Vấn đề của Midjourney không nằm ở mô hình. Đừng cố viết prompt hay hơn nữa.

Hỏi một giám đốc sáng tạo xem họ muốn gì, họ sẽ không trả lời bằng một đoạn văn. Họ sẽ mở ra ba tấm reference, chỉ vào một góc của một tấm và nói: giống chỗ này hơn, bớt giống chỗ kia đi.

Midjourney không cho phép bạn làm vậy. Không một công cụ tạo ảnh dạng chat nào cho phép. Bạn chỉ có một ô nhập chữ, và phải diễn đạt ý định của mình bằng lời.

Đó chính là vấn đề gốc, và mọi thứ khác đều bắt nguồn từ đó.

Ngôn từ là một định dạng làm hao hụt gu thẩm mỹ

Prompt là bản nén của thứ bạn thật sự muốn, và phần lớn những gì bạn muốn không sống sót qua quá trình nén đó. Ánh sáng trong tấm ảnh kia. Độ dày chính xác của kiểu chữ serif nọ. Lý do vì sao chiếc hộp Prada toát ra vẻ đắt tiền còn chiếc hộp bên cạnh thì không. Bạn có thể viết bốn trăm chữ mà vẫn không diễn tả nổi, và đó là lý do prompt engineering trở thành một nghề.

Tệ hơn, ai cũng nén theo cùng một kiểu. Chẳng ai có vốn từ riêng cho "cinematic", "editorial" hay "clean". Thế là hàng nghìn đội ngũ gõ gần như cùng một mớ tính từ vào gần như cùng một mô hình, rồi nhận về gần như cùng một bức ảnh.

Dylan Field, CEO của Figma, đã nói thẳng cơ chế này trên Lenny's Podcast tháng 10 năm 2025: theo định nghĩa, thứ đầu tiên AI đưa cho bạn luôn là generic, bởi nó là trung bình cộng của mọi thứ nó từng thấy. Prompt bằng chữ chính là thứ giữ chân bạn ở mức trung bình đó. Merriam-Webster chọn "slop" làm từ của năm 2025, định nghĩa là nội dung chất lượng thấp do AI sản xuất hàng loạt. Đây chính là nơi cái "hàng loạt" đó sinh ra.

Đã có dữ liệu về tác động của việc này lên một nhóm. Năm 2024, Anil Doshi và Oliver Hauser công bố một nghiên cứu trên Science Advances, trong đó người viết được AI hỗ trợ. Xét riêng lẻ, các tác phẩm có hỗ trợ được chấm điểm cao hơn. Nhưng khi đặt cạnh nhau, chúng lại giống nhau đến mức thấy rõ. Ai cũng tốt lên, và ai cũng giống nhau hơn, cùng một lúc.

Thứ thật sự tạo ra một bức ảnh tốt

Không phải một câu prompt hay hơn. Mà là nguyên liệu tốt hơn.

Một brief thực tế là cả một mớ thứ: một tấm reference, bao bì của đối thủ, một báo cáo thị trường, dòng ghi chú ai đó viết trong cuộc họp rằng muốn ánh sáng gợi cảm giác một căn hộ Seoul lúc 6 giờ chiều. Khi bạn đưa cho mô hình chính những vật đó thay vì lời mô tả về chúng, kết quả sẽ ngừng trôi về mức trung bình, bởi đầu vào là của riêng bạn và không ai khác có.

Điều thứ hai xảy ra thì tinh tế hơn. Việc tập hợp các reference buộc bạn phải làm rõ mình thật sự muốn gì. Đa số chúng ta không biết mình muốn gì cho đến khi thấy hai phương án đặt cạnh nhau và cảm nhận được mình đang thiên về bên nào. Một ô nhập chữ không cho bạn cảm giác đó. Một bức tường đầy nguyên liệu của chính bạn thì có.

Rồi công cụ vứt bỏ toàn bộ công sức đó

Giả sử bạn có được một tấm ảnh ưng ý. Nó đang nằm ở đâu?

Trong một khung chat, bên dưới bốn mươi lần thử khác, bên trên sáu mươi lần thử nữa. Khung chat đó chỉ mình bạn thấy. Không ai khác trong đội ngũ nhìn được.

Hãy nghĩ xem một trăm tấm ảnh đó chứa những gì. Phiên bản gần như đúng nhưng hơi ấm quá. Tấm hỏng nhưng hỏng theo hướng thú vị. Hướng đi mà cả nhóm đã thẳng thừng loại bỏ, để rồi ba tuần sau chắc chắn có người đề xuất lại vì không còn dấu vết nào cho thấy nó từng được thử. Tất cả những thứ đó đều có giá trị, và giờ đây chúng chỉ là lịch sử cuộn chuột trong tài khoản cá nhân của một người.

Chat là một cái hộp tồi để chứa công việc hình ảnh, vì cùng lý do nó là một cái hộp tồi để chứa các quyết định. Nó là một đường thẳng. Bạn không thể đặt một đường thẳng cạnh chính nó. Để so sánh hai tấm ảnh trong Midjourney, bạn cuộn lên, giữ một tấm trong đầu, cuộn xuống, rồi giả vờ rằng mình đang so sánh. Thật ra không phải. Bạn đang cố nhớ lại.

Rồi các đội ngũ cũng làm điều mà đội nào cũng làm khi công cụ bất lực. Ai đó chụp màn hình những tấm ổn và dán vào một tin nhắn Slack. Người khác tải chúng về một thư mục tên final_v2. Một tuần sau, không ai nhớ nổi trong bốn phiên bản của thư mục đó, cái nào là cái cả nhóm đã đồng ý chọn.

Cách chúng tôi làm khác đi

Trong ALLO, việc tạo ảnh diễn ra ngay trên canvas, nên hai vấn đề bên trên gộp lại thành một cách xử lý duy nhất.

Bạn chọn những đối tượng mà bạn muốn mô hình sử dụng. Một tấm reference, một packshot của đối thủ, một tài liệu nghiên cứu, một sticky note với ý tưởng còn dang dở, tất cả đã có sẵn trên board vì đó là nơi dự án đang sống. Prompt được ghép từ nguyên liệu thật, chứ không phải gõ ra từ trí nhớ. Mô hình nhận được cái cụ thể của bạn, chứ không phải các tính từ của bạn.

Kết quả xuất hiện ngay trên canvas, bên cạnh những thứ đã tạo ra nó. Không nằm trong khung chat. Không nằm trong thư mục. Nó nằm đó như một đối tượng, có phiên bản, và bạn có thể đặt nó cạnh năm tấm còn lại để thật sự nhìn tất cả cùng lúc, đó là cách duy nhất mà con người xưa nay vẫn dùng để chọn giữa các bức ảnh.

Rồi mạch việc cứ thế đi tiếp. Một ghi chú thành một tài liệu nghiên cứu. Tài liệu thành một infographic. Infographic thành một tấm chụp sản phẩm. Ai đó dán một sticky note rằng chỗ này có thể làm giống một bài trắc nghiệm tính cách, và thế là nó thành một landing page. Mỗi bước đều bám vào các bước trước, và cả chuỗi luôn hiển thị, nên một tháng sau bạn không chỉ thấy được đội ngũ đã tạo ra thứ gì, mà còn thấy nó đến được như thế nào và đã loại bỏ những gì trên đường đi.

Và board là chung. Bốn mươi tấm không được chọn vẫn còn đó cho cả nhóm nhìn thấy, được làm mờ và đặt sang một bên chứ không bị xóa. Đó là thứ giúp một quyết định có thể bảo vệ được về sau, khi khách hàng hỏi tại sao chiến dịch lại trông như thế này chứ không phải theo hướng hiển nhiên hơn.

Các mô hình tạo ảnh sẽ tiếp tục tốt lên. Những bức ảnh chúng đưa cho bạn sẽ tiếp tục đẹp hơn, và tiếp tục là mức trung bình của những gì mọi người khác cũng đang nhận. Phần khó vẫn sẽ nằm ở chỗ: biết mình muốn gì, đưa cho mô hình một thứ có thật, và chọn ra tấm thật sự là của bạn.

FAQ

Vì sao ảnh do AI tạo ra đều trông giống nhau? Vì ai cũng mô tả điều mình muốn bằng những từ tương tự nhau, và mô hình trả về kết quả có xác suất cao nhất cho những từ đó. Dylan Field của Figma gọi kết quả đầu tiên là generic theo định nghĩa. Đưa cho mô hình reference của chính bạn thay vì các tính từ mới là cách kéo kết quả ra khỏi mức trung bình.

Vì sao Midjourney khó dùng theo nhóm? Các lần tạo ảnh nằm trong một khung chat cá nhân. Kết quả trải theo đường thẳng, nên không thể đặt các ảnh cạnh nhau để so sánh, và phần lớn những gì một người đã thử đều vô hình với những người còn lại. Các phương án bị loại và lý do đằng sau một quyết định biến mất cùng khung chat đó.

Làm sao để có kết quả tốt hơn từ một công cụ tạo ảnh AI? Đừng cố viết prompt hay hơn nữa. Hãy đưa cho mô hình nguyên liệu thật: ảnh reference, tài sản thương hiệu, tài liệu nghiên cứu, và những ghi chú giải thích ý định. Đầu vào cụ thể tạo ra đầu ra cụ thể.

Các đội ngũ nên lưu ảnh AI ở đâu? Ở một nơi cả nhóm có thể cùng nhìn thấy, đặt cạnh brief và các reference đã tạo ra chúng, bao gồm cả những phiên bản bị loại. Một thư mục download sẽ đánh mất toàn bộ ngữ cảnh đó chỉ trong một tuần.

ALLO có tạo ảnh không? Có, ngay trên canvas. Bạn chọn các reference và ghi chú muốn mô hình dùng, bấm generate, và kết quả xuất hiện như một đối tượng trên board ngay cạnh đầu vào của nó, nơi cả nhóm có thể so sánh, bình luận và chọn ra phương án cuối.