Trí tuệ nhân tạo bất đồng trong việc dự báo các nghề nghiệp bị thay thế

Một nghiên cứu mới tại Mỹ cho thấy ngay cả các mô hình trí tuệ nhân tạo tiên tiến nhất hiện nay cũng đưa ra những kết quả hoàn toàn thiếu nhất quán khi dự báo về những công việc có nguy cơ bị máy móc thay thế cao nhất.

Điểm số rủi ro và giới hạn của các phương pháp đánh giá

Theo một báo cáo trên tờ Wall Street Journal vào ngày 10 vừa qua, các nhà kinh tế học Mỹ đang nỗ lực đánh giá xem những nhiệm vụ cụ thể nào trong một nghề nghiệp có thể được công nghệ tự động hóa thực hiện hiệu quả hơn con người. Dựa trên cơ sở phân tích này, họ tính toán một chỉ số chuyên môn được gọi là "điểm rủi ro phơi nhiễm".

Bộ Lao động Mỹ đã thiết lập một cơ sở dữ liệu cực kỳ chi tiết liệt kê hàng loạt các nhiệm vụ cấu thành nên mỗi nghề nghiệp trên thị trường. Lấy ví dụ thực tế, công việc của một thợ làm bánh bao gồm các bước lao động chân tay như nhào bột và đưa vào lò nướng, trong khi các chuyên viên phân tích tài chính cần thực hiện các thao tác trí óc như đánh giá tình trạng hoạt động và dòng tiền của các doanh nghiệp. Tỷ lệ nhiệm vụ trong một nghề nghiệp có thể bị trí tuệ nhân tạo thay thế càng cao thì nguy cơ của nghề nghiệp đó càng lớn, dẫn đến việc các nhà khoa học phải thiết lập mức đánh giá tối đa cho "điểm rủi ro phơi nhiễm".

Hiện tại, giới nghiên cứu chuyên môn chủ yếu sử dụng ba phương pháp để đánh giá điểm số này cho các ngành nghề khác nhau. Tuy nhiên, cả ba cách tiếp cận đều tồn tại những nhược điểm rất khó khắc phục trong thực tiễn. Việc để con người tự chấm điểm thường mang tính chủ quan cao, dễ bị ảnh hưởng bởi định kiến cá nhân và thiếu cái nhìn bao quát về sự tiến bộ của công nghệ.

Phương pháp đánh giá dựa trên mức độ sử dụng công nghệ của nhân viên thường chỉ giới hạn trên một nền tảng duy nhất, do đó hoàn toàn thiếu đi tính đại diện cho toàn bộ thị trường lao động rộng lớn. Cuối cùng, việc giao phó cho chính trí tuệ nhân tạo tự phân tích và chấm điểm cũng đang bộc lộ rất nhiều vấn đề nan giải và tạo ra những kết quả mâu thuẫn.

Sự mâu thuẫn giữa các mô hình trí tuệ nhân tạo

Những bất cập của phương pháp dùng máy móc chấm điểm đã được chỉ rõ trong một nghiên cứu công bố trên trang web của Cục Nghiên cứu Kinh tế Quốc gia Mỹ vào tháng 4 năm nay. Các nhà khoa học đã tiến hành đặt câu hỏi trực tiếp cho ba mô hình tiên tiến nhất hiện nay là ChatGPT-5, Gemini 2.5 và Claude 4.5 để tìm hiểu xem "những nghề nghiệp nào đang đối mặt với sự nguy hiểm lớn nhất".

Kết quả thu về từ hệ thống máy tính là những câu trả lời hoàn toàn khác biệt. Các mô hình ngôn ngữ lớn đã đưa ra những xếp hạng rủi ro vô cùng thiếu nhất quán đối với các vị trí chuyên môn như kế toán viên, quản lý quảng cáo và giám đốc điều hành. Dù ChatGPT và Gemini cho thấy mức độ đồng thuận tương đối cao hơn trong một số nhóm ngành, hai hệ thống khổng lồ này vẫn đưa ra những nhận định trái ngược nhau trong khoảng một phần tư số trường hợp được đưa vào thử nghiệm.

Các nhà nghiên cứu tin rằng sự sai lệch này bắt nguồn từ sự khác biệt trong kiến trúc thuật toán của từng mô hình, đồng thời chịu ảnh hưởng cực kỳ lớn từ mức độ ứng dụng công nghệ trong từng ngành nghề thực tế. Lấy ví dụ về các chuyên viên phân tích tài chính, đây là một trong những nhóm nghề nghiệp đầu tiên ứng dụng công nghệ trên quy mô lớn để xử lý số liệu.

Quá trình làm việc liên tục của họ đã tạo ra một lượng dữ liệu huấn luyện khổng lồ được dùng để phát triển các mô hình thế hệ mới, và điều này vô hình trung tác động ngược lại đến cách máy móc đánh giá chính công việc của họ. Sự dồi dào về mặt dữ liệu trong một số ngành nghề khiến trí tuệ nhân tạo có xu hướng đánh giá rủi ro cao hơn hoặc thấp hơn so với thực tế đang diễn ra.

Để giải quyết tình trạng thiếu đồng nhất và mang lại cái nhìn chân thực hơn, giới chuyên môn đề xuất cần phải kết hợp sử dụng nhiều mô hình khác nhau cùng lúc thay vì phụ thuộc vào một công cụ duy nhất. Các nhà kinh tế học và chuyên gia phân tích cần đánh giá cẩn thận những câu trả lời do máy móc cung cấp để loại bỏ các sai số logic. Song song đó, họ phải trực tiếp tiến hành khảo sát cách thức công nghệ đang được ứng dụng trong các lĩnh vực đa dạng và những nhiệm vụ cụ thể nào đang thực sự được máy móc đảm nhận tại môi trường công sở.

Việc kết hợp chặt chẽ giữa dữ liệu máy tính phân tích và sự quan sát thực tế của con người là con đường bền vững để tạo ra một thước đo chuẩn xác hơn, qua đó thiết lập một cách minh bạch "điểm rủi ro phơi nhiễm". Sự cẩn trọng này sẽ giúp người lao động và các nhà hoạch định chính sách có sự chuẩn bị tốt nhất cho sự chuyển đổi của thị trường việc làm trong thập kỷ tới.