AI ĐÃ GÁNH BAO NHIÊU CÔNG VIỆC?

"Có dùng AI" và "AI làm việc thay" là hai phép đo hoàn toàn khác nhau. Một khảo sát nói 55% lao động Mỹ đã dùng AI cho ít nhất một trong 11 nhóm tác vụ công việc — nhưng con số đó không cho biết AI đã gánh bao nhiêu phần thực thi.

Để trả lời nghiêm túc, báo cáo này dùng sáu tầng đo:

• Reach — bao nhiêu người chạm tới AI.
• Frequency — họ dùng thường xuyên đến đâu.
• Depth — AI tham gia vào bao nhiêu phần của một tác vụ.
• Delegation — bao nhiêu việc được giao trọn cho AI.
• Autonomy — AI hoàn thành đến đâu mà không cần can thiệp.
• Value — tổ chức thực sự thu về được gì.

Hầu hết các con số adoption đang lưu hành chỉ đo hai tầng đầu tiên.

Census, Gallup, BCG và các khảo sát doanh nghiệp đưa ra những con số adoption rất khác nhau. Điều đó không có nghĩa là ai đó sai — mà là họ đo những quần thể và định nghĩa khác nhau.

• Census: 55% lao động Mỹ, bất kỳ mức sử dụng nào trên 11 nhóm tác vụ.
• Gallup (bản chụp 2026 trong corpus nghiên cứu): 13% dùng hằng ngày, 28% dùng vài lần mỗi tuần trở lên.
• BCG 2026: 74% dùng AI thường xuyên — nhưng trong quần thể nhân viên white-collar tuyến đầu được khảo sát.

Ba con số này không thể cộng, trừ hay xếp cạnh nhau trên cùng một trục.

Benchmark thận trọng nhất hiện có đến từ nghiên cứu của Federal Reserve Bank of St. Louis: người dùng GenAI trong công việc báo cáo tiết kiệm trung bình khoảng 2.2 giờ mỗi tuần.

Con số này thấp hơn nhiều so với các case study doanh nghiệp, và đó chính là điểm đáng chú ý: người dùng điển hình không giống người dùng nặng. Quan trọng hơn, "giờ được AI hỗ trợ" khác hẳn "khối lượng công việc được giao trọn cho AI end-to-end".

Mức độ AI gánh việc nên được đọc như một cái thang, không phải một công tắc bật/tắt.

Bằng chứng thực nghiệm không đồng nhất. Nghiên cứu triển khai thực địa trong chăm sóc khách hàng (NBER) và các thí nghiệm về năng suất lập trình viên đều cho thấy hiệu ứng dương rõ rệt trên những tác vụ có ranh giới rõ ràng.

Nhưng hiệu ứng đó dao động mạnh theo loại việc và mức kinh nghiệm người dùng. Khi task/model fit kém, hoặc khi chi phí kiểm chứng đầu ra lớn hơn thời gian tiết kiệm, AI có thể làm chậm công việc lại.

Báo cáo này cố tình không gán một con số "% tăng năng suất" chung, vì không tồn tại một con số như vậy.

Đây là điểm mà hầu hết các bài trình bày về AI bỏ qua. Thời gian tiết kiệm chỉ trở thành giá trị kinh doanh khi năng lực dôi ra được chuyển hoá có chủ đích.

Adoption do nhân viên tự khởi xướng thường đi trước adoption chính thức. Khi đó số license doanh nghiệp mua được sẽ thấp hơn mức sử dụng thực tế — nghĩa là dashboard nội bộ đang đo thiếu.

Báo cáo này không đưa ra ước tính rủi ro bằng tiền, vì không có nguồn đủ mạnh trong bộ bằng chứng để làm điều đó.

Nhóm người dùng nâng cao không prompt nhiều hơn. Họ quyết định khác đi: việc nào nên giao cho AI, chia nhiệm vụ thành các bước có thể kiểm chứng, và thiết lập cơ chế review đầu ra.

McKinsey ghi nhận 23% tổ chức được khảo sát đang scale agentic AI ở đâu đó trong tổ chức, và 39% khác đang thử nghiệm. "Ở đâu đó" là chi tiết quan trọng: nó không đồng nghĩa với vận hành tự động toàn công ty.

Nút thắt nằm ở thiết kế lại quy trình, kiểm chứng, đo lường và cơ chế thu hồi giá trị — không nằm ở việc nhân viên có chịu dùng AI hay không.

Hai bộ dữ liệu độc lập cho hai tín hiệu khác nhau về Việt Nam. Chúng đo hai thứ khác nhau và không được trừ cho nhau.

Tranh luận về việc làm thường nhảy thẳng từ "AI làm được việc này" sang "việc này biến mất". Bốn khái niệm dưới đây là bốn giai đoạn khác nhau, và bằng chứng hiện có chủ yếu nằm ở hai giai đoạn đầu.

Đây là tín hiệu cấu trúc sớm đáng tin, chưa phải một thực tế phổ biến. Quy mô nhóm tối thiểu có khả năng giảm nhanh nhất ở nơi công việc vừa số hoá cao, vừa có ranh giới rõ, vừa dễ kiểm chứng.

Nếu chỉ giữ lại một thứ từ báo cáo này, hãy giữ bảng chỉ số dưới đây. Nó chuyển câu hỏi quản trị từ "chúng ta đã mua bao nhiêu license" sang "chúng ta đã giao được bao nhiêu việc và thu về được gì".