Nhân viên đã dùng AI, vì sao doanh nghiệp vẫn chưa tăng năng suất?

Trong nhiều doanh nghiệp, AI đã đi vào công việc trước khi chiến lược AI kịp hình thành. Nhân viên tự dùng ChatGPT để tóm tắt tài liệu, soạn email hoặc viết báo cáo. Bộ phận IT lo bảo mật. HR mở một vài lớp prompt. Ban lãnh đạo yêu cầu “tăng năng suất”. Mỗi bên đều đang làm một việc có vẻ đúng, nhưng kết quả chung chưa chắc tạo thành một hệ thống.

Báo cáo HRD Next: 기업 생성형 AI 활용 & 기업교육 트렌드 2026 của 한국표준협회 (KSA) cung cấp một bức ảnh đáng chú ý về khoảng cách này. Báo cáo dựa trên khảo sát 915 người lao động tại Hàn Quốc trong hai tuần đầu tháng 9/2025, kết hợp dữ liệu đào tạo của KSA và các bài phân tích chuyên môn.

Sáu con số cho thấy doanh nghiệp đang đứng ở đâu

65% — AI đã trở thành công cụ làm việc thường xuyên

Khoảng 33% người trả lời cho biết họ dùng AI rất thường xuyên và 32% dùng thường xuyên. Nói cách khác, gần hai phần ba lực lượng được khảo sát đã bước qua giai đoạn thử nghiệm. AI không còn nằm riêng trong bộ phận công nghệ.

89% — ChatGPT vẫn là nền tảng trung tâm

ChatGPT có tỷ lệ sử dụng 89%, tiếp theo là Gemini 41%, Perplexity 23%, Copilot 14% và Canva 8%. Nhưng dữ liệu cũng cho thấy thị trường đang chuyển từ một công cụ duy nhất sang hệ sinh thái nhiều công cụ: mỗi nền tảng được chọn theo ngữ cảnh công việc và hệ thống sẵn có.

80% — tìm kiếm và tóm tắt vẫn là việc phổ biến nhất

AI hiện chủ yếu được dùng cho tìm kiếm–tóm tắt thông tin, viết tài liệu và phát triển ý tưởng. Mong muốn tiếp theo của người lao động lại nằm ở tầng sâu hơn: 55,2% muốn mở rộng sang phân tích dữ liệu và 43,7% muốn tự động hóa công việc lặp lại.

Đây là dấu hiệu của một điểm chuyển: nhân viên đã biết hỏi AI, nhưng doanh nghiệp chưa giúp họ đưa AI vào dòng công việc có dữ liệu, quyền truy cập và tiêu chuẩn đầu ra rõ ràng.

3,32/5 — hỗ trợ của doanh nghiệp chưa tạo cảm giác hữu ích

Mức hài lòng trung bình với hỗ trợ AI của doanh nghiệp chỉ đạt 3,32 trên 5. Sự khác biệt rõ nhất nằm giữa nhóm văn phòng và hiện trường. HR, đào tạo và R&D đánh giá tích cực hơn; sản xuất, thiết bị, chất lượng và SCM ít cảm nhận được hiệu quả.

Nguyên nhân không khó hiểu. Một lớp hướng dẫn viết prompt có thể giúp nhân viên văn phòng tạo báo cáo nhanh hơn, nhưng không tự kết nối với máy móc, dữ liệu lỗi, tiêu chuẩn kiểm tra, lịch bảo trì hoặc hệ thống MES tại nhà máy. Khi ví dụ đào tạo không đi vào đúng công việc, người học sẽ thấy AI “hay nhưng không liên quan đến mình”.

53% — người lao động vẫn muốn được đào tạo

Đào tạo AI là yêu cầu được chọn nhiều nhất, với 53%. Tuy nhiên, nhu cầu đã vượt khỏi phạm vi một khóa học: 39% muốn có hướng dẫn nội bộ, 31% muốn hệ thống bảo mật và đạo đức, 29% cần tài khoản/công cụ trả phí, và 18% đề nghị tổ chức nhóm chuyên trách hoặc TF.

Thông điệp ở đây rất rõ: đào tạo chỉ có tác dụng khi đi cùng hạ tầng và luật chơi.

290% — nhu cầu đào tạo AI·DX tăng mạnh

Trong dữ liệu khóa học công khai của KSA, nhóm AI·DX tăng 290% so với năm trước. Các khóa ChatGPT chiếm vị trí cao, nhưng xu hướng không dừng ở sử dụng chatbot: dữ liệu, tự động hóa, lãnh đạo AI và thiết kế lại công việc đang trở thành nhu cầu tiếp theo.

Vấn đề lớn nhất không phải “nhân viên chưa biết dùng AI”

Báo cáo cho thấy mức đồng thuận về sự cần thiết của AI đã rất cao: 4,24/5 cho nhu cầu áp dụng, 4,23/5 cho tác động tích cực hiện tại và 4,39/5 cho mức độ thay đổi công việc trong ba năm tới.

Vì vậy, tiếp tục thuyết phục mọi người rằng “AI rất quan trọng” không còn là ưu tiên số một. Câu hỏi khó hơn là:

• AI được phép dùng với loại dữ liệu nào?

• Kết quả do AI tạo ra phải được ai kiểm tra?

• Quy trình nào có đủ tần suất và giá trị để tự động hóa trước?

• Năng suất được đo bằng thời gian tiết kiệm, lỗi giảm, doanh thu tăng hay tốc độ ra quyết định?

• Khi một thử nghiệm thất bại, tổ chức học được gì và có cho phép thử lại không?

Nếu không trả lời được năm câu này, doanh nghiệp có thể có nhiều tài khoản AI nhưng vẫn chỉ tạo ra hàng nghìn cuộc trò chuyện riêng lẻ, không tạo ra năng lực tổ chức.

Khoảng cách lớn nhất nằm ở hiện trường

Sản xuất–chất lượng là nhóm có mức sử dụng AI thấp nhất trong các chức năng được khảo sát, với điểm 3,51/5. Nhóm này cũng đánh giá tác động tích cực thấp hơn HR hoặc R&D. Không nên vội kết luận rằng người lao động hiện trường “ngại công nghệ”.

Trở ngại thực tế thường nằm ở bốn lớp:

1. Dữ liệu: nằm trong máy, file Excel, bản ghi giấy và hệ thống không liên thông.

2. Ngữ cảnh: thuật ngữ, tiêu chuẩn chất lượng và ngoại lệ sản xuất không có trong mô hình chung.

3. Thiết bị: chatbot không thể tự đọc trạng thái robot, PLC hoặc dây chuyền nếu chưa có tích hợp.

4. Rủi ro: một câu trả lời sai trong email có thể sửa được; một quyết định sai trên dây chuyền có thể gây lỗi hàng loạt hoặc tai nạn.

Do đó, đào tạo cho nhà máy phải bắt đầu từ một quy trình cụ thể: phân loại lỗi, tra cứu hướng dẫn, tạo báo cáo ca, dự báo bảo trì hoặc hỗ trợ kiểm tra chất lượng. Học viên cần làm trên dữ liệu đã làm sạch và môi trường an toàn, không chỉ xem demo tạo văn bản.

Kỹ năng nào thực sự cần trong năm 2026?

Khi được hỏi năng lực cần phát triển gấp, người lao động chọn:

• 68,5%: sử dụng công cụ AI.

• 60,4%: sử dụng và hiểu dữ liệu.

• 46%: giải quyết vấn đề và tư duy phản biện.

• 31,7%: tư duy sáng tạo và đổi mới.

• 23,9%: giao tiếp và hợp tác.

• 22,3%: nhận thức về đạo đức và bảo mật.

Thứ tự này phản ánh nhu cầu trước mắt, nhưng cũng hé lộ một rủi ro: doanh nghiệp có thể đào tạo quá nhiều về thao tác công cụ và quá ít về kiểm chứng, dữ liệu và trách nhiệm. Công cụ thay đổi rất nhanh; năng lực xác định vấn đề, đánh giá bằng chứng và chịu trách nhiệm với quyết định mới là phần bền vững.

Một chương trình đào tạo tốt vì vậy nên có ba tầng:

Tầng 1 — AI literacy chung

Nhân viên hiểu AI làm được gì, không làm được gì, dữ liệu nào không được nhập và cách kiểm tra kết quả.

Tầng 2 — năng lực theo vai trò

Sales học nghiên cứu khách hàng và chuẩn bị cuộc gặp; HR học thiết kế JD và phân tích nhu cầu kỹ năng; developer học coding assistant và review; sản xuất học xử lý dữ liệu lỗi và tri thức vận hành.

Tầng 3 — dự án có chỉ số

Mỗi nhóm chọn một quy trình thật, đo thời gian và chất lượng trước–sau, rồi quyết định mở rộng hay dừng. Không có baseline thì không thể nói AI đã tăng năng suất.

Vai trò của lãnh đạo: tạo phương hướng và quyền được thử

Có 67,7% người trả lời muốn lãnh đạo bảo đảm năng lực và nguồn lực; 65,7% muốn một tầm nhìn, định hướng AI rõ ràng; 42,6% coi việc cho phép thử nghiệm và chấp nhận thất bại là quan trọng.

Báo cáo mô tả một khoảng cách đáng suy nghĩ: nhân viên cấp thấp cần môi trường để thử, trong khi cấp quản lý cần nguyên tắc và trách nhiệm. Nếu lãnh đạo chỉ nói “hãy dùng AI” mà không cấp dữ liệu, thời gian và quyền thử nghiệm, tổ chức không thể chuyển đổi. Ngược lại, nếu chỉ mở tự do nhưng không có quy tắc bảo mật và người chịu trách nhiệm, rủi ro sẽ tăng.

Vai trò của lãnh đạo không phải chọn giúp nhân viên dùng ChatGPT hay Gemini. Vai trò của họ là quyết định AI được dùng để cải thiện điều gì, giới hạn nằm ở đâu và kết quả nào đáng được nhân rộng.

HR không còn chỉ là đơn vị đặt lớp học

Trong mô hình cũ, HR nhận yêu cầu, tìm nhà cung cấp, tổ chức lớp và thu phiếu hài lòng. Trong chuyển đổi AI, vai trò này không đủ.

HR cần trở thành kiến trúc sư năng lực của tổ chức:

• Lập bản đồ quy trình và kỹ năng sẽ thay đổi theo từng chức năng.

• Xác định nhóm nào cần literacy, nhóm nào cần workflow automation và nhóm nào cần kỹ năng phát triển hệ thống.

• Cùng IT xây quy tắc dữ liệu, tài khoản, bảo mật và phê duyệt công cụ.

• Đưa dự án AI vào mục tiêu công việc nhưng không thưởng cho việc “dùng AI” một cách hình thức.

• Tạo kho use case nội bộ để một thành công không chết trong một phòng ban.

• Đo kết quả sau 30, 60 và 90 ngày thay vì kết thúc đánh giá ở mức độ hài lòng sau lớp học.

Một khung triển khai 90 ngày cho doanh nghiệp vừa và nhỏ

Ngày 1–15: chọn đúng vấn đề

• Phỏng vấn từng bộ phận để tìm việc lặp lại, tốn thời gian, có dữ liệu và có người chịu trách nhiệm.

• Chọn tối đa ba use case; không mở đồng thời hàng chục thử nghiệm.

• Đo baseline: thời gian xử lý, tỷ lệ lỗi, chi phí hoặc tốc độ phản hồi hiện tại.

Ngày 16–30: đặt luật chơi

• Phân loại dữ liệu được phép và không được phép nhập vào AI.

• Chọn tài khoản doanh nghiệp, cơ chế lưu log và người duyệt đầu ra.

• Viết hướng dẫn một trang, bằng ngôn ngữ nhân viên thực sự hiểu.

Ngày 31–60: học trên quy trình thật

• Đào tạo theo vai trò, dùng mẫu tài liệu và dữ liệu đã ẩn thông tin nhạy cảm.

• Mỗi nhóm tạo một sản phẩm: báo cáo tự động, trợ lý tra cứu, checklist kiểm tra hoặc dashboard.

• Ghi lại lỗi và trường hợp AI không nên được dùng.

Ngày 61–90: đo và quyết định

• So sánh với baseline trước triển khai.

• Chỉ nhân rộng use case có lợi ích rõ và rủi ro kiểm soát được.

• Chuẩn hóa prompt, dữ liệu, quyền truy cập và bước kiểm tra thành quy trình.

Bài học cho doanh nghiệp Việt–Hàn

Doanh nghiệp hoạt động giữa Hàn Quốc và Việt Nam có thêm một lớp phức tạp: ngôn ngữ, dữ liệu nằm ở hai quốc gia, hệ thống khác nhau và cách ra quyết định khác nhau. Nhưng cũng có một lợi thế: nhiều quy trình song ngữ, báo cáo, điều phối dự án và hỗ trợ khách hàng là ứng viên tốt cho AI nếu được chuẩn hóa.

Thay vì mua một công cụ cho toàn công ty rồi chờ năng suất xuất hiện, doanh nghiệp nên bắt đầu từ luồng công việc xuyên biên giới cụ thể: dịch–kiểm tra tài liệu, tổng hợp báo cáo dự án, chuyển giao yêu cầu khách hàng Hàn cho đội Việt Nam, quản lý tri thức kỹ thuật hoặc phân loại ticket.

AI chỉ tạo ra lợi thế khi kiến thức cá nhân được biến thành quy trình có thể lặp lại. Công cụ là phần dễ mua nhất; dữ liệu, kỷ luật vận hành và năng lực của con người mới là phần quyết định.

Về dữ liệu của báo cáo

Khảo sát được thực hiện với 915 người lao động tại Hàn Quốc từ 1–14/9/2025. Nhóm sản xuất chiếm tỷ trọng lớn, và người trả lời tập trung đáng kể ở HR–đào tạo, sản xuất–chất lượng cùng cấp quản lý trung gian. Vì vậy, các tỷ lệ nên được đọc như một chỉ báo mạnh về xu hướng trong mẫu khảo sát, không mặc định đại diện tuyệt đối cho mọi doanh nghiệp Hàn Quốc.

Xem trang giới thiệu và tải báo cáo đầy đủ của 한국표준협회

Bài viết phân tích dữ liệu công bố trong HRD Next 2026 của 한국표준협회. Các đề xuất triển khai 90 ngày là khung biên tập của KVBiz, cần điều chỉnh theo ngành, dữ liệu, quy định và mức độ trưởng thành của từng doanh nghiệp.