Câu hỏi “AI có lấy mất việc của tôi không?” nghe rất trực diện, nhưng chưa phải là cách hỏi hữu ích nhất. Cách hỏi sát với dữ liệu năm 2025 hơn là: trong công việc của tôi, nhiệm vụ nào sẽ bị AI viết lại trước?
Diễn đàn Kinh tế Thế giới, thường được biết đến với tên tiếng Anh World Economic Forum hay WEF, cho biết đến năm 2030 có thể xuất hiện khoảng 78 triệu cơ hội việc làm mới, đồng thời nhấn mạnh lực lượng lao động cần nâng cấp kỹ năng khẩn cấp.[10] Trong khi đó, bản cập nhật năm 2025 của Tổ chức Lao động Quốc tế, tức ILO, đánh giá tác động của AI tạo sinh bằng cách kết hợp dữ liệu ở cấp nhiệm vụ, ý kiến chuyên gia và dự báo của AI để phân tích mức độ “phơi nhiễm” của từng nghề trước công nghệ này.[
5]
Nói ngắn gọn: câu trả lời không phải là “có” hoặc “không”. Với phần lớn người đi làm, chiến lược thực tế hơn là nhận diện các phần việc lặp lại, có khuôn mẫu, tạo ra văn bản hoặc bảng biểu; sau đó học cách dùng AI, dữ liệu và tự động hóa để làm tốt hơn. Phần con người vẫn nằm ở phán đoán, giao tiếp, lựa chọn ưu tiên và chịu trách nhiệm cuối cùng.
Ba tín hiệu việc làm đáng chú ý trong năm 2025
1. Nhu cầu về công nghệ, dữ liệu và fintech tăng rõ
Theo WEF, ba nhóm nghề tăng nhanh nhất nếu tính theo tỷ lệ phần trăm là chuyên gia dữ liệu lớn, kỹ sư công nghệ tài chính và chuyên gia AI/máy học.[9] Bản tổng hợp của ARISA về báo cáo WEF cũng nêu các hướng có nhu cầu rõ gồm Big Data, Fintech, AI and Machine Learning, Software and Application Development; ở phía kỹ năng, AI and Big Data nổi bật nhất, tiếp sau là Networks and Cybersecurity và general technological literacy.[
3]
Điều này không có nghĩa ai cũng phải chuyển nghề thành kỹ sư. Nhưng nó cho thấy gần như mọi chức năng — từ vận hành, bán hàng, tài chính, nội dung đến chăm sóc khách hàng — đều sẽ cần hiểu hơn về AI, dữ liệu và quy trình số.
2. Cơ hội không chỉ dành cho kỹ sư
WEF cũng cho biết đến năm 2030, các vai trò tuyến đầu và những ngành dịch vụ thiết yếu như chăm sóc và giáo dục được dự báo nằm trong nhóm có tăng trưởng việc làm cao nhất.[10] Vì vậy, lựa chọn nghề nghiệp không chỉ còn một con đường là “học AI để làm kỹ sư AI”.
Một hướng phổ biến hơn là tiếp tục ở lĩnh vực bạn đã có kinh nghiệm — giáo dục, chăm sóc, dịch vụ, hành chính, marketing, tài chính, vận hành — nhưng trở thành người biết dùng AI và công cụ số tốt hơn trong chính chuyên môn đó.
3. Rủi ro nên nhìn theo nhiệm vụ, không chỉ theo chức danh
Điểm quan trọng trong cập nhật 2025 của ILO là cách tiếp cận ở cấp nhiệm vụ: cùng một chức danh có thể bao gồm cả phần dễ được AI hỗ trợ, như tóm tắt, phân loại, soạn nháp, lập bảng; lẫn phần vẫn cần con người chịu trách nhiệm, như hiểu bối cảnh, xử lý quan hệ, đánh giá rủi ro và ra quyết định.[5]
WEF cũng cho rằng AI và các thay đổi công nghệ khác đang tái định hình thị trường, làm tăng nhu cầu với nhiều vai trò công nghệ hoặc chuyên môn, đồng thời có thể khiến một số vai trò suy giảm, ví dụ graphic designers.[10] Điều này không có nghĩa mọi công việc thiết kế sẽ biến mất. Nó nhắc rằng các công việc phụ thuộc quá nhiều vào sản phẩm chuẩn hóa cần nâng cấp lên phần chiến lược, thương hiệu, hiểu bối cảnh và kiểm soát chất lượng.
Tự kiểm tra: phần việc nào của bạn dễ bị AI thay đổi trước?
Bảng dưới đây không phải công cụ dự báo chính xác. Nó là cách chuyển tư duy “nhìn theo nhiệm vụ” của ILO thành một danh sách tự đánh giá cá nhân.[5]
| Kiểu nhiệm vụ | Dấu hiệu thường gặp | Nên ưu tiên học gì |
|---|---|---|
| Lặp lại nhiều, định dạng cố định, có thể viết thành quy trình | Dễ thử nghiệm AI hỗ trợ hoặc tự động hóa | Công cụ AI, thiết kế SOP, kiểm tra chất lượng, tự động hóa quy trình |
| Xử lý nhiều văn bản, bảng tính, tóm tắt, báo cáo, câu trả lời mẫu | AI có thể tăng tốc đầu ra, nhưng vẫn cần người rà soát | Viết prompt, làm sạch dữ liệu, kiểm chứng đầu ra, tự động hóa tài liệu |
| Phối hợp liên phòng ban, trao đổi với khách hàng, cân nhắc đánh đổi | AI hỗ trợ chuẩn bị thông tin, nhưng quyết định cuối vẫn ở con người | Phân tích vấn đề, viết nghiệp vụ, phân tích có AI hỗ trợ, khung ra quyết định |
| Giá trị đến từ chuyên môn ngành và hiểu bối cảnh | Không nhất thiết phải đổi nghề, nhưng cần đưa AI vào quy trình | Đào sâu chuyên môn, hiểu biết công nghệ, chuẩn hóa cách bàn giao kết quả |
5 nhóm kỹ năng nên học trước
1. Nền tảng AI và máy học
Chuyên gia AI và máy học nằm trong nhóm nghề tăng nhanh nhất theo tỷ lệ phần trăm mà WEF nêu ra.[9] Tuy vậy, với đa số người không làm kỹ thuật, bước đầu tiên không phải là tự huấn luyện mô hình.
Điều cần học trước là AI có thể làm gì, không nên giao cho AI việc gì, khi nào phải kiểm chứng thủ công, và cách đưa AI vào các tác vụ như nghiên cứu, tóm tắt, soạn nháp, phân loại dữ liệu hoặc phân tích ban đầu.
Mục tiêu thực dụng không phải là thuộc nhiều thuật ngữ. Mục tiêu là có một quy trình ổn định: đầu vào rõ, đầu ra có định dạng, tiêu chuẩn kiểm tra cụ thể và hiểu dữ liệu nào không nên đưa bừa vào công cụ bên ngoài.
2. Phân tích dữ liệu và Big Data
Chuyên gia dữ liệu lớn cũng nằm trong nhóm nghề tăng nhanh nhất theo WEF.[9] ARISA, khi tổng hợp báo cáo WEF, cũng nhấn mạnh AI and Big Data là một trong những cụm kỹ năng nổi bật nhất.[
3]
Nếu chỉ có thể chọn một kỹ năng cứng để bắt đầu, bạn có thể chọn phân tích bảng tính nâng cao, SQL, trực quan hóa dữ liệu hoặc Python cơ bản. Không cần biến danh sách công cụ thành cuộc đua sưu tầm chứng chỉ. Điều quan trọng hơn là biết biến dữ liệu thành bằng chứng có thể kiểm tra, giải thích và dùng để ra quyết định.
3. Phát triển phần mềm, ứng dụng và tư duy tự động hóa
Bản tổng hợp của ARISA nêu Software and Application Development là một trong các hướng chuyên môn có nhu cầu rõ.[3] Ngay cả khi bạn không định trở thành lập trình viên toàn thời gian, việc hiểu luồng sản phẩm, luồng dữ liệu, API, script hoặc công cụ low-code/no-code vẫn rất đáng giá.
AI tạo ra giá trị lớn nhất không chỉ khi nó viết giúp bạn một đoạn văn. Giá trị bền hơn xuất hiện khi AI được nối vào một quy trình có thể lặp lại, theo dõi, kiểm soát và bảo trì. Biết một chút về phát triển phần mềm và tự động hóa giúp bạn biến ý tưởng thành hệ thống làm việc thật.
4. Mạng và an ninh mạng cơ bản
Theo ARISA, Networks and Cybersecurity là nhóm kỹ năng quan trọng tiếp sau AI and Big Data trong báo cáo WEF.[3] Khi quy trình làm việc ngày càng số hóa, an toàn thông tin không còn là chuyện riêng của phòng IT.
Người làm ở nhiều bộ phận khác nhau ít nhất nên hiểu quản lý quyền truy cập, dữ liệu nào được phép tải lên công cụ, thông tin nhạy cảm cần xử lý ra sao, và đầu ra của AI phải được lưu vết như thế nào. Biết dùng công cụ là lớp đầu tiên; biết dùng công cụ một cách an toàn mới là năng lực dài hạn.
5. Hiểu biết công nghệ nói chung
ARISA cũng liệt kê general technological literacy là một hướng kỹ năng quan trọng.[3] Đây là năng lực mà người không làm kỹ thuật rất dễ xem nhẹ. Bạn không nhất thiết phải viết nhiều mã, nhưng cần hiểu công cụ kết nối với nhau thế nào, dữ liệu đến từ đâu, đầu ra được kiểm chứng ra sao và khi nào cần gọi chuyên gia.
Hiểu biết công nghệ quyết định việc bạn có thể phối hợp hiệu quả với đội kỹ thuật, dữ liệu, sản phẩm và an ninh mạng hay không. Nó cũng là nền móng để đưa AI từ mức “thử công cụ cho vui” sang “cải thiện kết quả công việc”.
Nếu đang ở các vai trò khác nhau, nên ưu tiên gì?
| Vai trò hiện tại | Nên học trước |
|---|---|
| Hành chính, vận hành, chăm sóc khách hàng, điều phối dự án | Xử lý tài liệu bằng AI, tóm tắt cuộc họp, làm sạch dữ liệu, xây SOP, tự động hóa quy trình |
| Marketing, nội dung, thiết kế | AI hỗ trợ nghiên cứu và soạn nháp, tư duy thương hiệu, kiểm soát chất lượng nội dung, phân tích dữ liệu; nếu công việc phụ thuộc nhiều vào đầu ra hình ảnh chuẩn hóa, cần nâng cấp lên chiến lược, bối cảnh và đánh giá chất lượng vì WEF nêu graphic designers là một ví dụ về vai trò có thể suy giảm.[ |
| Kỹ thuật, sản phẩm, dữ liệu | AI/ML, Big Data, phát triển phần mềm và ứng dụng, mạng và an ninh mạng.[ |
| Giáo dục, chăm sóc, dịch vụ | Tăng chiều sâu chuyên môn và tương tác con người trước, sau đó dùng AI để giảm việc giấy tờ, tổng hợp thông tin, cải thiện cách cung cấp dịch vụ; WEF dự báo chăm sóc và giáo dục thuộc nhóm dịch vụ thiết yếu có tăng trưởng việc làm cao đến năm 2030.[ |
| Tài chính, kinh doanh, phân tích vận hành | Phân tích dữ liệu, tự động hóa, hiểu sản phẩm và công nghệ tài chính; WEF xếp kỹ sư fintech vào một trong ba nhóm nghề tăng nhanh nhất theo tỷ lệ phần trăm.[ |
Biến việc học thành kết quả nhìn thấy được
- Kiểm kê nhiệm vụ trước khi lo lắng về chức danh. Hãy ghi lại những việc bạn làm nhiều nhất trong một tuần, rồi đánh dấu việc nào lặp lại, có định dạng cố định, chủ yếu là văn bản hoặc bảng tính. Cách làm này phù hợp với hướng ILO đánh giá tác động của AI tạo sinh ở cấp nhiệm vụ.[
5]
- Chọn một tình huống để biến thành quy trình. Ví dụ: tóm tắt cuộc họp, trả lời khách hàng, làm sạch dữ liệu, nghiên cứu đối thủ, lập báo cáo tuần. Hãy cố định đầu vào, prompt, định dạng đầu ra và tiêu chuẩn rà soát của con người.
- Bổ sung một kỹ năng cứng gắn với công việc thật. Có thể là SQL, Python, trực quan hóa dữ liệu, công cụ tự động hóa hoặc nền tảng an ninh mạng. Đừng học tách rời khỏi bối cảnh công việc của bạn.
- Lưu lại bằng chứng. Thay vì chỉ nói “tôi biết dùng AI”, hãy cho thấy quy trình, tiêu chuẩn kiểm tra, khác biệt trước–sau và kết quả thực tế.
- Giữ vai trò phán đoán cuối cùng của con người. AI có thể hỗ trợ tổng hợp và tạo nội dung, nhưng mục tiêu, rủi ro, trách nhiệm giao tiếp và quyết định cuối vẫn cần người chịu trách nhiệm.
Kết luận: đừng chỉ học thuật ngữ AI, hãy đưa AI vào kết quả công việc
Từ các tín hiệu năm 2025 của WEF và ILO, tác động của AI lên việc làm giống một quá trình tái phân bổ nhiệm vụ và tái cấu trúc kỹ năng hơn là kịch bản mọi công việc cùng biến mất. WEF nhìn thấy cả cơ hội việc làm mới lẫn áp lực nâng cấp kỹ năng, còn ILO phân tích ảnh hưởng của AI tạo sinh ở cấp nhiệm vụ.[10][
5]
Nếu công việc của bạn nghiêng về lặp lại và đầu ra chuẩn hóa, hãy ưu tiên học công cụ AI, dữ liệu và tự động hóa. Nếu công việc của bạn dựa nhiều vào chuyên môn, tương tác con người và hiểu bối cảnh, hãy dùng AI để khuếch đại năng lực nghiên cứu, phân tích, giao tiếp và bàn giao kết quả.
Người có lợi thế trong vài năm tới không nhất thiết là người thuộc nhiều thuật ngữ AI nhất. Đó sẽ là người biến AI thành kết quả công việc có thể kiểm chứng.
