Công việc nào thực sự bị đe dọa? AI Agents và thị trường lao động 2025

Tháng 1 năm 2024, CEO của Klarna công bố một con số đáng chú ý: AI assistant của họ — xây dựng trên OpenAI — đã xử lý khối lượng công việc tương đương 700 nhân viên chăm sóc khách hàng chỉ trong tháng đầu triển khai. Không phải pilot. Không phải thử nghiệm nội bộ. Production. Cùng lúc đó, công ty dừng tuyển dụng bên ngoài và bắt đầu thu hẹp quy mô nhân sự.

Cùng tháng đó, Duolingo sa thải khoảng 10% workforce contractor — chủ yếu là content creator và dịch thuật viên. CEO Luis von Ahn nói thẳng: lý do là AI, không phải kết quả kinh doanh yếu kém.

Nếu bạn vẫn đang hỏi "AI có thật sự lấy mất việc làm không?", câu trả lời là: câu hỏi đó đã lỗi thời. Câu hỏi đúng là: vai trò nào, theo cơ chế nào, với tốc độ như thế nào?

Bài này sẽ đi thẳng vào dữ liệu — không dự báo mơ hồ, không an ủi rẻ tiền.

---

Cơ chế thực sự: Tại sao lần này khác?

Những làn sóng tự động hóa trước — dây chuyền lắp ráp, phần mềm kế toán, OCR — chủ yếu thay thế lao động thể chất và thao tác lặp lại. Nhân viên văn phòng, lập trình viên, nhà phân tích — nhóm này được cho là "an toàn" vì họ làm việc bằng nhận thức, không phải tay chân.

Lần này không phải vậy.

AI agents thế hệ hiện tại — Salesforce Agentforce, Microsoft Copilot Studio, các pipeline tùy chỉnh trên GPT-4o — có thể hoàn thành chuỗi công việc nhận thức nhiều bước mà không cần phê duyệt ở từng bước. Điền form, viết hợp đồng, xử lý khiếu nại, nghiên cứu pháp lý, sinh mã nguồn. Đây là lõi của công việc văn phòng, không phải ngoại vi.

McKinsey Global Institute ước tính rằng AI tổng quát có thể tự động hóa các công việc chiếm tới 60–70% thời gian làm việc của người lao động trên nhiều nhóm nghề. Lưu ý: không phải 60–70% số việc làm biến mất — mà là 60–70% thời gian có thể được chuyển sang máy. Hệ quả thực tế: cần ít người hơn để tạo ra cùng một sản lượng.

Đó là sự khác biệt về chất so với mọi làn sóng tự động hóa trước đây.

---

Ai đang bị thay thế — ở cấp độ nhiệm vụ, không chỉ chức danh

Cách thường thấy nhất để nói về rủi ro nghề nghiệp là liệt kê "những nghề dễ mất việc". Cách đó sai về mặt kỹ thuật. AI không thay thế nghề — nó thay thế nhiệm vụ cụ thể trong một nghề. Nhưng khi đủ nhiều nhiệm vụ bị thay thế, headcount giảm xuống.

Chăm sóc khách hàng tier-1

Đây là nhóm bị ảnh hưởng nhanh và rõ nhất. AI agents xử lý reset mật khẩu, theo dõi đơn hàng, câu hỏi thường gặp, hoàn tiền — tất cả ở chi phí biên gần bằng không. Klarna là ví dụ rõ nhất, nhưng không phải duy nhất. Salesforce Agentforce hiện được triển khai ở hàng nghìn công ty để xử lý tier-1 interactions mà không cần leo thang lên người.

Phần còn lại với con người: xử lý leo thang, tình huống phức tạp về cảm xúc, khách hàng giá trị cao. Đó là 30% công việc — và cần ít người hơn để làm.

Dịch thuật và nội địa hóa khối lượng lớn

Duolingo là case study kinh điển. AI dịch thuật — GPT-4, DeepL, Google Translate — đã đạt ngưỡng chất lượng chấp nhận được cho đa số mục đích thương mại. Dịch văn học, pháp lý, và thích nghi văn hóa tinh tế vẫn cần con người. Nhưng volume translation — dịch tài liệu sản phẩm, subtitle, hướng dẫn sử dụng — về cơ bản đã tự động hóa xong.

Lập trình viên junior (ở một số nhiệm vụ cụ thể)

GitHub Copilot được hơn 1,8 triệu developer sử dụng tính đến 2024, và theo nghiên cứu của GitHub, developer hoàn thành nhiệm vụ nhanh hơn 55% trung bình khi dùng công cụ này. Copilot cũng chịu trách nhiệm cho khoảng 46% code được viết trên platform trong một số đo lường.

Hệ quả: boilerplate generation, viết unit test, documentation, CRUD cơ bản — những nhiệm vụ này đã bị commodity hóa. Junior developer chủ yếu làm những việc đó chịu áp lực lớn nhất. Pipeline từ junior lên senior đang bị gián đoạn — không phải vì senior kém quan trọng hơn, mà vì bước đệm đang biến mất.

Nhập liệu và hành chính văn phòng

Xử lý tài liệu, trích xuất hóa đơn, phân loại email, điền form — tất cả đang được xử lý bởi AI agents kết hợp OCR và workflow tools (UiPath, Microsoft Power Automate). IBM đã công bố vào tháng 5/2023 rằng họ sẽ tạm dừng tuyển dụng 7.800 vị trí back-office và HR mà AI có thể thay thế trong 5 năm. Theo Reuters, đây là quyết định có chủ đích, không phải cắt giảm tạm thời.

Tạo nội dung cơ bản và copywriting

Mô tả sản phẩm, post mạng xã hội, ad copy variants, boilerplate — nhu cầu về copywriter entry-level giảm rõ. Nội dung chiến lược, brand voice, và sáng tạo cấp cao vẫn cần người — nhưng cần ít người hơn để tạo ra volume cao hơn.

Nhân viên pháp lý junior và phân tích tài chính routine

Harvey AI, Casetext (của Thomson Reuters), và LexisNexis AI đang tự động hóa review hợp đồng, nghiên cứu pháp lý, và due diligence. Các ngân hàng đầu tư lớn triển khai AI để viết báo cáo, tóm tắt kết quả kinh doanh, và phân tích portfolio — giảm 30–50% thời gian làm các công việc phân tích routine trong một số đo lường.

---

Bảng rủi ro theo nhiệm vụ

Nhóm nhiệm vụ	Mức rủi ro	Cơ chế AI thay thế
Tier-1 customer support	Rất cao	AI agents (Agentforce, GPT-4o)
Volume translation	Rất cao	GPT-4, DeepL
Nhập liệu / xử lý form	Rất cao	OCR + workflow agents
Viết boilerplate code	Cao	GitHub Copilot, CodeWhisperer
Junior legal research	Cao	Harvey AI, Casetext
Routine financial reports	Cao	AI báo cáo tự động
Entry-level copywriting	Cao	GPT-4, Claude
Strategic content	Thấp–vừa	AI hỗ trợ, không thay thế
Software architecture	Thấp	Cần judgment tổng thể
Chăm sóc khách hàng phức tạp	Thấp	Cần empathy + context

---

Ai đang được hưởng lợi

Thị trường không chỉ thu hẹp — nó đang phân hóa mạnh.

AI/ML Engineers và Researchers: Nhu cầu vượt xa nguồn cung. Mức compensation cho senior ML engineer tại các công ty Mỹ lớn đạt 300.000–600.000 USD tổng compensation năm 2024, theo dữ liệu từ Levels.fyi. Cuộc cạnh tranh giữa Anthropic, OpenAI, Google DeepMind, Meta AI, và Microsoft đang tạo ra điều kiện đặc biệt cho tầng này.

Prompt Engineers và AI Product Specialists: Vai trò gần như không tồn tại năm 2022, nay trở thành job title mainstream với mức lương 100.000–200.000+ USD tại các công ty Mỹ. Kỹ năng cốt lõi: thiết kế AI workflow, đánh giá output của model, và kết nối nhu cầu kinh doanh với AI.

Chuyên gia trong mọi lĩnh vực biết dùng AI: Đây là nhóm quan trọng nhất cho phần lớn người đọc bài này. Theo WEF Future of Jobs Report 2025, 44% kỹ năng cốt lõi của người lao động sẽ bị gián đoạn trong 5 năm tới. Và analytical thinking, creative thinking, cùng AI/big data literacy là 3 kỹ năng mà employer đánh giá sẽ tăng giá trị nhiều nhất. Luật sư dùng Harvey AI hoàn thành due diligence nhanh hơn. Developer dùng Copilot ship nhanh hơn. Pattern nhất quán: người dùng AI tốt hơn đồng nghiệp không dùng, và employer ưu tiên họ.

Data Curators và AI Trainers: Human feedback vẫn thiết yếu cho model alignment. Scale AI và các platform tương tự mở rộng mạng lưới contractor — đặc biệt là high-skill curators có thể cung cấp feedback chất lượng cho các reasoning task phức tạp.

---

"Augmentation" hay "Replacement"? Câu trả lời thật sự

Thông điệp "AI bổ trợ, không thay thế" thống trị giai đoạn 2022–2023. Đến 2025, bức tranh rõ ràng hơn và phức tạp hơn.

Nơi augmentation là thật: Công việc đòi hỏi phán đoán phức tạp và quan hệ con người thực sự được bổ trợ mà không bị thay thế. Bác sĩ với AI chẩn đoán thấy bệnh nhân nhiều hơn; nhu cầu về bác sĩ không giảm. Tương tự với kiến trúc sư, nhà nghiên cứu, và nhà trị liệu — AI nâng trần năng suất mà không thay con người.

Nơi replacement là thật: Các nhiệm vụ nhận thức routine — dịch thuật, nhập liệu, tier-1 support, sinh code chuẩn — đang bị thay thế, không phải bổ trợ. Khi Klarna AI thay thế 700 nhân viên, đó là lao động bị dịch chuyển — không phải người được bổ trợ làm việc ít hơn.

Phần giữa thực tế nhất: Hầu hết công việc chứa hỗn hợp nhiệm vụ tự động hóa được và không được. AI xử lý phần tự động hóa, thay đổi bản chất công việc và giảm headcount cần thiết. Một team customer service cần 100 người nay chỉ cần 30 — 30 người xử lý leo thang và tình huống phức tạp, trong khi AI xử lý 70% volume. Đó là replacement ở cấp workforce dù từng cá nhân còn lại được "bổ trợ".

Vấn đề về tốc độ: Dù net jobs tích cực sau 10 năm theo khung lạc quan của WEF, tốc độ chuyển đổi đang gây dịch chuyển thực sự. Người mất việc trong customer service năm 2024 không thể trở thành ML engineer vào năm 2025. Sự không khớp về kỹ năng, địa lý, và thời gian chuyển đổi là vấn đề trung tâm của thị trường lao động 2025.

---

Sai Lầm Thường Gặp

1. Đánh giá rủi ro theo chức danh thay vì nhiệm vụ

"Tôi là Data Analyst, không phải nghề rủi ro cao" — nhưng nếu 70% thời gian của bạn là viết SQL báo cáo định kỳ và tạo dashboard từ template, thì những nhiệm vụ đó đang bị tự động hóa. Đánh giá đúng: nhìn vào từng task trong ngày, không phải job title.

2. Nhầm "AI không hoàn hảo" với "AI không đủ tốt để dùng"

AI translation không đạt chuẩn văn học, nhưng đủ tốt cho 80% commercial use case. GitHub Copilot sinh code có bug, nhưng developer vẫn ship nhanh hơn 55%. Ngưỡng "đủ tốt" thấp hơn bạn nghĩ, và đủ để thay đổi headcount.

3. Chờ "AI ổn định hơn" mới học

Đây là bẫy phổ biến nhất. Theo Stack Overflow Developer Survey 2024, 76% developer đã dùng hoặc có kế hoạch dùng AI tools. Khoảng cách giữa người dùng và không dùng AI đang trở thành khoảng cách năng suất — và khoảng cách đó đang được employer đo lường.

4. Nghĩ rằng kỹ năng kỹ thuật một mình đủ

Trong giai đoạn AI phủ rộng, kỹ năng phán đoán về AI — biết khi nào tin output, khi nào không, khi nào cần verify — trở nên có giá trị hơn cả kỹ năng tạo output thủ công. Người có domain expertise + AI literacy đánh bại cả domain expert thuần túy lẫn AI enthusiast thiếu kiến thức ngành.

5. Xem "augmentation" như sự an toàn tuyệt đối

Một team được augment bằng AI vẫn có thể nhỏ hơn đáng kể so với team cũ. Augmentation ở cấp cá nhân không bảo vệ khỏi restructuring ở cấp tổ chức.

6. Bỏ qua context địa phương

Thị trường Việt Nam có đặc thù riêng: ngành BPO/outsourcing lớn, lực lượng lao động trẻ đông, và tốc độ adoption AI có thể nhanh hơn dự báo tại các công ty công nghệ và tài chính. Những phân tích về thị trường Mỹ hay châu Âu không áp dụng 1:1 — nhưng cũng không thể bỏ qua hoàn toàn.

---

Ba đến năm việc bạn có thể làm ngay

Không vague. Không "học AI". Cụ thể:

1. Kiểm tra task portfolio của bạn trong tuần này

Viết ra 10 nhiệm vụ lớn nhất trong tuần vừa rồi. Đánh dấu từng cái: "AI có thể làm độc lập không?" / "AI có thể làm với hướng dẫn của tôi không?" / "Cần tôi làm toàn bộ không?". Nếu nhóm đầu tiên chiếm hơn 50%, bạn cần chiến lược rõ ràng hơn là chờ đợi.

2. Dùng AI tool liên quan đến công việc của bạn — không phải chỉ ChatGPT chung chung

GitHub Copilot nếu bạn code. Harvey AI hoặc Casetext nếu bạn làm pháp lý. Claude hoặc GPT-4o cho phân tích và viết lách. Mục tiêu không phải "biết AI tồn tại" — mà là build muscle memory để dùng thành thạo trong workflow hàng ngày.

3. Học đánh giá output AI, không chỉ tạo ra nó

Kỹ năng quan trọng nhất không phải prompt writing — mà là biết khi nào AI sai. Luyện tập bằng cách dùng AI cho task bạn đã biết rõ, rồi phân tích lỗi nó mắc. Đây là nền tảng của AI supervision — vai trò con người cốt lõi trong môi trường AI-augmented.

4. Di chuyển lên phần khó nhất trong công việc của bạn

Bất kể AI chưa làm tốt trong lĩnh vực của bạn — top 20% task phức tạp nhất — đó là nơi đáng đầu tư. Trong customer service: quản lý khách hàng VIP và xử lý khủng hoảng. Trong pháp lý: chiến lược và lập luận trước tòa. Trong data science: xác định sai câu hỏi kinh doanh và thiết kế hệ thống. AI giỏi ở phần giữa; con người vẫn cần ở hai đầu — đặc biệt là đầu phức tạp.

5. Xây dựng kỹ năng "T-shape" với AI là thanh ngang

Domain expertise của bạn là thanh dọc — bảo tồn và đào sâu nó. AI literacy là thanh ngang — thêm vào nó. Luật sư hiểu cách dùng Harvey AI đánh giá hợp đồng có giá trị cao hơn luật sư không biết. Data analyst biết build AI pipeline có giá trị cao hơn người chỉ chạy SQL. Combination đó không bị thay thế — nó là định nghĩa mới của chuyên gia trong lĩnh vực.

---

Tóm tắt:

• Klarna (700 agents), Duolingo (10% contractor), IBM (7.800 vị trí), BT (55.000 người) — đây không phải dự báo, đây là dữ liệu đã xảy ra, được công bố bởi chính các công ty đó
• AI thay thế nhiệm vụ trước, rồi headcount sau — cách đánh giá rủi ro là xem nhiệm vụ cụ thể, không phải chức danh tổng quát
• Tier-1 support, volume translation, boilerplate coding, nhập liệu, và routine analysis là các nhóm nhiệm vụ có rủi ro cao nhất và đang thay đổi nhanh nhất
• Chuyên gia dùng AI tốt hơn đồng nghiệp không dùng đang tạo ra khoảng cách năng suất thực — và khoảng cách này đang được employer đo lường
• "Augmentation vs replacement" không phải câu hỏi nhị phân — hầu hết công việc chứa cả hai, và augmentation ở cấp cá nhân không bảo vệ khỏi restructuring ở cấp tổ chức