OpenAI vừa công bố GDPval – bộ đánh giá toàn diện nhằm đo lường khả năng của các mô hình AI trên các nhiệm vụ thực tế có giá trị kinh tế cao, thay vì chỉ đánh giá lý thuyết như các bài kiểm tra thông thường.
GDPval được xây dựng từ 1.320 nhiệm vụ thực tế trong 44 ngành nghề, bao phủ 9 lĩnh vực đóng góp lớn nhất vào GDP Hoa Kỳ. Mỗi nhiệm vụ được mô phỏng từ công việc thật của các chuyên gia với trung bình 14 năm kinh nghiệm. Bộ đánh giá nhằm giải đáp câu hỏi: “Liệu AI có thể thực hiện các công việc như chuyên gia ngành nghề không?” – với các tiêu chí đo lường cụ thể: chất lượng đầu ra, thời gian và chi phí hoàn thành.
Mô hình AI dần tiệm cận chuyên gia
Kết quả từ các thử nghiệm ban đầu trên 220 nhiệm vụ trong nhóm “gold subset” cho thấy:
-
Claude Opus 4.1 vượt trội về thẩm mỹ (layout, trình bày), được chấm tốt hơn hoặc ngang ngửa chuyên gia con người trong 47,6% nhiệm vụ.
-
GPT-5 được đánh giá cao nhất về độ chính xác (tuân thủ hướng dẫn, tính toán đúng, văn bản rõ ràng).
Nhìn chung, các mô hình AI tiên tiến hiện nay đã bắt đầu tiệm cận hiệu suất làm việc của con người, ít nhất trong các tác vụ số hóa.
Tiết kiệm thời gian, chi phí khi dùng AI hỗ trợ
Một thí nghiệm mô phỏng quy trình làm việc gồm: AI thực hiện – con người đánh giá – sửa lại nếu cần, cho thấy:
-
GPT-5 giúp giảm ~12% thời gian và ~18% chi phí so với chuyên gia làm việc độc lập.
-
Nếu cho AI làm thử nhiều lần trước khi con người can thiệp, hiệu quả tiết kiệm còn cao hơn.
| Mô hình | Tăng tốc (Try 1x) | Tiết kiệm chi phí (Try 1x) |
|---|---|---|
| GPT-5 | 1.12× | 1.18× |
| o3 | 1.08× | 1.13× |
| GPT-4o | 0.87× | 0.90× (kém hơn chuyên gia) |
Cải thiện rõ nhờ prompt kỹ lưỡng
Một thử nghiệm khác cho thấy: chỉ cần viết prompt hướng dẫn tốt hơn, kèm các bước kiểm tra định dạng, mô hình AI có thể:
-
Loại bỏ 100% lỗi hiển thị PDF
-
Giảm lỗi định dạng PowerPoint từ 86% xuống 64%
-
Tăng tỷ lệ chiến thắng thêm 5 điểm phần trăm
Điều này cho thấy, năng lực của AI không cố định, mà có thể được cải thiện đáng kể chỉ bằng cách huấn luyện tốt hơn và thiết kế quy trình đúng cách.
Bộ đánh giá tiên phong trong khoa học đo lường AI
Không giống các bộ đánh giá kiểu “bài kiểm tra lý thuyết”, GDPval:
-
Tái hiện các nhiệm vụ thật trong doanh nghiệp, cơ quan, tổ chức
-
Bao gồm file đính kèm đa dạng (PDF, Excel, ảnh, video…)
-
Được chấm điểm bởi chuyên gia ngành nghề, không chỉ bằng mô hình AI
66% kết quả từ công cụ chấm điểm tự động của OpenAI trùng với đánh giá của chuyên gia, chỉ thấp hơn 5% so với mức đồng thuận giữa người với người.
OpenAI cũng đã công khai 220 nhiệm vụ “vàng” tại địa chỉ evals.openai.com, giúp cộng đồng nghiên cứu có thể thử nghiệm, chấm điểm và huấn luyện mô hình.
Hạn chế và định hướng mở rộng
Theo nhóm nghiên cứu, GDPval chưa bao gồm các công việc tay chân, chưa phản ánh được quy trình lặp lại hoặc liên ngành, và tốn kém chi phí vận hành do phải mời chuyên gia ngành nghề. Tuy nhiên, đây là bước đầu tiên rất quan trọng để hiểu AI đang làm được gì trong nền kinh tế số.
Các phiên bản sau của GDPval sẽ mở rộng sang các nghề khác, có thêm tính tương tác, đa ngữ cảnh và sát thực tế hơn.
Lời kết
Trong bối cảnh AI đang phát triển nhanh và ảnh hưởng sâu sắc đến thị trường lao động, GDPval là công cụ thiết yếu để các nhà nghiên cứu, chính phủ, doanh nghiệp và công chúng hiểu rõ:
-
Năng lực thật của AI nằm ở đâu?
-
Khi nào AI thực sự có thể thay thế (hoặc hỗ trợ) con người?
-
Chi phí – lợi ích ra sao?
Đây không chỉ là một bộ đánh giá, mà là nền tảng để ra quyết định về chính sách, đào tạo và chiến lược phát triển AI có trách nhiệm trong tương lai.
📝Theo tài liệu công bố bởi OpenAI, tháng 9/2025 : https://openai.com/index/gdpval/
📎 Tải bộ nhiệm vụ mẫu: evals.openai.com
📚 Nguồn dữ liệu ngành: U.S. Bureau of Labor Statistics, O*NET
-
Hình 5 – AI vs Human Deliverable (Claude vượt trội về thẩm mỹ, GPT-5 về chính xác)
-
Hình 6 – Tiến trình tăng hiệu suất mô hình theo thời gian
-
Hình 7 – Biểu đồ hiệu quả chi phí và tốc độ khi dùng AI hỗ trợ chuyên gia
-
Hình 8 – Lý do mô hình bị chấm thua
-
Hình 9 – Cải thiện rõ rệt nhờ prompt kỹ lưỡng và kiểm tra định dạng
