- A.I giúp từng nhân viên làm nhanh và tốt hơn thật, có thí nghiệm đo hẳn hoi. Nhưng rất ít công ty thấy điều đó biến thành lợi nhuận.
- Lợi ích bị "kẹt" ở khoảng giữa nhân viên và bảng lãi lỗ. Thứ chặn nó lại là cách tổ chức công việc, không phải công cụ.
- Công cụ mua sau cũng được. Năng lực tổ chức thì phải xây trước, vì đó là thứ duy nhất đối thủ không mua được.
Hãy tưởng tượng bạn là chủ một nhà máy dệt ở Mỹ vào năm 1900.
Điện đang là công nghệ nóng nhất thời đại. Báo chí ca ngợi, đối thủ thì rục rịch. Bạn quyết định không để mình bị bỏ lại: tháo cỗ máy hơi nước khổng lồ giữa xưởng, lắp vào đó một động cơ điện mới tinh. Hệ thống trục quay và hàng trăm sợi dây curoa nối tới từng máy dệt vẫn giữ nguyên, vì "vẫn còn dùng tốt".
Một năm sau, bạn ngồi xem sổ sách. Năng suất gần như không đổi.
Bạn không đơn độc. Đây là chuyện thật của cả nước Mỹ: điện có từ đầu thập niên 1880, nhưng phải gần bốn mươi năm sau, năng suất các nhà máy mới thực sự bùng nổ [6].
Và nếu nhìn kỹ cách nhiều doanh nghiệp đang dùng A.I hôm nay, bạn sẽ thấy câu chuyện đó đang lặp lại gần như y nguyên.
Ai cũng dùng A.I, nhưng ít ai thấy tiền
Khảo sát mới nhất của McKinsey (tháng 8/2026) vẽ ra một bức tranh khá trớ trêu [1]:
Có hai cách giải thích. Một: A.I bị thổi phồng, thực ra chẳng hiệu quả mấy. Hai: A.I hiệu quả thật, nhưng có thứ gì đó chặn lợi ích lại trước khi nó chạy tới bảng lãi lỗ.
Cách nào đúng? Hãy để bằng chứng trả lời.
Không phải A.I yếu. Nhân viên của bạn đã nhanh hơn thật
Chuyện A.I giúp người ta làm việc tốt hơn giờ không còn là cảm nhận. Các nhà kinh tế đã làm những thí nghiệm nghiêm túc, có nhóm dùng A.I và nhóm không dùng để so sánh:
Hơn 5.000 nhân viên chăm sóc khách hàng xử lý nhiều hơn 14% yêu cầu mỗi giờ nhờ trợ lý A.I. Nhân viên mới vào nghề còn tăng tới 34%; người giỏi nhất thì gần như không đổi [2].
453 người làm công việc viết lách chuyên môn rút ngắn khoảng 40% thời gian, trong khi chất lượng còn tăng khoảng 18% [3].
758 chuyên viên tư vấn của BCG, trong thí nghiệm cùng Harvard: ở những việc A.I làm tốt, nhóm có A.I làm được nhiều việc hơn 12%, nhanh hơn 25%, chất lượng cao hơn tới 40% [4].
Vậy giả thuyết "A.I bị thổi phồng" khó đứng vững. Nhân viên đã nhanh hơn, giỏi hơn. Câu hỏi thú vị hơn nhiều là: lợi ích đó chạy đi đâu mất?
Vậy lợi ích đi đâu mất?
Quay lại nhà máy năm 1900. Vấn đề chưa bao giờ nằm ở động cơ điện. Vấn đề là bạn đặt một công nghệ mới vào một cách làm việc cũ.
Những nhà máy thắng lớn của thập niên 1920 đã làm một việc khác hẳn: họ thiết kế lại cả nhà máy. Bỏ trục quay trung tâm. Gắn cho mỗi máy một động cơ nhỏ riêng. Xếp dây chuyền theo dòng chảy nguyên liệu. Đào tạo lại công nhân. Lúc đó điện mới thật sự tạo ra phép màu [6].
Năm 1987, nhà kinh tế học Robert Solow (Nobel Kinh tế năm ấy) than một câu về sau thành kinh điển: thời đại máy tính có mặt ở khắp nơi, trừ trong số liệu năng suất [5]. Lịch sử lặp lại, chỉ thay điện bằng máy tính.
Và giờ là A.I. Rất nhiều doanh nghiệp đang làm đúng điều này:
Quy trình cũ, mẫu báo cáo cũ, cách duyệt cũ, cách phân quyền cũ, chỉ chèn thêm một công cụ mới vào giữa. Nhân viên viết email nhanh gấp đôi, rồi email đó vẫn phải chờ ba cấp duyệt như trước.
Trái: lắp động cơ mới nhưng giữ nguyên hệ thống dây curoa cũ. Phải: tổ chức lại cả dây chuyền quanh công nghệ mới.Ba nhà kinh tế Erik Brynjolfsson, Daniel Rock và Chad Syverson đặt tên cho hiện tượng này là "đường cong chữ J" [7]. Để công nghệ mới phát huy, doanh nghiệp phải đầu tư vào những thứ không nhìn thấy: quy trình mới, kỹ năng mới, dữ liệu, cách tổ chức mới. Giai đoạn đầu, những khoản này chỉ thấy tốn kém, năng suất còn có thể đi xuống. Phải qua đáy chữ J, đường cong mới vút lên.
Và đáy chữ J cũng là lúc người ta dễ nản nhất: tiền đã chi, mà kết quả chưa thấy đâu.
Hai nhà máy, cùng một công nghệ, hai kết quả
Nếu vẫn còn nghi ngờ rằng cách quản lý quan trọng hơn công nghệ, nghiên cứu của Nicholas Bloom, Raffaella Sadun và John Van Reenen là một phép thử rất đẹp [8].
Họ quan sát các doanh nghiệp ở châu Âu. Các công ty của Mỹ ở đó khai thác công nghệ thông tin hiệu quả hơn hẳn công ty bản địa, dù dùng cùng loại công nghệ. Chi tiết thú vị nhất: khi một công ty châu Âu bị một công ty Mỹ mua lại, chính công ty đó bỗng dùng công nghệ hiệu quả hơn. Máy móc không đổi, nhà xưởng không đổi. Thứ duy nhất thay đổi là chủ mới và cách quản lý mới: cách đánh giá, thăng tiến, khen thưởng, và sự sẵn sàng tổ chức lại công việc.
Ghép mọi thứ lại, bức tranh khá rõ:
Cái bẫy ít ai nói: A.I sai rất tự tin
Thí nghiệm của Harvard và BCG còn một phát hiện ít được nhắc tới. Với những việc vượt quá khả năng của A.I, nhóm dùng A.I lại làm đúng ít hơn 19 điểm phần trăm so với nhóm tự làm [4].
Các nhà nghiên cứu ví khả năng của A.I như một đường biên răng cưa: có việc nó giỏi đến bất ngờ, nhưng việc ngay bên cạnh thì nó sai một cách rất tự tin. Và người dùng thường không biết mình đang đứng ở phía nào của đường biên.
Nói gọn: phát công cụ cho nhân viên mà không chỉ cho họ việc nào nên giao, việc nào phải soát lại, có thể khiến chất lượng đi xuống ở đúng những chỗ quan trọng nhất.
Ba câu "cãi lại" thường gặp, và câu trả lời
"Nobel Kinh tế còn bảo A.I chẳng tác động bao nhiêu kia mà?"
Đúng là Daron Acemoglu (Nobel Kinh tế 2024) ước tính A.I chỉ làm năng suất chung của nước Mỹ tăng không quá 0,66% trong 10 năm [9]. Nhưng hãy nhìn cách ông tính: dựa trên số nhiệm vụ A.I hỗ trợ được và mức tiết kiệm ở từng nhiệm vụ, tức là chủ yếu đo việc A.I làm nhanh hơn những việc đang có.
Nói cách khác, đó chính là kịch bản "thay động cơ, giữ dây curoa". Nếu doanh nghiệp chỉ dùng A.I kiểu đó, con số nhỏ của Acemoglu sẽ thành sự thật. Muốn vượt nó, phải làm nhiều hơn là tăng tốc từng việc lẻ.
"Cứ để người khác đi trước, mình đi sau cho an toàn"
Câu này đúng một nửa. Với công cụ, đi sau thường lợi: rẻ hơn, ổn định hơn, ít lỗi hơn. Nhưng với năng lực tổ chức, đi sau là thiệt.
Từ năm 1990, hai nhà nghiên cứu Cohen và Levinthal đã chỉ ra: khả năng tiếp thu cái mới của một tổ chức phụ thuộc vào những gì nó đã tích luỹ từ trước [10]. Giống như học ngoại ngữ: người học trước một năm không chỉ biết nhiều hơn một năm, mà còn học cái mới nhanh hơn.
"Chuyện điện là thế kỷ trước rồi. A.I là phần mềm, lan nhanh hơn nhiều"
Đúng, và chính vì vậy mà càng đáng lo. Khi ai cũng có công cụ gần như cùng lúc, công cụ không còn là lợi thế. Thứ còn lại để cạnh tranh chỉ là tốc độ tổ chức lại công việc. Thời điện khí hoá, khoảng cách giữa người làm được và người chưa làm được mở ra trong vài chục năm. Lần này, có thể chỉ vài năm.
Phòng IT không cứu được bạn
Nếu A.I chỉ là chuyện công cụ, cứ giao cho phòng IT là xong. Nhưng dữ liệu nói khác. Nhóm doanh nghiệp thu lợi lớn nhất từ A.I khác phần còn lại ở hai điểm [1]:
Thiết kế lại quy trình, phân bổ nguồn lực, quyết định đo cái gì: đó là việc của ban điều hành.
Còn một chi tiết đáng suy ngẫm: A.I giúp nhân viên mới nhiều nhất, tới 34% [2]. Với lãnh đạo, đây không chỉ là một con số. Nó đặt ra những câu hỏi lớn: đào tạo người mới có thể nhanh hơn bao nhiêu? Kinh nghiệm của người giỏi có thể được truyền cho cả đội theo cách nào? Cơ cấu đội ngũ sẽ thay đổi ra sao?
Năm câu hỏi cho cuộc họp ban giám đốc tới
- Quy trình nào sẽ được làm lại? Không phải "chúng ta sẽ dùng A.I", mà là việc cụ thể nào sẽ được làm theo cách khác hẳn.
- Đo bằng gì? Thời gian, chi phí, chất lượng hay doanh thu. Đo trước khi bắt đầu, để sau này có cái mà so.
- Ai chịu trách nhiệm? Một người cụ thể ở cấp điều hành, không phải một dự án không ai làm chủ.
- Đội ngũ cần học gì? Không chỉ cách dùng công cụ, mà cả cách nhận ra khi nào A.I đang sai.
- Ranh giới ở đâu? Bước nào bắt buộc có người duyệt, dữ liệu nào không được đưa vào, quyết định nào A.I không được tự đưa ra.
Nói thẳng về giới hạn
Một bài viết dám phản biện thì cũng nên tự phản biện mình. Phần lớn các nghiên cứu trên làm ở Mỹ và châu Âu, nơi hạ tầng dữ liệu và trình độ quản trị khác nhiều doanh nghiệp Việt Nam. Các thí nghiệm chỉ đo trong thời gian ngắn. Khảo sát của McKinsey dựa trên tự đánh giá, và có thể bị ngược chiều nhân quả: có khi doanh nghiệp vốn đã thành công nên mới đủ sức thiết kế lại quy trình. Hãy đọc các con số như một hướng đi chung của bằng chứng, không phải lời hứa cho riêng doanh nghiệp nào.
Thứ duy nhất đối thủ không mua được
Quay lại người chủ nhà máy năm 1900. Ông ấy không sai khi mua động cơ điện. Ông ấy chỉ sai khi nghĩ rằng mua xong là đủ.
Gần bốn mươi năm nghiên cứu, từ điện, máy tính đến A.I, đều nói cùng một điều: công nghệ là điều kiện cần. Thứ quyết định thắng thua là năng lực tổ chức lại công việc, phát triển con người và dẫn dắt sự thay đổi.
Vì vậy, câu hỏi cho lãnh đạo hôm nay không còn là "có nên đầu tư vào A.I không". Câu hỏi đúng là: tổ chức của mình đang học nhanh đến đâu, và ai đang chịu trách nhiệm cho tốc độ đó?
Những năm học cách làm việc cùng nó, họ không mua được.
Ebook 74 trang hướng dẫn viết prompt từ A-Z, có khung mẫu và thư viện prompt theo nghề. Gửi cho nhân viên để bắt đầu ngay tuần này.
Tải ebook miễn phí →Tài liệu tham khảo
[1] McKinsey & Company (2026). The state of AI. mckinsey.com
[2] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942. NBER w31161
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. MIT Economics
[4] Dell'Acqua, F., McFowland, E., Mollick, E., et al. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper 24-013. PDF
[5] Solow, R. (1987, 12 July). We'd better watch out. New York Times Book Review, p. 36. Phân tích tại Brookings
[6] David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361. Tóm tắt
[7] 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. doi:10.1257/mac.20180386
[8] Bloom, N., Sadun, R., & Van Reenen, J. (2012). Americans do IT better: US multinationals and the productivity miracle. American Economic Review, 102(1), 167–201. doi:10.1257/aer.102.1.167
[9] Acemoglu, D. (2024). The simple macroeconomics of AI. NBER Working Paper 32487; Economic Policy (2025). NBER w32487
[10] Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152.
ainao.vn | A.I không chỉ để biết. A.I phải tạo ra năng suất.

