AI VÀ VIỆC LÀM QUA BẰNG CHỨNG

Đọc bốn lớp bằng chứng về AI và việc làm để tách điều đã biết khỏi những lời dự báo ồn ào

---

Hai con số công bố cách nhau vài tháng cho thấy vì sao nói về AI và việc làm khó đến vậy. Theo báo cáo AI Index 2025 của Đại học Stanford, chi phí để chạy một mô hình có năng lực ngang GPT-3.5 đã giảm hơn 280 lần chỉ trong khoảng hai năm, từ tháng 11/2022 đến tháng 10/2024 (Stanford Institute for Human-Centered Artificial Intelligence, 2025). Cùng lúc, nhà kinh tế học Daron Acemoglu ước tính AI sẽ làm năng suất nhân tố tổng hợp của nền kinh tế Mỹ tăng không quá 0,66% trong cả mười năm (Acemoglu, 2025). Công nghệ tiến rất nhanh; tác động kinh tế đo được lại đến chậm.

Giữa hai con số ấy là một dòng chảy tin tức gần như không ngớt: "AI sẽ thay thế 300 triệu việc làm", "một nửa công việc văn phòng sẽ biến mất", "AI không lấy việc của ai cả". Mỗi tiêu đề thường dựa trên một nghiên cứu có thật, nhưng các nghiên cứu ấy đo những thứ rất khác nhau. Một nghiên cứu đo bao nhiêu tác vụ máy có thể làm, một nghiên cứu khác đo người dùng AI làm nhanh hơn bao nhiêu trong phòng thí nghiệm, một nghiên cứu nữa đo số người có việc làm thật sự thay đổi ra sao. Đọc lẫn ba loại này là nguồn gốc của phần lớn các kết luận sai.

Bài viết này sắp xếp bằng chứng hiện có, tính đến cuối năm 2025, thành bốn lớp. Mục 1 giới thiệu bốn lớp và câu hỏi mà mỗi lớp trả lời được. Bốn mục tiếp theo lần lượt đi qua từng lớp: mức phơi nhiễm, thí nghiệm năng suất, dữ liệu thị trường lao động và ước tính vĩ mô. Mục 6 đưa ra một danh sách câu hỏi để đọc một tin tức về AI và việc làm và gợi ý điều người lao động, nhà quản lý có thể làm ngay.

1. Bốn lớp bằng chứng

Mục này dựng khung để đọc phần còn lại của bài: mỗi lớp bằng chứng trả lời một câu hỏi riêng và có một giới hạn riêng.

Lớp thứ nhất là mức phơi nhiễm (exposure): bao nhiêu tác vụ trong một nghề mà AI có thể làm hoặc hỗ trợ, về mặt kỹ thuật. Lớp thứ hai là thí nghiệm năng suất: khi người lao động được giao AI, họ làm nhanh hơn, tốt hơn bao nhiêu trong một nhiệm vụ cụ thể. Lớp thứ ba là dữ liệu thị trường lao động: số người có việc, số giờ làm, tiền lương thật sự thay đổi ra sao ở những nghề và doanh nghiệp dùng AI. Lớp thứ tư là ước tính vĩ mô: tác động lên năng suất và việc làm của cả nền kinh tế. Hình 1 xếp bốn lớp theo khoảng cách từ "có thể" đến "đã xảy ra".

Hình 1. Bốn lớp bằng chứng về AI và việc làm, từ điều có thể đến điều đã xảy ra.

Lỗi đọc phổ biến nhất là lấy con số của lớp dưới để trả lời câu hỏi của lớp trên. "Một phần tư việc làm phơi nhiễm với AI" là câu trả lời cho lớp thứ nhất, nhưng thường được đọc như "một phần tư việc làm sẽ mất", một câu thuộc lớp thứ ba mà con số ấy không hề đo.

2. Lớp thứ nhất: mức phơi nhiễm

Các nghiên cứu phơi nhiễm là nguồn của phần lớn những con số lớn trên báo chí. Mục này cho thấy chúng đo gì và không đo gì.

Cách làm chung là tách mỗi nghề thành các tác vụ, rồi chấm điểm xem AI có thể làm hoặc rút ngắn đáng kể thời gian của từng tác vụ không. Eloundou và cộng sự (2024) áp dụng cách này cho thị trường lao động Mỹ và cho ra hai con số rất khác nhau. Nếu người lao động chỉ dùng mô hình ngôn ngữ qua một giao diện trò chuyện đơn giản, khoảng 1,8% việc làm có hơn một nửa số tác vụ bị ảnh hưởng. Nếu tính thêm các phần mềm được xây trên mô hình và tích hợp vào quy trình, con số tăng lên hơn 46%. Khoảng cách giữa hai con số nói lên rằng mức phơi nhiễm phụ thuộc rất nhiều vào việc doanh nghiệp có đầu tư tích hợp hay không, chứ không chỉ vào năng lực của mô hình.

Ở quy mô toàn cầu, Tổ chức Lao động Quốc tế (ILO) cùng Viện Nghiên cứu Quốc gia Ba Lan cập nhật năm 2025 một chỉ số phơi nhiễm dựa trên gần 30.000 tác vụ. Theo chỉ số này, khoảng một phần tư việc làm trên thế giới thuộc các nghề có một mức phơi nhiễm nào đó với AI tạo sinh, nhưng chỉ khoảng 3,3% thuộc nhóm phơi nhiễm cao nhất (Gmyrek và cộng sự, 2025). Nhóm nghề văn thư có mức phơi nhiễm cao nhất. Mức phơi nhiễm tăng theo thu nhập quốc gia, từ khoảng 11% việc làm ở các nước thu nhập thấp lên khoảng 34% ở các nước thu nhập cao và cao hơn ở lao động nữ, vì nữ giới chiếm tỷ trọng lớn trong các nghề văn thư.

Các nghiên cứu phơi nhiễm hữu ích để biết nghề nào nên chuẩn bị trước. Nhưng chính các tác giả nhấn mạnh rằng con số của họ là mức trần của điều có thể, không phải dự báo về điều sẽ xảy ra. Một nghề phơi nhiễm cao có thể được tăng cường chứ không bị thay thế; việc nó đi theo hướng nào phụ thuộc vào quyết định của doanh nghiệp, chi phí, quy định và phản ứng của chính người lao động. Cách phân tích một vai trò ở cấp tác vụ để ra quyết định đó được trình bày trong bài Thiết kế lại công việc khi có AI.

3. Lớp thứ hai: thí nghiệm năng suất

Nếu lớp thứ nhất hỏi máy có thể làm gì, lớp thứ hai hỏi khi người lao động thật sự dùng AI thì chuyện gì xảy ra. Đây là lớp có bằng chứng chặt chẽ nhất, nhờ các thí nghiệm có nhóm đối chứng.

Bảng 1 tóm tắt ba nghiên cứu được trích dẫn nhiều nhất, mỗi nghiên cứu ở một bối cảnh khác nhau.

Bảng 1. Ba thí nghiệm về năng suất khi người lao động dùng AI tạo sinh

Nguồn: tổng hợp từ các nghiên cứu được trích.

Hình 2 đặt các kết quả của Bảng 1 cạnh nhau để thấy cả độ lớn lẫn mặt trái.

Hình 2. Tác động của AI tạo sinh trong ba thí nghiệm; thanh màu cam là kết quả xấu đi.

Ba bài học rút ra từ Hình 2. Thứ nhất, tác động có thật và không nhỏ, từ khoảng 14% đến 40% tùy nhiệm vụ. Thứ hai, người ít kinh nghiệm thường được lợi nhiều nhất, điều ngược với nỗi lo quen thuộc rằng công nghệ chỉ làm lợi cho người giỏi. Thứ ba và quan trọng nhất với nhà quản lý, AI có một "biên giới lởm chởm": giỏi bất ngờ ở việc này nhưng kém bất ngờ ở việc khác trông dễ tương đương và người dùng không phải lúc nào cũng biết mình đang ở bên nào của biên giới (Dell'Acqua và cộng sự, 2023). Thanh màu cam trong Hình 2 là cái giá của việc tin máy ở sai chỗ.

Lớp bằng chứng này cũng có giới hạn. Thí nghiệm đo năng suất trong một nhiệm vụ được xác định rõ, thường trong vài giờ hoặc vài tháng. Nó không trả lời được doanh nghiệp sẽ dùng phần năng suất tăng thêm để làm nhiều việc hơn với cùng số người, hay làm cùng lượng việc với ít người hơn. Câu hỏi đó thuộc lớp thứ ba.

4. Lớp thứ ba: dữ liệu thị trường lao động

Đây là lớp trả lời trực tiếp câu hỏi mà mọi người thật sự quan tâm: việc làm và tiền lương đã thay đổi chưa. Đến cuối năm 2025, hai nghiên cứu lớn cho hai bức tranh tưởng như trái ngược.

Nghiên cứu thứ nhất của Humlum và Vestergaard (2025) dùng dữ liệu hành chính của Đan Mạch, nối khảo sát việc dùng chatbot AI với hồ sơ thu nhập và giờ làm của khoảng 25.000 người lao động tại 7.000 nơi làm việc, trong 11 nghề thường được coi là dễ bị tự động hóa như kế toán, lập trình viên, nhân viên hỗ trợ khách hàng. Kết quả gần như bằng không: hai năm sau khi chatbot phổ biến, không thấy thay đổi đáng kể nào về thu nhập hay giờ làm, kể cả ở người dùng nhiều, nơi làm việc đầu tư mạnh hay người mới vào nghề. Thời gian tiết kiệm được mà người lao động tự báo cáo chỉ khoảng vài phần trăm giờ làm và một phần thời gian đó bị dùng cho những việc mới mà chính AI tạo ra, như kiểm tra đầu ra của máy.

Nghiên cứu thứ hai của Brynjolfsson, Chandar và Chen (2025) dùng dữ liệu bảng lương của một công ty xử lý tiền lương lớn ở Mỹ, theo dõi hàng triệu người lao động. Họ thấy người lao động trẻ, từ 22 đến 25 tuổi, trong các nghề phơi nhiễm cao nhất với AI, như phát triển phần mềm và chăm sóc khách hàng, giảm khoảng 16% việc làm so với nhóm ít phơi nhiễm, sau khi đã kiểm soát các cú sốc ở cấp doanh nghiệp. Người lao động lớn tuổi hơn trong cùng nghề không bị ảnh hưởng tương tự. Mức giảm tập trung ở những nghề mà AI chủ yếu tự động hóa tác vụ, không thấy ở những nghề mà AI chủ yếu tăng cường. Tiền lương của nhóm trẻ gần như không đổi, gợi ý rằng doanh nghiệp tuyển ít người mới hơn chứ không cắt lương.

Hai kết quả không hẳn mâu thuẫn. Chúng đo hai quốc gia, hai loại dữ liệu và hai câu hỏi khác nhau: một nghiên cứu hỏi người đã có việc bị ảnh hưởng ra sao, nghiên cứu kia cho thấy tác động có thể đến qua cánh cửa tuyển dụng, tức những người chưa có việc. Đặt cạnh nhau, chúng gợi ý một hình ảnh thận trọng: đến cuối năm 2025, AI chưa làm thay đổi đáng kể thu nhập của người đang làm, nhưng có những tín hiệu sớm ở cửa vào nghề của người trẻ. Đây cũng chính là "bậc thang học nghề" mà nhà quản lý cần giữ khi thiết kế lại công việc. Cả hai nghiên cứu đều mới, đều là bản làm việc chưa qua bình duyệt đầy đủ tại thời điểm công bố và có thể được điều chỉnh khi có thêm dữ liệu; chính nghiên cứu thứ hai đã sửa con số từ 13% ở bản tháng 8 thành 16% ở bản tháng 11/2025.

5. Lớp thứ tư: ước tính vĩ mô

Lớp cuối cùng hỏi cả nền kinh tế được gì và mất gì. Đây là lớp có độ bất định lớn nhất và mục này giải thích vì sao.

Ước tính của Acemoglu (2025) ở đầu bài được xây từ dưới lên: lấy tỷ lệ tác vụ phơi nhiễm ở lớp thứ nhất, nhân với phần chi phí tiết kiệm được ở mỗi tác vụ từ các thí nghiệm ở lớp thứ hai, rồi tính ra tác động lên năng suất toàn nền kinh tế. Kết quả, không quá 0,66% năng suất nhân tố tổng hợp trong mười năm, thấp hơn nhiều so với kỳ vọng phổ biến, vì chỉ một phần tác vụ phơi nhiễm thật sự được chuyển đổi một cách có lãi trong thập kỷ tới. Các ước tính khác, dùng giả định lạc quan hơn về tốc độ lan tỏa, cho con số cao hơn nhiều; chênh lệch giữa các ước tính phần lớn đến từ giả định, không phải từ dữ liệu.

Báo cáo Tương lai Việc làm 2025 của Diễn đàn Kinh tế Thế giới, dựa trên khảo sát hơn một nghìn nhà tuyển dụng lớn, dự kiến đến năm 2030 sẽ có khoảng 170 triệu việc làm mới được tạo ra và 92 triệu việc làm bị thay thế, ròng tăng khoảng 78 triệu, với AI và công nghệ thông tin là một trong nhiều động lực (World Economic Forum, 2025). Con số ròng dương che một sự dịch chuyển rất lớn: 92 triệu người phải chuyển việc và người mất việc thường không phải người có việc mới. Cũng cần nhớ đây là kỳ vọng của nhà tuyển dụng, không phải số liệu đo được. Bảng 2 tóm tắt bốn lớp bằng chứng.

Bảng 2. Bốn lớp bằng chứng: điều đã biết và điều chưa biết (đến cuối năm 2025)

6. Đọc một tin tức về AI và việc làm

Bốn lớp bằng chứng có thể gói thành vài câu hỏi để đọc bất kỳ tin tức nào. Mục này đưa ra danh sách đó và gợi ý việc nên làm.

Bảng 3 liệt kê năm câu hỏi nên đặt ra mỗi khi gặp một tiêu đề về AI và việc làm.

Bảng 3. Năm câu hỏi khi đọc một tin tức về AI và việc làm

Với người lao động, bằng chứng gợi ý rằng câu hỏi hữu ích không phải "nghề của tôi có bị thay thế không" mà là "tác vụ nào trong việc của tôi đang thay đổi và tôi có đang học cách làm phần việc mà máy làm kém không". Với nhà quản lý, bằng chứng ở lớp thứ hai và thứ ba gợi ý hai việc: đo năng suất trên chính tác vụ của doanh nghiệp mình thay vì tin một con số trung bình và giữ lại con đường học nghề cho người mới khi tự động hóa những tác vụ dễ nhất. Với doanh nghiệp Việt Nam, cũng cần nhớ rằng phần lớn bằng chứng đến từ các nước thu nhập cao; cơ cấu nghề, chi phí lao động và tốc độ áp dụng ở Việt Nam khác, nên thời điểm và mức độ tác động có thể khác.

Kết luận

Bằng chứng về AI và việc làm, đến cuối năm 2025, vẽ ra một bức tranh ít kịch tính hơn cả kịch bản "AI lấy hết việc" lẫn "không có gì thay đổi". Mức phơi nhiễm rộng, khoảng một phần tư việc làm toàn cầu. Năng suất trong các nhiệm vụ phù hợp tăng rõ, nhất là với người mới. Nhưng thu nhập và giờ làm của người đang có việc gần như chưa đổi và tác động vĩ mô ước tính được vẫn khiêm tốn. Tín hiệu đáng chú ý nhất lại nằm ở nơi ít được bàn: cánh cửa vào nghề của người trẻ trong những nghề mà AI tự động hóa tác vụ.

Cách đọc bốn lớp bằng chứng cũng là một kỹ năng dùng được lâu hơn mọi con số trong bài. Các con số sẽ còn thay đổi khi có dữ liệu mới, như chính một nghiên cứu được dẫn ở đây đã tự sửa trong vài tháng. Điều ít thay đổi là thói quen hỏi một con số thuộc lớp nào, đo ai, ở đâu và khi nào, trước khi để nó quyết định nỗi lo hay kế hoạch của mình.

Đọc thêm

• Thiết kế lại công việc khi có AI
• Đội ngũ lai người và AI tác tử trong startup
• Thời hậu trợ giá của trí tuệ nhân tạo
• Trí tuệ nhân tạo là gì

Tài liệu tham khảo

Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. https://doi.org/10.1093/epolic/eiae042

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence [Working paper]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Dell'Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper No. 24-013). Harvard Business School. https://www.hbs.edu/faculty/Pages/item.aspx?num=64700

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. https://doi.org/10.1126/science.adj0998

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (ILO Working Paper No. 140). International Labour Organization. https://doi.org/10.54394/HETP0387

Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects (NBER Working Paper No. 33777). National Bureau of Economic Research. https://www.nber.org/papers/w33777

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

Stanford Institute for Human-Centered Artificial Intelligence. (2025). The AI index 2025 annual report. Stanford University. https://hai.stanford.edu/ai-index/2025-ai-index-report

World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/