[P.2] 04 Nhóm Kỹ Năng Sẽ Tăng Giá Trị Trong Kỷ Nguyên A.I

Những năm tới có thể sẽ rất biến động đối với nhiều người, và rất có thể của cải sẽ càng tập trung hơn nữa. Bài viết này không nhằm bàn về cách chúng ta nên ứng phó với điều đó trên phương diện xã hội, mà là giúp bạn — với tư cách cá nhân — xác định cách định vị bản thân một cách tốt nhất, bao gồm cả việc trang bị để bạn có thể hỗ trợ xã hội vượt qua những thách thức này.

Trong phần trước đó, tôi đã đề cập rằng mức lương có thể tăng trước khi giảm, và các kỹ năng hiếm (mà A.I chưa thay thế được) sẽ là thứ quyết định công việc đó có biến mất hay không.

Tôi muốn cung cấp cho bạn lăng kính để soi xét về việc kỹ năng nào có khả năng tăng giá trị và kỹ năng nào sẽ giảm, tùy theo tình huống riêng của bạn và sự đa dạng công việc hiện nay.

Dù đây là một chủ đề sẽ còn biến động, tôi chia nó thành bốn nhóm kỹ năng chính có khả năng gia tăng giá trị:

Nhóm 1: Khó để AI thay thế: Những công việc thiếu dữ liệu, rối rắm, mang tính dài hạn, hoặc yêu cầu con người tham gia trong vòng lặp (person-in-the-loop).

Nhóm 2: Cần thiết để triển khai AI: Các kỹ năng liên quan đến tổ chức và kiểm tra hệ thống AI, cũng như những kỹ năng thuộc các ngành bổ trợ như xây dựng trung tâm dữ liệu.

Nhóm 3: Tạo ra những thứ thế giới ngày càng cần: Những kỹ năng đóng góp vào việc cải thiện chăm sóc sức khỏe, nhà ở, nghiên cứu, hàng hóa cao cấp, v.v. – những thứ mà mọi người càng mong muốn khi chúng trở nên tốt hơn và rẻ hơn.

Nhóm 4: Khó để người khác học được: Kiến thức chuyên sâu hiếm có, phù hợp với thế mạnh riêng biệt của bạn.

(Về mặt kinh tế: đây tương ứng với bốn yếu tố - khó thay thế; có tính bổ trợ; cầu cao và co giãn theo chất lượng đầu ra; và nguồn cung lao động ít co giãn.)

Cách tốt nhất để kiểm tra, hoặc tuyệt hơn là có trực giác về những việc A.I có thể và không thể làm được là sử dụng các phiên bản tiên tiến nhất cho những tác vụ thực tế.

Không phải bản miễn phí.

Tuy nhiên, tôi cũng muốn cung cấp một nền tảng lý thuyết về việc AI sẽ làm được và không làm được điều gì, dựa trên cách AI được huấn luyện.

Các mô hình ngôn ngữ lớn (LLMs) được tạo ra bằng cách huấn luyện chúng dự đoán dữ liệu trên Internet. Điều này giúp chúng rất giỏi với các nhiệm vụ dựa vào việc nhận dạng mẫu và truy xuất thông tin có trên mạng.

Tức là hầu hết thông tin.

Vào năm 2015, Frey và Osborne từng cho rằng các kỹ năng xã hội sẽ khó bị tự động hóa. Nhưng ngày nay, chatbot trị liệu lại là một trong những ứng dụng AI phổ biến nhất.

Nhiều kỹ năng mà con người học khó - bao gồm trị liệu tâm lý, chẩn đoán y khoa và lập trình - lại có thể được thực hiện khá tốt bởi các hệ thống “nhận diện mẫu”.

Các mô hình LLM còn có thể thực hiện một số suy luận mới mẻ. Ví dụ, bạn có thể hỏi GPT-4:

“Nếu Tháp nghiêng Pisa đổi chỗ với Nhà thờ Thánh Paul, và tôi đứng trên Cầu Thiên niên kỷ ở London nhìn về phía Bắc, thì tôi sẽ thấy gì?” - và nó vẫn có thể trả lời được, dù là với những tổ hợp vị trí hoàn toàn mới.

Tuy nhiên, LLM vẫn rất tệ ở nhiều việc — thường là những nhiệm vụ không nằm trong tập dữ liệu huấn luyện.

Một ví dụ điển hình là điều khiển robot. Trong khi Internet có lượng dữ liệu ngôn ngữ khổng lồ, thì lại chưa có kho dữ liệu tương đương mô tả các chuyển động vật lý.

Và việc thiếu dữ liệu chuyển động này không phải điều có thể dễ dàng khắc phục — vì rất khó tạo ra các môi trường ảo đủ thực tế để sinh ra dữ liệu rẻ tiền. Cách duy nhất là tạo ra số lượng lớn robot thật và để chúng di chuyển ngoài đời thực, điều này rất tốn kém. Hiện tại A.I vẫn kém xa con người trong thế giới vật lý.

Dù vậy, những tổ chức công nghệ hàng đầu thế giới đã tính đến điều này, và đang nỗ lực để A.I ''hiểu'' định luật vật lý.

Ngược lại, dữ liệu về cách thực hiện nhiều công việc văn phòng đã tồn tại đầy đủ trên Internet, và thậm chí còn dễ thu thập thêm, vì các công việc này chủ yếu diễn ra trên máy tính — nơi mọi bước đi đều có thể được ghi lại.

Thế hệ AI mới như o1 sử dụng LLM làm nền tảng, sau đó được huấn luyện để lý luận và theo đuổi mục tiêu thông qua học tăng cường (reinforcement learning).

Cách học này tương tự như việc học qua thử-sai. Hệ thống AI cố gắng hoàn thành một nhiệm vụ, sau đó được chấm điểm theo độ chính xác, rồi được điều chỉnh sao cho hiệu quả hơn.

Trong năm 2024, cách tiếp cận này đã tạo ra bước nhảy vọt trong các lĩnh vực như toán học, lập trình và trả lời các câu hỏi khoa học đã biết.

Đó là vì các lĩnh vực này có câu trả lời khách quan, có thể kiểm chứng ngay trong môi trường ảo, rất phù hợp với học tăng cường.

Ngược lại, hãy xem xét kỹ năng như xây dựng một công ty. Nó bao gồm rất nhiều quyết định không có đáp án rõ ràng, và thành công chỉ có thể đánh giá sau nhiều năm. Vì vậy, rất khó để áp dụng reinforcement learning hiệu quả với loại kỹ năng này. (Và cũng không có bộ dữ liệu khổng lồ nào mô tả từng bước mà một doanh nhân sẽ thực hiện để xây dựng doanh nghiệp.)

Các ví dụ khác có thể kể đến như: khởi xướng một phong trào văn hóa, dẫn dắt một dự án nghiên cứu mới, hoặc định hình chiến lược tổ chức/chính trị.

Những kỹ năng này thường:

- Rối rắm – không có hướng dẫn rõ ràng hoặc kết quả có thể đo lường

- Dài hạn – mất thời gian để thực hiện và đánh giá thành công

Đây là lý do vì sao, mặc dù AI gần như vượt trội con người ở một số bài toán toán học và lập trình, nhưng nó vẫn thua một đứa trẻ bảy tuổi trong việc chơi Pokémon.

Nó cũng rất tệ ở nhiều việc tưởng chừng đơn giản như “lắp đặt một bộ kệ trong văn phòng” — vì nhiệm vụ này đòi hỏi lên kế hoạch, hiểu không gian thị giác, thuê người, và kiểm tra kết quả hoàn thành.

Các mô hình hiện nay chỉ thực hiện tốt các nhiệm vụ ngắn hạn, rõ ràng. Nhưng khi phải xử lý những nhiệm vụ dài hơn, chúng dễ mất mạch và bị mắc kẹt trong vòng lặp.

Điều này giúp lý giải vì sao đến nay, chúng ta vẫn thấy rất ít tự động hóa bằng AI. Ngay cả trong lĩnh vực mà AI mạnh nhất — kỹ sư phần mềm — thì nó cũng chỉ làm được những nhiệm vụ khoảng một giờ. Trong khi đó, phần lớn công việc lập trình kéo dài nhiều ngày, yêu cầu phối hợp nhóm và hiểu hệ thống mã phức tạp.

Tuy vậy, AI cũng đang tiến bộ nhanh chóng ngay cả ở những nhiệm vụ dài hạn và rối rắm. Nếu tốc độ này đủ nhanh, hoặc nếu reinforcement learning tổng quát hóa tốt, AI có thể vượt qua con người trong cả những kỹ năng dạng này — có thể là trong tương lai gần.

Tuy nhiên, những kỹ năng rối rắm, dài hạn vẫn là “cửa sáng” tốt nhất cho con người hiện tại — bởi khả năng AI xử lý chúng có thể còn hàng thập kỷ nữa mới thành hiện thực.

Tất nhiên, toàn bộ nhận định này có thể sẽ không còn đúng nếu có một mô hình AI hoàn toàn mới, với điểm mạnh-yếu khác hẳn hiện tại, hoặc nếu tốc độ phát triển AI đột ngột tăng vọt. Nhưng ở thời điểm hiện tại, đây vẫn là đánh giá hợp lý nhất.

Ngay cả khi AI có thể thực hiện một nhiệm vụ về mặt kỹ thuật, nó vẫn có thể không được phép làm — vì con người thường muốn có sự tham gia của một người thật trong quy trình (có thể dưới vị trí giám sát viên). Dưới đây là một số nhóm công việc chính mà các nhà kinh tế đã đề xuất có khả năng vẫn cần đến con người (ví dụ như trong cuộc phỏng vấn với Mike Webb):

Các yếu tố này có thể vẫn là điểm nghẽn (bottleneck) lâu dài hơn so với hai nhóm kỹ năng trước (kỹ năng khó với AI, và kỹ năng để triển khai AI), bởi vì một số yếu tố vẫn có thể tồn tại ngay cả khi AI đã trở nên cực kỳ thông minh.

Tuy nhiên, chúng ta vẫn chưa biết chính xác mức độ những yếu tố này sẽ thực sự ngăn cản việc ứng dụng AI tới đâu.

Ví dụ, người ta thường chơi nhạc cổ điển trong lễ cưới, và phần lớn mọi người thích nhạc công người thật hơn. Nhưng cuối cùng, phần lớn vẫn chọn sử dụng bản ghi âm — vì rẻ hơn và tiện hơn rất nhiều.

Tương tự, ngay cả khi người ta thích hàng hóa do con người làm và sản phẩm do AI tạo ra vẫn còn một số điểm yếu, thì AI có thể vượt trội ở nhiều khía cạnh khác đến mức sản phẩm AI vẫn sẽ chiếm ưu thế.

Vào năm 2025, biết dùng ChatGPT tức là có độ ngũ cố vấn 24/7 cho mọi chủ đề, có nguồn lực lập trình, viết và làm hành chính cho vô số dự án nhỏ.

Các công cụ này đang trao cho từng cá nhân quyền năng hành động lớn hơn bao giờ hết. Chúng ta đã thấy điều này trong vườn ươm khởi nghiệp thành công nhất thế giới — Y Combinator — nơi hiện có đến 70% các startup tập trung vào AI, và đang tăng trưởng nhanh gấp nhiều lần so với các startup cách đây 10 năm.

(Mà cách đây 10 năm, các startup vốn dĩ đã tăng trưởng nhanh hơn các doanh nghiệp truyền thống trước đó. Tác động của AI chỉ là một phần trong xu hướng dài hạn này.)

Hiện tại, hiệu ứng này dễ thấy nhất trong thế giới phần mềm — nơi hầu như không có rào cản vật lý — nhưng khả năng ứng dụng đang mở rộng nhanh chóng. Bạn không cần phải làm trong công ty công nghệ mới có thể tận dụng AI để học kỹ năng nhanh hơn, xin tư vấn, chỉnh sửa công việc, lập trình phần mềm, v.v.

Và khi xuất hiện những "lao động ảo" thực sự, hiệu quả đòn bẩy này sẽ còn tăng vọt. Điều này sẽ tạo ra một giai đoạn mà kỹ năng điều phối các “lao động AI” sẽ cực kỳ có giá trị.

Các kỹ năng đó có thể bao gồm:

- Phát hiện vấn đề và quyết định đâu là trọng tâm cần giải quyết

- Hiểu ưu – nhược điểm của các mô hình AI mới nhất, và cách thiết kế để khắc phục các điểm yếu

- Viết mô tả công việc rõ ràng (prompting), giúp AI hiểu đúng yêu cầu

- Hiểu nhu cầu thật sự của người dùng, đặc biệt là về trải nghiệm (UX)

- Thiết kế hệ thống AI, bao gồm cả các quy trình kiểm lỗi

- Hiểu và phối hợp với con người tham gia trong chuỗi vận hành

- Chịu trách nhiệm cuối cùng về đầu ra

(Nhiều kỹ năng trong số này rất giống với kỹ năng quản lý con người. Và đã có bằng chứng cho thấy những nhà quản lý giỏi cũng giỏi hơn trong việc quản lý “đội ngũ AI.”)

Những kỹ năng này không chỉ là kỹ năng dài hạn và rối rắm mà AI khó thay thế, mà còn là kỹ năng bổ trợ cho AI — tức là khi AI càng mạnh, chúng càng trở nên cần thiết. Hai yếu tố này kết hợp lại khiến giá trị của chúng tăng vọt.

Ngược lại, làm thợ may thủ công chuyên may đồ vest Napoli theo truyền thống gia đình lâu đời là một kỹ năng mà AI rất khó thay thế. Nhưng đây không phải kỹ năng bổ trợ cho AI, nên giá trị thị trường của nó có thể chỉ tăng theo tốc độ tăng trưởng thu nhập chung, chứ không tăng đột biến.

Ngoài ra, còn nhiều kỹ năng khác có thể đóng vai trò hỗ trợ cho quá trình triển khai AI ở quy mô lớn, ví dụ:

- Chuyên môn về phần cứng AI: Nếu AI tiếp tục phát triển, sẽ cần xây dựng hàng loạt chip và hạ tầng để huấn luyện và vận hành các hệ thống này.

- Phát triển AI: Khi AI càng trở nên có giá trị, thì việc cải thiện hiệu suất thêm chỉ 1% cũng cực kỳ quan trọng — vì thế, những ai có thể gỡ được các điểm nghẽn trong R&D sẽ có giá trị rất cao.

- Nhiệm vụ vật lý liên quan đến triển khai AI: ví dụ như xây dựng trung tâm dữ liệu, nhà máy điện, phát triển và bảo trì robot.

- An ninh mạng và an ninh thông tin: Khi AI và robot được tích hợp ngày càng sâu vào mọi hoạt động kinh tế, bảo mật hệ thống sẽ là yếu tố sống còn. (Không ai muốn bị “robot quản gia” bắt cóc cả.)

Tôi chỉ cần khai thuế một lần mỗi năm. Nếu AI giúp tôi giảm một nửa chi phí khai thuế, tôi vẫn chỉ khai một lần (và tiết kiệm số tiền đó cho việc khác).

Ngược lại, sau khi Uber khiến việc đi taxi trở nên rẻ hơn và tiện lợi hơn, người ta bắt đầu sử dụng dịch vụ này thường xuyên hơn, thậm chí chi tiêu nhiều hơn so với trước kia. Thị trường taxi đã phát triển mạnh trong một hoặc hai thập kỷ qua.

Điều tương tự có thể xảy ra với y tế, nhà ở cao cấp, giải trí chất lượng, hàng hóa xa xỉ, phát triển bản thân, nghiên cứu và nhiều thứ khác mà tôi tiêu thụ.

Ngược lại, những công việc tồn tại để đáp ứng các yêu cầu pháp lý (ví dụ như cấp phép), hoặc các lĩnh vực mà nhu cầu chủ yếu do chính phủ quyết định, có thể có mức cầu cố định hơn. (Ví dụ: lương ngành y tế ở Anh đã giảm theo giá trị thực trong thập kỷ qua, mặc dù nhu cầu chăm sóc sức khỏe nhìn chung tăng theo GDP).

Rộng hơn, bạn có thể nghĩ đến những lĩnh vực có khả năng tăng trưởng nhanh hơn phần còn lại của nền kinh tế trong thế giới có tự động hóa AI.

Ví dụ, tự động hóa bằng AI sẽ tạo ra một lượng tài sản khổng lồ, có khả năng tập trung vào nhóm 1% giàu nhất – những người sở hữu phần lớn tư bản. Bất bình đẳng thu nhập tăng sẽ kéo theo nhu cầu mạnh hơn đối với các hàng hóa xa xỉ. Một công việc như tổ chức Concert Anh Trai Say Hi có thể khó bị thay thế, và có thể sẽ ngày càng có nhiều người sẵn sàng chi tiền để trải nghiệm.

Hãy xem xét một công việc như phục vụ tại một nhà hàng sang trọng. Tôi cho rằng khi mọi người trở nên giàu có hơn, họ sẽ ăn ngoài nhiều hơn, và đây là công việc mang tính thể chất, đòi hỏi kỹ năng xã hội cao - nơi mà con người vẫn giữ sự ưu tiên cho sự tương tác trực tiếp.

Vì vậy, tôi kỳ vọng nhiều công việc thủ công và dịch vụ bán lẻ sẽ có xu hướng gia tăng về số lượng việc làm, và mức lương của chúng nhìn chung sẽ tăng cùng với phần còn lại của nền kinh tế.

Tuy nhiên, những công việc này có thể sẽ không chứng kiến mức tăng lương vượt trội, bởi vì người ta có thể tiếp cận và học được chúng mà không cần quá nhiều đào tạo. Nếu có quá nhiều người có thể học được một kỹ năng, thì mức lương cho kỹ năng đó sẽ bị giới hạn.

Những kỹ năng có khả năng tăng giá trị nhiều nhất sẽ là những kỹ năng mà thị trường lao động mất nhiều thời gian để thích nghi với nhu cầu gia tăng.

Ví dụ, nếu bạn là một công nhân xây dựng, bạn có thể học một nghề chuyên biệt hơn – như trở thành thợ điện – và tập trung vào những mảng có khả năng sẽ có nhu cầu ngày càng cao, chẳng hạn như trung tâm dữ liệu. Những người có kỹ năng chuyên sâu như vậy có nhiều khả năng trở thành “nút thắt cổ chai” trong thời kỳ tăng trưởng nhanh.

=================

Các bài khác trong chuỗi Series:

- Phần Giới thiệu: Để không mất việc vào tay A.I

- Phần I: A.I sẽ làm giảm thu nhập của người lao động?