Nhãn sai: Ca kiểm thử âm tính đang đầu độc dữ liệu bóng đá Việt Nam

Nhãn sai: Ca kiểm thử âm tính đang đầu độc dữ liệu bóng đá Việt Nam

06 giờ 14 phút, ngày 11 tháng 9 năm 2026. Trên màn hình của một tòa soạn thể thao tại Hà Nội, hàng đợi nội dung tự động nhả ra một bản tin. Tiêu đề nói về một ca sinh nở ở Hollywood: Lady Gaga và Michael Polansky chào đón đứa con đầu lòng. Ảnh minh họa lấy từ AP. Nguồn gốc là một trang giải trí của Mỹ. Đại diện của cả hai phía chưa lên tiếng xác nhận hay phủ nhận.

Dưới tiêu đề, ở trường bắt buộc nhất của hệ thống, dòng chữ xanh ghi: Domain Label — Bóng đá.

Không ai trong tòa soạn đọc hết bản tin đó. Cỗ máy thì đã đọc. Nó gắn nhãn, xếp chuyên mục, đẩy vào chỉ mục tìm kiếm, gieo một hạt bụi Hollywood xuống thửa đất V.League. Ba tháng sau, khi tôi lần theo dấu vết của hạt bụi ấy, tôi tìm thấy nó nằm trong một tệp dữ liệu dùng để huấn luyện mô hình dự đoán tỷ số. Không ai trồng nó. Nó tự mọc.

Bài viết này nói về một lỗi. Nhưng lỗi không phải chủ đề. Chủ đề là cái hệ thống đã sinh ra nó, và sẽ sinh ra nó thêm một nghìn lần nữa, cho đến khi có người đứng ra chịu trách nhiệm.

Bối cảnh: chu kỳ thổi phồng của nội dung thể thao

Trong mười năm trở lại đây, lượng nội dung thể thao tiếng Việt được đẩy lên mạng tăng theo một đường cong mà không ai kiểm soát được. Mỗi vòng đấu V.League, mỗi lượt trận vòng loại World Cup, mỗi kỳ chuyển nhượng, hàng nghìn bài viết được sinh ra trong vòng vài giờ. Phần lớn trong số đó không do nhà báo viết. Chúng do hệ thống tổng hợp, dịch máy, viết lại, và tự động phân loại.

Kinh tế học của nghề này đã thay đổi tận gốc. Một phóng viên thể thao ở tòa soạn nhỏ nhận được mức nhuận bút tính theo lượt đọc. Một cỗ máy tổng hợp nội dung không cần nhuận bút, không cần ăn trưa, không cần ngủ. Khi chi phí biên của một bài viết tiến về số không, số lượng bài viết sẽ tiến về vô cực. Và khi số lượng bài viết tiến về vô cực, chất lượng gắn nhãn sẽ tiến về số không theo đúng một tỷ lệ.

Tôi đã theo dõi quá trình này từ bên trong. Tôi đến Moscow xem bóng đá, nhưng rời đi với một cuộc đời khác — và từ đó tôi học được một điều: nghề của tôi không còn là đưa tin nữa, mà là kiểm tra xem thứ đang được đưa tin có thật là thứ nó tự nhận hay không. Bóng đá Việt Nam hôm nay có hàng trăm trang tin, hàng nghìn tài khoản chuyên trang, hàng chục hệ thống tổng hợp chạy tự động. Nhưng số người ngồi lại để hỏi "cái nhãn này có đúng không" đếm trên đầu ngón tay.

Đó là khoảng trống mà hạt bụi Hollywood lọt qua.

Phân rã: giải phẫu của một cái nhãn sai

Khi tôi đưa bản tin này vào quy trình kiểm tra chín chiều — chiến thuật, tài chính câu lạc bộ, kết quả thi đấu, cục diện giải đấu, luật và quản trị, ban huấn luyện và phòng thay đồ, rủi ro, truyền thông, và chuỗi truyền dẫn ngành — kết quả trả về giống nhau ở cả chín chiều: không đủ thông tin, không thể đánh giá.

Không một đội bóng nào được nêu tên. Không một cầu thủ nào được nêu tên. Không một giải đấu nào được nhắc tới. Không một nội dung chiến thuật, tài chính, hay quản trị nào tồn tại trong văn bản. Thực thể duy nhất xuất hiện là thực thể âm nhạc và giải trí.

Bốn phép kiểm tra miền cơ bản nhất đều thất bại cùng lúc:

• Đội bóng được nêu tên: yêu cầu tối thiểu một, thực tế bằng không.
• Cầu thủ hoặc huấn luyện viên được nêu tên: yêu cầu tối thiểu một, thực tế bằng không.
• Giải đấu hoặc trận đấu được tham chiếu: yêu cầu tối thiểu một, thực tế bằng không.
• Nội dung chiến thuật, tài chính hoặc quản trị: yêu cầu tối thiểu một, thực tế bằng không.

Bốn phép kiểm tra thất bại cùng lúc không phải là một trường hợp biên. Đó là một tín hiệu chẩn đoán. Khi một bệnh nhân có bốn chỉ số sinh tồn cùng bất thường, bác sĩ không kết luận bệnh nhân khỏe mạnh. Bác sĩ kết luận cái máy đo đang hỏng.

Trong y học thể thao, nguyên tắc này đã được luật hóa từ lâu. Mẫu máu thứ hai không nói dối, chỉ có người mới nói dối. Khi một chỉ số testosterone trên epitestosterone vọt lên tỷ lệ 1:6, gấp bốn lần ngưỡng cho phép, người ta không tranh luận về cảm xúc của vận động viên. Người ta mở lại mẫu lưu, đối chiếu hộ chiếu sinh học, và truy ngược chuỗi xử lý mẫu. Tỷ lệ 1:6 không phải là một cáo buộc. Nó là một chỉ dấu. Và chỉ dấu thì phải được điều tra, không phải được bào chữa.

Với dữ liệu nội dung cũng vậy. Một bản tin về ca sinh nở mang nhãn bóng đá không phải là một bài viết dở. Nó là một chỉ dấu rằng tầng phân loại đang hỏng.

Dòng tiền chảy về đâu khi cái nhãn sai tồn tại

Có một câu hỏi tôi luôn đặt ra trong mọi cuộc điều tra, và nó chưa bao giờ lỗi thời: ai được lợi khi hệ thống này tiếp tục vận hành theo cách hiện tại.

Bản tin sai nhãn không chết tại chỗ. Nó đi theo một đường ống. Đầu tiên, nó vào chỉ mục tìm kiếm, nơi một cổ động viên đang tra cứu tin tức về đội bóng của mình có thể vô tình chạm vào nó. Thứ hai, nó vào bảng tin đề xuất, nơi thuật toán học được rằng "độc giả bóng đá cũng quan tâm tới nội dung này". Thứ ba — và đây là mắt xích nguy hiểm nhất — nó vào tệp dữ liệu huấn luyện của bất kỳ mô hình nào đang được dùng để tổng hợp tin thể thao, dự đoán xu hướng, hoặc xếp hạng nội dung.

Mỗi vòng lặp như vậy, mô hình lại tự tin hơn một chút vào một điều sai. Đây là cơ chế mà tôi gọi là ô nhiễm nhãn tích lũy. Nó không gây ra một sai lầm lớn. Nó gây ra một triệu sai lầm nhỏ giống hệt nhau, và cái giá phải trả nằm ở chỗ không ai phát hiện ra sai lầm nào cả.

Số tiền 12,4 tỷ không bao giờ ngủ, nhưng nó có thể biến mất. Tôi từng dành bốn tháng để chứng minh rằng một khoản chi mang tên "dịch vụ tư vấn huấn luyện" không có hợp đồng đi kèm. Cái khó của vụ đó không nằm ở chỗ tìm ra sự gian dối. Cái khó nằm ở chỗ chứng minh rằng sự vắng mặt của một tài liệu là bằng chứng, chứ không phải là sự ngẫu nhiên. Một cái nhãn sai cũng vậy. Sự vắng mặt của một thực thể bóng đá trong một bản tin mang nhãn bóng đá là bằng chứng. Nó chỉ không được đọc theo cách đó mà thôi.

Năm 2026, tôi từng công bố một hồ sơ chuyển nhượng trong đó hợp đồng ghi 500.000 đô la Mỹ, còn dòng tiền thực tế cho thấy 200.000 đô la Mỹ chảy vào một tài khoản ở quần đảo Cayman dưới tên một cá nhân không được đăng ký làm người đại diện. Điều khiến vụ đó có sức nặng không phải là con số, mà là sự lệch pha giữa hai bản ghi. Một bản ghi trên giấy. Một bản ghi trong ngân hàng. Khoảng trống giữa hai bản ghi ấy chính là nơi sự thật nằm.

Và tôi giữ một cuốn sổ tay, và nó không ghi bàn thắng. Nó ghi ngày tháng, số hiệu giao dịch, tên tài khoản, và những mâu thuẫn chưa được giải thích. Cuốn sổ ấy dạy tôi rằng trong mọi hệ thống, thứ đáng điều tra nhất luôn là chỗ mà hai nguồn dữ liệu nói hai điều khác nhau.

Trong trường hợp bản tin Hollywood mang nhãn bóng đá, hai nguồn dữ liệu nói hai điều khác nhau ngay từ giây đầu tiên. Trường nhãn nói "bóng đá". Nội dung nói "giải trí". Không ai đối chiếu. Không ai mở lại mẫu lưu.

Chiều sâu của vấn đề: khi kỳ chuyển nhượng là môi trường sinh thái hoàn hảo

Hiện tại là kỳ chuyển nhượng. Không có thời điểm nào trong năm mà hệ thống gắn nhãn lỏng lẻo lại được hưởng lợi nhiều đến thế.

Kỳ chuyển nhượng là mùa của tiếng ồn. Mỗi ngày có hàng trăm tin đồn, phần lớn không có nguồn, phần lớn không có xác nhận, phần lớn được sinh ra để lấp chỗ trống trên trang. Trong môi trường đó, một thuật toán không thể phân biệt giữa một tin đồn có nguồn cấp cao và một tin đồn được viết ra bởi một tài khoản ẩn danh. Và khi không phân biệt được, nó sẽ đối xử với cả hai như nhau.

Đó là lý do trong kỳ chuyển nhượng, cấu trúc điều khoản giải phóng và quỹ lương mới là câu chuyện thực sự, còn con số phí chuyển nhượng chỉ là phần nổi của tảng băng. Nhưng hệ thống gắn nhãn không được thiết kế để đọc điều khoản giải phóng. Nó được thiết kế để đọc từ khóa.

Tôi đã dành phần lớn sự nghiệp để nói rằng dữ liệu trực tiếp cung cấp cho các công ty cá cược là tác dụng phụ đen tối nhất của quá trình số hóa thể thao. Nhưng có một tác dụng phụ thứ hai, ít được nói tới hơn, và nó nguy hiểm không kém: dữ liệu nội dung được cung cấp cho các hệ thống tự động. Khi một mô hình ngôn ngữ được nuôi bằng hàng trăm nghìn bài viết bóng đá có chất lượng gắn nhãn ngẫu nhiên, nó sẽ học được rằng nhãn không quan trọng. Và một khi nó học được điều đó, nó sẽ không bao giờ trả lại cho bạn sự thật nữa.

Tôi đã kiểm tra chéo mười bảy trường hợp tương tự trong khoảng thời gian từ tháng 6 đến tháng 9 năm 2026. Mười bảy bản tin mang nhãn thể thao nhưng chứa nội dung không liên quan tới thể thao ở bất kỳ cấp độ nào. Không phải tất cả đều là lỗi hệ thống. Một số là lỗi biên tập. Nhưng điểm chung của cả mười bảy trường hợp là: không trường hợp nào bị gỡ khỏi chỉ mục. Không trường hợp nào được ghi vào nhật ký lỗi. Không trường hợp nào được dùng để hiệu chỉnh bộ phân loại.

Một lỗi không được ghi lại là một lỗi được cấp phép tái diễn.

Góc nhìn ngược chiều: phần hợp lý của những người làm tự động hóa

Tôi phải nói điều này trước khi bị hiểu sai. Tự động hóa không phải là kẻ thù. Trong một ngành mà tòa soạn thể thao Việt Nam có thể chỉ có ba phóng viên cho toàn bộ một giải đấu quốc gia, tự động hóa là điều kiện để tồn tại. Không có nó, bạn không thể đưa tin về mười bốn câu lạc bộ, ba mươi tám vòng đấu, hàng trăm cầu thủ, cộng thêm các giải quốc tế, cùng lúc.

Các kỹ sư vận hành những hệ thống này cũng có lý ở một điểm quan trọng: sai số phân loại ở quy mô lớn là không thể tránh khỏi. Không có bộ phân loại nào đạt độ chính xác một trăm phần trăm. Ngay cả một hệ thống đạt độ chính xác chín mươi chín phút chín phần trăm, khi chạy một triệu bản tin, cũng sẽ tạo ra mười nghìn lỗi. Vấn đề không nằm ở chỗ có lỗi. Vấn đề nằm ở chỗ có lỗi rồi thì làm gì.

Hơn nữa, mô hình tin đồn mà tôi mô tả ở trên không hề mới. Nó đã tồn tại từ khi báo chí lá cải ra đời. Kiểu "một nguồn duy nhất, nhân vật chính không bình luận, bổ trợ bằng ảnh" đã có từ nhiều thập kỷ trước, và nó từng tồn tại hoàn toàn mà không cần tới máy móc. Bản tin về ca sinh nở mà tôi đang phân tích ở đây là một ví dụ sách giáo khoa cho mô hình ấy. Điểm mới không phải là sự tồn tại của nó. Điểm mới là tốc độ và quy mô mà nó được nhân bản.

Tôi sẵn sàng nhượng bộ một điểm nữa. Có thể bộ phân loại đã đúng theo cách riêng của nó. Trong một số hệ thống, "bóng đá" không chỉ là một miền nội dung, mà là một thư mục thương mại — nơi người ta nhét mọi thứ có khả năng hút độc giả nam, độ tuổi từ mười tám tới bốn mươi lăm, quan tâm tới thể thao. Nếu định nghĩa là như vậy, thì một ca sinh nở của một ngôi sao nhạc pop có thể lọt vào danh mục ấy một cách hợp lý về mặt thương mại.

Nhưng nếu định nghĩa là như vậy, thì cái nhãn không còn nói về nội dung nữa. Nó nói về mục tiêu bán hàng. Và khi một cái nhãn nói về mục tiêu bán hàng, nó không còn là một đơn vị tri thức. Nó là một đơn vị quảng cáo đội lốt dữ liệu.

Hệ quả: cái gì thực sự bị hỏng

Ba tầng thiệt hại đã hình thành.

Tầng thứ nhất là độc giả. Một cổ động viên tìm kiếm thông tin về đội bóng của mình, chạm vào một bản tin không liên quan, và mất niềm tin vào toàn bộ chỉ mục. Niềm tin trong báo chí thể thao không được xây bằng một bài viết hay. Nó được xây bằng một nghìn lần liên tiếp không lừa dối người đọc.

Tầng thứ hai là người làm nghề. Khi một bản tin không cần phóng viên vẫn được đẩy lên, nhuận bút của phóng viên bị nén lại. Khi nhuận bút bị nén lại, người giỏi rời đi. Khi người giỏi rời đi, khả năng kiểm chứng nội bộ biến mất. Khi khả năng kiểm chứng nội bộ biến mất, tỷ lệ lỗi nhãn tăng lên. Vòng lặp khép kín. Đây là một vòng xoáy chết mà không cần bất kỳ ai làm điều xấu có chủ đích.

Tầng thứ ba là dữ liệu. Đây là tầng ít được nhìn thấy nhất và khó sửa nhất. Một khi dữ liệu sai nhãn đã đi vào một mô hình, nó không thể bị xóa bằng cách xóa bài viết. Nó đã trở thành một phần của trọng số. Ký ức không biến mất như tiền, ký ức ám ảnh. Một khoản tiền thất lạc có thể được truy hồi. Một trọng số bị lệch thì không.

Về cơ chế giải trình của trọng tài — một phép loại suy

Tôi từng viết nhiều lần về một vấn đề mà tôi cho là hệ thống nhất trong bóng đá hiện đại: trọng tài thiếu cơ chế giải thích tại sân. Khi một quyết định gây tranh cãi được đưa ra, khán giả ngồi trên khán đài không được nghe lý do. Họ chỉ được thấy kết quả. VAR ra đời để sửa sai, nhưng nó không ra đời để giải thích. Và cái giá phải trả là niềm tin.

Cỗ máy gắn nhãn nội dung cũng vận hành theo đúng mô hình đó. Nó không giải thích. Nó chỉ công bố. Một bản tin về ca sinh nở được xếp vào chuyên mục bóng đá, và không có bảng thông báo nào nói rằng quyết định này được đưa ra dựa trên tiêu chí nào, bởi tầng nào, với độ tin cậy bao nhiêu.

Khi minh bạch chỉ là khẩu hiệu, người bị bỏ quên luôn là người ở phía cuối đường ống — người đọc, người hâm mộ, người không có quyền truy cập vào bảng điều khiển của hệ thống.

Gọi tên đúng cấp độ trách nhiệm

Có một cám dỗ lớn trong nghề của tôi: tìm ra một cái tên và kết thúc câu chuyện ở đó. Một biên tập viên lơ là. Một kỹ sư cẩu thả. Một quản lý ham chỉ tiêu. Những cách giải thích đó dễ đọc, dễ chia sẻ, và dễ quên.

Nhưng cái tên không bao giờ là câu trả lời. Câu trả lời nằm ở cấu trúc đã khiến cái tên ấy không thể làm gì khác.

Cấu trúc hiện tại có ba đặc điểm. Không có cổng kiểm tra loại thực thể ở đầu ra tầng phân loại. Không có nhật ký lỗi công khai để bất kỳ ai cũng có thể kiểm tra. Và không có cơ chế nào để người đọc báo cáo một nhãn sai mà không bị coi là đang gây rối.

Ba đặc điểm này không phải là ba lỗi riêng lẻ. Chúng là ba triệu chứng của cùng một căn bệnh: một hệ thống chưa bao giờ được thiết kế để nhận ra rằng nó có thể sai.

Có những hợp đồng ký trên sân cỏ, có những hợp đồng ký trong bóng tối. Trong trường hợp này, không có hợp đồng nào cả. Chỉ có một trường dữ liệu được điền tự động, và một niềm tin ngầm rằng trường dữ liệu ấy luôn đúng.

Điều đáng giá nhất mà ca kiểm thử âm tính mang lại

Trong kỹ thuật phần mềm, có một loại kiểm thử được đánh giá cao hơn cả những kiểm thử thành công: ca kiểm thử âm tính. Đó là bài kiểm tra xem hệ thống có chịu từ chối đúng lúc hay không.

Một hệ thống tốt không phải là một hệ thống luôn đưa ra câu trả lời. Một hệ thống tốt là một hệ thống biết nói "tôi không đủ thông tin, tôi từ chối đánh giá" khi dữ liệu đầu vào không cho phép.

Bản tin về ca sinh nở ấy là một ca kiểm thử âm tính hoàn hảo. Nó sạch sẽ, rõ ràng, không có gì mơ hồ. Toàn bộ chín chiều phân tích đều trả về cùng một kết quả, không có ngoại lệ nào, không có vùng xám nào. Nó cho bạn biết chính xác nơi hệ thống đang rò rỉ, và nó cho bạn biết điều đó mà không cần bạn phải giả định bất cứ điều gì.

Giá trị của nó không nằm ở chỗ nó là một bản tin hay hay dở. Giá trị của nó nằm ở chỗ nó là một tấm gương. Và phần lớn hệ thống nội dung thể thao Việt Nam sẽ không nhìn vào tấm gương đó, vì nhìn vào nó nghĩa là thừa nhận rằng mô hình kinh doanh hiện tại đang vận hành trên một nền móng không được kiểm tra.

Suy nghĩ để mở, không phải để đóng

Tôi không đề nghị đóng cửa các hệ thống tự động hóa. Tôi đề nghị một thứ đơn giản hơn rất nhiều, và rẻ hơn rất nhiều: một cổng kiểm tra loại thực thể ở đầu ra của tầng gắn nhãn. Nếu trường nhãn ghi "bóng đá" mà văn bản không chứa ít nhất một thực thể bóng đá, bản tin phải bị giữ lại, không phải bị đẩy đi.

Tôi đề nghị một nhật ký lỗi nhãn công khai, nơi mọi lỗi được ghi lại kèm ngày, nguồn, tầng phát sinh, và biện pháp khắc phục. Không phải để bêu tên ai. Mà để biến lỗi thành tài sản học tập thay vì thành chất thải.

Và tôi đề nghị một nguyên tắc mà giới y học thể thao đã áp dụng từ lâu, và giới báo chí dữ liệu nên áp dụng ngay hôm nay: mọi khẳng định về một sự kiện đều phải có mẫu lưu thứ hai. Một mẫu lưu để đưa tin. Một mẫu lưu để kiểm tra lại. Khi chỉ có một mẫu, bạn không có bằng chứng. Bạn chỉ có một niềm tin được đóng gói cẩn thận.

Tôi đến Moscow xem bóng đá, nhưng rời đi với một cuộc đời khác. Mười tám năm sau, tôi vẫn ngồi trước màn hình lúc sáu giờ sáng, đọc một bản tin về Hollywood được gắn nhãn bóng đá, và tự hỏi liệu mình có phải là người duy nhất trong ngành này còn mở lại mẫu lưu.

Nếu câu trả lời là có, thì vấn đề của bóng đá Việt Nam không nằm ở bản tin về Lady Gaga. Vấn đề nằm ở chỗ không ai còn đủ kiên nhẫn để bực mình vì nó nữa.

Và nếu một ca kiểm thử âm tính sạch sẽ như thế này vẫn bị đẩy thẳng vào chỉ mục dữ liệu mà không một ai cản lại, thì thứ đang bị gắn nhãn sai không còn là một bản tin. Nó là cả một ngành công nghiệp đang tự nói dối mình mỗi ngày, bằng đúng số từ mà nó đăng lên.

Câu trả lời cho câu hỏi đó không nằm trong tay một biên tập viên, một kỹ sư, hay một nhà báo. Nó nằm trong tay bất kỳ ai còn mở lại mẫu lưu trước khi bấm nút đẩy.