Năm mươi sáu phần trăm người lao động Mỹ đã dùng AI trong công việc tuần trước tiết kiệm được hai giờ hoặc ít hơn. Mười ba phần trăm không tiết kiệm được gì, hoặc cần thêm thời gian để hoàn thành công việc (U.S. Census Bureau, 2026; Nextgov/FCW, 2026).
Đây là phép đo liên bang, độc lập với nhà cung cấp đầu tiên về thời gian AI tiết kiệm tại nơi làm việc. Không phải bài chào bán giấy phép, không phải bản xuất dữ liệu telemetry từ đội customer success, cũng không phải khảo sát do một công ty bán license thực hiện. Và với một Head of Operations đang dựng business case AI cho 2026, nó khép lại một câu hỏi mà dữ liệu nhà cung cấp về mặt cấu trúc không thể khép lại: người dùng trung vị thực sự nhận lại bao nhiêu.
Câu trả lời là một đến hai giờ. Vấn đề không nằm ở việc con số nhỏ. Vấn đề là một đến hai giờ rời rạc không phải đơn vị mà business case của bạn được định danh.
Cục Điều tra Dân số thực sự đã đo gì về thời gian AI tiết kiệm tại nơi làm việc
Khảo sát Household Trends and Outlook Pulse Survey tháng 3/2026, công bố ngày 11 tháng 8, hỏi những người đang đi làm rằng họ có dùng AI cho bất kỳ nhiệm vụ nào trong 11 nhiệm vụ công việc cụ thể hay không. Khoảng 55% trả lời có (Census Bureau, 2026).
Danh sách nhiệm vụ đáng đọc kỹ, vì nó mô tả hình hài của việc ứng dụng thực tế, chứ không phải hình hài của một lộ trình:
- 37% — tìm kiếm thông tin hoặc trợ giúp kỹ thuật
- 32% — soạn thư từ, tài liệu hoặc hướng dẫn
- 32% — tạo ý tưởng
- 31% — diễn giải, dịch hoặc tóm tắt thông tin
- 27% — công việc hành chính
Không có gì trong đó mang tính tác tử (agentic). Đó là truy xuất, soạn thảo và nén thông tin — phần giữa có thể thay thế của lao động tri thức, không phải quyền sở hữu quy trình đầu-cuối mà hầu hết kế hoạch triển khai 2026 được viết xoay quanh.
Rồi đến câu hỏi về thời gian. Trong số người lao động đã dùng AI tuần trước, phân bố như sau: 25% tiết kiệm dưới một giờ, 31% tiết kiệm một đến hai giờ, khoảng 30% tiết kiệm ba giờ trở lên (chia gần đều giữa ba giờ và bốn giờ trở lên), 10% không tiết kiệm được thời gian nào, và 3% nói rằng làm với AI còn lâu hơn khi không có AI (Census Bureau, 2026; CBS News, 2026).
Một lưu ý phương pháp luận quan trọng cho cách bạn trích dẫn nội bộ: câu hỏi của Cục Điều tra neo vào các nhiệm vụ hoàn thành trong tuần trước, không phải một tổng số theo tuần sạch sẽ cho mỗi người. Nếu có gì, cách đặt vấn đề này còn rộng rãi. Mức độ sử dụng cũng mỏng hơn những tiêu đề về tỷ lệ ứng dụng gợi ý — chỉ 24% người dùng AI chạm đến nó mỗi ngày trong tuần tham chiếu, còn 46% dùng ít nhất một ngày.
Hai phép đọc liên bang độc lập, một con số: khoảng hai giờ
Đặc điểm hữu ích nhất của bộ dữ liệu này là nó đã là phép đo thứ hai mang tính liên bang đáp xuống gần như cùng một điểm.
Khảo sát đại diện toàn quốc của Bick, Blandin và Deming — nền tảng cho công trình về mức độ ứng dụng của St. Louis Fed — hỏi người dùng AI tạo sinh rằng họ sẽ cần thêm bao nhiêu giờ để hoàn thành công việc của tuần trước nếu không có nó. Câu trả lời là 5,4% số giờ làm việc, tức khoảng 2,2 giờ trong tuần làm việc 40 giờ (St. Louis Fed, 2024).
Hai công cụ khác nhau, hai năm khác nhau, hai thiết kế câu hỏi khác nhau. Cả hai đều đáp xuống khoảng hai giờ.
Và đây là phần mà phần lớn mọi người đọc ngược. Chính các nhà cung cấp cũng không lệch xa con số này. Nghiên cứu Total Economic Impact của Forrester về Microsoft 365 Copilot dựng cỗ máy giá trị của nó trên khoảng 9 giờ tiết kiệm mỗi người dùng mỗi tháng — tức khoảng 2,25 giờ mỗi tuần — và vẫn đi tới ROI 116% cho tổ chức hợp thành của mình, với 36,8 triệu USD lợi ích so với 17,1 triệu USD chi phí trong ba năm (Forrester, 2025).
Vậy bất đồng giữa dữ liệu liên bang và mô hình của nhà cung cấp không nằm ở số giờ. Nó nằm ở việc một giờ đáng giá bao nhiêu. Và đó là một giả định mô hình thuộc về bạn, không phải giả định mà nhà cung cấp có thể xác nhận thay bạn.
Business case của bạn không sai về số giờ. Nó sai về bản chất của những giờ đó.
Phép tính chuẩn là: số giờ tiết kiệm × chi phí giờ đầy đủ × số nhân sự. Nó gọn gàng, vượt qua được vòng thẩm định tài chính, và sai theo một cách rất cụ thể: nó giả định thời gian thu hồi được có thể hoán đổi với thời gian đã mua.
Không phải vậy. Hai giờ mỗi tuần, rải trên cả chục nhiệm vụ bị ngắt quãng, là slack — độ chùng. Nó bị hấp thụ vào ngày làm việc: kết thúc sớm hơn một chút, rà soát dài hơn một chút, ít dồn nén cuối tuần hơn một chút. Nó không cô đặc thành một phần năng lực có thể tái phân bổ, bởi không có gì trong mô hình vận hành được thiết kế để gom nó lại. Trong một công ty 200 FTE, không tồn tại cơ chế nào quét chín mươi phút rời rạc của bốn mươi người thành một dự án được cấp ngân sách.
Đây là phiên bản mid-market của một kết quả vĩ mô. Cách hạch toán ở cấp nhiệm vụ của Acemoglu về tác động tổng thể của AI — tỷ trọng nhiệm vụ bị ảnh hưởng nhân với mức tiết kiệm chi phí trung bình mỗi nhiệm vụ — cho ra mức tăng năng suất nhân tố tổng hợp không quá 0,66% trong mười năm, chính bởi vì tiết kiệm đáng kể ở cấp nhiệm vụ trên một lát cắt khiêm tốn của công việc không cộng dồn theo cách mà trực giác đòi hỏi (Acemoglu, 2024). Báo cáo lãi lỗ của bạn chạy đúng phép tính đó ở quy mô nhỏ hơn, với cùng kết quả.
Phép thử vận hành là nhị phân và không khoan nhượng: đã có một nhiệm vụ trọn vẹn rời khỏi bàn làm việc của ai đó chưa?
Nếu một kỳ đối soát hằng tháng, một chu trình bản nháp đầu, một nhóm ticket cấp một, hay việc dựng một báo cáo giờ đã được hấp thụ hoàn toàn — đó là năng lực, và nó ghi sổ được. Nó hiện ra dưới dạng một vị trí bạn không tuyển bù, một nhà thầu bạn không gia hạn, một hàng đợi tự thông mà không cần làm thêm giờ. Ngược lại, nếu mỗi nhiệm vụ vẫn cần một con người và mỗi việc chỉ nhanh hơn đôi chút, thì bạn đã mua sự dễ chịu. Sự dễ chịu là một khoản mua hợp lệ. Nhưng nó không phải một dòng chi phí, và lẽ ra không bao giờ nên được mô hình hóa như vậy.
13% mà không ai định giá
Mười phần trăm người dùng AI không tiết kiệm được thời gian. Ba phần trăm còn tốn nhiều thời gian hơn so với khi không dùng AI (Nextgov/FCW, 2026).
Tôi chưa từng thấy một business case mid-market nào mang theo phần đuôi âm. Mọi mô hình tôi rà soát đều coi mức tiết kiệm là một phân bố có sàn bằng không. Dữ liệu liên bang nói rằng khoảng một trên tám người dùng đang ở mức không hoặc dưới không — và những người đó vẫn tiêu tốn một giấy phép, một suất đào tạo và sự chú ý của quản lý.
Điều này định khung lại câu hỏi về độ rộng triển khai. Triển khai đại trà theo giá cố định mỗi license mua cho bạn toàn bộ phân bố, kể cả một phần tám thấp nhất của nó. Triển khai có mục tiêu vào các hồ sơ nhiệm vụ khớp với phần trên của phân bố — soạn thảo khối lượng lớn, tóm tắt, các vai trò nặng về tra cứu thông tin — mua cho bạn một phân bố đã bị cắt cụt. Ở quy mô 500 license, chênh lệch giữa hai đường cong này chính là toàn bộ lập luận ROI, và nó được quyết định bởi phạm vi mua sắm, không phải bởi công nghệ.
Phản biện: "Bản thử nghiệm của chúng tôi cho kết quả cao hơn thế"
Rất có thể đúng vậy. Có hai lý do mang tính cấu trúc, cả hai đều đáng cân nhắc trước khi ngoại suy.
Thử nghiệm chọn lọc theo mức độ hào hứng. Người tình nguyện tham gia một pilot AI đến từ phần đuôi phải của chính phân bố mà Cục Điều tra vừa công bố — nhóm 30% đạt ba giờ trở lên. Mở rộng ra toàn bộ nhân sự sẽ kéo bạn về phía trung vị, không phải về phía trung bình của pilot. Một pilot trả lại bốn giờ mỗi tuần cho mỗi người tham gia không dự báo bốn giờ mỗi tuần cho mỗi nhân viên; nó dự báo mức trần.
Thời gian tiết kiệm do tự báo cáo là ước lượng một tình huống phản thực. Cả công cụ của Cục Điều tra lẫn của St. Louis Fed đều yêu cầu người ta hình dung công việc sẽ mất bao lâu nếu không có AI. Đó là một nhiệm vụ nhận thức khó, và hoàn toàn không hiển nhiên rằng sai lệch nghiêng xuống dưới. Không có gì ở đây hiệu chỉnh khả năng tự báo cáo đã phóng đại.
Không điểm nào trong hai điểm đó nói rằng công nghệ kém hiệu quả. Cả hai đều nói cùng một điều về mặt vận hành: business case của bạn nên được dựng trên trung vị của toàn bộ nhân sự và được kiểm tra sức chịu đựng ở nhóm thập phân vị thấp nhất — chứ không dựng trên nhóm pilot rồi kỳ vọng nhân lên.
Ba quyết định trước khi quý khép lại
- Định danh lại mô hình bằng nhiệm vụ, không bằng giờ. Lấy business case AI hiện tại và xác định mọi dòng có quy đổi giờ tiết kiệm thành tiền. Với mỗi dòng, hãy gọi tên nhiệm vụ cụ thể đã rời khỏi bàn của một người cụ thể. Dòng nào trụ được thì giữ. Dòng nào không gọi được tên nhiệm vụ thì chuyển từ tiết kiệm chi phí sang lợi ích về chất lượng hoặc trải nghiệm — vẫn thật, vẫn đáng đầu tư, nhưng không còn gánh phần ROI.
- Định giá tường minh phần một phần tám thấp nhất. Thêm một dòng cho khoảng 13% người dùng có kết quả ròng bằng không hoặc âm. Nhân với chi phí license đầy đủ cộng chi phí hỗ trợ triển khai. Nếu dòng đó thay đổi đáng kể thời gian hoàn vốn, câu trả lời là triển khai hẹp hơn, không phải một thư viện prompt tốt hơn.
- Đo một quy trình đầu-cuối trước khi gia hạn. Chọn một luồng công việc khối lượng lớn, ranh giới rõ ràng. Đo thời gian chu kỳ và số người phải chạm vào, trước và sau — ở cấp quy trình, không phải cấp cá nhân. Một phép đo sạch ở cấp quy trình có giá trị hơn cả một năm giờ tự báo cáo, và đó là bằng chứng duy nhất phân biệt độ chùng với năng lực.
Câu hỏi đáng đặt ra trước khi gia hạn
Đóng góp của Cục Điều tra Dân số không phải là thời gian AI tiết kiệm thì ít ỏi. Hai giờ mỗi tuần cho hơn một nửa lực lượng lao động có tỷ lệ ứng dụng 55% là một khoản lợi thật và trên diện rộng, và nó hội tụ với ước lượng liên bang độc lập.
Đóng góp nằm ở chỗ con số này giờ đã công khai, phi thương mại và đủ ổn định để lập kế hoạch dựa trên nó — điều đó xóa nốt lý do biện hộ cuối cùng cho một business case đem những phút rời rạc nhân với đơn giá giờ đầy đủ rồi gọi kết quả là năng lực.
Trước khi ký gia hạn, hãy đặt cho đội của bạn một câu hỏi và đòi một cái tên, không phải một con số: nhiệm vụ nào không còn cần đến một con người? Nếu không ai trả lời được, năm nay bạn đã không mua năng lực. Bạn đã mua một tuần nhẹ nhàng hơn đôi chút — và tốt hơn là biết điều đó trước khi bộ phận tài chính phát hiện ra trong báo cáo chênh lệch.
