20/04/2026
Nghịch lý thời AI: Càng Nhanh Càng Mệt, Càng Giỏi Càng Không Dừng Được & Tại sao AI không giảm việc làm — mà lại khiến chúng ta làm nhiều hơn bao giờ hết?
Một đêm quen thuộc, khoảng 11 giờ, tôi nhìn lại màn hình máy tính và nhận ra một điều kỳ lạ.
Hôm đó là một ngày rất năng suất. Ba báo cáo Power BI xong. Hai buổi họp với khách hàng trôi chảy. Một đề cương khóa học mới hoàn thành. Nếu so với chính tôi của hai năm trước — khi chưa có Claude, chưa có Agentic Analytics, chưa có hệ thống multi-agent — thì những gì tôi làm trong một ngày hôm nay gần bằng một tháng của ngày xưa.
Đáng lẽ tôi phải thấy thoải mái. Đáng lẽ tôi phải đóng máy sớm, ăn một bữa tối tử tế, đi ngủ lúc 10 giờ.
Nhưng không. Tôi mở Claude Code lên. "Chỉ một ý tưởng nhỏ thôi" — tôi tự nhủ. Một skill mới cho Agentic BI Kit. Một workflow giúp học viên hiểu Driver Tree nhanh hơn. Một diagram SVG về EDA.
1 giờ sáng. Tôi vẫn đang gõ.
Và câu hỏi thật sự không phải là "Tại sao mình đang làm việc lúc 1 giờ sáng?" Câu hỏi là: "Tại sao mình không muốn dừng lại, dù biết mình nên dừng?"
Tôi nghĩ nhiều người làm nghề trong giai đoạn này đều có những đêm như vậy. Không phải vì deadline. Không phải vì sếp ép. Mà vì có một thứ gì đó trong chính AI — trong cái cảm giác "mình có thể làm được thêm nữa" — đã âm thầm xóa bỏ điểm dừng tự nhiên của chúng ta.
Ngày xưa, để đi từ "tôi có một ý tưởng về dashboard" đến "dashboard đã chạy được trên production", bạn cần tuần lễ, team, ngân sách. Giờ đây, với một orchestration layer tốt, khoảng cách đó co lại còn vài giờ. Có khi vài phút.
Và chính ở đây, nghịch lý bắt đầu.
Tại sao nhanh hơn lại mệt hơn
Có một khái niệm kinh tế học từ năm 1865 gọi là Nghịch lý Jevons.
Khi động cơ hơi nước trở nên hiệu quả hơn trong việc đốt than, mọi người kỳ vọng lượng than tiêu thụ sẽ giảm. Thực tế ngược lại — nó tăng vọt. Vì hiệu quả cao hơn làm chi phí giảm, chi phí giảm mở ra các ứng dụng mới, và tổng tiêu thụ tăng lên.
Tôi nghĩ AI đang tạo ra Nghịch lý Jevons cho năng lượng sáng tạo của chúng ta.
Khi chi phí để biến một ý tưởng thành sản phẩm giảm từ 40 giờ xuống còn 40 phút, chúng ta không đi ngủ sớm hơn. Chúng ta dùng 39 giờ 20 phút còn lại để nghĩ ra ý tưởng tiếp theo — và thực hiện nó luôn trong đêm.
Nhưng sâu hơn cả Jevons, tôi nghĩ có bốn cơ chế tâm lý đang vận hành âm thầm trong mỗi người làm nghề thời này:
Thứ nhất, ngưỡng "đủ tốt" biến mất. Ngày xưa, khi một báo cáo mất 3 ngày, bạn buộc phải dừng ở 80% vì thời gian không cho phép. Giờ đây, cải tiến từ 80% lên 85% chỉ tốn 10 phút. Từ 85% lên 90% — thêm 15 phút nữa. Không còn điểm dừng tự nhiên. Cái xu hướng cầu toàn vốn bị chi phí thời gian kìm hãm, giờ được giải phóng hoàn toàn.
Thứ hai, hàng đợi ý tưởng luôn dài hơn năng lực làm. Với người làm nghề sáng tạo, ý tưởng không bao giờ thiếu — chỉ có thời gian là thiếu. Khi AI mở rộng thời gian của chúng ta (theo nghĩa số việc có thể hoàn thành trong một đơn vị thời gian), chúng ta không "hết việc". Chúng ta chỉ phát hiện ra rằng danh sách ý tưởng trong đầu mình dài hơn mình tưởng rất nhiều. Mỗi skill mới gợi ra ba skill khác. Mỗi diagram xong lại lộ ra năm diagram chưa làm.
Thứ ba, nghỉ ngơi cảm thấy đắt hơn. Khi một giờ làm việc có thể ra kết quả của cả ngày trước đây, một giờ đi dạo cảm giác như đang "bỏ lỡ" cả ngày. Đây là cái bẫy tâm lý mà não con người không được tiến hóa để xử lý — chúng ta không có cơ chế tự nhiên để đối phó với tỉ lệ đòn bẩy kiểu này.
Thứ tư, điều phối mệt theo cách khác với làm trực tiếp. Đây là điều tôi nghĩ ít người làm Agentic AI nhận ra đủ rõ. Khi bạn điều phối 15 agent, 61 skill, bạn không còn "làm việc" nữa — bạn đang chỉ huy công việc. Quyết định agent nào chạy, với context gì, xử lý output ra sao, khi nào can thiệp. Loại mệt này không phải mệt cơ bắp hay mệt sáng tạo. Nó là cái mệt của working memory luôn bị load đầy, của việc phải giữ cả hệ thống trong đầu cùng lúc.
Điều gì đang trở nên khan hiếm thực sự
Quay lại quy luật của lịch sử: mỗi lần một thứ trở nên rẻ, một thứ khác trở nên đắt. Giá trị không biến mất, nó chỉ dịch chuyển.
Cách mạng công nghiệp làm lao động tay chân rẻ, và vốn quản lý sản xuất trở nên đắt.
Kỷ nguyên thông tin làm xử lý thông tin rẻ, và sự chú ý trở nên đắt — đó là lý do kinh tế học chú ý trở thành ngành kinh doanh nghìn tỷ đô.
Kỷ nguyên Agentic đang làm khả năng thực thi trở nên rẻ. Vậy cái gì trở nên đắt?
Tôi nghĩ câu trả lời là: phán đoán về việc gì đáng làm.
Khi bất kỳ ai cũng có thể build dashboard Power BI trong 20 phút với Claude, câu hỏi không còn là "làm thế nào".
Câu hỏi trở thành: dashboard nào thực sự thay đổi quyết định kinh doanh? Stakeholder nào cần nhìn thấy gì? Insight nào đáng theo đuổi, insight nào chỉ là data decoration được đóng gói đẹp?
Đây là lý do những framework Analytics không mất đi giá trị trong thời AI — mà ngược lại, chúng trở nên quan trọng hơn. Vì chúng là cấu trúc để phán đoán. Và phán đoán là thứ duy nhất AI chưa thay thế được ở cấp chiến lược.
AI không thay thế người làm DA. AI thay thế khâu thực thi của người làm DA. Giá trị của bạn dịch chuyển từ chỗ "làm được" sang chỗ "biết nên làm gì, và quan trọng hơn, biết không nên làm gì".
Ba cái bẫy tôi đã rơi vào (và đang học cách thoát ra)
Nói thì dễ, làm thì khó. Bản thân tôi, khi xây Agentic BI Kit suốt một năm qua, đã rơi vào đủ các cái bẫy mà tôi sắp kể. Không phải vì tôi không biết — mà vì biết và làm là hai chuyện khác nhau.
Bẫy đầu tiên là xây nhiều skill hơn cần thiết. Khi tạo một SKILL.md chỉ mất 30 phút, bạn bắt đầu tạo skill cho mọi thứ. Hệ thống phình ra, context window bị nhiễu, và kết quả — ironic thay — là agent hoạt động kém hiệu quả hơn so với khi chỉ có 10 skill được thiết kế kỹ lưỡng. Bài học tôi đang rèn: một skill chỉ xứng đáng tồn tại khi nó giải quyết một quyết định lặp lại, không phải một task đơn lẻ. Nếu tôi chỉ dùng nó một lần, nó không nên là skill — nó nên là prompt.
Bẫy thứ hai là build vì đẹp, không phải vì đúng. Một hệ thống 15 agent trông rất ấn tượng trên slide demo. Nhưng nếu 80% công việc thực tế chỉ cần 3 agent tốt, thì 12 agent còn lại là chi phí — chi phí token, chi phí debug, chi phí context switching, và trên hết là chi phí nhận thức cho người vận hành. Tôi đã học cách hỏi mình trước mỗi agent mới: "Cái này giải quyết vấn đề của ai, trong workflow nào, thay thế quyết định nào của con người?" Nếu không trả lời được ba câu đó, tôi không build.
Bẫy thứ ba là nguy hiểm nhất: vì Claude không ngủ, tôi cũng không ngủ. Claude Code có thể chạy background task 24/7. Ranh giới giữa "giờ làm việc" và "giờ nghỉ" dần biến mất. Tôi start một pipeline trước khi đi ngủ, rồi thức dậy lúc 3 giờ sáng để check output, rồi không ngủ lại được vì đã thấy một bug cần fix. Tôi đang thử nghiệm một thứ tôi gọi là "agent curfew" — quy ước cá nhân rằng sau 10 giờ tối, tôi không khởi động agent mới, không đọc output, không commit code. Không phải vì tôi yếu đuối. Mà vì tôi nhận ra: kỷ luật với bản thân trong thời AI không phải là lựa chọn cá nhân — nó là năng lực chuyên nghiệp.
Một năng lực mới: Biết không làm
Nếu kỷ nguyên thông tin đòi hỏi chúng ta phải có information literacy — biết tìm, đánh giá, tổng hợp thông tin — thì tôi nghĩ kỷ nguyên Agentic đòi hỏi một năng lực gần như ngược lại.
Tôi tạm gọi nó là khả năng biết không làm.
Với người làm Agentic AI Analytics, cụ thể nó nghĩa là bốn thứ:
1. Biết không build. Không phải ý tưởng nào cũng xứng đáng thành skill. Không phải báo cáo nào cũng cần pipeline. Đôi khi một file Excel làm tay trong 30 phút tốt hơn một workflow Fabric trong 3 ngày — đặc biệt khi nhu cầu chỉ dùng một lần.
2. Biết không tối ưu thêm. Một dashboard 85% hoàn thiện được stakeholder dùng hàng tuần, tốt hơn nhiều một dashboard 99% hoàn thiện ra mắt muộn 3 tháng. Perfect is the enemy of shipped — câu này giờ đúng hơn bao giờ hết.
3. Biết không trả lời vội. Khi stakeholder hỏi một câu không rõ ràng, phản xạ mới của chúng ta là chạy 5 EDA khác nhau để "tổng hợp insight". Phản xạ cũ — và đúng hơn — là hỏi lại: "Anh sẽ làm gì khác đi nếu biết câu trả lời?" Nếu họ không trả lời được, thì câu hỏi đó không đáng phân tích. Không phải lúc này.
4. Biết không phản hồi ngay. Khi AI cho phép trả lời email trong 30 giây, chính sự chậm rãi có chủ ý lại trở thành tín hiệu của chất lượng suy nghĩ. Tôi đang học cách để một số email "ngủ qua đêm" trước khi trả lời. Không phải vì lười. Vì suy nghĩ tốt cần thời gian lắng xuống.
Lời cuối: người chiến thắng không phải người làm nhiều nhất
Có một sự thật hơi phũ phàng mà tôi đang phải học: trong kỷ nguyên này, làm nhiều hơn không còn là lợi thế.
Khi mọi người đều có đòn bẩy 10x - 100x từ AI, người chiến thắng không phải người chạy nhanh nhất. Là người chọn đúng hướng để chạy. Là người dám không chạy những hướng không xứng đáng.
Tôi — người ngồi ở bàn làm việc lúc 1 giờ sáng trong mở đầu bài viết — không mệt vì AI bắt tôi làm nhiều hơn. Tôi mệt vì AI đã âm thầm xóa đi những rào cản tự nhiên từng giúp tôi dừng lại. Chi phí thực thi về gần 0 đồng nghĩa với việc kỷ luật tự thân trở thành tài nguyên duy nhất còn lại bảo vệ tôi khỏi chính sự tham vọng của mình.
Cách mạng công nghiệp đã sinh ra luật lao động 8 giờ không phải vì con người lười, mà vì khi máy móc có thể chạy 24/7, xã hội cần một ranh giới để bảo vệ con người khỏi bị cuốn theo nhịp của máy.
Kỷ nguyên Agentic đang cần một cuộc trò chuyện tương tự. Nhưng lần này, ranh giới không đến từ luật pháp hay công đoàn — nó phải đến từ chính chúng ta. Vì không có ai ngoài chính bạn có thể bảo vệ bạn khỏi ý tưởng tiếp theo của bạn lúc 1 giờ sáng.
Nên câu hỏi không còn là "AI có thể làm được gì cho tôi?"
Câu hỏi thật sự, câu hỏi khó nhất của thời đại này, là: "Tôi sẽ chọn để AI giúp mình làm ít hơn điều gì, để mình có thể làm sâu hơn điều gì?"
Đó là câu hỏi không có Agent nào trả lời thay chúng ta được. Và có lẽ, đó cũng chính là lý do vẫn cần có chúng ta.
Nguồn: Phương Thảo Analytics - Mastering Data Analysis
