AI tăng năng suất là có thật, nhưng phần tăng thêm thường không nằm ở chỗ nhiều CEO kỳ vọng. Một nghiên cứu trên 5.172 nhân viên chăm sóc khách hàng cho thấy trợ lý AI giúp mỗi người giải quyết thêm trung bình 15% yêu cầu mỗi giờ. Người được lợi nhiều nhất là nhân viên mới. Trong khi đó, người giỏi nhất gần như không nhanh hơn, dù chính câu trả lời của họ là thứ AI học theo (Brynjolfsson, Li và Raymond, 2025).
Vấn đề bắt đầu từ sau khi năng suất tăng. Nhiều doanh nghiệp đo hiệu quả AI bằng thời gian tiết kiệm được, nhưng ít nơi quyết định trước phần thời gian ấy sẽ dùng vào đâu. Nếu không ai quyết, nó thường biến thành chỉ tiêu cao hơn và thêm việc cùng loại, trong khi thưởng và sự ghi nhận vẫn như cũ, còn người giúp AI làm tốt lại gánh nặng nhất. Họ sẽ sớm rút ra bài học: cải tiến thì bị giao thêm việc, nên lần cải tiến sau tốt nhất giữ cho riêng mình.
Không ai cố ý để chuyện này xảy ra. Nó bắt nguồn từ một quyết định chưa ai đưa ra công khai: phần thời gian dôi ra sẽ đi về đâu. Bài viết phân tích ai thực sự tạo ra phần năng suất tăng thêm, ba cách sử dụng thời gian AI tiết kiệm được, và bốn điều nên thống nhất trước khi năng suất tăng.
Nhân viên làm nhanh hơn chưa có nghĩa là doanh nghiệp năng suất hơn
Khi AI tăng năng suất, có thể đo ở ba mức. Ba mức này thường bị lẫn với nhau, và khoảng cách giữa chúng chính là nơi sinh ra phần lớn sự thất vọng.
| Mức | Đo điều gì | Ví dụ ở bộ phận chăm sóc khách hàng |
|---|---|---|
| Cá nhân | Thời gian một người hoàn thành một đầu việc | Số phút trả lời một yêu cầu |
| Quy trình | Kết quả của cả chuỗi công việc, gồm cả thời gian chờ, làm lại và bàn giao | Số ngày cho tới khi vấn đề của khách thực sự được giải quyết |
| Giá trị thực tế | Doanh nghiệp thực sự được gì | Khách hàng giữ chân được, chi phí cho mỗi yêu cầu, đơn hàng mua lại |
Thời gian tiết kiệm ở một khâu chỉ tạo ra giá trị khi cả chuỗi công việc chạy nhanh hơn.
Thời gian một người tiết kiệm được chỉ tạo ra giá trị khi được dùng vào việc có ích, và khi khâu của người đó đúng là chỗ đang nghẽn. Nếu nhân viên hỗ trợ trả lời nhanh gấp đôi nhưng bộ phận kỹ thuật vẫn mất một tuần để sửa lỗi, khách hàng vẫn phải chờ như trước. Doanh nghiệp có một khâu nhanh hơn, nhưng chưa có một quy trình nhanh hơn.
Hai nghiên cứu quy mô lớn cho thấy cả hai mặt của vấn đề:
| Nghiên cứu | Kết quả |
|---|---|
| Trí tuệ nhân tạo tạo sinh học trong công việc: 5.172 nhân viên hỗ trợ khách hàng của một công ty phần mềm Mỹ, phần lớn làm việc tại Philippines; công bố năm 2025 | Khi có trợ lý AI, số yêu cầu được giải quyết mỗi giờ tăng trung bình 15%. Người ít kinh nghiệm cải thiện nhiều nhất cả về tốc độ lẫn chất lượng; người giỏi nhất chỉ nhanh hơn một chút, còn chất lượng giảm nhẹ. |
| Nghiên cứu thị trường lao động Đan Mạch: 25.000 người lao động ở 7.000 nơi làm việc, khảo sát cuối năm 2024, đối chiếu với hồ sơ thu nhập chính thức | 85% người dùng AI cho biết họ dành thời gian tiết kiệm được cho những việc khác trong công việc; chưa tới 10% dùng để nghỉ ngơi thêm. Hai năm sau khi ChatGPT ra đời, thu nhập và số giờ làm được ghi nhận không thay đổi đáng kể; khả năng thay đổi trên 2% đã bị loại trừ. |
Đặt cạnh nhau, hai nghiên cứu cho thấy ở mức từng đầu việc, AI tăng năng suất là có thật. Tuy nhiên, phần tăng đó không tự chuyển thành lương, lợi nhuận hay thời gian nghỉ. Nó đi về đâu phụ thuộc vào cách tổ chức công việc và trả lương, nói cách khác là do quản trị.
Khoảng cách này ít quan trọng hơn khi một khâu chính là toàn bộ công việc, chẳng hạn một nhóm chỉ trả lời yêu cầu gửi đến, không bàn giao cho ai. Khi đó, người làm nhanh hơn đúng là quy trình nhanh hơn. Nhưng ở phần lớn doanh nghiệp vừa và nhỏ, công việc đi qua nhiều người, nên khoảng cách này là có thật.
Dấu hiệu thường gặp: một vài nhân viên lâu năm bỏ ra nhiều tuần soạn thư viện câu trả lời đã kiểm tra cho trợ lý AI, và thời gian xử lý giảm rõ rệt. Trưởng phòng thấy năng lực tăng nên nâng chỉ tiêu, giao thêm việc, trong khi cách tính thưởng vẫn giữ nguyên. Với trưởng phòng, chi phí mỗi yêu cầu giảm. Nhưng với nhân viên lâu năm, họ đã bỏ thêm công sức, giờ gánh nhiều việc hơn, còn người mới nhờ thư viện của họ mà đạt chỉ tiêu gần bằng. Cả hai góc nhìn đều có cơ sở. Điều còn thiếu là một quyết định được thống nhất từ trước: phần thời gian tiết kiệm được sẽ dùng vào việc gì.
Thời gian xử lý có thể giảm một nửa, trong khi người tạo ra kết quả đó lại thấy mình chịu thiệt.
Khi AI tăng năng suất, ai thực sự tạo ra phần tăng thêm?
Khi AI tăng năng suất, phần tăng thường được ghi nhận ở nơi sử dụng: người trả lời khách hàng, và người quản lý có nhóm đạt chỉ tiêu. Thực tế, có ít nhất bốn nhóm cùng góp công, và đóng góp của hai trong số đó thường không ai nhìn thấy.
Người giỏi chuyên môn
Họ soạn câu trả lời, các trường hợp ngoại lệ và quy tắc làm nền cho AI. Thiếu họ, AI chỉ đưa ra câu trả lời chung chung.
Người kiểm tra
Họ rà soát câu trả lời của AI, bắt lỗi và sửa lại thư viện. Đóng góp của họ nằm ở những lỗi đã không xảy ra, điều không báo cáo nào đếm được.
Bộ phận công nghệ
Họ kết nối AI với đúng nguồn dữ liệu, phân quyền ai được xem gì và giữ cho hệ thống vận hành ổn định.
Người sử dụng hằng ngày
Họ dùng AI trong tình huống thực tế, báo lại câu trả lời sai và đề xuất câu mới. Đây là nguồn của lần cải tiến tiếp theo.
Nghiên cứu về nhân viên hỗ trợ khách hàng cho thấy điều có thể xảy ra với nhóm thứ nhất. AI đã lan tỏa cách làm của những người giỏi nhất sang những người còn lại. Chính họ cung cấp nhiều ví dụ để AI học, nhưng năng suất của bản thân họ gần như không tăng. Vì thưởng ở công ty đó tính theo thứ hạng so với đồng nghiệp, nhóm tác giả lưu ý người giỏi nhất thậm chí có thể bị giảm thu nhập. Theo các tác giả, kết quả này đặt ra câu hỏi nên trả công thế nào cho người lao động, nhất là người giỏi, vì những gì họ đóng góp cho AI.
Người giỏi đóng góp một lần, cả nhóm cùng dùng, nên công sức ấy hiếm khi hiện lên trong số liệu của chính họ.
Cơ chế ở đây khá đơn giản. Người giỏi đóng góp một lần và cả nhóm cùng dùng, nên đóng góp ấy không hiện lên trong kết quả của chính họ. Nếu không ai ghi nhận, nó sẽ tan vào số trung bình của nhóm. Rủi ro này nhỏ hơn khi việc xây dựng kinh nghiệm dùng chung đã được ghi vào nhiệm vụ và tiêu chí đánh giá của một người cụ thể, chẳng hạn một vị trí chuyên lo chất lượng hoặc đào tạo.
Ba cách dùng thời gian dôi ra khi AI tăng năng suất
Khi đã có thời gian dôi ra, doanh nghiệp có ba lựa chọn cơ bản. Lựa chọn nào cũng chính đáng; điểm khác nhau nằm ở ai được lợi trước và điều gì có thể bị đặt vào rủi ro.
| Lựa chọn | Ai được lợi trước | Rủi ro chính |
|---|---|---|
| Làm nhiều hơn: cùng số người xử lý khối lượng công việc lớn hơn | Doanh nghiệp: chi phí mỗi đơn vị giảm, tăng trưởng mà không cần tuyển thêm | Dễ thành "thuế năng suất" nếu chỉ tiêu tăng mà mọi thứ khác giữ nguyên |
| Làm tốt hơn: dành thời gian cho chất lượng, phản hồi nhanh hơn, ít sai sót hơn, kèm cặp người mới, xử lý ca khó | Khách hàng và đội ngũ; doanh nghiệp hưởng lợi sau, nhờ giữ chân được khách hàng | Khó đo hơn; trên báo cáo sản lượng có thể trông như không có gì thay đổi |
| Dùng ít nguồn lực hơn: giảm giờ tăng ca, tuyển mới ít hơn hoặc giảm người | Doanh nghiệp: tiết kiệm trực tiếp | Mất kinh nghiệm và lòng tin; chủ đề của bài viết tiếp theo |
Cùng một phần tăng có thể dành cho sản lượng, chất lượng hoặc tiết kiệm. Chia thế nào là một quyết định quản trị.
Trên thực tế, doanh nghiệp thường kết hợp cả ba. Điều quan trọng là tỷ lệ kết hợp được quyết định và công bố trước khi năng suất tăng, thay vì để nhân viên tự nhận ra sau đó qua một chỉ tiêu mới. Nếu chỉ nâng chỉ tiêu, doanh nghiệp mới chọn cách thứ nhất. Cùng phần tăng ấy hoàn toàn có thể chia ra: một phần cho sản lượng, một phần để giải quyết nhanh các ca phức tạp, một phần để người giỏi có thời gian giữ cho thư viện luôn chính xác.
Lựa chọn thứ ba, dùng ít người hơn, kéo theo những câu hỏi riêng về chi phí ẩn và kinh nghiệm bị mất đi. Bài viết này chỉ bàn trường hợp doanh nghiệp giữ nguyên nhân sự; quyết định giảm người sẽ được phân tích ở bài tiếp theo trong loạt.
Rủi ro khi thưởng theo số câu lệnh hay số tài liệu
Để khuyến khích nhân viên dùng AI và chứng minh AI tăng năng suất, một số doanh nghiệp chọn cách đếm: nhân viên dùng AI bao nhiêu lần, viết bao nhiêu câu lệnh, nạp bao nhiêu tài liệu. Đếm thì dễ. Vấn đề là cách đếm ấy đang thưởng cho điều gì.
Một bài viết kinh điển về quản trị năm 1975 gọi hiện tượng này là "thưởng cho A nhưng lại mong B": công ty mong kết quả tốt hơn nhưng trả tiền cho thứ dễ đếm hơn, và nhân viên, một cách rất hợp lý, làm đúng điều được trả tiền. Nguyên lý thường gọi là định luật Goodhart (Goodhart's law) tóm gọn: khi một chỉ số trở thành chỉ tiêu, nó không còn là thước đo tốt.
Ở một phòng chăm sóc khách hàng, thưởng theo số câu trả lời nạp vào thư viện thường cho ra nhiều câu ngắn và trùng lặp. Thư viện phình to, AI dễ chọn nhầm câu hơn, người kiểm tra mất thêm thời gian dọn dẹp. Còn chỉ tiêu về số lần dùng AI lại đẩy nhân viên dùng AI cho những yêu cầu dễ, nơi AI không giúp được bao nhiêu.
| Thay vì đếm | Nên đo |
|---|---|
| Số câu lệnh đã viết | Số yêu cầu được giải quyết nhờ AI hỗ trợ và không phải mở lại |
| Số tài liệu đã nạp | Số câu trả lời thực sự được dùng trong tháng trước, và bao nhiêu câu đúng |
| Số giờ dùng AI | Thời gian giải quyết trọn vẹn và tỷ lệ lỗi của cả quy trình |
Dù vậy, đếm số lần dùng vẫn có ích ở giai đoạn đầu, như một tín hiệu cho thấy nhân viên đã bắt đầu dùng thử, miễn là chỉ áp dụng ngắn hạn và không gắn với tiền thưởng.
"Thuế năng suất": làm tốt lại bị giao thêm việc
Cách phổ biến nhất khiến lợi ích bị mất đi lại diễn ra khá lặng lẽ. Khi AI tăng năng suất của một người, người đó thường được giao thêm việc, trong khi lương và sự ghi nhận vẫn như cũ. Nhân viên hay gọi hiện tượng này là "thuế năng suất". Giới kinh tế học có tên gọi cho phản ứng thường đi kèm: hiệu ứng bánh cóc (ratchet effect). Khi biết làm tốt kỳ này thì kỳ sau sẽ bị nâng chỉ tiêu, người lao động có xu hướng giữ sản lượng thấp hơn khả năng thật.
Đây là hành vi đã có từ lâu, không phải chuyện riêng của AI. Một nghiên cứu nổi tiếng năm 1952 tại một xưởng cơ khí ở Mỹ mô tả công nhân giữ sản lượng dưới mức mình làm được để đơn giá khoán không bị hạ. Một thí nghiệm năm 2011 cũng cho thấy người được trả lương theo kết quả giữ sản lượng lại rõ rệt khi làm tốt kéo theo điều kiện khắt khe hơn, và hành vi này gần như biến mất khi họ có thể chuyển sang làm cho chủ khác.
Làm nhanh hơn nhờ AI
Chỉ tiêu bị nâng
Thêm việc, thưởng như cũ
Giấu tốc độ thật
Công ty không thấy năng suất thật
Khi làm tốt chỉ mang lại thêm việc, người ta sẽ giữ tốc độ thật cho riêng mình.
Với AI, việc giữ lại thậm chí còn dễ hơn ở xưởng cơ khí. Một người có thể lặng lẽ dùng AI, làm xong sớm và không báo phần thời gian tiết kiệm được. Khi đó, ban lãnh đạo không thấy cả phần năng suất tăng lẫn cách làm phía sau, nên cũng không thể nhân rộng cho người khác.
Bản thân việc nâng chỉ tiêu không sai. Nó chỉ thành "thuế" khi được quyết từ một phía, không báo trước, và người tạo ra kết quả không nhận lại gì: không có phần thưởng, không có thời gian phát triển, cũng không được góp ý vào chỉ tiêu mới.
Thưởng cá nhân hay thưởng kinh nghiệm dùng chung?
AI đưa kinh nghiệm của một người tới tay mọi người. Điều đó làm thay đổi cách khen thưởng theo hai hướng ngược nhau.
Nếu chỉ thưởng cá nhân, nhất là khi xếp hạng người này với người kia, việc chia sẻ kinh nghiệm sẽ giúp đồng nghiệp đuổi kịp và kéo thứ hạng của chính mình xuống. Công ty trong nghiên cứu hỗ trợ khách hàng trả thưởng đúng theo cách này. Ngược lại, nếu chỉ thưởng theo nhóm, đóng góp của từng người bị hòa lẫn, và người soạn một nửa thư viện được thưởng như người không soạn câu nào.
Một cách kết hợp khả thi gồm hai phần. Cả nhóm cùng hưởng theo kết quả của quy trình: thời gian giải quyết xong, tỷ lệ lỗi, phản hồi của khách hàng. Từng người được ghi nhận theo đóng góp cụ thể được dùng thật: ai soạn hoặc kiểm tra những câu trả lời giúp giải quyết xong yêu cầu. Ở phòng chăm sóc khách hàng, điều đó có nghĩa là theo dõi câu trả lời của mỗi người được dùng thành công bao nhiêu lần và tính vào đánh giá, thay vì đếm họ soạn được bao nhiêu câu.
Với nhóm ba đến năm người, thường không cần đến công thức. Đánh giá của người quản lý, kèm lời giải thích công khai, là đủ. Công thức chỉ thực sự cần khi nhóm lớn dần và mọi người không còn nhìn thấy việc của nhau.
Sự ghi nhận có tác dụng nhất khi đi theo những đóng góp thực sự được sử dụng.
Bốn điều cần thống nhất trước khi AI tăng năng suất
Lấy mốc trước khi triển khai
Ghi lại thời gian xử lý, sai sót, việc phải làm lại và phản hồi của khách hàng trước khi đưa AI vào. Thiếu mốc này, mọi con số về năng suất sau đó chỉ là ước đoán. Nếu đã triển khai, doanh nghiệp vẫn có thể dựng lại mốc: Đo hiệu quả khi chưa có số liệu mốc.
Đo đồng thời chất lượng, sai sót, thời gian và giá trị
Chỉ đo thời gian là đang thưởng cho tốc độ và bỏ qua chất lượng. Nên đo cả quy trình và giá trị tạo ra, không chỉ số phút tiết kiệm được: Giá trị ngoài tỷ suất hoàn vốn.
Ghi nhận cả nhóm lẫn từng người
Chia sẻ kết quả quy trình cho cả nhóm. Ghi nhận đích danh những người có kinh nghiệm và công kiểm tra thực sự được dùng, đồng thời tính vào đánh giá của họ.
Thống nhất trước cách chia thời gian, thưởng và cơ hội phát triển
Nói rõ bao nhiêu phần thời gian dôi ra dành cho sản lượng, cho chất lượng, cho việc học thêm và giữ kinh nghiệm luôn chính xác; thưởng thay đổi thế nào khi chỉ tiêu thay đổi; và vai trò mới nào mở ra cho người đóng góp.
Mỗi quyết định đều dễ thống nhất trước khi có phần tăng hơn là sau đó.
Những điểm cần thận trọng
Không phải phần tiết kiệm nào cũng phải trả bằng tiền. Giảm giờ tăng ca, có thời gian học hỏi, công việc thú vị hơn và vị trí ổn định cũng là cách chia lợi ích thực chất. Nhiều nhân viên coi trọng những điều này không kém tiền thưởng.
Cẩn thận khi AI tăng năng suất chỉ trên báo cáo. Nếu số phút tiết kiệm được báo lên nhưng quy trình không nhanh hơn, sai sót không giảm, thì chưa có gì để chia, và cũng chưa có lý do để nâng chỉ tiêu.
Chỉ phần tăng thể hiện ở quy trình mới đáng để chia hoặc dùng làm chỉ tiêu.
Hỏi về phần chia không phải là đòi hỏi. Khi công việc thay đổi, hỏi phần tăng thêm sẽ được chia thế nào là câu hỏi chính đáng. Doanh nghiệp cũng có quyền hưởng một phần lợi ích từ công cụ mình đã đầu tư. Cả hai đều là chuyện lợi ích, không phải chuyện thái độ.
Bằng chứng còn có giới hạn. Nghiên cứu về hỗ trợ khách hàng chỉ thực hiện ở một công ty, phần lớn nhân viên làm việc tại Philippines. Số liệu Đan Mạch còn sớm và thời gian tiết kiệm do người lao động tự khai. Bằng chứng về việc giữ sản lượng đến từ một nghiên cứu cũ ở xưởng cơ khí và một thí nghiệm, không phải từ AI. Chưa có nghiên cứu nào đo tại Việt Nam. Vì vậy, nên xem các kết quả này là quy luật giúp đặt đúng câu hỏi, không phải con số để kỳ vọng.
Hướng Viindoo chọn
Khi AI giúp năng suất của một nhóm tăng lên, mâu thuẫn vẫn có thể nảy sinh dù không ai có ý xấu. Quản lý thấy năng lực tăng; nhân viên lâu năm thấy công sức bỏ thêm của mình biến thành chỉ tiêu cao hơn. Gốc của mâu thuẫn nằm ở một chỗ: doanh nghiệp đo từng cá nhân, trong khi phần AI tăng năng suất lại do cả một hệ thống tạo ra, gồm con người, thư viện câu trả lời dùng chung và AI. Nếu chỉ nhìn thấy từng người, năng suất sẽ bị tính sai chỗ.
Viindoo nhìn năng suất từ góc độ hệ thống. Khi doanh nghiệp vận hành trên nhiều tệp, nhiều công cụ rời rạc, không thể thấy phần kết quả nào đến từ công sức của ai. Vì vậy, Viindoo xây dựng nền tảng quản trị doanh nghiệp Agentic AI, đưa cả doanh nghiệp về một nơi, một bộ dữ liệu, nơi AI làm việc ngay trong dòng chảy công việc chung và theo luật chơi do chính doanh nghiệp đặt ra.
Một nền tảng, một bộ dữ liệu, AI ngay trong công việc: phần năng suất tăng thêm hiện rõ với mọi người, còn quyết định vẫn thuộc về con người.
Với bốn điều cần thống nhất trong bài, cách nhìn đó tạo ra khác biệt ở những điểm cụ thể. Số liệu mốc trước khi triển khai và kết quả sau đó nằm trên cùng một bộ số, nên không ai phải tranh luận số của ai mới đúng. Chất lượng, sai sót và thời gian xử lý được xem cùng nhau, không chỉ riêng tốc độ. Công sức của những người soạn và kiểm tra tri thức dùng chung luôn được nhìn thấy, để ghi nhận cả nhóm lẫn từng người đúng như đã thống nhất trước khi năng suất tăng.
AI cũng cần dễ dùng với chính những người tạo ra năng suất: nhân viên nhờ AI hỗ trợ ngay trên yêu cầu đang xử lý, không phải học thêm một công cụ riêng. Viindoo đóng vai xương sống phía sau, giữ mọi kết quả trong cùng một bộ số, để phần AI tăng năng suất mang lại được nhìn thấy rõ và được chia một cách ổn định.
Chia thành quả bằng thời gian, tiền thưởng hay cơ hội phát triển vẫn là lựa chọn của ban lãnh đạo, và không phần mềm nào có thể chọn thay. Vai trò của nền tảng là bảo đảm lựa chọn đó dựa trên cùng một bộ số liệu thật cho mọi người.
Bốn câu hỏi để kiểm tra doanh nghiệp mình
- Phần AI tăng năng suất ở công ty mình hiện đang được dùng vào việc gì, và ai đã quyết định điều đó?
- Người soạn và kiểm tra kinh nghiệm mà AI dùng có được ghi nhận trong đánh giá không?
- Có chỉ số đánh giá nào vô tình gây thiệt cho người làm nhanh nhất không?
- Trước lần triển khai AI tiếp theo, doanh nghiệp đã thống nhất phần thời gian dôi ra sẽ dùng vào việc gì chưa?
Câu hỏi thường gặp
Ở mức từng đầu việc, câu trả lời là có. Trong một nghiên cứu trên 5.172 nhân viên hỗ trợ khách hàng, số yêu cầu được giải quyết mỗi giờ tăng trung bình 15% khi có trợ lý AI. Tuy nhiên, mức tăng không đồng đều: lớn với người ít kinh nghiệm, nhỏ với người giỏi nhất. Phần tăng đó có lan tới cả quy trình và kết quả kinh doanh hay không phụ thuộc vào cách dùng thời gian tiết kiệm được.
Có thể trả một phần, nhưng không nhất thiết toàn bộ. Thời gian học thêm, giảm tăng ca và con đường nghề nghiệp rõ ràng hơn cũng là cách chia thực chất. Quan trọng nhất là cách chia được thống nhất từ trước, và người tạo ra kết quả không chỉ nhận về thêm việc.
Có thể công bằng, nếu mức tăng được báo trước, dựa trên kết quả quy trình đo được và đi kèm quyền lợi tương xứng cho người đóng góp. Nếu nâng lặng lẽ và chỉ từ một phía, nhân viên sẽ học cách giấu tốc độ thật.
Vì AI lan tỏa kinh nghiệm của họ sang người khác. Trong nghiên cứu về hỗ trợ khách hàng, người giỏi nhất cung cấp nhiều ví dụ để AI học nhưng bản thân lại tăng rất ít; khi thưởng xếp hạng so với đồng nghiệp, họ thậm chí có thể bị thiệt.
Hãy bắt đầu ngay với vài chỉ số quy trình: thời gian giải quyết xong, sai sót, việc phải làm lại, phản hồi của khách hàng. Số liệu mốc ban đầu cũng có thể dựng lại từ dữ liệu sẵn có; bài viết về đo hiệu quả khi chưa có số liệu mốc trong loạt Kaizen hướng dẫn cách làm.
Bài tiếp theo trong loạt: khi thời gian tiết kiệm được đủ lớn, một lựa chọn hấp dẫn sẽ xuất hiện: cần ít người hơn. Khi đó, doanh nghiệp thực sự tiết kiệm được gì, và mất đi những gì? CEO muốn giảm người nhờ AI: Tiết kiệm được gì, mất đi những gì?
Nguồn tham khảo
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Trí tuệ nhân tạo tạo sinh học trong công việc. The Quarterly Journal of Economics, 140(2), 889-942. Bản trước: NBER Working Paper 31161 (2023). 5.172 nhân viên hỗ trợ khách hàng, một công ty phần mềm Mỹ.
- Humlum, A., & Vestergaard, E. (2026). Mặt nước tĩnh lặng, tốc độ dòng: Sự chuyển đổi đầu tiên của thị trường lao động dưới hoạt động của trí tuệ nhân tạo sinh học. NBER Working Paper 33777, bản sửa tháng 3/2026. Đan Mạch, 25.000 người lao động, 7.000 nơi làm việc, cuối năm 2024.
- Kerr, S. (1975). Về sự ngốc nghếch của việc thưởng cho A trong khi hy vọng vào B. Tạp chí Học viện Quản lý, 18(4), 769-783.
- Strathern, M. (1997). 'Cải thiện hạng': check tra trong hệ thống Đại học Anh. Tạp chí Châu Âu, 5(3), 305-321.
- Roy, D. (1952). Chế độ hạn chế và lười biếng trong một công cụ. Tạp chí Xã hội học Hoa Kỳ, 57(5), 427-442.
- Charness, G., Kuhn, P., & Villeval, M. C. (2011). Competition and the Ratchet Effect. Journal of Labor Economics, 29(3), 513-547.
