AI làm nhân viên năng suất hơn — vậy giá trị đã đi đâu?

Trong bản khảo sát toàn cầu mới nhất của McKinsey về hiện trạng AI, có hai con số đặt cạnh nhau mà tôi nghĩ mọi lãnh đạo nên đọc chậm lại. 80% người được hỏi nói AI đã cải thiện năng suất cá nhân của họ. Nhưng chỉ 37% nói AI đã đóng góp tích cực vào EBIT của tổ chức — và tỷ lệ 37% đó gần như không thay đổi so với năm trước.

Điều đáng chú ý hơn là bối cảnh xung quanh hai con số ấy. Adoption vẫn tăng: 44% nói AI đang được scale trên toàn doanh nghiệp, so với 38% một năm trước. Nghĩa là doanh nghiệp đang dùng nhiều AI hơn, nhân viên báo cáo năng suất cao hơn, nhưng tỷ lệ tổ chức nhìn thấy tác động lên EBIT vẫn đứng gần như yên tại chỗ.

Bài blog của McKinsey đặt tựa cho hiện tượng này là “the AI performance gap” và gom bốn góc nhìn của bốn lãnh đạo nghiên cứu để giải thích nó: build hay buy, chuyển động lực của nhân viên thành hiệu quả doanh nghiệp, coi kinh tế học của AI như một môn quản trị, và học từ nhóm high performers. Ba trong bốn góc đó tôi đã viết khá sâu ở những bài trước — một tính năng AI không phải một năng lực doanh nghiệp, token là hóa đơn, không phải giá trị, và mô hình vận hành. Bài này không lặp lại chúng.

Bài này đi vào một câu hỏi kinh tế cụ thể hơn mà hai con số kia đặt ra: nếu nhân viên thật sự làm việc nhanh hơn, phần năng suất đó đã đi đâu?

Ở bài trước về nhân viên và doanh nghiệp, tôi hỏi vì sao cá nhân đã thay đổi mà tổ chức chưa thay đổi. Bài này hỏi sâu thêm một bước: ngay cả khi tổ chức đã thay đổi đủ để cá nhân làm việc nhanh hơn thật, giữa thời gian được tiết kiệm và EBIT vẫn còn một khoảng trống. Và theo tôi, chính ở khoảng trống đó phần lớn giá trị của AI đang thất thoát.

”Tiết kiệm 30% thời gian” chưa phải 30% giá trị

Hãy lấy một ví dụ đơn giản. AI giúp một marketer giảm thời gian làm báo cáo tháng từ 10 giờ xuống 7 giờ. Dashboard của bộ phận chuyển đổi số ghi nhận một dòng gọn gàng: Productivity +30%.

Nhưng ba giờ được giải phóng đó có thể đi theo nhiều hướng rất khác nhau:

được dùng để làm thêm một công việc có giá trị cao hơn;
biến thành nhiều output hơn, trong khi demand cho output đó không tăng;
bị hấp thụ bởi meeting và coordination;
trở thành thời gian rảnh không được tái phân bổ cho việc gì cả;
hoặc đơn giản là khiến cùng một người làm cùng một việc với ít căng thẳng hơn.

Tất cả đều có thể là kết quả tốt. Nhưng không phải tất cả đều trở thành EBIT.

Đây là điểm mà tôi cho rằng nhiều bản báo cáo về AI đang bỏ qua. Thời gian tiết kiệm được là capacity được giải phóng. Giá trị chỉ xuất hiện khi capacity đó được tái đầu tư vào một outcome đáng giá. Con số 30% mô tả bước thứ nhất. Nó không nói gì về bước thứ hai.

Vì thế tôi muốn đề xuất một sự phân biệt mà tôi thấy ngày càng cần thiết khi nói chuyện với các lãnh đạo:

Productivity gain ≠ Capacity capture ≠ Enterprise value.

Ba thứ này thường bị gộp làm một trong các bài thuyết trình về ROI của AI. Trong thực tế chúng là ba bước riêng, và doanh nghiệp có thể dừng lại ở bất kỳ bước nào.

Ba bước chuyển hóa năng suất

1. Productivity gain — công việc tốn ít nguồn lực hơn

Đây là bước AI làm tốt nhất, và cũng là bước dễ đo nhất. AI giúp một người viết nhanh hơn, nghiên cứu nhanh hơn, viết code nhanh hơn, phân tích nhanh hơn, và trong nhiều trường hợp ra quyết định tốt hơn. Khảo sát của McKinsey ghi nhận 80% báo cáo năng suất cá nhân tăng, và khoảng một nửa nói AI giúp họ phát triển kỹ năng mới hoặc ra quyết định tốt hơn.

Đây là giá trị thật. Tôi không có ý hạ thấp nó. Nhưng nó vẫn nằm ở cấp cá nhân, và cấp cá nhân không phải nơi EBIT được tạo ra.

2. Capacity capture — tổ chức làm gì với phần năng lực được giải phóng?

Đây là bước thường bị bỏ qua, và cũng là bước tôi muốn dành nhiều thời gian nhất trong bài này.

Khi năng suất tăng, tổ chức đứng trước một quyết định mà rất ít tổ chức nhận ra mình đang đứng trước nó. Phần năng lực vừa được giải phóng sẽ được dùng để:

làm thêm volume,
nâng chất lượng,
giảm cycle time,
thử nghiệm nhiều hơn,
phục vụ thêm khách hàng,
chuyển con người sang công việc có giá trị cao hơn,
hay thực sự giảm cost base?

Mỗi lựa chọn dẫn tới một kết quả kinh doanh khác nhau, đòi hỏi một cách đo khác nhau, và cần một quyết định phân bổ nguồn lực khác nhau. Nếu không có quyết định này, năng suất trở thành một dạng latent capacity — năng lực tồn tại, nhìn thấy được trên dashboard, nhưng chưa được chuyển thành kết quả nào.

Tôi hay diễn đạt nó bằng một câu:

AI có thể tạo ra thời gian. Chỉ operating model mới quyết định thời gian đó trở thành giá trị gì.

3. Enterprise value — capacity thay đổi một outcome kinh doanh

Cuối cùng, ở đâu đó trong hệ thống phải xuất hiện một thay đổi mà CFO nhìn thấy được: revenue tăng, margin tăng, cost giảm, cycle time giảm, customer retention tăng, tốc độ đổi mới tăng, hay rủi ro giảm.

Khảo sát của McKinsey cũng cho thấy tác động tài chính không đồng dạng giữa các chức năng: cost reduction được báo cáo nhiều nhất ở supply chain, service operations và manufacturing, trong khi revenue gains lại được ghi nhận nhiều nhất ở marketing và sales, tiếp theo là product development và software engineering. Nghĩa là cách capture productivity không giống nhau ở mọi nơi trong doanh nghiệp: ở nơi này capacity nên biến thành chi phí thấp hơn, ở nơi khác nó nên biến thành doanh thu cao hơn. Một chính sách “AI cho toàn công ty” không tự biết điều đó.

Bốn nơi năng suất thường “rò rỉ”

Phần này là quan sát của riêng tôi từ những tổ chức tôi đã tư vấn và điều hành, không phải khung của McKinsey. Tôi thấy năng suất thường thất thoát ở bốn chỗ, và chúng đều nằm giữa bước 1 và bước 3.

1. Output leakage — làm nhiều hơn, nhưng doanh nghiệp không cần nhiều hơn

AI giúp đội marketing tạo ra 30 concept cho một chiến dịch thay vì 10. Nhưng tổ chức vẫn chỉ có đủ thời gian để review ba concept, phê duyệt một, và chạy một chiến dịch. Throughput ở bước sáng tạo tăng gấp ba; throughput của cả workflow không đổi.

Bottleneck không biến mất. Nó chỉ chuyển sang bước tiếp theo. Tăng throughput ở một bước không tạo thêm throughput cho cả chuỗi nếu constraint nằm ở nơi khác — đây là bài học cũ của quản trị vận hành, và AI làm nó hiện ra rõ hơn bao giờ hết.

2. Coordination leakage — execution nhanh hơn, tổ chức vẫn chậm như cũ

Thời gian để làm ra một bản đề xuất giảm từ hai ngày xuống hai giờ. Nhưng approval vẫn mất một tuần, meeting vẫn nhiều như cũ, handoff giữa các phòng ban vẫn tồn tại, và decision rights vẫn mơ hồ. AI tiết kiệm hai giờ sản xuất; output tiếp tục nằm ba ngày trong hàng chờ phê duyệt.

AI tăng tốc task. Organization quyết định cycle time.

Đây là chỗ nối trực tiếp với bài trước về tốc độ và độ rõ ràng: khi việc chạy nhanh hơn mà quyền quyết định không rõ hơn, phần thời gian tiết kiệm được sẽ bị hàng chờ nuốt mất.

3. Reinvestment leakage — không ai nói thời gian đó nên đi đâu

Nhân viên tiết kiệm được thời gian, nhưng không ai nói rõ thời gian đó nên được đầu tư vào đâu. Kết quả là năng suất tồn tại ở cấp cá nhân nhưng không được chuyển thành công việc với khách hàng, thử nghiệm, đổi mới, học tập, hay giảm capacity ở nơi thật sự dư.

Tôi muốn nhấn mạnh: đây không phải lỗi của nhân viên. Không ai có thể tự tái phân bổ năng lực của mình ngược lên trên cấu trúc chi phí của tổ chức. Đây là bài toán resource allocation, và nó thuộc về lãnh đạo.

4. Measurement leakage — có bằng chứng AI hoạt động, không có bằng chứng AI tạo giá trị

Doanh nghiệp đo số giờ tiết kiệm, số prompt, số user active, số tài liệu được tạo. Nhưng không nối các chỉ số đó với revenue, margin, conversion, cost-to-serve, time-to-market, hay chất lượng. Khi đó tổ chức có rất nhiều bằng chứng AI đang hoạt động, nhưng không có bằng chứng nào AI đang tạo giá trị.

Tôi đã viết ở bài về đo lường rằng một phép đo không thể sai thì không đo gì cả. “Số giờ tiết kiệm” là một phép đo như vậy: nó gần như luôn tăng, và vì thế nó gần như không nói gì về EBIT.

High performers cho ta một manh mối

McKinsey định nghĩa nhóm AI high performers là những tổ chức báo cáo AI đóng góp ít nhất 5% EBIT và mô tả tác động của nó là “đáng kể”. Nhóm này chỉ chiếm khoảng 6% mẫu khảo sát, và tỷ lệ đó không tăng so với năm trước.

Điều đáng chú ý không phải là họ dùng model tốt hơn. Gần ba phần tư nhóm này nói họ đã fundamentally redesign workflow quanh AI, so với khoảng một phần tư các tổ chức còn lại. Họ cũng theo đuổi growth và innovation bên cạnh efficiency — trong khi khoảng 80% cả hai nhóm đều nhắm tới efficiency, chỉ high performers mới đặt thêm mục tiêu tăng trưởng lên cùng bàn. Và họ có leadership commitment, impact measurement và risk management mạnh hơn.

Bài tổng hợp của McKinsey dùng một từ mà tôi thấy rất đắt: coherence. Các practice của nhóm này củng cố lẫn nhau, thay vì tồn tại như những initiative riêng lẻ.

Đọc bằng lăng kính ba bước ở trên, high performers là những tổ chức đã đi qua bước 2 một cách có chủ đích. Redesign workflow chính là hành động capture capacity: nó buộc tổ chức phải quyết định phần năng lực mới sẽ chảy vào đâu, thay vì để nó tự tìm đường ra như nước. Giá trị không đến từ một practice xuất sắc. Nó đến từ một hệ thống trong đó workflow, leadership, measurement, risk và incentive cùng hướng về một outcome.

Một nuance về headcount

Có một chi tiết trong khảo sát mà tôi thấy đáng dừng lại, vì nó nói đúng điều tôi đang nói theo một chiều khác.

Năm ngoái, 32% người trả lời dự đoán AI sẽ làm tổng workforce của tổ chức họ giảm trong năm tiếp theo. Năm nay, chỉ 14% nói AI thực sự đã góp phần làm workforce giảm trong năm vừa qua — chưa tới một nửa con số dự đoán. Hai phần ba nói AI gần như không làm thay đổi tổng số nhân sự. Và dù vậy, 39% vẫn tiếp tục dự đoán workforce sẽ giảm trong năm tới.

Tôi đọc con số này không phải như một lời an ủi cho người lao động, mà như một bằng chứng cho luận điểm về capacity capture: năng suất tăng không tự động biến thành headcount reduction — giống như nó cũng không tự động biến thành revenue. Năng suất chỉ tạo ra optionality. Lãnh đạo vẫn phải quyết định dùng phần năng lực mới vào đâu, và phần lớn tổ chức, trong năm vừa qua, đã không quyết định gì cả. Capacity được giải phóng và ở lại đúng chỗ nó được giải phóng.

Câu hỏi nên đặt cho lãnh đạo

Thay vì hỏi “AI đã tiết kiệm cho chúng ta bao nhiêu giờ?”, tôi đề nghị hỏi:

Sau khi AI giải phóng 10.000 giờ làm việc, tổ chức đã chuyển 10.000 giờ đó thành điều gì?

Nếu câu trả lời không rõ, vấn đề không còn nằm ở adoption. Nó nằm ở value conversion.

Và một phép thử đơn giản hơn, dùng được trong bất kỳ cuộc họp điều hành nào:

Nếu năng suất cá nhân tăng 20% nhưng headcount, output có giá trị, revenue, margin và cycle time đều không thay đổi — thì 20% đó đang nằm ở đâu?

Câu trả lời thành thật thường rơi vào một trong bốn chỗ rò rỉ ở trên. Và biết nó nằm ở đâu đã là một nửa công việc.

Operating loop: hai mắt xích ở giữa

Ở các bài trước tôi hay kết bằng một vòng vận hành. Bài này cũng vậy, nhưng điểm mới nằm ở hai mắt xích giữa mà phần lớn framework về AI nhảy qua:

AI Use → Productivity Gain → Released Capacity → Explicit Reallocation → Workflow Outcome → Financial Impact → Learning → Further Redesign

Rất nhiều framework đi thẳng từ Productivity Gain sang Financial Impact, như thể giữa chúng là một mũi tên. Trong thực tế, giữa chúng là hai bước mà tổ chức phải làm bằng tay: nhìn thấy capacity đã được giải phóng, và tái phân bổ nó một cách tường minh — ai, làm gì, đo bằng gì. Hai mắt xích đó không tự chạy. Chúng là công việc của operating model, và chúng chính là nơi giá trị bị thất thoát khi không ai đứng ở đó.

Kết

So với những gì tôi đã viết, bài này đi thêm một bước. Bài trước nói adoption chưa phải transformation. Bài này nói: ngay cả productivity cũng chưa phải value. Productivity chỉ tạo ra capacity. Doanh nghiệp vẫn phải biết cách capture và tái phân bổ capacity đó.

AI không tạo ra enterprise value chỉ bằng cách tiết kiệm thời gian. Nó tạo ra capacity. Giá trị chỉ xuất hiện khi tổ chức biết phải làm gì với capacity đó.

Khoảng cách lớn nhất của AI có lẽ không còn nằm giữa adoption và productivity. Nó nằm giữa productivity được tạo ra và giá trị mà tổ chức thực sự giữ lại được.

Bài viết được gợi mở từ “Four perspectives on what matters now in AI” (New at McKinsey Blog, 25/08/2026 — góc nhìn của Lieven Van der Veken, Dan Tinkoff, Michael Chui và Tara Balakrishnan) và bản khảo sát “The State of AI: Global Survey 2026” (McKinsey & Company). Các số liệu 80% · 37% · 44%/38% · 6% · “gần ba phần tư so với một phần tư” · 32% → 14% và phân bố tác động theo chức năng lấy từ hai nguồn trên. Khung ba bước (Productivity gain → Capacity capture → Enterprise value), bốn chỗ rò rỉ và operating loop là cách diễn giải và quan điểm của tác giả.