Khoảng trống nhân lực đang cản bước ứng dụng AI
Đào tạo nhân lực AI là quá trình trang bị kiến thức nền tảng, năng lực nghiên cứu và kỹ năng triển khai để người học có thể ứng dụng, phát triển và làm chủ trí tuệ nhân tạo trong những bài toán thực tế. AI đang đổi thay nhu cầu lao động ở hầu hết ngành kinh tế, nhưng nguồn nhân lực đáp ứng được yêu cầu ngày càng phức tạp vẫn chưa theo kịp. Doanh nghiệp cần nhiều hơn người biết vận hành công cụ: họ cần nhân sự có thể xử lý dữ liệu, xây dựng mô hình và tích hợp AI vào hệ thống chuyên ngành. Thiếu nhân lực AI chất lượng cao vì thế không chỉ là vấn đề tuyển dụng, mà còn là nút thắt khiến tiềm năng công nghệ khó chuyển thành năng suất và dịch vụ tốt hơn cho người dân. Chương trình quốc gia về phát triển nhân lực AI đến năm 2030, định hướng đến năm 2035, đã đặt ra các mục tiêu cụ thể.
Mục tiêu đến năm 2030 là đào tạo mới, chuyển đổi và bồi dưỡng ít nhất 50.000 người trình độ đại học trở lên có năng lực ứng dụng AI trong các lĩnh vực trọng điểm; đồng thời đào tạo ít nhất 10.000 nhân lực AI chuyên sâu, trong đó có tối thiểu 1.500 chuyên gia nghiên cứu, phát triển và làm chủ công nghệ lõi. Quy mô này cho thấy tham vọng lớn, nhưng chỉ tiêu sẽ mất ý nghĩa nếu chương trình đo thành công bằng số người nhập học thay vì năng lực làm việc sau tốt nghiệp. Nhu cầu tăng nhanh trong khi các viện nghiên cứu khó tuyển và giữ chân cán bộ trẻ có chuyên môn AI, một phần do thu nhập và điều kiện làm việc chưa cạnh tranh với doanh nghiệp.

Học AI phải vượt khỏi việc dùng công cụ
Đào tạo AI sẽ không tạo ra năng lực làm chủ công nghệ nếu người học chỉ biết sử dụng phần mềm có sẵn. Một chương trình có chiều sâu phải đưa sinh viên đi qua toàn bộ quy trình: thu thập và chuẩn bị dữ liệu, chọn phương pháp, xây dựng mô hình, kiểm thử rồi vận hành hệ thống. Vì vậy, kỹ năng trí tuệ nhân tạo cần kết hợp toán học, thống kê và khoa học máy tính với khả năng nghiên cứu, triển khai dự án và thích ứng khi công nghệ thay đổi. Giảng viên cũng cần kinh nghiệm thực tế để hướng dẫn bài toán từ đầu đến cuối, thay vì chỉ truyền đạt lý thuyết. Đây là đòi hỏi khó trong bối cảnh các trường và viện phải cạnh tranh với doanh nghiệp để thu hút chuyên gia, còn hạ tầng tính toán và dữ liệu chất lượng cần nguồn lực đầu tư đáng kể.
Cách học qua dự án là hướng đi đáng ưu tiên vì buộc kiến thức phải được kiểm chứng bằng sản phẩm và kết quả. Trường Đại học Khoa học và Công nghệ Hà Nội dành 40% thời lượng cho thực hành phòng thí nghiệm, đồng thời bố trí ít nhất ba tháng thực tập tại doanh nghiệp hoặc viện nghiên cứu, gắn với khóa luận tốt nghiệp. Mô hình này giúp sinh viên va chạm với yêu cầu thật, còn nhà trường có cơ sở đánh giá sát hơn chất lượng đào tạo. Chương trình cũng cần cập nhật các mảng phát triển nhanh như AI tạo sinh, mô hình ngôn ngữ lớn, robot và hệ thống tự hành, nhưng cập nhật nội dung thôi chưa đủ: người học phải biết lựa chọn công nghệ phù hợp và chịu trách nhiệm về cách triển khai.

Doanh nghiệp cần tham gia từ đầu, không chỉ tuyển dụng
Khoảng cách giữa đào tạo và nhu cầu thực tế không thể được khắc phục nếu doanh nghiệp chỉ chờ tuyển người sau khi sinh viên tốt nghiệp. Đào tạo AI doanh nghiệp nên bắt đầu từ việc cùng trường xây dựng chương trình, cung cấp chuyên gia hướng dẫn, tiếp nhận thực tập sinh, chia sẻ dữ liệu phù hợp và đặt hàng nghiên cứu. Những dự án xuất phát từ nhu cầu sản xuất, kinh doanh giúp sinh viên hiểu điều kiện để một giải pháp AI vận hành được, chứ không chỉ chạy trong bài tập. Đổi lại, doanh nghiệp có cơ hội định hình nguồn nhân lực theo yêu cầu công việc và đánh giá năng lực ứng viên từ sớm.
Nhà trường vẫn phải giữ vai trò bảo đảm nền tảng khoa học và tư duy độc lập; nếu chương trình bị thu hẹp thành đào tạo theo công cụ hay nhu cầu trước mắt của một doanh nghiệp, người học sẽ khó thích ứng khi công nghệ đổi khác. Nhà nước cần kết nối hai phía bằng cơ chế đặt hàng đào tạo nhân lực công nghệ cao, khuyến khích doanh nghiệp đồng đầu tư nghiên cứu và chia sẻ hạ tầng với đại học. Đây không phải phần việc phụ: hạ tầng tính toán, dữ liệu và cơ hội thực hành là điều kiện để kiến thức thành kỹ năng. Liên kết có hiệu quả khi mỗi bên cùng góp nguồn lực và cùng chịu trách nhiệm về kết quả.

Mục tiêu chỉ có giá trị khi năng lực được kiểm chứng
Các chỉ tiêu quốc gia tạo ra mốc để hành động, nhưng thành công không nên chỉ được tính bằng số người được cấp bằng. Cần đánh giá xem người học có thể giải quyết bài toán nào, có triển khai được hệ thống an toàn và có tiếp tục học hỏi khi mô hình, dữ liệu và công cụ thay đổi hay không. Bộ Khoa học và Công nghệ cho biết sẽ tiếp tục phối hợp với Bộ Giáo dục và Đào tạo cùng các cơ quan liên quan để thực hiện những chương trình phát triển nhân lực AI đã được phê duyệt. Phần tiếp theo cần là cơ chế phối hợp cụ thể, gắn mục tiêu đào tạo với dự án nghiên cứu, kỳ thực tập và nhu cầu tuyển dụng.
Việt Nam cần cả lực lượng ứng dụng rộng trong các ngành lẫn nhóm chuyên gia đủ sức nghiên cứu, phát triển và làm chủ công nghệ lõi; không thể thay thế nhóm này bằng những người chỉ biết dùng công cụ. Vì thế, đào tạo nhân lực AI phải được xem như một chuỗi liên tục từ nền tảng học thuật, thực hành và nghiên cứu đến việc làm, với nhà trường, doanh nghiệp và nhà nước cùng tham gia. Nếu thiếu sự gắn kết ấy, mục tiêu số lượng sẽ khó chuyển thành năng lực cạnh tranh. Kết luận cần rõ ràng: hãy đo chất lượng đào tạo bằng khả năng tạo ra giải pháp hữu ích và làm chủ công nghệ, không phải chỉ bằng số người được đào tạo.







