AI, Kinh doanh và Tương lai công việc

Tóm tắt: AI đang chuyển dịch cách tạo giá trị của doanh nghiệp theo ba hướng chính: ra quyết định, vận hành, và đổi mới. Thay vì thay thế toàn bộ nghề nghiệp, AI thay đổi cấu trúc nhiệm vụ trong từng nghề. Người lao động cần nâng năng lực làm việc cùng AI theo hướng có kiểm soát, có tiêu chuẩn chất lượng và có trách nhiệm.

Mở đầu

Năm năm trước, phần lớn nhân viên văn phòng dành thời gian soạn email, tổng hợp báo cáo, và tra cứu thông tin. Công việc ấy vẫn còn, nhưng cách làm đã khác. Một chuyên viên marketing giờ đây có thể phác thảo năm phương án nội dung trong mười lăm phút nhờ công cụ AI tạo sinh. Một kế toán có thể nhờ phần mềm rà soát hàng ngàn hóa đơn tìm điểm bất thường thay vì kiểm tra thủ công từng dòng. Tốc độ thay đổi này khiến nhiều người vừa hứng khởi, vừa hoang mang.

Báo cáo Future of Jobs 2025 của Diễn đàn Kinh tế Thế giới (WEF), tổng hợp quan điểm từ hơn 1.000 doanh nghiệp hàng đầu đại diện cho 14 triệu lao động tại 55 nền kinh tế, cho thấy 86% nhà tuyển dụng dự báo AI và công nghệ xử lý thông tin sẽ chuyển đổi căn bản mô hình kinh doanh của họ trước năm 2030. Đến thời điểm đó, dự kiến 170 triệu việc làm mới sẽ xuất hiện trên toàn cầu, trong khi 92 triệu vị trí hiện tại sẽ biến mất hoặc thay đổi đáng kể.

Những con số này dễ gây lo lắng nếu chỉ nhìn bề mặt. Mục tiêu của bài viết này là giúp người đọc hiểu bản chất thật sự của AI trong môi trường làm việc, nhìn ra tác động cụ thể đến công việc hằng ngày, và quan trọng hơn, có lộ trình hành động trong 30 đến 90 ngày tới để tăng cường năng lực thay vì bị động chờ đợi.

Phần 1: Hiểu đúng AI trong bối cảnh kinh doanh

1.1. AI là gì trong ngôn ngữ của người đi làm

Để tránh nhầm lẫn, cần phân biệt rõ một số khái niệm thường bị dùng lẫn lộn. Tự động hóa truyền thống là chương trình máy tính làm theo quy tắc cứng, ví dụ như macro trong Excel hay phần mềm nhập liệu tự động. Học máy (machine learning) là hệ thống có khả năng nhận ra mẫu từ dữ liệu và cải thiện theo thời gian mà không cần lập trình lại từng bước, ví dụ như thuật toán đề xuất sản phẩm trên sàn thương mại điện tử. AI tạo sinh (generative AI) là bước tiến tiếp theo: hệ thống có thể tạo ra nội dung mới như văn bản, hình ảnh, mã nguồn, dựa trên những gì đã học từ lượng dữ liệu khổng lồ.

Mô hình ngôn ngữ lớn (Large Language Model - LLM) như ChatGPT, Claude, hay Gemini thuộc nhóm AI tạo sinh, hoạt động bằng cách dự đoán từ tiếp theo dựa trên xác suất. Cơ chế này giải thích cả điểm mạnh và điểm yếu của chúng. AI giỏi ở việc tổng hợp thông tin, phác thảo nhanh, dịch thuật, và xử lý những tác vụ có mẫu lặp lại. Tuy nhiên, AI dễ sai ở việc đòi hỏi suy luận logic nhiều bước, kiến thức chuyên môn sâu trong lĩnh vực hẹp, hoặc khi cần phán đoán bối cảnh xã hội tinh tế.

Hiện tượng “ảo giác” và sự tự tin sai

Một rủi ro đặc biệt quan trọng trong công việc chuyên môn là hiện tượng “hallucination” (ảo giác AI) — khi mô hình tạo ra thông tin sai nhưng trình bày một cách tự tin và thuyết phục. Nghiên cứu từ Đại học Stanford và MIT cho thấy ngay cả các mô hình tiên tiến nhất cũng có tỷ lệ ảo giác đáng kể khi trả lời câu hỏi chuyên môn. Một khảo sát năm 2024 ghi nhận 47% người dùng AI trong doanh nghiệp thừa nhận đã ra ít nhất một quyết định quan trọng dựa trên thông tin AI tạo ra mà sau đó phát hiện không chính xác.

Điều này đặc biệt nguy hiểm vì AI không “hiểu” sự thật theo nghĩa con người — nó dự đoán chuỗi từ có vẻ hợp lý nhất. Như một kỹ sư AI từng giải thích: mục tiêu chính của mô hình là tiếp tục chuỗi từ sao cho “trông ổn,” bất kể đầu ra có khớp với thực tế hay không. Hệ quả là người dùng cần có năng lực kiểm chứng thay vì tin tưởng mặc định.

1.2. AI tạo sinh đang đổi luật chơi thế nào

Sự khác biệt lớn nhất giữa AI tạo sinh và các công cụ trước đây là khả năng chuyển AI từ vai trò “công cụ hỗ trợ” sang “lao động tri thức” có thể tạo văn bản, mã, hình ảnh, và ý tưởng. Trước đây, phần mềm giúp bạn làm nhanh hơn việc bạn đã biết cách làm. Giờ đây, AI có thể tạo ra bản thảo đầu tiên cho những việc bạn chưa từng làm.

Tuy nhiên, cần phân biệt rõ giữa “làm nhanh hơn” và “làm tốt hơn.” Nghiên cứu của Erik Brynjolfsson và các đồng nghiệp tại Stanford, công bố trên The Quarterly Journal of Economics năm 2025, nghiên cứu 5.172 nhân viên hỗ trợ khách hàng sử dụng trợ lý AI tạo sinh, cho thấy năng suất trung bình tăng 15% (đo bằng số vấn đề giải quyết mỗi giờ). Đáng chú ý, mức tăng cao nhất (tới 34%) thuộc về nhóm nhân viên ít kinh nghiệm và kỹ năng thấp hơn, trong khi nhóm có kỹ năng cao nhất chỉ tăng nhẹ về tốc độ và thậm chí giảm nhẹ về chất lượng khi phụ thuộc quá mức vào gợi ý AI.

Phát hiện này gợi ý rằng AI tạo sinh có thể đóng vai trò “cân bằng” năng lực trong đội ngũ bằng cách chuyển giao kiến thức ngầm từ người giỏi sang người mới. Tuy nhiên, nó cũng cảnh báo rằng người có chuyên môn cao cần thận trọng — việc chấp nhận gợi ý AI một cách máy móc có thể làm giảm chất lượng công việc vốn xuất sắc của họ.

Phần 2: AI tạo giá trị cho doanh nghiệp theo ba lớp

2.1. Lớp ra quyết định

Ở lớp này, AI hỗ trợ tổng hợp thông tin, phân tích dữ liệu, dự báo xu hướng, và phát hiện tín hiệu sớm. Một giám đốc tài chính có thể nhờ AI tóm tắt 50 trang báo cáo ngành trong 3 phút, trích xuất những điểm chính cần lưu ý. Một trưởng phòng marketing có thể nhờ AI phân tích phản hồi khách hàng từ nhiều kênh để nhận diện xu hướng phàn nàn đang tăng.

Tuy nhiên, rủi ro thường gặp ở lớp này bao gồm: dữ liệu bẩn dẫn đến phân tích sai (garbage in, garbage out), suy luận quá đà từ mẫu nhỏ, và nhầm lẫn tương quan với nguyên nhân. Ví dụ, AI có thể phát hiện doanh số tăng cùng lúc với chi tiêu quảng cáo tăng, nhưng không thể khẳng định quảng cáo là nguyên nhân dẫn đến doanh số mà không có thiết kế thử nghiệm phù hợp.

Cách dùng đúng ở lớp ra quyết định là: AI đề xuất, con người kiểm chứng, có quy trình phản biện. Đây không phải là làm chậm đi mà là bảo vệ khỏi những sai lầm tốn kém. Một số doanh nghiệp đã áp dụng nguyên tắc “second opinion” — bất kỳ quyết định quan trọng nào dựa trên phân tích AI đều cần có ít nhất một người xem xét độc lập trước khi thực thi.

2.2. Lớp vận hành và tự động hóa quy trình

Các quy trình phù hợp để tự động hóa thường có ba đặc điểm: lặp lại với tần suất cao, đã được chuẩn hóa về bước thực hiện, và có dữ liệu đầu vào rõ ràng. Ví dụ điển hình là xử lý hóa đơn, phân loại email theo chủ đề, hay trích xuất thông tin từ hợp đồng theo mẫu có sẵn.

Nơi dễ thất bại là những quy trình còn mơ hồ về trách nhiệm, thiếu tiêu chuẩn chất lượng đầu ra, hoặc có quá nhiều ngoại lệ. Nếu một công ty cố tự động hóa quy trình phê duyệt tín dụng mà chưa xác định rõ ngưỡng rủi ro chấp nhận được, AI sẽ không biết lúc nào cần chuyển sang người duyệt thủ công, dẫn đến hoặc quá thận trọng (từ chối nhiều hồ sơ tốt) hoặc quá rủi ro (duyệt hồ sơ xấu).

Tư duy quan trọng nhất ở đây là: tự động hóa sau khi đã chuẩn hóa. Cố gắng tự động hóa quy trình lộn xộn chỉ khiến lỗi lan nhanh hơn và khó truy vết hơn. Bước đầu tiên nên là vẽ lại quy trình, xác định đầu vào, đầu ra, và tiêu chí chất lượng cho từng bước, sau đó mới xem xét đoạn nào phù hợp để AI tham gia.

2.3. Lớp đổi mới sản phẩm và mô hình kinh doanh

Ở lớp cao nhất, AI trở thành năng lực mới trong thiết kế sản phẩm, chăm sóc khách hàng cá nhân hóa, và tạo ra nguồn doanh thu chưa từng có. Một công ty thương mại điện tử có thể dùng AI để tạo mô tả sản phẩm và hình ảnh thích ứng theo từng phân khúc khách hàng. Một nền tảng giáo dục có thể tạo lộ trình học tùy chỉnh theo tiến độ và phong cách học của từng người dùng.

Sự dịch chuyển cạnh tranh ở đây không còn là “ai có công cụ” mà là “ai có dữ liệu, quy trình, và văn hóa triển khai.” Công cụ AI tạo sinh đang ngày càng phổ biến và dễ tiếp cận; điều tạo ra khác biệt là dữ liệu độc quyền của doanh nghiệp, cách tích hợp AI vào quy trình, và khả năng thử nghiệm nhanh, học nhanh từ phản hồi thực tế.

Phần 3: AI tác động tới ngành và từng phòng ban

3.1. Nhìn theo chuỗi giá trị

Marketing và bán hàng: AI đang thay đổi từ khâu nghiên cứu khách hàng (phân tích hành vi từ dữ liệu số), sáng tạo nội dung (tạo phương án quảng cáo, viết mô tả sản phẩm), tối ưu chuyển đổi (thử nghiệm A/B tự động), đến chăm sóc sau bán (chatbot hỗ trợ, cá nhân hóa email theo hành vi). Một nghiên cứu của McKinsey ước tính marketing và bán hàng là hai chức năng chịu tác động lớn nhất từ AI tạo sinh về mặt tiềm năng tăng năng suất.

Vận hành: AI hỗ trợ dự báo nhu cầu (giảm tồn kho thừa hoặc thiếu), tối ưu lộ trình giao hàng, tự động hóa xử lý hồ sơ và chứng từ. Trong sản xuất, AI kết hợp với cảm biến IoT để dự báo bảo trì máy móc trước khi hỏng hóc xảy ra.

Nhân sự: AI đang được dùng trong tuyển dụng (sàng lọc CV, lên lịch phỏng vấn), đào tạo (học tập cá nhân hóa), và quản trị năng lực (phân tích hiệu suất, đề xuất lộ trình phát triển). Tuy nhiên, đây cũng là lĩnh vực có rủi ro thiên lệch cao nhất — nếu dữ liệu tuyển dụng lịch sử phản ánh định kiến (ví dụ: ưu tiên ứng viên nam cho vị trí kỹ thuật), AI sẽ học và khuếch đại định kiến đó.

Tài chính: AI hỗ trợ phân tích dòng tiền, kiểm soát rủi ro tín dụng, phát hiện giao dịch bất thường có dấu hiệu gian lận. Trong kiểm toán, AI có thể rà soát toàn bộ giao dịch thay vì chọn mẫu, tăng khả năng phát hiện sai sót.

Pháp chế và tuân thủ: AI giúp rà soát văn bản pháp lý nhanh hơn, so sánh hợp đồng với điều khoản chuẩn, và theo dõi thay đổi quy định. Tuy nhiên, độ chính xác trong lĩnh vực pháp lý đòi hỏi kiểm tra kỹ — một nghiên cứu cho thấy tỷ lệ ảo giác của AI khi trả lời câu hỏi pháp lý cụ thể có thể lên tới 69-88% với các mô hình phổ biến.

3.2. Các “bẫy” phổ biến theo ngành

Bẫy thứ nhất là chạy theo công cụ, bỏ qua dữ liệu và quy trình. Doanh nghiệp mua giấy phép phần mềm AI đắt tiền nhưng không có dữ liệu sạch để huấn luyện hoặc tinh chỉnh, không có quy trình để tích hợp đầu ra AI vào dòng công việc thực tế. Kết quả là công cụ nằm im sau vài tuần thử nghiệm.

Bẫy thứ hai là tự động hóa sai chỗ khiến lỗi lan nhanh hơn. Khi AI được giao xử lý tự động không giám sát cho những quy trình có hậu quả nghiêm trọng (ví dụ: phản hồi khiếu nại khách hàng, phê duyệt chi tiêu), một sai sót nhỏ có thể khuếch đại thành vấn đề lớn trước khi ai đó nhận ra.

Bẫy thứ ba là dùng AI cho nội dung nhạy cảm mà thiếu kiểm duyệt và trách nhiệm. Nội dung AI tạo ra về sản phẩm y tế, tài chính, pháp lý cần có người chịu trách nhiệm xem xét trước khi công bố. Việc cho AI “tự chạy” trong những lĩnh vực này có thể dẫn đến sai phạm pháp lý hoặc tổn hại uy tín.

Phần 4: Tương lai công việc theo góc nhìn nhiệm vụ

4.1. Thay vì hỏi “nghề nào mất,” hãy hỏi “nhiệm vụ nào thay đổi”

David Autor, giáo sư kinh tế tại MIT và là một trong những nhà nghiên cứu hàng đầu về tác động của công nghệ lên thị trường lao động, đề xuất cách tiếp cận “task-based view” (góc nhìn theo nhiệm vụ). Thay vì hỏi “nghề nào sẽ bị thay thế,” câu hỏi đúng hơn là “nhiệm vụ nào trong mỗi nghề sẽ thay đổi và theo hướng nào.”

Mỗi công việc có thể phân rã thành nhóm nhiệm vụ: tạo nội dung, phân tích dữ liệu, giao tiếp với người khác, ra quyết định, và vận hành quy trình. AI tác động không đồng đều lên các nhóm này. Nhóm nhiệm vụ dễ tự động hóa hơn thường có tính chất lặp lại, có quy tắc rõ ràng, và ít đòi hỏi phán đoán bối cảnh xã hội. Nhóm nhiệm vụ thiên về tăng cường cho con người thường đòi hỏi sáng tạo, xây dựng quan hệ, hoặc ra quyết định trong tình huống mơ hồ.

Lấy ví dụ nghề luật sư. Nhiệm vụ rà soát hồ sơ để tìm điều khoản liên quan (document review) đang dần được AI hỗ trợ nhiều hơn. Nhiệm vụ phân tích án lệ và soạn thảo văn bản cũng có thể được AI phác thảo ban đầu. Tuy nhiên, nhiệm vụ tư vấn cho khách hàng về chiến lược pháp lý, đàm phán với đối phương, hoặc thuyết phục bồi thẩm đoàn đòi hỏi kỹ năng quan hệ và phán đoán mà AI chưa thể thay thế. Luật sư giỏi trong tương lai có lẽ là người biết dùng AI để tiết kiệm thời gian ở nhóm nhiệm vụ thứ nhất, để dành năng lượng cho nhóm nhiệm vụ thứ hai.

4.2. Mô hình hợp tác người và AI trong công việc hằng ngày

Có ba mô hình hợp tác phổ biến đang hình thành. Mô hình thứ nhất là AI làm trợ lý chuẩn bị, con người làm người chịu trách nhiệm cuối. Trong mô hình này, AI tổng hợp thông tin, tạo bản thảo, hoặc đề xuất phương án, nhưng con người là người xem xét, điều chỉnh, và ký tên chịu trách nhiệm. Đây là mô hình phù hợp cho hầu hết công việc tri thức hiện nay.

Mô hình thứ hai là AI làm cộng sự tạo phương án, con người chọn phương án, đặt tiêu chí và kiểm thử. Ở đây, con người không chỉ chọn một phương án mà còn xác định tiêu chí đánh giá và kiểm tra xem phương án có đáp ứng tiêu chí đó không. Ví dụ, khi viết email quan trọng, thay vì yêu cầu AI viết một bản và gửi luôn, người dùng có thể yêu cầu AI tạo ba phương án với giọng điệu khác nhau, sau đó chọn hoặc kết hợp dựa trên tiêu chí cụ thể về đối tượng nhận.

Mô hình thứ ba là AI làm tác nhân tự động hóa, con người giám sát theo ngưỡng rủi ro. Đây là mô hình cho những quy trình đã được chuẩn hóa kỹ, có rủi ro thấp, và có cơ chế kiểm soát rõ ràng. AI có thể chạy tự động nhưng sẽ dừng lại và báo người khi gặp trường hợp ngoại lệ hoặc vượt ngưỡng rủi ro đã định. Ví dụ, AI có thể tự động phân loại và phản hồi email hỗ trợ khách hàng thông thường, nhưng chuyển cho nhân viên khi phát hiện khách hàng có dấu hiệu phẫn nộ hoặc đề cập vấn đề pháp lý.

4.3. Các vai trò mới sẽ xuất hiện

Báo cáo WEF 2025 chỉ ra rằng 39% kỹ năng hiện tại của người lao động sẽ cần thay đổi trước năm 2030. Trong bối cảnh đó, một số vai trò mới đang xuất hiện. Vai trò đầu tiên là người thiết kế quy trình có AI tham gia — người hiểu cả nghiệp vụ lẫn khả năng của AI để thiết kế dòng công việc tích hợp cả hai. Vai trò thứ hai là người quản trị dữ liệu và chất lượng tri thức nội bộ — đảm bảo dữ liệu và tài liệu dùng để huấn luyện hoặc tra cứu cho AI là chính xác và cập nhật. Vai trò thứ ba là người quản trị rủi ro, đạo đức và tuân thủ AI — xác định ngưỡng rủi ro chấp nhận được, giám sát hành vi của hệ thống AI, và đảm bảo tuân thủ quy định ngày càng nhiều về AI.

Phần 5: Năng lực thiết yếu của người lao động trong kỷ nguyên AI

5.1. Năng lực nền tảng

Năng lực đầu tiên và quan trọng nhất là tư duy phản biện — khả năng đặt câu hỏi, kiểm chứng, không tin vì thấy hợp lý. Trong thế giới mà AI có thể tạo ra nội dung thuyết phục với tốc độ cao, người không có tư duy phản biện sẽ dễ bị dẫn dắt bởi thông tin sai. Cụ thể hơn, tư duy phản biện trong bối cảnh AI bao gồm: nhận biết dấu hiệu ảo giác AI (quá chung chung, thiếu nguồn, hoặc quá tự tin), kiểm tra chéo với nguồn đáng tin cậy, và hiểu giới hạn của công cụ đang dùng.

Năng lực thứ hai là đặt câu hỏi đúng, xác định tiêu chí đầu ra, và đo lường chất lượng. AI chỉ có thể hỗ trợ tốt khi người dùng biết mình muốn gì và có cách đánh giá kết quả. Một yêu cầu mơ hồ như “viết email hay” sẽ cho kết quả kém hơn nhiều so với yêu cầu cụ thể như “viết email 150 từ, giọng chuyên nghiệp nhưng thân thiện, mục đích là nhắc nhẹ đối tác về tiến độ dự án mà không gây áp lực.”

Năng lực thứ ba là diễn đạt mạch lạc — cả khi giao tiếp với con người lẫn khi “giao tiếp” với AI. Người viết prompt (câu lệnh) rõ ràng, có cấu trúc, sẽ nhận được kết quả tốt hơn người viết lan man. Điều thú vị là kỹ năng viết prompt tốt cho AI cũng chính là kỹ năng giao việc rõ ràng cho đồng nghiệp — khác biệt nằm ở việc AI không biết hỏi lại khi chưa hiểu, nên người dùng cần lường trước và cung cấp đủ thông tin ngay từ đầu.

5.2. Năng lực chuyên môn có AI hỗ trợ

Điều quan trọng là biết dùng AI để tăng chất lượng chuyên môn, không chỉ tăng tốc. Người giỏi sử dụng AI không chỉ hỏi “làm thế nào để làm nhanh hơn” mà còn hỏi “làm thế nào để làm tốt hơn, sâu hơn, toàn diện hơn mà trước đây không có thời gian.” Ví dụ, thay vì chỉ dùng AI để viết nhanh một báo cáo, người dùng thông minh có thể nhờ AI phân tích thêm các góc nhìn mà mình thường bỏ qua, hoặc đề xuất phản biện cho lập luận của mình.

Một thói quen hữu ích là xây dựng thư viện quy trình cá nhân, bao gồm: các mẫu prompt đã cho kết quả tốt, danh sách kiểm tra (checklist) cho các loại đầu ra thường gặp, và tiêu chuẩn chất lượng cho từng loại công việc. Khi đã có thư viện này, người dùng không phải “phát minh lại” mỗi lần làm việc với AI, mà có thể tái sử dụng và cải tiến dần.

Cuối cùng, năng lực xử lý sai là không thể thiếu. AI sẽ sai, và người dùng cần biết cách nhận ra sai, truy vết nguyên nhân (do prompt không rõ? do dữ liệu đầu vào có vấn đề? do giới hạn của mô hình?), và sửa quy trình để giảm lỗi tương tự trong tương lai.

5.3. Năng lực tổ chức công việc

Năng lực tổ chức công việc trong kỷ nguyên AI bao gồm khả năng tách việc theo mức rủi ro và mức cần chính xác. Không phải công việc nào cũng nên để AI làm như nhau. Email nội bộ không chính thức có thể nhờ AI phác thảo nhanh. Hợp đồng với khách hàng lớn cần kiểm tra kỹ từng điều khoản. Báo cáo tài chính công bố ra bên ngoài cần quy trình duyệt nhiều lớp. Người làm việc hiệu quả với AI biết phân loại và phân bổ mức kiểm soát phù hợp.

Thiết kế điểm kiểm duyệt, điểm bàn giao, và điểm chịu trách nhiệm cũng là năng lực quan trọng. Trong quy trình có AI tham gia, cần xác định rõ: AI làm đến đâu thì dừng, ai là người kiểm tra trước khi chuyển bước tiếp theo, và ai chịu trách nhiệm cuối cùng nếu có sai sót. Sự mơ hồ ở các điểm này dẫn đến hoặc kiểm soát quá mức (AI mất tác dụng tăng tốc) hoặc kiểm soát dưới mức (rủi ro sai sót cao).

Một thói quen nên xây dựng là ghi chép và tái sử dụng tri thức thay vì làm lại từ đầu. Mỗi lần giải quyết một vấn đề với sự hỗ trợ của AI, kết quả và cách làm nên được lưu lại để dùng cho lần sau. Đây không chỉ tiết kiệm thời gian mà còn giúp cải tiến liên tục — mỗi lần dùng lại, người dùng có thể thấy điểm cần cải thiện và điều chỉnh.

Phần 6: Rủi ro, đạo đức và an toàn khi dùng AI

6.1. Các rủi ro trọng yếu

Thiên lệch và phân biệt đối xử: AI học từ dữ liệu lịch sử, và nếu dữ liệu đó phản ánh định kiến xã hội (về giới tính, chủng tộc, tuổi tác, xuất thân), AI sẽ khuếch đại định kiến đó. Điều này đặc biệt nguy hiểm trong tuyển dụng, đánh giá nhân viên, cho vay tín dụng, và chấm điểm học sinh. Nhiều quốc gia đang ban hành quy định yêu cầu kiểm tra và công bố mức độ thiên lệch của hệ thống AI trong các lĩnh vực này.

Rò rỉ dữ liệu và bí mật kinh doanh: Khi nhân viên nhập thông tin nhạy cảm vào công cụ AI công cộng (như dán mã nguồn, số liệu tài chính, hoặc chi tiết khách hàng vào ChatGPT), thông tin đó có thể được lưu trữ và dùng để huấn luyện mô hình, hoặc có thể bị truy cập trong các trường hợp lỗi bảo mật. Một số công ty đã cấm nhân viên dùng AI công cộng cho công việc sau khi phát hiện nhân viên vô tình rò rỉ bí mật kinh doanh.

Bản quyền và nguồn gốc nội dung: AI tạo sinh học từ nội dung có sẵn, và ranh giới giữa “lấy cảm hứng” và “sao chép” không phải lúc nào cũng rõ ràng. Doanh nghiệp dùng nội dung AI tạo ra có thể vô tình vi phạm bản quyền hoặc gặp khó khăn khi chứng minh quyền sở hữu. Vấn đề tính trung thực khi công bố cũng cần lưu ý — một số ngành yêu cầu công bố rõ khi nội dung được tạo bởi AI.

Giám sát điện tử và quyền riêng tư tại nơi làm việc: AI mở ra khả năng giám sát nhân viên ở mức độ chi tiết chưa từng có — theo dõi thời gian làm việc thực tế qua nhấp chuột, phân tích cảm xúc qua email và cuộc họp, đánh giá hiệu suất liên tục thay vì định kỳ. Ranh giới giữa “quản lý hiệu quả” và “xâm phạm quyền riêng tư” cần được xác định rõ, cả về mặt pháp lý lẫn văn hóa tổ chức.

6.2. Nguyên tắc triển khai có trách nhiệm

Nguyên tắc đầu tiên là minh bạch về mục đích, dữ liệu, và giới hạn. Người dùng AI (dù là nhân viên trong công ty hay khách hàng bên ngoài) có quyền biết: AI đang được dùng cho mục đích gì, dữ liệu của họ được xử lý như thế nào, và AI có giới hạn gì mà họ cần lưu ý.

Nguyên tắc thứ hai là phân quyền rõ ràng ai chịu trách nhiệm cho quyết định có AI hỗ trợ. AI không thể chịu trách nhiệm pháp lý hay đạo đức — con người ký tên và chịu trách nhiệm. Điều này có nghĩa là cần xác định rõ ai duyệt, ai ký, ai trả lời nếu có sai sót, thay vì để trách nhiệm “lơ lửng” giữa hệ thống và con người.

Nguyên tắc thứ ba là quy trình kiểm chứng theo mức rủi ro — càng rủi ro càng kiểm kỹ. Không phải đầu ra AI nào cũng cần kiểm tra bốn lớp, nhưng đầu ra có hậu quả nghiêm trọng (ảnh hưởng tài chính lớn, liên quan pháp lý, hoặc tác động đến nhiều người) cần có quy trình kiểm tra tương xứng. NIST AI Risk Management Framework là một trong những khung tham khảo được nhiều tổ chức áp dụng để xây dựng quy trình này.

Phần 7: Lộ trình ứng dụng AI thực tế cho doanh nghiệp

7.1. Chọn đúng bài toán

Bước đầu tiên là bắt đầu từ điểm đau cụ thể có chỉ số đo được, thay vì chọn bài toán vì nó “nghe có vẻ phù hợp với AI.” Câu hỏi đúng không phải “chúng ta có thể dùng AI ở đâu” mà là “vấn đề nào đang gây khó khăn nhất và có thể đo lường được.” Ví dụ: thời gian phản hồi khách hàng đang quá lâu, tỷ lệ sai sót trong xử lý đơn hàng đang cao, hoặc chi phí tuyển dụng đang vượt ngân sách.

Ưu tiên quy trình có dữ liệu sẵn, đầu vào rõ, và lợi ích thấy nhanh. AI không hoạt động tốt khi thiếu dữ liệu huấn luyện hoặc dữ liệu đầu vào không chuẩn hóa. Chọn bài toán “chiến thắng nhanh” (quick win) để tạo động lực và tích lũy kinh nghiệm trước khi mở rộng sang bài toán phức tạp hơn.

7.2. Chuẩn bị dữ liệu và tri thức nội bộ

Dữ liệu sạch là nền tảng. Điều này bao gồm: dữ liệu có cấu trúc nhất quán, tài liệu được cập nhật và phiên bản rõ ràng, quy tắc đặt tên thống nhất, và phân quyền truy cập phù hợp. Nhiều dự án AI thất bại không phải vì công nghệ mà vì dữ liệu quá lộn xộn để AI có thể học hoặc sử dụng.

Ngoài dữ liệu, cần xây dựng kho tri thức dùng chung và cơ chế cập nhật. Nếu AI được kết nối với kho tài liệu (ví dụ: quy trình, chính sách, FAQ), kho đó cần được duy trì thường xuyên. AI tra cứu tài liệu lỗi thời sẽ cho ra câu trả lời lỗi thời hoặc sai.

7.3. Thiết kế quy trình có AI tham gia

Với mỗi quy trình, cần xác định rõ: đầu vào là gì (dữ liệu, tài liệu, yêu cầu), đầu ra là gì (sản phẩm, quyết định, báo cáo), tiêu chuẩn chất lượng cho đầu ra, và bước kiểm duyệt trước khi đầu ra được sử dụng. Việc này nghe có vẻ đơn giản nhưng thường bị bỏ qua — nhiều đội ngũ vội vàng triển khai AI mà chưa xác định rõ cách đánh giá AI có làm tốt hay không.

Thiết kế “điểm dừng an toàn” khi AI không chắc cũng quan trọng. AI nên được thiết lập để dừng lại và báo người khi gặp trường hợp ngoại lệ, khi độ tin cậy của kết quả thấp, hoặc khi yêu cầu vượt quá phạm vi được huấn luyện. Đây là điểm khác biệt giữa hệ thống AI “tự tin sai” và hệ thống AI “biết giới hạn của mình.”

7.4. Thử nghiệm, đo lường, mở rộng

Thử nghiệm nhỏ trước là nguyên tắc an toàn. Chọn một nhóm nhỏ, một quy trình cụ thể, trong thời gian ngắn (2-4 tuần) để thử nghiệm. Đo lường tác động so với cách làm cũ: thời gian hoàn thành có giảm không, chất lượng có duy trì hoặc cải thiện không, người dùng có hài lòng không. Sửa quy trình dựa trên phản hồi thực tế trước khi mở rộng.

Mở rộng theo cụm phòng ban, có đào tạo và quản trị thay đổi. AI không chỉ là công nghệ mà còn là thay đổi cách làm việc. Người dùng cần được đào tạo không chỉ về thao tác mà còn về tư duy: khi nào dùng, khi nào không dùng, cách kiểm tra kết quả, cách báo lỗi. Quản trị thay đổi (change management) là yếu tố thường bị đánh giá thấp nhưng quyết định thành bại của dự án AI.

Phần 8: Thước đo hiệu quả và năng suất trong thời AI

Đo lường hiệu quả AI cần nhìn từ nhiều góc độ. Về năng suất, có thể đo thời gian hoàn thành công việc, chi phí trên mỗi đơn vị sản phẩm, và tốc độ xử lý. Tuy nhiên, năng suất một mình không đủ — cần xem xét cả chất lượng.

Về chất lượng, các chỉ số cần theo dõi bao gồm: tỷ lệ sai lỗi, tỷ lệ phải làm lại (rework rate), và mức hài lòng của người dùng cuối (có thể là khách hàng bên ngoài hoặc đồng nghiệp nội bộ). Nếu AI giúp làm nhanh hơn nhưng chất lượng giảm đến mức phải sửa nhiều, lợi ích ròng có thể là âm.

Về rủi ro, cần đo số sự cố liên quan đến AI (output sai, hệ thống lỗi, vi phạm bảo mật), mức độ nghiêm trọng của sự cố, và tỷ lệ sự cố bị phát hiện muộn (sau khi đã gây hậu quả). Một hệ thống AI “ổn định” có thể vẫn đang tích lũy rủi ro nếu lỗi không được phát hiện kịp thời.

Về mức chấp nhận của người dùng, cần theo dõi tần suất sử dụng AI trong công việc hằng ngày và tỷ lệ công việc được thực hiện đúng quy trình có AI. Nếu nhân viên được cấp công cụ AI nhưng không dùng, hoặc dùng nhưng bỏ qua bước kiểm tra, vấn đề có thể nằm ở đào tạo, thiết kế quy trình, hoặc văn hóa tổ chức.

Phần 9: Ba kịch bản tương lai công việc và chiến lược cá nhân

Kịch bản tăng cường: Trong kịch bản này, AI trở thành năng lực nền cho hầu hết công việc tri thức, tương tự như internet hay email hiện nay. Ai biết dùng AI đúng cách sẽ tăng giá trị đáng kể so với người không biết. Khoảng cách năng suất giữa người dùng AI thành thạo và người không dùng có thể lên tới 30-50% trong cùng một vai trò. Đây là kịch bản mà báo cáo WEF 2025 cho thấy đang diễn ra: 77% doanh nghiệp ưu tiên đào tạo lại nhân viên để làm việc cùng AI.

Kịch bản phân cực: Nhóm người có kỹ năng kiểm chứng và thiết kế quy trình sẽ tiến nhanh, trong khi nhóm chỉ làm theo hướng dẫn mà không hiểu bản chất sẽ bị tụt lại. Sự phân cực này có thể xảy ra trong cùng một nghề: hai người cùng làm marketing nhưng một người biết đánh giá và cải tiến output AI, người kia chỉ copy-paste, sẽ có quỹ đạo nghề nghiệp rất khác nhau.

Kịch bản tái cấu trúc: Doanh nghiệp tái thiết kế vai trò, nhiệm vụ, và hệ thống đánh giá một cách căn bản. Một số vai trò hiện tại sẽ biến mất hoặc thu hẹp đáng kể, một số vai trò mới sẽ xuất hiện. Hệ thống đánh giá hiệu suất cũng cần thay đổi — đánh giá người dùng AI tốt khác với đánh giá người làm việc hoàn toàn thủ công.

Chiến lược cá nhân gợi ý

Đầu tiên, chọn một nhóm nhiệm vụ then chốt trong nghề của mình để nâng cấp trước. Không cần và không nên cố gắng “AI hóa” mọi thứ cùng lúc. Xác định một hoặc hai nhiệm vụ bạn làm thường xuyên, chiếm nhiều thời gian, và có thể đo lường được kết quả. Tập trung làm tốt ở đó trước.

Thứ hai, xây dựng bộ tiêu chuẩn chất lượng đầu ra cho công việc của mình. Điều này có hai lợi ích: giúp bạn đánh giá output AI tốt hơn, và giúp bạn giao việc cho AI (hoặc cho người khác) rõ ràng hơn. Tiêu chuẩn này bao gồm: sản phẩm đạt yêu cầu trông như thế nào, những lỗi nào không chấp nhận được, và cách kiểm tra nhanh trước khi gửi đi.

Thứ ba, tạo một dự án nhỏ trong 30 ngày để chứng minh năng lực làm việc cùng AI. Đây có thể là tự động hóa một phần công việc hằng ngày, tạo một công cụ hỗ trợ đồng nghiệp, hoặc cải tiến một quy trình có sẵn. Mục tiêu không phải là dự án hoành tráng mà là có kết quả cụ thể, đo lường được, để làm bằng chứng cho năng lực mới.

Kết luận

AI không thay con người — AI thay cách con người tạo giá trị. Đây là điểm quan trọng nhất cần nhớ. Những dự báo về việc AI “lấy mất việc làm” thường bỏ qua một thực tế: công nghệ không chỉ thay thế mà còn tạo ra công việc mới, và quan trọng hơn, thay đổi cách công việc cũ được thực hiện. Người lao động thành công trong kỷ nguyên AI là người hiểu và thích ứng với sự thay đổi này.

Báo cáo WEF 2025 dự báo 170 triệu việc làm mới sẽ xuất hiện trước năm 2030, trong khi 92 triệu việc làm hiện tại sẽ biến mất hoặc thay đổi căn bản. Điều này có nghĩa là sự tạo ra việc làm vẫn lớn hơn sự mất đi, nhưng kỹ năng cần thiết sẽ khác. 85% doanh nghiệp được khảo sát cho biết họ ưu tiên đào tạo lại nhân viên — đây là tín hiệu cho thấy cơ hội thuộc về người chủ động học hỏi.

Nghiên cứu của David Autor tại MIT và Erik Brynjolfsson tại Stanford cho thấy AI có tiềm năng đặc biệt trong việc “dân chủ hóa” chuyên môn — giúp người ít kinh nghiệm tiếp cận kiến thức và kỹ năng của người giỏi hơn. Nếu được thiết kế và triển khai đúng cách, AI có thể giúp thu hẹp khoảng cách năng lực trong đội ngũ, thay vì chỉ làm lợi cho những người vốn đã giỏi.

Hai năm tới sẽ là giai đoạn định hình quan trọng. Người bắt đầu xây dựng năng lực làm việc cùng AI từ bây giờ sẽ có lợi thế tích lũy đáng kể so với người chờ đợi. Câu hỏi không phải là liệu AI có thay đổi công việc của bạn hay không, mà là bạn sẽ là người định hình sự thay đổi đó hay bị động chạy theo.

Câu hỏi phản tư

1. Công việc của bạn có nhiệm vụ nào đang lặp lại mà chưa hề được chuẩn hóa?

2. Bạn đang dùng AI để làm nhanh, hay để làm tốt và an toàn hơn?

3. Nếu phải chọn một kỹ năng để luyện trong 30 ngày, bạn chọn kỹ năng nào?

Phụ lục

Checklist 30 ngày cho người đi làm

Tuần 1: Chọn một quy trình nhỏ trong công việc hằng ngày mà bạn làm ít nhất 2-3 lần mỗi tuần. Viết ra tiêu chuẩn đầu ra cho quy trình đó — sản phẩm đạt yêu cầu trông như thế nào.

Tuần 2: Thử dùng AI hỗ trợ một phần của quy trình. Ghi lại kết quả: thời gian tiết kiệm, chất lượng so với cách làm cũ, những điểm cần điều chỉnh.

Tuần 3: Dựa trên phản hồi tuần 2, điều chỉnh cách dùng AI. Thử thêm một vài biến thể: prompt khác, bước kiểm tra khác, hoặc kết hợp với công cụ khác.

Tuần 4: Tổng kết bài học. Viết ra: (a) quy trình đã cải tiến như thế nào, (b) những gì cần lưu ý khi dùng AI cho loại công việc này, (c) bước tiếp theo nếu muốn mở rộng.

Checklist cho quản lý

1. Xác định bài toán: Chọn một vấn đề cụ thể có thể đo lường, có dữ liệu sẵn, và có tác động rõ ràng nếu giải quyết được.

2. Phân loại rủi ro: Xác định mức độ nghiêm trọng nếu AI sai ở bài toán này. Thiết kế mức kiểm duyệt tương ứng.

3. Thiết kế quy trình kiểm duyệt: Xác định rõ ai kiểm tra, kiểm tra cái gì, và khi nào cần leo thang (escalation).

4. Đào tạo đội ngũ: Không chỉ đào tạo thao tác mà còn đào tạo tư duy — khi nào tin AI, khi nào kiểm tra, cách báo lỗi.

5. Đo lường chỉ số: Thiết lập cách đo năng suất, chất lượng, rủi ro, và mức chấp nhận của người dùng. Theo dõi và điều chỉnh.

Nguồn tham khảo

• World Economic Forum (2025). Future of Jobs Report 2025.

• Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. NBER Working Paper.

• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-942.

• NIST (2024). AI Risk Management Framework.

• Stanford HAI (2024). AI Index Annual Report.

Bài gốc trên Substack của Lê Đình Lực.