Chín mươi chín phần trăm lãnh đạo nói rằng dữ liệu nhân sự rời rạc đang gây hại cho tài chính của họ, và hơn 80% ấn định mức sàn của thiệt hại đó ở 3% tổng quỹ lương (Korn Ferry, 2026). Đối với một tổ chức 200 FTE, 3% quỹ lương không phải là sai số làm tròn — đó là một hoặc hai vị trí trọn vẹn, chi ra mỗi năm cho ma sát giữa những hệ thống lẽ ra phải làm cho việc ra quyết định dễ dàng hơn. Nhưng con số nên khiến một Head of Operations dừng lại giữa lúc lập kế hoạch là con số nằm ngay bên dưới: niềm tin ra quyết định là 4% đối với các lãnh đạo không có hệ thống tích hợp, so với 55% đối với những người có (Korn Ferry, 2026). Khoản thuế phân mảnh không chỉ là tiền. Đó là sự sụp đổ âm thầm của khả năng bạn biết được liệu bất kỳ quyết định nhân sự nào bạn đưa ra trong quý này có đúng hay không.
Điều này quan trọng ngay lúc này vì những gì bạn sắp làm với stack đó. Kế hoạch Q3 trên hầu hết các bàn làm việc tầm trung là thêm một lớp AI tác tử lên trên các hệ thống dữ liệu nhân sự hiện có. Dữ liệu của Korn Ferry cho thấy nền tảng bạn đang xây dựng lên đã phân mảnh đến mức các lãnh đạo đã thôi tin tưởng nó — và bản năng khắc phục điều đó bằng cách thêm một lớp nữa là hoàn toàn ngược. Dữ liệu nhân sự rời rạc không phải là vấn đề mà một tác tử AI giải quyết. Đó là vấn đề mà một tác tử AI kế thừa, rồi khuếch đại.
Con số 3% và vực thẳm niềm tin bên dưới nó
Hãy bắt đầu từ chính cuộc khảo sát, bởi thiết kế mới là thứ tạo sức nặng cho phát hiện. Korn Ferry thực hiện Global Talent Analytics Survey 2026 trên 1.600 lãnh đạo cấp C-suite và nhân sự cấp cao tại mười quốc gia — Hoa Kỳ, Anh, Pháp, Đức, Brazil, Các Tiểu vương quốc Ả Rập Thống nhất, Ả Rập Xê Út, Singapore, Úc và Ấn Độ — từ tháng 12/2025 đến tháng 1/2026, công bố kết quả ngày 21/4/2026 (Korn Ferry, 2026). Đây không phải là một cuộc thăm dò tức thời trên một thị trường đơn lẻ. Đó là một mẫu rộng và cấp cao, và kết quả tụ lại đủ chặt để khó có thể gạt bỏ khuôn mẫu này như nhiễu.
Ba con số gánh sức nặng vận hành. Thứ nhất, mức sàn 3% quỹ lương: hơn 80% lãnh đạo gọi đó là chi phí tối thiểu của dữ liệu rời rạc, nghĩa là con số thực gần như chắc chắn cao hơn và con số được báo cáo là cạnh lạc quan. Thứ hai, 71% thừa nhận nay họ quay về dựa vào bản năng vì khối lượng dữ liệu thô trải khắp các nền tảng của họ vượt quá những gì họ có thể tích hợp và đối chiếu (Korn Ferry, 2026). Thứ ba, 31% báo cáo rằng hơn một phần tư lực lượng lao động của họ bị sử dụng dưới mức như một hệ quả trực tiếp ở hạ nguồn của việc không thể nhìn thấy, xuyên suốt các hệ thống, ai thực sự làm được gì.
Đọc chúng cùng nhau và cơ chế trở nên rõ ràng. Nhiều dữ liệu hơn không tạo ra sự rõ ràng hơn; qua một ngưỡng, nó tạo ra ít hơn, vì chi phí tích hợp chúng vượt quá năng lực làm điều đó. Vậy nên các lãnh đạo lui về bản năng — không phải vì họ về nguyên tắc ngờ vực dữ liệu, mà vì dữ liệu họ có đến dưới dạng những mảnh vụn không thể đối chiếu đủ nhanh để có ý nghĩa. Khoảng cách niềm tin 4% so với 55% (Korn Ferry, 2026) là tỷ số của cuộc rút lui đó. Phân mảnh không chỉ tốn tiền ở phần rìa; nó âm thầm trả lại cho bản năng của bạn những quyết định nhân sự hệ trọng nhất.
Vì sao một tác tử AI trên dữ liệu nhân sự rời rạc làm mọi thứ tệ hơn
Đây là sự đảo ngược mà hầu hết các kế hoạch triển khai 2026 bỏ lỡ. Lời chào hàng cho một tác tử AI là nó sẽ xuyên qua tình trạng quá tải dữ liệu — đọc xuyên các hệ thống, tổng hợp, và trao cho ban lãnh đạo một khuyến nghị sạch sẽ. Trên một stack được kết nối, điều đó gần như đúng. Trên một stack rời rạc, tác tử làm điều ngược lại với những gì tờ rơi hứa hẹn.
Một tác tử chỉ tốt bằng dữ liệu mà nó có thể tiếp cận và đối chiếu. Đặt nó lên trên ba đến mười hệ thống không nhất quán — nơi số nhân sự trong HRIS không khớp với bảng lương, nơi phân loại kỹ năng trong LMS vuông góc với phân loại trong ATS, nơi "hiệu suất" nghĩa là một điều trong công cụ này và điều khác ở nơi khác — và tác tử không giải quyết các mâu thuẫn. Nó tẩy trắng chúng. Nó tạo ra một khuyến nghị tự tin, trôi chảy, kế thừa mọi bất nhất của stack bên dưới, nay được bọc trong một lớp thẩm quyền máy móc khiến sự bất nhất đó khó thấy hơn, không dễ hơn.
Đó là cách thêm một tác tử đẩy việc ra quyết định theo bản năng lên cao thay vì hạ xuống. Các lãnh đạo trong mẫu Korn Ferry vốn đã lui về bản năng khi đối mặt với sự phân mảnh thô mà ít nhất họ còn nhận ra là lộn xộn. Đầu ra của một tác tử không có vẻ lộn xộn — nó có vẻ đã được giải quyết. Vậy nên một trong hai điều xảy ra: ban lãnh đạo tin vào một bản tổng hợp dựng trên các đầu vào mâu thuẫn, hoặc họ cảm thấy đầu ra không đáng tin và dù sao vẫn lui về bản năng, sau khi đã chi ngân sách để đến cùng một chỗ. Trong cả hai trường hợp, khoản thuế 3% không co lại. Bạn đã thêm một lớp chi phí và một lớp niềm tin giả lên trên nó.
Tầm trung là nơi khoản thuế này cắn trước tiên
Tổ chức 200 đến 500 FTE phơi nhiễm với khoản thuế phân mảnh nhiều hơn cả một startup lẫn một doanh nghiệp lớn, và vì một lý do mang tính cấu trúc. Chỉ 5% tổ chức trong mẫu Korn Ferry báo cáo một stack dữ liệu được kết nối trọn vẹn; hầu hết vận hành từ ba đến mười hệ thống riêng biệt (Korn Ferry, 2026). Tầm trung nằm ở điểm tệ nhất của đường cong đó.
Một doanh nghiệp lớn có đủ quy mô để tài trợ cho một chức năng tích hợp, một đội ngũ dữ liệu, và lớp middleware khâu các hệ thống lại thành thứ gần với một nguồn sự thật duy nhất — không hoàn hảo, nhưng đã được đối chiếu. Một startup mười người có quá ít hệ thống và quá ít người đến mức nhà sáng lập có thể giữ toàn bộ bức tranh trong đầu; chẳng có gì để tích hợp. Tầm trung không có cả hai lợi thế: nó đã tích tụ một mớ công cụ cấp doanh nghiệp — một HRIS, một ATS, một LMS, một nền tảng hiệu suất, một công cụ gắn kết, một hệ thống bảng lương, thường là nhiều hơn — mà không có ngân sách tích hợp cấp doanh nghiệp để kết nối chúng. Nó đủ phức tạp để cần một stack được kết nối và quá tinh gọn để đã xây được một cái.
Tệ hơn, các vai trò ở tầm trung mang tính chịu lực và đơn nhất. Khi 31% lãnh đạo nói rằng hơn một phần tư nhân sự của họ bị sử dụng dưới mức (Korn Ferry, 2026), con số đó đáp xuống khác đi trong một tổ chức nơi một chuyên viên phân tích, một trưởng bộ phận vận hành, hay một kỹ sư thực sự không thể thay thế. Bạn không thể thấy tình trạng sử dụng dưới mức vì tín hiệu lẽ ra sẽ phơi bày nó — tập năng lực thực sự của người này, ánh xạ với nơi công việc đang nằm — bị phân tán khắp các hệ thống không nói chuyện với nhau. Nút thắt vẫn vô hình cho đến khi người đó nghỉ việc hoặc kiệt sức, và khi đó nó tốn kém theo một cách mà không bảng điều khiển nào đã cảnh báo bạn.
Cách đọc ngược lại: "Cứ thêm tác tử rồi lo dữ liệu sau"
Phản bác hợp lý: tích hợp là một dự án kéo dài nhiều quý, ngốn vốn, còn tác tử thì có ngay bây giờ. Triển khai tác tử, thu về ít giá trị, rồi sửa đường ống dữ liệu trên một lộ trình chậm hơn. Đừng để cái hoàn hảo cản trở cái tốt.
Bằng chứng nói rằng trình tự đó thua. Phân tích của Gartner tháng 4/2026 phát hiện rằng các tổ chức có sáng kiến AI thành công đầu tư gấp tới bốn lần vào nền tảng dữ liệu và phân tích của họ so với những tổ chức mà sáng kiến bị đình trệ (Gartner, 2026). Nền tảng không phải là thứ bạn đi tới sau AI; nó là thứ quyết định liệu AI có hoạt động hay không, ngay từ đầu. "Thêm tác tử, lo dữ liệu sau" là mô tả của nhóm bị đình trệ, không phải nhóm thành công.
Và cái "sau" có thói quen không bao giờ đến, vì tác tử tạo ra ảo tưởng rằng vấn đề đã được xử lý. Một khi một cỗ máy khuyến nghị trôi chảy ngồi trên stack, tính cấp bách về chính trị và ngân sách để tài trợ cho công việc tích hợp bạc bẽo sẽ bốc hơi — nỗi đau bị che đậy, không được giải quyết. Bạn đã chi tiền để giấu triệu chứng, đó là cách đáng tin cậy nhất để bảo đảm căn bệnh không bao giờ được chữa. Thứ tự có ý nghĩa: tích hợp đủ phần nền tảng để một tác tử có thứ gì đó mạch lạc mà suy luận, rồi mới đặt tác tử. Đảo ngược điều đó và bạn không sắp xếp trình tự một cách thực dụng. Bạn đang tài trợ cho phiên bản của dự án mà Gartner đã chứng kiến thất bại.
Tích hợp, chứ không phải bổ sung, là đòn bẩy mà dữ liệu gọi tên
Phần hữu ích nhất của nghiên cứu Korn Ferry là nó không chỉ chẩn đoán — nó định lượng lợi ích của việc làm đúng. Nhóm nhỏ có dữ liệu được kết nối báo cáo năng suất cao hơn 68%, tuyển dụng nhanh hơn 60%, gắn kết tốt hơn 60% và giảm chi phí 43% so với các đồng nghiệp phân mảnh của họ (Korn Ferry, 2026). Đó không phải lợi tức của một công cụ tốt hơn. Đó là lợi tức của một tín hiệu mạch lạc — sự khác biệt giữa những quyết định trên dữ liệu đã đối chiếu và những quyết định trên các mảnh vụn.
Từ làm nên chuyện là tích hợp, không phải bổ sung. Các tổ chức thất bại cứ tiếp tục thêm — thêm một nền tảng, thêm một giải pháp điểm, và giờ thêm một tác tử — và mỗi lần thêm lại nới rộng khoảng cách đối chiếu. Những tổ chức thành công hợp nhất tín hiệu để tuyển chọn, thiết kế vai trò và kế nhiệm chạy qua một thấu kính mạch lạc duy nhất thay vì ba thấu kính mâu thuẫn. Đây là nguyên tắc chúng tôi xây dựng tại Scovai: một tín hiệu duy nhất đạt chuẩn ra quyết định, trong trường hợp của chúng tôi rút ra từ hơn 380.000 bài đánh giá tâm trắc, dẫn hướng việc tuyển ai, thiết kế vai trò ra sao và đề bạt ai tiếp theo qua một góc nhìn tích hợp — trước khi tác tử kế tiếp được đặt lên trên. Vấn đề không phải là khối lượng đánh giá. Vấn đề là một tín hiệu duy nhất đã đối chiếu thắng mười tín hiệu rời rạc, và chính tín hiệu đã đối chiếu, không phải lượng thô, là thứ mà một tác tử cần bên dưới để đáng giá bất cứ điều gì.
Nói cách khác, đòn bẩy không phải là "nhiều AI hơn". Đó là "một phiên bản duy nhất của sự thật để AI suy luận". Nhóm được kết nối của Korn Ferry là bằng chứng cho những gì đòn bẩy đó mang lại; phần đa số phân mảnh của họ là bằng chứng cho cái giá của việc bỏ qua nó.
Quyết định của quý này
Một câu hỏi, trước khi bạn phê duyệt hạng mục AI tác tử trong ngân sách Q3. Nếu bạn đặt tác tử đó vào ngày mai, nó sẽ đọc từ bao nhiêu hệ thống riêng biệt, chưa đối chiếu — và những hệ thống đó có nhất trí về việc con người của bạn là ai và họ làm được gì không? Nếu câu trả lời trung thực là "ba đến mười, và không" — điều mà dữ liệu Korn Ferry nói là đúng với 95% tổ chức — thì bạn không sắp cắt giảm khoản thuế phân mảnh 3% quỹ lương của mình. Bạn sắp làm nó trầm trọng thêm, và khoác cho kết quả một niềm tin máy móc khiến sự bất nhất bên dưới càng khó bắt được. Dữ liệu nhân sự rời rạc không phải là vấn đề bạn có thể tự động hóa để thoát ra; đó là vấn đề mà tự động hóa kế thừa. Hãy dành quý tới để đối chiếu đủ phần stack sao cho tồn tại một tín hiệu duy nhất đạt chuẩn ra quyết định — rồi, và chỉ khi đó, mới đặt tác tử lên trên. Đảo ngược thứ tự đó và bạn sẽ trả thuế hai lần: một cho sự phân mảnh bạn đã có, và một cho tác tử đã làm nó trở nên vô hình.