Ba nhà kinh tế tại Fed St. Louis đưa khoảng 490.000 bản ghi các cuộc họp công bố kết quả kinh doanh của 5.198 công ty đại chúng Mỹ qua một mô hình ngôn ngữ, gắn nhãn 910.955 câu nói về năng suất, rồi phân loại theo thì. Khoảng 95% các phát biểu về năng suất liên quan đến AI đề cập tới lợi ích chưa xảy ra. Với các phát biểu về năng suất không liên quan đến AI, con số này khoảng 75% (Fed St. Louis, 2026).
Cùng giai đoạn đó, năng suất nhân tố tổng hợp đã điều chỉnh theo mức sử dụng công suất của Mỹ chỉ tăng 0,07% trong bốn quý kết thúc vào quý I/2026.
Toàn bộ vấn đề nằm trong hai con số đó. Hồ sơ công khai về năng suất AI gần như hoàn toàn là hồ sơ của kỳ vọng, còn luận chứng đầu tư AI của bạn lại đang được phê duyệt dựa trên nó như thể đó là hồ sơ kết quả.
Chuẩn đối sánh bạn đang dùng là một thì, không phải một con số
Hãy bắt đầu từ những gì nghiên cứu thực sự làm, vì chính phương pháp khiến kết luận này khó bị gạt đi.
Serdar Ozkan, Aakash Kalyani và Nicholas Sullivan lấy bản ghi từ S&P Global giai đoạn 2000–2025, lọc câu ứng viên bằng từ khóa, rồi dùng bộ phân loại Qwen3-3B gắn nhãn từng câu trên ba trục: có nói về AI không, năng suất được mô tả là tăng, giảm hay không đổi, và câu được đặt ở thì quá khứ, hiện tại hay tương lai. Những câu không liên quan đến năng suất bị loại. Còn lại 910.955 phát biểu đã gắn nhãn (Fed St. Louis, 2026).
Hai phân phối hiện ra, và cả hai đều lệch về cùng một hướng.
Về thì: khoảng 95% câu nói về năng suất AI hướng tới tương lai, so với khoảng 75% ở các phát biểu về năng suất nói chung. Về chiều hướng: khoảng 95% câu liên quan đến AI mô tả năng suất đang tăng, so với khoảng 75% ở nhóm còn lại. Tỷ lệ mô tả năng suất giảm do AI là không đáng kể.
Phản biện hiển nhiên là độ trễ của giai đoạn hào hứng ban đầu: dĩ nhiên năm 2023 mang tính khát vọng, công cụ khi đó còn mới. Dữ liệu không ủng hộ cách đọc này. Tỷ lệ thì tương lai ổn định ở cả năm 2023 lẫn 2025, ngay cả khi tỷ trọng AI trong toàn bộ các thảo luận về năng suất tăng từ gần như bằng không trước ChatGPT lên khoảng 15% vào cuối năm 2025 (Fortune, 2026). Hai năm triển khai trọn vẹn vẫn không đưa cuộc trò chuyện từ chúng tôi sẽ sang chúng tôi đã.
Vì vậy, khi một tuyên bố về năng suất AI của công ty cùng ngành đến tai bạn — trong một bài phát biểu chính, một tình huống nghiên cứu của nhà cung cấp, hay bản trình bày với nhà đầu tư của đối thủ — xác suất nền nói rằng đó là một dự báo. Không phải nói dối, cũng không hẳn là sai. Chỉ là một dự báo khoác áo chuẩn đối sánh.
Chính khoảng cách đó cũng xuất hiện bên trong doanh nghiệp
Nếu phát hiện từ các cuộc họp công bố kết quả chỉ liên quan đến ngôn ngữ dành cho nhà đầu tư, bạn có thể xem đó là màn diễn của thị trường vốn. Nhưng không phải vậy. Khảo sát CFO của Fed Atlanta và Fed Richmond tìm thấy đúng khoảng cách ấy trong những câu trả lời riêng tư, không mang tính quảng bá.
Khảo sát hơn 700 lãnh đạo doanh nghiệp vào tháng 3/2026, nhóm nghiên cứu đề nghị các công ty tự báo cáo tác động của AI lên sản lượng trên mỗi lao động: câu trả lời là 1,8% cho năm 2025, và kỳ vọng 3,0% cho năm 2026. Sau đó nhóm tính ra con số hàm ý từ chính số liệu của các công ty đó — doanh thu quy cho AI so với thay đổi nhân sự do AI — và thu được 0,4% đến 0,8% trong sản xuất, xây dựng và dịch vụ kỹ năng thấp, lên tới khoảng 2,2% trong tài chính (Fed Atlanta, 2026).
Các lãnh đạo đã phóng đại lợi ích thực tế của chính mình lên gấp hai đến bốn lần, bằng dữ liệu của chính họ, trong một khảo sát bảo mật, không có khán giả nào để gây ấn tượng.
Điều đó đặt lại khung cho phát hiện từ các cuộc họp công bố kết quả. Đây trước hết không phải vấn đề công bố thông tin hay kỷ luật quan hệ nhà đầu tư. Đây là vấn đề đo lường, và nó tồn tại ngay ở cấp từng lãnh đạo vận hành. Các tác giả viện đến câu nói của Solow năm 1987 rằng thời đại máy tính hiện diện ở khắp nơi trừ trong thống kê năng suất, và phép so sánh này là xứng đáng: hai phép đo độc lập của Fed — một dựa trên văn bản của 5.198 công ty, một dựa trên khảo sát hơn 700 lãnh đạo — hội tụ về cùng một kết luận từ hai hướng phương pháp luận đối lập.
Vì sao ô nhiễm dự báo nghiêm trọng hơn ở thị trường tầm trung
Một bộ phận vận hành 50–500 nhân sự chịu rủi ro từ sự bất đối xứng này nhiều hơn doanh nghiệp lớn, vì một lý do mang tính cấu trúc, không liên quan đến mức độ bài bản.
Phân tách theo quy mô trong Khảo sát CFO rất rõ. Khoảng 60% doanh nghiệp đã đầu tư vào AI trong năm 2025 — chừng 80% doanh nghiệp lớn, khoảng một nửa doanh nghiệp nhỏ — và hơn 80% dự kiến đầu tư trong năm 2026. Nhưng số tiền chênh nhau tới vài bậc: khoảng 60% doanh nghiệp nhỏ dự kiến chi dưới 20.000 USD cho AI trong năm 2026, so với 14% ở doanh nghiệp lớn; trong khi khoảng 30% doanh nghiệp lớn dự kiến chi trên 1 triệu USD, so với 1% ở doanh nghiệp nhỏ (Fed Richmond, 2026).
Một công ty chi 700.000 USD có thể trang bị đo lường cho việc triển khai: thiết lập mốc chuẩn quy trình, chạy nhóm đối chứng, đo thời gian chu kỳ trước và sau. Một công ty chi 18.000 USD thì không thể, và không làm. Họ mua giấy phép rồi suy ra kết quả từ cảm nhận của đội ngũ về công cụ.
Nghĩa là thị trường tầm trung phụ thuộc quá mức vào chuẩn đối sánh bên ngoài, chính bởi vì họ không thể tự tạo ra chuẩn nội bộ. Mà kho chuẩn đối sánh bên ngoài thì 95% là dự báo. Năng lực đo lường càng yếu, bạn càng đặt nhiều trọng số lên loại bằng chứng kém tin cậy nhất hiện có. Đó là cái bẫy, và nó siết chặt hơn khi ngân sách nhỏ đi.
Có một hệ quả bậc hai đáng gọi tên. Khi tuyên bố của các công ty cùng ngành đầy lạc quan còn phép đo của bạn thì mỏng, khoảng cách giữa kết quả quan sát được của bạn và chuẩn đối sánh sẽ bị đọc thành thất bại thực thi của bạn. Lãnh đạo vận hành khi đó phản ứng bằng cách mua thêm công cụ hoặc tái cấu trúc việc triển khai, trong khi chẩn đoán trung thực là phép so sánh vốn chưa bao giờ hợp lệ. Bạn không tụt lại. Bạn được đo, còn họ được dự phóng.
Dự báo nhân sự cũng có hình dạng y hệt
Các con số về việc làm trong Khảo sát CFO đáng được chú ý riêng, vì chúng nhiều khả năng đang nằm trong kế hoạch của bạn như thể đã là chuyện đã rồi.
Tác động tổng hợp của AI lên việc làm gần bằng không. Doanh nghiệp lớn dự kiến giảm 0,8% nhân sự trong năm 2026; doanh nghiệp nhỏ nhất dự kiến tăng khoảng 1%. Về cơ cấu, các lãnh đạo dự phóng tỷ trọng công việc hành chính lặp lại giảm 0,76% vào năm 2026 và 2,19% vào năm 2028, được bù đắp một phần bởi tăng trưởng ở các vị trí kỹ thuật có tay nghề — và doanh nghiệp nhỏ có xu hướng mở rộng nhân sự kỹ thuật hơn là cắt giảm ở bất kỳ đâu (Fed Richmond, 2026).
Hãy lại để ý đến thì. Mỗi con số đó đều là kỳ vọng về năm 2026 và 2028, do chính những lãnh đạo đã phóng đại lợi ích năng suất thực tế năm 2025 lên gấp hai đến bốn lần đưa ra. Thiên lệch không lịch sự dừng lại ở riêng câu hỏi năng suất. Nếu kế hoạch vận hành 2027 của bạn giả định cắt giảm nhân sự hành chính vì dữ liệu khảo sát cho thấy như vậy, bạn đã nhập khẩu một dự báo từ một nhóm có vấn đề lạc quan đã được ghi nhận và đo đạc — rồi ghi nó vào sổ như một giả định lập kế hoạch.
Bằng chứng dừng lại ở đâu
Ba giới hạn, bởi một luận chứng đầu tư dựng trên cách đọc sai nghiên cứu này sẽ đổ vỡ y như một luận chứng dựng trên sự cường điệu.
Hướng tới tương lai không đồng nghĩa với sai sự thật. Một câu ở thì tương lai là phát biểu về ý định và kỳ vọng, không phải bịa đặt. Một số dự báo đó sẽ thành hiện thực. Phát hiện này nói về hạng bằng chứng của tuyên bố, không phải giá trị đúng sai của nó — và phản ứng đúng là điều chỉnh trọng số, chứ không phải loại bỏ.
Năng suất nhân tố tổng hợp là công cụ thô. Con số 0,07% là của toàn nền kinh tế và dịch chuyển chậm; trong lịch sử, năng suất đo được luôn tụt sau các công nghệ đa dụng nhiều năm, và lợi ích ở cấp doanh nghiệp có thể là thật ngay cả khi chỉ số quốc gia đi ngang. Con số này là bối cảnh cho sự bất đối xứng của dự báo, không phải bằng chứng rằng chẳng ai thu được gì.
Việc phân loại không hoàn hảo. Gắn nhãn thì bằng một mô hình ngôn ngữ nhỏ trên gần một triệu câu chắc chắn có sai số, và ngôn ngữ trong các cuộc họp công bố kết quả vốn dĩ đã dè dặt: rà soát pháp lý đẩy lãnh đạo về phía các cách diễn đạt hướng tương lai đối với mọi chủ đề chưa chắc chắn. Một phần trong 95% đó là sản phẩm phụ của quy trình công bố thông tin, chứ không phải sự vắng mặt của kết quả.
Không điều nào trong đó cứu được cách làm đối sánh hiện tại. Nếu có, Khảo sát CFO còn siết chặt lập luận hơn: bỏ luật sư, bỏ chuyên viên phân tích, bỏ động cơ gây ấn tượng, các lãnh đạo vẫn phóng đại lợi ích thực tế gấp hai đến bốn lần so với chính số liệu của họ. Sự bất đối xứng sống sót qua mọi mức chiết khấu hợp lý mà bạn có thể áp lên nó.
Ba trường thông tin sửa chữa luận chứng đầu tư AI của bạn
Đây là thay đổi về tài liệu, không phải thay đổi chiến lược, và nó tốn một buổi chiều.
Hãy lấy mọi sáng kiến AI hiện có trong ngân sách hoặc danh mục của bạn. Với mỗi sáng kiến, yêu cầu ba trường thông tin trước khi cho đi tiếp:
Một chỉ số đã đạt được. Không phải mức tiết kiệm dự phóng, không phải ước tính thời gian mỗi tài khoản do nhà cung cấp đưa ra. Một con số vận hành cụ thể: thời gian xử lý trung bình, tỷ lệ đạt ngay lần đầu, số ngày đến khi chốt, số ticket giải quyết trên mỗi nhân sự. Nếu không ai nêu được, sáng kiến đó là một giả thuyết và phải được cấp vốn và rà soát như một thí nghiệm, không phải như một khoản sinh lời.
Mốc chuẩn trước khi có AI. Giá trị của chỉ số đó trước khi công cụ xuất hiện, kèm theo khoảng thời gian đo. Thiếu mốc chuẩn là thất bại phổ biến nhất — các đội bắt đầu đo đúng vào ngày dự án thí điểm chạy, khiến mọi con số sau đó không thể diễn giải. Nếu mốc chuẩn đã mất, hãy dựng lại từ dữ liệu lịch sử trước khi tiêu thêm một quý nữa.
Ngày đo. Kết quả đã đạt được luôn kèm một ngày đo. Dự báo thì không. Chỉ riêng trường này đã phân loại danh mục của bạn nhanh hơn bất kỳ khung phương pháp nào, vì một tuyên bố không đưa ra được ngày thì không phải là kết quả.
Sau đó áp dụng đúng phép thử ấy cho mọi con số bên ngoài mà bạn đang lấy làm chuẩn. Tình huống nghiên cứu của nhà cung cấp, bài phát biểu của đồng nghiệp cùng ngành, bản trình bày của đối thủ: nó có nêu chỉ số đã đạt được, mốc chuẩn và ngày đo không? Phát hiện của Fed St. Louis dự đoán khoảng mười chín trên hai mươi sẽ trượt ít nhất một trong ba. Số đó đi vào thư mục dán nhãn kỳ vọng, và thôi ảnh hưởng đến ngân sách.
Kỷ luật này không hào nhoáng, và nó sẽ khiến chương trình AI của bạn trông tệ hơn trên giấy trong quý này. Đó chính là điểm mấu chốt. Hiện tại bạn đang so sánh kết quả đã đo của mình với dự phóng của mọi người khác, rồi gọi phần chênh lệch là kém hiệu quả. Sửa lại phép so sánh, bạn sẽ thấy mình không hề tụt lại — bạn chỉ đơn giản là một trong số ít người trong phòng thực sự đang đếm.
Trước quyết định đầu tư AI tiếp theo, hãy đặt một câu hỏi cho mọi con số trong phòng, dù nội bộ hay bên ngoài: cái này được đo khi nào? Bất cứ điều gì không trả lời được đều là dự báo, và dự báo không thuộc về cột bằng chứng của một luận chứng đầu tư.
