Ngày 27 tháng 8 năm 2026, Cục Thống kê Lao động Hoa Kỳ (BLS) công bố bảng phân loại mức độ phơi nhiễm AI đầu tiên: bốn nhóm — thấp, trung bình, cao, rất cao — gán cho toàn bộ 831 nghề chi tiết trong dự báo việc làm 2025-35. Ngay trên cùng trang đó, BLS nêu rõ rằng phân loại này "không phải là dự báo tăng trưởng hay suy giảm việc làm", "không phải là ước tính xác suất áp dụng AI" và "không phải là ước tính về việc thay thế người lao động" (U.S. Bureau of Labor Statistics, 2026).
Chỉ trong vài ngày, báo chí ngành đã biến nó thành các danh sách nghề rủi ro và nghề an toàn.
Đó chính xác là cách đọc mà cơ quan công bố đã loại trừ — bằng văn bản, trên đúng trang mà các danh sách kia được dựng lên từ đó. Và điều này quan trọng hơn một sự đính chính tiểu tiết, bởi bảng phơi nhiễm AI của BLS sắp bước vào kế hoạch nhân sự 2027 của các doanh nghiệp tầm trung với tư cách đầu vào trông có thẩm quyền nhất trong cả bộ tài liệu. Một cơ quan thống kê liên bang, mọi nghề nghiệp, bốn bậc gọn gàng. Nó sẽ bị đọc như một danh sách cắt giảm. Nó không gánh nổi quyết định đó.
Bảng phân loại phơi nhiễm AI của BLS thực sự nói gì
Phân loại này là một bảng xếp hạng tương đối, được tạo ra bởi thuật toán phân cụm chạy trên năm thước đo phơi nhiễm bên ngoài. BLS nói rõ giới hạn: các nhóm là "tương đối so với những nghề khác", chúng không hàm ý "một mức phơi nhiễm 'cao' hay 'thấp' tuyệt đối", và chúng "không phân biệt tác động của AI đến từ tự động hóa hay từ tăng cường năng lực" (U.S. Bureau of Labor Statistics, 2026).
Hãy dừng lại ở điểm cuối. Trong bảng này, tự động hóa và tăng cường năng lực là cùng một nhóm. "Phơi nhiễm rất cao" phù hợp như nhau với việc công việc biến mất và với việc chính người đó làm nó ở năng suất gấp ba, kèm thêm một bước rà soát. Bảng không cho biết là trường hợp nào — mà hướng đi ấy chính là toàn bộ nội dung của một quyết định nhân sự.
Các dự báo xung quanh là bối cảnh mà bảng xếp hạng thường bị tách khỏi. BLS dự báo kinh tế Mỹ tạo thêm 5,9 triệu việc làm giai đoạn 2025-2035, việc làm tăng từ 170,3 triệu lên 176,2 triệu — tăng 3,5 phần trăm, mức mà cơ quan này mô tả là "chậm hơn mức tăng 10,9 phần trăm ghi nhận trong thập niên 2015-25" (U.S. Bureau of Labor Statistics, 2026). Tăng chậm hơn, không phải co lại. Các điều chỉnh liên quan đến AI tập trung ở nhóm nghề máy tính và toán học, nghệ thuật và truyền thông, quản trị kinh doanh và dịch vụ pháp lý.
Chi tiết cấu tạo đặt ra trần giới hạn
Năm đầu vào gồm ba thước đo phơi nhiễm lý thuyết và hai bộ dữ liệu sử dụng quan sát được — phần quan sát lấy từ dữ liệu sử dụng Claude của Anthropic và dữ liệu Copilot của Microsoft. BLS lấy thứ hạng phân vị trung vị trong từng chiều, rồi phân cụm. Trong 4.155 tổ hợp nghề-nguồn có thể có, 3.944 tổ hợp được quan sát và 211 được quy gán, ảnh hưởng tới 75 nghề (U.S. Bureau of Labor Statistics, 2026).
Rồi đến dòng lẽ ra phải quyết định bạn cho bảng này đi xa tới đâu: "Các nguồn lý thuyết khái niệm hóa năng lực AI như những năng lực có sẵn không muộn hơn giữa năm 2023."
Ba trên năm đầu vào mô tả một thế hệ mô hình có trước mọi sản phẩm tác tử mà đội của bạn từng thử nghiệm. BLS cũng lưu ý rằng cả năm nguồn đều coi nghề nghiệp là tập hợp các nhiệm vụ độc lập và "không xét đến nút thắt cổ chai, tính bổ trợ hay các đặc tính không độc lập khác của nghề nghiệp".
Đó không phải khiếm khuyết trong công việc của BLS — đó là một thuộc tính được công bố của tài liệu hiện có, và công bố nó chính là việc của một cơ quan thống kê. Khiếm khuyết nằm ở cách dùng. Một kế hoạch nhân sự mười năm dựng trên bảng xếp hạng này sẽ nhúng vào đó một lát cắt năng lực đã ba năm tuổi, và nhúng ngay trong tài liệu duy nhất mà giám đốc tài chính của bạn không nghĩ đến việc chất vấn.
Điều bảng xếp hạng thực sự lập bản đồ: tải kiểm chứng
Đây là cách đọc có thể bảo vệ được, và nó đảo ngược cách đọc phổ biến.
Nếu một nghề rơi vào cụm phơi nhiễm cao, điều mà năm nguồn nền tảng cùng phát hiện là: một phần lớn nhiệm vụ của nghề đó thuộc loại mà các mô hình hiện nay sẽ thử làm. Còn mô hình có đúng hay không lại là câu hỏi riêng mà điểm phơi nhiễm không hề chạm tới — bởi vì, như BLS lưu ý, các đầu vào coi nhiệm vụ là độc lập và bỏ qua tính bổ trợ.
Vậy phơi nhiễm cao dự báo khối lượng bản nháp cao. Khối lượng bản nháp tạo ra nhu cầu rà soát. Và nhu cầu rà soát mới là nơi chi phí thực sự nằm.
McKinsey QuantumBlack đã định giá điều này trực tiếp cho quy trình ngân hàng: chi phí token chiếm 20 đến 25 phần trăm chi phí vận hành biến đổi của một tác tử AI, trong khi giám sát của con người bởi chuyên gia nghiệp vụ và rủi ro chiếm 70 đến 75 phần trăm (McKinsey QuantumBlack, 2026). Khoản đắt đỏ là việc rà soát, và người rà soát phải đủ thâm niên để bác bỏ đầu ra.
Nghiên cứu của MIT Technology Review Insights và Microsoft với 300 lãnh đạo và chuyên gia công nghệ, xếp hạng 101 nhiệm vụ tác tử trên thang tin cậy 0-100, chỉ về cùng một hướng: mức tin cậy bám theo khả năng kiểm chứng của nhiệm vụ và độ đầy đủ của bối cảnh kinh doanh, chứ không theo năng lực mô hình, và 59 phần trăm đã lên kế hoạch duy trì giám sát con người lâu dài (MIT Technology Review Insights, 2026).
Đọc qua lăng kính đó, bảng của BLS trở nên thực sự hữu ích. Những nghề phơi nhiễm rất cao và cao của bạn chính là nơi đầu ra do AI tạo ra sẽ dồn về, nghĩa là nơi giờ kiểm chứng sẽ dồn về, nghĩa là nơi bạn cần những người đủ uy tín chuyên môn để bác bỏ đầu ra kém. Cắt ở đó trước là rút người rà soát khỏi đúng những bộ phận có nhiều thứ phải rà soát nhất.
Vì sao chức danh dù sao cũng không gánh nổi quyết định
Còn một vấn đề thứ hai, độc lập với trần giữa năm 2023, và nó mang tính cấu trúc: phơi nhiễm được đo theo nghề, còn việc áp dụng lại diễn ra theo từng người.
Bick, Blandin, Deming và Schumacher, khi liên kết một khảo sát đại diện toàn quốc với các nhiệm vụ chi tiết trong O*NET, nhận thấy các thước đo phơi nhiễm AI tạo sinh chỉ giải thích được khoảng một nửa phương sai về mức độ áp dụng giữa những người lao động — những cá nhân làm công việc tương tự lại áp dụng khác nhau một cách có hệ thống (NBER Working Paper 35677, 2026). Họ cũng thấy việc áp dụng rộng nhưng nông: ít nhất một trong năm người lao động dùng AI tạo sinh ở 80 phần trăm số nghề và 40 phần trăm số nhiệm vụ, trong khi phần lớn trường hợp tỷ lệ áp dụng vẫn dưới 50 phần trăm.
Một nửa phương sai nằm bên trong chức danh, không phải giữa các chức danh. Nghĩa là một kế hoạch phân bổ thay đổi năng lực theo mã nghề, tốt nhất cũng chỉ nắm được một nửa thông tin — và nửa bị bỏ sót lại đúng là nửa bạn có thể tác động, bởi mức áp dụng ở cấp cá nhân phản ứng với việc trao quyền, công cụ và thiết kế vai trò.
Hãy dùng các nhóm phơi nhiễm AI của BLS theo đúng cách nên dùng một thống kê quốc gia: như một giả định ban đầu về chỗ cần đi tìm. Rồi hãy tìm bên trong chính công ty bạn, đối chiếu với bản kiểm kê nhiệm vụ của chính bạn. Hai nghề cùng nhóm, trong tòa nhà của bạn, sẽ không hành xử giống nhau, và phần dư ấy không phải nhiễu — đó chính là phần bài toán mà bạn có đòn bẩy.
Phản biện công bằng: đây vẫn là mốc tham chiếu công khai tốt nhất
Tôi muốn công bằng với những gì BLS đã làm, bởi "đừng dùng nó như danh sách cắt giảm" không đồng nghĩa với "đừng dùng nó".
Đây là bảng phân loại đầu tiên bao phủ mọi nghề được dự báo theo một phương pháp nhất quán, nó kết hợp bằng chứng lý thuyết với dữ liệu sử dụng quan sát được thay vì chọn một phe, và nó ghi lại giới hạn của chính mình thẳng thắn hơn phần lớn nghiên cứu của các nhà cung cấp. Để đối chiếu cơ cấu nhân sự của bạn với phân bố toàn quốc, để sắp thứ tự bộ phận nào nhận ngân sách trao quyền trước, để trình bày trước một hội đồng muốn có nguồn trích dẫn được — đây là công cụ công khai tốt nhất hiện có, và không doanh nghiệp tầm trung nào tự dựng được thứ tốt hơn.
Lỗi không nằm ở bảng. Lỗi nằm ở sự nén: bốn bậc, một cột, một nhãn nhóm đọc lên như một phán quyết. Cách trình bày ấy mời gọi một kết luận nhân sự mà phương pháp bên dưới không thể chống đỡ, và BLS đã nói trước điều đó ngay trên cùng trang. Kỷ luật cần có thì nhỏ: mỗi lần con số xuất hiện trong một slide, hãy để các cảnh báo đi kèm nó.
Cần quyết định gì trong quý này
Bốn thay đổi trong cách bảng xếp hạng phơi nhiễm AI của BLS đi vào chu kỳ lập kế hoạch 2027 của bạn.
- Đổi tên cột. Ở bất cứ đâu nhóm phơi nhiễm xuất hiện trong tài liệu kế hoạch, tiêu đề phải là "tải rà soát dự kiến", không phải "rủi ro". Cùng dữ liệu, đúng động từ. Cái nhãn quyết định phần lớn cách một bảng được đọc.
- Ghép mỗi điểm phơi nhiễm với một thước đo áp dụng nội bộ. Phơi nhiễm giải thích khoảng một nửa phương sai; dữ liệu sử dụng của chính bạn giải thích phần còn lại. Nếu bạn chưa đo được mức áp dụng theo từng người, thì hệ đo lường đó là điều kiện tiên quyết của kế hoạch, chứ không phải kết quả của nó.
- Bảo vệ chiều sâu rà soát ở những bộ phận phơi nhiễm cao nhất. Đó là nơi sinh ra nhiều đầu ra máy nhất và cần nhiều phán đoán của người có kinh nghiệm nhất để kiểm tra. Hãy mô hình hóa giờ rà soát trước khi mô hình hóa khoản tiết kiệm.
- Ghi rõ ngày cho giả định năng lực. Viết ngay bên dưới bảng: "các đầu vào lý thuyết phản ánh năng lực AI không muộn hơn giữa năm 2023". Câu đó làm luận điểm già đi ngay trước mắt người đọc tiếp theo — phòng tuyến duy nhất chống lại việc một lát cắt năm 2026 lặng lẽ chi phối một dự báo kéo dài đến 2035.
BLS đã đưa cho bạn tấm bản đồ về nơi công việc sẽ thay đổi. Cơ quan này đã nói, năm lần riêng biệt và bằng chính lời của mình, rằng họ không đưa cho bạn tấm bản đồ về nơi người lao động sẽ đi.
Nếu một con số nhân sự 2027 trong kế hoạch của bạn truy ngược về một nhãn "phơi nhiễm rất cao", thì bạn chưa ra một quyết định nhân sự. Bạn đã trích dẫn một bảng xếp hạng vốn đã loại trừ đúng cách dùng mà bạn vừa áp lên nó — và cơ quan công bố nó sẽ không phải là bên bảo vệ con số ấy khi nó sai.
