AI đang làm bao nhiêu phần công việc thay con người? 5 thước đo cần tách riêng

Một nhân viên nói: “AI gánh nửa công việc của tôi”. Câu nói ấy có thể hoàn toàn đúng — nhưng “một nửa” đang được tính theo cách nào?

AI có thể xuất hiện trong 5 trên 10 đầu việc nhưng chỉ giúp vài phút ở mỗi việc. Ngược lại, AI có thể chỉ tham gia một đầu việc, nhưng đầu việc đó chiếm ba giờ mỗi ngày. Có trường hợp AI viết gần như toàn bộ bản nháp nhưng con người vẫn quyết định mục tiêu, chọn phương án, kiểm tra và chịu trách nhiệm. Cũng có trường hợp AI tạo ra rất nhiều nội dung nhưng không nội dung nào được sử dụng.

Vì vậy, muốn biết AI thực sự đã đi sâu vào công việc đến đâu, chúng ta không thể chỉ hỏi: “Có bao nhiêu người từng dùng ChatGPT?”

Cần ít nhất năm thước đo khác nhau.

1. AI xuất hiện trong bao nhiêu nhiệm vụ?

Thước đo đầu tiên là task coverage — tỷ lệ nhiệm vụ trong một nghề hoặc một công việc có sự tham gia của AI.

Trong báo cáo Economic Index công bố năm 2026, Anthropic cho biết khi gộp dữ liệu qua nhiều kỳ, 49% nghề trong mẫu có Claude được sử dụng ở ít nhất một phần tư số nhiệm vụ. Con số này đã tăng so với 36% trong mẫu tháng 1/2025.

Đây là tín hiệu đáng chú ý: AI không còn chỉ hỗ trợ một vài thao tác rời rạc. Nó đã xuất hiện ở một phần đáng kể cấu trúc nhiệm vụ của nhiều nghề.

Nhưng task coverage vẫn chưa trả lời được AI đã “gánh” bao nhiêu công việc. Hai nhiệm vụ có thể khác nhau rất xa về thời gian, độ khó và giá trị. “Đổi định dạng một bảng” và “phân tích nguyên nhân doanh thu giảm” đều được tính là một nhiệm vụ nếu ta chỉ đếm đầu việc.

Anthropic cũng cảnh báo dữ liệu của họ chỉ phản ánh những nhiệm vụ được người dùng mang tới Claude. Người dùng có xu hướng chọn những việc mà họ tin AI có thể làm được. Vì vậy, đây không phải ảnh chụp toàn bộ nền kinh tế và cũng chưa chứng minh nhiệm vụ ngoài đời đã được tự động hóa hoàn toàn.

Cách đo trong doanh nghiệp: lập danh sách 20–30 nhiệm vụ lặp lại của một vai trò, đánh dấu AI đang tham gia nhiệm vụ nào và tham gia ở bước nào. Đừng dừng ở câu hỏi “phòng này có dùng AI không?”.

2. AI xử lý bao nhiêu thời gian lao động?

Thước đo thứ hai là time-weighted coverage — tỷ lệ thời gian công việc mà AI có thể hỗ trợ hoặc thực hiện thành công.

Đây là điểm mà cách đếm nhiệm vụ thường gây hiểu nhầm. Một AI Agent hỗ trợ 8 tác vụ nhỏ, mỗi tác vụ 5 phút, chưa chắc tạo ra tác động lớn bằng một workflow xử lý báo cáo mất 4 giờ mỗi tuần.

Economic Index bổ sung khái niệm effective AI coverage: không chỉ hỏi AI xuất hiện ở nhiệm vụ nào, mà còn điều chỉnh theo ba yếu tố:

• Người lao động thực hiện nhiệm vụ đó thường xuyên đến đâu.
• Nhiệm vụ đó mất bao nhiêu thời gian.
• AI có xác suất hoàn thành thành công bao nhiêu.

Khi tính như vậy, bức tranh thay đổi. Một số nghề như nhập liệu hoặc chẩn đoán hình ảnh có thể chịu tác động lớn hơn con số task coverage ban đầu; một số nghề khác như giáo viên hoặc lập trình viên có thể thấp hơn vì AI đang xuất hiện ở nhiều nhiệm vụ nhưng chưa thay thế trọn phần thời gian và trách nhiệm tương ứng.

Cách đo trong doanh nghiệp: với mỗi workflow, ghi baseline trước AI, thời gian con người còn phải làm sau AI, thời gian review và thời gian sửa lỗi. Chỉ số đáng quan tâm không phải “AI chạy mất bao lâu”, mà là tổng thời gian con người cần bỏ ra để có một kết quả đạt chuẩn.

3. AI đang hỗ trợ hay tự động hóa?

AI xuất hiện trong một nhiệm vụ chưa có nghĩa AI làm thay con người. Cần tách hai kiểu tương tác:

• Augmentation: AI hỗ trợ con người suy nghĩ, viết nháp, kiểm tra, phân tích hoặc đề xuất; con người vẫn điều khiển phần lớn tiến trình.
• Automation: AI thực hiện trực tiếp phần việc với ít can thiệp hơn từ con người.

Trong mẫu mới nhất của Anthropic, augmentation chiếm 52% hội thoại Claude.ai, automation chiếm 45%. Tỷ lệ này có dao động qua từng kỳ. Quan trọng hơn, hai khái niệm không phải hai chiếc hộp cố định: cùng một workflow có thể bắt đầu bằng hỗ trợ, sau đó tự động hóa dần khi dữ liệu, tiêu chí và quyền đã ổn định.

Ví dụ, một AI hỗ trợ Sales có thể trải qua ba giai đoạn:

1. Tóm tắt lịch sử khách hàng để nhân viên đọc.
2. Soạn bản nháp follow-up để nhân viên duyệt.
3. Tự gửi follow-up cho nhóm tình huống rủi ro thấp theo chính sách đã khóa.

Nếu doanh nghiệp chỉ hỏi “đã có AI chưa?”, ba giai đoạn này bị coi như nhau. Nếu đo đúng, chúng thể hiện ba mức tự chủ và ba mức rủi ro hoàn toàn khác nhau.

4. Ai quyết định “làm gì” và ai quyết định “làm thế nào”?

Thước đo thứ tư là quyền quyết định.

Nghiên cứu của Anthropic trên khoảng 400.000 phiên Claude Code từ khoảng 235.000 người, diễn ra từ tháng 10/2025 đến tháng 4/2026, cho thấy một cách phân công rất đáng chú ý:

• Con người đưa ra khoảng 70% quyết định lập kế hoạch — làm gì, chọn hướng nào, thế nào là xong.
• Con người chỉ đưa ra khoảng 20% quyết định thực thi — sửa file nào, viết đoạn nào, chạy lệnh gì.

Nói cách khác, trong mẫu công việc coding có tính agent này, con người vẫn giữ phần lớn “ý định và tiêu chuẩn”, còn AI gánh phần lớn “cách thực hiện”.

Đây có thể là hình ảnh sớm của nhiều nghề tri thức: quản lý không cần thực hiện từng thao tác, nhưng phải giỏi đặt mục tiêu, cung cấp bối cảnh, chọn tiêu chí và can thiệp khi AI đi sai hướng.

Tuy nhiên, không nên lấy con số trên áp thẳng cho mọi nghề. Đây là dữ liệu Claude Code, dựa trên phân loại phiên làm việc bằng mô hình, không phải khảo sát đại diện toàn bộ lực lượng lao động. Giá trị của nó nằm ở việc chỉ ra một thước đo mới: AI có thể làm phần lớn thao tác mà vẫn chưa thay thế vai trò phán đoán và trách nhiệm của con người.

5. Kết quả của AI có đạt chuẩn và được sử dụng thật không?

Đây là thước đo quan trọng nhất nhưng thường bị bỏ quên.

Một hệ thống có thể tạo 100 bài viết, 500 email hoặc 20 báo cáo. Nếu phần lớn bị bỏ, phải sửa lại hoặc không tạo ra quyết định nào, khối lượng output không nói lên nhiều điều.

Cần tách ít nhất ba lớp:

1. Completion: AI có trả ra kết quả không?
2. Acceptance: kết quả có qua tiêu chí nghiệm thu không?
3. Utilization/outcome: kết quả có được sử dụng và tạo ra thay đổi thực tế không?

Ngay cả nghiên cứu Claude Code nói trên cũng thận trọng: nhóm nghiên cứu không quan sát được code tạo ra sau phiên có được dùng lâu dài hay mang lại giá trị kinh tế không. Họ phải dùng các tín hiệu như test pass, commit, pull request và xác nhận của người dùng để ước lượng mức độ thành công.

Trong doanh nghiệp, “AI đã làm xong” chỉ nên được công nhận khi output có bằng chứng:

• Bài SEO đã xuất bản và có URL live.
• Báo cáo đã được quản lý dùng để ra quyết định.
• Lead đã được cập nhật đúng trong CRM.
• Email đã qua kiểm tra chính sách và được gửi đúng đối tượng.
• Thời gian xử lý, tỷ lệ lỗi hoặc kết quả kinh doanh có thay đổi so với baseline.

Một bảng đo độ sâu AI đơn giản cho doanh nghiệp

Nếu thiếu một trong năm lớp, kết luận rất dễ sai. Adoption cao không đồng nghĩa automation cao. Automation cao không đồng nghĩa success cao. Success trong phiên chưa chắc tạo ra outcome kinh doanh.

Từ “dùng AI” tới “đồng nghiệp số” và “Nhân sự AI”

Có thể hình dung hành trình trưởng thành như sau:

• Công cụ hỗ trợ: con người hỏi, AI trả lời; mỗi lần dùng là một phiên rời rạc.
• Đồng nghiệp số: AI tham gia workflow lặp lại, dùng nguồn chung và bàn giao output theo tiêu chuẩn.
• Nhân sự AI: AI có vai trò, outcome, skill, quyền, nguồn chuẩn, nhịp chạy, cơ chế báo cáo và KPI; mức tự chủ tăng theo bằng chứng.

Điểm chuyển đổi không nằm ở việc đổi sang một model “thông minh hơn”. Nó nằm ở cách thiết kế công việc. Khi doanh nghiệp định nghĩa được việc nào cần làm, dữ liệu nào được dùng, đầu ra nào được chấp nhận và ai chịu trách nhiệm, AI mới có thể đi từ hỗ trợ sang thực thi.

Kết luận

Câu hỏi “AI đang làm bao nhiêu phần công việc thay con người?” không có một con số duy nhất.

Câu trả lời tốt cần cho biết:

• AI xuất hiện trong bao nhiêu nhiệm vụ.
• Những nhiệm vụ đó chiếm bao nhiêu thời gian.
• AI đang hỗ trợ hay tự động hóa.
• AI giữ bao nhiêu quyền quyết định.
• Kết quả có đạt chuẩn và được sử dụng thật hay không.

Nếu bạn muốn biết mình hoặc đội ngũ đang ở mức nào, hãy làm Test 7 Cấp Độ Làm Chủ AI. Nếu mục tiêu là biến việc dùng AI rời rạc thành năng lực làm việc có hệ thống, xem các chương trình đào tạo AI thực chiến của Học viện AI.

Nguồn tham khảo

• Anthropic Economic Index 2026: Economic primitives — mẫu ngẫu nhiên 1 triệu hội thoại Claude.ai và 1 triệu transcript API; dữ liệu first-party, không đại diện toàn thị trường.
• How Claude Code is used in practice — khoảng 400.000 phiên từ khoảng 235.000 người; kết quả dựa một phần trên classifier và không quan sát outcome dài hạn sau phiên.
• OpenAI Workspace Agents — mô tả agent qua trigger, process/skills và tools/systems.
• Giao việc cho AI như thế nào: khung 5 bước.