Email sạch chữ cũng có thể là bẫy

Email sạch chữ cũng có thể là bẫy

AI phishing không còn lộ ở lỗi chính tả. Đây là playbook một buổi để team Việt Nam thử lớp phát hiện dựa trên ngữ cảnh, guardrail và tiêu chí dừng rõ ràng.

Có một kiểu email làm security team hơi quê: nhìn rất lịch sự, không sai chính tả, format chuẩn công ty, chào đúng tên, nhắc đúng dự án, thậm chí biết sếp bạn vừa đi công tác. Ngày xưa mình còn có thể đùa: “Email scam mà viết như học sinh lớp 5 thì đỡ mất công lọc.” Giờ thì hết vui rồi.

AI làm cho phishing — email lừa người dùng bấm link, gửi tiền, hoặc lộ thông tin — chuyển từ trò rải lưới thô sang trò đi biển có bản đồ. Kẻ tấn công không cần viết dở. Chúng dùng OSINT — thu thập thông tin công khai từ LinkedIn, website công ty, bài tuyển dụng, thông cáo báo chí — rồi tạo email có ngữ cảnh rất giống thật.

Luận điểm của mình: đừng còn huấn luyện team chỉ nhìn email “xấu”. Hãy thiết kế workflow để phát hiện email biết quá nhiều, đúng quá khéo, và yêu cầu hành động quá gấp.

Sơ đồ minh họa cho bài Email sạch chữ cũng có thể là bẫy

Sơ đồ tóm tắt ý chính của bài viết.

Mục tiêu: đổi tiêu chí từ “trông sai” sang “biết gì”

Nhiều team vừa và nhỏ ở Việt Nam vẫn đang bắt phishing bằng vài dấu hiệu quen: domain lạ, lỗi chính tả, logo méo, lời chào chung chung. Các dấu hiệu đó chưa chết, nhưng không đủ nữa.

Vấn đề mới nằm ở chỗ email AI-generated có thể:

Nói thẳng ra thì: email càng sạch chưa chắc càng an toàn. Giống một con tàu sơn mới bóng loáng nhưng không có giấy hải trình rõ ràng; nhìn thân tàu không đủ, bạn phải hỏi nó đang chở gì và đi từ đâu tới.

Vậy trong một buổi chiều, team nên thử gì để biết mình đang yếu ở đâu?

Checklist trước khi chạy thử

Đừng bắt đầu bằng việc mua thêm một model hay bật thêm một feature AI. Bắt đầu bằng phạm vi nhỏ, có tiêu chí đo, có quyền dừng.

Bạn cần chuẩn bị:

Các cột tối thiểu nên có:

Ở đây có hai thuật ngữ cần neo lại. False positive là báo nhầm email thật thành nguy hiểm; nếu quá nhiều, người dùng sẽ tắt não và bỏ qua cảnh báo. Guardrails là hàng rào kiểm soát để AI không làm quá quyền, không tự động chặn bừa, không biến workflow thành máy gây hoảng.

Chạy thử trong một buổi: 4 bước gọn

Bước 1: Chọn một workflow có rủi ro tiền hoặc quyền truy cập

Đừng test lan man toàn công ty. Hãy chọn một luồng có hậu quả rõ:

Ví dụ cụ thể: team bạn có phòng kế toán 5 người. Mỗi tuần họ nhận nhiều email từ nhà cung cấp. Chọn riêng luồng “đổi số tài khoản nhận thanh toán” để test. Đây là luồng nhỏ nhưng đủ nhạy cảm.

Bước 2: Tách tín hiệu thành 3 lớp

Thay vì hỏi “email này có phishing không?”, hãy ép hệ thống và con người trả lời theo 3 lớp:

  1. Tín hiệu bề mặt: domain, link, file đính kèm, chữ ký, lỗi bất thường.
  2. Tín hiệu ngữ cảnh: người gửi có từng liên hệ chưa, nội dung có khớp lịch sử giao dịch không, có nhắc dự án thật không.
  3. Tín hiệu hành động: email yêu cầu làm gì, có gấp bất thường không, có né quy trình chuẩn không.

Điểm mới nằm ở lớp 2 và 3. AI phishing thắng vì nó làm lớp 1 trông bình thường. Team phòng thủ phải kéo mỏ neo sang ngữ cảnh và hành động.

Bước 3: Dùng AI như trợ lý phân tích, không phải thẩm phán

Nếu bạn dùng một model qua cloud API hoặc nền tảng như Amazon Bedrock, hãy cho nó nhiệm vụ hẹp:

Một prompt nội bộ có thể viết ngắn như sau:

Phân tích email này cho team security.
Trả về: yêu cầu chính, dữ kiện nhạy cảm được nhắc tới,
điểm cần xác minh, mức rủi ro, lý do.
Không kết luận chắc chắn nếu thiếu bằng chứng.

Quan trọng: AI không nên là người bấm nút cuối. Nó là hải đăng, không phải thuyền trưởng. Người phụ trách vẫn phải quyết định dựa trên quy trình xác minh.

Bước 4: Ghi lại thành “annotated cases”

Đây là chỗ nhiều team bỏ phí. Sau mỗi email đáng chú ý, hãy tạo một bản ghi có chú thích: ảnh chụp hoặc nội dung đã ẩn dữ liệu nhạy cảm, highlight các đoạn đáng ngờ, ghi vì sao xử lý như vậy.

Cách này giống annotated presentation — tài liệu có chú thích đi kèm slide hoặc ví dụ — nhưng áp dụng cho security training. Nó giúp người mới học nhanh hơn xem một video dài lê thê. Một case tốt nên trả lời:

Sau 5–10 case, bạn đã có tài liệu training tốt hơn nhiều so với poster “đừng bấm link lạ”.

Guardrail: đừng để AI phòng thủ làm phiền cả công ty

Một nghịch lý trong cybersecurity là guardrail quá chặt có thể cản luôn người tốt. Các nhà nghiên cứu bảo mật hợp pháp đôi khi bị model từ chối vì nội dung trông giống tấn công. Trong nội bộ công ty cũng vậy: nếu hệ thống flag mọi email có chữ “payment”, “password”, “urgent” thì phòng kế toán sẽ nổi cáu trước khi hacker kịp làm gì.

Vì vậy, đặt guardrail theo quyền hành động:

Đây cũng là chỗ bài toán “giá trị AI” cần tỉnh táo. Đừng đo bằng số email AI đã quét cho hoành tráng. Hãy đo bằng chỉ số vận hành: thời gian triage giảm không, case nghiêm trọng có được phát hiện sớm hơn không, người dùng có báo cáo nhiều email đáng nghi hơn không, false positive có làm giảm niềm tin không.

Khi nào scale, khi nào dừng

Sau một buổi thử, đừng vội mở rộng. Hãy nhìn vào dấu hiệu.

Nên scale nếu:

Nên dừng hoặc thu hẹp nếu:

Hình dung thế này: nếu bạn là lead IT ở công ty 80 người, mục tiêu tháng đầu không phải dựng một hệ thống chống phishing hoàn hảo. Mục tiêu hợp lý hơn là chọn một luồng rủi ro, tạo 10 case chú thích, đo thời gian triage trước/sau, rồi quyết định có mở sang phòng khác không.

Sau bài này, nên nghĩ khác điều gì?

Đừng hỏi: “Tool AI nào bắt phishing tốt nhất?”

Hãy hỏi: workflow nào trong công ty mình đang dựa quá nhiều vào niềm tin trong email, và mình có thể thêm một lớp xác minh nhỏ ở đó không?

AI làm phishing sạch sẽ hơn, nhưng cũng có thể giúp team phòng thủ đọc ngữ cảnh kỹ hơn — nếu bạn dùng nó như một phần của quy trình, không phải cái cớ để bỏ quy trình.

Chốt lại: thời AI phishing, email viết đẹp chỉ là sóng yên mặt biển; muốn cập bến an toàn thì vẫn phải xem hải trình.

---
Bụi Wire — nghiện đọc release notes lúc 2 giờ sáng

Nguồn tham khảo