Bạn sẽ không mất việc vì AI. Bạn sẽ mất việc vào tay người biết dùng AI.

Insights từ Scaling Business Summit 2026, Thành phố Hồ Chí Minh.

Dru Nguyen, Managing Partner của Tictag, mở đầu buổi thảo luận bằng cách giơ tay lấy ý kiến. Hơn một nửa phòng đã sử dụng AI trong kinh doanh. Buổi thảo luận của ông không tranh luận về việc AI có quan trọng hay không. Nó đề cập đến điều hữu ích hơn: tại sao các công cụ AI thất bại ở thị trường địa phương và điều đó có ý nghĩa gì với các công ty đang xây dựng hoặc triển khai AI ở Đông Nam Á.

1. AI không phải mối đe dọa. Sự thụ động mới là.

Tại Diễn đàn Kinh tế Thế giới, Jensen Huang dùng bác sĩ X-quang làm ví dụ. Quét, gắn cờ, ghi chép — AI xử lý lớp công việc lặp đi lặp lại. Con người tập trung vào những gì không thể tự động hóa: phán đoán, kinh nghiệm, chăm sóc bệnh nhân.

Phiên bản của Dru trực tiếp hơn. “Bạn sẽ không mất việc vì AI, nhưng bạn sẽ mất việc vào tay người biết dùng AI.” Đây không phải cảnh báo tương lai. Đó là quyết định tuyển dụng và đào tạo hiện tại.

Bài học 1: Áp dụng AI không còn là lợi thế cạnh tranh. Đó là tiêu chuẩn cơ bản. Câu hỏi là đội ngũ của bạn làm quen với nó nhanh đến mức nào.

2. Mọi mô hình AI đều chạy trên một pipeline dữ liệu mà hầu hết mọi người không bao giờ thấy

Trước khi một mô hình AI có thể nhận dạng, phân loại hay dự đoán, nó cần dữ liệu thô, gán nhãn và kiểm soát chất lượng. Dữ liệu thô là video, hình ảnh hoặc văn bản chưa qua xử lý. Gán nhãn cung cấp ngữ cảnh và nhãn. Kiểm soát chất lượng xác minh độ chính xác trước khi huấn luyện mô hình.

Dru minh họa điều này bằng chiếc thùng rác thông minh phân loại rác thành phân compost, đồ dùng một lần và lon. Phần cứng rất đơn giản. Trí thông minh đến từ hàng nghìn điểm dữ liệu được xác minh và gán nhãn. Mỗi lần người dùng sửa lại cải thiện mô hình.

“Nếu không có độ chính xác, dữ liệu là rác. Bạn không thể dùng nó.”

Bài học 2: Trước khi chọn bất kỳ công cụ AI nào, hãy hỏi dữ liệu huấn luyện của nó là gì và được xác minh như thế nào. Độ chính xác ở tầng gán nhãn quyết định mọi thứ phía sau.

3. Hầu hết AI không được xây dựng cho Đông Nam Á

Các LLM lớn và công cụ nhận dạng giọng nói mà hầu hết doanh nghiệp sử dụng chủ yếu được huấn luyện trên các tập dữ liệu phương Tây. Chúng hoạt động tốt bằng tiếng Anh và trong các ngữ cảnh được chuẩn hóa quốc tế. Chúng hoạt động kém hơn đáng kể với ngôn ngữ địa phương, giọng vùng miền và sắc thái văn hóa.

Ví dụ cụ thể của Dru: một mô hình không thể phân biệt giọng Bắc và giọng Nam Việt Nam có vấn đề độ chính xác cơ bản với bất kỳ ứng dụng phụ thuộc vào giọng nói nào. “Dù là tiếng Việt, nhưng vẫn có những từ vựng khác nhau được sử dụng.” Các mô hình được huấn luyện trên dữ liệu phương Tây coi chúng là như nhau. Chúng không phải vậy. Đây là ý nghĩa thực tiễn của AI chủ quyền — các quốc gia phát triển dữ liệu huấn luyện phản ánh ngôn ngữ, văn hóa và ngữ cảnh của riêng họ thay vì mượn của người khác.

Bài học 3: AI được huấn luyện trên dữ liệu phương Tây có khoảng cách độ chính xác đo lường được trong bối cảnh Đông Nam Á. Các ứng dụng ngôn ngữ và văn hóa địa phương cần dữ liệu huấn luyện từ địa phương.

4. Khoảng cách giáo dục là khoảng cách lực lượng lao động

Một sinh viên trường kinh doanh Singapore mà Dru mô tả được yêu cầu sử dụng LLM cho mọi bài tập và ghi lại từng bước. Kết quả: một khái niệm nhà hàng hoàn chỉnh, menu, thương hiệu, nội dung, định vị — được xây dựng và ghi chép bằng AI. Một sinh viên. Một dự án.

Hệ thống giáo dục Việt Nam chưa đến đó. Mong muốn giáo dục AI tồn tại. Cơ sở hạ tầng thì không. “Nếu bạn không được phép dùng AI ở trường, làm sao bạn có thể cạnh tranh trong thế giới thực?” Những sinh viên tốt nghiệp bước vào thị trường hiện nay được đào tạo mà không có nó. Các công ty xây dựng năng lực AI nội bộ không chờ hệ thống bắt kịp — họ đang xây dựng lợi thế tích lũy ngay bây giờ.

Bài học 4: Khoảng cách giáo dục AI của Việt Nam là khoảng cách lực lượng lao động. Xây dựng năng lực AI nội bộ. Đừng chờ hệ thống giáo dục cung cấp.

Playbook thực thi của CEO: Phải làm gì ngay ngày mai

1. 1. Kiểm tra công cụ AI của bạn với đầu vào địa phương. Chạy công cụ nhận dạng giọng nói của bạn với giọng Bắc và giọng Nam Việt Nam. Nếu độ chính xác giảm, bạn có vấn đề về dữ liệu huấn luyện.
2. 2. Hỏi nhà cung cấp về dữ liệu huấn luyện. Trước khi triển khai bất kỳ mô hình AI nào tại địa phương, hãy hỏi nó được huấn luyện trên dữ liệu gì. Câu trả lời tập trung vào phương Tây cần được xem xét khi đánh giá độ chính xác.
3. 3. Lập bản đồ các nhiệm vụ lặp đi lặp lại trong tuần của nhóm bạn. Xác định năm nhiệm vụ lặp lại tốn thời gian nhất. Kiểm tra xem LLM có thể xử lý bất kỳ nhiệm vụ nào trong số đó không. Ghi lại những gì hiệu quả và chia sẻ.
4. 4. Xây dựng năng lực AI nội bộ ngay bây giờ. Prompting cơ bản, tích hợp quy trình làm việc, tài liệu hóa công cụ. Đừng chờ hệ thống giáo dục.

→ Xem toàn bộ phiên trên YouTube