Bùng nổ AI, nhà tuyển dụng đòi hỏi gì ở sinh viên và nhà trường?

Doanh nghiệp không chỉ cần sinh viên biết thêm công cụ AI. Họ cần người có nền tảng, biết giao việc, kiểm tra kết quả và làm được việc trong một quy trình thật. Điều đó đặt áp lực lên cả sinh viên lẫn cách nhà trường tổ chức học và thực hành.

Tại một hội nghị đánh giá khung chương trình đào tạo của Trường Kinh tế, Đại học Công nghiệp Hà Nội mà tôi tham gia, câu chuyện tuyển dụng được nhiều đại diện doanh nghiệp nhắc tới theo một hướng đáng suy nghĩ: họ thận trọng hơn với thực tập sinh và người mới ra trường, trong khi kỳ vọng về năng lực lại cao hơn.

Có doanh nghiệp cho biết đang hạn chế nhận thực tập sinh; có doanh nghiệp muốn ưu tiên người đã có nền tảng tốt rồi đào tạo thêm AI. Đó là phản hồi từ những người tôi trao đổi tại hội nghị, không phải một cuộc khảo sát đại diện cho mọi doanh nghiệp. Nhưng câu hỏi họ đặt ra rất thực tế: nếu nhiều đầu việc cơ bản đã có thể giao cho công cụ, người mới sẽ mang lại giá trị gì và học nghề bằng cách nào?

Theo tôi, sinh viên cần kiến thức nền, khả năng tổ chức việc với AI và portfolio chứng minh đóng góp thật. Nhà trường cần gắn đánh giá với sản phẩm, sắp xếp thực tập tập trung và tạo lab liên ngành. Doanh nghiệp cũng cần thiết kế lại cách hướng dẫn người mới. Vấn đề không phải là bỏ học để chạy theo AI, mà là học để tự làm được gì sau khi đã có AI bên cạnh.

Thư viện Widener, Đại học Harvard. Ảnh: John Phelan / Wikimedia Commons. [01]

Khi thứ từng hiếm bỗng xuất hiện ở khắp nơi

Kiến thức trước đây có thể ví như vàng nằm sâu dưới đất. Muốn lấy được, người học phải tự vác xẻng, đãi cát và có khi mất rất lâu mới tìm ra một mẩu có ích. Còn với sự hỗ trợ của AI, việc tiếp cận và giải thích nhiều loại kiến thức phổ biến giống như có một trận mưa vàng: ai chịu bước ra ngoài cũng có cơ hội nhặt được.

Vàng trên tay bạn vẫn là vàng thật. Nhưng khi cả phố đều có một cục, chỉ giơ cục vàng lên chưa chắc còn khiến bạn nổi bật như trước. Đây là phép ví von về sự khan hiếm của tín hiệu, không phải nói kiến thức chuyên sâu đã thành hàng miễn phí hay học hành không còn giá trị.

Có thể hình dung thêm bằng một ví dụ lạm phát đơn giản: cửa hàng vẫn có chừng ấy hàng, trong khi ai cũng cầm thêm rất nhiều tiền; nếu các điều kiện khác giữ nguyên, một tờ tiền có thể mua được ít hàng hơn. Với bằng cấp, điều cần phân biệt tương tự là giá trị sử dụng của kiến thức và khả năng giúp một người khác biệt. Hai thứ liên quan nhưng không phải một.

Nếu chỉ một vài ứng viên viết được bản phân tích mạch lạc, bản phân tích ấy có thể là tín hiệu đáng chú ý. Khi nhiều ứng viên đều có thể nhờ AI viết ra một văn bản trôi chảy, sự trôi chảy tự nó ít giúp phân loại hơn. Người đọc phải nhìn sâu hơn: dữ liệu có đúng không, lập luận có đứng vững không, người viết có hiểu và bảo vệ được quyết định của mình không?

Khi một tín hiệu trở nên phổ biến, người đánh giá cần thêm căn cứ để phân biệt.

Video của ADC Systems Official gọi vấn đề này là sự mất giá của bằng cấp trong thời AI. Nhưng cần phân biệt: AI có thể làm rẻ việc tạo ra vẻ ngoài hiểu biết, không đồng nghĩa nó đã làm mọi chương trình đào tạo và mọi chứng chỉ mất giá trị. [02]

Muốn thấy phần nào đang thay đổi, trước hết cần nhìn lại cái giá từng phải trả để có một hồ sơ đáng tin.

CFA, PMP, CISSP: doanh nghiệp nhìn thấy gì đằng sau một chứng chỉ?

Nhắc tới đầu tư tài chính, nhiều người nghĩ đến CFA. Trong quản lý dự án có PMP; trong an toàn thông tin có CISSP. Những chứng chỉ này có phạm vi khác nhau, nhưng đều cho thấy một điều: để có được danh xưng đầy đủ, ứng viên không chỉ tải một tập tài liệu về đọc rồi in giấy chứng nhận.

Cái giá không chỉ nằm ở lệ phí thi

Với CFA, người học phải vượt qua ba cấp độ thi. CFA Institute khuyến nghị khoảng 300 giờ học cho mỗi cấp độ. Riêng lệ phí thi của cả ba cấp, theo biểu phí áp dụng từ kỳ thi 2026, nằm trong khoảng 3.520 đến 4.570 USD tùy thời điểm đăng ký. Đây chưa phải tổng mọi chi phí cá nhân có thể phát sinh. Để trở thành CFA charterholder, còn cần kinh nghiệm liên quan tối thiểu 4.000 giờ trong ít nhất 36 tháng, các học phần kỹ năng thực hành và điều kiện thành viên. [03]

Với PMP, một lộ trình dành cho người có bằng cử nhân yêu cầu ba năm kinh nghiệm quản lý dự án cùng 35 giờ đào tạo chuyên môn hoặc điều kiện thay thế được PMI chấp nhận. Số năm kinh nghiệm thay đổi theo nền tảng học vấn. Nghĩa là một người chưa từng chịu trách nhiệm về dự án không thể đơn giản học thuộc bộ câu hỏi rồi coi mình đã đáp ứng toàn bộ điều kiện. [04]

Với CISSP, yêu cầu thông thường là năm năm kinh nghiệm thuộc ít nhất hai trong tám miền chuyên môn; một số bằng cấp hoặc chứng chỉ phù hợp có thể thay thế tối đa một năm. Người thi đạt nhưng chưa đủ kinh nghiệm có thể đi theo diện Associate of ISC2, chưa đồng nghĩa đã là CISSP. [05]

Chỉ ba ví dụ ấy đã cho thấy vì sao không nên gọi mọi chứng chỉ là "mảnh giấy". Đằng sau nó có thể là thời gian, tiền bạc, quá trình làm nghề và những lần phải chứng minh mình đạt một chuẩn nhất định.

Ba rào cản có thể trở thành bộ lọc ứng viên

Hãy đặt mình vào vị trí một doanh nghiệp chưa từng làm việc với ứng viên. Một chứng chỉ nghiêm túc có thể cung cấp vài tín hiệu ban đầu.

Tôi thường nhìn ba rào cản dễ thấy. Đầu tiên là ngoại ngữ và khả năng đọc tài liệu chuyên ngành: không chỉ dịch từng chữ, mà còn phải kiên nhẫn hiểu một khái niệm khó. Tiếp theo là chi phí, từ lệ phí thi tới thời gian học và cơ hội bị bỏ lỡ khi đầu tư cho lộ trình ấy. Cuối cùng là việc tìm được người hướng dẫn tốt, rồi duy trì kỷ luật đủ lâu để đi hết quá trình.

Một chứng chỉ nghiêm túc vì thế có thể giúp doanh nghiệp suy đoán ban đầu rằng ứng viên từng đọc tài liệu khó, chịu đầu tư cho mình và theo đuổi một mục tiêu có yêu cầu rõ ràng. Nhưng đó không phải tấm vé tự động vào công ty lớn hay lời bảo đảm mức lương. Ngay cả yêu cầu ngoại ngữ, cách học và mức độ cần người hướng dẫn cũng khác nhau giữa từng chương trình.

Ba rào cản có thể tạo tín hiệu sàng lọc, nhưng không thay thế việc kiểm tra năng lực thực tế.

Đó là một cách hiểu về tín hiệu thị trường mà Michael Spence mô hình hóa trong nghiên cứu Job Market Signaling năm 1973: nhà tuyển dụng dùng những gì quan sát được để suy đoán về đặc điểm họ chưa thể trực tiếp kiểm tra. [06]

Michael Spence. Ảnh: Robert Scoble / Wikimedia Commons. [07]

Nhưng bộ lọc này không hoàn hảo. Người có năng lực có thể thiếu tiền để thi; người có điều kiện tốt có thể lấy chứng chỉ mà vẫn chưa phù hợp công việc. Giá trị của giáo dục có thể gồm cả kiến thức học được và thông tin mà văn bằng truyền đi. Không nên chỉ giữ một nửa để giải thích toàn bộ câu chuyện.

AI đang làm thay đổi bộ lọc ấy như thế nào?

AI đang làm thấp đi một phần rào cản ngoại ngữ và việc tìm người giải thích: người học có thể hỏi lại một khái niệm nhiều lần, yêu cầu ví dụ gần công việc của mình hoặc nhờ phân tích một tài liệu trước khi đọc sâu. Nhưng tiếp cận một lời giải nhanh hơn không có nghĩa đã kiểm chứng được lời giải ấy. Lệ phí thi, kinh nghiệm nghề và trách nhiệm với kết quả cũng không vì thế mà biến mất.

Thứ thay đổi rõ trong một nghiên cứu về tuyển dụng trực tuyến là lời giới thiệu bản thân. Anaïs Galdin và Jesse Silbert đặt tên bài nghiên cứu của mình là Making Talk Cheap, có thể hiểu là "khi lời nói trở nên rẻ hơn". Họ phân tích các dự án lập trình giá cố định trên Freelancer.com, nơi ứng viên gửi thư chào việc để thuyết phục người thuê. [08]

Trước đây, một lá thư bám sát đề bài có thể gợi ý rằng người viết đã thực sự đọc và suy nghĩ. Khi AI giúp tạo thư thuyết phục dễ hơn, người thuê khó biết bao nhiêu phần đến từ hiểu biết của ứng viên.

Một ước lượng trong nghiên cứu cho thấy mức sẵn lòng trả gắn với một đơn vị chất lượng tín hiệu của thư chào việc giảm từ 25,67 USD xuống 14,85 USD giữa hai giai đoạn. Chính xác hơn, đơn vị đó là một độ lệch chuẩn của chỉ số tín hiệu, không phải giá bán một lá thư. [08]

Giá trị tín hiệu trong thư chào việc giảm giữa hai giai đoạn; đây là mức sẵn lòng trả suy ra từ mô hình, không phải phí viết thư. [08]

Hai con số khác được video nhắc đến, nhóm năng lực cao giảm khoảng 19% và nhóm thấp tăng khoảng 14% trong cơ cấu người được thuê, đến từ mô phỏng của mô hình khi tín hiệu bị loại bỏ. Chúng minh họa một cơ chế có thể xảy ra, không phải kết quả thí nghiệm rằng cứ thêm AI là người giỏi mất đúng chừng ấy việc. [08]

Lập luận quan trọng không nằm ở việc AI làm người giỏi kém đi. Nó nằm ở chỗ lời giới thiệu đẹp trở nên ít đủ sức chứng minh người ấy giỏi. Khi người mua khó phân biệt chất lượng, người có chất lượng thật cũng có thể chịu thiệt.

Vì thế, ứng viên không chỉ cần một CV viết tốt hơn. Họ cần thứ mà CV dẫn tới: sản phẩm, cách giải quyết vấn đề, phần đóng góp có thể kiểm tra và khả năng giải thích vì sao mình làm như vậy.

Lợi thế tiền lương của người học đại học đã thay đổi ra sao?

Đây là phần cần số liệu thay vì chỉ kể chuyện. Bằng cấp có thể bớt giúp một người nổi bật, nhưng có phải khoảng cách thu nhập giữa người học đại học và người không học đã biến mất?

Từng có một giai đoạn lợi thế tăng mạnh

Trong bài nghiên cứu đăng trên Science năm 2014, David Autor ghi nhận chênh lệch thu nhập theo tuần giữa nhóm đại học và nhóm trung học tại Mỹ tăng từ 48% năm 1981 lên 72% năm 1990, 90% năm 2000 và 97% năm 2005. Đây là chuỗi số đã điều chỉnh cơ cấu kinh nghiệm và giới tính, được tính từ chênh lệch lương logarit, không phải phép so sánh hai mức trung vị thô. [09]

Chuỗi lịch sử của Autor cho thấy chênh lệch thu nhập tuần đã điều chỉnh tăng lên trước thời AI tạo sinh. [09]

Hiểu đơn giản: trong giai đoạn ấy, lợi thế thu nhập gắn với học vấn đại học đã nới rộng đáng kể. Điều này không bảo đảm mọi cá nhân đi học đại học đều nhận được mức tăng tương ứng.

Gần đây có dấu hiệu thu hẹp, nhưng khoảng cách vẫn còn

Working paper The College Wage Premium in the Generative AI Era của José Azar, Mireia Giné và Javier Sanz-Espín ghi nhận lợi thế lương đại học tại Mỹ thu hẹp trong giai đoạn 2022 đến 2026. Tóm tắt nghiên cứu mô tả mức lợi thế quay về vùng của giữa thập niên 1990. Đây là một tín hiệu đáng theo dõi, chưa phải bằng chứng rằng AI là nguyên nhân duy nhất. [10]

Trong khi đó, bảng Education pays, 2025 của Cục Thống kê Lao động Mỹ (BLS) cho thấy thu nhập trung vị thông thường mỗi tuần của người có bằng cử nhân là 1.578 USD, so với 966 USD của người tốt nghiệp trung học. Phạm vi là người làm công ăn lương toàn thời gian từ 25 tuổi trở lên. Số năm 2025 được tính từ 11 tháng do thiếu dữ liệu tháng 10, nên BLS lưu ý không so sánh hoàn toàn tương đương với bình quân các năm khác. [11]

BLS ghi nhận trung vị thu nhập tuần 1.578 USD ở nhóm cử nhân và 966 USD ở nhóm trung học; số năm 2025 thiếu tháng 10. [11]

Hai mức tiền này giúp thấy một điều: lợi thế có thể thay đổi nhưng chưa biến mất. Các nguồn đo theo những cách khác nhau, nên không thể lấy chúng để kết luận lợi thế đã giảm từ 97% xuống một tỷ lệ cụ thể ngày nay. Điều có thể thấy là khoảng cách từng tăng mạnh, nghiên cứu gần đây ghi nhận thu hẹp, còn dữ liệu BLS vẫn cho thấy người có bằng cử nhân nhận mức thu nhập cao hơn.

Ngay cả Tyler Cowen, người dẫn lại working paper trên Marginal Revolution, cũng bày tỏ hoài nghi rằng AI là động lực chính của thay đổi. Một nghiên cứu tìm thấy biến động cùng thời kỳ AI phát triển chưa đủ để kết luận mọi biến động do AI gây ra. [12]

Cũng không thể mang chênh lệch lương ở Mỹ áp thẳng cho Việt Nam. Điều có thể mang về là câu hỏi đầu tư: chương trình này giúp mình có năng lực gì, công việc mục tiêu có cần bằng đó không, và cái giá bỏ ra có phù hợp không?

Học nhanh hơn với AI, hay chỉ hoàn thành bài tập nhanh hơn?

Nếu việc tiếp cận kiến thức trở nên dễ hơn, người học có một cơ hội lớn. Nhưng cũng có một cái bẫy: nhìn sản phẩm tốt lên rồi tưởng năng lực của mình đã tăng tương ứng.

Khi AI được thiết kế để dạy

Trong nghiên cứu AI tutoring outperforms in-class active learning của Greg Kestin, Kelly Miller và cộng sự, sinh viên vật lý tại Harvard học với một gia sư AI được thiết kế riêng có trung vị điểm sau bài học là 4,5, so với 3,5 ở điều kiện học chủ động trên lớp. Thử nghiệm cho thấy tiềm năng của thiết kế dạy học, không phải kết luận một cửa sổ chat thông thường thay được cả giảng viên. [13]

Gia sư AI thiết kế riêng đạt trung vị sau học 4,5/5, so với 3,5/5 ở lớp học chủ động; đây là kiểm tra ngay sau bài học. [13]

Tại bang Edo của Nigeria, thử nghiệm From Chalkboards to Chatbots của World Bank kết hợp AI với các buổi học bổ sung có giáo viên hướng dẫn. Mức tăng điểm tiếng Anh được quy đổi tương đương khoảng 1,5 năm học theo chuẩn so sánh, còn mức tăng ở bài đánh giá tổng hợp tương đương khoảng hai năm. [14]

Đó là cách quy đổi mức tiến bộ trên bài đánh giá. Không có nghĩa học sinh hoàn tất hai năm chương trình chỉ trong sáu tuần, cũng chưa chứng minh lợi ích chắc chắn bền vững suốt hai năm. Điểm đáng chú ý là AI được đưa vào một hoạt động học có tổ chức, không chỉ phát tài khoản rồi để người học tự xoay xở.

Khi AI làm hộ phần đáng ra người học phải luyện

Nghiên cứu Generative AI without guardrails can harm learning của Hamsa Bastani và cộng sự tại Thổ Nhĩ Kỳ cho thấy mặt còn lại. Nhóm dùng GPT Base tăng thành tích luyện tập khoảng 48%, nhưng khi không được dùng công cụ, điểm kiểm tra lại thấp hơn nhóm đối chứng khoảng 17%. [15]

Nhóm dùng GPT Tutor được thiết kế để hướng dẫn tăng thành tích luyện tập khoảng 127%. Khi làm bài độc lập, kết quả không khác có ý nghĩa thống kê với nhóm đối chứng. Công cụ hướng dẫn đã tránh được tác hại quan sát thấy ở nhóm dùng AI tự do, nhưng chưa chứng minh lợi thế lúc có AI được giữ nguyên khi bỏ công cụ. [15]

Thành tích luyện tập tăng với cả hai công cụ, nhưng khi tự làm bài GPT Base thấp hơn 17%; GPT Tutor không khác có ý nghĩa thống kê so với đối chứng. [15]

Bài làm có thể tốt lên trước khi năng lực tự làm được cải thiện.

Có thể hình dung như đi tập cùng một người hỗ trợ. Nếu họ nâng phần nặng nhất thay bạn, số lần hoàn thành bài tập có thể tăng, nhưng chưa chắc sức của bạn tăng theo. AI hữu ích hơn khi giúp bạn nhận ra mắc ở bước nào, gợi ý vừa đủ và buộc bạn tự thực hiện phần cần luyện.

Một cách thử rất đơn giản: nhờ AI giải thích, sau đó đóng công cụ và tự làm một bài tương tự. Nếu vẫn không giải thích được vì sao chọn cách ấy, đừng vội coi sản phẩm vừa hoàn thành là năng lực đã sở hữu.

Nếu việc cơ bản ít đi, người mới lấy kinh nghiệm ở đâu?

Báo cáo Canaries in the Coal Mine? của Erik Brynjolfsson, Bharat Chandar và Ruyu Chen tại Stanford đặt ra câu hỏi đáng lo hơn chuyện CV đẹp: cánh cửa bước vào nghề có đang hẹp lại? [16]

Bản sửa tháng 8/2026, sử dụng dữ liệu đến tháng 6/2026, ghi nhận việc làm của nhóm 22 đến 25 tuổi ở các nghề tiếp xúc nhiều với AI thấp hơn khoảng 19% so với chuẩn so sánh theo đà của nhóm ít tiếp xúc hơn. Đây là mức hụt tương đối, không phải "19% người trẻ mất việc vì AI". Nhóm tác giả cũng không xác lập quan hệ nhân quả. [16]

Đại học Stanford. Ảnh: Oleg Alexandrov / Wikimedia Commons. [17]

Điểm đáng chú ý là điều chỉnh có thể diễn ra qua tuyển mới ít hơn, chứ không chỉ qua những đợt sa thải dễ thấy. Nếu doanh nghiệp bớt giao việc cơ bản cho người mới, lời khuyên "hãy có kinh nghiệm" tự nó không giải được bài toán.

Trong những cuộc trao đổi tại hội nghị, tôi thấy nỗi lo của doanh nghiệp không chỉ là người mới chưa biết dùng phần mềm. Đó còn là thời gian hướng dẫn, việc phải kiểm lại đầu ra và khả năng bố trí công việc khi lịch thực tập bị chia nhỏ bởi lịch học. Có người lo vừa đào tạo xong thì nhân sự chuyển đi. Những lo lắng ấy giúp giải thích sự dè dặt, nhưng không phải lý do để kết luận mọi thực tập sinh đều trở thành gánh nặng.

Nếu doanh nghiệp rút hết việc đầu vào mà vẫn đòi người mới có kinh nghiệm, chiếc thang vào nghề sẽ thiếu những bậc đầu tiên. Cách gỡ không thể chỉ là bảo sinh viên cố hơn. Cần dự án đủ nhỏ để được giao thật, người hướng dẫn cụ thể và thời gian thực hành đủ liền mạch để theo công việc tới kết quả.

Trong nghề, hiểu một quy trình khác với biết khi nào quy trình ấy không còn phù hợp. Một kế hoạch đúng mẫu chưa đủ nếu dữ liệu đầu vào sai; một báo cáo trôi chảy chưa đủ nếu người viết không nhận ra số liệu bất thường. Kinh nghiệm có giá trị ở khả năng phán đoán đó, không chỉ ở số năm xuất hiện trong hồ sơ.

Tương tự với ngoại ngữ: nghiên cứu Lost in Translation của Carl Benedikt Frey và Pedro Llanos-Paredes tìm thấy thay đổi nhu cầu đối với một số kỹ năng ngoại ngữ khi công cụ dịch phổ biến. Nhưng nó không chứng minh việc hiểu ngôn ngữ, kiểm tra bản dịch hay giao tiếp trực tiếp đã hết giá trị. [18] Có thể đọc thêm bài AI dịch được, còn cần học ngoại ngữ không? để chọn mức học phù hợp với mục tiêu công việc.

Chưa kịp làm nhân viên đã phải học cách giao việc cho AI

Tôi hay dùng một hình ảnh hơi nghịch lý với sinh viên: các bạn chưa kịp quen làm nhân viên tập sự đã phải học vài kỹ năng của người quản lý. Điều cần học là chia một đầu việc thành các phần, giao cho công cụ phù hợp và kiểm tra những phần ấy có ghép thành kết quả dùng được hay không.

Một AI Agent có thể hỗ trợ đọc tài liệu, phân tích thông tin, viết bản nháp hoặc thực hiện một số thao tác khi được cấp công cụ và quyền phù hợp. Nó có thể trả lời rất rộng, nhưng điều đó không đồng nghĩa hiểu mục tiêu doanh nghiệp, biết dữ liệu nào đáng tin hay tự chịu trách nhiệm. Người giao việc vẫn cần xác định vấn đề, tiêu chuẩn hoàn thành và điểm phải dừng để xin duyệt.

Ví dụ giả định với một chiến dịch marketing: thay vì yêu cầu AI “làm kế hoạch tốt nhất”, người phụ trách cần làm rõ khách hàng nào, vấn đề kinh doanh nào, dữ liệu đang có, giới hạn ngân sách và cách đo. Sau đó mới phân công nghiên cứu, soạn nội dung, phân tích và kiểm tra. Biết vận hành một quy trình không có nghĩa một người đã có thể thay thế mọi chuyên môn trong một phòng ban.

Vì sao có người chuyển đổi với AI nhanh hơn?

Trong một số nhóm doanh nghiệp tôi trực tiếp tư vấn hoặc đào tạo, nhiều anh chị thuộc thế hệ 8x và đầu 9x bắt nhịp khá nhanh. Họ đã có nền tảng chuyên môn, từng giao việc, xử lý tình huống và biết một đầu ra tốt trông như thế nào. Công cụ mới được đặt vào một cấu trúc công việc đã tương đối rõ.

Ở một số nhóm sinh viên tôi hướng dẫn, phần cần hỗ trợ lại nằm trước thao tác công cụ: chưa nhìn được toàn bộ quy trình, chưa biết chia việc hoặc diễn đạt bằng tiếng Việt còn thiếu mục tiêu và bối cảnh. Đây là quan sát trong những nhóm tôi đã làm việc, không phải kết luận thế hệ nào giỏi hơn thế hệ nào. Khác biệt cần giải quyết là nền tảng, cách tổ chức việc và khả năng học tiếp.

Vì thế, đào tạo AI không nên chỉ dạy câu lệnh. Cần cho người học tập phân tích một bài toán, diễn đạt lại yêu cầu, đặt tiêu chí kiểm tra và phản biện câu trả lời. Công cụ đổi nhanh; những việc ấy vẫn là nền của năng lực làm nghề.

Nhà tuyển dụng cần gì ngoài một hồ sơ đẹp?

Tại Việt Nam, Vietnam Employability Report 2026 của BUV và Decision Lab dựa trên khảo sát 375 nhà tuyển dụng cùng 20 cuộc phỏng vấn sâu. Phần công bố công khai cho biết 83% nhà tuyển dụng nói AI đang thay đổi tiêu chí tuyển dụng; 79% muốn người mới tốt nghiệp sử dụng thành thạo công cụ AI hoặc áp dụng chúng vào vấn đề công việc. [19]

Khoảng cách được báo cáo lớn nhất nằm ở quản lý thời gian và giải quyết vấn đề, lần lượt 26 và 23 điểm phần trăm giữa yêu cầu và đánh giá thực hiện. Đây là khoảng cách của chỉ số khảo sát, không phải mỗi sinh viên đều "thiếu 26% năng lực". [19]

83% nhà tuyển dụng nói AI thay đổi tiêu chí tuyển dụng, 79% muốn ứng dụng được AI; khoảng cách quản lý thời gian và giải quyết vấn đề lần lượt là 26 và 23 điểm phần trăm. [19]

Ở góc độ người trực tiếp tuyển dụng cho doanh nghiệp của mình, tôi quan tâm năm nhóm năng lực dưới đây. Đây là tiêu chí tôi dùng để nhìn một ứng viên, được phát triển từ trải nghiệm làm việc và trao đổi với doanh nghiệp; không phải danh sách xếp hạng nguyên văn của báo cáo BUV.

Ham học, nền tảng, giao tiếp, chủ động và AI có trách nhiệm cần được thể hiện qua việc làm.

Tò mò và ham học hỏi

Công nghệ thay đổi nhanh, nên tò mò không phải chỉ là sưu tập tên ứng dụng mới. Đó là chịu hỏi vì sao, nhận ra phần mình chưa hiểu và tìm cách kiểm chứng. Người chỉ học để trả bài có thể có đáp án đẹp nhưng dễ lúng túng khi đề bài thay đổi. Tôi muốn nhìn thấy một người có thể tự học tiếp, chứ không phải chỉ nhớ những gì vừa được hướng dẫn.

Một bằng chứng nhỏ nhưng có ích là kể được mình từng hiểu sai điều gì, đã kiểm tra lại bằng nguồn nào và thay đổi cách làm ra sao.

Tư duy và kiến thức nền đủ tốt trong chuyên môn

Muốn kiểm tra AI, trước hết phải biết một kết quả hợp lý trông như thế nào. Người làm marketing cần hiểu khách hàng, thông điệp và cách đo; người làm thiết kế cần hiểu bố cục và mục đích truyền thông. Công cụ có thể hỗ trợ triển khai, không thay thế hoàn toàn tiêu chuẩn đánh giá.

Ví dụ giả định: AI đề xuất tăng ngân sách quảng cáo vì lượt nhấp đang tăng. Người có nền tảng sẽ hỏi thêm chất lượng lượt nhấp, số khách hàng thực và giới hạn dữ liệu, thay vì coi một biểu đồ đẹp là đủ để tăng tiền.

Giao tiếp và diễn đạt rõ ràng

Giao tiếp không chỉ là viết đúng chính tả hay dùng từ chuyên môn. Đó là diễn đạt để người khác hiểu đúng mình muốn gì: làm rõ yêu cầu trước khi bắt đầu, trình bày lựa chọn và đánh đổi, báo sớm khi có vấn đề. Kỹ năng ấy quan trọng với cả con người lẫn AI. Nếu bản thân chưa nói rõ mục tiêu, bối cảnh và điều kiện, một câu lệnh dài chưa chắc giúp công cụ hiểu đúng hơn.

Hãy thử giải thích một dự án trong vài phút: vấn đề là gì, bạn làm phần nào, vì sao chọn cách ấy và còn giới hạn gì? Nếu chỉ đọc được slide do AI tạo mà không trả lời được câu hỏi tiếp theo, hồ sơ đẹp chưa trở thành năng lực giao tiếp.

Chủ động và chăm chỉ

Chủ động không phải tự ý quyết mọi thứ. Đó là nhìn thấy việc cần làm, đề xuất bước tiếp theo, biết khi nào phải xin duyệt và theo việc tới kết quả. Chăm chỉ không phải chỉ ở lại muộn, mà là làm đủ phần khó: kiểm dữ liệu, sửa lỗi, nhận phản hồi và làm lại.

Một ví dụ tốt trong phỏng vấn có thể rất nhỏ: khi phát hiện thiếu dữ liệu, bạn đã hỏi ai, chuẩn bị phương án gì và báo ảnh hưởng tới tiến độ như thế nào? Chi tiết cụ thể có sức nặng hơn một dòng "nhiệt tình, chịu được áp lực".

Thành thạo AI và sử dụng có trách nhiệm

Thành thạo AI không dừng ở việc biết tên nhiều ứng dụng hay gõ câu lệnh dài. Người làm việc cần biết chọn phần việc phù hợp, cung cấp bối cảnh, đánh giá đầu ra và tự xử lý khi công cụ sai.

Có trách nhiệm nghĩa là không đưa dữ liệu chưa được phép vào công cụ, không bịa nguồn, không biến dự án giả lập thành thành tích thật và không giao quyết định vượt quyền cho AI. Khi bàn giao, cần nói rõ phần nào đã kiểm tra, phần nào còn chưa chắc và ai phê duyệt bước tiếp theo. Lúc dự án gặp sự cố, công cụ không thay người phụ trách giải thích với khách hàng hay sửa toàn bộ hậu quả.

Điểm chung của năm tiêu chí là chúng khó chứng minh chỉ bằng một lời tự nhận. Hãy để người khác nhìn thấy qua cách bạn làm việc.

Nhà trường cần đổi gì để sinh viên có chỗ làm thật?

Khi phỏng vấn, hai câu hỏi tôi thường muốn đi tới là: “Em làm được gì?” và “Sản phẩm của em đâu?”. Chúng không phủ nhận trường lớp hay kiến thức nền. Chúng yêu cầu người học nối điều đã học với một đầu ra có thể kiểm tra. Muốn sinh viên trả lời được, nhà trường phải tổ chức được quá trình tạo ra những đầu ra ấy.

Đưa portfolio và khả năng bảo vệ sản phẩm vào đánh giá

Portfolio là hồ sơ những việc đã làm, không chỉ một tập ảnh đẹp hay slide bóng bẩy. Với mỗi dự án, sinh viên cần thể hiện đề bài, dữ liệu, phương án đã cân nhắc, phần đóng góp cá nhân, cách dùng AI và cách kiểm tra kết quả. Có người hướng dẫn hoặc khách hàng phản hồi thì giữ lại phản hồi. Là bài giả lập thì ghi rõ giả lập.

Đánh giá sản phẩm nên đi cùng câu hỏi trực tiếp: vì sao chọn cách này, chỗ nào còn yếu, nếu đổi điều kiện thì xử lý ra sao? Một sản phẩm nhóm rất đẹp không tự chứng minh từng thành viên đều hiểu và làm được phần việc của mình. Portfolio cũng không thay toàn bộ việc đánh giá kiến thức nền; hai cách kiểm tra nên bổ sung cho nhau.

Xếp thời gian thực tập thành những đợt đủ tập trung

Doanh nghiệp khó giao một việc có đầu có cuối nếu sinh viên chỉ có mặt rời rạc rồi liên tục phải ngắt để về học. Câu chuyện không đơn giản là sinh viên thiếu chăm chỉ; có thể lịch học, lịch thi và kỳ thực tập chưa được thiết kế để khớp nhau.

Nhà trường có thể phối hợp với doanh nghiệp tổ chức những đợt thực tập tập trung, thống nhất lịch hiện diện, người hướng dẫn, đầu ra và cách đánh giá ngay từ đầu. Đổi lại, doanh nghiệp phải giao công việc phù hợp và có phản hồi thực chất, không chỉ tiếp nhận để đủ giấy xác nhận. Lịch thực tập tập trung cần được xây từ điều kiện của ngành học và doanh nghiệp, không áp dụng máy móc cho mọi chương trình.

Xây lab thực hành liên ngành như một doanh nghiệp thu nhỏ

Một mô hình tôi muốn thấy nhiều hơn là lab thực hành có một bài toán chung và nhiều vai trò cùng tham gia: kế toán, sales, marketing, lập kế hoạch, chiến lược, tổ chức sự kiện, content và logistics. Sinh viên không chỉ hoàn thành bài riêng của môn mình, mà phải làm sao để phần việc đó dùng được cho những người còn lại.

Một dự án chung tạo cơ hội để các nhóm chuyên môn phối hợp và kiểm tra đầu ra của nhau.

Ví dụ giả định: một doanh nghiệp giao bài toán tổ chức sự kiện ra mắt sản phẩm. Nhóm marketing tìm hiểu khách hàng, sales tiếp nhận đăng ký, content phát triển thông điệp, nhóm sự kiện tổ chức triển khai, logistics chuẩn bị vật tư và kế toán theo dõi chi phí. Một thay đổi ở ngân sách hoặc thông điệp sẽ buộc các nhóm trao đổi và điều chỉnh cùng nhau.

Để nhận được dự án thật, lab cần người phụ trách, người hướng dẫn chuyên môn, phạm vi công việc, quyền truy cập dữ liệu và tiêu chí nghiệm thu rõ. Có thể bắt đầu bằng bài mô phỏng hoặc phần việc rủi ro thấp, sau đó tăng độ khó khi nhóm đã làm ổn. Không nên đưa dữ liệu hay công việc quan trọng của doanh nghiệp vào chỉ để mô hình trông có vẻ thực chiến.

Như vậy, lab không phải chỉ là căn phòng có máy tính và tài khoản AI. Nó là một cách tổ chức công việc để sinh viên luyện phối hợp, nhận phản hồi và chịu trách nhiệm với phần mình.

Đừng bỏ qua nơi sinh viên đã tự luyện năng lực

Những hoạt động tôi quan sát trong các câu lạc bộ sinh viên cho thấy một cách học đáng chú ý: tự nghĩ ra chương trình, lập kế hoạch, tìm tài trợ, phân công, tổ chức và xử lý tình huống. Một sự kiện do sinh viên tự vận hành có thể tạo cơ hội rèn giao tiếp, chủ động, ngân sách và giải quyết vấn đề.

Điều đó không có nghĩa giảng viên không cần dạy hoặc câu lạc bộ tự động tạo ra người giỏi. Giá trị nằm ở việc sinh viên thực sự phải làm và nhận phản hồi. Một hoạt động chỉ có danh xưng trên CV thì vẫn chưa phải bằng chứng năng lực.

Cũng cần phân biệt hai chuyện: hoạt động câu lạc bộ có thể hữu ích, nhưng lịch hoạt động chồng lên kỳ thực tập lại có thể làm cả hai bên khó làm việc. Vấn đề cần thiết kế là thời gian và cam kết, không phải mặc định coi câu lạc bộ là nguyên nhân khiến sinh viên không ưu tiên công việc.

Giữ kiến thức nền, cập nhật phần ứng dụng nhanh hơn

Khoảng cách giữa thay đổi ngoài doanh nghiệp và nội dung được dạy có thể xuất hiện ở nhiều khâu: xác minh cách làm mới, xây học liệu, duyệt chương trình và tổ chức giảng dạy. Nếu phần ứng dụng chỉ được cập nhật theo chu kỳ dài, sinh viên có thể học một quy trình mà doanh nghiệp đã làm khác. Tuy nhiên, không nên vì công cụ đổi nhanh mà kết luận toàn bộ kiến thức nền đều lỗi thời.

Một hướng đi là giữ vững phần nền tảng, đồng thời có các học phần dự án, chuyên đề hoặc tình huống được cập nhật thường xuyên hơn cùng doanh nghiệp. Người làm nghề có thể đóng góp bằng đồng hướng dẫn dự án, phản biện sản phẩm hoặc chia sẻ tình huống, theo điều kiện và cơ chế phù hợp của từng cơ sở. Không cần biến mọi người có kinh nghiệm thực tế thành giảng viên cơ hữu mới tận dụng được kinh nghiệm đó.

Doanh nghiệp cũng phải đổi cách nhận người mới

AI có thể làm tăng kỳ vọng về phạm vi công việc một người đảm nhiệm. Nhưng “biết dùng AI” không phải lý do để gộp mọi vai trò vào một mức lương rồi bỏ qua khối lượng, độ khó và trách nhiệm. Trong marketing, một nhóm nhỏ có thể làm nhanh hơn ở những quy trình đã chuẩn hóa; điều đó chưa chứng minh mọi phòng ban đều có thể giảm theo cùng một tỷ lệ.

Nếu muốn ưu tiên nhân lực có nền tảng tốt rồi đào tạo AI, doanh nghiệp cần nói rõ “tốt” là gì: hiểu chuyên môn, giao tiếp được, chủ động, kiểm tra được đầu ra và có trách nhiệm. Không nên biến chữ “hạng A” thành cách gọi mơ hồ cho một ứng viên hoàn hảo nhưng không có cơ hội trưởng thành.

Doanh nghiệp cũng có phần việc của mình: chọn bài toán phù hợp cho người mới, dành người review, tổ chức hướng dẫn và cho họ thấy cơ hội phát triển. Nỗi lo đào tạo xong nhân sự chuyển đi là một bài toán quản trị cần xử lý, không phải lý do để mặc định mọi người mới đều không đáng đầu tư.

Khi nhà trường và doanh nghiệp cùng thiết kế được việc thật, sinh viên mới có cơ hội tạo portfolio có giá trị; còn doanh nghiệp có thêm căn cứ để tuyển thay vì phải đặt cược vào một bộ hồ sơ bóng bẩy.

Vì sao yếu tố con người vẫn có thể mang giá trị?

Đầu ra đúng kỹ thuật chưa phải toàn bộ giá trị. Trong công việc, khách hàng còn quan tâm người đứng sau có hiểu hoàn cảnh và có theo việc đến cùng không. Một số nghiên cứu về nghệ thuật gợi thêm góc nhìn về nguồn gốc và sự kết nối, dù không thể dùng chúng để suy ra trực tiếp mức lương hay khả năng giữ việc.

Trong Bias against AI art can enhance perceptions of human creativity, C. Blaine Horton Jr, Michael W. White và Sheena S. Iyengar cho thấy nhãn tác giả có thể thay đổi mức định giá. Với bức tranh thứ nhất của thí nghiệm thứ sáu, hình ảnh gắn nhãn AI được định giá thấp hơn khoảng 62% so với nhãn con người. Đó là định giá khai báo trong thí nghiệm, không phải mức giảm phổ quát của thị trường. [20]

Working paper Art and the Machine của Graelin Mandel và Alex Imas cũng khảo sát giá trị gắn với mức AI tham gia được mô tả trong tác phẩm. Còn Sarah H. Wu và Kevin J. Holmes nghiên cứu cách nhãn tác giả ảnh hưởng việc người nghe tưởng tượng câu chuyện trong Is there a “mind” behind the music? [21] [22]

Cơ chế dễ hiểu ở đây là: cùng một đầu ra, chỉ cần biết thêm ai đứng sau, người xem có thể đánh giá khác đi. Tuy nhiên, hiệu ứng trong nghiên cứu âm nhạc không xuất hiện giống nhau ở mọi bản nhạc; đây cũng không phải bằng chứng nhà tuyển dụng sẽ trả thêm tiền chỉ vì một ứng viên có bằng cấp.

Các dẫn chứng ấy gợi ý rằng nguồn gốc và sự kết nối có thể có giá trị bên cạnh chất lượng đầu ra. Nhưng người làm nghề không được trả cao chỉ vì mình là con người. Niềm tin cần được tạo ra bằng năng lực, sự minh bạch và cách xử lý khi công việc không đạt.

Trong công việc, giá trị con người còn nằm ở việc hiểu hoàn cảnh, trao đổi với người liên quan và đứng ra xử lý khi đầu ra không đạt. Một bản kế hoạch tự sinh chưa làm khách hàng yên tâm bằng việc người phụ trách có thể giải thích lựa chọn, phát hiện rủi ro và sửa vấn đề.

Đừng chỉ tích thêm chứng chỉ, hãy tích thêm bằng chứng

Nếu chứng chỉ là điều kiện cần của nghề, hãy học nghiêm túc. Nếu một chương trình giúp xây nền tảng và được phản hồi đúng cách, đó vẫn là một khoản đầu tư có thể đáng cân nhắc. Nhưng trước khi đăng ký thêm, nên hỏi: học xong mình tự làm được việc gì, và ai có thể kiểm chứng?

Với mỗi dự án, hãy giữ lại đề bài, phương án đã cân nhắc, phần đóng góp cá nhân, cách kiểm tra và phản hồi nhận được. Có dùng AI thì nói rõ AI hỗ trợ ở đâu. Chưa chạy thật thì ghi là giả lập. Chưa có kết quả kinh doanh thì không tự thêm một con số đẹp cho đủ case study.

Nếu muốn bắt đầu từ thực hành AI cho công việc, có thể tìm hiểu Enter AI của Kstudy rồi đối chiếu nội dung chương trình với mục tiêu của mình. Khi chọn bất kỳ nơi học nào, nên hỏi rõ dự án thực hành, người phản hồi và tiêu chí đánh giá, thay vì chỉ nhìn chứng nhận cuối khóa.

Với sinh viên, đừng chỉ tích thêm giấy chứng nhận; hãy tích thêm bằng chứng mình làm được việc. Với nhà trường, đừng chỉ bổ sung một môn AI rồi giữ nguyên cách học, cách thực hành và cách đánh giá. Với doanh nghiệp, đừng chỉ nâng yêu cầu tuyển dụng mà không tạo con đường để người mới đủ năng lực bước vào.

Tấm bằng nói rằng bạn đã đi qua một quá trình. Portfolio, sản phẩm và cách bảo vệ quyết định cho thấy bạn mang được gì ra khỏi quá trình ấy. Trong thời AI, điều đáng đầu tư không chỉ là khả năng tạo một đầu ra trông chuyên nghiệp, mà là khả năng hiểu việc, tổ chức việc và đứng tên chịu trách nhiệm với kết quả.

Câu hỏi thường gặp

AI có làm bằng đại học vô dụng không? Những nghiên cứu trong bài không chứng minh điều đó. Bằng cấp vẫn có thể mang giá trị kiến thức, tín hiệu và điều kiện nghề nghiệp; người học nên bổ sung bằng chứng áp dụng thay vì chỉ dựa vào tên bằng.

Có nên học thêm CFA, PMP hoặc chứng chỉ chuyên môn? Nên cân nhắc khi chứng chỉ phục vụ công việc mục tiêu, có nội dung phù hợp và điều kiện đầu vào rõ ràng. Cần tính cả lệ phí, thời gian, kinh nghiệm yêu cầu và chi phí cơ hội, không chỉ giá khóa luyện thi.

Dùng AI làm bài tốt hơn có nghĩa là đã hiểu bài hơn không? Không nhất thiết. Cần thử làm bài tương tự hoặc giải thích quyết định khi không có công cụ. Kết quả được hỗ trợ và năng lực tự làm là hai phép kiểm tra khác nhau.

Người mới nên chứng minh năm tiêu chí tuyển dụng bằng gì? Bằng dự án nhỏ, cách đặt câu hỏi, kiến thức nền, quá trình phối hợp, việc theo tới cùng và cách kiểm soát AI. Dự án giả lập vẫn có ích nếu ghi nhãn trung thực và không bịa kết quả.

Nhà trường nên ưu tiên thay đổi gì trước khi bổ sung thêm môn AI? Nên làm rõ đầu ra thực hành, cách kiểm tra đóng góp cá nhân và khả năng bố trí thời gian cho dự án hoặc thực tập tập trung. Học công cụ chỉ có ích khi gắn với việc cần làm và tiêu chí đánh giá.

Lab thực hành liên ngành có cần nhận ngay dự án thật của doanh nghiệp không? Không. Có thể bắt đầu từ bài mô phỏng hoặc phần việc rủi ro thấp, có người hướng dẫn và tiêu chí nghiệm thu. Chỉ tăng phạm vi khi nhóm đủ năng lực và có quyền sử dụng dữ liệu phù hợp.

Nguồn tham khảo

Các nguồn được đối chiếu đến ngày 14/11/2026. Số liệu tại Mỹ và các thử nghiệm giáo dục không tự đại diện cho thị trường lao động Việt Nam.

• Nguồn ảnh [01]: John Phelan, Widener Library, Harvard University, CC BY 3.0. Thiết kế bìa: Kstudy.
• Nguồn [02]: ADC Systems Official, Khi AI làm bằng cấp mất giá, thị trường trả tiền cho bạn vì cái gì?. Video gợi mở chủ đề, không được dùng thay cho nghiên cứu gốc.
• Nguồn [03]: CFA Institute, CFA Program, biểu phí và điều kiện nhận charter. Phí nêu trong bài là lệ phí thi theo thông tin áp dụng từ kỳ thi 2026, không phải tổng chi phí cá nhân.
• Nguồn [04]: Project Management Institute, điều kiện PMP và cách tính kinh nghiệm.
• Nguồn [05]: ISC2, CISSP Experience Requirements.
• Nguồn [06]: Michael Spence (1973), Job Market Signaling, The Quarterly Journal of Economics.
• Nguồn ảnh [07]: Robert Scoble, A Michael Spence, CC BY 2.0.
• Nguồn [08]: Anaïs Galdin và Jesse Silbert (2025), Making Talk Cheap: Generative AI and Labor Market Signaling. Phân biệt kết quả mô hình lựa chọn với mô phỏng phản thực về cơ cấu tuyển dụng.
• Nguồn [09]: David H. Autor (2014), Skills, education, and the rise of earnings inequality among the “other 99 percent”, Science, trang 846. Chuỗi lịch sử đã điều chỉnh cơ cấu, không đồng nhất với trung vị của BLS.
• Nguồn [10]: José Azar, Mireia Giné và Javier Sanz-Espín (2026), The College Wage Premium in the Generative AI Era, bản sửa được hồ sơ ghi ngày 10/9/2026. Phần này dựa trên tóm tắt nghiên cứu và trang đồng tác giả; chưa kiểm tra được toàn văn bản sửa.
• Nguồn [11]: U.S. Bureau of Labor Statistics, Education pays, 2025 và bảng số liệu, phạm vi cùng lưu ý thiếu tháng 10.
• Nguồn [12]: Tyler Cowen (2/9/2026), The College Wage Premium in the Generative AI Era, Marginal Revolution. Đây là bình luận, không phải nghiên cứu độc lập.
• Nguồn [13]: Greg Kestin và cộng sự (2025), AI tutoring outperforms in-class active learning, Scientific Reports.
• Nguồn [14]: World Bank (2025), From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria, Policy Research Working Paper 11125.
• Nguồn [15]: Hamsa Bastani và cộng sự (2025), Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS.
• Nguồn [16]: Erik Brynjolfsson, Bharat Chandar và Ruyu Chen, Canaries in the Coal Mine?, bản sửa tháng 8/2026, dữ liệu đến tháng 6/2026.
• Nguồn ảnh [17]: Oleg Alexandrov, View of Stanford University campus, CC BY-SA 3.0.
• Nguồn [18]: Carl Benedikt Frey và Pedro Llanos-Paredes (bản ngày 7/3/2025), Lost in Translation: Artificial Intelligence and the Demand for Foreign Language Skills.
• Nguồn [19]: BUV và Decision Lab (2026), Vietnam Employability Report 2026, đối chiếu bản lưu trang công bố ngày 21/10/2026. Chưa đọc được toàn bộ bản tải về; số liệu chỉ giới hạn ở phần công bố công khai.
• Nguồn [20]: C. Blaine Horton Jr, Michael W. White và Sheena S. Iyengar (2023), Bias against AI art can enhance perceptions of human creativity, Scientific Reports.
• Nguồn [21]: Graelin Mandel và Alex Imas, Art and the Machine: The Human Premium as a Category of Value, working paper, bản sửa tháng 10/2026. Chỉ sử dụng nội dung tóm tắt của bản sửa, chưa kiểm tra được toàn văn.
• Nguồn [22]: Sarah H. Wu và Kevin J. Holmes (2026), Is there a “mind” behind the music? Attributing music to AI can suppress narrative meaning-making, Cognitive Research: Principles and Implications.