AI SẼ LẤY VIỆC NÀO Ở VIỆT NAM TRƯỚC?

Sau 15–20 phút, anh/chị phải trả lời được ba câu rất thực tế:

1. Trong công việc của mình, tác vụ nào AI có khả năng chạm tới trước? 2. “Phơi nhiễm với AI” khác “mất việc” ở đâu? 3. Trong 90 ngày tới, nên học gì, đổi quy trình gì và giữ con người ở checkpoint nào?

Báo cáo này không cố đoán “nghề nào biến mất vào năm X”. Dữ liệu hiện tại của Việt Nam chưa đủ để đưa ra một con số đáng tin như vậy. Thay vào đó, chúng tôi dùng đơn vị nhỏ hơn và hữu ích hơn: tác vụ.

> Luận điểm trung tâm: AI thường đi vào từng phần của công việc trước khi nó làm thay đổi cả một chức danh. Những tác vụ đã số hóa, lặp lại, dễ kiểm tra, ít hậu quả khi sai và có bài toán kinh tế đủ tốt sẽ đổi trước.

Đây là điểm quan trọng nhất của toàn bộ báo cáo.

Hãy tưởng tượng một nhân viên kế toán tên Mai. Trên danh thiếp, Mai chỉ có một chức danh. Nhưng một ngày của Mai có thể gồm hai mươi loại việc: tải hóa đơn, đọc chứng từ, nhập dữ liệu, đối chiếu, hỏi phòng kinh doanh, phát hiện sai, giải thích chênh lệch, gọi nhà cung cấp, lập báo cáo, viết email, chuẩn bị số liệu cho sếp và chịu trách nhiệm khi con số cuối cùng không khớp.

AI không nhìn vào danh thiếp “kế toán” rồi quyết định thay Mai. Nó đi vào từng tác vụ.

Đọc một hóa đơn PDF? Dễ số hóa. Trích số tiền và mã số thuế? Tương đối chuẩn hóa. So sánh với đơn hàng? Dễ kiểm tra nếu dữ liệu sạch. Nhưng giải thích vì sao chi phí bất thường, đánh giá một giao dịch có dấu hiệu rủi ro, hoặc đứng tên chịu trách nhiệm trước lãnh đạo lại là câu chuyện khác.

Đây cũng là cách ILO xây chỉ số exposure: nghề được phân tách thành các tác vụ rồi đánh giá mức mà GenAI có thể thực hiện hoặc ảnh hưởng tới từng phần. Chỉ số này đo tiềm năng kỹ thuật ở cấp tác vụ, không đo việc doanh nghiệp đã dùng AI hay người lao động đã bị thay thế. [S01][S08]

Cách nhìn này giải được một nghịch lý đang gây tranh cãi trên mạng: tại sao AI có thể làm nhiều thứ “rất giỏi” mà số liệu việc làm chưa sụp đổ? Bởi vì một công việc là một bó tác vụ. Khi AI xử lý được 30% số tác vụ, doanh nghiệp có thể chọn bốn cách: giữ nguyên người và tăng sản lượng; bỏ bớt việc tay chân; gom lại vai trò; hoặc giảm nhu cầu nhân sự. Kết quả không nằm trong riêng mô hình AI — nó nằm trong thiết kế tổ chức.

Ý nghĩa: chức danh là đơn vị quá lớn để ra quyết định. Tác vụ mới là đơn vị đủ nhỏ để hành động.

Con số lớn dễ tạo headline. Nhưng headline cũng là nơi dễ hiểu sai nhất.

ILO ước tính khoảng 11,5 triệu người ở Việt Nam — xấp xỉ một phần năm — làm trong các nghề có tác vụ có mức phơi nhiễm GenAI nào đó. Cùng báo cáo đó, nhóm ở gradient phơi nhiễm cao nhất chỉ khoảng 1,8%, và ILO nhấn mạnh chuyển đổi tác vụ có khả năng phổ biến hơn thay thế hoàn toàn việc làm. [S01][S02]

Hình dung exposure như mưa. “Có khả năng gặp mưa” không có nghĩa “chắc chắn bị ngập nhà”. Nó chỉ nói điều kiện kỹ thuật khiến một phần công việc nằm trong vùng ảnh hưởng.

Có ba tầng khái niệm cần tách:

Exposure — Phơi nhiễm: AI có năng lực liên quan tới tác vụ này. Adoption — Ứng dụng: doanh nghiệp thực sự triển khai AI vào quy trình. Displacement — Thay thế: sau triển khai, nhu cầu lao động hoặc một phần lao động giảm đi.

Ba tầng này có thể cách nhau nhiều năm.

Một lý do là complementarity. IMF tách exposure và complementarity thành hai trục: một nghề có thể phơi nhiễm cao nhưng vẫn cần nhiều trách nhiệm, tương tác, phán đoán và checkpoint con người; trong trường hợp đó AI dễ bổ trợ hơn thay thế. Ngược lại, phơi nhiễm cao + complementarity thấp làm rủi ro thay thế tác vụ lớn hơn. [S14]

Một lý do khác là kinh tế. World Bank nhấn mạnh khả thi kỹ thuật khác khả thi kinh tế. Một AI agent có thể làm một việc, nhưng nếu dữ liệu bẩn, tích hợp tốn kém, workflow thay đổi liên tục hoặc chi phí giám sát cao hơn tiền tiết kiệm, doanh nghiệp sẽ chưa tự động hóa. [S10][S11]

Một lưu ý dữ liệu quan trọng

NSO công bố năm 2024 Việt Nam có khoảng 53,0 triệu người trong lực lượng lao động từ 15 tuổi trở lên và 51,9 triệu lao động có việc làm. [S03] Báo cáo này không dùng phép chia chéo giữa số NSO và 11,5 triệu của ILO để tự tạo một tỷ lệ mới, vì ILO áp dụng index vào microdata, occupation coding và trọng số của phân tích riêng. Chúng tôi giữ mỗi estimate trong định nghĩa của chính nguồn.

Từ ILO, World Bank, OECD và bằng chứng thực nghiệm về năng suất, AI Outlook tổng hợp một framework 5 điều kiện. Đây không phải chỉ số chính thức của ILO; nó là công cụ ra quyết định để chuyển evidence thành hành động.

1. Số hóa cao

AI dễ đi vào nơi dữ liệu đã nằm trên màn hình: văn bản, email, bảng tính, ticket, code, transcript, hình ảnh số. Công việc buộc phải cầm vật thật, đi hiện trường, xử lý môi trường không chuẩn có thêm một lớp ma sát lớn.

2. Chuẩn hóa cao

Một quy trình càng lặp lại, càng có template, ví dụ và rule rõ, càng dễ đóng gói thành workflow AI. Đây là lý do clerical support xuất hiện ở điểm nóng của ILO: nhiều tác vụ liên quan đến ghi chép, nhập liệu, tạo tài liệu và xử lý thông tin có cấu trúc. [S01][S04]

3. Dễ kiểm chứng

AI tạo ra câu trả lời nhanh không đồng nghĩa câu trả lời đúng. Tác vụ có “đáp án đúng trông như thế nào” dễ triển khai hơn: số phải khớp, code phải pass test, hồ sơ phải đủ trường, email phải có thông tin bắt buộc.

Các nghiên cứu productivity cũng thường đạt kết quả tốt nhất ở môi trường có tiêu chí đầu ra rõ. Noy & Zhang cho thấy với các bài viết chuyên môn trung cấp được thiết kế trong thí nghiệm, ChatGPT giảm thời gian hoàn thành trung bình 40% và tăng chất lượng 18%. Nhưng đó là các task đã được kiểm tra trong nghiên cứu, không phải bảo đảm cho mọi công việc. [S17]

4. Hậu quả sai thấp — hoặc có checkpoint

Nếu một câu trả lời sai chỉ làm mất vài phút, doanh nghiệp dễ cho AI chạy hơn. Nếu một câu trả lời sai có thể gây mất tiền lớn, vi phạm pháp luật, tai nạn hoặc tổn hại danh tiếng, checkpoint người trở thành điều kiện bắt buộc.

“Jagged technological frontier” của HBS/BCG cho thấy AI có thể làm rất tốt một số task nhưng lại làm kém ở task trông tương tự. Bài học không phải “AI tốt” hay “AI dở”, mà là phải biết frontier nằm ở đâu trong workflow cụ thể. [S18]

5. Khả thi kinh tế và tổ chức

Đây là điều kiện hay bị bỏ quên nhất. Công nghệ có thể làm được nhưng doanh nghiệp có sẵn dữ liệu không? Có quyền truy cập không? Có người chịu trách nhiệm không? Có đủ volume để đáng tích hợp không? Có quy trình đủ ổn định không?

World Bank dùng chính cặp technical feasibility + economic viability để giải thích tốc độ công nghệ đi vào việc làm ở Đông Á–Thái Bình Dương. [S10][S11]

> Rule of thumb: một tác vụ đủ 5 điều kiện thì nên được đưa vào danh sách pilot trước, không phải tự động “xóa người”.