Năng suất AI paradox: Khi thời gian xử lý giảm mà ngày làm việc không ngắn lại
Năng suất AI paradox là mâu thuẫn giữa việc AI giảm mạnh thời gian xử lý tác vụ riêng lẻ và thực tế người lao động phải dành thêm giờ chuẩn bị dữ liệu, kiểm chứng kết quả, điều chỉnh bối cảnh nên tổng thời gian làm việc không giảm mà có xu hướng kéo dài, khiến lợi ích tối ưu hóa bị bào mòn bởi chi phí ẩn khó thấy hết ngay trong báo cáo hiệu suất. Theo các nhân viên vừa rời công ty, Uber thời gian gần đây đã đẩy nhanh việc ứng dụng AI trong nhiều quy trình vận hành nội bộ, từ hỏi đáp, chăm sóc khách hàng đến hỗ trợ bán hàng. Ở một số vị trí, phần lớn đầu việc đã được chuyển cho công cụ AI xử lý. Bề mặt, câu chuyện nghe rất lý tưởng: AI giảm thời gian xử lý, đội ngũ tập trung vào việc "cao cấp" hơn. Nhưng nếu dừng ở đó, doanh nghiệp đang nhầm lẫn tối ưu hóa cục bộ với năng suất thực sự.
Trường hợp Uber: AI như thuốc nổ đặt dưới cây cầu năng suất
Uber là ví dụ điển hình cho kỳ vọng AI giảm thời gian xử lý nhưng chưa chứng minh được hiệu quả so với chi phí. Một cựu nhân viên cho biết chỉ sau vài tuần dùng công cụ AI, thời gian xử lý công việc của mình giảm xuống còn khoảng 1/5 so với trước – tương đương tiết kiệm khoảng 80% thời gian trên từng đầu việc. Cảm giác trong nội bộ được mô tả như "thuốc nổ được đặt dưới cây cầu" khi AI lan rất nhanh qua nhiều bộ phận. Công ty đưa AI vào hỏi đáp nội bộ, chatbot trên Slack, công cụ tìm kiếm tài liệu để nhân viên chăm sóc khách hàng phản hồi tài xế và hành khách. Về mặt số liệu, AI giảm thời gian xử lý rõ rệt – đúng kỳ vọng "AI giảm thời gian xử lý". Nhưng bản thân Uber thừa nhận mức tăng năng suất tương xứng với chi phí cho các công cụ AI vẫn chưa được xác nhận. Đây là lời cảnh báo: tối ưu thời gian không đồng nghĩa tối ưu chi phí.
Người lao động “hầu” AI: 6 giờ dùng, 6,4 giờ chuẩn bị và kiểm chứng
Ở góc độ người đi làm, nghịch lý càng rõ: họ dùng AI nhiều nhưng không chắc tiết kiệm thời gian. Tại một chương trình về kích hoạt năng suất AI, số liệu cho thấy người dùng trung bình dành khoảng 6 giờ mỗi tuần làm việc trực tiếp với AI, nhưng mất thêm 6,4 giờ cho các công việc trước và sau đó. Tức là thời gian "hầu" AI – chuẩn bị dữ liệu AI và kiểm chứng kết quả AI – còn nhiều hơn thời gian tương tác chính. Trước khi đặt câu hỏi, người dùng phải chuẩn bị bối cảnh, dữ liệu, đề bài; sau khi nhận kết quả, họ kiểm tra, chỉnh sửa, đánh giá rồi mới quyết định. Khảo sát cho thấy 28% người dùng mất thêm nhiều thời gian tìm và chuẩn bị bối cảnh, trong khi 28% phải dành nhiều thời gian điều chỉnh kết quả AI tạo ra. "Chỉ tính thời gian AI trả lời không phản ánh đầy đủ năng suất thực tế" – đây là câu nói nên được đóng khung trên dashboard mọi dự án AI giảm thời gian xử lý.
Chi phí ẩn của AI: Dữ liệu, bối cảnh và rủi ro "AI đi cửa phụ"
Nhiều doanh nghiệp đang sa vào cái bẫy chỉ nhìn vào thời gian xử lý giảm mà bỏ qua chi phí ẩn của AI. Khi nhân viên dùng tài khoản AI cá nhân, công cụ không thể tiếp cận đầy đủ dữ liệu nội bộ, dẫn đến tình trạng "mù thông tin"; AI phải được nạp dữ liệu thủ công, kéo dài quy trình và tăng rủi ro rò rỉ thông tin. Khảo sát tại Việt Nam cho thấy 58% người lao động đã dùng AI cho công việc, nhưng chỉ 13% doanh nghiệp có chương trình chính thức đưa AI vào tổ chức và 4% tự tin đã xây dựng được quy trình bài bản giữa con người và AI. 68% người dùng đang sử dụng công cụ AI cá nhân và tự trả tiền – AI "đi cửa phụ" vào doanh nghiệp. Trong bối cảnh đó, chuẩn bị dữ liệu AI, thiết kế bối cảnh, thiết lập quyền truy cập, bảo mật… là những chi phí ẩn mà bảng tính ROI truyền thống rất dễ bỏ qua nếu chỉ đếm số giờ xử lý được giảm.
Tái định nghĩa ROI: Từ tối ưu tác vụ sang thiết kế lại quy trình với AI
Thông điệp rõ ràng cho các lãnh đạo là: ROI của AI không thể đo bằng vài con số tối ưu hóa đơn lẻ. Ngay cả khi thời gian xử lý giảm xuống còn 20% như trường hợp Uber, mức tăng năng suất tương xứng với chi phí AI vẫn chưa được chứng minh. Trong khi đó, dữ liệu từ chương trình kích hoạt năng suất AI cho thấy điểm nghẽn khi chuyển từ sử dụng AI cơ bản sang tạo ra kết quả nằm nhiều ở dữ liệu và bối cảnh. Doanh nghiệp cần chuyển trọng tâm từ câu hỏi "mua công cụ AI nào, cho bao nhiêu người" sang "AI sẽ thay đổi quy trình làm việc như thế nào để tạo ra năng suất thực sự". Hay nói cách khác, năng suất AI paradox chỉ được giải khi tổ chức dám thiết kế lại luồng công việc, tiêu chuẩn hóa cách dùng AI hiệu quả của từng cá nhân thành quy trình, chia sẻ và đào tạo để lan tỏa giá trị. Không làm được điều đó, AI sẽ tiếp tục giảm thời gian xử lý từng việc nhỏ, trong khi ngày làm việc tập thể vẫn dài như cũ.
