THIẾT KẾ LẠI CÔNG VIỆC KHI CÓ AI

AI thay từng tác vụ chứ không thay cả nghề; giá trị nằm ở chỗ thời gian được giải phóng đi đâu

---

Tháng 5/2024, Microsoft và LinkedIn công bố khảo sát 31.000 người lao động ở 31 quốc gia. Ba phần tư lao động tri thức cho biết đã dùng AI tạo sinh trong công việc. Nhưng 78% người dùng tự mang công cụ của mình đến nơi làm, thay vì dùng công cụ do công ty cung cấp và chỉ 39% từng được công ty đào tạo về AI (Microsoft & LinkedIn, 2024). Ở cấp cá nhân, AI đã vào doanh nghiệp nhanh hơn mọi kế hoạch chính thức. Ở cấp tổ chức, nó gần như chưa đổi gì: quy trình vẫn vậy, vai trò vẫn vậy, cách đo hiệu quả vẫn vậy.

Nghịch lý đó có một hệ quả dễ bị bỏ qua. Người lao động tiết kiệm được thời gian, nhưng thời gian ấy không đi đâu cả; nó tan vào những cuộc họp dài hơn, những email chu đáo hơn, hoặc đơn giản là nghỉ ngơi. Doanh nghiệp không thấy năng suất tăng, không thấy chi phí giảm, chỉ thấy dữ liệu của mình đi vào những công cụ không ai kiểm soát. Muốn AI tạo ra giá trị ở cấp tổ chức, việc dùng AI tự phát phải được biến thành thay đổi có thiết kế.

Bài viết đi theo trình tự sau. Mục 1 đổi đơn vị phân tích từ nghề sang tác vụ. Mục 2 trình bày cách phân tích tác vụ của một vai trò và quyết định thời gian được giải phóng đi đâu, minh họa bằng nhân viên chăm sóc khách hàng của Nhà Vui Home, một nhà bán lẻ nội thất giả định. Mục 3 bàn cách tổ chức năng lực AI trong doanh nghiệp. Mục 4 giải thích vì sao năng suất thường giảm trước khi tăng và mục 5 đưa ra năm thành phần của một kế hoạch thay đổi.

1. Công việc là tập hợp tác vụ

Câu hỏi "AI có thay thế nhân viên chăm sóc khách hàng không?" đặt sai đơn vị phân tích. Mục này giải thích vì sao tác vụ, chứ không phải nghề, mới là đơn vị đúng.

Một nghề là một tập hợp nhiều tác vụ (task) khác nhau. Công nghệ thay thế một số tác vụ, bổ trợ cho một số tác vụ khác và để nguyên phần còn lại. Autor (2015) dùng lịch sử tự động hóa để chỉ ra rằng tự động hóa thường làm tăng giá trị của chính những tác vụ mà máy không làm được nhưng bổ trợ cho phần máy làm. Máy rút tiền tự động không làm biến mất giao dịch viên ngân hàng; vai trò của họ chuyển sang tư vấn và bán sản phẩm.

Nhìn ở cấp tác vụ, tác động của AI tạo sinh rộng nhưng ít khi trọn vẹn. Eloundou và cộng sự (2024) ước tính chỉ khoảng 1,8% việc làm ở Mỹ có hơn một nửa số tác vụ bị ảnh hưởng nếu người lao động chỉ dùng mô hình ngôn ngữ qua một giao diện trò chuyện đơn giản. Con số tăng lên hơn 46% khi tính thêm các phần mềm được xây trên mô hình và tích hợp vào quy trình. Khoảng cách giữa hai con số là bài học cho nhà quản lý: tác động không đến từ việc từng nhân viên mở một cửa sổ chat, mà từ việc doanh nghiệp đưa AI vào quy trình làm việc. Việc đó bắt đầu từ một bảng phân tích tác vụ.

2. Phân tích tác vụ một vai trò

Mục này trình bày quy trình bốn bước để phân tích một vai trò, rồi đi vào quyết định quan trọng nhất: thời gian được giải phóng sẽ đi đâu.

2.1. Bốn bước

Bước một, liệt kê tác vụ và thời gian của một vai trò, tốt nhất bằng quan sát hoặc nhật ký công việc một tuần chứ không bằng bản mô tả công việc, vốn thường mô tả công việc như nó nên là. Bước hai, xếp mỗi tác vụ vào một trong ba chế độ: tự động hóa (AI làm, người giám sát theo mẫu), tăng cường (người làm, AI hỗ trợ) hoặc giữ nguyên. Bước ba, ước tính phần thời gian AI đảm nhận ở mỗi tác vụ; con số này là một giả định và chính nó là thứ mà đợt thí điểm phải đo. Bước bốn, quyết định thời gian được giải phóng sẽ đi đâu.

Bảng 1 áp dụng ba bước đầu cho một tuần 40 giờ của nhân viên chăm sóc khách hàng ở Nhà Vui Home.

Bảng 1. Phân tích tác vụ một tuần của nhân viên chăm sóc khách hàng (giả định)

Kết quả của Bảng 1 là 16,6 trên 40 giờ, tức 41,5% thời gian, được giải phóng: 9,8 giờ từ tác vụ tự động hóa và 6,8 giờ từ ba tác vụ tăng cường. Hai chi tiết đáng chú ý. Tác vụ tốn thời gian nhất cũng là tác vụ AI đảm nhận được nhiều nhất, điều thường gặp vì những việc lặp lại vừa chiếm nhiều giờ vừa dễ chuẩn hóa. Nhưng bốn trong sáu tác vụ vẫn chủ yếu do người làm. Vai trò không biến mất; nó đổi hình dạng.

2.2. Thời gian được giải phóng đi đâu

Bước bốn là nơi quyết định giá trị và có hai con đường. Con đường thứ nhất là giảm nhân sự tương ứng: 41,5% thời gian được giải phóng trên một nhóm mười người, về lý thuyết, tương đương bốn người. Con đường thứ hai là thiết kế lại vai trò: dùng thời gian được giải phóng cho những việc trước đây không ai có thời gian làm. Hình 1 so sánh tuần làm việc trước và sau khi Nhà Vui Home chọn con đường thứ hai.

Hình 1. Tuần làm việc của nhân viên chăm sóc khách hàng trước và sau khi thiết kế lại vai trò (giả định).

Trong Hình 1, 14 trong 16,6 giờ được giải phóng đi vào ba việc mới: 4 giờ kiểm tra và sửa câu trả lời của AI, 6 giờ tư vấn chuyên sâu cho đơn hàng giá trị cao, 4 giờ gọi chủ động cho khách có nguy cơ đổi trả. Chỉ 2,6 giờ mỗi tuần thật sự dư ra. Giá trị của dự án vì thế chuyển từ tiết kiệm chi phí sang tăng doanh thu và giảm đổi trả, hai thứ phải được đo bằng chỉ số khác.

Hai con đường dẫn tới hai bản tính toán hiệu quả đầu tư khác nhau và sai lầm phổ biến là trộn chúng: trình ban giám đốc con số tiết kiệm nhân sự, rồi để nhân viên tự lấp thời gian rảnh bằng việc mới không ai đo. Kết quả là không có tiết kiệm mà cũng không chứng minh được giá trị mới. Cách tính hiệu quả đầu tư cho từng con đường được trình bày trong bài Đo giá trị dự án AI trước khi đầu tư.

Việc mới thứ nhất trong Hình 1, kiểm tra câu trả lời của AI, cũng đáng một lời nhấn mạnh. Bốn giờ mỗi tuần là chi phí giám sát mà mọi ứng dụng AI cần nhưng các bản kế hoạch hay bỏ quên. Nếu không ai kiểm tra, những câu trả lời sai về chính sách đổi trả hay bảo hành sẽ đi thẳng tới khách hàng. Mức kiểm tra phù hợp với từng loại tác vụ, tránh cả tin quá mức lẫn bỏ phí công cụ, là chủ đề của bài Đội ngũ lai người và AI tác tử trong startup.

2.3. Đừng cắt bỏ bậc thang học nghề

Bảng 1 có một cái bẫy ẩn. Brynjolfsson và cộng sự (2025) nghiên cứu hơn 5.000 nhân viên chăm sóc khách hàng của một công ty phần mềm và thấy trợ lý AI giúp số vấn đề được giải quyết mỗi giờ tăng bình quân 14%, nhưng người ít kinh nghiệm được lợi nhiều nhất, tới khoảng 34%, còn người giỏi nhất gần như không nhanh hơn. Điều đó nghe như tin tốt cho người mới. Nhưng tác vụ dễ tự động hóa nhất, trả lời những câu hỏi lặp lại, cũng chính là nơi người mới học nghề. Tự động hóa hết phần đó thì vài năm sau không còn ai đủ kinh nghiệm để xử lý ca khó.

Cách tránh là giữ một lộ trình học có chủ đích khi thiết kế lại vai trò. Ở Nhà Vui Home, nhân viên mới bắt đầu bằng việc kiểm tra câu trả lời của AI cho các câu hỏi tình trạng đơn hàng, một việc buộc họ phải hiểu quy trình, trước khi được giao xử lý khiếu nại. Việc mới thứ nhất trong Hình 1 vì thế vừa là chi phí giám sát vừa là lớp học.

3. Tổ chức năng lực AI

Thiết kế lại một vai trò là việc của một phòng ban. Mở rộng ra cả doanh nghiệp đòi hỏi trả lời hai câu hỏi tổ chức: đặt những người làm AI ở đâu và mọi người khác cần biết gì về AI.

Khảo sát hàng nghìn lãnh đạo doanh nghiệp, Fountaine và cộng sự (2019) thấy chỉ 8% doanh nghiệp thực hiện các thực hành cốt lõi để AI được dùng rộng rãi và rào cản lớn nhất không phải công nghệ mà là văn hóa và cách tổ chức. Câu hỏi đầu tiên là đặt kỹ sư dữ liệu, kỹ sư học máy và người phụ trách sản phẩm AI ở đâu trong sơ đồ tổ chức. Hình 2 vẽ ba mô hình.

Hình 2. Ba cách đặt năng lực AI trong sơ đồ tổ chức. Nguồn: dựa trên Fountaine và cộng sự (2019).

Không mô hình nào trong Hình 2 tốt nhất cho mọi doanh nghiệp; mỗi mô hình hợp với một giai đoạn. Bảng 2 so sánh ba mô hình.

Bảng 2. Ba mô hình tổ chức năng lực AI

Nguồn: dựa trên Fountaine và cộng sự (2019).

Với mô hình trung tâm và vệ tinh, phần ít gây tranh cãi là trung tâm giữ nền tảng dữ liệu, chuẩn quản trị và tuyển dụng nhân tài, còn vệ tinh giữ quyền ưu tiên bài toán và chịu trách nhiệm về giá trị. Với một doanh nghiệp cỡ vừa như Nhà Vui Home, điểm xuất phát hợp lý là một đội nhỏ tập trung ba đến năm người và mỗi dự án có một chủ sản phẩm AI đến từ nghiệp vụ: giám đốc chăm sóc khách hàng cho trợ lý trả lời khách, giám đốc chuỗi cung ứng cho mô hình dự báo nhu cầu. Người làm AI không thể tự quyết thời gian được giải phóng ở Bảng 1 đi đâu; người chủ nghiệp vụ phải quyết.

Câu hỏi thứ hai là năng lực AI cho tất cả mọi người và ba nhóm cần ba mức khác nhau. Lãnh đạo cần đủ hiểu để chọn bài toán, đọc bản tính hiệu quả đầu tư và đặt câu hỏi về rủi ro. Quản lý cấp giữa cần biết thiết kế lại công việc như mục 2 và đo kết quả. Nhân viên cần kỹ năng dùng công cụ được phép một cách có kiểm chứng và cần biết dữ liệu nào không được đưa vào công cụ nào.

Câu cuối dẫn tới một cạm bẫy phổ biến. Trước con số 78% người dùng tự mang công cụ ở đầu bài, phản ứng tự nhiên là cấm dùng AI công cộng. Nhưng cấm mà không cung cấp thứ thay thế thì nhu cầu vẫn còn và việc dùng chỉ chuyển sang điện thoại cá nhân, nơi doanh nghiệp càng không nhìn thấy. AI ngầm (shadow AI) không biến mất, nó chỉ trở nên vô hình. Cách làm hiệu quả hơn là cung cấp một công cụ được phép có cam kết bảo mật dữ liệu, kèm vài quy tắc ngắn về loại dữ liệu được và không được đưa vào, rồi đào tạo trước khi siết kiểm soát. Các rủi ro này được hệ thống hóa trong bài Quản trị rủi ro AI trong doanh nghiệp.

4. Đường cong chữ J: tệ hơn trước khi tốt hơn

Mục này giải thích một hiện tượng làm nhiều dự án AI bị dừng sai thời điểm: năng suất đo được thường giảm trước khi tăng.

Một ứng dụng AI vừa triển khai thường làm năng suất giảm trong một thời gian. Nhân viên phải học công cụ, quy trình đang được sắp xếp lại, người giỏi nhất bị kéo khỏi việc chính để kiểm tra đầu ra của máy. Brynjolfsson và cộng sự (2021) giải thích hiện tượng này ở quy mô cả nền kinh tế: các công nghệ đa dụng như AI đòi hỏi những khoản đầu tư bổ trợ lớn, phần nhiều là tài sản vô hình như quy trình mới, kỹ năng mới, dữ liệu, cách tổ chức mới, vốn không được đo đầy đủ trong sổ sách. Kết quả là năng suất đo được bị đánh giá thấp trong giai đoạn đầu và bị đánh giá cao về sau, khi lợi ích của các khoản đầu tư vô hình được thu hoạch. Họ gọi đó là đường cong chữ J năng suất, như Hình 3.

Hình 3. Đường cong chữ J năng suất (minh họa khái niệm). Nguồn: dựa trên Brynjolfsson và cộng sự (2021).

Hình 3 có hai hệ quả cho nhà quản lý. Thứ nhất, kỳ vọng phải được nói rõ từ đầu: một bản kế hoạch đặt năm đầu chỉ đạt khoảng một nửa lợi ích không phải là bi quan, mà là thực tế và kế hoạch thay đổi cần giải thích vì sao. Thứ hai, chữ J không phải lời bào chữa cho mọi dự án kém. Ở đáy chữ J, các chỉ số dẫn dắt như tỷ lệ nhân viên dùng công cụ, tỷ lệ câu hỏi được AI tự xử lý đúng, tốc độ học của nhân viên mới phải đang đi lên, dù chỉ số kết quả như chi phí hay doanh thu chưa đi lên. Nếu cả chỉ số dẫn dắt cũng đi ngang, đó không phải đáy chữ J mà là một dự án cần dừng.

5. Năm thành phần của kế hoạch thay đổi

Công cụ tốt và vai trò được thiết kế lại vẫn chưa đủ; nhân viên phải thật sự dùng và dùng đúng. Mục này gom các bài học về quản trị thay đổi thành năm thành phần.

Kotter (1995), trong một bài viết kinh điển về quản trị thay đổi, tổng kết tám sai lầm khiến các nỗ lực chuyển đổi thất bại, mở đầu bằng việc không tạo đủ cảm giác cấp bách và không xây được một liên minh dẫn dắt đủ mạnh. Áp vào dự án AI, các bài học ấy cộng với các nghiên cứu về chấp nhận công nghệ cho ra năm thành phần của một kế hoạch thay đổi, như Bảng 3.

Bảng 3. Năm thành phần của kế hoạch thay đổi cho trợ lý chăm sóc khách hàng

Nguồn: dựa trên Kotter (1995), Davis (1989), Edmondson (1999).

Hai thành phần giữa của Bảng 3 có nền tảng nghiên cứu lâu đời. Mô hình chấp nhận công nghệ của Davis (1989) chỉ ra hai niềm tin quyết định người dùng có chấp nhận một hệ thống thông tin hay không: mức hữu ích cảm nhận và mức dễ dùng cảm nhận. Một công cụ AI mạnh nhưng nằm ở một cửa sổ riêng, phải sao chép qua lại, sẽ thua một công cụ yếu hơn nằm sẵn trong màn hình làm việc. Thành phần thứ tư dựa trên khái niệm an toàn tâm lý của Edmondson (1999): niềm tin chung trong nhóm rằng có thể nói ra sai sót hay đặt câu hỏi mà không bị trừng phạt, một điều kiện gắn với hành vi học hỏi của nhóm. Với AI, ý nghĩa rất thực tế: nhân viên phát hiện trợ lý trả lời sai chính sách bảo hành chỉ báo lỗi nếu việc báo không khiến họ trông như người không biết dùng công cụ.

Thành phần cuối hay bị quên nhất. Nếu nhân viên vẫn bị đánh giá bằng số cuộc gọi mỗi giờ, người dành thời gian kiểm tra câu trả lời của AI hay gọi chủ động cho khách có nguy cơ đổi trả sẽ bị điểm thấp hơn. Chỉ tiêu cũ lặng lẽ kéo vai trò trở về hình dạng cũ và ba việc mới trong Hình 1 sẽ không bao giờ được làm.

Kết luận

AI không thay thế một nghề; nó thay đổi từng tác vụ trong nghề đó, với mức độ rất khác nhau. Bảng phân tích tác vụ của nhân viên chăm sóc khách hàng cho thấy hơn 40% thời gian có thể được giải phóng, nhưng con số đó chưa phải giá trị. Giá trị chỉ xuất hiện khi doanh nghiệp quyết định rõ thời gian ấy đi đâu, cắt giảm hay thiết kế lại vai trò và đo đúng chỉ số cho lựa chọn đó.

Phần còn lại là việc của tổ chức: đặt năng lực AI ở đúng chỗ theo giai đoạn phát triển, cung cấp công cụ thay vì chỉ cấm đoán, kiên nhẫn qua đáy chữ J nhưng vẫn nhìn vào chỉ số dẫn dắt và thay chỉ tiêu cũ trước khi nó kéo mọi thứ trở về như cũ. Khoảng cách giữa 75% người lao động đã dùng AI và một tổ chức thật sự thay đổi nhờ AI không nằm ở công nghệ, mà ở những quyết định thiết kế công việc này.

Đọc thêm

• Đội ngũ lai người và AI tác tử trong startup
• Đo giá trị dự án AI trước khi đầu tư
• Bốn trụ giá trị của AI trong doanh nghiệp
• Quản trị rủi ro AI trong doanh nghiệp
• AI và việc làm qua bằng chứng

Tài liệu tham khảo

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3

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

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383. https://doi.org/10.2307/2666999

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

Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-powered organization. Harvard Business Review, 97(4), 62–73. https://hbr.org/2019/07/building-the-ai-powered-organization

Kotter, J. P. (1995). Leading change: Why transformation efforts fail. Harvard Business Review, 73(2), 59–67. https://hbr.org/1995/05/leading-change-why-transformation-efforts-fail-2

Microsoft, & LinkedIn. (2024). 2024 Work Trend Index annual report: AI at work is here. Now comes the hard part. Microsoft WorkLab. https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part