AI không công bằng — câu chuyện chưa dừng ở đó

Nếu phần lớn câu trả lời nghiêng về vế “ít hơn”, bạn đang ở phía bị bỏ lại của một loại bất bình đẳng còn rất mới. Lâu nay người ta vẫn nói AI “dân chủ hóa tri thức, ai cũng dùng được”. Câu đó có một phần đúng — nhưng phần sai lớn hơn nhiều. Bài này thử tách bạch hai phần đó ra, vì để gộp lại thì rất khó nhìn ra điều đang thực sự diễn ra.

Bài này không kể chuyện ai giàu lên, ai mất việc. Bài này nói về cấu trúc. Vì sao những nhà kinh tế hàng đầu thế giới đang bất đồng sâu sắc về AI và bất bình đẳng. Vì sao cả hai phía đều có thể cùng đúng. Và vì sao tôi vẫn nghiêng về phía bi quan — nhưng không phải vì lý do Yuval Harari đưa ra, mà vì một lý do cấu trúc khác, ít ai nói tới.

Đoạn cuối bài có một phần tự nghi vấn. Để sòng phẳng với người đọc — và với chính lập luận của mình.

1. Cuộc tranh cãi mà ít người nhắc tới

Phần lớn bài viết về AI hiện nay kẹt giữa hai luồng tiếng ồn lớn: kiểu thổi phồng của Marc Andreessen (“AI sẽ cứu thế giới”) và phe tận thế trên mạng xã hội (“AI sẽ giết tất cả chúng ta”). Cả hai đều to mồm, dễ lan truyền, và phần lớn là rỗng. Trong khi đó, các nhà kinh tế hàng đầu đang tranh cãi nghiêm túc với nhau về một câu hỏi cụ thể hơn nhiều: AI khuếch đại bất bình đẳng, hay thu hẹp nó? Có số liệu, có peer review hẳn hoi — và đang đi theo hai hướng ngược nhau.

Phe lạc quan có dữ liệu thật

Ở đây tôi không nói tới Andreessen. Tôi đang nói tới thực nghiệm.

Brynjolfsson, Li và Raymond (NBER 2023) theo dõi 5.179 nhân viên chăm sóc khách hàng được trang bị AI. Năng suất trung bình tăng 14%, nhưng người mới vào nghề (dưới 6 tháng kinh nghiệm) làm nhanh hơn 34% — gần gấp rưỡi. Còn người kỳ cựu (trên 2 năm)? Gần như không cải thiện gì. AI không nâng đều tất cả mọi người — nó kéo người dưới sát người trên, xoá bớt phần thưởng cho kinh nghiệm. Khoảng cách thu hẹp, không nới rộng. Noy và Zhang (Science 2023) tìm ra điều tương tự ở 453 chuyên gia làm tác vụ viết — khoảng cách năng suất giữa nhóm kỹ năng cao và thấp thu hẹp lại.

Phía vĩ mô, David Autor (MIT, 2024) lập luận AI có thể là công nghệ đầu tiên trong 40 năm có khả năng xây lại tầng lớp trung lưu. Còn Daron Acemoglu (MIT, 2024) trong “The Simple Macroeconomics of AI” tính lại những con số đang được thổi phồng: cộng dồn cả 10 năm, AI chỉ giúp năng suất nền kinh tế tăng 0,66% — tức bình quân chưa tới 0,07%/năm, gần như không đáng kể. Nhỏ hơn 5–10 lần so với những con số 5–10% mà các báo cáo lạc quan thường đưa ra. Nếu Acemoglu đúng, toàn bộ luận điểm “AI thay đổi mọi thứ” của tôi đều là phóng đại.

Bốn nghiên cứu peer-reviewed, từ những nhà kinh tế hàng đầu, mỗi cái là một mảnh phản biện cho lập luận tôi sắp đưa ra.

Phe bi quan cũng có dữ liệu, không chỉ Harari

Eloundou et al. (OpenAI 2023) ước tính: cứ 5 người lao động Mỹ thì 4 người (80%) sẽ có ít nhất 1/10 công việc hằng ngày bị ChatGPT và các AI tương tự “đụng vào”. Cứ 5 người thì gần 1 người (19%) sẽ thấy hơn một nửa công việc của mình AI có thể làm thay. IMF (Cazzaniga 2024) mở rộng quy mô: cứ 5 việc làm trên thế giới thì 2 (40%) nằm trong “vùng đỏ” AI có thể tự động hoá; ở các nước phát triển, con số nhảy lên 6/10 — một nghịch lý: nước càng phát triển càng dễ bị ảnh hưởng. Korinek và Stiglitz (NBER 2020) mô hình hóa nhiều kịch bản và kết luận: không có chính sách phân phối lại thì AI sẽ làm bất bình đẳng tăng.

Vì sao hai phe nhìn cùng dữ liệu mà ra kết luận trái ngược?

Câu trả lời, theo tôi, nằm ở lệch khung thời gian (time horizon mismatch).

Phe lạc quan đo trong 6–18 tháng, ở mức công việc cá nhân: nhân viên mới làm tốt hơn, người viết trung bình viết hay hơn, dev mới ship được nhiều hơn. Tất cả đều đúng — và đo được ngay hôm nay.

Phe bi quan đo trong 5–20 năm, ở mức cấu trúc hệ thống: ai sở hữu compute, ai sở hữu mô hình, phần năng suất tăng thêm chảy về tay ai, tầng lao động giữa biến mất chậm rãi ra sao. Cũng đúng — nhưng chỉ rõ sau 5 năm trở lên.

Hai phe có thể cùng đúng. AI vừa thu hẹp khoảng cách ngắn hạn ở mức công việc, vừa nới rộng khoảng cách dài hạn ở mức hệ thống — vì khoảng cách mới là khoảng cách về compute và vốn, chứ không phải kỹ năng.

Tôi nghiêng về phía bi quan, nhưng vì lý do cấu trúc tập trung compute — chứ không phải vì AI thay người quá nhanh.

2. Bất bình đẳng tính toán: bằng chứng cứng

Suốt phần lớn lịch sử kinh tế, sức mạnh trí tuệ là thứ không thể mua trực tiếp. Bạn có thể mua sách, thuê thầy giỏi, học trường tốt. Nhưng đến cuối cùng vẫn phải tự dùng não mình.

AI đã chấm dứt chuyện đó.

Hôm nay, một cá nhân có thể mua sức mạnh trí tuệ giống như mua điện. Trả tới đâu, dùng tới đó. Khoảng cách giữa các gói trả phí không còn là “phiên bản tốt hơn một chút” — nó là đòn bẩy năng suất gấp hàng chục lần, thứ tôi sẽ gọi tên là bất bình đẳng tính toán (compute inequality).

Bất bình đẳng tính toán khác về chất so với mọi loại bất bình đẳng công nghệ trước, vì 3 lý do.

Lý do 1: Compute là yếu tố sản xuất mới — và đang tập trung đến mức đáng sợ

Sevilla và đồng nghiệp (2022) trong “Compute Trends Across Three Eras of Machine Learning” theo dõi lượng compute dùng để train các mô hình AI lớn nhất từ 1950 đến 2022. Để hình dung tốc độ: cái laptop bạn đang dùng — cứ ~2 năm thì đời sau mạnh gấp đôi đời trước. Đó là định luật Moore (gấp đôi mỗi 18–24 tháng), tốc độ vốn được coi là kỳ diệu của ngành chip suốt nửa thế kỷ. Còn compute để train AI từ 2010? Cứ 6 tháng đã gấp đôi — nhanh hơn 3–4 lần.

Đến 2026, để train được một frontier model (mô hình AI hàng đầu — như GPT, Claude, Gemini) cần một lượt train tốn từ 100 triệu USD trở lên (chưa kể lương kỹ sư, R&D, hạ tầng). Số tổ chức trên toàn cầu đủ tiền làm điều đó: không quá 5–7 — ít hơn số quốc gia có vũ khí hạt nhân. OpenAI, Anthropic, Google DeepMind, Meta, xAI — có thể thêm Mistral, có thể thêm DeepSeek. Hết.

Compute concentration

Một yếu tố sản xuất chưa từng tập trung như vậy trong lịch sử kinh tế hiện đại

4–5×

Tốc độ tăng compute training mỗi năm từ 2010 — vượt xa Moore's Law (~1.4×).

~5–7

Số tổ chức trên toàn cầu có khả năng train một frontier model ($100M+ training run).

>$100M

Vốn tối thiểu cho một training run frontier — tăng gấp 100 lần trong 5 năm.

Để dễ hình dung: ai cũng có thể viết một cuốn sách. Khá nhiều người có thể quay một bộ phim. Một vài công ty có thể chế tạo ô tô. Năm tổ chức trên toàn cầu có thể train một frontier model.

Đây là mức tập trung của một yếu tố sản xuất chưa từng thấy trong lịch sử kinh tế hiện đại. Dầu mỏ, điện, internet — đỉnh cao của tất cả những thứ đó đều phân tán hơn nhiều. Yanis Varoufakis trong Technofeudalism (2023) gọi cấu trúc này là vốn đám mây (cloud capital) — và cho rằng chúng ta đã rời chủ nghĩa tư bản cổ điển, bước vào một dạng phong kiến mới của hạ tầng đám mây. Cá nhân tôi nghĩ Varoufakis nói hơi gắt, nhưng hình ảnh “vốn đám mây” để mô tả hạ tầng AI thì rất sát.

Lý do 2: Phe lạc quan đúng ở mức công việc, sai ở mức hệ thống

Brynjolfsson cho thấy nhân viên mới tăng 34% năng suất khi dùng AI. Đúng. Nhưng tăng 34% năng suất khi đứng trên nền tảng AI mà người khác sở hữu không phải dân chủ hóa — đó là năng suất đi thuê (rented productivity).

Hãy thử nghĩ thế này: nếu ngày mai nhà cung cấp tăng giá API gấp 10 lần, hoặc thu hồi quyền truy cập, hoặc đổi điều khoản sử dụng — nhân viên đó liệu còn giữ được mức tăng 34% kia không? Không. Năng suất tăng đó phụ thuộc hoàn toàn vào người đang cấp compute cho họ.

Đây là điều Karl Marx có lẽ sẽ viết trong Tư Bản nếu ông sống đến năm 2026: người lao động dùng AI hôm nay giống công nhân nhà máy thế kỷ 19 — năng suất gấp nhiều lần người nông dân thủ công, nhưng không hề sở hữu phương tiện sản xuất. Và lịch sử khá nhất quán ở chỗ này: năng suất tăng mà không có quyền sở hữu phương tiện sản xuất → thu nhập tăng tạm thời, rồi sẽ bị áp lực cạnh tranh nuốt mất, hoặc bị nhà cung cấp ép giá.

Lý do 3: Bốn bậc — không phải tỉ lệ tuyến tính, mà là đường cong đòn bẩy

Đường cong đòn bẩy compute

Tăng bậc gói trả phí không phải tỉ lệ tuyến tính — đòn bẩy tăng theo cấp số nhân

Người dùng ChatGPT miễn phí thấy AI trả lời nửa vời, mỗi ngày được vài chục lượt, không nhớ ngữ cảnh, không làm nổi tác vụ phức tạp nào kéo dài.

Người trả 20 USD mỗi tháng có mô hình tốt hơn, được nhiều lượt hơn, có web search và xử lý file cơ bản.

Người trả 200 USD mỗi tháng — như tôi — có mô hình mạnh nhất, có suy luận sâu, dùng gần như không giới hạn, có web search, tạo file, điều khiển máy tính, kết nối MCP, bộ nhớ, không gian dự án, lịch sử trò chuyện. Claude Code có thể tự sửa cả một kho mã, xây sản phẩm trong một tuần thay vì ba tháng. Có cả API để tự dựng automation, agent, workflow riêng — chạy 24/7 không ngủ.

Doanh nghiệp trả từ 20.000 USD mỗi tháng có hết những thứ trên, cộng thêm mô hình được tinh chỉnh (fine-tune) trên dữ liệu riêng, cam kết dịch vụ (SLA), tùy chọn triển khai tại chỗ (on-premise), có cả một đội kiến trúc sư giải pháp đi kèm.

Đây không phải tỉ lệ tuyến tính. Đây là đường cong đòn bẩy. Cùng một giờ làm việc, người ở bậc cao tạo ra giá trị gấp hàng chục lần người ở bậc thấp — không phải vì giỏi hơn, mà vì công cụ trong tay mạnh hơn nhiều bậc.

Bất bình đẳng tính toán không thay thế những bất bình đẳng cũ. Nó nằm chồng lên trên chúng.

3. Tám trục bất bình đẳng (mỗi trục đều có số liệu)

Khi bàn về “ai hưởng lợi từ AI”, phần lớn người ta dừng ở “kỹ sư biết code”. Cách nhìn này quá hẹp. Có ít nhất tám trục đang phân hóa — và mỗi trục đều có một mảnh số liệu cho thấy mức độ nghiêm trọng.

Trục 1 — Kỹ thuật. Không phải dev nào cũng thắng, chỉ những dev biết xây sản phẩm với AI mới thắng. Khảo sát Stack Overflow Developer Survey 2024 cho thấy cứ 4 lập trình viên thì 3 người (76%) dùng AI hằng ngày — nhưng chỉ 1 trong 5 (20%) thật sự tin kết quả. Cả ngành đang sống với một công cụ họ không tin nhưng không bỏ được. Khoảng cách giữa người dùng nông và người dùng sâu rất lớn — và đó chính là thứ quyết định ai được giữ lại sau 18 tháng tới.

Trục 2 — Chuyên môn lĩnh vực. AI khuếch đại judgment vốn có. Người 15 năm kinh nghiệm dùng AI thì làm việc nhanh gấp nhiều lần — vì họ biết hỏi câu nào đáng hỏi, biết kết quả nào đáng tin, biết khi nào AI sai. Người mới chỉ làm được phần cơ bản, mà phần cơ bản là phần đang bị thay thế. Lưu ý: trục này thoạt nhìn có vẻ mâu thuẫn với phát hiện của Brynjolfsson (người mới tăng nhiều hơn người kỳ cựu). Thực ra không mâu thuẫn — hai phát hiện áp dụng cho hai loại tác vụ khác nhau. Người mới thắng ở tác vụ có quy trình rõ ràng (như chăm sóc khách hàng có kịch bản sẵn). Người kỳ cựu thắng ở tác vụ mở (chiến lược, judgment phức tạp). AI thu hẹp khoảng cách ở loại 1, nới rộng ở loại 2. Mà công việc nói chung thì đang dịch chuyển dần sang loại 2.

Trục 3 — Sở hữu dữ liệu riêng. AI mà không có dữ liệu của bạn thì gần như vô dụng với hoạt động kinh doanh của bạn. Theo McKinsey 2024, 7/10 đồng giá trị mà GenAI tạo ra cho doanh nghiệp không đến từ ChatGPT công cộng — mà từ những bài toán cần dữ liệu nội bộ: lịch sử khách hàng, hợp đồng, quy trình riêng. Tức ai có dữ liệu sạch sẽ ăn 70%, ai không có chỉ chia phần 30% còn lại. Các công ty giàu dữ liệu (ngân hàng, viễn thông, bán lẻ lớn) đang chạy nhanh gấp đôi.

Trục 4 — Tiếng Anh. Mô hình được train chủ yếu bằng tiếng Anh. Kết quả ra tiếng Anh có chất lượng cao hơn rõ rệt — đo trên các bài test thực tế (toán, lập luận, hiểu văn bản), ngay cả mô hình mạnh nhất cũng làm tiếng Việt / Indonesia / Hindi kém hơn tiếng Anh 15–25% cho cùng tác vụ. Tức cùng một câu hỏi: tiếng Anh AI đúng 100 lần thì tiếng Việt chỉ đúng 75–85 lần. Một câu prompt 30 từ tiếng Anh thường ra kết quả tốt hơn câu 100 từ tiếng Việt cùng ý. EF English Proficiency Index 2024 xếp Việt Nam vào nhóm “trung bình” — gần Mexico, dưới Indonesia, dưới Philippines khá xa. Đây không phải lỗi cá nhân ai cả, đây là chuyện cấu trúc.

Trục 5 — Vốn. 200 USD mỗi tháng cho một công cụ là chuyện rất bình thường ở Mỹ — khoảng 0,3% lương trung bình tháng. Còn với người Việt lương 15 triệu đồng/tháng, 200 USD là 32% thu nhập. Gói càng đắt thì càng ít người với tới được, và càng có lợi thế lớn.

Trục 6 — Thời gian để học. AI thay đổi mỗi tuần. Công cụ mới ra mỗi ngày. Ai làm hai job, chạy ăn từng bữa, không có quỹ thời gian để học cái mới — sẽ tụt lại. Và khoảng cách lớn dần lên theo cấp số cộng.

Trục 7 — Hạ tầng. Đường truyền internet ổn định, thẻ Visa hay Mastercard quốc tế, không bị chặn địa lý. Nhiều người Việt có tiền nhưng vẫn không mua được gói trả phí — vì OpenAI chưa hỗ trợ thanh toán nội địa, hoặc thẻ ghi nợ trong nước bị từ chối. Đây là rào cản hạ tầng rất cụ thể, không hề trừu tượng.

Trục 8 — Network và gu thẩm định. Người trẻ lớn lên cùng số (digital-native), ở trong cộng đồng tech trên Twitter/X, thường đi trước người ngoài cả năm về thông tin. AI sản sinh ra rất nhiều thứ — chỉ ai biết chọn cái nào tốt mới dùng được. Gu thẩm định (taste) chỉ tích lũy được qua thời gian, qua tiếp xúc, qua cộng đồng — không mua được, không học cấp tốc.

Đây không phải than thở. Đây là mô tả cấu trúc. Và cấu trúc đó đang phân hóa rất nhanh.

4. Ba cuộc khủng hoảng — không phải tương lai, đang xảy ra

Một thế kỷ lời hứa và lời thật

Mỗi cuộc cách mạng đều hứa giải phóng. Mỗi lần đều phân hóa.

1. 1930
   Keynes

   Dự báo đến 2030 nhân loại sẽ chỉ làm 15 giờ mỗi tuần. Năng suất đã tăng đúng như ông tính. Lao động tri thức hôm nay vẫn làm 50+ giờ.

2. 1995
   Internet age

   Hứa hẹn dân chủ hóa tri thức. Thực tế tạo digital divide chưa lành — người có băng thông trước người sau cả thập kỷ về cơ hội.

3. 2023
   Khoảnh khắc ChatGPT

   Hứa hẹn AI ai cũng dùng được. Phân hóa $20 / $200 / $20.000 bắt đầu chỉ trong vài tháng. Định giá Nvidia, OpenAI, Anthropic bùng nổ.

4. 2026
   Hôm nay

   Bất bình đẳng tính toán cùng ba cuộc khủng hoảng song hành. Người có lợi thế nới rộng nó nhanh hơn cả khả năng họ nhận ra.

Bất bình đẳng tính toán bản thân nó chưa phải vấn đề. Vấn đề là nó kéo theo ba dòng khủng hoảng song song. Không có cái nào kiểu “có thể trong 20 năm nữa”. Cả ba đều đang diễn ra, ở mức độ khác nhau, và đang gia tốc.

Khủng hoảng kinh tế

Cơ chế khá đơn giản. AI làm năng suất tăng → giá hàng hóa giảm → lợi nhuận dồn về tay chủ sở hữu công nghệ chứ không chia cho người lao động. Tầng lớp trung lưu mất thu nhập → cầu tiêu dùng sụp. Một nghịch lý: sản xuất nhiều hơn, rẻ hơn, tốt hơn — nhưng không ai có tiền mua.

Đây chính là quy luật Thomas Piketty đã chỉ ra trong Capital in the Twenty-First Century (2014): từ 1979 đến 2020 (hơn 40 năm), năng suất lao động Mỹ tăng vọt nhờ máy tính, internet, tự động hoá. Nhưng lương thực (đã trừ lạm phát) của người lao động bình quân chỉ tăng 17% — bình quân chưa tới 0,4% mỗi năm. Phần còn lại đi đâu? Vào lợi nhuận của chủ vốn. Và đó là chuyện trước khi AI xuất hiện. AI sẽ chỉ đẩy nhanh quy luật này.

Tài sản dồn về vốn

Vốn hóa AI vọt lên trong khi tuyển dụng vị trí khởi đầu thu hẹp

$4T+

Vốn hóa Nvidia — công ty đầu tiên trong lịch sử vượt mốc bốn nghìn tỷ USD.

Mid-2025

$300B+

Định giá OpenAI — tăng khoảng 10× chỉ trong hai năm.

2025

−30 đến −40%

Mức giảm tin tuyển dụng kỹ sư phần mềm vị trí khởi đầu tại Mỹ.

Stanford AI Index

Từ 2023 đến nay, Big Tech (Google, Meta, Amazon, Microsoft…) sa thải hơn 600.000 người — bằng dân số một thành phố cỡ Vũng Tàu. Cùng kỳ, lợi nhuận của họ vẫn lập kỷ lục mọi thời đại. Đây không phải “cắt giảm vì khó khăn” — đây là tái cấu trúc khi AI đủ sức làm thay người. Mức tăng năng suất đang tích tụ về rất ít chỗ.

Khủng hoảng việc làm

Đang xảy ra rồi.

IMF (Cazzaniga 2024) ước tính 40% việc làm toàn cầu, 60% ở các nước phát triển, có ít nhất một phần đáng kể có thể bị tự động hóa hoặc bị AI làm thay. Một nghịch lý ở đây: nước càng phát triển lại càng dễ bị ảnh hưởng — vì lao động tri thức chiếm tỉ trọng lớn hơn.

Dev mới ra trường, người viết nội dung, họa sĩ minh họa, dịch thuật viên, trợ lý pháp lý, chăm sóc khách hàng cấp một — đều đang bị thay thế hoặc giảm lương. BPO ở Philippines, Ấn Độ, Việt Nam — ngành xuất khẩu lao động trí thức của các nước đang phát triển — bị đe dọa trực tiếp nhất.

Quy luật chung: khoét rỗng tầng giữa (hollowing out the middle). Tầng giữa của thị trường lao động biến mất dần. Chỉ còn lại tầng cao (chiến lược, quan hệ, judgment phức tạp) và tầng thấp (lao động chân tay mà AI chưa làm được). Tầng giữa — vốn là xương sống của tầng lớp trung lưu — bị nuốt mất từ cả hai phía cùng lúc.

David Autor (2024) tin rằng AI có thể đảo ngược quy luật này — bằng cách trao chuyên môn vào tay những người không có bằng cấp cao, từ đó “xây lại” tầng lớp trung lưu. Tôi mong ông đúng. Nhưng nhìn vào lịch sử các đợt công nghệ đảo lộn, kịch bản đó hiếm khi xảy ra: sau cách mạng công nghiệp, phải mất 50–80 năm cộng với một phong trào công đoàn rất mạnh thì năng suất tăng mới chia về tay người lao động. Lần này thì không có lực lượng nào tương đương công đoàn. Cũng không có chính trị mạnh đứng về phía người lao động.

Khủng hoảng nhân sinh

Cái nguy hiểm nhất, ít được nói đến nhất, và (theo tôi) có khả năng xảy ra cao nhất.

Suốt 200 năm qua, “công việc” là thứ định nghĩa con người. Bạn là ai = bạn làm gì. Khi AI làm tốt hơn bạn ở hầu hết mọi việc — kể cả việc bạn yêu thích, đã học 10 năm, dồn cả đam mê vào — thì câu hỏi “tôi là ai” bỗng không còn câu trả lời.

Sinh viên đại học hỏi nhau “học để làm gì khi AI làm tốt hơn?”. Họa sĩ, nhà văn, nhạc sĩ trầm cảm vì AI tạo ra trong vài giây thứ mà họ học cả đời mới làm được. Cảm giác giỏi một thứ — thứ vốn cho con người thấy mình có giá trị — đang bị xói mòn ở quy mô chưa từng có.

Daniel Susskind trong A World Without Work (2020) chia ra ba loại tổn thất do tự động hóa: tổn thất thu nhập (có thể giải quyết bằng thu nhập cơ bản phổ quát), tổn thất kỹ năng (giải quyết được bằng đào tạo lại), và tổn thất ý nghĩa (meaning loss) — loại này gần như không có giải pháp chính sách nào. Loại thứ ba mới là loại đang đến — và không có lưới an sinh xã hội nào đỡ được nó.

Carl Frey ở Oxford trong The Technology Trap (2019) bổ sung một cảnh báo từ lịch sử: trong giai đoạn chuyển tiếp giữa hai cuộc cách mạng công nghệ, xã hội nào cũng đều phải đi qua bất ổn chính trị nặng nề — vì người mất ý nghĩa thường đi tìm ý nghĩa thay thế trong các ý thức hệ cực đoan. Dân túy, dân tộc cực đoan, thuyết âm mưu — tất cả đều có mảnh đất màu mỡ chờ sẵn trong những cộng đồng cảm thấy bị nền kinh tế mới bỏ rơi.

Cá nhân tôi nghĩ Harari có thể bi quan hơi quá ở vài điểm — và bản thân ông cũng đã chuyển trọng tâm ở cuốn sách mới Nexus (2024), không còn đặt giai cấp vô dụng ở trung tâm như trong Homo Deus. Lịch sử đã chứng minh nhiều lần: con người luôn tìm được ý nghĩa mới. Nhưng câu hỏi cốt lõi mà Harari đặt ra thì không thể né: trong một thế giới mà AI làm mọi thứ tốt hơn, con người sống để làm gì?

Đây không còn là câu hỏi triết học. Nó đang trở thành câu hỏi thực tế cho thế hệ con cái chúng ta — những đứa trẻ vào lớp một năm 2026 sẽ tốt nghiệp đại học vào một thị trường lao động có thể không còn tồn tại theo nghĩa hiện tại.

5. Việt Nam: số liệu + ba chân dung

Tôi nghĩ thế giới đang ở giai đoạn đầu của một kịch bản “rối loạn nhưng còn tự điều chỉnh được”, và có nguy cơ trượt sang kịch bản “quyền lực tập trung không thể đảo ngược” nếu không có chính sách đủ tốt. Việt Nam đặc biệt rủi ro, vì 4 lý do cấu trúc.

Quy mô vấn đề thì rất cụ thể.

Lao động trí thức xuất khẩu

Ba nền kinh tế đang đứng giữa lằn đạn AI

~$200B

Xuất khẩu IT-BPM của Ấn Độ — phần lớn là việc AI có thể tự động hóa trong 5–10 năm.

~8–9%

Tỉ trọng BPO trong GDP của Philippines — một trong những nước phụ thuộc BPO nhất thế giới.

~$10B

Xuất khẩu phần mềm của Việt Nam — phần lớn là gia công cho thị trường Mỹ và Nhật.

Nhưng số liệu chỉ kể được một nửa câu chuyện. Để bất bình đẳng tính toán trở nên cụ thể hơn, mời bạn nhìn vào ba lát cắt người Việt mà tôi gặp hằng tuần. Tên đã đổi, chi tiết là tổng hợp.

Phương

32 tuổi

Nhà sáng lập · Hà Nội

Compute / tháng

≈ $1.000

Đỉnh đường cong

$0 $200 $1K+

Đang chạy 2 startup thuần AI. Trả 200 USD/tháng cho Claude Max, 200 USD/tháng cho ChatGPT Pro, thêm vài trăm USD mỗi tháng cho API và công cụ chuyên biệt. Tổng ngân sách compute cá nhân khoảng 1.000 USD/tháng — đúng bằng lương một nhân viên junior toàn thời gian ở Việt Nam.

Team 5 người, kết quả tương đương đội 50 người ba năm trước. Vòng gọi vốn gần nhất, nhà đầu tư Mỹ ấn tượng vì mức leverage. Phương nói: “Tôi không giỏi hơn 2 năm trước. Tôi chỉ có nhiều compute hơn thôi.”

Phương đang ở đỉnh đường cong. Bất bình đẳng tính toán giúp Phương có năng suất gấp 10–20 lần mặt bằng Việt Nam cùng vai trò.

Hoàng

28 tuổi

Lập trình viên gia công · Đà Nẵng

Compute / tháng

≈ $40

Giữa đường cong

$0 $200 $1K+

Năm năm làm cho khách hàng Mỹ. Lương 2.000 USD/tháng — khá so với mặt bằng Đà Nẵng, đủ thuê căn hộ tử tế, gửi tiền về cho gia đình. Đang trả góp xe, đang tính mua nhà.

Hợp đồng hiện tại còn 12 tháng. Tháng trước, khách hàng nhắn: “Từ hợp đồng kế tiếp, chúng tôi kỳ vọng năng suất được tăng cường bằng AI. Chúng tôi sẽ giảm đội từ 8 dev xuống còn 4.” Hoàng nằm trong nhóm được giữ lại — nhưng lương giữ nguyên còn kỳ vọng đầu ra tăng gấp đôi.

Hoàng đang dùng Cursor và Claude Code, học ngày học đêm. Tiếng Anh khá nhưng không phải bản ngữ — phải nháp prompt 2–3 lần mới ra được kết quả mà Phương chỉ cần một lần. Có thẻ Visa quốc tế, có internet ổn — nhưng với lương 2.000 USD/tháng, bỏ 200 USD/tháng cho Claude Max là một quyết định cân não.

Hoàng đang ở chính giữa. Bất bình đẳng tính toán có thể giữ Hoàng lại với công việc — hoặc đẩy Hoàng ra khỏi nghề trong 18 tháng. Đường cong đang phân hóa rất nhanh dưới chân Hoàng.

Linh

20 tuổi

Sinh viên năm 2 · Cần Thơ

Compute / tháng

$0

Dưới đáy đường cong

$0 $200 $1K+

Chuyên ngành ngoại ngữ. Tiếng Anh trung bình — đủ để đọc giáo trình, không đủ để giao tiếp tự nhiên. Smartphone Android cũ. Wifi phòng trọ chậm. Bố mẹ làm nông.

Em dùng ChatGPT bản miễn phí để dịch bài. Không biết Claude là gì — bạn cùng phòng giới thiệu Gemini, bảo “free, đỡ bị giới hạn lượt như ChatGPT”. Không có thẻ quốc tế, cũng chưa bao giờ nghĩ đến chuyện trả 20 USD/tháng — đó là tiền ăn 3 ngày của em.

Khi tôi hỏi Linh nghĩ sao về AI, em nói: “Em nghe nói AI thay người. Em không hiểu lắm. Em chỉ lo ra trường có việc không thôi.”

Linh không ở trên đường cong — em đang đứng dưới đáy, không biết đường cong tồn tại.

---

Phương và Linh sống trong cùng một quốc gia, cùng một năm. Cùng một bộ Luật Lao động. Cùng một hệ thống giáo dục đào tạo. Cùng một kỳ bầu cử, cùng một thuế, cùng một chính sách.

Nhưng bất bình đẳng tính toán đang làm khoảng cách giữa họ lớn hơn khoảng cách giữa cha mẹ Phương và cha mẹ Linh — và lớn thêm sau mỗi tháng.

6. Câu hỏi thật — và một đoạn tự nghi vấn

Viết tới đây, tôi cảm thấy một cám dỗ rất rõ: kết bằng “5 thứ bạn nên làm”. Hứa rằng nếu chúng ta cùng cố gắng, mọi thứ sẽ ổn.

Tôi sẽ không làm thế. Vì hai lý do.

Một, hầu hết các kiểu “5 thứ bạn nên làm” đều là phản xạ cá nhân hóa một vấn đề cấu trúc. Học AI mỗi ngày, dùng công cụ cho đúng — đều là việc tốt cho bạn. Nhưng nếu bạn nằm trong 8% đã đủ điều kiện làm những thứ đó, thì lời khuyên là thừa; còn nếu bạn không nằm trong 8% đó, thì lời khuyên là vô nghĩa. Bất bình đẳng cấu trúc không chữa được bằng lời khuyên cá nhân.

Hai, câu hỏi thật không phải “AI có công bằng không” — câu trả lời rõ ràng là không. Câu hỏi thật, dành cho những người đang ở phía thuận lợi của làn sóng, là:

Tôi có thể đã sai ở đâu

Trước khi gấp bài lại, tôi muốn dành một đoạn để tự nghi vấn. Để sòng phẳng với người đọc đã theo đến đây — và với chính lập luận của mình.

Nếu Brynjolfsson đúng, và GenAI tiếp tục thu hẹp khoảng cách giữa người mới và người kỳ cựu cả trong dài hạn — không chỉ ở tác vụ chăm sóc khách hàng mà ở toàn bộ nền kinh tế — thì bài này đã thổi phồng nỗi bi quan. Nếu Acemoglu đúng, và mức tăng năng suất từ AI chỉ khoảng 0,66% mỗi thập kỷ chứ không phải thay đổi căn bản — thì lập luận tập trung compute của tôi yếu hơn nhiều. Còn nếu Autor đúng, và AI thực sự xây lại tầng lớp trung lưu — thì toàn bộ phần “khoét rỗng tầng giữa” của tôi sai chiều.

Tôi không khẳng định mình đúng 100%. Tôi đặt cược vào kịch bản bi quan vì 3 lý do:

1. Tập trung compute là chuyện cấu trúc, không phải pha tạm thời. Năm tổ chức kiểm soát toàn bộ frontier compute — đó là gốc rễ cấu trúc, rất khó đảo ngược, trừ khi có luật chống độc quyền thật mạnh hoặc một đột phá kỹ thuật làm compute rẻ đi 100 lần.
2. Lịch sử công nghệ cho thấy năng suất tăng hiếm khi chia đều, nếu không có chính sách mạnh hoặc đối trọng có tổ chức (công đoàn, quy định nhà nước, luật chống độc quyền). Cả ba thứ đó hiện đang ở mức yếu nhất trong 50 năm qua.
3. Việt Nam không có sức mạnh chính trị-kinh tế để ép tái phân phối như Đức hay các nước Bắc Âu. Lập luận này đặc biệt đúng với Việt Nam — và với hầu hết các nước đang phát triển khác.

Nếu một trong ba lý do trên sai, lập luận của tôi yếu đi nhiều. Tôi thừa nhận điều đó — nhưng vẫn nghiêng về phía mình.

Bốn nguyên tắc tôi đang tự đặt ra cho bản thân

Đây không phải lời khuyên cho bạn. Đây là những nguyên tắc tôi đang thử nghiệm — và sẽ chia sẻ lại sau 12 tháng để xem có đúng không.

Một, trả compute lại cho những người chưa trả được. Khi tôi xây sản phẩm với đòn bẩy AI gấp 10 lần, tôi dành ít nhất 10% thành quả cho những người không thể bỏ ra 200 USD/tháng mua compute riêng — bằng mã nguồn mở, miễn phí, hoặc trợ giá. Đã thuê được năng suất rồi thì có một trách nhiệm đạo đức đi kèm.

Hai, dạy gu thẩm định, không dạy công cụ. Công cụ thì tháng nào cũng đổi. Gu thì không. Người Việt thiếu gu hơn là thiếu công cụ — và gu chỉ truyền được qua người dìu dắt, chứ không truyền qua mấy video hướng dẫn trên YouTube.

Ba, đầu tư vào tiếng Anh của thế hệ sau. Trục số 4 (tiếng Anh) là trục Việt Nam có thể đóng lại nhanh nhất nếu đầu tư đúng — và nó là trục có hệ số khuếch đại lớn nhất. Một đồng bỏ vào tiếng Anh cho trẻ em hôm nay đáng giá 100 đồng lợi thế trong 15 năm tới.

Bốn, không né câu hỏi chính trị. Bất bình đẳng AI cuối cùng vẫn là chuyện chính trị, không phải kỹ thuật. Nhà sáng lập Việt nói chuyện bất bình đẳng tính toán mà tránh đụng tới chính sách công thì chính là đồng lõa với hiện trạng. Tôi đang học cách nói chuyện chính sách công mà không bị sến — khó, nhưng cần.

Đây là cuộc đối thoại quan trọng nhất của thế hệ chúng ta. Đừng để nó chỉ diễn ra trong những phòng họp ở Silicon Valley. Cũng đừng để nó chỉ diễn ra giữa những người đã ở phía thắng.

---

Phụ lục: Tài liệu tham khảo chính

Nghiên cứu thực nghiệm về AI và năng suất

• Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey R. (2023). “Generative AI at Work”. NBER Working Paper 31161. — Nghiên cứu N=5,179 nhân viên chăm sóc khách hàng, junior tăng 34%, senior +0%.
• Noy, Shakked; Zhang, Whitney (2023). “Experimental evidence on the productivity effects of generative artificial intelligence”. Science Vol 381, Issue 6654. — Thí nghiệm N=453, gap năng suất thu hẹp.
• Eloundou, Tyna; Manning, Sam; Mishkin, Pamela; Rock, Daniel (2023). “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models”. arXiv:2303.10130. — Ước tính exposure 80% lao động Mỹ.

Phân tích kinh tế vĩ mô

• Acemoglu, Daron (2024). “The Simple Macroeconomics of AI”. NBER Working Paper 32487. — Phản biện hype AI productivity, ước tính ~0.66% TFP boost/decade.
• Autor, David (2024). “Applying AI to Rebuild Middle-Class Jobs”. NBER Working Paper 32140. — Lập luận AI có thể tái tạo tầng lớp trung lưu.
• Korinek, Anton; Stiglitz, Joseph E. (2020). “Artificial Intelligence, Globalization, and Strategies for Economic Development”. NBER Working Paper 28453. — Mô hình hóa kịch bản AI và inequality.
• Cazzaniga, Mauro et al. (2024). “Gen-AI: Artificial Intelligence and the Future of Work”. IMF Staff Discussion Note 2024/001. — 40% việc làm toàn cầu, 60% nước phát triển bị exposed.
• Piketty, Thomas (2014). Capital in the Twenty-First Century. Harvard University Press. — Phân tích phân phối năng suất và lợi tức vốn so với lao động trong dài hạn.

Compute concentration

• Sevilla, Jaime; Heim, Lennart; Ho, Anson; Besiroglu, Tamay; Hobbhahn, Marius; Villalobos, Pablo (2022). “Compute Trends Across Three Eras of Machine Learning”. arXiv:2202.05924. — Compute training tăng 4–5×/năm từ 2010.
• Vipra, Jai; Korinek, Anton (2023). “Market Concentration Implications of Foundation Models”. Brookings. — Tập trung trong AI value chain.

Sách và tiểu luận về meaning + xã hội

• Harari, Yuval Noah (2016). Homo Deus: A Brief History of Tomorrow. Harvill Secker. — Khái niệm useless class.
• Harari, Yuval Noah (2024). Nexus: A Brief History of Information Networks. Random House. — Cập nhật framework Harari sau 8 năm.
• Susskind, Daniel (2020). A World Without Work. Metropolitan Books. — Phân biệt 3 loại tổn thất: thu nhập, kỹ năng, ý nghĩa.
• Frey, Carl Benedikt (2019). The Technology Trap: Capital, Labor, and Power in the Age of Automation. Princeton University Press. — Cảnh báo lịch sử về bất ổn trong giai đoạn chuyển tiếp công nghệ.
• Varoufakis, Yanis (2023). Technofeudalism: What Killed Capitalism. The Bodley Head. — Lập luận “cloud capital” thay thế capitalism cổ điển.
• Hao, Karen (2025). Empire of AI. Penguin. — Reporting về OpenAI và compute concentration toàn cầu.

Báo cáo ngành

• Stanford HAI (2024–2025). Artificial Intelligence Index Report. — Dữ liệu về đầu tư AI, tin tuyển dụng, tác động lao động.
• McKinsey (2024). The Economic Potential of Generative AI. — 70% giá trị GenAI nằm ở use case cần dữ liệu enterprise riêng.
• EF Education First (2024). EF English Proficiency Index. — Việt Nam ở mức “trung bình”, gần Mexico, dưới Indonesia/Philippines.
• Stack Overflow (2024). Developer Survey. — 76% dev dùng AI hằng ngày, ~20% rất tin tưởng output.
• NASSCOM (2024). Indian IT-BPM Industry Strategic Review. — Số liệu xuất khẩu IT-BPM Ấn Độ.
• IBPAP (2024). Philippine IT-BPM Industry Roadmap. — Tỉ trọng BPO trong GDP Philippines.
• VINASA (2024). Báo cáo Công nghiệp Phần mềm Việt Nam. — Quy mô xuất khẩu phần mềm Việt Nam.

Định giá và vốn hóa thị trường

• Số liệu vốn hóa Nvidia, OpenAI, Anthropic dẫn từ báo cáo công khai và các vòng gọi vốn được công bố trên Bloomberg, Financial Times, The Information, 2023–2025. Các con số là gần đúng tại thời điểm viết bài (4/2026) và có thể đã thay đổi.