Trong bài viết trước, chúng ta đã đi qua nghiên cứu của Caosun và Aral về "bẫy tăng cường" của AI, khi công cụ này giúp tăng năng suất ngay lập tức, nhưng có thể làm suy giảm kỹ năng con người theo thời gian (deskilling).
Quan trọng hơn, nghiên cứu chỉ ra rằng ngay cả khi hiểu rõ rủi ro, cá nhân và tổ chức vẫn có xu hướng lựa chọn sử dụng AI vì lợi ích ngắn hạn.
Nhưng câu chuyện này không hoàn toàn mới. Nếu nhìn rộng hơn*, quá trình suy thoái kỹ năng đã từng xuất hiện trong lịch sử kinh tế ở một quy mô lớn hơn nhiều, dù nguyên nhân không phải do lệ thuộc vào AI. Đó là quá trình trình phi công nghiệp hóa (deindustrialization) tại các nền kinh tế phát triển khi họ chuyển sản xuất ra nước ngoài.
Minh họa: Ngô Hà
Trước tiên, hãy so sánh cấu trúc hai hiện tượng. Trong phi công nghiệp hóa, các nền kinh tế phát triển chuyển sản xuất (outsource) sang các nước có chi phí lao động thấp hơn. Họ thu được lợi ích rõ ràng và gần như ngay lập tức: giá thành sản phẩm thấp hơn, lợi nhuận thu về cao hơn, nguồn lực được giải phóng để chuyển sang các hoạt động có giá trị gia tăng cao khác như dịch vụ tài chính, chăm sóc sức khỏe... Nhiều nền kinh tế phát triển như Mỹ và Anh đã trải qua quá trình chuyển đổi này.
Nhưng mỗi nhà máy đóng cửa không chỉ xóa bỏ công ăn việc làm mà còn xóa bỏ cả hệ sinh thái tri thức đi kèm. Đó là kỹ năng vận hành, kinh nghiệm xử lý sự cố, năng lực cải tiến quy trình, mạng lưới nhà cung ứng chuyên biệt, cũng như khả năng đào tạo lớp kỹ sư kế cận.
Khi đại dịch COVID-19 phơi bày sự mong manh của chuỗi cung ứng toàn cầu, nhiều quốc gia muốn đưa sản xuất về nước. Tuy nhiên, họ phát hiện rằng năng lực công nghiệp không phải thứ có thể khôi phục trong thời gian ngắn. Một nhà máy có thể xây lại trong vài năm, nhưng để hình thành và tích lũy lại hệ sinh thái tri thức xung quanh thì cần tới vài thập kỷ.
Với AI cũng vậy. Trong bối cảnh giảm kỹ năng do AI, người lao động dần "outsource" các công việc mang tính nhận thức cho máy. Lợi ích ngắn hạn khá rõ, năng suất tăng, tiến độ deadline được đảm bảo, khối lượng sản phẩm đầu ra ngày càng cải thiện.
Nhưng thực tế, mỗi nhiệm vụ được giao cho AI là một cơ hội rèn luyện bị bỏ qua, một kết nối thần kinh không được củng cố, một phán đoán chuyên môn không được thử thách. Theo thời gian, kỹ năng của con người sẽ mai một dần.
Và khi AI gặp sự cố, khi vấn đề nằm ngoài phạm vi AI có thể xử lý, khi cần phán đoán độc lập trong tình huống mới, người lao động phát hiện ra rằng năng lực nhận thức của mình cũng không phải là thứ có thể bật-tắt ngay được.
Ba điểm tương đồng
Sự tương đồng cấu trúc giữa bẫy tăng cường của AI với quá trình trình phi công nghiệp hóa đi sâu hơn bề mặt.
Thứ nhất, cả hai hiện tượng đều có chung cơ chế "lợi ích đến trước, chi phí đến sau". Trong quá trình phi công nghiệp hóa, lợi ích từ việc thuê ngoài thường thể hiện ngay trên báo cáo tài chính quý tiếp hoặc năm tiếp, trong khi sự suy giảm năng lực công nghiệp chỉ lộ diện sau một, hai thập kỷ. Với việc suy giảm kỹ năng do AI, năng suất có thể cải thiện ngay từ những ngày đầu, nhưng sự bào mòn kỹ năng phải sau vài tháng, thậm chí vài năm, mới trở nên rõ rệt.
Sự lệch pha về thời gian này khi kết hợp với bất kỳ hình thức chiết khấu nào (dù là chiết khấu lãi suất trong kinh tế hay chiết khấu giá trị con người trong lao động) đều dẫn tới cùng hệ quả là những lựa chọn tưởng như hợp lý ở từng thời điểm riêng lẻ lại dẫn đến suy thoái lâu dài.
Sự chuyển dịch sản xuất thép toàn cầu vào thập niên 70 đã khiến trung tâm công nghiệp Youngstown (Mỹ) rơi vào cảnh đình trệ. Ảnh: Wikimedia Commons.
Thứ hai, cả hai đều có hiện tượng phân tầng giống nhau. Trong phi công nghiệp hóa, không phải quốc gia phát triển nào cũng suy thoái công nghiệp. Đức và Nhật Bản duy trì được nền tảng sản xuất vững chắc, trong khi Anh và một số vùng công nghiệp của Mỹ bị bào mòn gần như hoàn toàn. Sự khác biệt không nằm ở áp lực cạnh tranh (tất cả đều chịu chung), mà ở cách các nước phản ứng, ở cấu trúc thể chế bảo vệ năng lực sản xuất, ở hệ thống đào tạo nghề, ở mối liên kết giữa nghiên cứu và công nghiệp.
Trong suy giảm kỹ năng do AI, mô hình của Caosun và Aral cho thấy, trong một nhóm sử dụng cùng một công nghệ AI, những người có nền tảng vững vẫn tiếp tục phát triển, trong khi người thiếu nền tảng có nguy cơ vĩnh viễn mất đi năng lực cốt lõi. Sự khác biệt ban đầu giữa hai nhóm người có thể rất nhỏ, nhưng các vòng lặp tự củng cố sẽ dần khuếch đại khoảng cách, dẫn tới phân hóa lao động ngày càng sâu.
Ngành dệt may của thị trấn Fall River, Massachusetts, Mỹ đã trải qua hai lần phi công nghiệp hóa, chuyển sản xuất ra khỏi địa phương (1920-1930) và chuyển sản xuất ra nước ngoài (1970-nay). Hệ quả là hàng nghìn lao động nữ bị mất việc. Ảnh tư liệu: Fall River Historical.
Và cuối cùng, cả hai đều có cùng nghịch lý về nhận thức. Trong suốt quá trình phi công nghiệp hóa, không thiếu các tiếng nói cảnh báo của các nhà kinh tế học, lãnh đạo công đoàn, kỹ sư công nghiệp chỉ ra rằng mất năng lực sản xuất sẽ có hậu quả dài hạn nghiêm trọng với quốc gia, ngành công nghiệp và địa phương. Tuy nhiên, những cảnh báo này không thay đổi được hành vi, vì cấu trúc khuyến khích vẫn tưởng thưởng cho việc thuê ngoài để tối ưu chi phí và trừng phạt việc giữ sản xuất trong nước tốn kém.
Tương tự, mô hình Caosun và Aral chứng minh rằng, ngay cả khi công ty và người lao động biết rõ AI đang mài mòn kỹ năng lao động, họ vẫn chọn dùng AI, vì lợi ích tích lũy trong giai đoạn chuyển tiếp được cho là "đủ lớn" để bù đắp thiệt hại theo cách tính giá trị hiện tại.
Thiết kế lại cơ chế khuyến khích
Nếu nhìn theo ba lăng kính trên, việc "ủy thác suy nghĩ" cho AI có thể được xem như phiên bản ở cấp cá nhân của một quá trình công nghiệp từng xảy ra ở cấp quốc gia. Cả hai đều hợp lý ở mỗi bước, nhưng dần dần lại làm mất đi năng lực tích lũy trong nhiều năm và khi cái giá thực sự lộ ra thì đã khó quay lại như trước.
Tuy vậy, chính những điểm tương đồng này cũng gợi ra một tín hiệu lạc quan. Phi công nghiệp hóa không phải là định mệnh. Trường hợp Đức cho thấy một nền kinh tế phát triển vẫn có thể duy trì năng lực sản xuất ở đẳng cấp cao nếu xây dựng được cấu trúc thể chế phù hợp — từ hệ thống đào tạo nghề kép, sự gắn kết chặt chẽ giữa nghiên cứu và công nghiệp, đến văn hóa coi trọng tay nghề (Meisterkultur).
Thiết kế một quy trình làm việc theo hướng tăng cường sự phối hợp giữa con người và AI, trong đó con người vẫn giữ vai trò đưa ra phán đoán độc lập. Ảnh: Virtuability
Tương tự với suy giảm kỹ năng do AI, kịch bản cũng không tất yếu theo chiều hướng tiêu cực. Mô hình Caosun và Aral xác định rõ có 2/5 vùng triển khai là hoàn toàn có lợi cả ngắn hạn lẫn dài hạn, còn các vùng khác sẽ gây bất lợi.
Vấn đề nằm ở cách chúng ta thiết kế và sử dụng AI. Nếu vẫn giữ nguyên cấu trúc khuyến khích cũ là "ưu tiên lợi ích trước mắt, đánh đổi chi phí lâu dài" thì chúng ta sẽ chỉ rơi vào những vùng bất lợi, và càng lún sâu vào cái bẫy của AI.
Ngược lại, để sinh tồn và phát huy được những vùng triển khai AI có lợi, có ba đòn bẩy mà Caosun và Aral chỉ ra. Đây đều là các can thiệp khả thi ở cấp tổ chức, gồm: (i) tăng độ phục hồi kỹ năng của người lao động thông qua các hình thức rèn luyện có cấu trúc; (ii) kéo dài tầm nhìn của nhà quản lý để giảm áp lực tối ưu hiệu suất ngắn hạn lên người lao động, (iii) và thiết kế một quy trình làm việc theo hướng tăng cường sự phối hợp giữa con người và AI, trong đó con người vẫn giữ vai trò đưa ra phán đoán độc lập.
Thực tế, câu hỏi cấp bách hiện nay không còn là AI có làm xói mòn kỹ năng hay không — điều này đã có khá nhiều bằng chứng rõ ràng. Câu hỏi là liệu chúng ta có rút ra được bài học gì từ phi công nghiệp hóa, rằng nhận thức được vấn đề là không đủ nếu cấu trúc khuyến khích không thay đổi, hay chúng ta sẽ tiếp tục lại cùng một sai lầm ở quy mô khác.
--
* Bài viết thể hiện quan điểm cá nhân của người viết, góc nhìn về phi công nghiệp hóa là cách tiếp cận mở rộng do người viết đề xuất.
--
Tài liệu tham khảo:
Caosun, M., & Aral, S. (4/2026). The augmentation trap: AI productivity and the cost of cognitive offloading. arXiv.org. https://arxiv.org/abs/2604.03501