Năm mươi hai phần trăm lao động tri thức hiện thường xuyên sửa công việc do AI tạo ra mà người khác đã làm (Adaptavist, 2026). Không phải đầu ra của chính họ — mà của một đồng nghiệp. Trong cùng khảo sát với 2.500 nhân sự tại năm quốc gia, 42% cho biết họ dành nhiều thời gian kiểm chứng đầu ra AI hơn thời gian tiết kiệm được nhờ dùng nó. Đọc hai con số này cùng nhau, bạn sẽ hiểu vì sao phần làm lại do AI chưa bao giờ xuất hiện trong bất kỳ business case nào: người ghi nhận khoản tiết kiệm và người gánh chi phí không phải cùng một người, và thường không cùng một đội.
Đây là vấn đề kế toán trước khi là vấn đề công nghệ.
Nghiên cứu, và điều làm nó khác biệt
Adaptavist thực hiện khảo sát vào tháng 3/2026 tại Anh, Mỹ, Canada, Đức và Tây Ban Nha — 2.500 lao động tri thức, công bố như phần tiếp nối nghiên cứu năm 2025 về chuyển đổi số (Adaptavist, 2026). Báo cáo đặt ra một thuật ngữ hữu ích: thuế kiểm chứng.
Các con số chính:
- 52% thường xuyên sửa công việc do AI tạo ra của đồng nghiệp
- 42% dành nhiều thời gian kiểm chứng đầu ra AI hơn thời gian tiết kiệm được
- 49% nói đầu ra AI kém chất lượng thực sự làm chậm dự án
- 46% nói AI khiến công việc của họ lặp lại nhiều hơn và ít ý nghĩa hơn
Con số cuối là con số hầu hết mọi người bỏ qua. Sửa đầu ra máy móc của người khác không phải công việc thú vị. Nó không giúp phát triển, hiếm khi được ghi nhận khi đánh giá, và hoàn toàn vô hình với người đã phê duyệt công cụ.
Cũng hãy chú ý điều nghiên cứu không nói. Đây không phải bộ dữ liệu chống AI: 67% chính những người trả lời muốn tổ chức của mình dùng AI nhiều hơn, 60% thấy mình được đào tạo đầy đủ, và 66% nói việc triển khai đã được truyền đạt minh bạch (Adaptavist, 2026). Đây là những người muốn có công nghệ, và họ đang mô tả một thất bại về phân bổ, không phải về năng lực.
Vì sao dashboard nói "có" trong khi cycle time không nói gì
Ở phân khúc tầm trung, việc đo lường AI gần như luôn tính theo chỗ ngồi: số license triển khai, số prompt chạy, số giờ tiết kiệm tự khai, tỷ lệ áp dụng theo phòng ban. Mọi chỉ số ấy đều được thu thập tại điểm tạo ra.
Phần làm lại không được thu thập ở đâu cả, vì nó xảy ra tại điểm nhận về.
Marketing tạo bản nháp đầu trong chín mươi giây và ghi nhận tiết kiệm chín mươi phút. Pháp chế mất bốn mươi phút sửa một trích dẫn sai được viết đầy tự tin. Dashboard của Marketing là trung thực. Bốn mươi phút của Pháp chế rơi vào một dòng khối lượng công việc chung, và không ai đối chiếu hai bên. Lặp lại điều đó ở tài chính, vận hành, hỗ trợ và sản phẩm, bạn có được mô hình gần như phổ biến trong báo cáo của doanh nghiệp tầm trung: số giờ tiết kiệm khai báo tăng mỗi quý, còn cycle time đứng nguyên tại chỗ.
Ba đặc tính khiến chi phí này khó nhìn thấy
Nó vượt qua một ranh giới. Kế toán chi phí được tổ chức theo đội. Một chi phí phát sinh ở đội này và rơi xuống đội khác không có chủ sở hữu tự nhiên, nên không bên nào theo dõi.
Đó là thâm niên không được xuất hóa đơn. Người sửa thường là phía có thâm niên hơn — người đủ hiểu chuyên môn để phát hiện chỗ sai. Bạn đang trả mức phí theo giờ cao nhất để dọn dẹp đầu ra được tạo ra ở mức thấp nhất.
Việc báo cáo nó gây khó xử về mặt xã hội. "Tôi dành cả buổi chiều sửa bản nháp AI của một đồng nghiệp" không phải dòng dễ viết trong báo cáo tiến độ, nên nó được ghi thành công việc gốc.
Đây không phải khoản hoàn lại mà bạn từng đọc
Hai phát hiện lân cận thường bị gộp chung với phát hiện này, và sự phân biệt quyết định bạn nên kéo đòn bẩy nào.
Work AI Index của Glean — 6.000 lao động số, thực hiện cùng các nhà nghiên cứu từ Stanford, UC Berkeley và Harvard — cho thấy AI tiết kiệm khoảng 11 giờ mỗi tuần trong khi người lao động đốt khoảng 6,4 giờ cho việc "trông bot": giám sát, gỡ lỗi và chuyển đổi công cụ (Glean, 2026). Đó là khoản hoàn lại trên cùng một người. Ai tiết kiệm thời gian thì tự trả lại, và cách xử lý là quyền truy cập ngữ cảnh — hệ thống của bạn cho mô hình chạm tới những gì.
Thử nghiệm ngẫu nhiên của METR chỉ ra một thất bại khác: 16 lập trình viên mã nguồn mở giàu kinh nghiệm, 246 tác vụ thực tế trong chính kho mã của họ. Họ dự đoán nhanh hơn 24%, sau đó tin rằng đã nhanh hơn 20%, và kết quả đo được là chậm hơn 19% (METR, 2025). Đó là thất bại về nhận thức — số liệu tiết kiệm tự khai không đáng tin ngay cả với chuyên gia làm trên mã của chính mình.
Adaptavist mô tả điều thứ ba: một sự chuyển dịch ngang. Không phải cùng một người tự trả lại, cũng không phải lợi ích bị hiểu sai, mà là một chi phí rời khỏi trung tâm chi phí này và đến trung tâm chi phí khác. Công cụ ngữ cảnh không sửa được. Tự khai tốt hơn cũng không. Chỉ đo tại ranh giới mới sửa được.
Nhân tiện, ba phát hiện này cộng dồn. Nếu khoản tiết kiệm bị thổi phồng ngay từ nguồn (METR), bị chính người đó hấp thụ lại một phần (Glean), và một phần bị xuất sang đồng nghiệp (Adaptavist), thì lợi ích ròng còn lại trong một quy trình tầm trung điển hình là con số nhỏ hơn nhiều so với gợi ý của từng nghiên cứu riêng lẻ.
Ước lượng quy mô: thuế kiểm chứng đáng giá bao nhiêu ở doanh nghiệp 200 FTE
Nghiên cứu báo cáo tỷ lệ chứ không phải số giờ, nên mọi con số tiền là phép tính của bạn, không phải của Adaptavist. Cứ tính đi — bậc độ lớn chính là lập luận.
Lấy một công ty 200 người, trong đó 120 người làm công việc tri thức. Nếu 52% thường xuyên sửa đầu ra AI của đồng nghiệp, đó là khoảng 62 người. Giả định — một cách thận trọng, và đây chính là giả định cần kiểm chứng thay vì tin — mỗi người hai giờ mỗi tuần. Thành 124 giờ mỗi tuần, khoảng 6.400 giờ mỗi năm, tương đương ba vị trí toàn thời gian mà bạn chưa từng tuyển, chưa từng lập ngân sách, chưa từng bàn tới.
Giờ hãy xem những giờ đó thuộc về ai. Việc sửa đòi hỏi khả năng phán đoán để biết cái gì sai, nên nó dồn vào những chuyên gia cá nhân cấp cao của bạn — đúng những người bạn sẽ nêu tên nếu được hỏi ai khó thay thế nhất. Bạn đang tiêu ba FTE khả năng phán đoán khan hiếm nhất vào việc dọn dẹp không nằm trong mục tiêu của bất kỳ ai.
Con số chỉ mang tính minh họa. Bài tập thì không: hãy chạy lại với nhân sự và ước lượng của chính bạn, đặt nó trước người nắm ngân sách AI, và quan sát cuộc trò chuyện chuyển từ đếm license sang thiết kế quy trình nhanh đến mức nào.
Điều nghiên cứu không thể cho bạn biết
Ba giới hạn, nói thẳng. Đây là dữ liệu tự khai, nên 42% là cảm nhận về thời gian ròng chứ không phải phép đo — và công trình của METR là lời cảnh báo trực tiếp về mức trôi dạt của tự khai. Đây là nghiên cứu cắt ngang, nên nó chụp lại tháng 3/2026 và không nói được thuế này đang tăng hay giảm. Và nó khảo sát người lao động ở năm quốc gia, thuộc doanh nghiệp mọi quy mô, không riêng vận hành tầm trung; chiều hướng có thể chuyển giao được, độ lớn trong bối cảnh của bạn thì chưa xác lập.
Điều sống sót qua cả ba giới hạn là luận điểm cấu trúc: việc sửa vượt qua một ranh giới mà việc đo không vượt qua.
Phản bác hiển nhiên, và chỗ nó đứng vững
Lập luận đối lại hợp lý: đây là ma sát của giai đoạn áp dụng sớm. Chất lượng đầu ra sẽ cải thiện, chuẩn mực rà soát sẽ chín, và thuế sẽ giảm. Một phần điều đó chắc chắn đúng. Việc sử dụng thế hệ đầu của bất kỳ nhóm công cụ nào cũng kèm một khoản phụ trội cho việc sửa, và nó giảm dần theo mức độ quen thuộc.
Hai điều giới hạn sự lạc quan ấy.
Thứ nhất, việc sửa chủ yếu không phụ thuộc vào chất lượng mô hình — nó phụ thuộc vào nơi đặt trách nhiệm. Chừng nào tạo ra còn rẻ và rà soát còn đắt, khối lượng sẽ tăng đến mức người tạo thấy tiện, và người rà soát hấp thụ phần chênh. Mô hình tốt hơn nâng khối lượng nhanh ngang với nâng chất lượng.
Thứ hai, có bằng chứng cho thấy ma sát đang được thể chế hóa thay vì tan biến. Nghiên cứu lực lượng lao động 2026 của BambooHR cho thấy 81% lãnh đạo tuyên bố có lợi ích năng suất từ AI trong khi 49% người lao động nói AI chẳng mang lại giá trị nào (BambooHR, 2026). Khi những lợi ích chưa được kiểm chứng đã nằm sẵn trong kỳ vọng của ban lãnh đạo, công việc sửa chữa sẽ không được cấp nguồn lực: nó bị hấp thụ trong im lặng bởi chính những người mà hiệu suất đang được đo theo con số lợi ích tuyên bố đó.
Vậy nên: lập luận về ma sát đứng vững với độ lớn của thuế. Nó không đứng vững với chiều của thuế.
Đo phần làm lại do AI tại ranh giới bàn giao
Bốn động thái. Tất cả đều là thay đổi về đo lường hoặc chính sách; không cái nào cần chi thêm tiền.
1. Gắn đồng hồ vào điểm bàn giao, không phải vào bàn phím. Chọn hai quy trình liên phòng ban có khối lượng lớn nhất và ghi nhận ba thứ ở phía nhận: số giờ rà soát, số bản nháp bị trả lại, và số vòng cho đến khi được chấp nhận. Bước rà soát vốn đã tồn tại; bạn chỉ là chưa bấm giờ nó. Một tháng làm vậy sẽ cho ra con số giờ ròng thực thay vì con số tự khai.
2. Chỉ định người sở hữu khâu rà soát trước khi công cụ lên production. Mọi quy trình có AI hỗ trợ mà vượt ranh giới đội đều cần một người rà soát có tên và một quỹ giờ đã lập ngân sách. Nếu không ai chịu chi cho khâu rà soát, quy trình chưa sẵn sàng: bạn đang đề xuất đẩy một chi phí ngoài ngân sách vào tuần làm việc của đồng nghiệp.
3. Biến việc ghi nguồn gốc thành thông lệ, không phải lời thú nhận. Yêu cầu một dòng ghi chú cho công việc có AI hỗ trợ khi nó vượt ranh giới — cái gì được tạo ra, cái gì đã kiểm, cái gì chưa — tốn người gửi vài giây và giúp người nhận khỏi phải dựng lại từ đầu. Nó cũng lặng lẽ kìm bớt khối lượng, vì đầu ra hàng loạt chưa rà soát trở nên quy trách nhiệm được một cách rõ ràng.
4. Cân lại mẫu những người bạn hỏi. Khảo sát mức độ áp dụng gần như luôn hỏi người tạo ra. Hãy hỏi người nhận: bao nhiêu phần trong tuần của bạn dành để sửa công việc có AI hỗ trợ mà bạn không tạo ra? Chỉ một câu hỏi đó, đặt cho các chuyên gia cá nhân cấp cao, sẽ nói với bạn nhiều về ROI thực của AI hơn toàn bộ dashboard sử dụng license.
Hãy chú ý điểm chung của cả bốn: không cái nào làm chậm việc áp dụng. Chúng chỉ dời phép đo tới nơi chi phí thực sự rơi xuống.
Một quyết định cho quý này
Phần làm lại do AI của bạn không phải sai số làm tròn, và nó vô hình không phải vì nó nhỏ. Nó vô hình vì hệ đo lường của bạn dừng lại ở thời điểm tạo ra, còn chi phí thì bắt đầu từ chiếc bàn kế bên.
Vậy nên câu hỏi không phải là AI của bạn có tạo ra giá trị hay không. Câu hỏi hẹp hơn và dễ trả lời hơn nhiều: trong hai quy trình liên phòng ban lớn nhất của bạn, hiện ai đang làm phần sửa — và đã có ai từng hỏi họ việc đó mất bao lâu chưa?
Nếu đến cuối tuần bạn vẫn không gọi được tên người đó, bạn không có vấn đề về ROI của AI. Bạn có một vấn đề đo lường khoác áo ROI, và nó sẽ tiếp tục nói đúng những gì bạn muốn nghe cho đến khi bạn dời đồng hồ sang phía bên kia của điểm bàn giao.
