AI đang thay thế việc làm hay thay đổi cấu trúc công việc?

Có một khoảng cách lớn giữa hai câu: “AI có thể làm một phần công việc này.” và “AI đã thay thế người đang làm công việc này.” Khoảng cách đó thường biến mất trong các headline về việc làm. Một nghiên cứu nói hàng triệu lao động đang “phơi nhiễm” với AI, một CEO nói AI sẽ giúp đội ngũ tinh gọn hơn, hoặc một công ty công bố số nhân viên giảm — rồi ba loại thông tin rất khác nhau dễ bị đọc như cùng một bằng chứng rằng AI đang xóa nghề nghiệp. AI thực sự đã làm một số nhiệm vụ nhanh hơn, rẻ hơn hoặc dễ tự động hóa hơn. Ở một số thị trường và nhóm lao động, dấu hiệu thay thế cũng đã xuất hiện. Nhưng từ năng lực của công nghệ đến một vị trí biến mất còn có nhiều bước trung gian: doanh nghiệp có áp dụng AI không, áp dụng vào nhiệm vụ nào, phần việc còn lại thay đổi ra sao, nhu cầu đầu ra có tăng không, và tổ chức chọn tuyển ít hơn, đào tạo lại, điều chuyển hay cắt giảm nhân sự. Vì vậy, câu hỏi hữu ích hơn không chỉ là “AI có cướp việc không?” mà là: khi nào việc tự động hóa một phần công việc thực sự dẫn đến ít vị trí việc làm hơn — và khi nào nó chủ yếu làm thay đổi cách công việc được thực hiện?

Nghề, vị trí và nhiệm vụ không phải một thứ

Khi nói “AI sẽ thay thế nghề X”, chúng ta thường gộp ba cấp độ khác nhau. Trong cách phân loại lao động của Cục Thống kê Lao động Mỹ (BLS), một nhiệm vụ (task) là một hoạt động cụ thể tạo ra một kết quả; một vị trí/công việc (job) có thể gồm nhiều nhiệm vụ giống hoặc tương tự; còn một nghề nghiệp (occupation) gom các công việc có trách nhiệm, kỹ năng và nhiệm vụ chung giữa nhiều tổ chức. Đây là một hệ thống thống kê của Mỹ, không phải định nghĩa duy nhất trên thế giới, nhưng nó cho một mô hình tư duy hữu ích để bắt đầu. (BLS Occupational Requirements Survey, BLS SOC) Một nhân viên hỗ trợ khách hàng chẳng hạn không chỉ “trả lời câu hỏi”. Công việc có thể gồm tìm thông tin, hiểu ngữ cảnh, xác minh tài khoản, viết câu trả lời, xử lý ngoại lệ, phối hợp với bộ phận khác và ghi nhận kết quả. Nếu AI viết câu trả lời nháp nhanh hơn, một nhiệm vụ đã thay đổi. Điều đó chưa nói cho chúng ta biết cả vị trí còn cần bao nhiêu người. Đây là phân biệt đầu tiên cần giữ: tự động hóa một nhiệm vụ không tự động đồng nghĩa loại bỏ cả vị trí; thay đổi một vị trí cũng không đồng nghĩa một nghề nghiệp biến mất.

“Phơi nhiễm với AI” chỉ cho biết một phần của câu chuyện

Một trong những con số dễ bị hiểu sai nhất trong tranh luận về việc làm là tỷ lệ nghề hoặc lao động “phơi nhiễm” với AI (AI exposure). Exposure thường đo mức độ mà năng lực của AI có thể áp dụng vào các nhiệm vụ của một nghề. Nó hữu ích để xác định nơi thay đổi có thể xuất hiện trước. Nhưng nó không tự cho biết doanh nghiệp đã triển khai công cụ chưa, người lao động có dùng không, công cụ có đủ chính xác trong quy trình thật không, chi phí triển khai có hợp lý không, hay tổ chức sẽ phản ứng thế nào. ILO và NASK năm 2025 ước tính khoảng một phần tư việc làm toàn cầu nằm trong các nghề có một mức độ phơi nhiễm với GenAI, trong khi 3,3% việc làm toàn cầu nằm ở nhóm phơi nhiễm cao nhất theo phương pháp của nghiên cứu. Báo cáo đánh giá rằng vì phần lớn nghề vẫn chứa các nhiệm vụ cần con người, chuyển đổi công việc có khả năng phổ biến hơn việc toàn bộ vị trí trở nên dư thừa. Đây là đo khả năng phơi nhiễm, không phải số việc làm đã mất. (ILO Working Paper 140) Một con số kiểu “25% việc làm có exposure” vì thế không thể được viết lại thành “25% việc làm sẽ bị AI thay thế”. Việc đổi một chỉ số về năng lực công nghệ thành dự báo thất nghiệp đã nhảy qua nhiều bước mà nguồn không đo.

Từ năng lực đến công việc thật: adoption là chiếc cầu bị bỏ quên

Một hệ thống AI có thể làm được một nhiệm vụ không có nghĩa mọi người đang làm nhiệm vụ đó sẽ dùng nó. Một nghiên cứu NBER công bố tháng 8/2026 dùng khảo sát đại diện cấp quốc gia tại Mỹ để nối việc sử dụng GenAI với nghề nghiệp và nhiệm vụ. Kết quả cho thấy adoption — tức việc thực sự đưa công nghệ vào sử dụng — đã lan ra nhiều nghề và nhiều loại nhiệm vụ, nhưng vẫn “widespread but shallow”: GenAI xuất hiện rộng, song trong phần lớn nghề và nhiệm vụ, chưa tới một nửa người lao động thực sự sử dụng nó. Các chỉ số exposure giải thích một phần, nhưng chưa giải thích hết khác biệt trong adoption giữa những người làm công việc rất giống nhau. (NBER — What Work Does Generative AI Do?) Dữ liệu cấp doanh nghiệp cũng cho một hình ảnh tương tự. Một nghiên cứu dùng dữ liệu đại diện toàn quốc từ AI supplement 2026 của U.S. Census Bureau cho thấy 18% doanh nghiệp dùng AI trong ít nhất một chức năng, nhưng phạm vi triển khai ở các doanh nghiệp đã dùng thường còn hẹp. Trong nhóm này, 66% cho biết AI được dùng để hỗ trợ nhiệm vụ, trong khi 2% báo cáo giảm việc làm. Đây vẫn là dữ liệu quan sát về adoption và phản ứng doanh nghiệp, không phải một causal estimate cho tác động của AI lên employment. (NBER — The Microstructure of AI Diffusion) Đến đây có thể ghép hai lớp của vấn đề vào một mô hình duy nhất:

Cấu trúc công việc
Nghề nghiệp
    ↓
Vị trí / công việc
    ↓
Nhiệm vụ

Tác động của AI
Năng lực / mức phơi nhiễm
    ↓
Áp dụng — công nghệ có thực sự được đưa vào dùng?
    ↓
Sử dụng trong công việc thật
    ↓
tự động hóa / hỗ trợ / tạo hoặc đổi nhiệm vụ
    ↓
năng suất / chất lượng / quy trình
    ↓
phản ứng nhân sự
    ↓
kết quả trên thị trường lao động

Đây không phải một băng chuyền mà mỗi bước tự động dẫn sang bước kế tiếp. Mỗi mũi tên là một câu hỏi cần thêm evidence. Claim càng đi xuống dưới, bằng chứng cần càng gần với hành vi và outcome thực tế. Một benchmark tốt ở tầng năng lực không đủ để chứng minh layoffs ở tầng nhân sự.

AI làm một nhiệm vụ nhanh hơn — điều gì xảy ra với cả công việc?

Nhìn vào evidence hiện có, bằng chứng về tăng năng suất trong các setting cụ thể hiện dày hơn bằng chứng về displacement diện rộng. Đây là diễn giải của Học Tech từ nhiều nghiên cứu, không phải kết luận trực tiếp của một nguồn duy nhất. Trong một nghiên cứu về hơn 5.000 nhân viên customer support, trợ lý AI làm số vấn đề được xử lý mỗi giờ tăng gần 14% trung bình; lợi ích lớn hơn đáng kể ở nhóm ít kinh nghiệm hoặc kỹ năng thấp hơn. Nhưng đây là một môi trường hỗ trợ khách hàng cụ thể, không phải con số có thể áp cho mọi lao động tri thức. (NBER/QJE — Generative AI at Work) Một field experiment khác với 758 consultant cho thấy ở những nhiệm vụ nằm trong “jagged technological frontier” của AI, người dùng AI hoàn thành nhiều việc hơn và nhanh hơn. Nhưng ở một bài toán phức tạp nằm ngoài capability frontier, nhóm dùng AI lại ít đưa ra câu trả lời đúng hơn. (Organization Science, 2026) Hai kết quả này sửa một trực giác đơn giản: không tồn tại một tỷ lệ “AI tự động hóa nghề này” áp đều cho mọi phần việc. Ngay trong cùng một quy trình, AI có thể rất mạnh ở một nhiệm vụ và vẫn yếu ở nhiệm vụ kế bên. Một bottleneck chưa được giải quyết có thể tiếp tục quyết định cả quy trình cần bao nhiêu lao động. Quan trọng hơn, tăng năng suất chưa phải giảm headcount. Nếu một người hoàn thành một nhiệm vụ nhanh hơn 20%, ta vẫn chưa biết doanh nghiệp sẽ dùng phần thời gian tiết kiệm đó để giảm số người, tăng sản lượng, cải thiện chất lượng, phục vụ thêm khách hàng hay chuyển sang công việc khác.

Khi năng suất trở thành thay đổi nhân sự

Để một productivity gain trở thành ít việc làm hơn, nó phải đi qua những quyết định kinh tế và tổ chức. Công nghệ có thể thay thế lao động ở một số nhiệm vụ, nhưng bổ sung cho lao động ở nhiệm vụ khác. Chi phí thấp hơn có thể làm doanh nghiệp cần ít giờ công cho cùng một lượng đầu ra, nhưng cũng có thể khiến giá giảm, nhu cầu tăng và doanh nghiệp phục vụ nhiều khách hàng hơn. Một bottleneck có thể chuyển từ viết nội dung sang kiểm tra nội dung. AI cũng có thể tạo thêm nhiệm vụ về tích hợp, giám sát hoặc đánh giá chất lượng. Dữ liệu từ Đan Mạch là một ví dụ đáng chú ý. Một nghiên cứu NBER nối khảo sát adoption quy mô lớn với hồ sơ lao động hành chính ở 11 nghề phơi nhiễm cao. Doanh nghiệp đã tổ chức lại nhiệm vụ và xuất hiện các nhiệm vụ mới liên quan đến AI. Tuy nhiên, sau hai năm kể từ khi ChatGPT ra mắt, nghiên cứu ước tính tác động lên earnings và recorded hours vẫn gần như bằng không, với độ chính xác đủ để loại trừ các tác động lớn hơn khoảng 2% trong thiết kế của họ. (NBER — Still Waters, Rapid Currents) Khảo sát doanh nghiệp của New York Fed tháng 8/2026 cho thấy một loạt phản ứng khác nhau có thể cùng tồn tại. Trong mẫu tại New York và Northern New Jersey, 61% service firms và 51% manufacturers báo cáo có dùng AI. Trong các service firms sử dụng AI, khoảng 4% báo cáo layoffs liên quan đến AI trong sáu tháng trước, khoảng 15% cho biết tuyển ít người hơn, khoảng 13% lại tuyển nhiều người hơn, và hơn một phần ba đào tạo lại nhân viên. Đây là khảo sát khu vực dựa trên self-report, không phải causal estimate cho toàn nền kinh tế Mỹ. (New York Fed, 1/9/2026) Thay đổi cũng có thể xuất hiện trong yêu cầu kỹ năng trước khi số lượng việc làm thay đổi rõ. Atlanta Fed phân tích dữ liệu Lightcast tại Đông Nam Mỹ và ghi nhận tỷ lệ job postings yêu cầu AI skills tăng đều, với tăng trưởng nhanh hơn trong những năm gần đây. Tuy vậy, AI-related postings vẫn chỉ chiếm khoảng 2–4% tổng nhu cầu tuyển dụng trong các bang được phân tích, và job postings chỉ đo nhu cầu được đăng tuyển chứ không phải số người thực sự được tuyển. (Atlanta Fed, 13/8/2026) Cách diễn giải phù hợp hơn vì thế là: kết quả việc làm được tạo bởi công nghệ + quy trình + nhu cầu + lựa chọn tổ chức, chứ không phải output trực tiếp của benchmark.

Evidence hiện nay có cho thấy displacement hoặc tuyển dụng yếu đi không?

Nói rằng chưa có displacement diện rộng không có nghĩa AI chưa thay thế lao động ở đâu cả. Trong một nghiên cứu về một nền tảng freelancing toàn cầu, số job posts ở nhóm writing/coding được tác giả phân loại là automation-prone giảm 21% tương đối so với nhóm manual-intensive trong tám tháng sau ChatGPT; image-creation posts cũng giảm sau khi công cụ tạo ảnh phổ biến. Đây là một market hẹp và có cấu trúc đặc biệt: nhiệm vụ được đóng gói thành job post ngắn, có thể mua bán qua nền tảng và dễ quan sát substitution hơn nhiều nghề trong doanh nghiệp truyền thống. Nó là evidence về substitution cục bộ, không phải ảnh chụp toàn bộ nền kinh tế. (Management Science) Ở quy mô rộng hơn, bản sửa ngày 12/8/2026 của Stanford Digital Economy Lab dùng payroll data của ADP với hàng triệu lao động Mỹ đến tháng 6/2026. Nhóm tác giả không thấy widespread economy-wide job displacement, nhưng employment của nhóm 22–25 tuổi trong các nghề phơi nhiễm AI cao thấp hơn khoảng 19% so với mức nếu họ theo kịp các peer ít phơi nhiễm hơn. Khoảng cách chủ yếu xuất hiện qua tuyển dụng thấp hơn thay vì separations cao hơn. Chính các tác giả gọi đây là early descriptive indicators, không phải causal estimates. (Stanford Digital Economy Lab, revised 12/8/2026) Nhưng những nguồn khác chưa cho cùng một tín hiệu. New York Fed kết hợp Lightcast job postings với AI exposure và không thấy một cú gãy rõ riêng sau thời điểm ChatGPT ra mắt. Trong các nghề exposure cao, junior và senior postings cũng không tách ra theo cách cho thấy nhu cầu entry-level giảm riêng biệt. Outcome ở đây là vacancies, không phải payroll employment, nên nó không trực tiếp phủ định Stanford; hai nghiên cứu đang nhìn hai phần khác nhau của thị trường lao động. (New York Fed, 14/5/2026) OECD Employment Outlook 2026 cũng ghi nhận điều kiện thị trường lao động của nhiều young university graduates đang xấu đi, nhưng xu hướng này đã bắt đầu trước khi GenAI phổ biến. Vì thế, AI có thể là một phần của câu chuyện ở một số nơi mà chưa đủ evidence để biến nó thành nguyên nhân chung của tình trạng entry-level hiện nay. (OECD Employment Outlook 2026) Diễn giải của Học Tech: evidence về displacement đang xuất hiện, nhưng vẫn khác nhau theo market, occupation, tuổi, cách đo và timeframe. Câu “AI đang xóa việc entry-level” hiện mạnh hơn evidence; câu “AI chưa ảnh hưởng đến việc làm” cũng không còn phù hợp với các kết quả cục bộ đã đo được.

Một CEO nói “AI sẽ giảm nhân sự” thực sự chứng minh điều gì?

Company case hữu ích không phải vì một công ty có thể đại diện cho cả nền kinh tế, mà vì nó giúp phân biệt loại claim.

Case	Evidence thực sự có	Điều chưa thể suy ra
Amazon	Management expectation rằng GenAI efficiency sẽ làm total corporate workforce giảm trong vài năm tới.	Không phải measured causal estimate về số layoffs do AI.
Klarna	Filing ghi FTE giảm 4.352 → 3.422 → 2.831 từ 2023–2025 và management gắn chiến lược giảm headcount với AI-enabled efficiency.	Không có counterfactual cho biết từng exit nào sẽ không xảy ra nếu không có AI.
Salesforce	Company case nói hàng trăm support engineers được redeploy và một số role không được backfill.	Không chứng minh cơ chế này đại diện cho mọi công ty hay mọi support role.

Amazon là ví dụ của forecast. Năm 2025, CEO Andy Jassy viết rằng khi GenAI và agents được triển khai rộng hơn, Amazon sẽ cần ít người hơn ở một số loại công việc, nhiều người hơn ở loại khác, và kỳ vọng tổng corporate workforce giảm trong vài năm tới nhờ efficiency gains. Đó là kỳ vọng của management về tương lai, không phải một phép đo số việc đã bị AI thay thế. (Amazon, 2025) Context này quan trọng vì các đợt role elimination lớn của Amazon trong 2022–2023 được chính công ty khi đó giải thích bằng rapid hiring trước đó, nền kinh tế không chắc chắn, reprioritization và nỗ lực streamlining cost/headcount. Không nên nhìn ngược toàn bộ timeline giảm người gần thời GenAI rồi quy chúng cho AI. (Amazon, 2023) Klarna gần với measured evidence hơn. Form 20-F cho năm 2025 ghi số full-time employees giảm từ 4.352 năm 2023 xuống 2.831 năm 2025, đồng thời công ty nói việc giảm headcount là quyết định chiến lược nhằm tăng operational efficiency bằng cách leverage AI. Đây là disclosure có số headcount thực và attribution trực tiếp từ management, nhưng vẫn không có counterfactual cho biết nếu không có AI thì Klarna sẽ có bao nhiêu nhân viên. (Klarna 2025 Form 20-F, SEC) Salesforce minh họa một cơ chế khác: công ty nói hàng trăm support engineers đã được điều chuyển sang các khu vực tăng trưởng và headcount được quản lý một phần bằng cách không backfill một số role. Vì nguồn là bài viết của chính công ty, các performance metrics phải được đọc như company claims; nhưng case này vẫn cho thấy điều chỉnh nhân sự có thể đi qua điều chuyển + không tuyển bù, không chỉ qua layoff. (Salesforce, 29/4/2026) Khi đọc một headline kiểu này, câu hỏi đầu tiên nên là: source đang cho chúng ta headcount thực, management attribution, forecast, hay causal effect?

Việt Nam: exposure đáng kể, tác động đo được vẫn còn sớm

Nếu chỉ đọc các headline toàn cầu, rất dễ mang kết luận từ Mỹ hoặc một công ty công nghệ sang Việt Nam. ILO năm 2026 áp dụng global GenAI exposure index vào Điều tra Lao động và Việc làm Việt Nam 2024. Khoảng 11,5 triệu lao động — xấp xỉ một phần năm lực lượng lao động — nằm trong các nghề có nhiệm vụ potentially exposed. Khoảng một triệu người nằm trong nhóm có nhiệm vụ vừa highly susceptible vừa standardized, tương ứng dưới 2% workforce theo nhóm rủi ro full automation cao nhất của methodology này. (ILO Viet Nam brief, 16/4/2026) Điều quan trọng vẫn là từ exposure. Nghiên cứu không nói 11,5 triệu người sẽ mất việc. Nó cho biết những nơi công nghệ có thể đi vào cấu trúc nhiệm vụ nếu adoption, economics và workflow cho phép. Trong dữ liệu ILO xem xét cho giai đoạn 2022–2024, chưa có bằng chứng rõ rằng người lao động trẻ có trình độ học vấn cao trong các ngành phơi nhiễm GenAI lớn tại Việt Nam đã có pattern giảm cơ hội việc làm tương tự một số tín hiệu gần đây ở Mỹ. Nhưng đây là comparison trong một giai đoạn adoption còn sớm. Nó không chứng minh Việt Nam sẽ không có disruption trong các năm sau; nó chỉ cho thấy measured impact đến giai đoạn đó chưa theo kịp potential exposure. (ILO Viet Nam, 16/4/2026) Việt Nam vì thế là một ví dụ tốt cho phân biệt xuyên suốt bài: exposure giúp xác định nơi cần theo dõi, không phải số phận đã được định sẵn.

Sáu câu hỏi tốt hơn “AI có cướp việc không?”

Khi gặp một claim mới về AI và việc làm, có thể kiểm tra sáu câu:

1. Source đang nói về nhiệm vụ, vị trí, nghề nghiệp hay headcount?
2. Đây là năng lực/exposure hay adoption đã quan sát được?
3. Productivity được đo trên nhóm người và loại nhiệm vụ nào?
4. Có staffing outcome thực hay mới là management expectation?
5. Có counterfactual đủ mạnh để nói AI là nguyên nhân không?
6. Evidence là một company/platform cụ thể hay đủ rộng để nói về labor market?

Đến tháng 9/2026, evidence không ủng hộ hai câu cực đoan: rằng GenAI chưa ảnh hưởng tới việc làm, hoặc rằng nó đã bắt đầu xóa hàng loạt nghề nghiệp trên toàn nền kinh tế. Điều có thể nói chắc hơn là AI đã thay đổi năng suất và cấu trúc nhiệm vụ trong nhiều setting; một số thị trường đã có substitution có thể đo; một số nhóm lao động trẻ tại Mỹ đang xuất hiện tín hiệu bất lợi đáng theo dõi; đồng thời nhiều doanh nghiệp đang phản ứng bằng đào tạo lại, điều chuyển, thay đổi tuyển dụng và thiết kế lại quy trình thay vì chỉ layoffs. Vì vậy, khi một công ty nói AI giúp họ giảm nhân sự, đó có thể là evidence rằng AI đã tham gia vào cách công ty tổ chức công việc. Nó chưa đủ để chứng minh AI đã thay thế toàn bộ tập hợp nhiệm vụ của một vị trí, và càng chưa đủ để kết luận một nghề nghiệp đang biến mất. Khác biệt quan trọng nằm ở đó: AI có thể thay đổi công việc trước khi nó thay đổi số lượng việc làm — và để biết khi nào hai thứ trở thành một, chúng ta phải theo dõi từng bước ở giữa.