Nguyên tác: Three way to think about AI and jobs
Tác giả: Roge Karma
Chuyển ngữ: PHAN THỊ SÓNG BIỂN
Năm 2016, chuyên gia tiên phong về AI – Geoffrey Hinton – từng khẳng định: “Đừng đào tạo bác sĩ chẩn đoán hình ảnh nữa, vì chỉ năm năm nữa thôi, AI sẽ làm việc này giỏi hơn con người.” Geoffrey Hinton chỉ đúng một nửa.
Ngày nay, FDA đã phê duyệt hơn 1.000 công cụ AI trong lĩnh vực chẩn đoán hình ảnh, một vài trong số đó có khả năng phân tích hình ảnh y tế để phát hiện chấn thương hoặc bệnh tật với độ chính xác cao hơn cả các chuyên gia là con người. Tuy nhiên, các bác sĩ chẩn đoán hình ảnh — những bác sĩ thực thụ bằng xương bằng thịt — lại đang được săn đón hơn bao giờ hết. Kể từ năm 2016, số lượng bác sĩ chẩn đoán hình ảnh đã tăng 17%, tỷ lệ trống vị trí công việc trong lĩnh vực này đang ở mức cao kỷ lục, và mức lương trung bình đã tăng từ khoảng 350.000 USD lên 570.000 USD, biến chẩn đoán hình ảnh trở thành chuyên khoa y tế được trả lương cao thứ ba tại Hoa Kỳ.
Nhiều người hiện nay lo sợ rằng AI sẽ khiến một số lớn các ngành trở nên lỗi thời. Năm ngoái, giám đốc điều hành của Anthropic là Dario Amodei đã khẳng định rằng AI sẽ sớm “xóa sổ một nửa số công việc văn phòng cấp thấp.” Nhưng câu chuyện về các bác sĩ chẩn đoán hình ảnh cho thấy việc dự đoán liệu AI có thay thế một nghề nghiệp cụ thể nào đó hay không lại không hề đơn giản.
Việc trả lời ba câu hỏi dưới đây có thể giúp bạn xác định xem một công việc thực sự đang đứng trước nguy cơ bị đe dọa đến mức nào.
Việc của bạn là một gói nhiệm vụ lỏng lẻo hay chặt chẽ
Trước hết, theo Luis Garicano, một nhà kinh tế học và là đồng tác giả của cuốn sách sắp xuất bản có tên “Messy jobs” (tạm dịch: Những công việc phức tạp,) hầu hết các công việc văn phòng đều kết hợp hai kiểu làm việc rất khác nhau.
Những nhiệm vụ “gọn gàng” bao gồm các vấn đề có thể dự đoán trước, các tiêu chuẩn thành công khách quan, nhiều dữ liệu bằng văn bản và ít tương tác giữa người với người (hãy nghĩ đến việc phê duyệt một báo cáo chi phí hoặc cập nhật một bảng tính). Đây là những công việc mà các hệ thống AI dễ dàng thực hiện nhất.
Tuy nhiên, những nhiệm vụ “phức tạp” lại bao gồm việc đối mặt với các tình huống khó dự đoán, đáp ứng các thước đo thành công mang tính chủ quan, hành động dựa trên kiến thức ngầm định và giải quyết những mối quan hệ con người đầy rắc rối (hãy nghĩ đến việc chọn một logo mới cho công ty, xoa dịu một khách hàng đang giận dữ, hoặc quản lý một đội ngũ). AI chưa giỏi trong các loại nhiệm vụ này, ít nhất là cho đến bây giờ. Điều này có nghĩa là việc một công việc bị AI thay thế phụ thuộc một phần vào việc các nhiệm vụ “gọn gàng” có thể được tách rời khỏi các nhiệm vụ “phức tạp” dễ dàng đến mức nào.
Một luật sư tranh tụng làm công việc mà Garicano và các cộng sự gọi là một “nhiệm vụ chặt chẽ,” trong đó các trách nhiệm khác nhau gắn kết chặt chẽ đến mức nếu giao bớt một phần công việc trong số đó cho AI thì thực tế lại phản tác dụng. Cô ấy có thể dành phần lớn thời gian cho những nhiệm vụ tương đối “gọn gàng” cần thiết để chuẩn bị cho một phiên tòa cụ thể—đọc các án lệ liên quan, nghiên cứu các tình tiết của vụ án, soạn thảo lập luận mở đầu—và dành ít thời gian hơn nhiều cho những nhiệm vụ “phức tạp” liên quan đến việc xuất hiện tại tòa. Trên lý thuyết, phần lớn công việc chuẩn bị cho phiên tòa đó có thể được giao cho một mô hình ngôn ngữ lớn (LLM) của AI.
Nhưng trên thực tế, làm như vậy sẽ là một sai lầm lớn. Trong một phiên tòa, luật sư không thể chỉ đọc từ một kịch bản do AI tạo ra. Cô ấy phải đối chất với nhân chứng, trả lời các câu hỏi từ thẩm phán, phản hồi lại các luận điểm của luật sư đối phương và điều chỉnh chiến lược của mình dựa trên những tình huống liên tục thay đổi. Tất cả những điều này đòi hỏi cô ấy phải có sự hiểu biết thấu đáo về các tình tiết của vụ án, kiến thức về các tiền lệ pháp lý liên quan và sự quen thuộc với các phản luận có thể xảy ra. Để thực hiện tốt phần công việc “phức tạp” của mình, luật sư cần phải tự mình làm phần lớn các công việc “gọn gàng” trước đó.
Những công việc khác là các “gói nhiệm vụ lỏng lẻo.” Một người bạn của tôi làm công việc tuyển dụng cho một công ty nhân sự lớn trước đây từng dành phần lớn thời gian trong ngày để lọc hồ sơ. Bây giờ AI có thể dễ dàng làm việc đó thay cho anh ấy. Vì vậy, thay vào đó, anh dành nhiều thời gian hơn để tìm các ứng viên tiềm năng, trò chuyện với các quản lý tuyển dụng, phỏng vấn ứng viên và thương thảo về các lời mời làm việc. Việc anh ấy không còn phải đọc từng bản hồ sơ một không ảnh hưởng đến khả năng thực hiện phần còn lại của công việc. Tương tự, việc giao những công việc cơ bản như viết mã cho AI không ảnh hưởng đến khả năng thực hiện các tác vụ thiết kế và kỹ thuật phức tạp hơn của một lập trình viên phần mềm dày dạn kinh nghiệm.
Nếu AI làm cho một người tuyển dụng hoặc một lập trình viên phần mềm làm việc hiệu quả hơn, liệu điều đó có nghĩa là thế giới sẽ sớm cần ít người làm những công việc này hơn không? Không nhất thiết. Điều gì thực sự xảy ra với các công việc “gói lỏng lẻo” phụ thuộc vào việc phần còn lại của nền kinh tế phản ứng như thế nào. Trong một số trường hợp, một công việc đã được tự động hóa phần lớn có thể, hơi trái ngược với suy nghĩ thông thường, lại đạt được mức độ tuyển dụng cao hơn chính vì nó đã được tự động hóa. Liệu điều này có xảy ra hay không phụ thuộc vào câu trả lời cho câu hỏi tiếp theo.
Nếu giá thành của sản phẩm rẻ hơn, liệu sẽ người dùng có tăng?
Khi những chiếc ô tô đầu tiên được sản xuất vào thập niên 1890, mỗi chiếc xe đều phải được lắp ráp bằng tay bởi một nhóm lớn công nhân. Sau đó, vào năm 1913, Henry Ford giới thiệu dây chuyền lắp ráp, thứ có thể cho ra đời nhiều xe hơn với ít sức người hơn nhiều. Việc tự động hóa một phần khâu lắp ráp ô tô không làm cho việc làm trong ngành này sụp đổ; trái lại, điều ngược lại đã xảy ra. Với việc cần ít công nhân hơn để sản xuất mỗi chiếc xe, các nhà máy có thể chế tạo và bán chúng với giá rẻ hơn nhiều. Giá thấp hơn đồng nghĩa với việc nhiều người tiêu dùng có thể mua được ô tô hơn. Các nhà sản xuất ô tô đã phải thuê thêm nhiều công nhân hơn để đáp ứng nhu cầu tăng vọt. Số lượng công nhân trong ngành công nghiệp ô tô tại Mỹ đã tăng gần gấp đôi trong vòng 35 năm.
Những chuyện tương tự cũng xảy ra với công nhân ngành dệt may Hoa Kỳ sau khi máy dệt cơ khí được đưa vào sử dụng năm 1814, với các giao dịch viên ngân hàng sau khi máy ATM xuất hiện năm 1969, và với các kế toán viên sau khi bảng tính ra đời năm 1979. Trong mỗi trường hợp, một công nghệ thay thế sức lao động mới dường như sẵn sàng xóa sổ một nghề nghiệp hiện có — chữ ATM thực chất là viết tắt của “máy giao dịch tự động” — nhưng thay vào đó, nó lại thúc đẩy sự phát triển mạnh mẽ của nghề nghiệp đó, bởi vì chi phí thấp hơn đã dẫn đến việc nhu cầu tăng cao. Hiện tượng này được gọi là nghịch lý Jevons, được đặt theo tên của William Stanley Jevons, một nhà kinh tế học người Anh thế kỷ 19, người đã dự đoán chính xác rằng việc sử dụng than hiệu quả hơn nhờ động cơ hơi nước sẽ, một cách trái ngược với suy nghĩ thông thường, khiến nhu cầu về than tăng lên.
Những bằng chứng ban đầu về nghịch lý Jevons với AI đang ở khắp mọi nơi. Số lượng tin tuyển dụng cho vị trí nhân viên tuyển dụng đã tăng 30% từ năm 2023 đến 2025; đối với kỹ sư phần mềm, con số đó đã tăng gấp đôi. Ngay cả khi ngày càng có nhiều công ty sử dụng AI để giải quyết các yêu cầu dịch vụ khách hàng, số lượng nhân viên tổng đài vẫn đang tăng nhanh. “Không khó để hình dung điều này xảy ra với các dịch vụ tài chính, dịch vụ pháp lý, và chăm sóc sức khỏe,” Torsten Slok, chuyên gia kinh tế trưởng tại công ty quản lý tài sản Apollo, chia sẻ với tôi. “Khi AI làm cho các dịch vụ này rẻ hơn, mọi người sẽ muốn sử dụng chúng nhiều hơn. Và điều đó có nghĩa là việc làm trong các lĩnh vực đó sẽ phát triển.”
Tuy nhiên, việc tăng hiệu quả không phải lúc nào cũng dẫn đến nhu cầu cao hơn. Tỷ lệ thu nhập mà người tiêu dùng chi trả cho thực phẩm đã giảm khoảng 70% kể từ đầu thế kỷ 20 nhờ vào việc cơ giới hóa nông nghiệp. Nhưng ngày nay, chỉ có khoảng 1% người Mỹ làm việc trong lĩnh vực nông nghiệp so với khoảng 40% vào thời kỳ đó. Người ta cũng chỉ có thể ăn một lượng thức ăn nhất định.
Đối với những công việc mà tự động hóa không kích thích nhu cầu tăng thêm, rủi ro bị thay thế sẽ cao hơn. Nhưng tác động của AI đối với những công việc đó sẽ còn phụ thuộc vào một yếu tố khác: chuyên môn.
AI là chuyên gia, hay bạn mới là chuyên gia?
Khi các doanh nghiệp Mỹ bắt đầu chuyên nghiệp hóa trong giai đoạn cuối thế kỷ 19 và đầu thế kỷ 20, các công ty bắt đầu thuê nhân viên kế toán để giữ cho sổ sách tài chính được ngăn nắp và nhân viên kiểm kê để theo dõi hàng hóa. Cho đến thập niên 1980, người lao động ở những vị trí này dành cả ngày cho những công việc rất giống nhau, như ghi chép giao dịch, sao chép thông tin và làm toán. Sau đó, máy tính xuất hiện với khả năng tự động hóa phần lớn công việc đó. Sự thay đổi này đã tác động đến hai ngành theo những cách hoàn toàn khác nhau. Từ năm 1980 đến 2018, số lượng nhân viên kiểm kê tăng gần gấp ba, nhưng lương trung bình của họ lại giảm 13%; trong khi đó, số lượng nhân viên kế toán giảm đi một phần ba, nhưng những người còn trụ lại thì lại thấy mức lương trung bình tăng tới 40%.
Theo các nhà kinh tế học David Autor và Neil Thompson tại MIT, sự khác biệt giữa hai nghề này nằm ở sự tương tác giữa công nghệ và chuyên môn. Đối với nhân viên kế toán, máy tính đã thay thế nhiều kỹ năng cần ít chuyên môn nhất của họ; những giờ phút họ từng dành để ghi chép giao dịch và thực hiện các tính toán thủ công giờ đây có thể được dành cho những công việc phức tạp hơn, như giải thích lý do vì sao một bộ phận vượt ngân sách và tìm ra nguồn gốc của các sai lệch giữa tài khoản ngân hàng và sổ sách của công ty.
Điều này đã biến công việc của nhân viên kế toán từ một công việc thuộc tầng lớp trung lưu trở thành một nghề chuyên môn hóa hơn và ít người làm hơn. Ngược lại, với nhân viên kiểm kê, máy tính đã thay thế bộ kỹ năng chuyên môn cao nhất của họ — đó là kiến thức bách khoa về hàng hóa trong kho — khiến họ chỉ còn làm những công việc cơ bản hơn như quét mã hàng và xếp lại hàng lên kệ. Điều này đã biến vai trò của nhân viên kiểm kê từ một nghề thuộc tầng lớp trung lưu có thu nhập tốt thành một công việc lương thấp hơn với nguồn cung ứng lao động tiềm năng lớn hơn nhiều.
Trong một bài báo gần đây, Autor và Thompson nhận thấy mô hình cơ bản này đã lặp lại ở hơn 300 ngành trong bốn thập niên qua. “Câu chuyện hầu như không bao giờ đơn giản kiểu như: Chúng ta đang chạy đua với máy móc và máy móc sẽ thắng,” Autor nói với tôi. “Điều quan trọng với một ngành cụ thể là liệu công nghệ đó giúp nâng cao chuyên môn của người lao động hay biến chuyên môn đó thành một thứ kỹ năng phổ thông.”
Việc áp dụng khung phân tích này trong thời đại AI không hề đơn giản, một phần không nhỏ là do còn quá sớm để biết chính xác các hệ thống AI này cuối cùng sẽ trở nên chuyên gia đến mức nào. Theo dữ liệu từ ZipRecruiter, tỷ lệ đăng tuyển dụng cho các vị trí cấp cao trong ngành công nghệ đã tăng đáng kể trong năm qua, trong khi tỷ lệ đăng tuyển dụng cho cấp độ mới vào nghề lại giảm nhẹ.
Tuy nhiên, Autor tin rằng chuyển động này có thể dễ dàng thay đổi khi các hệ thống AI ngày càng giỏi hơn trong việc thực hiện kiểu “phán đoán chuyên gia” mà trước đây chỉ những chuyên gia con người mới làm được. Ông chỉ ra một công cụ “trợ lý thợ điện” đang được Schneider Electric thí điểm, cho phép một thợ điện bình thường chỉ đượd huấn luyện cơ bản có thể khắc phục các tình trạng phức tạp vốn trước đây đòi hỏi cả một đội ngũ kỹ sư có bằng cao học. “Tôi nghĩ chúng ta sẽ bắt đầu thấy ngày càng nhiều trường hợp như thế này, nơi AI hóa ra lại là công cụ san bằng trình độ chuyên môn,” Autor nói.
Nhìn chung, những câu hỏi khác nhau này giúp giải mã bài toán về ngành chẩn đoán hình ảnh. Chẩn đoán hình ảnh là một gói nhiệm vụ chặt chẽ: Nó kết hợp các nhiệm vụ gọn gàng, như đọc và giải mã phim chụp, với các nhiệm vụ phức tạp, như trò chuyện với bệnh nhân, giám sát các kỳ kiểm tra hình ảnh, giải thích kết quả và đưa ra khuyến nghị cho các bác sĩ lâm sàng.
Những trách nhiệm này phụ thuộc rất nhiều vào nhau: Việc giải mã phim chụp một cách chính xác sẽ rất khó nếu thiếu kiến thức sâu sắc về bệnh sử, triệu chứng và sức khỏe tổng quát của bệnh nhân, vốn thường chỉ có thể thu thập được bằng cách tương tác với bệnh nhân hoặc bác sĩ giới thiệu họ. Trong chừng mực mà các công cụ AI đã tự động hóa một phần công việc, thì những nhiệm vụ còn lại của các bác sĩ chẩn đoán hình ảnh vẫn đòi hỏi trình độ đào tạo chính quy và kiến thức chuyên môn cao. Và, khi giá của các ca chụp đã giảm đáng kể trong hai thập niên qua, các bác sĩ lâm sàng đã phản ứng bằng cách chỉ định chụp nhiều hơn hẳn, làm tăng nhu cầu đối với nhiều bác sĩ chẩn đoán hình ảnh hơn nữa, điều đó có nghĩa là nghịch lý Jevons vẫn đang áp dụng.
Tất nhiên, khi nhìn lại quá khứ thì việc đánh giá tất cả những điều này trở nên dễ dàng hơn nhiều. Khi tôi thử áp dụng khung phân tích này vào chính công việc của mình với tư cách là cây bút của tờ The Atlantic, câu trả lời lại bất định hơn.
Nghịch lý Jevons dường như không áp dụng cho ngành báo chí: Trong vài thập niên qua, lệ phí ghi danh để đọc báo (online) hay mua báo dài hạn đã giảm đáng kể nếu tính theo tỷ lệ lạm phát, nhưng số lượng độc giả cũng đã sụt giảm nghiêm trọng. Và thật khó để nói khía cạnh nào trong công việc của tôi đòi hỏi nhiều chuyên môn hơn: thực hiện nghiên cứu sâu — điều mà AI có thể làm khá tốt — hay viết một bản thảo đầu tiên thật hay — điều mà AI, ít nhất là vào thời điểm hiện tại, không thể làm được.
Tin vui cho tôi là công việc làm báo của tôi có vẻ là một gói nhiệm vụ chặt chẽ. It kết hợp các nhiệm vụ gọn gàng như đọc và nghiên cứu, với các nhiệm vụ phức tạp như phỏng vấn các chuyên gia, thảo luận ý tưởng với biên tập viên và viết một bản thảo hoàn chỉnh. Hai phần của công việc này không thể tách rời một cách rành mạch được. Về mặt kỹ thuật, tôi có thể yêu cầu AI rà soát các bản ghi âm cuộc gọi của mình để tìm ra những thông tin quan trọng, tóm tắt các khám phá từ một tài liệu hoặc cuốn sách, hoặc nghĩ ra các câu hỏi để hỏi chuyên gia, nhưng tôi nhận thấy rằng mình cần phải tự mình thực hiện những nhiệm vụ đó nếu muốn viết và phỏng vấn thật tốt. Điều đó sẽ khiến công việc của tôi trở nên khó bị tự động hóa.
Tôi hy vọng thế. Nếu có một bài học từ lịch sử công nghệ, thì đó là những thay đổi này rất khó dự đoán. Ai cũng thích chỉ ra rằng số nhân viên giao dịch của ngân hàng đã tăng trong nhiều thập niên sau khi máy ATM được phát minh. Nhưng ngày nay, nghề giao dịch viên ngân hàng thực sự đang chết dần. Nó không bị giết chết bởi phát minh vốn được dự định để thay thế nó, mà bởi một thứ không ai ngờ tới: chiếc iPhone. Khi nó được phát minh, không ai dự đoán được rằng thiết bị mới này cuối cùng sẽ biến đổi cách cả thế giới thực hiện những giao dịch ngân hàng. Một số hệ quả kịch tính nhất của cuộc cách mạng AI chắc chắn cũng sẽ gây ngạc nhiên như thế.
Rogé Karma là cây bút trong ban biên tập của tờ The Atlantic
Cùng một tác giả: https://www.toiyeutiengnuoctoi.com/category/tac-gia/a-to-h/phan-thi-song-bien/
