AI tăng năng suất — nhưng có làm suy yếu năng lực dài hạn của doanh nghiệp?
Trong thời gian gần đây, tôi nhận thấy một xu hướng ngày càng rõ ở nhiều doanh nghiệp:
Họ không còn muốn tuyển intern, fresher hoặc junior. Thay vào đó, họ ưu tiên những ứng viên từ senior trở lên — những người có thể bắt đầu công việc nhanh, ít cần hướng dẫn và biết sử dụng AI để tạo ra sản lượng cao hơn.
Xét từ góc độ vận hành ngắn hạn, quyết định này hoàn toàn dễ hiểu.
Một senior kết hợp với AI có thể làm được khối lượng công việc từng cần nhiều người. Doanh nghiệp giảm được thời gian đào tạo, giảm chi phí quản lý và hạn chế những sai sót thường xuất hiện ở nhân sự chưa có kinh nghiệm.
Nhưng chính sự hợp lý trong ngắn hạn đó có thể tạo ra một rủi ro rất lớn trong dài hạn:
Nếu doanh nghiệp không còn tuyển người mới và không còn tạo ra môi trường để họ học nghề, senior của năm năm hoặc mười năm tới sẽ đến từ đâu?
Đây không chỉ là vấn đề cơ hội việc làm cho người trẻ.
Đây là vấn đề về khả năng duy trì năng lực của chính doanh nghiệp.
Một tổ chức có thể tăng năng suất trong năm nay nhưng đồng thời làm suy yếu nguồn nhân lực kế cận, khả năng truyền đạt tri thức, chất lượng quản lý và năng lực chuyên môn của mình trong những năm sau đó.
AI đang làm thay đổi tầng đáy của kim tự tháp nhân tài
Trong nhiều thập kỷ, nhân sự mới bắt đầu sự nghiệp bằng những công việc tương đối cơ bản:
- Nghiên cứu và tổng hợp thông tin.
- Làm sạch dữ liệu.
- Viết bản phân tích đầu tiên.
- Chuẩn bị tài liệu.
- Viết những phần code đơn giản.
- Kiểm tra hồ sơ.
- Theo dõi quy trình.
- Hỗ trợ những người có kinh nghiệm hơn.
Nhìn riêng lẻ, đây có thể là những công việc lặp lại, tốn thời gian và rất phù hợp để tự động hóa.
Nhưng chúng còn có một chức năng khác mà doanh nghiệp thường không ghi nhận trên báo cáo năng suất:
Đó là những công việc giúp con người học nghề.
Một junior không chỉ học bằng cách đọc tài liệu hoặc tham dự khóa đào tạo. Họ học bằng cách tự thực hiện một công việc, phạm sai lầm, nhận phản hồi và quan sát cách một người có kinh nghiệm nhìn nhận vấn đề.
Họ học khi bản phân tích đầu tiên bị sửa.
Họ học khi một giả định tưởng như hợp lý bị bác bỏ.
Họ học khi phát hiện dữ liệu đúng nhưng kết luận lại sai.
Họ học khi thấy một giải pháp tốt về mặt kỹ thuật nhưng không phù hợp với bối cảnh kinh doanh.
AI đang hấp thụ chính những hoạt động từng đóng vai trò là “phòng tập” để nhân sự mới hình thành bản năng nghề nghiệp và khả năng phán đoán.
McKinsey nhận định rằng nghiên cứu, documentation, data cleanup, basic coding và preliminary analysis — những công việc AI đang ngày càng đảm nhiệm — cũng chính là các hoạt động qua đó nhân sự trẻ từng xây dựng judgment và dần được giao những trách nhiệm lớn hơn.
Thị trường lao động dành cho người mới cũng đang có dấu hiệu khó khăn hơn. Tại Mỹ, tỷ lệ thất nghiệp của những người mới tốt nghiệp đại học vào quý I/2026 ở mức khoảng 5,7% (theo Fed New York), trong khi khoảng bốn trên mười người đang làm những công việc vốn không yêu cầu bằng đại học. Một nghiên cứu của Stanford Digital Economy Lab cũng ghi nhận mức giảm việc làm tương đối 16% đối với nhóm từ 22 đến 25 tuổi trong những nghề chịu ảnh hưởng cao nhất từ AI. Tuy nhiên, mức độ AI trực tiếp gây ra những thay đổi này vẫn còn đang được tranh luận; làm việc từ xa và các yếu tố kinh tế khác cũng có thể góp phần đáng kể.
Dù nguyên nhân chính xác là gì, doanh nghiệp không thể tiếp tục mặc định rằng cơ chế học nghề truyền thống sẽ tự tồn tại.
“Tuyển senior, tự động hóa junior” là một chiến lược không thể duy trì lâu dài
AI đang tạo ra một sự bất cân xứng đáng chú ý.
Người có kinh nghiệm thường nhận được một AI boost. Họ đã có nền tảng chuyên môn và biết cách:
- Đặt câu hỏi phù hợp.
- Đánh giá kết quả.
- Nhận ra một câu trả lời có vẻ hợp lý nhưng thực chất sai.
- Phát hiện những trường hợp ngoại lệ.
- Biết khi nào cần bỏ qua đề xuất của AI.
- Kết nối đầu ra của AI với bối cảnh kinh doanh.
Trong khi đó, người mới có thể gặp phải một AI drag.
Họ nhận được rất nhiều đầu ra nhưng chưa có đủ kiến thức để xác định đầu ra nào đáng tin. Họ có thể tạo được một bản báo cáo hoàn chỉnh mà chưa thực sự hiểu logic bên trong. Họ có thể viết được code chạy được mà không biết cách debug khi hệ thống gặp một tình huống mới.
Điều này tạo ra một động lực rất rõ đối với doanh nghiệp:
Thay vì tuyển nhiều junior rồi dành thời gian đào tạo, hãy tuyển một số senior và trang bị AI để họ tạo ra nhiều sản lượng hơn.
Nhưng chiến lược đó âm thầm loại bỏ tầng đáy của kim tự tháp nhân tài — trong khi mọi senior, manager và leader trong tương lai đều phải đi lên từ chính tầng đáy ấy.
Hai lãnh đạo kỹ thuật cấp cao của Microsoft, Mark Russinovich và Scott Hanselman, đã mô tả rất thẳng thắn vấn đề này: các công cụ agentic coding tạo ra “AI boost” cho kỹ sư cao cấp nhưng có thể tạo ra “AI drag” đối với nhân sự mới chưa đủ judgment để điều hướng và kiểm tra kết quả. Khuyến nghị của họ là doanh nghiệp vẫn phải tiếp tục tuyển early-career talent, chấp nhận rằng những người này ban đầu có thể làm giảm capacity và biến sự trưởng thành của họ thành một mục tiêu chính thức của tổ chức.
Đây là một dạng “nợ năng lực”.
Doanh nghiệp nhận được lợi ích ngay lập tức nhưng chuyển chi phí sang tương lai. Khoản nợ này chưa xuất hiện trên báo cáo tài chính. Nó chỉ trở nên rõ ràng khi không có ai đủ năng lực thay thế người chủ chốt, khi senior bị quá tải vì vừa làm việc vừa sửa kết quả do AI tạo ra, và khi công ty buộc phải tranh giành nhân sự có kinh nghiệm với mức chi phí ngày càng cao.
Hoàn thành một công việc không đồng nghĩa với hình thành năng lực
Một trong những rủi ro lớn nhất của AI là nó có thể tạo ra ảo giác về năng lực.
Một nhân viên có thể sử dụng AI để tạo ra một báo cáo tốt, một bản thiết kế hợp lý hoặc một đoạn code hoàn chỉnh. Doanh nghiệp nhìn vào output và kết luận rằng nhân viên đã có khả năng thực hiện công việc đó.
Nhưng năng lực thực sự chỉ được kiểm chứng khi:
- AI không có sẵn.
- Dữ liệu không đầy đủ.
- Tình huống khác với những ví dụ trước đây.
- Kết quả AI đưa ra có lỗi.
- Hai nguồn thông tin mâu thuẫn với nhau.
- Người thực hiện phải giải thích và bảo vệ quyết định của mình.
Một nghiên cứu thực nghiệm về việc sử dụng AI để học một thư viện lập trình mới cho thấy người tham gia dựa nhiều vào AI có kết quả thấp hơn về hiểu khái niệm, đọc code và debugging. Nhóm giao toàn bộ việc viết code cho AI có thể hoàn thành nhanh hơn, nhưng phải đánh đổi bằng khả năng thực sự nắm được kiến thức mới. Ngược lại, những người dùng AI để hỏi về khái niệm, yêu cầu giải thích và kiểm tra mức độ hiểu của mình giữ được kết quả học tập tốt hơn.
Nghiên cứu này còn có phạm vi giới hạn và không nên được khái quát hóa cho mọi nghề nghiệp. Tuy nhiên, nó cho thấy một nguyên tắc quan trọng:
AI tạo ra sản lượng không tự động tạo ra năng lực. Kết quả phụ thuộc vào cách AI được đặt vào quá trình làm việc và học tập.
Nếu nhân viên chỉ được đánh giá bằng tốc độ hoàn thành output, họ sẽ có động lực giao càng nhiều việc cho AI càng tốt.
Nếu doanh nghiệp muốn xây dựng chuyên môn dài hạn, họ phải thiết kế workflow buộc con người duy trì sự tham gia về nhận thức: tự hình thành giả thuyết, đưa ra quyết định ban đầu, kiểm tra kết quả và giải thích lập luận.
Doanh nghiệp không nên giữ lại công việc thủ công chỉ để “cho junior có việc làm”
Giải pháp không phải là từ chối AI hoặc cố giữ lại những công việc lặp lại mà máy móc có thể thực hiện tốt hơn.
Yêu cầu một nhân viên dành nhiều giờ để sao chép dữ liệu, định dạng tài liệu hoặc thực hiện một tác vụ không tạo ra giá trị chỉ vì “trước đây ai cũng phải học theo cách đó” cũng không phải là chiến lược phát triển con người tốt.
Câu hỏi đúng không phải là:
Làm thế nào để giữ nguyên những công việc entry-level trước đây?
Câu hỏi đúng là:
Làm thế nào để thiết kế lại công việc entry-level, để người mới có thể tạo ra giá trị trong môi trường có AI đồng thời vẫn xây dựng được judgment và chuyên môn?
Trong một khảo sát của Strada Institute (xuân 2026) với khoảng 1.500 lãnh đạo doanh nghiệp và lãnh đạo nhân sự cấp cao, số người dự kiến AI sẽ làm tăng tuyển dụng entry-level trong năm 2026 nhiều gần gấp ba lần số người dự kiến nó sẽ làm giảm tuyển dụng. Tuy nhiên, một phần ba doanh nghiệp cũng cho biết AI đã làm giảm những tác vụ nền tảng mà nhân sự mới từng sử dụng để học nghề.
Điều này cho thấy tương lai của early-career talent chưa được định sẵn.
AI có thể làm suy yếu talent pipeline, nhưng AI cũng có thể giúp nhân sự trẻ học nhanh hơn, tiếp cận chuyên môn sớm hơn và đóng góp ở cấp độ cao hơn.
Kết quả phụ thuộc vào lựa chọn thiết kế của doanh nghiệp.
Doanh nghiệp nên làm gì?
1. Đừng chỉ đo năng suất hiện tại; hãy đo cả khả năng tạo ra năng lực tương lai
Phần lớn chương trình AI được đánh giá bằng các chỉ số như thời gian tiết kiệm, số lượng output, chi phí trên mỗi tác vụ, số lượng công việc được tự động hóa và năng suất trên mỗi nhân viên.
Những chỉ số này cần thiết nhưng chưa đủ.
Doanh nghiệp cũng cần đo tỷ lệ intern, fresher và junior trong cơ cấu tuyển dụng; tốc độ từ junior lên mid-level; tỷ lệ vị trí quản lý được bổ nhiệm từ nguồn nội bộ; mức độ phụ thuộc vào một số chuyên gia chủ chốt; thời gian cần thiết để một nhân viên mới làm việc độc lập; và mức độ cải thiện judgment sau mỗi chu kỳ công việc.
Ban lãnh đạo nên yêu cầu mọi business case về AI trả lời hai câu hỏi:
- Workflow này sẽ giảm bao nhiêu công việc?
- Sau khi giảm những công việc đó, nhân viên sẽ học và phát triển năng lực bằng cách nào?
Nếu câu hỏi thứ hai không có câu trả lời, doanh nghiệp đang tự động hóa nhanh hơn khả năng thích nghi của tổ chức.
2. Bảo vệ talent pipeline như một khoản đầu tư chiến lược
Doanh nghiệp thường coi tuyển junior là một quyết định ngắn hạn dựa trên headcount và productivity.
Cách nhìn phù hợp hơn là xem early-career hiring như đầu tư vào nguồn cung năng lực tương lai.
Bank of America là một ví dụ đáng chú ý. Trong năm 2026, ngân hàng này dự kiến tiếp nhận gần 4.000 thực tập sinh và nhân sự tuyển từ trường đại học, tương đương năm trước, đồng thời chủ động thiết kế lại những vai trò đó để làm việc với AI ngay từ đầu.
Thông điệp ở đây không phải mọi doanh nghiệp đều phải tuyển hàng nghìn intern.
Thông điệp là:
Doanh nghiệp có thể tiếp tục đầu tư vào người mới, nhưng phải thay đổi những gì họ được tuyển vào để làm.
Một số công ty có thể giảm số lượng junior nhưng đầu tư sâu hơn cho từng người. Một số có thể xây chương trình rotation. Một số có thể tạo apprenticeship theo dự án. Một số có thể tuyển generalist có tiềm năng học nhanh thay vì tuyển người chỉ biết một tác vụ hẹp.
Điều quan trọng là talent pipeline phải được thiết kế có chủ động, không được để nó biến mất như một hệ quả ngoài ý muốn của tự động hóa.
3. Thiết kế lại vai trò junior quanh judgment, không quanh những tác vụ AI dễ làm
Trong mô hình cũ, một junior thường được giao một phần việc nhỏ và hẹp.
Trong mô hình mới, AI có thể xử lý phần lớn những thao tác đó. Vai trò junior nên chuyển sang: xác định vấn đề, chuẩn bị và kiểm tra context, đánh giá chất lượng đầu ra của AI, tìm kiếm evidence, so sánh các phương án, phát hiện trường hợp ngoại lệ, ghi nhận những điều AI chưa biết, kết nối kết quả với nhu cầu kinh doanh và escalate những quyết định vượt quá phạm vi của mình.
Điều đó không có nghĩa là junior phải có judgment của senior ngay khi được tuyển. Họ cần được đặt vào các workflow giúp judgment được hình thành từng bước.
McKinsey nhận định rằng entry-level work đang chuyển từ việc thực hiện các tác vụ riêng lẻ sang học cách công việc vận hành trong một hệ thống có AI — qua đó phát triển judgment, oversight và adaptability để vừa đóng vai trò người thực hiện, vừa giám sát “lao động số”.
4. Áp dụng mô hình “con người làm trước, AI phản biện sau”
Một trong những cách tốt nhất để vừa tận dụng AI vừa bảo vệ quá trình học là mô hình answer key:
- Nhân viên tự phân tích vấn đề trước.
- Họ ghi lại giả định, lập luận và đề xuất ban đầu.
- Sau đó AI đưa ra phương án hoặc đánh giá riêng.
- Nhân viên so sánh hai kết quả.
- Quản lý tập trung coaching vào sự khác biệt.
- Những khoảng trống kiến thức được ghi nhận để cải thiện tài liệu và đào tạo.
Trong mô hình này, AI không lấy mất quá trình suy nghĩ. AI giúp rút ngắn vòng phản hồi.
Khoảng cách giữa câu trả lời độc lập của nhân viên và đầu ra của AI cũng có thể trở thành một chỉ số phát triển. Khi khoảng cách thu hẹp theo thời gian và nhân viên có thể giải thích vì sao họ đồng ý hoặc không đồng ý với AI, đó là bằng chứng judgment đang được hình thành.
Không phải công việc nào cũng cần áp dụng mô hình này. Với những tác vụ hành chính có rủi ro thấp, AI có thể tự động hóa gần như hoàn toàn. Nhưng với các công việc tạo nên chuyên môn cốt lõi — phân tích, kiến trúc, chiến lược, đánh giá rủi ro, tuyển dụng, pháp lý hoặc ra quyết định — doanh nghiệp cần bảo vệ một phần “tư duy độc lập trước khi xem đáp án”.
5. Biến tri thức của senior thành tài sản của tổ chức
Doanh nghiệp không thể đào tạo thế hệ tiếp theo nếu những gì senior biết chỉ nằm trong đầu họ.
Knowledge management trong kỷ nguyên AI không chỉ là lưu tài liệu. Doanh nghiệp phải ghi nhận framework mà chuyên gia sử dụng, quy tắc ra quyết định, những câu hỏi họ thường đặt ra, dấu hiệu khiến họ nghi ngờ một kết quả, các trade-off họ cân nhắc, những trường hợp ngoại lệ, những sai lầm từng xảy ra và cách họ điều chỉnh quyết định theo bối cảnh.
Tri thức đó phải được sở hữu, xác thực bởi chuyên gia, gắn với phạm vi áp dụng, cập nhật theo thời gian, có version rõ ràng và đưa vào workflow đúng thời điểm.
Một AI knowledge system tốt không chỉ trả lời “quy trình là gì”. Nó cần giúp người mới hiểu:
Tại sao người có kinh nghiệm lại đưa ra quyết định này trong tình huống đó?
Chuyên môn cần được mã hóa thành framework, decision rule, assumption và past judgment để AI có thể đưa những kiến thức đó vào công việc hằng ngày. AI lúc này có thể trở thành cầu nối giữa chuyên gia và người mới — nhưng chỉ khi nguồn tri thức phía sau được quản trị nghiêm túc.
6. Biến coaching thành trách nhiệm chính thức của quản lý
Nhiều doanh nghiệp nói rằng manager phải phát triển nhân viên, nhưng lại đánh giá manager gần như hoàn toàn dựa trên delivery.
Khi deadline đến gần, coaching luôn là việc đầu tiên bị cắt bỏ. Trong môi trường AI, cách làm này càng nguy hiểm. Junior có thể tạo ra output nhanh hơn nên manager dễ tưởng rằng họ không còn cần hướng dẫn. Nhưng chính lúc đó, manager phải chuyển trọng tâm từ sửa thao tác sang dạy judgment, context, trade-off, communication, influence, accountability và khả năng nhận ra AI đang sai.
Một mô hình phù hợp là mỗi senior chính thức phụ trách một nhóm nhỏ junior. Senior quan sát cách họ sử dụng AI: chấp nhận điều gì, bác bỏ điều gì, bỏ sót điều gì và dựa vào evidence nào.
Vai trò của mentor không còn chỉ là trả lời câu hỏi. Vai trò đó trở thành dạy cách suy nghĩ.
Russinovich và Hanselman đề xuất mô hình “preceptor”, tương tự cách một nhân sự y tế mới thực hành dưới sự giám sát của một người có kinh nghiệm trước khi được phép làm việc độc lập. Trong môi trường kỹ thuật, senior có thể làm việc với một nhóm nhỏ junior và AI để quan sát cách họ đưa ra quyết định.
Không thể yêu cầu senior tạo ra toàn bộ năng suất được AI khuếch đại, đồng thời huấn luyện junior mà không điều chỉnh workload. Coaching phải được đưa vào job description của manager, mục tiêu hiệu suất, workforce planning, capacity allocation và promotion criteria.
7. Tạo những khu vực AI được tự do sử dụng và những khu vực phải duy trì tư duy độc lập
Một chính sách AI chỉ có hai lựa chọn — được sử dụng hoặc bị cấm — là quá đơn giản.
Doanh nghiệp nên phân loại workflow theo mục tiêu:
- Vùng tự động hóa. Áp dụng cho các tác vụ lặp lại, ít rủi ro và không tạo ra năng lực cốt lõi. AI có thể thực hiện với mức tự chủ cao.
- Vùng tăng cường năng suất. Con người và AI cùng thực hiện. Người dùng vẫn chịu trách nhiệm kiểm tra đầu ra.
- Vùng phát triển năng lực. Nhân viên phải tự suy nghĩ hoặc thực hiện một phần quan trọng trước khi sử dụng AI. AI đóng vai trò phản biện, hướng dẫn hoặc tạo phản hồi.
- Vùng quyết định có rủi ro cao. AI chỉ cung cấp evidence và recommendation. Quyết định cuối cùng phải thuộc về người có đủ thẩm quyền và năng lực chuyên môn.
Cách phân loại này giúp doanh nghiệp tránh hai cực đoan: buộc nhân viên làm thủ công mọi thứ, hoặc cho phép AI thay thế toàn bộ quá trình suy nghĩ.
Một chương trình hành động trong 90 ngày
Doanh nghiệp không cần xây một chương trình chuyển đổi nhân tài quy mô lớn ngay lập tức. Có thể bắt đầu bằng một workflow quan trọng.
Trong 30 ngày đầu
- Chọn một bộ phận chịu ảnh hưởng mạnh từ AI.
- Xác định những tác vụ entry-level đang biến mất.
- Xác định năng lực từng được hình thành qua những tác vụ đó.
- Đánh giá rủi ro thiếu hụt mid-level và senior trong ba đến năm năm.
- Xác định những chuyên gia đang nắm giữ tri thức quan trọng.
- Chọn một workflow để thử nghiệm mô hình answer key.
Trong ngày 31–60
- Thiết kế lại vai trò junior quanh việc kiểm tra, giải thích và cải thiện đầu ra AI.
- Giao một senior làm preceptor cho nhóm nhỏ.
- Ghi nhận framework và decision rule của chuyên gia.
- Xây tiêu chí đánh giá judgment, không chỉ đánh giá output.
- Tạo quy tắc rõ ràng về thời điểm nhân viên phải tự làm trước khi dùng AI.
Trong ngày 61–90
- So sánh chất lượng đầu ra và mức độ tiến bộ của nhân viên.
- Đo khoảng cách giữa phương án độc lập và phương án do AI hỗ trợ.
- Đánh giá workload coaching của senior.
- Xác định nội dung tri thức còn thiếu.
- Điều chỉnh recruitment profile và chương trình onboarding.
- Quyết định workflow nào nên mở rộng sang các bộ phận khác.
Bảy câu hỏi ban lãnh đạo nên đặt ra ngay bây giờ
- Chúng ta đang giảm những vị trí entry-level nào vì AI?
- Những vị trí đó từng tạo năng lực gì cho tổ chức?
- Nếu không còn những công việc đó, nhân viên mới sẽ học judgment bằng cách nào?
- Tỷ lệ senior tương lai nào dự kiến được phát triển từ nội bộ?
- Senior hiện tại có được dành capacity để coaching hay chỉ được yêu cầu tăng output?
- Hệ thống knowledge của chúng ta đang lưu tài liệu hay đang thực sự lưu cách chuyên gia suy nghĩ?
- Chúng ta đang đo thành công của AI bằng năng suất hiện tại hay bằng cả khả năng duy trì năng lực trong tương lai?
Nếu ban lãnh đạo chưa thể trả lời những câu hỏi này, doanh nghiệp có thể đang triển khai AI nhanh hơn khả năng xây dựng tổ chức cho thời đại AI.
Tăng năng suất không nên đồng nghĩa với ngừng phát triển con người
Tôi không cho rằng doanh nghiệp nên tiếp tục tuyển dụng theo cách cũ chỉ để bảo vệ một mô hình nghề nghiệp đã lỗi thời.
AI chắc chắn sẽ làm biến mất nhiều tác vụ cơ bản. Vai trò của intern, fresher và junior cũng phải thay đổi.
Nhưng loại bỏ tác vụ cơ bản không đồng nghĩa với việc loại bỏ người mới.
Ngược lại, AI có thể giúp người trẻ tiếp cận tri thức sớm hơn, nhận phản hồi nhanh hơn và tham gia vào những vấn đề có giá trị cao hơn ngay từ đầu sự nghiệp.
Điều kiện là doanh nghiệp phải chủ động thiết kế lại công việc.
Sự lựa chọn thực sự không phải giữa năng suất và đào tạo.
Sự lựa chọn là giữa hai cách dùng AI:
Dùng AI để giảm nhu cầu phát triển con người.
Hoặc:
Dùng AI để giúp con người phát triển nhanh hơn và đóng góp sớm hơn.
Cách thứ nhất có thể làm báo cáo năng suất của năm nay đẹp hơn.
Cách thứ hai tạo ra năng lực cạnh tranh cho nhiều năm sau.
Một doanh nghiệp chỉ tuyển senior có thể hoạt động rất hiệu quả trong một thời gian. Nhưng nếu tất cả doanh nghiệp đều làm như vậy, thị trường sẽ ngày càng có ít senior hơn để tuyển.
Và nếu chính doanh nghiệp không tạo ra thế hệ chuyên gia tiếp theo, sớm hay muộn họ sẽ phải cạnh tranh để mua lại năng lực mà họ đã quyết định không xây dựng.
AI có thể tạo ra câu trả lời, phân tích, tài liệu và code.
Nhưng AI không thể tự chịu trách nhiệm xây dựng talent pipeline cho doanh nghiệp.
Đó vẫn là trách nhiệm của lãnh đạo.
Câu hỏi không phải là AI có thể thay thế bao nhiêu công việc của junior.
Câu hỏi quan trọng hơn là:
Doanh nghiệp đang sử dụng năng suất do AI tạo ra để xây dựng một tổ chức mạnh hơn — hay chỉ đang tiêu dùng trước năng lực của tương lai?
Bài viết được gợi mở từ “Building expertise in the age of AI: Who trains the next generation?” (McKinsey & Company, tháng 7/2026). Các nguồn dữ liệu và nghiên cứu khác được tham chiếu: số liệu giảm việc làm 16% ở nhóm 22–25 tuổi từ “Canaries in the Coal Mine” (Erik Brynjolfsson và cộng sự, Stanford Digital Economy Lab); thí nghiệm học thư viện lập trình từ “How AI Impacts Skill Formation” (Judy Hanwen Shen và Alex Tamkin); khung “AI boost / AI drag” và mô hình “preceptor” từ “Redefining the Software Engineering Profession for AI” (Mark Russinovich và Scott Hanselman, Communications of the ACM); tỷ lệ thất nghiệp new-grad từ Federal Reserve Bank of New York; khảo sát tuyển dụng entry-level từ Strada Institute for the Future of Work; dữ liệu tuyển dụng của Bank of America. Nội dung và các framework trong bài là cách diễn giải và quan điểm của tác giả.