Jamie Dimon về AI: JPMorgan đã triển khai thế nào, việc làm sẽ đổi ra sao?

Một đoạn phỏng vấn Bloomberg khác cho biết Dimon nói JPMorgan tiết kiệm hằng năm xấp xỉ số tiền ngân hàng đầu tư vào AI, và công ty đã có hàng trăm trường hợp sử dụng công nghệ này. Nói cách khác, AI ở JPMorgan không phải một sản phẩm đơn lẻ. Nó là một lớp công cụ trải từ tự động hóa hậu cần, kiểm soát rủi ro, phục vụ khách hàng, hỗ trợ nhân viên cho tới hỗ trợ ra quyết định.

Tại Davos, Dimon cũng cho biết AI đã đi vào quy trình đánh giá kinh doanh thường xuyên: lãnh đạo hỏi các nhóm đang làm gì với công nghệ và AI trong tài chính, nhân sự, vận hành và các chức năng khác. Cập nhật công ty của JPMorgan cũng nói nền tảng công nghệ của ngân hàng tiếp tục thúc đẩy đổi mới và hiệu quả trên toàn tập đoàn.

Lợi ích trước mắt: năng suất, tiết kiệm và quyết định nhanh hơn

Điều dễ thấy nhất là hiệu quả vận hành. Dimon từng nói khoản chi cho AI của JPMorgan đã đi kèm mức tiết kiệm hằng năm gần tương đương, đồng thời cho rằng cơ hội tiết kiệm chi phí lớn hơn mới chỉ là “phần nổi của tảng băng”.

Các tường thuật về thông điệp trong thư gửi cổ đông của Dimon cho biết ông kỳ vọng AI sẽ tác động tới gần như mọi phần hoạt động của ngân hàng, giúp tăng năng suất nhưng cũng loại bỏ một số công việc. Một bản tóm lược khác nói AI sẽ ảnh hưởng cả dịch vụ khách hàng lẫn các hệ thống nội bộ dành cho nhân viên.

Vì vậy, lập trường của Dimon mang tính thực dụng hơn là quảng bá đơn thuần. AI có thể giúp ngân hàng làm việc nhanh hơn, rẻ hơn và có nhiều dữ liệu hơn, nhưng những lợi ích đó chỉ xuất hiện khi nhiệm vụ, đội nhóm và quy trình làm việc thật sự thay đổi.

Việc làm: tái bố trí nhân sự, nhưng không phải chuyển đổi “êm ru”

Dimon không vẽ ra một kịch bản trong đó AI chỉ hỗ trợ mọi nhân viên mà không có đánh đổi. Một báo cáo tháng 2/2026 cho biết JPMorgan đã triển khai các kế hoạch tái bố trí nhân sự quy mô lớn cho những vị trí bị tự động hóa ảnh hưởng, trong khi giữ tổng số nhân viên quanh mức 318.500 người và cắt giảm 4% vai trò vận hành cùng 2% chức năng hỗ trợ.

Tại Davos, Dimon cảnh báo AI có thể phát triển quá nhanh so với khả năng thích nghi của xã hội, đồng thời nói chính phủ và doanh nghiệp cần phối hợp để đào tạo lại người lao động.

Kết luận thận trọng là: Dimon kỳ vọng AI sẽ thay đổi công việc, xóa bỏ một số nhiệm vụ hoặc vai trò, và tạo nhu cầu tái đào tạo ở quy mô lớn. Tuy nhiên, các nguồn hiện có không xác nhận một con số cụ thể về số việc làm tại JPMorgan sẽ bị cắt giảm vì AI.

Nút thắt của cơn sốt AI: không chỉ nằm trong phần mềm

Làn sóng AI đang ngày càng bị giới hạn bởi hạ tầng vật lý: điện, trung tâm dữ liệu, hệ thống làm mát, mạng kết nối và chuỗi cung ứng thiết bị. Goldman Sachs ước tính chi tiêu hạ tầng AI có thể đạt khoảng 765 tỷ USD vào năm 2026 và 1.600 tỷ USD vào năm 2031, với gần 7.600 tỷ USD đầu tư lũy kế từ 2026 đến 2031 cho điện toán, trung tâm dữ liệu và năng lượng.

Điện và kết nối vào lưới

Điện là điểm nghẽn rõ nhất. Một báo cáo của Goldman Sachs ước tính cần thêm khoảng 47 GW công suất phát điện, đồng thời lưu ý hàng chờ kết nối dự án mới vào lưới điện vẫn là thách thức lớn. Deloitte cũng ước tính nhu cầu điện của các trung tâm dữ liệu AI tại Mỹ có thể tăng từ 4 GW năm 2024 lên 123 GW vào năm 2035; trong khảo sát các lãnh đạo công ty điện lực và trung tâm dữ liệu tại Mỹ, căng thẳng lưới điện được xem là thách thức hạ tầng hàng đầu.

Trung tâm dữ liệu giờ giống hệ thống công nghiệp

Trung tâm dữ liệu AI không chỉ là những căn phòng đặt máy chủ. Goldman Sachs mô tả trung tâm dữ liệu AI như một hệ thống điện và nhiệt tích hợp, xoay quanh các máy chủ có mật độ cực cao. McKinsey cũng nói AI đang biến trung tâm dữ liệu thành các hệ thống điện - nhiệt kết nối chặt chẽ để phục vụ khối lượng công việc mật độ cao.

Theo McKinsey, một rào cản tăng trưởng quan trọng là năng lực của các nhà cung cấp thiết bị công nghiệp trong việc sản xuất những linh kiện trọng yếu có thời gian giao hàng dài trong chuỗi giá trị trung tâm dữ liệu.

Làm mát và xử lý nhiệt

Càng nhiều chip tăng tốc AI hoạt động cùng lúc, lượng nhiệt càng trở thành vấn đề sống còn. Diễn đàn Kinh tế Thế giới cho biết các cụm AI từng chạy bằng hàng trăm GPU nay cần tới hàng chục nghìn GPU; điểm nghẽn không còn chỉ là silicon mà còn gồm nhiệt, điện, kết nối và bộ nhớ.

Cũng theo WEF, làm mát bằng chất lỏng, làm mát ngâm và các kiến trúc tản nhiệt mới đã chuyển từ mức thử nghiệm sang yêu cầu nền tảng, khi làm mát bằng không khí khó đáp ứng mật độ nhiệt của GPU chạy hết tải.

Mạng, cáp quang và kết nối tốc độ cao

Các cụm AI lớn cần kết nối nhanh và ổn định giữa rất nhiều bộ tăng tốc và hệ thống. Bằng chứng mạnh nhất trong các nguồn hiện có cho thấy đây là nút thắt kết nối nói chung: WEF liệt kê kết nối trong nhóm yếu tố đang làm chậm các cụm AI, trong khi một báo cáo khác nói điểm nghẽn đang dịch chuyển từ silicon sang kết nối tốc độ cao và nguồn năng lượng thô.

Với riêng cáp quang, các nguồn ở đây không lượng hóa một tình trạng thiếu hụt độc lập. Cách diễn giải an toàn hơn là cáp quang nằm trong bài toán kết nối rộng hơn, chứ chưa thể khẳng định nó là điểm nghẽn riêng đã được chứng minh bằng số liệu trong bộ nguồn này.

Nguyên liệu, linh kiện và chuỗi cung ứng

Bằng chứng hiện có mạnh hơn với rủi ro về thiết bị và linh kiện so với một thiếu hụt nguyên liệu cụ thể. McKinsey nhấn mạnh các linh kiện trọng yếu có thời gian sản xuất và giao hàng dài trong chuỗi giá trị trung tâm dữ liệu là một hạn chế tăng trưởng tiềm tàng. WEF cho biết phần lớn khoản đầu tư trung tâm dữ liệu ước tính sẽ gắn với làm mát, phát điện và phần cứng liền kề.

Nguyên liệu thô có thể trở nên quan trọng thông qua các chuỗi cung ứng phần cứng đó, nhưng các nguồn được cung cấp không xếp hạng từng loại hàng hóa hay chứng minh vật liệu nào là nút thắt lớn nhất.

Điều đáng chú ý

Thông điệp AI của Dimon không phải là “hãy chờ một đột phá tương lai”. Ông đang nói rằng quá trình triển khai đã bắt đầu. JPMorgan đang dùng AI trong các chức năng cốt lõi của ngân hàng, dành ngân sách công nghệ ở quy mô rất lớn và chuẩn bị tái bố trí nhân sự khi tự động hóa thay đổi vai trò công việc.

Nhưng mặt còn lại của câu chuyện là AI không thể mở rộng chỉ bằng mô hình tốt hơn. Giai đoạn tiếp theo phụ thuộc vào năng lực ngoài đời thực: điện, kết nối lưới, trung tâm dữ liệu mật độ cao, làm mát, mạng và thiết bị có thời gian sản xuất dài. Nói ngắn gọn, ngay cả khi phần mềm AI tiếp tục tiến nhanh, tốc độ triển khai có thể bị quyết định bởi những hạ tầng khó mở rộng hơn rất nhiều.