Tự động hóa do AI sẽ thực sự ảnh hưởng đến việc làm như thế nào?

Tự động hóa do AI sẽ thực sự ảnh hưởng đến việc làm như thế nào?

Được viết bởi Alex Imas và Soumitra Shukla qua Ghosts of Electricity,

Một trong những phát hiện được trích dẫn rộng rãi nhất trong chính sách AI đến từ một bài báo năm 2023 của Eloundou, Manning, Mishkin và Rock có tựa đề “GPTs are GPTs.” Tiêu đề có hai ý nghĩa hay: bài báo nghiên cứu cách các công nghệ đa dụng (GPTs) được cung cấp bởi các mô hình ngôn ngữ lớn (cũng là GPTs) có thể định hình lại thị trường lao động. Phát hiện nổi bật là khoảng 80% người lao động Hoa Kỳ có thể có ít nhất 10% nhiệm vụ của họ bị ảnh hưởng bởi LLM, và khoảng 19% có thể thấy một nửa hoặc nhiều hơn các nhiệm vụ của họ bị ảnh hưởng. Nói chung, các biện pháp tiếp xúc này cố gắng nắm bắt mức độ "tiếp xúc" của nghề nghiệp với AI như một hàm của việc liệu AI có thể tăng cường các nhiệm vụ liên quan đến công việc hay không: tiếp xúc trực tiếp được định nghĩa là "liệu việc truy cập LLM hoặc hệ thống được cung cấp bởi LLM có giảm thời gian cần thiết để con người thực hiện một DWA cụ thể hoặc hoàn thành một nhiệm vụ hay không ít nhất 50%." Các tác giả đã làm rõ điều này trong bài báo: sự tiếp xúc tương ứng với khả năng AI tham gia vào công việc, chứ không phải mức độ công việc có thể được tự động hóa. Nhưng từ "tiếp xúc" đã mang lại đủ loại lo lắng về chính xác điều đó - sự dịch chuyển. Và có lẽ vì lý do này, các biện pháp tiếp xúc với AI này đã lan truyền rộng rãi trên mạng xã hội trong vài tháng qua.

Một ví dụ gần đây là của Andrej Karpathy, một trong những người đồng sáng lập OpenAI và là người dẫn đầu trong việc suy nghĩ về AI nói chung (ví dụ: ông đã đặt ra cả hai thuật ngữ "trí tuệ răng cưa" và "lập trình cảm xúc"). Bảng điều khiển của ông, mà ông mô tả là một dự án cuối tuần "lập trình cảm xúc", là một bảng xếp hạng về mức độ tiếp xúc của các ngành nghề chính với tự động hóa do AI điều khiển. Nó nhanh chóng lan truyền trên X, vì nó cung cấp tất cả các câu chuyện đã có sẵn về việc mất việc làm nhanh chóng do AI.

Sau khi thấy bảng điều khiển bị giật gân và lan truyền nhanh chóng, Karpathy đã làm rõ rằng bảng điểm "tiếp xúc" của ông dựa trên một thước đo nhanh, do LLM tạo ra về mức độ kỹ thuật số của một công việc, và không bao giờ có ý định là một dự báo nghiêm túc về những ngành nghề nào sẽ thu hẹp hoặc biến mất. Mặc dù trang web dự án của riêng ông đã đưa ra cảnh báo tương tự, nhưng nó phần lớn bị bỏ qua trên X. Để diễn đạt lại câu nói nổi tiếng: "Một dự án cuối tuần lập trình cảm xúc sẽ đi hai vòng thế giới trước khi lời cảnh báo kịp xỏ giày vào."
Tuy nhiên, điều mà tập mới này minh họa là các biện pháp tiếp xúc như vậy đã thu hút sự chú ý của công chúng nhưng thường bị đọc sai (với một số người đề xuất lệnh cấm sử dụng thuật ngữ "tiếp xúc" hoàn toàn). Khi mọi người nghe nói rằng một công việc "tiếp xúc 80%" với AI, họ hình dung 80% công việc đó sẽ biến mất. Kinh tế học thực tế của việc tiếp xúc với AI và mất việc làm khá xa so với mô tả đó.

"Công việc" là gì?

Một công việc là một tập hợp các nhiệm vụ; một người thường được trả lương dựa trên mức độ hoàn thành tốt tất cả các nhiệm vụ liên quan đến công việc đó. Vì vậy, hãy nói bạn là một người quản lý dự án. Công việc của bạn bao gồm nhiều nhiệm vụ như tạo ý tưởng, tóm tắt những ý tưởng đó một cách súc tích và nhận phản hồi từ các thành viên trong nhóm, chuẩn bị các bài thuyết trình và một loạt công việc lặp đi lặp lại (ví dụ: phê duyệt bảng chấm công, xử lý hậu cần). Khi các mô hình AI trở nên tốt hơn, bạn nhận ra rằng bạn có thể tự động hóa nhiều việc này: AI có thể làm nhiều công việc lặp đi lặp lại cho bạn, và thậm chí có thể giúp bạn chuẩn bị các bài thuyết trình. Theo biện pháp tiếp xúc, công việc của bạn giờ đây "tiếp xúc" với AI. Điều gì xảy ra với công việc của bạn và điều gì xảy ra với mức lương của bạn? Chà, nếu việc tự động hóa một số nhiệm vụ giúp bạn có thêm thời gian để tạo ra những ý tưởng tốt hơn, năng suất tổng thể của bạn sẽ tăng lên - bạn trở nên có giá trị hơn đối với công ty. Con người vẫn được tuyển dụng và nếu có thì mức lương còn tăng lên.

Mặt khác, nếu AI tự động hóa tất cả các nhiệm vụ - giả sử công việc của bạn chỉ bao gồm hai nhiệm vụ và cả hai đều được tự động hóa - thì đúng vậy, lao động con người sẽ bị dịch chuyển. Quan trọng là, số lượng nhiệm vụ càng ít (chúng ta gọi đó là chiều của một công việc), thì công ty càng có nhiều động lực để tự động hóa nó ngay từ đầu. Đây là phần mà nhiều phân tích về tự động hóa bỏ lỡ: việc áp dụng AI vào một tổ chức hiện có là tốn kém, vì vậy công ty sẽ có nhiều khả năng đầu tư nếu nó có thể tự động hóa công việc, chứ không chỉ nhiệm vụ. "Tiếp xúc" và rủi ro tự động hóa không chỉ là một hàm của khả năng mô hình, nó còn phụ thuộc vào động lực của công ty. Và đây không phải là giả thuyết: chúng ta hiện có nhiều bằng chứng cho thấy những động lực như vậy có ý nghĩa lớn đối với những gì được tự động hóa và khi nào (ví dụ: các công ty có nhiều khả năng tự động hóa hơn khi chi phí lao động con người tăng lên).

Cuối cùng, ngay cả khi AI làm cho con người có năng suất hơn và mang lại mức lương cao hơn, vẫn có thể có các đợt sa thải lớn trong lĩnh vực đó nếu người tiêu dùng không "hấp thụ" năng suất gia tăng: nếu việc giảm giá do năng suất không làm tăng nhu cầu đối với sản phẩm, thì sẽ cần ít người lao động hơn trong lĩnh vực đó.

Nói chung hơn, một nhiệm vụ tiếp xúc với AI - ngay cả khi sự tiếp xúc đó tương ứng với việc tự động hóa hoàn toàn nhiệm vụ đó - có thể dẫn đến mức lương cao hơn và nhiều việc làm hơn cho ngành nghề đó. Hoặc nó có thể dẫn đến sa thải và thậm chí là dịch chuyển hoàn toàn. Việc tiếp xúc dẫn đến kết quả thị trường lao động tốt hơn hay tệ hơn cho người lao động phụ thuộc vào hai biến số chính: độ co giãn của cầu tiêu dùng trong lĩnh vực đó (mọi người mua nhiều sản phẩm hơn bao nhiêu khi giá giảm), và chiều của công việc (có bao nhiêu nhiệm vụ trong công việc đó). Như chúng tôi hy vọng sẽ thuyết phục bạn vào cuối bài viết, chúng ta nên lo lắng hơn nhiều về các công việc như lái xe tải và kho bãi hơn là hiện tại.

Cách tiếp cận tiêu chuẩn để tự động hóa

Hãy bắt đầu với cách tiếp cận "tiêu chuẩn" để suy nghĩ về tự động hóa. Đầu tiên, chúng ta phân rã các công việc thành các nhiệm vụ bằng cách sử dụng một hệ thống phân loại như O*NET, sau đó đánh giá có bao nhiêu nhiệm vụ trong số đó có thể được tự động hóa hoặc tăng cường bởi AI. Tác động tổng thể lên công việc là trung bình có trọng số của mức độ cải thiện của mỗi nhiệm vụ, có nghĩa là bạn có thể xây dựng một "chỉ số tiếp xúc" - thường được định nghĩa là tỷ lệ nhiệm vụ của một công việc mà AI có thể thực hiện? - và chỉ số đó ánh xạ tuyến tính vào mức độ công việc bị ảnh hưởng (xem, ví dụ, bài báo kinh điển của Michael Webb). Cách tiếp cận này đã cực kỳ hữu ích để lập bản đồ phạm vi tiếp cận tiềm năng của AI. Nhưng nó chứa một giả định gần như chắc chắn là sai đối với hầu hết các công việc trong thế giới thực: nó giả định các nhiệm vụ có thể tách rời. Nghĩa là, việc tự động hóa nhiệm vụ A không ảnh hưởng đến năng suất của nhiệm vụ B, và tác động tổng thể chỉ là tổng của các phần.

Hãy xem xét các công việc mà bạn biết. Có rất nhiều công việc mà kết quả bao gồm việc làm nhiều việc khác nhau một cách chính xác, không chỉ một vài trong số đó. Bạn không thể có một đầu bếp tuân theo hầu hết các bước của một công thức, một tay trống luôn đúng nhịp, một lập trình viên có mã chỉ hoạt động một phần (hoặc, trong trường hợp đó, một giáo sư chỉ làm một nửa công việc nghiên cứu... mặc dù một số người đã kiểm tra yêu cầu này). Đây là những công việc mà mỗi nhiệm vụ cần được hoàn thành thành công để kết quả được chấp nhận.

Nói cách khác, các nhiệm vụ không thể tách rời; chúng là bổ sung cho nhau, tức là làm đúng hoặc sai một nhiệm vụ ảnh hưởng đến mức độ tốt bạn có thể làm các nhiệm vụ khác trong công việc để hoàn thành nó. Việc các nhiệm vụ trong một công việc là bổ sung cho nhau thay vì thay thế có vẻ khá hợp lý đối với hầu hết các sản xuất trong thế giới thực. Và điều này có một loạt các hàm ý quan trọng về cách AI sẽ thực sự ảnh hưởng đến việc làm.

Mô hình O-ring về công việc

Ý tưởng rằng các nhiệm vụ bổ sung tạo ra năng suất phi tuyến tính quay trở lại bài báo kinh điển năm 1993 của Michael Kremer, "Lý thuyết O-Ring về Phát triển Kinh tế". Tên gọi xuất phát từ thảm họa Challenger bi thảm: một vòng đệm O-ring duy nhất bị lỗi đã gây ra sự thất bại thảm khốc của toàn bộ hệ thống. Hiểu biết của Kremer là nếu sản xuất yêu cầu nhiều bước, và mỗi bước cần được thực hiện tốt để sản phẩm cuối cùng có giá trị, thì năng suất trở thành một hàm nhân thay vì hàm tuyến tính của kỹ năng. Một người lao động thực hiện ít lỗi hơn một chút trên mỗi nhiệm vụ sẽ có năng suất tổng thể cao hơn đáng kể, bởi vì những cải thiện nhỏ về chất lượng đó sẽ tích lũy qua từng bước.

Mô hình công việc dựa trên nhiệm vụ này đã có được sự liên quan mới với một bài báo gần đây của Joshua Gans và Avi Goldfarb, "Tự động hóa O-Ring", áp dụng khuôn khổ của Kremer trực tiếp vào tự động hóa do AI điều khiển. Mặc dù mô hình của họ có vẻ đơn giản lúc đầu, nhưng hàm ý của nó rất sâu rộng và sâu sắc. Ít nhất một trong số chúng tôi (Alex) đã bị ám ảnh bởi bài báo này trong nhiều tháng (xem ở đây, ở đây và ở đây).

Gans và Goldfarb xây dựng một mô hình công ty nơi công việc của mỗi người lao động bao gồm n nhiệm vụ. Sản lượng của công việc là hàm nhân của chất lượng của mỗi nhiệm vụ - đây là hàm sản xuất O-ring:

Một người lao động có một khoảng thời gian h và phân bổ nó cho n nhiệm vụ. Nếu nhiệm vụ s được thực hiện thủ công, người lao động dành h_s giờ cho nó và tạo ra chất lượng:

trong đó a là năng suất lao động, được giả định là không đổi trên các nhiệm vụ (một giả định đơn giản hóa). Ràng buộc thời gian của người lao động là:

Công ty cũng có thể chọn tự động hóa bất kỳ nhiệm vụ nào bằng cách thuê một phần vốn mang lại chất lượng cố định θ với chi phí r cho mỗi nhiệm vụ. Đây là phần quan trọng cần chú ý: liệu các công ty có đầu tư vào việc tự động hóa một nhiệm vụ hay không phụ thuộc vào sự đánh đổi được nhúng trong vấn đề này. Một khi nhiệm vụ được tự động hóa, người lao động không còn cần phải dành thời gian cho nó nữa.

Cho đến nay, thiết lập khá đơn giản. Phần thú vị là cấu trúc nhân của hàm sản xuất ngụ ý gì khi tự động hóa xuất hiện.

Làm thế nào để tự động hóa có thể tăng lương?

Bây giờ giả sử một công ty chọn tự động hóa k trong số n nhiệm vụ. Điều gì xảy ra với người lao động, và điều đó ảnh hưởng đến mức lương như thế nào?

Trước khi tự động hóa, người lao động phân bổ thời gian đều cho tất cả n nhiệm vụ, điều này là tối ưu do cấu trúc đối xứng. Do đó, mỗi nhiệm vụ thủ công nhận được h/n giờ và có chất lượng a · h/n. Tổng sản lượng là:

Sau khi k nhiệm vụ được tự động hóa với chất lượng θ, người lao động giờ đây có tất cả h giờ để phân bổ cho chỉ n - k nhiệm vụ thủ công còn lại. Mỗi nhiệm vụ thủ công giờ đây nhận được h/(n-k) giờ, tạo ra chất lượng a · h/(n-k). Tổng sản lượng trở thành:

Vì vậy, sản lượng tăng sau khi tự động hóa một phần khi và chỉ khi:

Đây là một điều kiện quan trọng nói rằng nếu chất lượng tự động hóa θ ít nhất bằng chất lượng thủ công ban đầu của người lao động trước khi tự động hóa đối với các nhiệm vụ đó, thì sản lượng chắc chắn sẽ tăng. Sản lượng không tự động tăng chỉ vì một số nhiệm vụ được tự động hóa; nó tăng khi chất lượng tự động hóa đủ cao.

Nhưng đây là hiểu biết chính: bởi vì tự động hóa cũng giải phóng người lao động để tập trung nhiều thời gian hơn vào các nhiệm vụ còn lại, sản lượng có thể tăng ngay cả khi các nhiệm vụ được tự động hóa được thực hiện với chất lượng thấp hơn một chút so với những gì người lao động ban đầu đạt được trước khi tự động hóa. Tự động hóa cho phép người lao động tập trung vào ít nhiệm vụ hơn, nâng cao chất lượng của mỗi nhiệm vụ. Đây là "hiệu ứng tập trung". Do dạng hàm của hàm sản xuất, chất lượng cao hơn trên các nhiệm vụ thủ công còn lại không chỉ cộng vào sản lượng - nó nhân lên thông qua hàm sản xuất. Người lao động trở nên có năng suất hơn chính xác vì họ làm ít việc hơn.

Khi chất lượng tự động hóa đủ cao so với những gì người lao động sản xuất thủ công đối với các nhiệm vụ đó, sản phẩm biên của người lao động tăng lên - và do đó (thường) mức lương của họ cũng tăng lên. Tự động hóa một phần, trong thế giới O-ring, thường là bổ sung cho lao động con người chứ không phải là thay thế cho nó, điều này làm tăng mức lương của người lao động.

Nhưng đây không nhất thiết là tin tốt cho lao động

Năng suất lao động cao hơn tốt cho mức lương, nhưng nó dẫn đến nhiều việc làm hơn hay ít hơn? Điều này phụ thuộc vào nhu cầu của người tiêu dùng. Mỗi người lao động làm ra một máy tính mỗi ngày và công ty có 10 người lao động. Tất cả các máy tính đều được bán với giá hiện hành. Bây giờ hãy tưởng tượng mỗi người lao động trở nên có năng suất hơn nhiều để mỗi người lao động có thể làm ra 10 máy tính. Giá của mỗi máy tính giảm (chi phí giảm), nhưng người tiêu dùng vẫn yêu cầu số lượng máy tính gần như tương tự. Đây là trường hợp nhu cầu không co giãn - một nhu cầu không phản ứng nhiều với giá cả. Bây giờ công ty sẽ sa thải 9 công nhân. Nhưng điều gì sẽ xảy ra nếu người tiêu dùng mua nhiều máy tính hơn ở mức giá thấp hơn, tức là nhu cầu rất co giãn. Sau đó, công ty sẽ thực sự tuyển dụng thêm công nhân để đáp ứng nhu cầu mới, mặc dù thực tế là họ có năng suất hơn.

Nói chung hơn, nếu nhu cầu co giãn (độ co giãn > 1), thì việc giảm giá dẫn đến sự gia tăng số lượng yêu cầu nhiều hơn mức giảm giá. Sản lượng tăng mạnh. Công ty cần nhiều công nhân hơn để sản xuất sản lượng cao hơn này, ngay cả khi mỗi công nhân giờ đây có năng suất hơn. Tác động ròng: tuyển dụng nhiều hơn.

Nếu nhu cầu không co giãn (độ co giãn

Điều này có liên quan chặt chẽ đến một ý tưởng phổ biến thường được gọi là nghịch lý Jevons: khi một nguồn lực trở nên hiệu quả hơn để sử dụng, tổng tiêu thụ của nguồn lực đó thường tăng lên chứ không giảm đi. Khi động cơ hơi nước làm cho than hiệu quả hơn, lượng tiêu thụ than tăng vọt vì có quá nhiều ứng dụng mới trở nên khả thi về mặt kinh tế. Logic tương tự áp dụng cho lao động: nếu AI làm cho người lao động có năng suất hơn đáng kể, và nhu cầu đối với sản phẩm đó co giãn, người ta có thể có nhiều công nhân hơn trong ngành nghề đó, chứ không phải ít hơn.

Tại sao chiều của công việc lại quan trọng: Trường hợp động lực của công ty

Mối quan hệ giữa nhiệm vụ và độ co giãn của cầu tiêu dùng là một chiều quan trọng để dự đoán sự dịch chuyển do AI điều khiển, nhưng một biến số thường bị bỏ qua là số lượng nhiệm vụ trong chính công việc, tức là chiều của nó. Chiều của một công việc rất quan trọng vì hai lý do.

Thứ nhất, có điều kiện là một nhiệm vụ được tự động hóa, một công việc có chiều thấp có nhiều khả năng bị dịch chuyển hoàn toàn. Nếu một công việc có 20 nhiệm vụ và một nhiệm vụ được tự động hóa, người lao động con người vẫn cần thực hiện 19 nhiệm vụ còn lại. Nhưng nếu một công việc chỉ có một nhiệm vụ và một nhiệm vụ được tự động hóa, công việc đó sẽ biến mất. Thứ hai - và chiều này có lẽ bị bỏ qua nhiều nhất - các tổ chức có động lực mạnh mẽ hơn để tự động hóa các nhiệm vụ khi còn lại ít nhiệm vụ không được tự động hóa trong công việc. Hãy tưởng tượng rằng việc tự động hóa một nhiệm vụ đòi hỏi khoản đầu tư 10 triệu đô la (mua phần mềm, đào tạo, kết nối nó với phần còn lại của hệ thống, v.v.). Trong một trường hợp, nhiệm vụ này là nhiệm vụ không được tự động hóa duy nhất còn lại trong một công việc; trong trường hợp khác, nếu nhiệm vụ này được tự động hóa, sẽ còn 19 nhiệm vụ không được tự động hóa khác. Công ty có động lực cao hơn nhiều để tự động hóa nhiệm vụ trong trường hợp đầu tiên so với trường hợp thứ hai vì sau đó nó có thể thay thế người lao động và thu được khoản tiết kiệm chi phí liên quan.1

Vì điều này, các công ty có động lực mạnh mẽ hơn để đầu tư vào công nghệ để tự động hóa các công việc có chiều thấp. Trong một công việc có chiều thấp, việc tự động hóa tất cả hoặc hầu hết các nhiệm vụ cốt lõi có thể loại bỏ vị trí và toàn bộ chi phí lương. Điều đó làm cho lợi tức đầu tư vào tự động hóa lớn hơn nhiều. Nói cách khác, không phải tất cả các nhiệm vụ "không tiếp xúc" đều có giá trị như nhau: trong một số công việc, các nhiệm vụ còn lại vẫn giữ nguyên người lao động hiện tại tại công ty; trong những công việc khác thì không.

Điều này đưa ra một dự đoán rõ ràng: ngay cả khi một công việc hiện không "tiếp xúc" với AI, theo nghĩa là AI không được sử dụng cho các nhiệm vụ liên quan, nếu nó có chiều thấp và công nghệ đang tiến gần đến việc tự động hóa các nhiệm vụ, thì nó nên được coi là có rủi ro. Các công ty sẽ làm việc chăm chỉ hơn và đầu tư nhiều hơn để tự động hóa nhiệm vụ (các) liên quan so với trường hợp các công việc có nhiều nhiệm vụ không được tự động hóa.

Lái xe tải và kho bãi, những con chim hoàng yến bị bỏ quên trong mỏ than

Đây là lý do tại sao chúng tôi nghĩ mọi người nên lo lắng hơn về các công việc như lái xe tải và kho bãi.

Khoảng 3 triệu người Mỹ lái xe tải để kiếm sống. Nhiều người ở độ tuổi 50, đã lái xe trong nhiều thập kỷ và sống ở những cộng đồng nơi vận tải đường bộ là xương sống kinh tế. Lái xe tải là một trong những công việc tốt nhất có thể có mà không cần bằng đại học. Công việc thực tế của một tài xế xe tải đường dài chủ yếu bao gồm một vài chức năng cốt lõi: di chuyển xe tải an toàn từ điểm A đến điểm B. Hậu cần, bốc/dỡ hàng, v.v. đều do người khác thực hiện. Nếu lái xe tự động trở nên đáng tin cậy trên các tuyến đường dài, công việc của tài xế xe tải không chỉ được tăng cường; nó bị đe dọa về cơ bản và thậm chí có thể bị dịch chuyển hoàn toàn. Và khả năng đó không còn là lý thuyết nữa. Các công ty như Aurora Innovation và Kodiak Robotics đã đang thực hiện các thử nghiệm lái xe tải tự động quy mô lớn và triển khai thương mại trên các tuyến đường giới hạn. Kho bãi cũng tương tự. Kho bãi sử dụng hàng triệu lao động Hoa Kỳ, và nhiều công việc trong kho - nhặt, đóng gói, phân loại, di chuyển pallet - tương đối hẹp và ngày càng có thể tự động hóa. Ở nước ngoài, các công ty đã vận hành "kho hàng tối" tự động hóa cao hoạt động suốt ngày đêm với ít lao động con người. Những kho hàng này trông không giống những gì chúng ta thấy ngày nay: chúng được thiết kế từ đầu để được vận hành bởi máy móc.

Bây giờ hãy so sánh điều đó với một nhân viên tri thức, chẳng hạn như một nhà tư vấn quản lý. Công việc kết hợp nghiên cứu, phân tích dữ liệu, giao tiếp với khách hàng, thiết kế bài thuyết trình, lập luận chiến lược, điều phối nhóm và quản lý mối quan hệ. Đó là ít nhất bảy hoặc tám nhiệm vụ bổ sung riêng biệt. Claude hoặc Codex có thể tự động hóa lượt đầu tiên về phân tích dữ liệu và tạo bộ bài thuyết trình, nhưng nhà tư vấn vẫn cần thiết cho mọi thứ. Theo thuật ngữ O-ring, việc tự động hóa một số nhiệm vụ có thể làm cho các nhiệm vụ còn lại có giá trị hơn bằng cách cho phép người lao động phân bổ nhiều thời gian hơn cho chúng - nhà tư vấn có thể dành nhiều thời gian hơn để nói chuyện với khách hàng và làm cho họ thoải mái với việc triển khai, nhận được sự ủng hộ từ các đơn vị khác nhau, v.v. Do đó, mức lương có thể tăng, và việc làm cũng có thể tăng nếu sản lượng tốt hơn và giá thấp hơn làm tăng nhu cầu của khách hàng.

Bạn có thể thấy logic tương tự trong nhiều ngành nghề có rủi ro cao như y học và học thuật. Hiện có hơn 870 công cụ AI chẩn đoán hình ảnh được FDA phê duyệt, và 66% bác sĩ sử dụng ít nhất một công cụ AI, chủ yếu để ghi chú và hỗ trợ chẩn đoán. Nhưng những công cụ này đang bổ sung cho các bác sĩ chẩn đoán hình ảnh và bác sĩ, chứ không phải thay thế họ. AI thường xử lý khía cạnh nhận dạng mẫu thông thường của công việc, giúp bác sĩ tập trung vào các trường hợp phức tạp, giao tiếp với bệnh nhân và phán đoán lâm sàng. Tương tự, các học giả đã tranh luận liệu những tiến bộ trong AI có làm cho trợ lý nghiên cứu có giá trị hơn hay ít hơn hay không. Khi AI tự động hóa các nhiệm vụ phân tích thông thường, cả giáo sư và trợ lý nghiên cứu đều có thể tập trung nhiều hơn vào ý tưởng và phán đoán, do đó mở rộng sản lượng và nhu cầu về lao động có kỹ năng nghiên cứu. Đây lại là hiệu ứng tập trung O-ring trong thực tế.

Cũng giống như trong phòng thí nghiệm của chúng tôi. Mỗi thành viên bổ sung có thể làm được nhiều việc hơn, thách thức là làm cho mọi người bắt kịp, có các cuộc thảo luận cởi mở về những cách tốt nhất để sử dụng các công cụ này so với không sử dụng và xây dựng một nền văn hóa nơi mọi người cảm thấy được coi trọng hơn chứ không phải ít hơn. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) Ngày 18 tháng 3 năm 2026
Các chỉ số tiếp xúc nắm bắt được điều gì?

Hãy đưa điều này trở lại khuôn khổ tiếp xúc. Trong cách tiếp cận tiêu chuẩn, một nhà tư vấn quản lý "tiếp xúc" cao với AI trong khi một tài xế xe tải thì không. Nhưng điều này có nghĩa là nhà tư vấn có nguy cơ dịch chuyển cao hơn tài xế xe tải không? Không nhất thiết. Sự tiếp xúc cao của nhà tư vấn có thể thực sự là tin tốt vì nó có nghĩa là AI sẽ bổ sung nhiều nhiệm vụ bổ sung của họ, kích hoạt hiệu ứng tập trung và có khả năng tăng lương. Mặt khác, sự tiếp xúc vừa phải của tài xế xe tải trên một nhiệm vụ quan trọng duy nhất nguy hiểm hơn nhiều vì các công ty vận tải đường bộ có động lực cao hơn nhiều để tự động hóa nhiệm vụ lái xe, và một khi điều đó hoàn thành, công việc cũng sẽ biến mất. Những động lực này đã và đang diễn ra trong thực tế:

TIN TỨC: Jeff Bezos đang đàm phán để huy động 100 tỷ đô la cho một quỹ mới sẽ mua lại các công ty sản xuất và tìm cách sử dụng công nghệ AI để đẩy nhanh quá trình tự động hóa của họ.
Nó liên quan đến startup AI Project Prometheus của Jeff, nhằm mục đích xây dựng các sản phẩm AI cho kỹ thuật… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) Ngày 19 tháng 3 năm 2026
Do đó, đối tượng có liên quan không phải là mức độ tiếp xúc trung bình của nhiệm vụ, mà là cấu trúc của các điểm nghẽn và cách tự động hóa định hình lại thời gian của người lao động xung quanh chúng. Hai công việc có điểm tiếp xúc giống hệt nhau có thể có rủi ro dịch chuyển hoàn toàn trái ngược nhau tùy thuộc vào việc các nhiệm vụ của chúng có bổ sung cho nhau hay không, liệu nhu cầu về sản lượng của chúng có co giãn hay không co giãn, và động lực của công ty để đầu tư vào tự động hóa. Những người lao động có nguy cơ cao nhất không nhất thiết là những người có mức độ tiếp xúc trung bình cao nhất, mà là những người có công việc được xây dựng xung quanh một số ít nhiệm vụ cốt lõi mà AI có thể tự động hóa.

1 Trong trường hợp công việc không được tự động hóa hoàn toàn, khoản tiết kiệm chi phí từ việc tự động hóa nhiệm vụ biên sẽ phụ thuộc vào sự bổ sung giữa các nhiệm vụ khác trong công việc. Mối quan hệ chính xác được giải quyết trong bài báo mô hình O-ring về tự động hóa.

Alex Imas là giáo sư tại UChicago Booth. Nghiên cứu về Kinh tế học và AI Ứng dụng. Substack tại đây.

Tyler Durden
Thứ Bảy, 04/04/2026 - 09:20