Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
Cách tính điểm rủi ro việc làm do AI quan trọng hơn chính con số trên tiêu đề. Dự án của Karpathy, Goldman Sachs, Quỹ Tiền tệ Quốc tế (IMF) và Anthropic đều dùng những cách định nghĩa "phơi nhiễm" khác nhau, nên tỷ lệ phần trăm của họ không thể thay thế cho nhau.
Cùng một nghề có thể nhận điểm rất khác nhau tùy vào phương pháp đứng sau, và không thước đo nào trong số này, khi đứng riêng, cho bạn biết bạn có mất việc hay không.
Tóm tắt nhanh
- Những con số "rủi ro việc làm do AI" được công bố không phải là một thước đo duy nhất. Nhiều con số bắt đầu từ mức phơi nhiễm lý thuyết dựa trên năng lực hoặc nhiệm vụ của công việc, trong khi Anthropic còn đo cả mức sử dụng AI quan sát được; các khảo sát nhà tuyển dụng như của Diễn đàn Kinh tế Thế giới lại dùng một công cụ khác hẳn.
- Thước đo lý thuyết và thước đo dựa trên sử dụng quan sát được có thể chênh lệch mạnh với cùng một nghề. Trong so sánh của Anthropic vào tháng 3 năm 2026, thước đo lý thuyết của Eloundou et al. đặt các nhiệm vụ Máy tính và Toán học ở mức phơi nhiễm 94%, trong khi thước đo phơi nhiễm quan sát được của Anthropic chỉ đạt 33%.
- Một nghiên cứu được bình duyệt năm 2025 trên PNAS Nexus đã so sánh mười hai điểm phơi nhiễm với rủi ro thất nghiệp và thấy rằng điểm đơn lẻ tốt nhất chỉ tự giải thích được 10,7% biến thiên; kết hợp cả mười hai nâng con số này lên 29,8%.
- Trước khi tin vào con số "rủi ro việc làm do AI" tiếp theo bạn thấy, câu hỏi hữu ích là phương pháp nào đã tạo ra nó, chứ không chỉ con số nói gì.
Bài viết này không đề cập đến điều gì
Bài viết này giải thích cơ chế, không đưa ra phán quyết cho bất kỳ công việc cụ thể nào, nên một vài câu hỏi liên quan nằm ngoài phạm vi:
- Bài viết không xếp hạng nghề nào an toàn nhất hay rủi ro nhất. Đó là một kiểu bài khác.
- Bài viết không phân tích xu hướng tuyển dụng hiện tại theo độ tuổi hay thâm niên; những kết quả thị trường lao động đó cần một cơ sở bằng chứng tách biệt với điểm phơi nhiễm.
- Bài viết không dự báo năng lực AI sẽ đi tới đâu. Câu hỏi về phương pháp vẫn đứng vững dù các mô hình tương lai có giỏi đến mức nào.
Cách chấm điểm phơi nhiễm lý thuyết hoạt động: O*NET, AIOE, Goldman Sachs và IMF
Chỉ số AI Occupational Exposure, gọi tắt là AIOE, đối chiếu mười nhóm ứng dụng AI với 52 năng lực nghề nghiệp trong O*NET. Một ma trận thu thập từ cộng đồng đánh giá mức liên quan giữa từng ứng dụng AI và từng năng lực của con người, rồi điểm số được gia trọng theo mức phổ biến và tầm quan trọng của các năng lực đó trong một nghề nhất định. Các nhà kinh tế Edward Felten, Manav Raj và Robert Seamans đã công bố phương pháp này trên Strategic Management Journal vào năm 2021. Nó trở thành một trong những nền tảng có ảnh hưởng cho các nỗ lực đo lường mức phơi nhiễm nghề nghiệp với AI sau này.
Điểm quan trọng về AIOE là nó đo mức phơi nhiễm, không phải mức áp dụng. Nó ước tính tiến bộ trong các ứng dụng AI chồng lấn đến đâu với những năng lực mà một nghề đòi hỏi; nó không cho biết nhà tuyển dụng có dùng AI ở đó hay không, việc áp dụng có đáng về mặt kinh tế hay không, hay việc làm có giảm hay không.
IMF đã điều chỉnh thước đo phơi nhiễm của Felten, Raj và Seamans trong một ghi chú thảo luận của nhân viên vào tháng 1 năm 2024 và ghép nó với một chỉ số bổ trợ riêng, phản ánh mức độ một nghề được che chắn khỏi sự thay thế hoàn toàn nhờ các yếu tố như phán đoán của con người, bối cảnh xã hội và sự hiện diện vật lý. Dùng khung đó, IMF ước tính gần 40% việc làm toàn cầu thuộc các nghề có mức phơi nhiễm cao, tăng lên khoảng 60% ở các nền kinh tế phát triển.
Phân tích tháng 4 năm 2026 của Goldman Sachs tiến thêm một bước tương tự: kết hợp một điểm thay thế do AI trước đó với chỉ số bổ trợ của các nhà kinh tế IMF để tách phần có khả năng bị thay thế khỏi phần được tăng cường. Goldman ước tính một lực kéo ròng khoảng 16.000 việc làm mỗi tháng lên tăng trưởng bảng lương của Mỹ trong năm vừa qua, trong khi các nghề có tiềm năng tăng cường nhờ AI thêm khoảng 9.000 việc làm mỗi tháng.
Lưu ý: Báo cáo Future of Jobs Report của Diễn đàn Kinh tế Thế giới dự báo 92 triệu việc làm bị thay thế và 170 triệu việc làm được tạo ra đến năm 2030, nhưng cách xây dựng hoàn toàn khác. Nó đến từ một khảo sát hơn 1.000 nhà tuyển dụng báo cáo những thay đổi nhân sự mà họ dự kiến: một bản tự khai của nhà tuyển dụng, không phải chấm điểm theo phân rã nhiệm vụ. Hai công cụ khác nhau về cấu trúc rốt cuộc lại được trích dẫn trong cùng một câu "X triệu việc làm".
Anthropic đo "mức phơi nhiễm quan sát được" khác ở chỗ nào
Economic Index của Anthropic, công bố lần đầu vào tháng 2 năm 2025, xuất phát từ một loại dữ liệu hoàn toàn khác: khoảng một triệu cuộc trò chuyện thật trên Claude.ai, được đưa qua một công cụ nội bộ tên Clio để ánh xạ từng cuộc trò chuyện tới một nhiệm vụ cụ thể trong chính cơ sở dữ liệu O*NET mà các điểm phân rã nhiệm vụ dựa vào, mà không cần nhà nghiên cứu đọc nội dung chat. Nếu AIOE hỏi liệu AI có thể làm một nhiệm vụ hay không, thì Index hỏi mọi người đang nhờ nó làm gì. Báo cáo đầu tiên đó chia các cuộc trò chuyện thành 57,4% tăng cường, tức Claude hỗ trợ trong khi con người vẫn điều hướng công việc, và 42,6% tự động hóa, tức Claude thực sự làm nhiệm vụ từ đầu đến cuối.
Trong báo cáo tiếp theo vào tháng 3 năm 2026, Anthropic đã biến dữ liệu sử dụng đó thành một thước đo "phơi nhiễm quan sát được" mới. Thước đo này bắt đầu từ các nhiệm vụ O*NET và các ước tính phơi nhiễm nhiệm vụ lý thuyết của Eloundou et al. (2023), rồi chỉ tính một nhiệm vụ là được bao phủ khi nó xuất hiện đủ thường xuyên trong việc sử dụng Claude liên quan đến công việc. Các lần dùng hoàn toàn tự động nhận trọng số đầy đủ, các lần dùng tăng cường nhận một nửa trọng số, và độ bao phủ nhiệm vụ được gia trọng theo tỷ lệ thời gian người lao động dành cho từng nhiệm vụ. Ở các nghề Máy tính và Toán học, thước đo β lý thuyết của Eloundou et al. đạt 94% số nhiệm vụ, trong khi thước đo phơi nhiễm quan sát được của Anthropic đạt 33%. Khoảng cách này không phải là mâu thuẫn: một bên đo tính khả thi kỹ thuật, bên kia thêm vào mức áp dụng và sử dụng quan sát được.
Không phải ai đọc báo cáo của Anthropic cũng chấp nhận so sánh này theo nghĩa đen. Phản hồi một báo cáo liên quan vào tháng 1 năm 2026, một người bình luận trên Hacker News đã viết: "Tôi mong được thấy các thước đo về năng suất kinh tế tạo ra nhờ sử dụng trí tuệ nhân tạo. Thay vào đó, thứ tôi thấy là các thước đo về việc sử dụng trí tuệ nhân tạo." Đó là một sự phân biệt đáng ghi nhớ: khối lượng sử dụng và năng suất kinh tế không phải là một, và không cái nào đồng nghĩa với mất việc.
Báo cáo tháng 1 năm 2026 đó, tức bản cập nhật về các yếu tố kinh tế cơ bản của chính Anthropic, cho thấy tỷ lệ tăng cường-tự động hóa lại dịch chuyển: tăng cường dẫn trước với 52% cuộc trò chuyện so với 45% tự động hóa, cùng một khung mới gồm năm phần theo dõi độ phức tạp nhiệm vụ, kỹ năng, mục đích sử dụng, mức tự chủ của AI và mức thành công của nhiệm vụ. Hãy xem đây là một lát cắt mới của một chỉ số đang tiến hóa, không phải sự mâu thuẫn với các con số tháng 2 năm 2025. Mô hình sử dụng thay đổi khi mọi người tìm ra những việc mới đáng để giao phó.
Một con số phơi nhiễm lý thuyết 94% và một con số phơi nhiễm quan sát được 33% có thể mô tả cùng một nhóm nghề mà không mâu thuẫn nhau, bởi chúng đo những thứ khác nhau.
Vì sao "phơi nhiễm" không giống "mất việc"
"Các chỉ báo phơi nhiễm cho thấy mức nhạy cảm về công nghệ, chứ không phải kết quả trên thị trường lao động."
Tổ chức Lao động Quốc tế, tháng 4 năm 2026
Điểm phơi nhiễm lý thuyết và điểm phơi nhiễm quan sát được đều nắm bắt điều gì đó có thật về mối quan hệ giữa một công việc và năng lực AI. Nhưng không điểm nào cho bạn biết công việc đó còn tồn tại vào năm sau hay không.
Năm 2025, Morgan Frank, Yong-Yeol Ahn và Esteban Moro đã kiểm chứng khoảng cách đó bằng dữ liệu thất nghiệp của Mỹ. Họ so sánh mười hai điểm phơi nhiễm đã công bố với rủi ro thất nghiệp hằng tháng theo nghề và theo bang, xây dựng từ hồ sơ bảo hiểm thất nghiệp của các bang. Điểm đơn lẻ tốt nhất giải thích được 10,7% biến thiên rủi ro thất nghiệp giữa các nghề, các bang và các tháng; tổ hợp mười hai điểm giải thích được 29,8%. Một mô hình nền dùng yêu cầu kỹ năng của nghề, học vấn, bang, năm và tính mùa vụ giải thích được 57,4%, và thêm tổ hợp điểm phơi nhiễm nâng con số đó lên 75,5%.
Nói thẳng, một điểm phơi nhiễm đơn lẻ là yếu tố dự báo yếu về rủi ro thất nghiệp khi đứng riêng. Phần lớn hơn nhiều của biến thiên gắn với cấu trúc thị trường lao động mà điểm số không chứa đựng, gồm yêu cầu kỹ năng nghề nghiệp, học vấn, địa lý và tính mùa vụ.
| Khía cạnh | Phơi nhiễm lý thuyết / dựa trên nhiệm vụ | Phơi nhiễm quan sát được (Anthropic) |
|---|---|---|
| Đo lường điều gì | AI có thể ảnh hưởng hoặc đẩy nhanh bao nhiêu phần của một công việc | Những nhiệm vụ khả thi về lý thuyết nào xuất hiện trong việc sử dụng Claude liên quan đến công việc |
| Ai dùng | Được dùng trong nhiều khung phơi nhiễm học thuật và của các tổ chức | Anthropic, cho việc sử dụng Claude.ai của chính họ |
| Nguồn dữ liệu | Các thành phần công việc từ O*NET cộng với đánh giá năng lực AI riêng của từng phương pháp | Việc sử dụng Claude cộng với các nhiệm vụ O*NET và tính khả thi lý thuyết |
| Nắm bắt tốt điều gì | Năng lực AI có thể ảnh hưởng đến công việc ở đâu | Mức áp dụng quan sát được và cách công việc được giao cho Claude |
| Bỏ sót điều gì | Nhu cầu, chi phí, quy định, và liệu có ai bận tâm làm hay không | Việc sử dụng ngoài Claude; chỉ phản ánh người dùng của một sản phẩm |
| Con số ví dụ | Máy tính & Toán học: 94% lý thuyết (Eloundou et al.) | Máy tính & Toán học: 33% quan sát được |
Khung AI Jobs Transition Framework của OpenAI vào tháng 4 năm 2026 nêu cùng một luận điểm từ một góc khác. Thay vì coi mức phơi nhiễm kỹ thuật là dự báo về thay thế, nó đặt ba câu hỏi: AI có thể thực hiện một phần đáng kể nhiệm vụ của một nghề không, con người có còn giữ vai trò trung tâm trong việc thực hiện hoặc giám sát công việc không, và chi phí thấp hơn có thể làm nhu cầu tăng đủ để hấp thụ mức tăng năng suất không? Áp dụng cho 921 nghề bao phủ khoảng 148 triệu việc làm tại Mỹ, khung này xếp khoảng 18% việc làm vào nhóm rủi ro tự động hóa cao hơn, 24% vào các công việc có khả năng được tái tổ chức, 12% vào các công việc có thể tăng trưởng cùng AI, và 46% vào các công việc dự kiến ít thay đổi trước mắt.
Trong nghiên cứu PNAS Nexus, điểm phơi nhiễm đơn lẻ mạnh nhất chỉ tự giải thích được 10,7% biến thiên rủi ro thất nghiệp.
Vậy nên khi con số "rủi ro việc làm do AI" tiếp theo lướt qua bảng tin của bạn, việc hữu ích là tìm xem phương pháp nào trong số này đã tạo ra nó trước khi quyết định có nên lo lắng. Điểm phơi nhiễm lý thuyết cho bạn biết năng lực AI chồng lấn với các thành phần của một công việc ở đâu. Điểm phơi nhiễm quan sát được bổ sung bằng chứng về nơi mọi người đã thực sự dùng AI trong thực tế. Không điểm nào, khi đứng riêng, cho bạn biết việc làm trong nghề đó sẽ tăng hay giảm; điều đó cần bằng chứng từ thị trường lao động về tuyển dụng, nhu cầu, tiền lương và số lượng nhân sự.
Câu hỏi thường gặp
Mức phơi nhiễm AI của công việc có đồng nghĩa với mất việc không?
Không. Phơi nhiễm lý thuyết mô tả năng lực AI chồng lấn với công việc của một nghề ở đâu, còn phơi nhiễm quan sát được bổ sung bằng chứng về nơi AI đang được dùng trong thực tế. Cả hai đều không phải thước đo trực tiếp về mất việc. Một nghiên cứu được bình duyệt năm 2025 đã kiểm chứng trực tiếp điều này bằng cách đối chiếu mười hai điểm phơi nhiễm với dữ liệu yêu cầu bảo hiểm thất nghiệp thực tế của Mỹ: điểm đơn lẻ tốt nhất chỉ tự giải thích được 10,7% biến thiên rủi ro thất nghiệp.
Rủi ro việc làm do AI thực sự được tính như thế nào?
Có nhiều phương pháp đứng sau những con số được gắn nhãn "rủi ro việc làm do AI". Các phương pháp phơi nhiễm lý thuyết phân rã nghề thành các năng lực hoặc nhiệm vụ O*NET rồi chấm điểm mức chồng lấn của năng lực AI với chúng; cách chấm cụ thể khác nhau tùy nghiên cứu. Cách tiếp cận phơi nhiễm quan sát được của Anthropic kết hợp tính khả thi lý thuyết của nhiệm vụ với việc sử dụng Claude thực tế, bối cảnh công việc và mức độ tự động hóa. Các con số thu được khác nhau vì chúng đo những giai đoạn khác nhau giữa khả năng kỹ thuật và mức áp dụng trong thực tế.
Vì sao các bảng xếp hạng rủi ro việc làm do AI lại bất đồng về cùng một công việc?
Một phần vì chúng được xây trên các phương pháp khác nhau về cấu trúc (phân rã nhiệm vụ, khảo sát nhà tuyển dụng và sử dụng quan sát được trả lời những câu hỏi khác nhau), và một phần vì ngay cả một phương pháp cũng thay đổi theo thời gian. Chính Economic Index của Anthropic đặt mức tăng cường ở 57,4% cuộc trò chuyện Claude vào tháng 2 năm 2025 và ở 52% trong báo cáo tháng 1 năm 2026, với tự động hóa dịch chuyển tương ứng. Một lát cắt tại một thời điểm không phải là quy luật cố định.
Điểm phơi nhiễm AI cao có nghĩa là công việc của tôi đang biến mất?
Tự nó thì không. Andrej Karpathy, người đã gỡ dự án phơi nhiễm AI lan truyền của chính mình vào tháng 3 năm 2026, đã viết thẳng vào README của dự án rằng các điểm số là "ước tính thô từ LLM... không phải dự đoán nghiêm ngặt" và rằng các công việc có mức phơi nhiễm cao thường sẽ "được định hình lại, chứ không bị thay thế". So sánh của Anthropic làm rõ sự khác biệt: ở lĩnh vực Máy tính và Toán học, thước đo lý thuyết của Eloundou et al. đạt 94%, trong khi thước đo phơi nhiễm quan sát được của Anthropic đạt 33%. Một con số cao trên thang năng lực không đồng nghĩa với việc công việc bị chiếm mất.
Thảo luận
Bình luận
Đăng nhập để tham gia thảo luận.