Trí tuệ nhân tạo đang tự động hóa công việc tạo ra các chuyên gia

Khi các công ty quyết định tự động hóa công việc, họ thường đo lường thời gian, chi phí, tỷ lệ lỗi và sản lượng. Họ hiếm khi đo lường những gì một nhiệm vụ dạy cho người thực hiện nó. Sự bỏ qua này rất quan trọng vì nhiều nhiệm vụ có vẻ lặp đi lặp lại hoặc không hiệu quả cũng là một phần của hệ thống học việc vô hình mà qua đó người ta trở thành chuyên gia có khả năng.

Một nhà phân tích junior xây dựng mô hình đầu tiên, một nhà phát triển theo dõi một lỗi cơ bản, một đại lý hỗ trợ xử lý một khiếu nại chung và một luật sư chuẩn bị một bản ghi nhớ nghiên cứu ban đầu đều tạo ra công việc. Họ cũng học cách thông tin phù hợp, chi tiết nào quan trọng, lỗi xuất hiện và khi một mẫu quen thuộc không còn áp dụng. Nếu AI loại bỏ nhiệm vụ mà không thay thế quá trình học tập, tổ chức có thể tăng tốc độ trong ngày hôm nay trong khi làm suy yếu chuyên môn mà họ sẽ cần sau này.

Câu hỏi về lực lượng lao động vì vậy lớn hơn việc liệu AI có giảm việc tuyển dụng cấp độ đầu vào hay không. Các nhà lãnh đạo cần hỏi điều gì xảy ra với các vòng lặp thực hành mà trước đây đã biến nhân viên thiếu kinh nghiệm thành những người có khả năng phán xét, sửa chữa và giám sát các hệ thống thông minh.

Chuyên môn được xây dựng thông qua sửa lỗi

Chuyên môn thường được mô tả là kiến thức, nhưng kiến thức alone không đủ. Những người có kinh nghiệm đã gặp đủ trường hợp để nhận ra các tín hiệu yếu, nhận thấy sự kết hợp không thường xuyên và hiểu khi một câu trả lời chuẩn không an toàn. Sự phán xét đó phát triển thông qua các chu kỳ lặp đi lặp lại của việc thực hiện công việc, nhận phản hồi, sửa lỗi và thấy hậu quả của quyết định.

Nhiều nhiệm vụ junior có giá trị chính xác vì chúng tạo ra những chu kỳ đó. Soạn thảo phiên bản đầu tiên của một phân tích buộc ai đó phải quyết định điều gì là liên quan. Làm sạch dữ liệu tiết lộ thông tin thực tế không hoàn hảo như thế nào. Xử lý các trường hợp khách hàng trực tiếp dạy mẫu bình thường, điều này sau đó làm cho một trường hợp bất thường dễ nhận ra hơn. Xem xét đầu ra hoàn chỉnh của một chuyên gia không tạo ra cùng độ sâu vì các quyết định khó đã được thực hiện và ẩn.

AI có thể nén những chu kỳ đó. Một bản thảo đầu tiên đến trước khi nhân viên đã xác định vấn đề. Một trợ lý mã đề xuất giải pháp trước khi nhà phát triển đã theo dõi sự thất bại. Một công cụ nghiên cứu tóm tắt bằng chứng trước khi nhà phân tích đã so sánh nguồn. Đầu ra có thể tốt hơn và nhanh hơn, nhưng nhân viên nhận được ít cơ hội hơn để xây dựng một mô hình nội bộ về lý do tại sao nó đúng.

AI có thể tăng tốc học tập, nhưng thiết kế quan trọng

Rủi ro không phải là không thể tránh khỏi. Một số bằng chứng mạnh mẽ nhất về AI tạo sinh tại nơi làm việc cho thấy nó có thể giúp nhân viên thiếu kinh nghiệm học nhanh hơn khi nó được sử dụng như hướng dẫn chứ không phải thay thế cho sự tham gia.

Một nghiên cứu NBER về 5,179 đại lý hỗ trợ khách hàng phát hiện ra rằng việc truy cập vào một trợ lý AI tạo sinh tăng năng suất lên 14% trung bình, với sự cải thiện 34% trong số các công nhân mới và ít kỹ năng hơn. Các nhà nghiên cứu tìm thấy bằng chứng gợi ý rằng hệ thống giúp phổ biến các thực hành của các đại lý mạnh hơn và di chuyển các công nhân mới xuống đường cong kinh nghiệm nhanh hơn.

Thiết kế của công việc đó quan trọng. Các đại lý nhận được đề xuất trong các cuộc trò chuyện khách hàng thực tế, nhưng họ vẫn phải giải thích tình huống, chọn cách phản hồi và quan sát kết quả. Vòng lặp học tập vẫn còn nguyên. AI thêm quyền truy cập vào các mẫu chuyên gia kịp thời mà không loại bỏ hoàn toàn nhân viên khỏi quyết định.

Điều đó khác với một quy trình làm việc trong đó hệ thống hoàn thành nhiệm vụ và nhân viên thực hiện một phê duyệt nhanh chóng ở cuối. Khi mọi người vẫn tích cực trong chẩn đoán, lựa chọn và hậu quả, AI có thể hoạt động như một huấn luyện viên. Khi họ bị giảm xuống chấp nhận đầu ra được đánh bóng, công nghệ có thể tăng sản lượng ngắn hạn trong khi làm ít hơn cho khả năng dài hạn.

Tự động hóa đang tiếp cận các nhiệm vụ xây dựng vốn nhân lực

Dễ dàng giả định rằng AI sẽ loại bỏ chỉ công việc lặp đi lặp lại, không có kỹ năng. Bằng chứng hiện tại cho thấy một mẫu phức tạp hơn.

Chỉ số kinh tế tháng 1 năm 2026 của Anthropic phát hiện ra rằng các nhiệm vụ được Claude bao phủ có xu hướng yêu cầu nhiều giáo dục hơn so với trung bình của toàn bộ nền kinh tế. Trong một ước tính thử nghiệm, các nhà nghiên cứu tìm thấy rằng việc loại bỏ các nhiệm vụ được AI bao phủ khỏi các nghề nghiệp sẽ tạo ra một hiệu ứng phi kỹ năng hàng đầu đối với công việc vì nhiều nhiệm vụ được bao phủ đại diện cho các thành phần giáo dục cao hơn của vai trò. Anthropic đã cẩn thận khi nói rằng đây không phải là một dự đoán, vì các nghề nghiệp có thể phát triển và các nhiệm vụ mới có thể xuất hiện, nhưng việc tìm kiếm này nên thay đổi cách các công ty nghĩ về tự động hóa.

Lặp đi lặp lại và phát triển không phải là những điều đối lập. Chuẩn bị một phân tích có thể trở thành lặp đi lặp lại đối với một nhân viên có kinh nghiệm trong khi vẫn là thực hành thiết yếu cho một nhân viên junior. Soạn thảo hợp đồng tiêu chuẩn, gỡ lỗi sai sót quen thuộc, chuẩn bị dự báo và xem xét lịch sử khách hàng có thể được tự động hóa, nhưng chúng cũng giúp nhân viên tiếp xúc với cấu trúc công việc của nghề.

Điều này tạo ra một vấn đề chiến lược. Nhiệm vụ dễ dàng tự động hóa nhất cũng có thể là nhiệm vụ mà qua đó một nhân viên mới học được ngữ cảnh cần thiết để xử lý nhiệm vụ khó khăn sau này.

Nguyên tắc kiểm chứng

Nhiều tổ chức phản ứng bằng cách nói rằng mọi người sẽ chuyển từ sản xuất sang kiểm chứng. AI sẽ tạo ra công việc, trong khi con người sẽ kiểm tra độ chính xác, áp dụng ngữ cảnh và vẫn chịu trách nhiệm. Điều này nghe có vẻ hợp lý, nhưng nó chứa một nghịch lý: chính việc kiểm chứng đòi hỏi chuyên môn mà công việc tự động hóa trước đây đã giúp tạo ra.

Một nghiên cứu của Microsoft Research (MSFT ) được thực hiện với 319 công nhân tri thức và 936 ví dụ về việc sử dụng AI tạo sinh đã tìm thấy rằng sự tự tin cao hơn vào AI liên quan đến nỗ lực tư duy phản biện thấp hơn. Nghiên cứu cũng tìm thấy rằng AI đã chuyển tư duy phản biện sang kiểm chứng, tích hợp và quản lý nhiệm vụ. Những hoạt động này rất quý giá, nhưng một người không thể kiểm chứng tốt mà không có đủ kiến thức lĩnh vực để nhận ra những gì có thể thiếu.

Một nhân viên thiếu kinh nghiệm có thể kiểm tra xem một câu trả lời có rõ ràng không nhất quán hoặc không được hỗ trợ. Điều đó rất khó để nhận thấy rằng phân tích đã sử dụng khung sai, bỏ qua một ràng buộc hoạt động hoặc đạt được một kết luận hợp lý vì lý do sai. Đầu ra AI được đánh bóng có thể che giấu sự thiếu hiểu biết vì nó trông hoàn chỉnh trước khi nhân viên đã phát triển sự phán xét để thẩm vấn nó.

Nghiên cứu về “biên giới công nghệ nhấp nhô” làm cho vấn đề trở nên cụ thể hơn. Trong một thí nghiệm với 758 tư vấn, người dùng AI đã hoàn thành các nhiệm vụ trong phạm vi khả năng của công nghệ 25,1% nhanh hơn và tạo ra kết quả có chất lượng cao hơn 40%. Đối với một nhiệm vụ ngoài phạm vi đó, tuy nhiên, người dùng AI ít có khả năng đạt được giải pháp chính xác 19 điểm phần trăm so với những người tham gia làm việc mà không có AI.

Khả năng quan trọng không chỉ là sử dụng AI. Đó là việc nhận ra khi hệ thống hoạt động ngoài ranh giới của hiệu suất đáng tin cậy. Ranh giới đó hiếm khi rõ ràng, và việc học cách nhìn thấy nó đòi hỏi kinh nghiệm với cả các trường hợp thành công và thất bại.

Rủi ro kế thừa ẩn

Báo cáo Tương lai của công việc năm 2025 của Diễn đàn Kinh tế Thế giới cho thấy rằng các nhà tuyển dụng dự kiến 39% kỹ năng cốt lõi của công nhân sẽ thay đổi vào năm 2030. Nó cũng cho thấy rằng 63% nhà tuyển dụng đã xem các khoảng trống kỹ năng là một rào cản chính đối với chuyển đổi, trong khi 77% dự kiến sẽ nâng cao kỹ năng cho nhân viên và 41% dự kiến sẽ giảm số lượng lao động khi AI tự động hóa các nhiệm vụ.

Những chiến lược này có thể mâu thuẫn nếu các tổ chức loại bỏ quá nhiều công việc mà qua đó kỹ năng được hình thành. Một công ty có thể giảm tuyển dụng junior, dựa vào nhân viên cao cấp để giám sát AI và vẫn báo cáo năng suất mạnh trong vài năm. Điểm yếu xuất hiện sau đó, khi nhân viên có kinh nghiệm rời đi, nhu cầu mở rộng hoặc tổ chức cần nhân viên có khả năng xử lý các tình huống mà hệ thống chưa từng thấy.

Các chuyên gia cao cấp cũng có thể trở thành một ràng buộc hoạt động mới. Nếu AI tăng khối lượng công việc trong khi chỉ một nhóm nhỏ có thể xác minh đầu ra khó, những người đó sẽ dành nhiều thời gian hơn để xem xét và sửa lỗi thay vì dạy. Công ty sẽ tăng khả năng sản xuất nhưng tập trung phán xét vào tay ít người hơn.

Không tổ chức nào có thể tự động hóa việc học việc và sau đó giả định rằng họ sẽ tiếp tục mua kinh nghiệm từ thị trường. Nếu nhiều công ty theo đuổi cùng một chiến lược, nhóm tài năng có kinh nghiệm bên ngoài cuối cùng sẽ trở nên mỏng hơn và đắt hơn.

Đo lường giá trị phát triển của công việc

Trước khi tự động hóa một nhiệm vụ, các công ty nên đánh giá nó trên hai chiều. Thứ nhất là giá trị đầu ra: kết quả quan trọng, tốn kém và nhạy cảm với thời gian như thế nào? Thứ hai là giá trị phát triển: khả năng nào mà việc thực hiện nhiệm vụ xây dựng?

Các nhiệm vụ có giá trị đầu ra thấp và giá trị phát triển thấp là ứng viên rõ ràng cho tự động hóa hoàn toàn. Định dạng lại tài liệu thường xuyên hoặc chuyển thông tin giữa các hệ thống có thể dạy ít sau khi đạt được năng lực cơ bản.

Các nhiệm vụ có giá trị đầu ra cao nhưng giá trị phát triển thấp có thể thường được tự động hóa với kiểm soát phù hợp. Tổ chức vẫn cần quản trị vì kết quả quan trọng, nhưng việc bảo tồn quy trình thủ công có thể đóng góp ít cho sự phát triển của nhân viên.

Danh mục bị bỏ qua nhất chứa các nhiệm vụ có giá trị đầu ra ngay lập tức khiêm tốn nhưng giá trị phát triển cao. Bản thảo đầu tiên của một nhân viên junior có thể không quan trọng về mặt thương mại vì một người cao cấp sẽ sửa đổi nó, nhưng việc tạo ra nó tạo ra một so sánh có giá trị giữa lý do ban đầu và phản hồi của chuyên gia. Loại bỏ bước đó tiết kiệm thời gian nhưng cũng loại bỏ thực hành.

Các nhiệm vụ có cả giá trị đầu ra cao và giá trị phát triển cao thường nên được tăng cường chứ không phải ủy quyền hoàn toàn. Nhân viên có thể sử dụng AI cho nghiên cứu, lựa chọn và phê bình, nhưng họ nên giữ trách nhiệm có ý nghĩa cho việc xác định vấn đề, giải thích quyết định và học hỏi từ kết quả.

Xây dựng lớp học việc một cách có chủ đích

Một khi các nhiệm vụ phát triển đã được xác định, các công ty có thể thiết kế lại chúng thay vì bảo tồn các quy trình làm việc không hiệu quả không đổi. Mục tiêu không phải là làm cho nhân viên lặp lại mọi quy trình thủ công từ quá khứ. Đó là để tái tạo những trải nghiệm xây dựng phán xét trong một hình thức nhanh hơn, có chủ đích hơn.

Một lựa chọn là bảo tồn suy nghĩ lần đầu. Trước khi nhìn thấy một khuyến nghị AI, nhân viên ghi lại chẩn đoán ban đầu, dự báo hoặc quyết định. Hệ thống sau đó có thể cung cấp một giải pháp thay thế, và nhân viên phải giải thích nơi hai giải pháp khác nhau và cách tiếp cận nào họ sẽ sử dụng.

Các tổ chức cũng có thể xây dựng thư viện về các trường hợp thất bại của AI, các trường hợp ngoại lệ và quyết định tranh chấp. Chỉ xem xét đầu ra thành công dạy cho nhân viên cách tin tưởng vào hệ thống. Nghiên cứu về nơi nó thất bại giúp họ nhận ra các điều kiện đòi hỏi phải nâng cao, bằng chứng bổ sung hoặc can thiệp của con người.

Các nhà quản lý nên đánh giá xem việc học có chuyển giao vượt ra ngoài công cụ hay không. Nhân viên có thể giải thích lý do đằng sau đầu ra cuối cùng không? Họ có thể xác định các giả định sẽ làm cho nó sai không? Họ có thể thích nghi khi ngữ cảnh thay đổi hoặc AI không có sẵn không? Những câu hỏi này tiết lộ nhiều hơn về sự sẵn sàng hơn là số lượng lời nhắc sử dụng hoặc nhiệm vụ được hoàn thành.

Quan trọng nhất, nhân viên junior vẫn cần trách nhiệm thực sự. Mô phỏng và thực hành cấu trúc giúp, nhưng chuyên môn cũng phụ thuộc vào hậu quả, phản hồi và tiếp xúc với sự phức tạp thực sự. AI nên làm cho những trải nghiệm an toàn hơn và thường xuyên hơn, không phải loại bỏ chúng hoàn toàn.

Ưu thế lực lượng lao động sẽ đến từ chuyên môn nhanh hơn

Các tổ chức mạnh nhất sẽ không phải là những tổ chức tự động hóa số lượng nhiệm vụ junior lớn nhất. Họ sẽ là những tổ chức loại bỏ nỗ lực thấp giá trị trong khi tăng tốc phát triển của những người có thể sử dụng, thách thức và giám sát AI một cách có trách nhiệm.

Điều này đòi hỏi một định nghĩa rộng hơn về lợi tức đầu tư cho tự động hóa. Thời gian được tiết kiệm và sản lượng được tạo ra là quan trọng, nhưng các nhà lãnh đạo cũng nên đo lường xem quy trình làm việc mới có làm tăng hay làm suy yếu nguồn cung cấp phán xét trong tương lai của tổ chức hay không. Một quy trình giảm chi phí trong khi làm hỏng đường ống chuyên môn có thể chỉ hiệu quả trên một chân trời thời gian ngắn.

Trước khi phê duyệt dự án tự động hóa tiếp theo, các nhà lãnh đạo nên hỏi một câu hỏi bổ sung: những gì mà mọi người đã học được bằng cách thực hiện công việc này, và nơi nào việc học đó sẽ xảy ra sau khi công việc được tự động hóa?

Câu trả lời sẽ quyết định liệu AI chỉ sản xuất nhiều đầu ra hơn hay giúp sản xuất thế hệ chuyên gia tiếp theo.