Conan courseBuildCORE

AI Builder

Từ dùng AI sang xây bằng AI.

Bắt đầu học Xem nội dung

Với business của bạn

Tôi có khả năng biến idea thành prototype/product nhanh hơn, rẻ hơn và ít phụ thuộc nhân sự hơn.

Clarity question

“Tôi có thể dùng AI để tạo ra thứ thật không?”

Core problem

Nhiều người chỉ sử dụng Generative AI như một công cụ hỏi đáp hoặc tạo content, trong khi những người khác coi việc xây sản phẩm với AI là công việc chỉ dành cho engineers. Họ chưa hiểu AI đủ để nhận diện capability, limitations và opportunities, cũng chưa biết cách chuyển một problem thành một working artifact bằng AI-assisted building.

Promise

Hiểu AI đủ để bắt đầu xây những thứ trước đây bạn không thể tự xây.

Học xong bạn có thể

Learner hiểu Generative AI ở mức conceptual và practical; có thể làm việc hiệu quả với AI, phân tích task giữa human, AI và software, prototype và build một working AI-enabled product, evaluate output quality, ship cho real users và iterate dựa trên evidence.

Dành cho

Founders, business owners and professionals who want to understand Generative AI and use it to build real products, tools and workflows without needing to become traditional software engineers.

Big concepts

Bấm vào mỗi khái niệm để xem giải thích và ví dụ.

Capabilities

Bấm vào mỗi năng lực để xem giải thích và ví dụ.

Nếu không có kỹ năng này

Vấn đề đi xa tới đâu?

Ba tình huống thật cho thấy điều gì xảy ra khi người ta bỏ qua bước này — và câu hỏi lẽ ra nên hỏi.

Muốn giảm tải CSKH → thả chatbot AI tự trả lời khách

SCQA

Tình huống

Shop mỹ phẩm online quá tải tin nhắn, chủ shop bật ngay một chatbot AI trả lời khách tự động 24/7.

Diễn biến

Không có context về chính sách thật, không guardrail, không human on exception. Chatbot tự tin bịa "cam kết trắng da sau 7 ngày, không thì hoàn 100%" và hứa freeship toàn quốc. Khách screenshot đòi thực hiện lời hứa, một bài bóc phốt lên vài nghìn share. Chủ shop mất 2 tuần dập lửa, đền đơn, và uy tín gây dựng 3 năm sứt mẻ.

Câu hỏi lẽ ra nên hỏi

“Task nào AI được tự trả lời, thông tin thật nào bắt buộc nằm trong context, và ca nào phải chuyển cho người?”

Vấn đề thật & hướng đúng

Vấn đề thật không phải "chatbot dở" mà là thiếu Context Design và guardrail: AI phải trả lời dựa trên chính sách thật đưa vào, bị chặn mọi cam kết ngoài thẩm quyền, và đẩy ca hoàn tiền hay khách bức xúc cho người.

Thả AI nói chuyện với khách mà không thiết kế context và guardrail là giao mic cho một nhân viên tự tin nhưng hay bịa.

Cần content nhanh → để AI tự viết và đăng hàng loạt

SCQA

Tình huống

Một công ty bất động sản dựng tool AI tự viết mô tả cho 500 căn hộ và đăng thẳng lên web.

Diễn biến

Không có evaluation, không ai chấm mẫu trước khi nhân rộng. AI viết xuôi tai nhưng bịa "cách hồ bơi 50m", sai số phòng ngủ, gán tiện ích không có thật. 500 tin sai đăng cùng lúc, khách đi xem thất vọng, sale mất niềm tin, một tin sai diện tích suýt thành tranh chấp hợp đồng. Gỡ và sửa tay 500 tin tốn hơn cả thời gian tự viết từ đầu.

Câu hỏi lẽ ra nên hỏi

“Trên 30 tin mẫu, AI đạt bao nhiêu phần trăm theo rubric, và ngưỡng nào mới đủ để nhân lên 500?”

Vấn đề thật & hướng đúng

Vấn đề thật là ship khi chưa có Evaluation Design: chấm 30 mẫu theo rubric trước sẽ lộ ngay tỷ lệ sai thông số quá cao, để họ sửa prompt và bổ sung dữ liệu thật trước khi nhân rộng.

Nhân một tool chưa được đo lên 500 lần là nhân luôn cả lỗi của nó lên 500 lần.

Muốn có 'AI trong sản phẩm' → thuê team code 6 tháng

SCQA

Tình huống

Một chuỗi spa muốn "ứng dụng AI", ký hợp đồng thuê ngoài xây một app đặt lịch thông minh trong 6 tháng.

Diễn biến

Nhảy thẳng vào build một sản phẩm lớn mà chưa dựng prototype thử với khách. Chi 400 triệu, 6 tháng sau app ra đời với 20 tính năng AI — nhưng lễ tân thấy rối, khách vẫn thích nhắn Zalo, tính năng "gợi ý liệu trình" bị tắt vì hay sai. App gần như không ai dùng, tiền và nửa năm coi như bỏ.

Câu hỏi lẽ ra nên hỏi

“Vấn đề đáng giải nhất là gì, và một prototype dựng trong một tuần có đủ để biết khách có cần không?”

Vấn đề thật & hướng đúng

Vấn đề thật là bỏ qua Problem-to-Prototype và coi "xây với AI" là việc của riêng engineers: một tool nhỏ giải đúng một nỗi đau (lễ tân tốn thời gian nhắc lịch) dựng trong tuần sẽ lộ ra cái gì thật sự cần trước khi tiêu 400 triệu.

Coi "xây với AI" là dự án lớn của engineers thay vì prototype nhỏ để học sẽ đốt tiền vào thứ chưa ai xác nhận là cần.

Course overview

Mở đúng phần bạn cần.

CurriculumCác Unit theo câu hỏi12

01. What Is AI Actually Doing?“Khi tôi dùng Generative AI, chuyện gì thực sự đang xảy ra?”

Không cần học toán machine learning. Cần một mental model đủ tốt để không nghĩ "AI biết mọi thứ" hay "AI chỉ autocomplete".

Outcome: Learner có một mental model đủ chính xác về Generative AI để hiểu capability và tránh anthropomorphize model như một nguồn truth tuyệt đối.

Concepts

Artificial IntelligenceGenerative AILarge Language ModelModelTrainingInferenceTokenMultimodality

Learning experiences

AI or software? Classify calculator, search, recommendation, chatbot, image generator, workflowCRITIQUE
Prediction, not truth: watch confidence diverge from accuracyINQUIRY
One model, many modalities: text, image, audio, codeINQUIRY
Explain Generative AI to a non-technical owner without jargonWRITING

ArtifactAI Mental Model

02. What Is AI Good At?“AI thực sự làm tốt loại công việc nào?”

Không học theo danh sách 100 tools — tools sẽ chết, capabilities sống lâu hơn.

Outcome: Learner có thể nhìn một task và nhận diện các Generative AI capabilities phù hợp thay vì lựa chọn technology dựa trên hype hoặc tools cụ thể.

Concepts

GenerationTransformationClassificationExtractionAnalysisResearchReasoningCodingMultimodal Generation

Learning experiences

Run one business problem through summarize, extract, classify, compare, draft, critique, code and generate visualSIMULATION
Which tasks did AI do well and which produced unstable output?CRITIQUE

ArtifactAI Capability Map

03. When Should You Not Trust AI?“AI có thể sai ở đâu và tôi biết bằng cách nào?”

Một Unit rất quan trọng: AI có thể trả lời rất confident nhưng vẫn sai.

Outcome: Learner có thể identify AI failure modes và lựa chọn appropriate verification, grounding hoặc human review theo mức độ risk.

Concepts

HallucinationUncertaintyVerificationSourceGroundingBiasReliabilityRisk

Learning experiences

Catch the confident lie: ask questions you can verifyCRITIQUE
Known / unknown: classify output as can trust, must verify, must not delegateINQUIRY
Source check: AI citing a source is not the source supporting the claimCRITIQUE
High-stakes boundary: which decisions should never auto-execute?INQUIRY

ArtifactAI Risk Map

04. How Do You Work With AI?“Tôi phải cung cấp gì để AI làm việc tốt với mình?”

Không nên biến thành khóa Prompt Engineering. Mental model: poor context leads to poor work.

Outcome: Learner có thể design instructions và context đủ rõ để AI thực hiện một real task và improve output qua iterative feedback.

Concepts

InstructionContextConstraintExampleReferenceIterationFeedback

Learning experiences

Prompt vs context: same instruction, different context, different outputINQUIRY
Show good work: give AI examples of good and bad outputBUILD
Critique and rewrite: draft, critique, feedback, revise instead of a perfect promptWRITING
Build a working context pack for a real taskBUILD

ArtifactAI Work Brief

05. What Should Humans, AI and Software Each Do?“Công việc này nên giao cho người, AI hay software?”

Cực quan trọng cho business owners. Human giỏi accountability, relationship, judgment; AI giỏi language, pattern, generation, fuzzy decisions trong boundaries; software giỏi exact rules, calculations, transactions, deterministic actions.

Outcome: Learner có thể decompose work và allocate tasks giữa human, AI và deterministic software dựa trên ambiguity, risk, repeatability và accountability.

Concepts

HumanAISoftwareTaskDecisionAutomationHuman in the LoopHuman on Exception

Learning experiences

Who should do this? Classify 30 business tasksINQUIRY
Do not use AI here: find tasks where SQL, rules or code beat a modelCRITIQUE
AI first, human on exception: design a small workflowBUILD
Redesign a job: not "how does AI replace this person" but "how should the work be split"INQUIRY

ArtifactHuman-AI-Software Map

06. What Should You Build?“Problem nào đáng biến thành một product hoặc tool?”

Không bắt đầu "em muốn build AI app" mà "ai đang struggle với việc gì?". Rất gần Problem Framing.

Outcome: Learner có thể chuyển một real problem thành một narrow, testable and AI-appropriate build brief.

Concepts

ProblemUserJobUse CaseOutcomeSolution HypothesisBuildabilityPrototype

Learning experiences

AI idea vs problem: "AI meeting assistant" is an idea, the problem must be sharperCRITIQUE
One user, one job: constrain the prototypeINQUIRY
Can AI actually help? Check capability fitCRITIQUE
Define the smallest useful thingWRITING

ArtifactBuild Brief

07. How Does an App Actually Work?“Một application gồm những phần cơ bản nào?”

Người không technical cần mất nỗi sợ. Chỉ cần hiểu: interface to logic to data to external services.

Outcome: Learner có mental model về basic application architecture đủ để collaborate với AI coding tools và reason about how a product works.

Concepts

ApplicationFrontendBackendDatabaseAPIAuthenticationStateDeployment

Learning experiences

Take apart a familiar app: map UI, data and actionsINQUIRY
What happens when I click? Follow click to request to logic to database to responseINQUIRY
Database as memory: basic records and tablesINQUIRY
API as connection: connect two systems conceptuallyINQUIRY

ArtifactApp Architecture Sketch

08. Can AI Help You Code?“Tôi có thể build software mà không trở thành traditional programmer không?”

Mục tiêu không phải học syntax mà học AI-assisted software building.

Outcome: Learner có thể use AI coding tools để understand, modify, debug và extend một simple software project mà không phụ thuộc hoàn toàn vào blind generation.

Concepts

CodeRepositoryFileFunctionComponentDebuggingVersionAI Assisted Coding

Learning experiences

Change something small: have AI edit one interfaceBUILD
Explain before change: make AI explain the codebase firstINQUIRY
Break it: introduce a bug on purposeSIMULATION
Debug with evidence, not "let AI try until it runs"INQUIRY
Build one feature: input, processing, outputBUILD

ArtifactWorking Feature

09. How Do You Add AI to a Product?“AI nên làm job cụ thể nào bên trong product?”

AI product không có nghĩa nhét chatbot vào. AI có thể classify, extract, recommend, critique, generate, analyze, route.

Outcome: Learner có thể design một narrow AI feature với clear input, context, desired output và fallback behavior.

Concepts

AI FeatureInputContextModelOutputToolStructured OutputFallback

Learning experiences

Chatbot is not the only UI: find alternative interaction modelsINQUIRY
One AI job: assign a single narrow capabilityWRITING
Structure the output: not always free textBUILD
Failure path: what happens when the AI is not sure?INQUIRY

ArtifactAI Feature Spec

10. How Do You Know It Works?“AI output nhìn có vẻ hay, nhưng có thực sự đủ tốt không?”

Phần nhiều AI beginner bỏ hẳn. AI output probabilistic — không thể chỉ "test thử thấy ổn".

Outcome: Learner có thể define quality criteria, create representative test cases và evaluate AI feature systematically thay vì dựa trên subjective impressions.

Concepts

EvaluationQualityRubricTest CaseExpected BehaviorFailure ModeThreshold

Learning experiences

Good according to what? Define criteria instead of "hay"INQUIRY
Build 20 test cases: happy, difficult and weirdBUILD
Human rubric: score the outputBUILD
Improve and retest: do not tune the prompt on a single exampleINQUIRY

ArtifactAI Evaluation Set

11. What Could Go Wrong?“Nếu product này được dùng thật, nó có thể gây vấn đề ở đâu?”

Không cần security engineering sâu, nhưng founder cần hiểu privacy, data access, bad actions, prompt injection, harmful output, over-autonomy và cost explosion.

Outcome: Learner có thể identify basic safety, privacy, permission, cost và automation risks và design reasonable guardrails hoặc escalation paths.

Concepts

PrivacyPermissionGuardrailSafetySecurityEscalationCostFailure

Learning experiences

Red team your app: try to make the system failSIMULATION
What data should AI see?INQUIRY
What should never auto-execute?INQUIRY
Design the escape hatch: human interventionBUILD

ArtifactAI Safety Checklist

12. Can You Ship It?“Một thứ chạy trên máy mình đã được coi là product chưa?”

Chưa. Builder phải build, deploy, expose to users và collect evidence.

Outcome: Learner có thể deploy một working product, expose it to real users, collect usage evidence và make at least one meaningful iteration.

Concepts

DeploymentUserFeedbackUsageBugIterationShipping

Learning experiences

Deploy to a public or private URLBUILD
Give it to five users with no guidance from the builderSIMULATION
Watch what happens: usage beats complimentsREFLECTION
Fix the biggest failure, not random polishBUILD

ArtifactShipped Product

ArtifactsSản phẩm bạn sẽ tạo ra12

AI Mental Model

AI Capability Map

AI Risk Map

AI Work Brief

Human-AI-Software Map

Build Brief

App Architecture Sketch

Working Feature

AI Feature Spec

AI Evaluation Set

AI Safety Checklist

Shipped Product

CapstoneBuild Something Real With AI

Requirement rất đơn giản: một người thật phải có thể sử dụng sản phẩm learner build. Không chấp nhận slide deck về "AI solution" hay một prompt collection; không bắt buộc SaaS. Có thể là internal tool, diagnostic tool, customer-facing app, research tool, AI evaluator, content system, learning app, sales assistant, recommendation tool hay workflow tool. Reflection: trước khóa tôi nghĩ AI làm được gì, tôi dùng AI ở đâu nhưng traditional software sẽ tốt hơn, tôi giao AI job nào quá rộng, failure mode nào tôi không nghĩ tới, real user dùng product khác assumption của tôi ở đâu, và nếu build Version 3 tôi sẽ bỏ hoặc thay đổi gì.

AI Mental ModelAI Capability MapAI Risk MapHuman-AI-Software MapBuild BriefApp Architecture SketchWorking FeatureAI Feature SpecAI Evaluation SetAI Safety ChecklistShipped ProductReal User EvidenceVersion 2Reflection

AssessmentBạn được đánh giá thế nào10

AI UnderstandingLearner có mental model đủ chính xác về Generative AI capabilities, limitations và uncertainty.
Problem FitProduct giải quyết một real and specific problem thay vì bắt đầu từ AI technology.
Human-AI-Software DesignTasks được phân bổ hợp lý giữa human, AI và deterministic software.
Build QualityLearner tạo được working artifact chứ không chỉ concept hoặc mockup.
AI Feature DesignAI có một bounded job với clear input, context, output và failure behavior.
Evaluation QualityAI output được đánh giá bằng criteria và representative test cases thay vì cảm giác.
Reliability and SafetyMajor uncertainty, privacy, permissions và failure risks được nhận diện và xử lý ở mức phù hợp.
ShippingProduct được deploy và có thể được sử dụng bên ngoài development environment.
User EvidenceLearner thu thập real usage evidence và phân biệt observed behavior với compliments.
IterationÍt nhất một meaningful revision được trace về user hoặc evaluation evidence.