Tại sao ChatGPT, Gemini và Claude lại bất đồng về những công việc dễ bị AI thay thế nhất

The Wall Street Journal dẫn một nghiên cứu mới cho thấy các con số mà giới nghiên cứu đang dùng để dự đoán những công việc nào có thể bị AI thay thế có thể không đáng tin cậy như nhiều người tưởng. Đáng chú ý, một nguyên nhân quan trọng của sự sai lệch nằm ở chính cách các hệ thống AI được sử dụng để xếp hạng mức độ rủi ro đối với từng nghề nghiệp.

Nỗi lo về tác động của AI lên thị trường lao động

Trong bối cảnh lo ngại AI ảnh hưởng thế nào đến thị trường lao động ngày càng gia tăng, việc xác định nhóm lao động dễ bị thay thế được xem là câu hỏi kinh tế cấp bách. Các nhà hoạch định chính sách muốn có dữ liệu đủ chính xác để thiết kế phương án hỗ trợ kịp thời, trong khi trường học, học sinh và phụ huynh cũng tìm kiếm những ngành nghề được cho là “miễn nhiễm” với AI.

Để đánh giá rủi ro, các nhà kinh tế thường xây dựng các “điểm số tiếp xúc” dựa trên khung làm việc theo nhiệm vụ cụ thể. Họ sử dụng cơ sở dữ liệu lớn của Bộ Lao động Mỹ về những gì công nhân trong từng nghề thực sự làm hằng ngày. Trên cơ sở đó, các nghiên cứu tìm cách xác định AI có thể hỗ trợ hoặc thay thế những nhiệm vụ nào trong số đó.

Những lỗ hổng trong phương pháp đo lường rủi ro

Theo nghiên cứu được trích dẫn, hiện có ba cách chính để xây dựng điểm số tiếp xúc, nhưng mỗi cách đều có nhược điểm khó tránh khỏi.

• Đánh giá thủ công: sử dụng người đánh giá để xem xét mức độ AI có thể xử lý các nhiệm vụ. Cách này thường mang tính chủ quan.

• Khảo sát người lao động: hỏi trực tiếp công nhân đang sử dụng nền tảng AI. Tuy nhiên, dữ liệu thu được có thể chỉ phản ánh ý kiến của một nhóm nhỏ người dùng trên một vài nền tảng, khó đại diện cho toàn bộ lực lượng lao động đa dạng.

• Để AI tự xếp hạng: cho các mô hình AI tự đánh giá nhiệm vụ nào dễ bị thay thế. Dù có vẻ khách quan, phương pháp này lại phát sinh các vấn đề đặc thù và phức tạp.

Nghiên cứu NBER: AI xếp hạng khác nhau đáng kể giữa các mô hình

Phát hiện đáng chú ý được nêu trong nghiên cứu mới đăng tải trên trang web của Cục Nghiên cứu Kinh tế Quốc gia Mỹ (NBER). Nhóm chuyên gia từ Đại học Northwestern và Đại học American đã thực hiện một thử nghiệm quy mô với các mô hình ngôn ngữ lớn hàng đầu.

Các nhà kinh tế gồm Michelle Yin, Hoa Vu và Claudia Persico đặt câu hỏi cho ba mô hình AI mạnh nhất: ChatGPT-5 của OpenAI, Gemini 2.5 của Google Deepmind và Claude 4.5 của Anthropic. Mục tiêu là xác định những công việc nào có mức độ tiếp xúc cao với AI.

Kết quả cho thấy sự khác biệt giữa các mô hình là đáng kể. Có những ngành nghề một mô hình coi là “nguy cấp”, trong khi mô hình khác lại đánh giá là vẫn an toàn. Danh sách các vị trí gây tranh cãi cũng không dừng lại ở đó: các mô hình còn đưa ra mức độ rủi ro khác nhau đối với các vị trí như quản lý quảng cáo, thậm chí cả giám đốc điều hành (CEO).

Trong đó, ChatGPT và Gemini được mô tả là đồng điệu hơn, nhưng vẫn bất đồng quan điểm tới 25% thời gian thử nghiệm. Điều này cho thấy mức độ không ổn định ngay cả giữa các hệ thống được xem là thông minh hàng đầu.

Vì sao dữ liệu có thể thiên lệch?

Nhóm nghiên cứu cho rằng một phần khác biệt xuất phát từ kiến trúc riêng của từng mô hình. Tuy nhiên, nguyên nhân sâu hơn được nêu là kết quả bị ảnh hưởng bởi thói quen của các nhóm lao động đã sớm áp dụng AI trong công việc.

Ví dụ, các nhà phân tích tài chính là nhóm sử dụng AI sớm và thường xuyên. Việc này có thể tạo ra lượng dữ liệu đào tạo lớn cho các thế hệ mô hình AI tiếp theo, từ đó tác động ngược lại cách AI nhìn nhận và xếp hạng rủi ro đối với chính nghề nghiệp đó.

Hệ lụy đối với chính sách và lời khuyên cho tương lai

Nghiên cứu nhấn mạnh rằng một số nhà hoạch định chính sách và nhà tuyển dụng có thể đang tin tưởng quá mức vào các con số “điểm số tiếp xúc”. Khi sử dụng các chỉ số này như “kim chỉ nam” mà thiếu thận trọng đối với một công nghệ vẫn trong giai đoạn thử nghiệm, rủi ro ra quyết định sai có thể tăng lên.

Đồng thời, nghiên cứu được lưu ý hiện vẫn là bài báo thảo luận và chưa trải qua bình duyệt chính thức bởi các chuyên gia độc lập. Dù vậy, nghiên cứu vẫn được xem là một cảnh báo về tính xác thực của các dự báo kinh tế hiện nay.

Về hướng khắc phục, các nhà kinh tế đề xuất giới nghiên cứu nên:

• Nhìn nhận vấn đề từ nhiều mô hình khác nhau thay vì chỉ dựa vào một hệ thống.

• Thẳng thắn về mức độ không chắc chắn của các chỉ số do AI tạo ra.

• Bổ sung thêm khảo sát thực tế về cách AI đang được triển khai trong nền kinh tế, nhằm xác định AI đang thay đổi những nhiệm vụ cụ thể nào và con người đang thích nghi ra sao.

Quan điểm từ tác giả Michelle Yin được trích dẫn: “Cá nhân tôi sẽ không chỉ dựa vào một thước đo duy nhất để đưa ra quyết định đổi việc hay thay đổi định hướng ngành học cho con cái mình.”

Trong bối cảnh dự báo có thể sai lệch, bài viết nhấn mạnh tầm quan trọng của việc chuẩn bị kỹ năng và khả năng thích nghi để làm việc cùng AI thay vì chỉ lo sợ bị thay thế trong ngắn hạn.

*Nguồn: The Wall Street Journal