Một working paper của Atlanta Fed công bố tháng 3 năm 2026, dựa trên khảo sát gần 750 lãnh đạo doanh nghiệp, vừa gắn một con số lên điều mà phần lớn lãnh đạo vận hành ở mid-market đã âm thầm nhận thấy trong các pilot của chính mình: mức tăng năng suất từ AI là có thực, nhưng đo được nhỏ hơn cảm nhận, và khoảng chênh đủ rộng để các tác giả gọi thẳng đó là một nghịch lý năng suất (Atlanta Fed, 2026). Nghịch lý này không phải là một sai lệch đo lường. Đó là dấu vân tay thực nghiệm của một vấn đề triển khai sâu hơn — vấn đề mà trên một đường cong được nhà kinh tế Scott Cunningham trình bày trước Federal Reserve Board ngày 27/3/2026, có tên cụ thể: vùng nguy hiểm nơi đầu ra được AI tăng cường rơi xuống dưới đường cơ sở trước-AI (Forbes, 2026).
Với một Head of Operations tại một công ty 50–500 FTE đang quyết định trong quý này pilot AI nào nên mở rộng, khung vùng nguy hiểm tái định khung câu hỏi lập kế hoạch: từ chúng ta có thể tiết kiệm bao nhiêu thời gian sang AI nén thời gian ở đâu mà không xói mòn phán đoán tạo nên độ chính xác. Triển khai AI ở mid-market mở rộng sạch sẽ trong 2027 là triển khai chạy phép hiệu chuẩn này một cách tường minh. Phần lớn pilot đang chạy hiện tại không làm điều đó.
Nghịch lý năng suất của Atlanta Fed, định lượng
Báo cáo của Atlanta Fed (Working Paper 2026-4) là cách đọc xuyên-doanh-nghiệp sạch nhất về tác động năng suất của AI hiện có trên kho công khai. Tác giả chính Salomé Baslandze và đồng nghiệp đã tiến hành khảo sát cuối 2025 và đầu 2026, lấy phản hồi chủ yếu từ CFO qua bảng Duke/Federal Reserve CFO Survey, bổ sung bởi thành viên Financial Executives International (Atlanta Fed, 2026). Ba phát hiện có ý nghĩa với một bộ phận vận hành.
Thứ nhất, mức độ áp dụng rộng nhưng không đồng đều. Hơn một nửa các công ty được khảo sát đã đầu tư vào AI, với mức tăng năng suất đo được lớn nhất tập trung ở dịch vụ kỹ năng cao và tài chính. Phân khúc mid-market chính là nhóm vẫn đang tăng đầu tư — nghĩa là các quyết định triển khai trong quý này đang đặt quỹ đạo năng suất cho phần còn lại của 2026.
Thứ hai, mức tăng là dương nhưng vừa phải. Cải thiện năng suất lao động hiện ra rõ trong dữ liệu nhưng dao động đáng kể giữa các ngành. Các tác giả kỳ vọng mức tăng sẽ mạnh lên trong 2026, nhưng mức chính — tại thời điểm khảo sát — thấp hơn đáng kể so với các con số đang lưu hành trong slide nhà cung cấp và dự báo tư vấn.
Thứ ba — và đây là phát hiện chịu tải — mức tăng cảm nhận chạy trước mức đo được. Các lãnh đạo báo cáo một cách có hệ thống mức cải thiện năng suất nhờ AI lớn hơn so với dữ liệu nền xác nhận. Các tác giả diễn giải điều này là một độ trễ trong hiện thực hóa doanh thu. Đó cũng, ở góc nhìn khó chịu hơn, là dấu hiệu thực nghiệm của những pilot cảm thấy năng suất từ bên trong, trong khi tạo ra đầu ra chưa hiện ra như một mức tăng bền vững, đo được từ bên ngoài.
Một khoảng chênh cảm-nhận-vs-đo-được ở quy mô này là điều kiện tiên quyết cho vùng nguy hiểm mà Cunningham đặt tên.
Đường cong Cunningham và cơ chế phía sau cú rơi
Ngày 27/3/2026, Scott Cunningham — nhà kinh tế tại Baylor — đã trình bày trước Federal Reserve Board of Governors và làm một điều đa số nhà kinh tế không làm: ông dùng AI trực tiếp trong buổi nói chuyện để tái lập một nghiên cứu chuẩn mực về tâm lý nhập cư, tải về 305.000 bài phát biểu của Quốc hội qua một agent AI với chi phí mười một đô la (Forbes, 2026). Nội dung thực chất của buổi trình bày, ngoài phần biểu diễn, là một hàm sản xuất — một đường cong kinh tế học hình thức ánh xạ đầu tư thời gian con người sang đầu ra nhận thức, vẽ cho cả trước AI lẫn sau AI.
Đường cong có hai đặc điểm quan trọng. Thứ nhất, đường cong hậu-AI nằm bên trên đường cong tiền-AI ở mọi mức độ tham gia của con người — AI nâng đầu ra tiềm năng ở khắp mọi nơi. Thứ hai, khi đầu tư thời gian của con người tụt xuống dưới một ngưỡng tới hạn, đường cong đầu ra hậu-AI cắt xuống dưới đường cơ sở tiền-AI. Cunningham gọi đó là vùng nguy hiểm: khu vực nơi công nghệ lẽ ra làm người lao động năng suất hơn lại, trên thực tế, khiến anh ta kém năng suất hơn so với khi không có AI.
Cơ chế khá thẳng. Trước AI, thời gian con người và thời gian máy là các đầu vào bổ sung — cả hai đều cần thiết để tạo ra công việc nhận thức, giống như một bếp cần cả đầu bếp lẫn lò nướng. Khi năng lực máy tăng lên, các đầu vào ngày càng trở thành thay thế của nhau. Kinh tế học đẩy về một nghiệm góc: tất cả là máy, không có con người. Nhưng đầu ra nhận thức đòi hỏi phán đoán — lớp im lặng, khó đo lường, biết bắt một lỗi nghe có vẻ hợp lý của AI, biết bản nháp nào trong ba bản là bản khách hàng sẽ thực sự hành động dựa trên đó, biết đóng khung vấn đề đủ chính xác để AI có ích ngay từ đầu. Cắt lớp đó quá quyết liệt và đầu ra thôi sử dụng được. Pilot vẫn tạo ra các deliverable; chỉ là các deliverable không còn làm được công việc chúng từng làm trước đây.
Vùng nguy hiểm không phải giả thuyết. Đó là cách giải thích vận hành cho khoảng chênh cảm-nhận-vs-đo-được của Atlanta Fed. Các pilot ở trong vùng nguy hiểm tạo ra đầu ra cảm thấy nhanh hơn — vì đúng là nhanh hơn — và đo tệ hơn, vì lớp phán đoán đã được làm mỏng qua điểm mà đầu ra còn giữ được.
Bức tường 13%: khi người ngoài mượn lãnh địa của người trong cuộc qua AI
Một working paper riêng của Harvard Business School từ tháng 9/2025 của Iavor Bojinov, Edward McFowland III và cộng sự gán một con số cho một phiên bản cụ thể của cú rơi này. Trong một nghiên cứu có kiểm soát tại IG Group, một công ty giao dịch phái sinh toàn cầu, các nhà nghiên cứu đã yêu cầu ba nhóm — 12 nhà phân tích web (người trong nghề, vốn viết nội dung đầu tư của công ty), 26 chuyên gia marketing (người ngoài liền kề) và 40 lập trình viên phần mềm (người ngoài xa) — tạo ra các bài viết về đầu tư, với truy cập AI được chuẩn hóa trên cả ba nhóm (HBS, 2025).
Các chuyên gia marketing, với AI, tạo ra các bài viết gần như tốt ngang nhà phân tích web. Các lập trình viên phần mềm — có khả năng vận hành công cụ AI tương đương — đã tạo ra các bài viết thua nhà phân tích web 13% về độ rõ ràng và năng lực, ngay cả khi được AI hỗ trợ hoàn toàn. Các nhà nghiên cứu gọi hiệu ứng này là GenAI Wall: một trần cho việc chuyển giao chuyên môn theo chiều ngang mà AI không hòa tan.
Với một bộ phận vận hành, phát hiện này khó chịu hơn so với tiêu đề. Lời hứa ngầm của phần lớn các triển khai AI ở mức workflow là AI san phẳng khác biệt giữa chuyên gia và người tổng quát — một người tổng quát với một mô hình tốt có thể làm công việc của chuyên gia. Dữ liệu HBS nói rằng việc san phẳng chỉ là một phần. AI nén khoảng cách giữa người trong cuộc và người ngoài liền kề. Nó không đóng được khoảng cách giữa người trong cuộc và người ngoài xa. Delta chính xác 13% là cái xuất hiện trong sản phẩm cuối khi một đội dùng AI để gánh công việc nằm ngoài lãnh địa thực sự của mình.
Theo ngôn ngữ Atlanta Fed, khoảng chênh 13% là một kênh cụ thể qua đó mức tăng cảm nhận tách khỏi mức tăng đo được. Slide pilot cho thấy triển khai mở rộng phạm vi hiệu quả của đội. Đầu ra, được chấm trên năng lực, cho thấy việc mở rộng phạm vi đi kèm một chi phí về độ chính xác đo được.
Điều này nghĩa là gì với một bộ phận vận hành mid-market
Các mô thức triển khai AI ở mid-market trôi vào vùng nguy hiểm chia sẻ một cấu trúc dễ nhận diện. Thường có một workflow tốn thời gian với một thành viên đội ngũ kỳ cựu, chuyên gia về lĩnh vực. Pilot thay thế thời gian của người kỳ cựu bằng một đồng nghiệp non hơn cộng một công cụ AI. Cycle time giảm. Headcount trên workflow giảm. Pilot báo cáo một mức tăng hiệu quả gọn gàng.
Hai việc đã xảy ra mà công cụ đo của pilot không bắt được. Thứ nhất, lớp phán đoán của người kỳ cựu — phần bắt được những lỗi nhỏ nhưng có hậu quả — đã bị làm mỏng. Thứ hai, đồng nghiệp non đã bị đẩy vào một công việc mà với nó, anh ta là người ngoài nghề xa, không phải liền kề. Nghịch lý Atlanta Fed và bức tường 13% của Bojinov cùng hoạt động trong cùng một pilot. Board pack cho thấy một chỉ số xanh. Công việc đã âm thầm chuyển vào vùng nguy hiểm.
Cái chẩn đoán bắt được điều này không phải là một chỉ số năng suất. Throughput sẽ trông ổn. Cycle time sẽ trông ổn. Cái chẩn đoán bắt được nó là một audit chất lượng được thực hiện trên đầu ra của workflow được AI tăng cường, bởi người kỳ cựu trước đây làm công việc đó, trên cơ sở mẫu. Nếu người kỳ cựu liên tục đánh dấu các lỗi mà phiên bản trước-AI của workflow sẽ không tạo ra, thì pilot ở trong vùng nguy hiểm — bất kể dashboard throughput nói gì.
Phần lớn pilot mid-market không chạy audit đó. Người kỳ cựu mà phán đoán của họ vốn có tính công cụ quan trọng, theo thiết kế của pilot, đã không còn trong vòng đối với đầu ra hằng ngày. Vì vậy tỷ lệ lỗi không nhìn thấy từ bên trong workflow. Nó chỉ nhìn thấy từ bên ngoài — qua escalation của khách hàng, rework hạ nguồn hoặc một tín hiệu chất lượng trễ chậm sau báo cáo năng suất một đến ba quý.
Phản biện: "pilot của chúng tôi cho thấy mức tăng, không phải tổn thất"
Phản đối tự nhiên từ một lãnh đạo vận hành đang điều hành các pilot AI thành công là khung vùng nguy hiểm này bị thổi phồng. Các chỉ số pilot dương. Đội báo cáo sự hài lòng. Khách hàng không phàn nàn.
Dữ liệu Atlanta Fed chính là phản đòn cho phản đối ấy. Trên gần 750 doanh nghiệp, mô thức điển hình được báo cáo là: mức tăng năng suất cảm nhận dương và mức tăng đo được nhỏ hơn cảm nhận. Tín hiệu hài lòng của pilot không bị tranh cãi. Khoảng chênh giữa cái các đội báo cáo và cái thống kê năng suất xác nhận là cái mà dữ liệu gọi là một nghịch lý. Một pilot cho thấy mức tăng cảm nhận dương là nhất quán với — không phải bằng chứng chống lại — việc nằm bên trong vùng nguy hiểm.
Phản biện thứ hai có trọng lượng hơn: vùng nguy hiểm là hàm của thiết kế pilot, không phải của AI tự thân, và các pilot trưởng thành có thể tránh nó. Đây là cách đọc đúng. Đường cong Cunningham không phải là phán quyết về AI. Nó là một bản đồ về nơi mức tăng năng suất sống — và nơi, trên cùng đường cong ấy, mức tăng đảo chiều. Câu hỏi về công cụ đo cho một bộ phận vận hành là liệu mỗi pilot đã được thiết kế để hạ cánh ở vùng năng suất của đường cong và giữ ngoài vùng nguy hiểm hay chưa, không phải pilot có đang báo cáo các con số dương ở tháng thứ hai hay không.
Một pilot chưa chạy audit năng lực thì không thể nói nó đang vận hành ở vùng nào của đường cong. Một báo cáo năng suất là cần nhưng chưa đủ.
Một phép hiệu chuẩn mà phần lớn pilot không bao giờ chạy
Phép hiệu chuẩn duy nhất tách một pilot vùng nguy hiểm khỏi một pilot vùng năng suất là đơn giản về mặt cấu trúc và hiếm về mặt vận hành. Nó có ba thành phần, không thành phần nào yêu cầu headcount bổ sung hay chi phí cho nhà cung cấp.
Lấy mẫu đầu ra được AI tăng cường ở một tần suất xác định và chấm điểm so với đầu ra trước-AI tham chiếu, dùng chính người kỳ cựu sẽ tạo ra phiên bản trước-AI. Điểm số không phải là dấu giơ ngón cái lên/xuống. Đó là một xếp loại năng lực theo từng chiều trên các yếu tố quan trọng với việc sử dụng hạ nguồn của workflow — độ chính xác, độ đầy đủ, các lựa chọn phán đoán, xử lý trường hợp biên.
Theo dõi tường minh khoảng chênh cảm-nhận-vs-đo-được, không như một con số năng suất mà như một delta chất lượng. Ngôn ngữ kiểu Atlanta Fed: bao nhiêu trong mức tăng pilot báo cáo là cải thiện đo được bền vững, và bao nhiêu là cải thiện cảm nhận chưa hiện ra như một kết quả đo được (Atlanta Fed, 2026)?
Xác định một ngưỡng stop-loss trước khi mở rộng. Nếu năng lực trên đầu ra được lấy mẫu tụt xuống dưới một sàn xác định — dữ liệu HBS gợi ý 13% gần như là rìa dưới của những gì xuất hiện trong chấm điểm cẩn thận cho công việc AI của người ngoài xa (HBS, 2025) — tạm dừng mở rộng và xây dựng lại đầu tư thời gian con người cho đến khi điểm số phục hồi. Đây là phần của hiệu chuẩn mà phần lớn pilot không làm được, vì đội đã cam kết khoản tiết kiệm headcount vào kế hoạch quý tiếp theo.
Thực tại không hào nhoáng là: hiệu chuẩn tốn có lẽ 2–5% thời gian người kỳ cựu của workflow mỗi quý. Chi phí của việc không chạy nó là bộ phận vận hành sẽ phát hiện vùng nguy hiểm qua hàng đợi escalation khách hàng hoặc backlog rework hạ nguồn, với độ trễ một đến ba quý.
Quyết định của quý này
Các dữ liệu PwC và BCG đã thống trị các cuộc đối thoại chiến lược AI năm 2026 đã thiết lập tầm quan trọng của tư thế business-model trong triển khai AI. Các phát hiện của Atlanta Fed, Cunningham và Bojinov giờ đây thiết lập điểm song song ở phía vận hành: tư thế triển khai không chỉ là AI được trỏ tới đâu. Đó là lớp phán đoán của con người có thể được làm mỏng đến đâu trước khi đầu ra được AI tăng cường rơi xuống dưới đường cơ sở trước-AI.
Một Head of Operations không cần thiết kế lại danh mục AI trong quý này để hành động trên điều này. Quyết định hẹp hơn. Với mỗi pilot AI đang chạy hiện tại, hãy hỏi một câu: có một audit năng lực đang chạy trên đầu ra của workflow này, do người kỳ cựu từng làm công việc thực hiện, trên cơ sở mẫu, với một stop-loss đã xác định không? Nếu câu trả lời là không, pilot — theo cách đọc tổng hợp Atlanta Fed/Cunningham/Bojinov — đang vận hành mà không có công cụ duy nhất tách triển khai vùng năng suất khỏi triển khai vùng nguy hiểm.
Nghịch lý năng suất Atlanta Fed là tín hiệu thực nghiệm có kỷ luật nhất hiện có trên thị trường rằng mức tăng AI cảm nhận và mức tăng AI đo được không phải cùng một thứ. Bộ phận vận hành mid-market audit khoảng chênh đó trong quý này là bộ phận mở rộng danh mục AI vào 2027 mà không phát hiện — qua escalation và rework — rằng các mức tăng đã sẵn xói mòn đường cơ sở.
Thêm audit năng lực vào lần review pilot tiếp theo. Công cụ không tốn gì mà bộ phận vận hành không đã có sẵn. Chi phí vận hành mà không có nó là con số duy nhất mà dashboard năng suất không thể hiển thị.
