AI nâng cao hiệu quả công việc, không có nghĩa là bạn sẽ dễ dàng hơn? Nghiên cứu của Berkeley vạch trần câu chuyện về năng suất 10X của Silicon Valley

Đại học California, Berkeley, Trường Quản trị Kinh doanh Haas đã theo dõi 200 nhân viên ngành công nghệ trong suốt chín tháng, phát hiện ra rằng công cụ AI không giảm khối lượng công việc, ngược lại còn thúc đẩy mô hình làm việc “đa luồng song song” cường độ cao, làm tăng gánh nặng nhận thức và nguy cơ mệt mỏi cùng lúc.
(Phần tiền đề: Giải mã “x402”: Tái cấu trúc niềm tin thanh toán thời đại AI, con đường đến chiếc cốc thánh của nền văn minh máy móc thế hệ tiếp theo)
(Bổ sung bối cảnh: Tầm quan trọng của X402 đối với thanh toán bằng stablecoin)

Mục lục bài viết

• Nhịp làm việc mới luôn phải juggling
• Từ phòng thí nghiệm đến thế giới thực
• Vấn đề không phải ở AI, mà ở việc không ai dạy bạn cách dùng
• Thử nghiệm áp lực của kể chuyện về AI
• Tái điều chỉnh thói quen làm việc hàng chục năm

Nếu bạn đã đọc bất kỳ bản ghi nhớ đầu tư nào của ngành công nghệ trong năm qua, có lẽ bạn sẽ thấy những câu chuyện tương tự: AI sẽ nâng cao năng suất đáng kể, giúp nhân viên làm ít việc hơn, tạo ra nhiều thành quả hơn, lợi nhuận doanh nghiệp vì thế tăng vọt, và con người cuối cùng có thể dành thời gian cho những công việc “sáng tạo hơn”.

Câu chuyện này nghe có vẻ rất đẹp. Nhưng vấn đề là… nó có thể sai.

Hai học giả của Trường Quản trị Kinh doanh Haas, Đại học California, Berkeley, Aruna Ranganathan và Xingqi Maggie Ye, đã công bố một nghiên cứu kéo dài chín tháng trên Harvard Business Review. Từ tháng 4 đến tháng 12 năm 2025, họ theo dõi 200 nhân viên của một công ty công nghệ Mỹ, quan sát các thay đổi hành vi sau khi đưa công cụ AI vào công việc hàng ngày.

Kết luận rất rõ ràng: AI không giảm bớt công việc, AI còn làm tăng cường công việc.

Nhịp làm việc mới luôn phải juggling

Nhóm nghiên cứu phát hiện, việc đưa AI vào không thực sự giúp nhân viên giảm nhiệm vụ hay rút ngắn giờ làm. Ngược lại, nó tạo ra một nhịp làm việc hoàn toàn mới — “đa luồng song song”.

Cụ thể: nhân viên vừa viết mã thủ công, vừa để AI tạo ra các phiên bản thay thế; đồng thời vận hành nhiều AI đại lý xử lý các nhiệm vụ khác nhau; thậm chí còn lấy lại các dự án lâu ngày bỏ quên, với lý do “dù sao AI có thể xử lý trong nền”.

Bề ngoài, đây là nâng cao năng suất. Số dự án mỗi người cùng lúc đẩy mạnh hơn, tốc độ hoàn thành cũng nhanh hơn. Nhưng thực tế mà các nhà nghiên cứu quan sát được là:

“Liên tục chuyển đổi chú ý, kiểm tra kết quả AI thường xuyên, và ngày càng nhiều nhiệm vụ chờ xử lý. Điều này tạo ra gánh nặng nhận thức, cùng cảm giác luôn phải juggling — dù công việc có vẻ đang hiệu quả.”

Nói cách khác, nhân viên thực sự làm nhiều việc hơn. Nhưng họ cũng mệt hơn. Và đó là kiểu mệt “rõ ràng cảm thấy hiệu quả, về đến nhà lại như bị rút cạn năng lượng”.

Từ phòng thí nghiệm đến thế giới thực

Dữ liệu của Berkeley đến từ nội bộ doanh nghiệp, nhưng ngoài tường doanh nghiệp, cùng một mô hình cũng đang diễn ra.

Nhà phát triển nổi tiếng Simon Willison đã chia sẻ lại nghiên cứu này trên blog cá nhân, thừa nhận rằng trải nghiệm và kết luận của ông rất phù hợp. Là một trong những người thực hành lớn nhất về các mô hình ngôn ngữ lớn (LLM) trên toàn cầu, Willison đã lâu nay chia sẻ công khai quy trình làm việc của mình với AI. Ông cho biết, thực tế ông có thể cùng lúc đẩy mạnh hai đến ba dự án song song, và khối lượng công việc hoàn thành vượt xa trước đây.

Nhưng đổi lại, ông chỉ trong vòng một đến hai giờ đã cảm thấy cạn kiệt năng lượng.

Ông còn nhận thấy các nhà phát triển xung quanh cũng xuất hiện mô hình tương tự: có người vì “chỉ cần thêm một prompt nữa thôi” mà thức trắng đêm, ảnh hưởng nghiêm trọng đến chất lượng giấc ngủ. Cảm giác này không giống làm thêm giờ, mà giống như chơi một trò chơi không thể lưu lại tiến trình — biết là nên dừng, nhưng vòng chơi tiếp theo quá hấp dẫn.

Khi các nghiên cứu học thuật và cảm nhận của các nhà thực hành thực tế cùng chỉ về một kết luận, đó không còn là trường hợp cá biệt, mà là vấn đề mang tính cấu trúc.

Vấn đề không phải ở AI, mà ở việc không ai dạy bạn cách dùng

Điều cốt lõi mà nhóm nghiên cứu rút ra là: không phải AI khiến người dùng mệt mỏi, mà là tổ chức thiếu các quy chuẩn cấu trúc rõ ràng về cách sử dụng AI.

Hầu hết các doanh nghiệp khi đưa AI vào đều làm những việc như: mua bản quyền, cấp tài khoản, kèm theo một file PDF “khung chuẩn tốt nhất”, rồi mong nhân viên tự mày mò ra cách dùng tối ưu. Điều này giống như lắp một động cơ tăng áp vào xe đạp, rồi bảo người lái “tự mà xử lý”.

Các nhà nghiên cứu đề xuất: doanh nghiệp cần xây dựng khung thực hành AI chính thức, rõ ràng xác định các trường hợp nên và không nên dùng AI, cũng như cách phân biệt giữa “tăng hiệu quả thực sự” và “chỉ dùng sức mạnh để giậm chân tại chỗ”.

Thử nghiệm áp lực của kể chuyện về AI

Hãy đặt kết luận của nghiên cứu trong bối cảnh lớn hơn.

Trong năm qua, “AI nâng cao năng suất” là một trong những lý do chính thúc đẩy định giá cổ phiếu công nghệ. Từ Nvidia đến Microsoft, từ OpenAI đến các startup AI mới, toàn bộ chuỗi giá trị ngành đều dựa trên giả định: AI sẽ giúp mỗi nhân viên trí thức tăng sản lượng từ 2 đến 10 lần, doanh nghiệp có thể làm nhiều hơn với ít nhân lực hơn, lợi nhuận sẽ tăng theo cấu trúc.

Nhưng nếu Berkeley đúng, nếu hiệu quả thực sự của AI không phải là “làm ít hơn” mà là “làm nhiều hơn nhưng mệt hơn”, thì mô hình định giá này cần phải được điều chỉnh lại.

Năng suất tăng và cường độ công việc tăng cao là hai chuyện khác nhau. Thứ nhất, sẽ giảm chi phí, tăng lợi nhuận; thứ hai, dù tạm thời tăng sản lượng, về lâu dài có thể dẫn đến kiệt sức, tăng tỷ lệ nghỉ việc, giảm chất lượng. Nếu áp dụng phát hiện của Berkeley vào mô hình vận hành doanh nghiệp, AI có thể không mang lại lợi nhuận cao hơn, mà là phân bổ lại cấu trúc chi phí nhân lực: chi phí đào tạo cao hơn, chi phí chăm sóc sức khỏe tâm thần cao hơn, chi phí thay thế nhân viên cao hơn.

Tất nhiên, điều này không có nghĩa AI không có giá trị. Rõ ràng nó có. Nhưng giá trị của nó có thể không nằm ở việc “làm người dùng ít việc hơn”, mà là “làm người dùng làm những việc khác”. Và khác không nhất thiết là dễ dàng hơn.

Tái điều chỉnh thói quen làm việc hàng chục năm

Nghiên cứu này còn ẩn chứa một khía cạnh ít được bàn luận: quá trình thích nghi. Willison cũng nhấn mạnh điều này khi chia sẻ lại.

Các quy chuẩn làm việc hiện tại: cách phân bổ chú ý, cách đo lường hiệu quả, cách định nghĩa “một ngày làm việc” đã được xây dựng qua hàng chục năm. Sự bùng nổ của AI trong giai đoạn 2023–2025 như một cuộc “đại tu” yêu cầu toàn bộ nền kinh tế tri thức học lại cách làm việc trong vòng hai năm.

Việc học lại này không tự nhiên xảy ra, mà cần có thiết kế tổ chức có ý thức, cập nhật nhận thức của quản lý, và quan trọng nhất: thừa nhận rằng “tăng sản lượng” và “làm việc tốt hơn” là hai chuyện hoàn toàn khác nhau.

Silicon Valley thích dùng cụm từ “10x engineer” để mô tả những kỹ sư xuất sắc vượt trội. AI hứa hẹn biến mọi người thành 10x. Nhưng nghiên cứu này cho chúng ta thấy: có thể thứ chúng ta nhận được không phải là hiệu quả gấp 10 lần, mà là mệt mỏi gấp 10 lần… Bạn nghĩ sao?