1. Introduction
AI đang ngày càng trở thành một phần quen thuộc trong môi trường làm việc. Nhiều doanh nghiệp đã triển khai các công cụ như ChatGPT, Claude, Gemini hay AI Agent với kỳ vọng nâng cao năng suất và giảm thời gian xử lý công việc.
Tuy nhiên, việc nhân viên có sử dụng AI không có nghĩa rằng AI đã thực sự tạo ra sự thay đổi trong cách họ làm việc.
Một vấn đề đáng chú ý là khoảng cách rất lớn giữa những người sử dụng AI thường xuyên và những người chỉ sử dụng AI ở mức cơ bản. Có những người đã xây dựng workflow, knowledge base hoặc agent để hỗ trợ công việc hàng ngày, trong khi một số người khác chỉ sử dụng AI thỉnh thoảng để viết lại email hoặc hỏi một vài câu hỏi đơn giản.
Điều này đặt ra một câu hỏi quan trọng:
AI adoption nên được đánh giá dựa trên việc chúng ta có sử dụng AI hay dựa trên giá trị mà AI thực sự tạo ra?
2. Khoảng cách giữa những người sử dụng AI
Trong cùng một doanh nghiệp, mức độ sử dụng AI của mỗi người có thể rất khác nhau.
Một nhóm nhỏ có thể sử dụng AI hàng ngày, thử nghiệm các tính năng nâng cao, xây dựng agent hoặc tìm cách tích hợp AI vào workflow.
Trong khi đó, nhiều nhân viên khác có thể chỉ sử dụng AI vài lần hoặc thậm chí gần như không sử dụng.
Điều đáng chú ý là khoảng cách này không đơn giản chỉ là:
Người sử dụng AI và người không sử dụng AI.
Mà còn là:
Người biết cách sử dụng AI hiệu quả và người chỉ sử dụng AI ở mức cơ bản.
Hai người cùng được cung cấp một công cụ AI nhưng hoàn toàn có thể tạo ra những kết quả rất khác nhau.
3. Có AI nhưng công việc không nhanh hơn
Hãy thử tưởng tượng một doanh nghiệp có hàng nghìn nhân viên và đã triển khai AI assistant cho toàn bộ bộ phận Operations.
Mục tiêu là giúp nhân viên xử lý công việc nhanh hơn.
Tuy nhiên, sau một thời gian, tốc độ xử lý công việc của team gần như không thay đổi.
Một cách phân bổ người dùng có thể là:
- 5–10% là power users, sử dụng AI hàng ngày và khai thác các tính năng nâng cao.
- Khoảng 20% sử dụng AI một vài lần mỗi ngày nhưng chưa thực sự hiệu quả.
- Khoảng 70% gần như không sử dụng AI.
Nếu chỉ nhìn vào dashboard, doanh nghiệp vẫn có thể thấy một lượng lớn nhân viên đã sử dụng AI.
Nhưng nếu nhìn vào kết quả công việc, productivity chưa chắc đã tăng tương ứng.
Điều này cho thấy:
Có người sử dụng AI không đồng nghĩa với việc AI đã tạo ra productivity improvement.
4. Sử dụng AI và sử dụng AI tốt là hai kỹ năng khác nhau
Việc mở một công cụ AI, nhập prompt và nhận được câu trả lời tương đối dễ dàng.
Nhưng để sử dụng AI hiệu quả trong công việc lại cần nhiều kỹ năng hơn.
Ví dụ với công việc coding, một người dùng cơ bản có thể:
- Copy ticket từ Jira.
- Paste vào Claude.
- Yêu cầu AI sửa code.
- Thấy test pass.
- Merge Pull Request.
Trong khi một người sử dụng AI có kinh nghiệm hơn sẽ:
- Xác định chính xác phần code liên quan.
- Xác định file nào cần thay đổi.
- Xác định những file nào không nên thay đổi.
- Sử dụng các skill files hoặc coding rules có sẵn.
- Yêu cầu AI tạo thay đổi ở phạm vi tối thiểu.
- Review kỹ diff.
- Kiểm tra những thay đổi ngoài mong muốn.
- Sau đó mới merge code.
Cả hai người đều đang sử dụng AI.
Nhưng cách sử dụng AI và giá trị nhận được hoàn toàn khác nhau.
5. Nhiều người dùng AI hơn chưa chắc tạo ra nhiều giá trị hơn
Một vấn đề khác là mức độ sử dụng AI giữa các nhân viên có thể phân bố rất không đồng đều.
Ví dụ, một nhóm nhỏ nhân viên có thể sử dụng phần lớn lượng token của toàn doanh nghiệp.
Điều này tạo ra một tình huống khá thú vị:
- Một nhóm nhỏ sử dụng AI rất nhiều và tạo ra nhiều workflow mới.
- Phần lớn nhân viên chỉ sử dụng AI ở mức rất cơ bản hoặc không sử dụng.
- Doanh nghiệp vẫn phải trả chi phí AI cho toàn bộ tổ chức.
Nếu chỉ tăng số lượng người dùng mà không cải thiện cách sử dụng AI, chi phí có thể tăng nhưng giá trị tạo ra chưa chắc tăng tương ứng.
Vì vậy:
Số lượng người dùng AI không phải là thước đo duy nhất của hiệu quả AI.
6. Adoption không nên chỉ được đo bằng Yes hoặc No
Một cách phổ biến để đo AI adoption là đặt câu hỏi:
“Nhân viên này có sử dụng AI không?”
Ví dụ:
- Có đăng nhập AI trong tháng này không?
- Có sử dụng AI trong năm nay không?
- Có gửi một số lượng prompt nhất định mỗi ngày không?
Nhưng những chỉ số này không cho chúng ta biết nhân viên thực sự sử dụng AI như thế nào.
Một người có thể chỉ sử dụng AI để:
- viết lại email;
- dịch văn bản;
- tóm tắt một đoạn nội dung.
Trong khi một người khác có thể:
- xây dựng agent;
- tự động hóa workflow;
- kết nối AI với dữ liệu nội bộ;
- đưa AI vào một quy trình production.
Cả hai đều được tính là “AI user”, nhưng mức độ đóng góp của AI vào công việc hoàn toàn khác nhau.
Vì vậy, AI adoption nên được nhìn như một spectrum, thay vì chỉ là một trạng thái có hoặc không.
7. Prompt Engineering không phải toàn bộ câu chuyện
Khi doanh nghiệp bắt đầu đào tạo AI, một trong những nội dung thường được nhắc đến là prompt engineering.
Biết cách viết prompt tốt chắc chắn hữu ích.
Tuy nhiên, chỉ biết viết prompt chưa đủ để tạo ra một workflow hiệu quả.
Điều quan trọng hơn là phải biết:
- Công việc nào nên sử dụng AI?
- Công việc nào không nên sử dụng AI?
- Bước nào trong workflow có thể giao cho AI?
- Bước nào cần automation?
- Bước nào bắt buộc phải có human review?
- Làm thế nào để kiểm tra output của AI?
Ví dụ, thay vì chỉ hỏi:
“Hãy viết cho tôi 50 test case.”
Một cách tiếp cận tốt hơn có thể là:
Requirement → AI phân tích → Business rules → Edge cases → Test scenarios → Human review → Final test cases
Ở đây, AI không chỉ thực hiện một nhiệm vụ đơn lẻ mà trở thành một phần của workflow.
8. Đưa AI vào background của công việc
Không phải tất cả nhân viên đều cần trở thành AI power users.
Trong một số trường hợp, cách hiệu quả hơn là đưa AI vào background của hệ thống mà nhân viên đang sử dụng.
Ví dụ, với bộ phận Accounts Payable xử lý invoice, thay vì yêu cầu hàng chục nhân viên học cách xây dựng AI Agent, doanh nghiệp có thể tích hợp agent trực tiếp vào hệ thống hiện tại.
Nhân viên chỉ cần:
Approve → Reject → Edit
thay vì phải tự mình xây dựng prompt hoặc agent.
Điều này giúp nhân viên hưởng lợi từ AI mà không cần trở thành AI expert.
Mình nghĩ đây là một hướng tiếp cận khá thực tế, đặc biệt với những công việc có quy trình rõ ràng và số lượng thao tác lặp lại lớn.
9. Nên đo AI bằng sự thay đổi của công việc
Thay vì chỉ báo cáo:
“AI adoption rate = X%”
một cách đo thực tế hơn là xem công việc đang được thực hiện như thế nào:
Manual
Công việc hoàn toàn do con người thực hiện.
Hybrid
Con người và AI cùng thực hiện.
Fully Automated
Một phần hoặc toàn bộ workflow được tự động hóa.
Ví dụ trong testing:
Công việc Trước đây Sau khi áp dụng AI Requirement analysis Manual Hybrid Test case design Manual Hybrid Test report Manual Hybrid Data preparation Manual Partially automated Regression execution Manual Automated Cách nhìn này giúp chúng ta thấy AI thực sự đã thay đổi công việc ở đâu, thay vì chỉ biết nhân viên có sử dụng AI hay không.
10. Quan điểm của tôi
Mình khá đồng ý với quan điểm rằng sử dụng AI và sử dụng AI hiệu quả là hai việc khác nhau.
Trong công việc hàng ngày, mình có thể mở Gemini hoặc ChatGPT để hỏi một câu hỏi, dịch một đoạn văn hay nhờ viết lại nội dung. Nhưng việc đó chưa chắc đã giúp công việc thay đổi đáng kể.
Giá trị thực sự xuất hiện khi mình biết đưa AI vào đúng bước trong workflow và biết cách kiểm tra kết quả mà AI tạo ra.
Ví dụ, với công việc testing, thay vì chỉ sử dụng AI để viết một vài test case, mình có thể đưa AI vào quá trình từ phân tích requirement, xác định business rule, tìm edge case, hỗ trợ tạo test case cho đến tổng hợp kết quả testing.
Như vậy, AI không còn là một công cụ được sử dụng riêng lẻ mà trở thành một phần trong cách mình làm việc.
Tuy nhiên, mình cũng không nghĩ rằng càng sử dụng AI nhiều thì công việc càng tốt. Với những nội dung liên quan đến requirement, business logic hoặc kết quả testing, mình vẫn cần tự kiểm tra và đưa ra quyết định cuối cùng.
AI có thể giúp mình xử lý thông tin nhanh hơn và đưa ra nhiều góc nhìn hơn, nhưng quyết định cuối cùng vẫn cần dựa trên sự hiểu biết của người làm việc.
Vì vậy, mục tiêu của mình không phải là sử dụng AI cho mọi công việc, mà là tìm ra những công việc AI có thể thực sự giúp mình tiết kiệm thời gian, giảm thao tác lặp lại và nâng cao chất lượng công việc.
11. Áp dụng vào công việc Software Testing
Mình có thể áp dụng cách tiếp cận này vào một số công việc testing hàng ngày.
Requirement analysis
Thay vì chỉ yêu cầu AI tóm tắt requirement, mình có thể xây dựng một workflow:
Requirement → AI analysis → Business rules → Edge cases → Potential risks → Tester review
AI giúp mình nhìn requirement từ nhiều góc độ hơn, trong khi mình vẫn kiểm tra và xác nhận lại business logic.
Test case design
AI có thể hỗ trợ đề xuất:
- Positive cases
- Negative cases
- Boundary cases
- Exception cases
- Permission cases
Sau đó mình review và chỉnh sửa để đảm bảo testcase phù hợp với requirement thực tế.
Bug analysis
Khi gặp một defect phức tạp, mình có thể cung cấp cho AI:
- Requirement
- Steps to reproduce
- Expected result
- Actual result
- API response
- Log
AI có thể hỗ trợ tìm pattern hoặc đưa ra những giả thuyết về nguyên nhân.
Sau đó mình sẽ kiểm tra lại trên hệ thống trước khi đưa ra kết luận.
Test report
Một workflow khác có thể áp dụng là:
Test result → AI summary → KPI → Failed cases → Main defects → Risk → Test summary
Điều này có thể giúp giảm thời gian tổng hợp báo cáo và dành nhiều thời gian hơn cho việc phân tích chất lượng sản phẩm.
12. AI không thay thế Tester, mà hỗ trợ cách Tester làm việc
Mình không nghĩ mục tiêu cuối cùng là thay thế tester bằng AI.
Thay vào đó, có thể kết hợp:
Human judgment + AI + Automation
Trong đó:
- AI hỗ trợ xử lý thông tin, phân tích và đưa ra đề xuất.
- Automation xử lý các công việc lặp lại và có quy tắc rõ ràng.
- Tester tập trung vào business understanding, risk analysis, verification và decision making.
Ví dụ:
Requirement ↓AI analysis ↓Test scenarios ↓Human review ↓Test cases ↓Test execution ↓AI-assisted defect analysis ↓Regression ↓Test reportWorkflow này giúp AI trở thành một phần hỗ trợ trong quá trình testing thay vì chỉ là một công cụ được mở lên khi cần.
Conclusion
AI đang thay đổi cách chúng ta làm việc, nhưng việc một doanh nghiệp triển khai AI hoặc có nhiều nhân viên sử dụng AI chưa chắc đồng nghĩa với việc AI đã tạo ra giá trị thực tế.
Điều quan trọng hơn là AI đã thay đổi công việc như thế nào.
Một workflow tốt không nhất thiết phải sử dụng AI ở mọi bước. Điều quan trọng là xác định đúng phần việc mà AI có thể làm tốt, kết hợp với automation và human judgment.
Đối với công việc của mình, mình muốn sử dụng AI theo hướng:
Giảm công việc lặp lại → dành nhiều thời gian hơn cho phân tích → nâng cao chất lượng testing → đưa ra quyết định tốt hơn.
Theo mình, đây là cách thực tế hơn để biến AI usage thành AI value.
Nguồn tham khảo: Vasuman, “AI Adoption is a Myth”, X (Twitter), 2026. Nội dung bài viết được tham khảo, tổng hợp và diễn giải lại theo hướng độc lập.