Tháng 4/2026, hai nhà nghiên cứu Michael Caosun và Sinan Aral (MIT Sloan) công bố bản thảo The augmentation trap (Bẫy tăng cường) trên arXiv [1]. Trong bản thảo này, họ sử dụng mô hình toán học để phân tích câu hỏi mà các thí nghiệm ngắn hạn không trả lời được, đó là AI tăng năng suất thấy ngay trong tức thời nhưng lại làm xói mòn năng lực chuyên môn của người dùng, vậy hệ quả lâu dài sẽ ra sao?
Kết luận của họ có một điểm đáng chú ý, rằng không phải con người "không biết" tác hại của AI, mà ngay cả khi hiểu rõ việc phụ thuộc vào AI có thể làm kỹ năng yếu đi, họ vẫn có xu hướng sử dụng AI. Những lý do có tính hệ thống hiện nay - như cách đánh giá hiệu suất, áp lực công việc - khiến việc dùng AI trở thành lựa chọn có lợi trước mắt.
Không phải là con người "không biết" tác hại của AI, mà ngay cả khi mọi người hiểu rõ việc phụ thuộc vào AI có thể làm kỹ năng yếu đi, họ vẫn có xu hướng sử dụng chúng. Ảnh minh họa: Getty Images
Bằng chứng nhãn tiền
Caosun và Aral không bắt đầu từ giả thuyết. Họ dựa trên một lượng lớn nghiên cứu đã có trước đó, gồm hơn 100 nghiên cứu được tổng hợp trong một phân tích tổng hợp của Vaccaro và cộng sự (2024).[2]
Các bằng chứng cho thấy hai xu hướng cùng tồn tại. Một mặt, AI giúp tăng năng suất, đặc biệt trong các công việc tạo nội dung. Mặt khác, việc phụ thuộc vào AI trong thời gian dài làm cùn mòn kỹ năng của người dùng.
Ví dụ, một nghiên cứu kéo dài một năm, theo dõi các bác sĩ chuyên khoa ung thư sử dụng AI hỗ trợ chẩn đoán, ghi nhận hiện tượng các bác sĩ đưa ra phán đoán lâm sàng dựa trên trực giác kém hơn sau một thời gian phụ thuộc vào gợi ý của AI.
Một nghiên cứu khác cho thấy sinh viên dùng ChatGPT ghi nhớ kém hơn rõ rệt khi kiểm tra lại sau 45 ngày.
Trong lĩnh vực lập trình, người giao nhiều việc cho AI bị suy thoái kỹ năng nhiều nhất. Ngược lại, những người vẫn chủ động suy nghĩ khi dùng AI bị ảnh hưởng ít hơn, nhưng vẫn kém hơn nhóm không dùng AI.
Tuy nhiên các nghiên cứu này chỉ theo dõi trong thời gian ngắn. Chúng chưa trả lời được điều gì sẽ xảy ra sau nhiều năm, khi kỹ năng tiếp tục giảm còn việc dùng AI tiếp tục tăng. Vì vậy Caosun và Aral xây dựng một mô hình động để xem kỹ năng sẽ biến đổi ra sao trong dài hạn khi có AI.
Hai vùng năng suất
Caosun và Aral đã tách tác động của AI lên năng suất thành hai phần.
Phần thứ nhất (ký hiệu α) là năng suất do AI tạo ra mà không phụ thuộc vào trình độ người dùng, nghĩa là bất kỳ ai dùng cũng gần như cho ra kết quả giống nhau. Ví dụ, AI dịch thuật các văn bản đơn giản cho kết quả tương đương dù người dùng là dịch giả kỳ cựu hay sinh viên năm nhất. Các loại AI nhập liệu, tạo biểu mẫu, hay tóm tắt văn bản đều thuộc loại này.
Phần thứ hai (ký hiệu β) là năng suất phụ thuộc vào kỹ năng của người dùng. Người có chuyên môn càng cao sẽ càng khai thác AI tốt hơn, vì họ biết đặt câu hỏi, kiểm tra và đánh giá kết quả mà AI tạo ra. Ví dụ, cùng một hệ thống AI hỗ trợ chẩn đoán, bác sĩ giàu kinh nghiệm sẽ khai thác được kho dữ liệu bệnh lý và lý thuyết của AI lớn hơn nhiều so với bác sĩ mới vào nghề.
Cùng một công cụ AI, những người chỉ dùng để làm theo các mẫu có sẵn thì sẽ không cải thiện được kỹ năng, thậm chí là dần mai một. Trong khi những người dùng AI để phân tích và ra quyết định sẽ có khả năng duy trì hoặc củng cố kỹ năng qua thời gian. Ảnh minh họa: Ngô Hà.
Điểm quan trọng là hai phần này không phải là đặc tính cố định của AI, mà phụ thuộc vào cách sử dụng. Cùng một công cụ AI, nếu bạn chỉ dùng cho mục đích làm các biểu mẫu có sẵn thì giá trị của phần thứ nhất sẽ cao, phần thứ hai sẽ thấp. Nhưng ngược lại, nếu dùng AI để phân tích và ra quyết định thì giá trị của phần thứ hai sẽ cao hơn.
Bên cạnh đó, mô hình của Caosun và Aral cũng theo dõi sự thay đổi kỹ năng theo thời gian. Khi người lao động cơ bản tự thực hiện công việc và ít sử dụng AI, kỹ năng tích lũy sẽ tăng dần đến tiềm năng tối đa. Còn khi phụ thuộc nhiều vào AI, kỹ năng sẽ giảm.
Cơ chế đánh đổi
Đây là kết quả phản trực giác nhất của nghiên cứu. Caosun và Aral chứng minh rằng, ngay cả khi nhận thức rõ tác hại về dài hạn, người ta vẫn lựa chọn dùng AI.
Cơ chế của quá trình này như sau. Khi bắt đầu sử dụng AI, năng suất của người dùng tăng ngay nhờ AI làm thay một phần công việc. Lúc này kỹ năng chưa suy giảm, nên hiệu quả công việc vẫn cao, tạo ra lợi ích lớn trong ngắn hạn. Theo thời gian, kỹ năng của người dùng giảm dần, kéo theo năng suất giảm, và có thể xuống đến mức thấp hơn cả trước khi dùng AI.
Tuy vậy, khi tính giá trị chiết khấu (tức chuyển các giá trị của tương lai về hiện tại, giống như việc quy đổi giá trị của 100.000 đồng tiền mặt năm 2030 về giá trị hiện tại của năm 2026), thì với họ, phần lợi ích đạt được ban đầu vẫn đủ lớn để "bù" cho thiệt hại về sau. Vì vậy, việc dùng AI vẫn là lựa chọn hợp lý về mặt tính toán.
Nói cách khác, người dùng nhìn thấy lợi ích đến sớm và chi phí đến muộn. Bất kỳ ai chiết khấu tương lai về hiện tại đều sẽ thấy việc triển khai AI là hợp lý, dù kết cục lâu dài là tệ hại.
Đối với người có kỹ năng thấp, công cụ AI sẽ giúp tăng năng suất ngay lập tức, nhưng làm suy giảm năng lực dài hạn theo thời gian. Ảnh minh họa: OptimusAI.
Hàm ý chính sách quan trọng nhất ở đây là việc "nâng cao nhận thức" không phải là giải pháp. Phần lớn các thảo luận công khai hiện nay về suy thoái kỹ năng do AI ngầm giả định rằng vấn đề nằm ở chỗ người dùng không biết rõ hậu quả và nếu được cảnh báo đầy đủ, họ sẽ điều chỉnh hành vi. Mô hình của Caosun và Aral cho thấy đó là ảo tưởng. Vấn đề thực sự chưa chắc nằm ở nhận thức mà ở cấu trúc khuyến khích hành vi.
Tình huống xuất hiện bẫy tăng cường
Vì người quyết định dùng AI cũng chính là người chịu hậu quả nên việc giảm kỹ năng là một đánh đổi có ý thức. Nhưng còn có tình huống hai vai trò đó tách rời nhau - ví dụ công ty quyết định dùng AI, còn nhân viên sẽ là người chịu ảnh hưởng.
Ở đây có hai mâu thuẫn lợi ích. Người quản lý thường được đánh giá hiệu suất theo kết quả ngắn hạn (quý hoặc năm), trong khi kỹ năng của nhân viên ảnh hưởng đến cả sự nghiệp 20-30 năm của họ. Vì vậy, người quản lý có xu hướng ưu tiên lợi ích trước mắt và sẽ yêu cầu nhân viên áp dụng mức sử dụng AI cao hơn.
Các tham số của Caosun và Aral cho thấy, nhà quản lý có tầm nhìn ba năm sẽ chọn mức sử dụng AI gần gấp đôi so với khi người lao động tự quyết. Hệ quả là sau ba năm, kỹ năng của người lao động thấp hơn khoảng 14%.
Người quản lý thường đánh giá hiệu suất theo kết quả ngắn hạn, trong khi kỹ năng của nhân viên ảnh hưởng đến cả sự nghiệp 20-30 năm của họ. Ảnh minh họa: Sherrin.
Thứ hai là giá trị của kỹ năng lâu dài với người lao động không chỉ nằm trong công việc hiện tại, mà còn giúp người lao động chuyển việc, xây dựng uy tín, hoặc làm các dự án riêng. Những giá trị này không được tính vào quyết định của công ty khi xây dựng bài toán triển khai AI.
Caosun và Aral tính toán, khi các giá trị bị bỏ qua này càng lớn (nghĩa là kỹ năng đó càng "có giá" bên ngoài công ty) thì khoảng cách giữa mức sử dụng AI do công ty lựa chọn và mức người lao động tự chọn càng nới rộng.
Hai tác giả gọi hiện tượng này là "bẫy tăng cường" (augmentation trap), để chỉ tình huống mà dưới chính sách AI do người quản lý quyết định, phúc lợi trọn đời của người lao động thấp hơn mức phúc lợi trọn đời của chính họ nếu AI chưa bao giờ được triển khai.
Ngưỡng phân hóa kỹ năng lâu dài
Mô hình còn cho thấy cùng một công nghệ AI, trong cùng một tổ chức, người lao động có thể đi theo hai hướng hoàn toàn khác nhau.
Người có kỹ năng thấp được AI hỗ trợ nhiều hơn, vì AI bù đắp cho phần họ thiếu, nên họ dùng AI nhiều hơn. Nhưng dùng nhiều lại làm kỹ năng suy thoái nhanh hơn. Kỹ năng càng giảm, họ càng phụ thuộc vào AI. Quá trình này liên tục lặp lại và có thể khiến kỹ năng của người dùng gần như mất hẳn.
Ngược lại, người có kỹ năng cao ít phụ thuộc vào AI hơn, vì AI không bổ sung thêm nhiều cho những gì họ đã biết. Họ tiếp tục tự làm và rèn luyện, kỹ năng tiếp tục tăng, phát triển về tiềm năng tối đa.
Mô hình của Caosun và Aral xác định một "ngưỡng" kỹ năng. Người dưới ngưỡng này nếu dùng nhiều AI sẽ dần mất kỹ năng. Người trên ngưỡng sẽ tiếp tục phát triển. Ban đầu chênh lệch có thể nhỏ nhưng về lâu dài, kết quả sẽ rất khác biệt.
Chỉ một khác biệt nhỏ trong cách đánh giá hiệu suất của người quản lý, ví dụ như tầm nhìn ba năm thay vì mười năm, cũng có thể đẩy một người lao động từ quỹ đạo phát triển sang quỹ đạo suy giảm kỹ năng hoàn toàn. Ảnh minh họa: Digit.
Tình hình còn nghiêm trọng hơn khi có yếu tố quản lý. Nếu người quản lý ưu tiên ngắn hạn, họ sẽ ép lao động sử dụng nhiều AI dù họ chưa tích lũy đủ kỹ năng tới ngưỡng cần thiết, khiến về lâu dài họ rơi vào nhóm suy giảm kỹ năng.
Điều này rất dễ gặp. Một nhân viên mới đáng lẽ cần hai năm để thạo nghề. Nhưng quản lý yêu cầu họ dùng AI để làm việc như một người có 5 năm kinh nghiệm. Nhân viên đó có thể tạo ra sản phẩm trông như của một người giàu kinh nghiệm, nhưng "bên trong" họ vẫn là người mới. Khoảng cách giữa kết quả đầu ra và năng lực thực sự tạo ra một vùng hổng kiến thức khổng lồ. Nhân viên bị đẩy xuống dưới ngưỡng vì họ không thực sự hiểu mình đang làm gì.
Theo các tác giả, chỉ một khác biệt nhỏ trong cách đánh giá hiệu suất - tầm nhìn ba năm thay vì mười năm - cũng có thể đẩy một người lao động từ quỹ đạo phát triển sang quỹ đạo suy giảm kỹ năng hoàn toàn.
Hàm ý với đào tạo thế hệ mới đặc biệt đáng lo. Các chương trình bác sĩ nội trú, luật sư tập sự hay kỹ sư thực tập đều dựa trên nguyên tắc rèn luyện không có trợ giúp ở giai đoạn nền tảng. Nếu AI được đưa vào quá sớm, trước khi người mới vượt qua ngưỡng kỹ năng cần thiết, quỹ đạo phát triển nghề nghiệp của họ có thể bị khóa lại.
Giới hạn của nghiên cứu
Từ nghiên cứu, Caosun và Aral chia cách triển khai AI thành 5 vùng:
(I) không dùng AI vì hiệu quả AI mang lại quá thấp, không đáng dùng;
(II) vùng "bẫy tăng cường", là khi AI giúp tăng năng suất ngắn hạn nhưng làm suy giảm kỹ năng con người;
(III) con người có kỹ năng thấp, bị AI thay thế hoàn toàn trong khi sản phẩm đầu ra của AI thuần túy vẫn thấp hơn tiềm năng con người;
(IV) AI phát huy vai trò bổ trợ, năng suất ngắn hạn lẫn năng lực dài hạn của con người đều tăng;
(V) AI mạnh đến mức thay thế hoàn toàn và đầu ra của AI thuần túy vượt tiềm năng con người;
Mô hình 5 vùng triển khai AI và các tác động kỹ năng của chúng tới người lao động. Nguồn: Caosun và Aral (2026), arXiv.
Theo các tác giả, ranh giới quan trọng nhất là giữa vùng (II) "AI làm yếu đi" và vùng (IV) "AI giúp giỏi hơn". Ranh giới này không phụ thuộc bản thân công nghệ mà ở cách dùng AI. Cùng một kiểu AI, nếu triển khai theo kiểu để nhân viên rà soát, đánh giá, và chỉnh sửa đầu ra thì sẽ rơi vào vùng (IV). Ngược lại, nếu chỉ chấp nhận kết quả của AI và ít can thiệp, thì sẽ dễ rơi vào "bẫy tăng cường" ở vùng (II).
Các tác giả cũng thừa nhận nghiên cứu của mình có một số giới hạn. Thứ nhất, mô hình xem kỹ năng là một chiều, trong khi thực tế AI có thể làm mất kỹ năng này nhưng lại tạo kỹ năng khác. Nếu quá trình tái định hình kỹ năng đủ mạnh, vùng rủi ro có thể hẹp hơn dự báo.
Thứ hai, mô hình giả định các tham số cố định, nhưng thực tế AI ngày càng mạnh còn người dùng dễ chuyển sang phụ thuộc vào AI, khiến rủi ro thực tế có thể cao hơn.
Cuối cùng, mô hình nghiên cứu chưa tính đến tương tác thị trường lao động. Nếu nhiều doanh nghiệp cùng làm suy giảm một kỹ năng, giá trị của kỹ năng đó có thể thay đổi theo cách khó lường, tạo ra những hệ quả khác.
---
Tài liệu tham khảo:
[1] 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
[2] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303. https://doi.org/10.1038/s41562-024-02024-1