Nhãn sai trên bàn dữ liệu: khi hệ thống tự động gọi một bản thông tư thuế Pakistan là quần vợt

Chiều thứ Sáu, bàn làm việc của tôi ở Liverpool vẫn sáng đèn khi thành phố đã tắt nắng. Một cờ đỏ nhấp nháy trên màn hình giám sát: hệ thống phân loại tự động vừa gắn nhãn “quần vợt” cho một văn bản mới nhập kho. Tôi mở nó ra. Không có tay vợt. Không có giải đấu. Không có một set đấu nào. Đó là bản thông tư giải thích ngân sách của Cục Thuế Liên bang Pakistan, bàn về thuế khấu trừ, có hiệu lực từ ngày 1 tháng 7 năm 2026. Những con số xếp hàng trong đó — 6%, 7%, 12%, 14%, 15%, 20% — không phải tỷ lệ giao bóng thành công, cũng chẳng phải tỷ lệ thắng điểm trên sân cứng. Chúng là thuế suất. Tôi ngồi nhìn màn hình một lúc lâu. Trong đầu vang lên câu tôi vẫn hay viết: “Khi khán đài trống rỗng, những con số bắt đầu học cách hát.” Nhưng đêm nay, bài ca phát ra sai nhịp. Hệ thống đã nghe thấy một giai điệu chưa từng tồn tại, và nếu tôi không ngăn lại, nó đã sẵn sàng đẩy bản tin ấy lên trang. Để hiểu vì sao chuyện này xảy ra, cần kể về cách một tòa soạn thể thao vận hành dữ liệu ở thập niên này. Chúng tôi không còn ngồi chờ tin; chúng tôi dựng những đường ống tự động quét hàng nghìn nguồn mỗi ngày, rồi để máy phân loại chúng thành từng nhóm: bóng đá, quần vợt, điền kinh, võ thuật. Mỗi văn bản đi qua bốn trạm. Trạm một, nhận dạng thực thể — tìm tên người, tên tổ chức, tên sự kiện. Trạm hai, trích xuất từ khóa và cụm từ lặp lại. Trạm ba, chấm điểm theo một bộ trọng số do con người đặt ra. Trạm bốn, định tuyến về đúng bàn biên tập. Pipeline ấy chạy êm suốt nhiều tháng, cho đến khi một văn bản thuế lọt vào cửa quần vợt. Nguyên nhân nằm ở tiếng Anh, thứ ngôn ngữ tôi dùng để làm việc mỗi ngày nhưng vẫn thường xuyên phản bội tôi. Từ “advance” trong văn bản thuế nghĩa là khoản ứng trước; trong quần vợt, nó là động từ chỉ việc tiến vào vòng trong. “Service” ở đây là dịch vụ chịu thuế; trên sân, nó là cú giao bóng. “Court” là tòa án; cách đó vài trăm mét khái niệm, nó là sân đấu. Cụm “division” trong luật là phân ban; trong thể thao, nó là hạng đấu. Cuối cùng, viết tắt “FBR” — Federal Board of Revenue — trùng với khuôn mẫu viết tắt mà bộ lọc từng học từ các liên đoàn. Không có tay vợt nào xuất hiện trong toàn bộ văn bản, nhưng hệ thống vẫn gom đủ điểm để dán nhãn. Đây là lúc công việc của một cố vấn dữ liệu bắt đầu, và cũng là lúc tôi phải tự thú nhận vai trò của mình. Tôi lấy mẫu kiểm toán toàn bộ các văn bản được gắn nhãn thể thao trong một quý. Trong 2.400 văn bản, 3,1% là dương tính giả — nghĩa là gần bảy mươi lăm bản tin lẽ ra không bao giờ được đặt cạnh một đường biên. Có một quy luật rõ ràng: 62% số lỗi rơi vào tháng Sáu và tháng Bảy, đúng chu kỳ ngân sách tài khóa của nhiều quốc gia. Bộ lọc chứa bốn mươi bảy token đa nghĩa, và chỉ cần ba trong số đó xuất hiện cùng lúc là văn bản vượt ngưỡng 0,58. Bản thông tư Pakistan hội đủ điều kiện ấy một cách oan uổng. Tôi đã quá già để tin vào phép màu, nhưng đủ trẻ để biết phép màu nào có thể đo đếm. Và tôi cũng đủ già để nhận ra rằng sai lầm này không thuộc về cỗ máy. Chúng tôi đã dạy nó như thế. Ngưỡng 0,58 là con số do chúng tôi chọn. Danh sách token là do chúng tôi viết. Việc gì phải quét nhanh đến vậy, cũng là do chúng tôi quyết. Khi một hệ thống gọi một bản thông tư thuế là tin quần vợt, nó chỉ đang phản chiếu sự vội vàng của những người ngồi sau màn hình. Đây là chỗ dễ mắc bẫy nhất: thấy hai văn bản dùng chung một từ rồi kết luận chúng cùng chủ đề. Tương quan không phải nhân quả, và trùng từ khóa còn xa mới là bằng chứng. Một bản thông tư thuế và một bản tin Wimbledon có thể cùng chứa chữ “advance” mà chẳng liên quan gì đến nhau. Điều đáng lo hơn là căn bệnh ấy không chỉ có ở khâu phân loại. Trong ngành dữ liệu thể thao, chúng ta đang nuôi một thói quen nguy hiểm: lấy số từ những nguồn ta chưa từng kiểm chứng, dán nhãn rồi đẩy lên trang. Mỗi lần một chỉ số xG hay một mức định giá chuyển nhượng xuất hiện mà không ai truy được về nguồn gốc, ta lại đang làm đúng điều cỗ máy đã làm với bản thông tư Pakistan. Tôi đã từng ở Moscow mùa hè năm 2026, trong một khách sạn vắng, nhìn bài phân tích của mình chỉ có hai mươi ba lượt đọc. Đêm đó tôi học được rằng dữ liệu đúng vẫn có thể thất bại nếu thiếu người kiểm chứng. Và tôi cũng học được điều ngược lại: một con số sai, nếu được dán nhãn đủ đẹp, có thể đi xa hơn sự thật. “Nước Nga dạy tôi rằng im lặng cũng là một lớp dữ liệu sâu nhất.” Những văn bản không ai buồn đọc kỹ chính là nơi lỗi sinh sôi. Có những thứ dữ liệu không bao giờ chạm tới — như cách một sân vận động thở. Cách một tòa soạn thở cũng vậy. Sự cẩn trọng không nằm trong bảng điểm, nó nằm ở người biên tập dám dừng lại một nhịp trước khi bấm nút. Bản thông tư Pakistan đã bị cách ly khỏi luồng quần vợt. Nhãn sai đã được sửa. Nhưng tôi không chắc mình đã sửa được thói quen đã sinh ra nó. Điều tôi muốn theo dõi trong những tháng tới không phải một tay vợt nào, mà là chính cái đường ống. Liệu chúng tôi có dám nâng ngưỡng, có dám viết lại danh sách token đa nghĩa, có dám chậm lại một chút để đọc kỹ văn bản trước khi gọi tên nó. Nếu câu trả lời là không, thì bản thông tư thuế tiếp theo sẽ lại đội lốt một trận đấu, và sẽ có người đọc nó như thể đó là kết quả bốc thăm. Dữ liệu biết thì thầm, nhưng chúng ta phải đủ tỉnh để nghe đúng kênh.