Nghiên cứu của Đại học Stanford cho thấy AI đang tác động không cân xứng lên thị trường lao động Hoa Kỳ: lao động trẻ 22–25 tuổi tại các vị trí sơ cấp chịu rủi ro lớn nhất, trong khi lao động kỳ cựu và ngành chăm sóc y tế ít bị ảnh hưởng.

• Philippines: 113.000 người xuống đường vì tham nhũng
• Tảng đá huyền bí ở Úc: Bí mật dưới lòng đất chưa được giải mã
• Hiện có bao nhiêu nước công nhận Nhà nước Palestine?

Lao động trẻ chịu tác động mạnh mẽ từ AI — vì sao và ảnh hưởng tức thời

Nghiên cứu của Stanford, dựa trên dữ liệu ADP, ghi nhận mức giảm việc làm khoảng 13% cho nhóm 22–25 tuổi kể từ cuối 2022, tập trung vào các vị trí sơ cấp như lập trình cơ bản, kế toán nhập liệu và nhân viên dịch vụ khách hàng. Phân tích chuyên sâu cho thấy có ít nhất bốn cơ chế quan trọng giải thích hiện tượng này:

1. Tỷ lệ công việc chuẩn hóa cao: Các vị trí sơ cấp thường có quy trình và đầu ra dễ mã hóa — điều kiện thuận lợi để AI (mô hình tạo văn bản, tự động hóa quy trình) thay thế các tác vụ lặp lại. Khi nhiệm vụ trở nên chuẩn hóa, nhu cầu lao động mới vào nghề giảm nhanh.
2. Thiếu “tri thức ngầm” (tacit knowledge): Người trẻ thường chưa kịp tích lũy kinh nghiệm bối cảnh, phán đoán khó khăn, giao tiếp phức tạp — những năng lực AI yếu hơn. Do đó nhà tuyển dụng có xu hướng giữ lại nhân viên kỳ cựu, dẫn đến phân hóa tuổi tác trên thị trường lao động.
3. Chi phí đào tạo và thay thế: Doanh nghiệp nhìn thấy cơ hội giảm chi phí bằng cách sử dụng AI để thực hiện các tác vụ cơ bản, thay vì đầu tư lâu dài vào đào tạo nhân lực trẻ. Quyết định này đẩy nhanh tốc độ thay thế ngay cả khi giá trị dài hạn của nhân viên trẻ có thể lớn.
4. Tác động chuỗi trong tuyển dụng: Khi vị trí sơ cấp bị thay thế, đường vào nghề bị thu hẹp — từ đó thắt nghẽn luồng nhân lực cho các vai trò cao hơn trong tương lai, tạo ra “đứt gãy” thế hệ trong lực lượng lao động.

Hệ quả tức thời: gia tăng tỉ lệ thất nghiệp ở nhóm vào nghề, giảm cơ hội tích lũy kinh nghiệm, áp lực lên an sinh xã hội và khả năng làm tăng bất bình đẳng thu nhập giữa lao động trẻ và kỳ cựu. Ngoài ra, sự sụt giảm vị trí khởi đầu có thể làm chậm chuyển giao kỹ năng cho thế hệ tiếp theo, ảnh hưởng đến năng suất tổng thể trong trung hạn.

Tác động theo ngành, phân phối lại lao động và rủi ro kinh tế – xã hội

Bài gốc nhấn mạnh: lập trình phần mềm, dịch vụ khách hàng và kế toán là những ngành chịu tổn thương lớn; trong khi chăm sóc sức khỏe, điều dưỡng và dịch vụ tại nhà ít bị ảnh hưởng. Phân tích sâu hơn cho thấy:

• Lập trình và công nghệ: Dù “lập trình viên” nói chung bị ảnh hưởng, tác động không đồng đều — các công việc lập trình mang tính lặp tự động hoá (ví dụ generate boilerplate code, kiểm thử tự động) dễ mất chỗ hơn các vị trí đòi hỏi thiết kế hệ thống, kiến trúc phần mềm hay kỹ năng giao tiếp với khách hàng. Sự sàng lọc này có thể dẫn tới “chất lượng” việc làm lập trình thay đổi: ít việc khởi nghiệp cho người mới, nhiều việc chuyên sâu cho người có kinh nghiệm.
• Dịch vụ khách hàng: Chatbot, trung tâm AI xử lý truy vấn ban đầu làm giảm nhu cầu nhân lực đầu mối. Tuy nhiên, các trường hợp phức tạp, xử lý khiếu nại nhạy cảm vẫn cần con người — tạo ra hai tầng việc làm: tự động hoá cơ bản và nhân sự chuyên xử lý tình huống.
• Chăm sóc y tế & nghề bản chất con người: Các công việc cần tương tác con người, thấu cảm và xử lý tình huống phức tạp (điều dưỡng, chăm sóc tâm thần) khó bị thay thế. Hậu quả tích cực là những ngành này có nhu cầu tuyển thêm lao động — và theo ghi nhận, lao động trẻ đang chuyển hướng sang đây, tạo ra một “điểm sáng” cho việc làm trẻ.
• Rủi ro xã hội: Sự phân bổ lại lao động có thể làm trầm trọng thêm bất bình đẳng địa phương—những vùng phụ thuộc vào ngành văn phòng sơ cấp sẽ bị tổn thương mạnh hơn, dẫn đến nhu cầu chính sách hỗ trợ khu vực.

Kinh tế vĩ mô: làn sóng thay thế có thể làm giảm tiêu dùng của nhóm tuổi trẻ (thu nhập giảm), ảnh hưởng đến cầu nội địa; đồng thời, năng suất tăng cục bộ nhưng phân phối lợi ích không đồng đều — lợi ích tập trung vào chủ sở hữu công nghệ.

Chính sách, đề xuất cho người lao động, doanh nghiệp và nhà nước

Dựa trên những phát hiện và xu hướng nêu trong bài gốc, đây là các khuyến nghị cụ thể, khả thi và mang tính chiến lược:

A. Với người lao động (đặc biệt 22–25 tuổi)

• Ưu tiên kỹ năng không dễ tự động hoá: phát triển kỹ năng tư duy phản biện, giải quyết vấn đề phức tạp, kỹ năng giao tiếp, quản lý dự án và kỹ năng nghề đặc thù (ví dụ: trong y tế, chăm sóc).
• Reskilling & upskilling nhanh: ưu tiên các chương trình đào tạo ngắn hạn có tính thực hành cao, phối hợp với nhà tuyển dụng (apprenticeship, internship có lương).
• Linh hoạt nghề nghiệp: chuẩn bị chuyển đổi ngành sang các lĩnh vực ít rủi ro (y tế, chăm sóc, kỹ thuật chuyên sâu, an ninh số).

B. Với doanh nghiệp

• Đầu tư cân bằng giữa AI và con người: tận dụng AI để nâng cao năng suất, nhưng giữ lại vai trò đào tạo nhân sự trẻ nhằm bảo đảm chuỗi kế thừa kỹ năng.
• Chương trình đào tạo nội bộ: thiết kế chương trình “on-the-job training” để chuyển tri thức ngầm cho nhân viên trẻ, tránh tình trạng “lọt lưới thế hệ”.
• Đánh giá tác động việc làm trước triển khai AI: thực hiện đánh giá rủi ro việc làm, phối hợp với cơ quan lao động để giảm sốc xã hội.

C. Với nhà nước và chính sách công

• Nâng cấp hệ thống giáo dục nghề nghiệp: tăng cường kết nối giữa trường nghề, đại học và doanh nghiệp; hỗ trợ chương trình reskilling với cơ chế tài trợ công-trợ giá.
• An sinh chuyển đổi nghề: mở rộng trợ cấp tạm thời, hỗ trợ tư vấn nghề và tài khóa cho nhóm mất việc do AI.
• Khuyến khích đầu tư tạo việc làm chất lượng: chính sách thuế ưu đãi cho doanh nghiệp tuyển dụng và đào tạo lao động trẻ; đồng thời đánh thuế/giám sát lợi ích vượt trội từ tự động hóa nếu cần để tái phân phối công bằng.
• Đầu tư vào hạ tầng vùng bị ảnh hưởng: hỗ trợ khu vực mất việc bằng chương trình chuyển đổi kinh tế địa phương.

D. Lộ trình hành động (ngắn — trung — dài hạn)

• Ngắn hạn (0–2 năm): hỗ trợ đào tạo cấp tốc, trợ cấp thất nghiệp có điều kiện tham gia đào tạo.
• Trung hạn (3–5 năm): chuyển đổi chương trình giáo dục, thúc đẩy hợp tác doanh nghiệp – trường học.
• Dài hạn (5+ năm): thiết kế lại hệ an sinh phù hợp với thị trường lao động có AI, cân nhắc các công cụ như thuế robot nếu cần.

4. Hạn chế nghiên cứu và hướng nghiên cứu tiếp theo

Bản nghiên cứu Stanford dùng dữ liệu ADP có độ phủ lớn nhưng vẫn có giới hạn: khó phân tích tác động theo địa phương chi tiết, không đủ dữ liệu về chất lượng công việc thay vì chỉ số lượng, và chưa phản ánh hoàn toàn tác động trong doanh nghiệp nhỏ vốn chưa áp dụng AI. Những hướng nghiên cứu tiếp theo cần: phân tích tác động theo khu vực địa lý, đánh giá dài hạn về thay đổi lộ trình nghề nghiệp, và nghiên cứu hiệu quả các chương trình reskilling trên thực tế.

Theo: Tri Thức VN