Vì sao tôi không tin lời hứa “AI tăng 300% năng suất”

Lời hứa "AI tăng 300% năng suất" là một tuyên bố tiếp thị, không phải kết quả nghiên cứu được kiểm chứng. Bạn đã thấy những tiêu đề kiểu "AI giúp tăng 300% năng suất" hay "Tự động hoá giúp tiết kiệm 80% thời gian". Tôi làm AI Automation hằng ngày, và tôi không tin những con số đó. Không phải vì AI không hữu ích, mà vì những con số như vậy thường không nói rõ đo cái gì, đo ai, so với cái gì. Nghiên cứu có tên và năm, chẳng hạn của NBER năm 2023 hay METR năm 2025, cho kết quả khiêm tốn hơn nhiều và khác nhau theo nhóm người; phần dưới trình bày cụ thể.

Con số "tăng 300% năng suất" có đáng tin không?

Một con số năng suất là một phép so sánh, và nó chỉ có nghĩa khi nêu rõ đo cái gì, đo ai, so với mốc nào. "Tăng 300%" là tăng từ đâu? Ví dụ giả định: một người mất 3 giờ mỗi ngày để soạn email, nay chỉ mất 1 giờ nhờ AI. Việc soạn email nhanh gấp ba là đúng. Nhưng điều đó không có nghĩa doanh nghiệp làm ra nhiều gấp ba, vì năng suất thật phụ thuộc vào việc 2 giờ lấy lại được dùng vào đâu. Vì vậy trên website này, tôi không đưa ra con số kiểu đó. Khi làm việc với khách, tôi đo bằng những thứ cụ thể của chính họ: việc nào trước đây làm tay giờ đã tự chạy, mỗi tuần lấy lại được bao nhiêu thời gian, lỗi giảm ở đâu.

Nghiên cứu NBER về nhân viên hỗ trợ khách hàng cho kết quả gì?

Nghiên cứu "Generative AI at Work" của Erik Brynjolfsson, Danielle Li và Lindsey Raymond (NBER Working Paper 31161, 2023, đọc ngày 25/10/2026) là một nghiên cứu có kiểm soát về năng suất khi dùng AI, và kết quả không phải 300%. Nhóm tác giả theo dõi 5.179 nhân viên hỗ trợ khách hàng. Đầu tiên, trợ lý AI tăng số vấn đề giải quyết mỗi giờ trung bình khoảng 14%. Tiếp theo, nhóm mới vào nghề hoặc kỹ năng thấp tăng 34%. Cuối cùng, nhóm giàu kinh nghiệm chỉ thay đổi rất ít. Kết quả này đến từ một công việc cụ thể ở một công ty cụ thể, nên không tự suy ra cho nghề khác.

Thử nghiệm của METR với lập trình viên cho kết quả gì?

Thử nghiệm của METR, công bố ngày 10/7/2025 (đọc ngày 25/10/2026), cho kết quả ngược chiều: lập trình viên làm lâu hơn khi được dùng AI. Nhóm nghiên cứu theo dõi 16 lập trình viên mã nguồn mở giàu kinh nghiệm trên 246 tác vụ thật, mỗi tác vụ dài khoảng 2 giờ và được chọn ngẫu nhiên có hoặc không dùng AI. Khi được dùng AI, họ làm lâu hơn 19%, dù trước đó họ kỳ vọng nhanh hơn 24% và sau đó vẫn tin mình nhanh hơn 20%. METR nêu rõ mẫu nhỏ, công cụ thuộc đầu năm 2025, và không kết luận cho mọi lập trình viên hay mọi ngành; năm 2026 họ đã công bố kết quả mới hơn. Bài học thực tế: cảm giác nhanh hơn không đủ, phải đo thời gian thật.

AI làm tốt và chưa tốt những việc gì?

AI làm tốt những việc có khuôn mẫu rõ và dễ kiểm tra, còn việc cần phán đoán thì chưa. Theo những gì tôi đang dùng hằng ngày với các mô hình ngôn ngữ lớn:

• Làm tốt: soạn bản nháp, tóm tắt, phân loại, chuyển dữ liệu giữa các hệ thống, trả lời câu hỏi lặp lại dựa trên tài liệu có sẵn, viết và sửa code dưới sự giám sát.
• Chưa tốt: những việc cần phán đoán trong tình huống mới, những việc mà sai một lần là mất tiền, những câu trả lời cần số liệu chính xác mà AI không có nguồn để kiểm tra.

AI có thể nói sai một cách rất tự tin. Vì vậy mọi hệ thống tôi xây đều có chỗ để con người kiểm tra trước khi kết quả được gửi đi, chẳng hạn một bước duyệt bản nháp trước khi email tới tay khách hàng.

Làm sao tự đánh giá một công cụ AI trước khi trả tiền?

Cách đánh giá một công cụ AI là hỏi 5 câu về công việc thật của bạn trước khi trả tiền, theo đúng thứ tự dưới đây. Ví dụ, một công cụ chăm sóc khách hàng có bản dùng thử miễn phí nhưng không cho xuất danh sách khách ra file sẽ khiến bạn bị khoá chặt vào nhà cung cấp. Muốn so sánh mô hình bằng số liệu đo độc lập thay vì lời quảng cáo, xem Artificial Analysis là gì.

1. Nó giải quyết việc nào trong danh sách việc của tôi? Nếu không trả lời được, chưa cần mua.
2. Có bản dùng thử với dữ liệu thật của tôi không? Bản demo luôn đẹp hơn thực tế.
3. Khi nó sai thì tôi biết bằng cách nào? Công cụ tốt cho bạn xem lại và sửa được.
4. Dữ liệu của tôi đi đâu? Với thông tin khách hàng, điều này quan trọng hơn mọi tính năng.
5. Nếu ngừng dùng thì có lấy dữ liệu ra được không?

Lời hứa duy nhất OPCAIOS đưa ra là gì?

Lời hứa duy nhất của OPCAIOS là cách làm, không phải con số. Hai nghiên cứu ở trên cho thấy hiệu quả thay đổi theo người và việc, nên tôi không hứa một mức phần trăm cố định. Tôi bắt đầu từ công việc thật của bạn, chọn đúng việc nên tự động hoá, xây cho tới khi chạy được, và hướng dẫn để bạn tự vận hành. Việc nào AI chưa làm tốt, tôi nói thẳng, kể cả khi điều đó nghĩa là khuyên bạn chưa nên tự động hoá việc ấy. Nếu bạn muốn biết công việc của mình có chỗ nào đáng giao cho AI, hãy để lại vài dòng ở trang liên hệ. Tôi tự đọc và trả lời từng tin nhắn.

Nguồn: Brynjolfsson, Li, Raymond, "Generative AI at Work", NBER Working Paper 31161, 2023 (nber.org/papers/w31161, đọc ngày 25/10/2026); METR, nghiên cứu về lập trình viên mã nguồn mở, 10/7/2025 (metr.org, đọc ngày 25/10/2026; mẫu nhỏ, công cụ đầu 2025). Phần còn lại là kinh nghiệm cá nhân, ví dụ giả định.