãn đã biết

Nếu quy tắc còn để lại phần dư có ý nghĩa, huấn luyện một bộ phân loại cục bộ nhỏ trên các ví dụ bạn đã tự kiểm tra. Giữ một ngăn UNKNOWN. Đo tỷ lệ dương giả và âm giả trước khi tự động di chuyển file.

Với thư điện tử, quy tắc có tính điểm cộng với bộ phân loại Bayes nhỏ có thể hiệu quả và dễ kiểm tra. Cách ly các thư không chắc chắn; không tự động xóa. Tài liệu chính thức của Apache SpamAssassin cảnh báo về dương giả và hỗ trợ học Bayes theo từng người dùng [6].

Một mô hình từ xa không nên đọc toàn bộ hộp thư chỉ để học rằng biên lai từ một domain thuộc về một thư mục.

4. Phát hiện điều kiện trong nhà hoặc xưởng làm việc

Dùng một quy tắc trước khi dùng một bộ dự đoán.

NẾU nhiệt độ duy trì trên 30°C trong 10 phút:
  cảnh báo một lần
CHỈ ĐẶT LẠI khi nhiệt độ xuống dưới 28°C

Khoảng cách hai độ đó là hysteresis (độ trễ). Nó ngăn cảnh báo lặp lại gần ranh giới. Thêm trung bình động nếu cảm biến bị nhiễu. Nếu một ngưỡng cố định không nắm bắt được sự biến thiên bình thường, hãy thử một bộ phát hiện bất thường cục bộ trên dữ liệu đã ghi và công bố tỷ lệ báo động giả của nó.

Phát hiện không phải là chẩn đoán. Một bộ phát hiện có thể nói "khác với đường cơ sở"; nó không thể an toàn suy ra rò khí, lỗi điện, hỏa hoạn, hay sự cố y tế mà không có thiết bị chuyên dụng và sự phán đoán có trách nhiệm của con người.

5. Nghiên cứu mà không khép kín tài sản chung

Bắt đầu với các nguồn công khai, có thể kiểm tra: tài liệu chính thức, tiêu chuẩn, tập dữ liệu công khai, thư viện, lưu trữ, và tài liệu cộng đồng được duy trì.

Tạo một sổ nguồn trước khi soạn thảo:

| Tác giả | Tiêu đề | Ngày | Liên kết | Khẳng định được hỗ trợ | |---|---|---|---|---|

Tìm kiếm, lọc, đánh dấu, và trích xuất cục bộ. Chỉ leo lên tạo sinh khi việc tổng hợp qua nhiều nguồn thêm giá trị thực sự. Sau đó trích dẫn bản gốc, phân biệt giữa sự hỗ trợ từ nguồn và suy luận, và công bố ở định dạng có thể mang theo được với một đường sửa lỗi.

Một liên kết công khai dân chủ hơn một câu trả lời không thể trích dẫn bị mắc kẹt trong một cuộc chat riêng tư.

Nghiên cứu công khai không nên trở thành trạm thu phí riêng tư cho việc tính toán thông thường. Bảo tồn dấu vết cho phép người tiếp theo kiểm tra, tái sử dụng, và cải thiện công việc.

Chứng minh rằng quy trình "hiệu quả" thực sự hiệu quả

Đo một lô cố định — chẳng hạn 100 biên lai, 100 ảnh, hoặc một tuần đọc cảm biến — thay vì trình diễn một ví dụ thuận lợi duy nhất.

Cho một phép đo gia tăng thô:

năng lượng nhiệm vụ (Wh) ≈ (W trung bình lúc làm việc − W lúc nghỉ) × giờ làm việc

Nêu rõ những gì phép đo bỏ qua. Một hạch toán nghiêm túc có thể còn cần cả sản xuất thiết bị, mạng, huấn luyện, nước, pin, và rác thải điện tử; hướng dẫn hiện tại của ITU vì vậy coi đánh giá môi trường AI là một vấn đề vòng đời [7].

Cục bộ không tự động xanh hơn. Đám mây không tự động hiệu quả hơn. So sánh có thể bảo vệ được là quy trình đủ dùng nhỏ nhất, đo từ đầu đến cuối.

Bài kiểm tra lợi ích công

Một công cụ phục vụ người dùng khi câu trả lời cho hầu hết các câu hỏi sau là có:

- Công việc cơ bản có chạy được mà không cần tài khoản hoặc kết nối liên tục không? - Tôi có thể kiểm tra quy tắc, ngưỡng, nguồn, hoặc nhật ký quyết định không? - Tôi có thể xuất đầu vào và đầu ra của mình ở định dạng có tài liệu không? - Tôi có thể thay một thành phần mà không cần xây lại toàn bộ quy trình không? - Tôi có thể tranh cãi một lỗi và sửa bản ghi không? - Tổ chức có thể vận hành nó tại chỗ khi quyền riêng tư hoặc tính liên tục yêu cầu không? - Một hành động ra bên ngoài có cần bản xem trước, sự phê duyệt rõ ràng, và đường phục hồi không?

Một tầng miễn phí không phải là tài sản chung. Một mã coupon API không phải là quyền sở hữu. "Có sẵn trọng số" không tự động là mã nguồn mở.

Định nghĩa Open Source AI yêu cầu quyền sử dụng, nghiên cứu, sửa đổi, và chia sẻ một hệ thống, cùng với quyền truy cập vào dạng ưu tiên để sửa đổi: thông tin dữ liệu đầy đủ, mã, và tham số [8]. Khuyến nghị đạo đức AI của UNESCO bổ sung tính tương xứng, giám sát của con người, tính bền vững, và một câu hỏi tiên quyết mà cơ quan công quyền nên đặt ra: AI có phù hợp ở đây không, và nếu có, thì bằng phương pháp nào? [2].

Mã nguồn mở đơn thuần không đảm bảo an toàn hay quản trị dân chủ. Nhưng công nghệ dân chủ có những đặc tính cụ thể: con người có thể kiểm tra nó, tranh cãi nó, rời bỏ nó, và tiếp tục vận hành. Các tiêu chuẩn mở và dữ liệu có thể di chuyển làm cho việc rời bỏ đó trở nên khả thi thật [9].

Khi nào một mô hình tạo sinh xứng đáng với chi phí của nó

Tạo sinh có ích khi công việc còn lại không có câu trả lời cố định:

- hòa giải chứng cứ lộn xộn hoặc mâu thuẫn - giải thích một ý tưởng khó cho một người đọc cụ thể - dịch tông giọng và ngữ cảnh, không chỉ từ ngữ - tổng hợp nhiều nguồn đã được xác thực - soạn thảo thứ gì đó thực sự mới

Ngay cả khi đó:

1. Trích xuất và xác thực sự thật cục bộ trước.
2. Gửi đoạn trích cần thiết nhỏ nhất.
3. Chọn mô hình nhỏ nhất có khả năng; dùng mô hình cục bộ hoặc tại chỗ được phê duyệt khi khả thi.
4. Đặt giới hạn đầu ra, tránh lặp thử lại, và tái sử dụng kết quả đã xác thực.
5. Yêu cầu liên kết nguồn cho các khẳng định thực tế.
6. Giữ mọi quyết định gửi, mua, xóa, xuất bản, và an toàn dưới sự phê duyệt của con người.

Đám mây là một lộ trình leo bậc, không phải một phản xạ.

Giữ quy tắc này

Định vị nguồn. Dùng phần mềm thông thường. Tính toán gần người dùng. Chỉ hỏi một mô hình tạo sinh cho phần mập mờ còn lại. Liên kết nó với các hệ thống khác sau cùng.

Hiệu quả không phải là yêu cầu một trung tâm dữ liệu xanh hơn một chút trong khi vẫn định tuyến mọi việc qua nó. Hiệu quả là từ chối gọi nó khi một hộp tìm kiếm, công thức, checksum, bộ giải mã, ngưỡng, hoặc bộ phân loại cục bộ hẹp có thể làm được.

Dành mô hình cho phần thực sự cần một mô hình. Giữ nguồn, file, quyết định, và quyền chuyển đổi trong tay con người.

Trích dẫn hướng dẫn này

A Nguyễn (Nguyễn Hưng Tuấn Anh / Kody Anh Nguyễn). (2026). Đừng tốn một mô hình cho việc mà một quy tắc có thể làm: Cẩm nang local-first cho tự động hóa hàng ngày. EFFOMA Practice Guide. https://effoma.com/blog/dont-spend-a-model-local-first-ai-manual

Tài liệu tham khảo

1. International Energy Agency. Key Questions on Energy and AI: Executive Summary. 2026 Apr 16. Truy cập 2026 Aug 3.
2. UNESCO. Recommendation on the Ethics of Artificial Intelligence. 2021. Truy cập 2026 Aug 3.
3. Tesseract OCR. Documentation. Truy cập 2026 Aug 3.
4. OpenCV. "Image Processing Tutorials." Truy cập 2026 Aug 3.
5. scikit-learn. "Novelty and Outlier Detection." Truy cập 2026 Aug 3.
6. Apache SpamAssassin. "Mail::SpamAssassin::Conf." Truy cập 2026 Aug 3.
7. International Telecommunication Union. ITU-T L.1801: Framework for Environmental Impact Assessment of Artificial Intelligence Systems. Phê duyệt 2026 Feb 6. Truy cập 2026 Aug 3.
8. Open Source Initiative. The Open Source AI Definition 1.0. Truy cập 2026 Aug 3.
9. Foundation for Public Code. Standard for Public Code. Truy cập 2026 Aug 3.