Liệu AI có thể giúp doanh nghiệp đánh giá nhân sự công bằng, minh bạch và hiệu quả hơn? Từ mô hình thực tế của Ubie, tôi tìm hiểu cách AI thu thập dữ liệu hoạt động hằng ngày, chuyển dữ liệu thành bằng chứng đánh giá và những phương pháp có thể áp dụng vào công việc hành chính, nhân sự và vận hành nội bộ.
1. Khi AI không chỉ hỗ trợ tuyển dụng mà còn tham gia đánh giá nhân sự
Nhắc đến ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực nhân sự, tôi thường nghĩ đến những công việc như sàng lọc hồ sơ ứng viên, soạn mô tả công việc, xây dựng tài liệu đào tạo hoặc giải đáp câu hỏi về chính sách. Đây đều là những ứng dụng tương đối dễ hình dung vì AI chủ yếu giúp con người xử lý thông tin nhanh hơn.
Tuy nhiên, sử dụng AI để đánh giá hiệu suất làm việc của nhân viên lại là một câu chuyện khác. Đánh giá hiệu suất không đơn giản là tổng hợp dữ liệu và cho điểm. Kết quả đánh giá có thể ảnh hưởng đến sự phát triển nghề nghiệp, cơ hội thăng tiến, chế độ đãi ngộ và cả động lực làm việc của một người.
Vì vậy, khi tìm hiểu chủ đề này, câu hỏi đầu tiên của tôi không phải là AI có thể chấm điểm nhân viên hay không, mà là: AI sẽ dựa vào đâu để hiểu một nhân viên đã thực sự đóng góp những gì?
Trong cách đánh giá truyền thống, nhân viên thường phải tự tổng hợp kết quả công việc theo tháng, quý hoặc năm. Người phụ trách đánh giá dựa vào báo cáo, mục tiêu đã giao, kết quả quan sát và các cuộc trao đổi để đưa ra nhận xét.
Cách làm này có những hạn chế khá rõ ràng.
Thứ nhất, việc tổng hợp thường phụ thuộc vào trí nhớ. Những công việc vừa hoàn thành dễ được nhớ hơn, trong khi các đóng góp nhỏ diễn ra liên tục có thể bị bỏ sót.
Thứ hai, nhiều công việc hỗ trợ rất khó đo lường. Một nhân viên hành chính có thể giải quyết hàng chục vấn đề mỗi tuần, nhưng giá trị thực sự đôi khi nằm ở việc duy trì hoạt động ổn định, ngăn ngừa sai sót hoặc giúp đồng nghiệp tiết kiệm thời gian.
Thứ ba, quá trình đánh giá dễ chịu ảnh hưởng bởi nhận định chủ quan. Người đánh giá không nhất thiết nhìn thấy toàn bộ công việc, đặc biệt khi nhân viên tham gia nhiều nhóm hoặc đảm nhiệm các nhiệm vụ khác nhau.
Trong quá trình tìm hiểu, tôi biết đến mô hình AI đánh giá nhân sự của Ubie, một công ty công nghệ y tế tại Nhật Bản.
Theo bài viết của Hashiyama Makito, người tham gia phát triển hệ thống với vai trò quản lý kỹ thuật và đối tác nhân sự, Ubie đã chuẩn bị mô hình từ năm 2025 và đưa AI vào quy trình đánh giá từ tháng 4/2026. Điểm khác biệt là AI không chỉ được dùng để chỉnh sửa báo cáo do nhân viên viết mà tham gia gần như toàn bộ chuỗi xử lý, từ tổng hợp hoạt động, xây dựng bằng chứng cho đến đề xuất đánh giá.
Nguồn: Hashiyama Makito – 評価をAIに委ねたとき、人の役割はどこに残るのか
Điều khiến tôi quan tâm nhất là hệ thống này không bắt đầu bằng việc yêu cầu nhân viên tự chứng minh thành tích vào cuối kỳ. Thay vào đó, hoạt động hằng ngày được ghi nhận, tổ chức thành dữ liệu và sử dụng để tạo ra một bức tranh đầy đủ hơn về công việc.
Theo tôi, đây là hướng tiếp cận đáng học hỏi không chỉ với HR mà còn với các bộ phận hành chính và vận hành, nơi có nhiều công việc tạo ra giá trị nhưng chưa chắc được phản ánh rõ trong những chỉ số quen thuộc.
2. Mô hình đánh giá nhân sự bằng AI tại Ubie vận hành như thế nào?
2.1. Bốn mục tiêu khi đưa AI vào đánh giá
Từ bài viết gốc và nội dung webinar, Ubie đưa ra bốn mục tiêu chính khi ứng dụng AI vào hoạt động này.
Mục tiêu đầu tiên là giảm thời gian dành cho thủ tục đánh giá.
Thay vì để nhân viên mất nhiều thời gian nhớ lại công việc trong nhiều tháng, còn người phụ trách mất thời gian đọc báo cáo và đối chiếu thông tin, Ubie muốn tự động hóa phần lớn quá trình tổng hợp. Thời gian tiết kiệm được có thể dành cho công việc tạo giá trị hoặc những cuộc trao đổi thực chất hơn.
Mục tiêu thứ hai là giảm ảnh hưởng của các đánh giá chủ quan.
Con người có thể đánh giá khác nhau tùy theo thông tin mình nắm được, ấn tượng với nhân viên hoặc cách hiểu tiêu chí. AI được kỳ vọng có thể áp dụng cùng một bộ tiêu chuẩn và cung cấp bằng chứng rõ ràng hơn.
Tất nhiên, điều này không có nghĩa AI hoàn toàn khách quan. AI vẫn có thể tạo ra kết quả thiên lệch nếu dữ liệu hoặc tiêu chuẩn đầu vào thiếu hợp lý. Nhưng khi logic đánh giá được ghi lại và có thể kiểm tra, doanh nghiệp có thêm cơ sở để phát hiện và sửa những sai lệch đó.
Mục tiêu thứ ba là thích ứng với sự thay đổi của công việc trong thời đại AI.
Khi AI có thể hỗ trợ nhiều nhiệm vụ chuyên môn, ranh giới giữa các vị trí không còn hoàn toàn cố định. Một nhân viên có thể tham gia nhiều loại công việc khác nhau, khiến việc đánh giá chỉ theo chức danh truyền thống trở nên khó khăn hơn.
Điều này cũng khiến tôi liên tưởng đến công việc hành chính. Một người làm hành chính có thể đồng thời xử lý vận hành văn phòng, tổ chức sự kiện, quản lý vật tư, hỗ trợ nhân viên và cải tiến quy trình. Nếu chỉ đánh giá theo số lượng nhiệm vụ hoàn thành, chúng ta sẽ khó nhìn thấy đầy đủ năng lực của họ.
Mục tiêu thứ tư là thúc đẩy việc ghi nhận dữ liệu trong toàn tổ chức.
Đây là điểm tôi thấy thú vị nhất. AI không thể phân tích những công việc không có bất kỳ thông tin nào được lưu lại.
Vì thế, để AI đánh giá tốt, tổ chức cần hình thành thói quen ghi nhận hoạt động một cách có hệ thống.
Tuy nhiên, việc ghi nhận không nên đồng nghĩa với bắt nhân viên viết thêm nhiều báo cáo. Doanh nghiệp cần tận dụng dữ liệu từ những công cụ làm việc có sẵn và bổ sung thông tin thủ công khi thực sự cần thiết.
2.2. Quy trình đánh giá gồm năm bước
Theo mô hình Ubie, quy trình đi từ dữ liệu hoạt động đến quyết định đánh giá cuối cùng gồm năm bước:
- Tích lũy dữ liệu hoạt động: Hệ thống thu thập những thông tin liên quan đến công việc của nhân viên.
- AI tạo bản đánh giá dự thảo: Các hoạt động được tổng hợp và phân tích theo tiêu chuẩn đã xác định.
- Nhân viên kiểm tra và bổ sung: Người được đánh giá có thể thêm thông tin còn thiếu, sửa dữ liệu chưa đúng hoặc phản hồi nhận định của AI.
- AI kiểm tra và đánh giá lại: Hệ thống xem xét thông tin bổ sung và hoàn thiện kết quả dự thảo.
- Người đứng đầu đưa ra quyết định cuối cùng: Kết quả được trình để phê duyệt.
Ubie sử dụng mô hình tổ chức đặc thù, trong đó vai trò quyết định được phân bổ khác với cơ cấu quản lý truyền thống. Vì vậy, việc người đứng đầu trực tiếp đưa ra quyết định cuối cùng là một phần của thiết kế riêng tại Ubie, không phải mô hình mọi công ty đều cần sao chép.
Điều tôi học được từ quy trình này là AI có thể đảm nhiệm phần lớn công việc tổng hợp và phân tích, nhưng nhân viên vẫn phải có cơ hội kiểm tra dữ liệu liên quan đến mình, còn quyết định cuối cùng cần có người chịu trách nhiệm.
Nguồn: Offers HR Magazine – Báo cáo webinar về mô hình đánh giá AI của Ubie
3. Dữ liệu hoạt động hằng ngày được thu thập và sử dụng như thế nào?
Đây là phần quan trọng nhất trong mô hình vì nó quyết định chất lượng của toàn bộ quá trình đánh giá.
Tôi hiểu hệ thống của Ubie qua ba thành phần chính: Activity Report, Evaluation AI Agent và Companion AI Agent.
3.1. Thu thập dữ liệu từ những công cụ làm việc có sẵn
Trong mô hình Ubie, thông tin được lấy từ nhiều nguồn như Slack, GitHub, Jira, Notion, biên bản cuộc họp và các bản ghi liên quan đến hoạt động kinh doanh.
Mỗi công cụ phản ánh một phần công việc khác nhau.
Slack có thể cho biết những nội dung phối hợp hoặc quyết định đã được trao đổi. Jira ghi lại nhiệm vụ, người phụ trách và tình trạng xử lý. GitHub lưu lịch sử thay đổi mã nguồn. Notion và biên bản họp cung cấp thông tin về tài liệu, kế hoạch hoặc những quyết định liên quan.
Các nguồn này được tập hợp vào BigQuery, một hệ thống lưu trữ và phân tích dữ liệu của Google Cloud. Từ đó, hệ thống tạo báo cáo hoạt động theo từng ngày.
Trong bài viết gốc, tác giả còn giải thích các bản ghi hoạt động được tổ chức dưới dạng NDJSON. Có thể hiểu đơn giản đây là định dạng lưu dữ liệu thành nhiều dòng, mỗi dòng biểu diễn một đối tượng thông tin theo cấu trúc xác định, giúp các chương trình xử lý dễ dàng hơn.
Với người không có chuyên môn kỹ thuật như tôi, không nhất thiết phải hiểu cách xây dựng hệ thống dữ liệu này. Điều quan trọng hơn là hiểu tại sao phải thu thập dữ liệu từ nhiều nơi.
Một nhân viên không chỉ làm việc trên một công cụ. Nếu hệ thống chỉ đọc danh sách nhiệm vụ, nó có thể bỏ qua những đóng góp trong trao đổi, phối hợp hoặc cải tiến quy trình. Ngược lại, nếu chỉ dựa trên nội dung giao tiếp, nó dễ đánh giá cao người nói nhiều mà chưa chắc tạo ra kết quả tốt.
Việc kết hợp nhiều nguồn giúp tạo ra bức tranh đầy đủ hơn, nhưng vẫn cần chọn lọc dữ liệu phù hợp với mục đích đánh giá.
3.2. Tạo Activity Report – báo cáo hoạt động hằng ngày
Sau khi thu thập, hệ thống xử lý dữ liệu để tạo Activity Report.
Đây có thể được hiểu là một bản nhật ký công việc được tổng hợp tự động. Nó cho biết nhân viên đã tham gia những hoạt động nào trong ngày, công việc diễn ra ở đâu và có những kết quả được ghi nhận nào.
Ví dụ, hệ thống có thể xác định một nhân viên đã tham gia cuộc họp về tiến độ, cập nhật một số nhiệm vụ, hoàn thành tài liệu hoặc xử lý các vấn đề được giao.
Tuy nhiên, báo cáo hoạt động chưa phải là kết quả đánh giá.
Một người tham gia ba cuộc họp không có nghĩa người đó tạo ra giá trị gấp ba người chỉ tham gia một cuộc họp. Tương tự, số lượng tin nhắn hay số tài liệu được tạo ra không thể tự động chuyển thành điểm hiệu suất.
Activity Report giúp trả lời câu hỏi:
Trong một khoảng thời gian, những hoạt động gì đã thực sự được ghi nhận?
Đây là nền tảng để hệ thống tiếp tục xác định kết quả và mức đóng góp.
3.3. Từ Activity Report đến Fact Sheet – hồ sơ bằng chứng
Sau khi có báo cáo hoạt động, Evaluation AI Agent sử dụng AI và bộ tiêu chí đánh giá để tổng hợp các thông tin có liên quan thành Fact Sheet.
Fact Sheet không chỉ liệt kê mọi hoạt động theo ngày. Nó lựa chọn và sắp xếp những sự kiện có ý nghĩa đối với kỳ đánh giá, chẳng hạn nhiệm vụ quan trọng, kết quả đã đạt được hoặc hoạt động thể hiện một năng lực cụ thể.
Các thông tin được tổ chức theo thời gian hoặc vai trò công việc, đồng thời gắn với nguồn dữ liệu để có thể kiểm tra lại.
Ví dụ, thay vì chỉ ghi rằng nhân viên đã sửa một bảng theo dõi, Fact Sheet có thể liên kết hoạt động đó với việc thay đổi quy trình, rút ngắn thời gian xử lý hoặc giảm những thao tác lặp lại, nếu có dữ liệu chứng minh.
Một điểm cần chú ý là nhân viên được phép bổ sung thông tin chưa được ghi nhận hoặc sửa những nhận định chưa chính xác.
Điều này đặc biệt quan trọng với các bộ phận như hành chính, nhân sự hoặc chăm sóc nội bộ, vì có những công việc thực hiện trực tiếp và không để lại nhiều dấu vết trên hệ thống.
3.4. Từ Fact Sheet đến Evaluation Report – báo cáo đánh giá
Sau khi hồ sơ bằng chứng đã được bổ sung, AI tiếp tục đối chiếu với tiêu chuẩn đánh giá để tạo Evaluation Report.
Ở bước này, hệ thống mới đề xuất mức đánh giá.
Điểm đáng chú ý là báo cáo không chỉ đưa ra kết luận cuối cùng mà còn giải thích cơ sở của kết luận đó.
Theo phần trình bày trong webinar, AI có thể diễn giải tại sao một nhân viên phù hợp với mức đánh giá được đề xuất, vì sao chưa đạt mức cao hơn và vì sao không thuộc mức thấp hơn.
Cách làm này giúp đánh giá có khả năng truy xuất nguồn gốc. Khi có câu hỏi về một nhận định, người liên quan có thể xem lại bằng chứng và cách áp dụng tiêu chí.
Tuy nhiên, tính minh bạch của quá trình không bảo đảm rằng mọi kết luận đều đúng. AI vẫn có thể hiểu sai hoạt động hoặc mức đóng góp. Vì vậy, khả năng giải thích cần đi kèm với kiểm tra dữ liệu và cơ chế phản hồi.
3.5. Ví dụ minh họa: Một công việc hành chính đi qua hệ thống AI
Để hình dung rõ hơn, tôi thử xây dựng một tình huống giả định liên quan đến việc quản lý vật tư văn phòng.
Giả sử trong một tháng, một nhân viên hành chính thường xuyên tiếp nhận yêu cầu mua bổ sung vật tư.
Ban đầu, công việc được xử lý thủ công. Mỗi lần có yêu cầu, nhân viên phải kiểm tra tồn kho, tính số lượng cần mua, liên hệ nhà cung cấp và cập nhật thông tin sau khi nhận hàng.
Sau một số lần thực hiện, nhân viên nhận ra nhiều thao tác đang lặp lại nên tạo một bảng theo dõi có thể tự tính số lượng cần bổ sung dựa trên số tồn thực tế và mức tồn kho tiêu chuẩn.
Nếu dùng AI để tổng hợp dữ liệu, quá trình có thể diễn ra như sau:
Bước 1 – Ghi nhận hoạt động: Hệ thống lưu thông tin những yêu cầu mua hàng, thời gian xử lý, kết quả và việc cập nhật bảng theo dõi.
Bước 2 – Tạo Activity Report: AI tổng hợp các hoạt động này thành báo cáo theo ngày hoặc tuần.
Bước 3 – Tạo Fact Sheet: AI xác định rằng nhân viên không chỉ xử lý yêu cầu mà còn có hoạt động cải tiến công cụ quản lý.
Bước 4 – Xác minh kết quả: Nếu dữ liệu trước và sau cho thấy thời gian kiểm kê giảm, hệ thống có thể ghi nhận đây là bằng chứng về cải tiến hiệu suất.
Bước 5 – Đối chiếu tiêu chí: AI xem xét hoạt động theo những tiêu chí đã quy định, chẳng hạn hoàn thành công việc, độ chính xác và khả năng cải tiến.
Bước 6 – Đưa ra phản hồi: AI có thể gợi ý nhân viên tiếp tục chuẩn hóa hướng dẫn để người khác cũng sử dụng được bảng theo dõi.
Ví dụ này là phương án minh họa của tôi, không phải quy trình hay dữ liệu thực tế được Ubie công bố.
Điểm quan trọng ở đây là giá trị của nhân viên không nằm ở việc đã thực hiện bao nhiêu lần mua hàng, mà còn ở việc họ có cải thiện được cách tổ chức công việc hay không.
Nếu hệ thống chỉ đếm số yêu cầu đã xử lý, đóng góp cải tiến này có thể không được nhận diện đầy đủ.
4. AI dựa trên những tiêu chí nào để đánh giá hiệu suất?
Dữ liệu tốt là điều kiện cần, nhưng chưa đủ. Nếu không có tiêu chuẩn rõ ràng, AI vẫn không thể xác định thế nào là một kết quả tốt.
4.1. Phân biệt kết quả công việc và năng lực
Ubie phân tách đánh giá thành hai yếu tố: Outcome – kết quả tạo ra và Capability – năng lực tạo ra kết quả.
Outcome trả lời câu hỏi: Nhân viên đã tạo ra giá trị gì?
Capability trả lời câu hỏi: Nhân viên có những kỹ năng, hành vi và phương pháp làm việc nào giúp họ tiếp tục tạo ra giá trị tương tự?
Ubie không chỉ xem xét hai yếu tố độc lập mà còn kết hợp chúng để đề xuất cấp độ đánh giá tổng thể theo logic riêng của tổ chức.
Cách làm này hợp lý vì một kết quả tốt xảy ra một lần chưa chắc cho thấy nhân viên có thể lặp lại thành công đó. Ngược lại, những năng lực quan trọng có thể đã được phát triển nhưng cần thêm thời gian mới tạo ra kết quả rõ ràng.
Đối với việc đo kết quả, Ubie xây dựng hệ thống phân loại giá trị công việc theo bảy dạng, bao gồm các kết quả liên quan đến doanh thu, lợi nhuận, chi phí, phòng tránh tổn thất, giá trị đã thực hiện hoặc kỳ vọng, cùng giá trị từ việc nâng cao năng lực sản xuất của tổ chức.
Một bài học tôi rút ra là kết quả không chỉ có nghĩa là tăng doanh thu.
Đối với công việc hành chính, giá trị có thể nằm ở việc giảm chi phí, tiết kiệm thời gian, giảm tỷ lệ sai sót hoặc xây dựng quy trình giúp những người khác làm việc hiệu quả hơn.
Về năng lực, Ubie sử dụng những nguyên tắc hành vi và bản đồ kỹ năng theo vai trò, trong đó có hệ thống được gọi là Ubieness và U-map. Điều này giúp công ty có cơ sở đánh giá không chỉ kết quả mà cả cách nhân viên tạo ra kết quả.
4.2. Ba tầng rubric giúp AI kiểm tra chất lượng đánh giá
Rubric có thể hiểu là bảng tiêu chí mô tả những yêu cầu cần đạt và cách xác định mức độ đáp ứng.
Ubie xây dựng ba tầng kiểm tra.
Tầng thứ nhất: Dữ liệu đã đầy đủ chưa?
Hệ thống xem xét có đủ thông tin để đánh giá nhân viên hay không.
Ví dụ, với nhân viên kỹ thuật cần có lịch sử công việc phù hợp; với bộ phận vận hành có thể cần dữ liệu xử lý yêu cầu và phối hợp công việc.
Nếu thiếu dữ liệu quan trọng, hệ thống không nên tự suy đoán những hoạt động chưa được ghi nhận.
Tầng thứ hai: AI đã hiểu đúng hoạt động và mức đóng góp chưa?
Đây là tầng giúp tránh việc đánh giá chỉ dựa trên số lượng hoạt động.
Ví dụ, trong một cuộc họp, người phát biểu nhiều nhất chưa chắc là người đưa ra đề xuất quan trọng. Với một nhiệm vụ nhóm, nhiều người có thể cùng tham gia nhưng mức đóng góp khác nhau.
AI phải cố gắng phân biệt giữa tham gia công việc và đóng góp thực chất.
Tầng thứ ba: Kết quả và năng lực đã được đánh giá hợp lý chưa?
Sau khi có đủ dữ liệu và hiểu được các hoạt động, hệ thống mới kiểm tra xem kết luận có phù hợp với tiêu chuẩn về kết quả và năng lực hay không.
Điểm tôi thấy đáng học hỏi là ba tầng này được thực hiện theo thứ tự.
Nếu dữ liệu không đầy đủ, cần xử lý vấn đề ở bước thu thập trước khi tiếp tục. Nếu mức đóng góp bị hiểu sai, cần sửa ở bước phân tích hoạt động, thay vì chỉ điều chỉnh điểm số cuối cùng.
4.3. AI tự kiểm tra và con người cải thiện tiêu chuẩn
Một phương pháp kỹ thuật khác được Ubie sử dụng là để AI tạo bản đánh giá, sau đó kiểm tra chính kết quả theo rubric. Nếu chưa đạt yêu cầu, hệ thống thực hiện lại quá trình.
Theo bài viết của Hashiyama Makito, trong mô hình được mô tả, quá trình xử lý cho mỗi nhân viên có thể kéo dài khoảng 8–12 giờ để tạo kết quả đánh giá qua nhiều vòng kiểm tra.
Điều này cho thấy hệ thống không đơn giản là một câu lệnh gửi đến chatbot rồi nhận câu trả lời trong vài giây.
Ubie còn phân chia rõ công việc giữa chương trình truyền thống và AI tạo sinh. Các bước cần tính toán chính xác như trích xuất, lọc và tổng hợp dữ liệu được xử lý bằng mã hoặc truy vấn dữ liệu. AI tạo sinh đảm nhiệm những phần cần hiểu ngữ cảnh, diễn giải và tóm tắt.
Con người tập trung theo dõi kết quả, phát hiện vấn đề và cải thiện rubric. Phương pháp này được gọi là human-on-the-loop, tức con người giám sát và kiểm soát hệ thống thay vì phải can thiệp vào từng bước xử lý nhỏ.
Tuy nhiên, tôi không nghĩ một công ty mới bắt đầu cần triển khai ngay đến mức độ phức tạp này. Bài học có thể áp dụng sớm hơn là phải xây dựng tiêu chí rõ ràng và thường xuyên kiểm tra chất lượng kết quả AI, thay vì mặc nhiên coi mọi kết luận của hệ thống là chính xác.
5. Từ đánh giá định kỳ đến phản hồi và phát triển năng lực liên tục
Một trong những lợi ích lớn nhất của AI là dữ liệu không nhất thiết chỉ được sử dụng vào cuối kỳ đánh giá.
Trong hệ thống Ubie, ngoài AI tạo báo cáo đánh giá còn có Companion AI Agent, đóng vai trò hỗ trợ nhân viên nhìn lại công việc và phát triển năng lực.
AI này có thể tham chiếu dữ liệu hoạt động, hồ sơ bằng chứng và logic đánh giá để phản hồi khi nhân viên cần.
Ví dụ, nhân viên có thể đặt những câu hỏi như:
- Trong tháng vừa qua, hoạt động nào của tôi tạo ra kết quả rõ ràng nhất?
- Công việc hiện tại đang thể hiện những năng lực nào?
- Tôi cần bổ sung bằng chứng gì để đánh giá đầy đủ hơn?
- Tôi nên cải thiện kỹ năng nào để đạt mục tiêu tiếp theo?
Điều khác biệt so với cách đánh giá truyền thống là nhân viên không nhất thiết phải chờ đến cuối quý hoặc cuối năm mới được biết điểm cần cải thiện.
Tôi thấy cách này có ý nghĩa đối với cả nhân viên mới và nhân viên đã có kinh nghiệm.
Ví dụ, một nhân viên hành chính mới có thể hoàn thành công việc được giao đúng thời hạn nhưng chưa chủ động ghi nhận các vấn đề phát sinh hoặc đề xuất cách phòng tránh lỗi.
Nếu đợi đến cuối thời gian thử việc mới phản hồi, cơ hội điều chỉnh sẽ bị hạn chế.
Ngược lại, nếu nhân viên nhận được nhận xét sau mỗi tuần rằng dữ liệu hiện tại chưa thể hiện rõ khả năng chủ động, họ có thể trao đổi với người hướng dẫn, hiểu rõ kỳ vọng và thực hành ngay trong những tuần tiếp theo.
Tất nhiên, AI không thể thay thế hoàn toàn trao đổi giữa con người với con người. Có những vấn đề liên quan đến động lực, sức khỏe, hoàn cảnh cá nhân hoặc định hướng nghề nghiệp cần được thảo luận bằng sự thấu hiểu và tin tưởng.
Vì thế, theo tôi, phương án phù hợp là sử dụng AI để chuẩn bị nội dung phản hồi dựa trên bằng chứng, sau đó người phụ trách và nhân viên trao đổi để xác định hành động tiếp theo.
Khi đó, đánh giá không còn chỉ là hoạt động nhìn lại quá khứ mà trở thành công cụ hỗ trợ cải thiện hiệu quả làm việc trong tương lai.
6. Những giới hạn và rủi ro cần lưu ý
Mặc dù Ubie đã xây dựng một hệ thống tương đối hoàn chỉnh, việc sử dụng AI trong đánh giá nhân sự vẫn có những vấn đề khó giải quyết.
6.1. Dữ liệu thiếu có thể dẫn đến đánh giá thiếu công bằng
Các công việc được ghi nhận trên hệ thống thường dễ phân tích hơn những công việc thực hiện trực tiếp.
Một nhân viên phụ trách nhiều vấn đề phát sinh tại văn phòng có thể ít để lại dữ liệu hơn một nhân viên thường xuyên xử lý nhiệm vụ qua phần mềm.
Nếu chỉ sử dụng dữ liệu tự động, hệ thống có nguy cơ đánh giá thiếu những đóng góp khó quan sát.
Vì vậy, doanh nghiệp cần có phương pháp bổ sung bằng chứng thủ công và hướng dẫn nhân viên ghi nhận công việc theo cách đơn giản, hợp lý.
6.2. Khó xác định đóng góp của từng cá nhân trong công việc nhóm
Một kết quả có thể được tạo ra nhờ nhiều người.
Có người đưa ra ý tưởng, người triển khai, người kiểm tra chất lượng và người hỗ trợ giải quyết vấn đề. Dữ liệu hoạt động có thể ghi lại quá trình, nhưng không phải lúc nào cũng xác định chính xác ai đóng góp bao nhiêu.
Đây cũng là vấn đề được đề cập trong các nguồn về Ubie.
Theo tôi, trong những trường hợp như vậy, AI nên trình bày bằng chứng và mức độ chắc chắn của kết luận. Những nhận định thiếu dữ liệu cần được kiểm tra thêm, thay vì cố gắng đưa ra một con số chính xác giả tạo.
6.3. Không thể đánh giá mọi công việc chỉ bằng kết quả ngắn hạn
Một nhân viên có thể dành thời gian xây dựng hệ thống, chuẩn hóa quy trình hoặc đào tạo đồng nghiệp. Những công việc này có thể chưa tạo ra kết quả định lượng ngay trong tháng.
Nếu chỉ đo lợi ích đã phát sinh, nhân viên làm công việc dài hạn sẽ dễ chịu bất lợi.
Do đó, cần phân biệt giữa kết quả đã đạt được, giá trị dự kiến và năng lực hoặc nền tảng đã xây dựng.
Đối với những lợi ích chưa thực sự được chứng minh, AI không nên tự chuyển thành thành tích đã hoàn thành.
6.4. Thu thập dữ liệu không được biến thành giám sát quá mức
Đây là mối quan tâm lớn nhất của tôi khi nghĩ đến triển khai trong môi trường làm việc thực tế.
Nếu nhân viên biết mọi hoạt động đều có thể trở thành dữ liệu đánh giá, họ có thể lo lắng rằng hệ thống đang theo dõi từng tin nhắn, từng cuộc họp hoặc từng thao tác nhỏ.
Điều đó không chỉ ảnh hưởng đến tâm lý làm việc mà còn có nguy cơ khiến nhân viên tập trung tạo ra dữ liệu đẹp thay vì thực sự nâng cao hiệu quả công việc.
Vì vậy, nếu sử dụng AI trong HR, công ty cần minh bạch về mục đích, phạm vi dữ liệu, quyền truy cập, thời gian lưu trữ và cơ chế xử lý khi thông tin chưa chính xác.
Việc sử dụng dữ liệu nhân sự cũng cần tuân thủ các quy định pháp luật về bảo vệ dữ liệu cá nhân và chính sách bảo mật của tổ chức.
Một nguyên tắc tôi cho rằng rất cần thiết là: không phải dữ liệu nào có thể thu thập cũng cần được đưa vào hệ thống đánh giá.
Trong giai đoạn thử nghiệm, nên ưu tiên dữ liệu công việc không nhạy cảm hoặc dữ liệu giả định, tuyệt đối không tự ý đưa hồ sơ nhân sự, thông tin lương, dữ liệu cá nhân hay nội dung nội bộ lên các công cụ AI chưa được công ty phê duyệt.
7. Những bài học cá nhân tôi rút ra từ mô hình Ubie
Là một nhân viên hành chính, tôi không trực tiếp xây dựng hệ thống AI đánh giá nhân sự. Tuy nhiên, sau khi tìm hiểu mô hình này, tôi nhận ra nhiều nguyên tắc có thể áp dụng vào cách tổ chức công việc và hỗ trợ quy trình HR.
Bài học thứ nhất: Muốn đánh giá tốt phải bắt đầu từ dữ liệu tốt
Trước đây, tôi thường nghĩ muốn ứng dụng AI vào đánh giá nhân sự thì chỉ cần có KPI, báo cáo công việc và một công cụ AI đủ tốt.
Nhưng sau khi tìm hiểu Ubie, tôi nhận ra câu hỏi cần đặt ra trước tiên là: công ty đang ghi nhận công việc bằng cách nào?
Nếu công việc chỉ được giao miệng, kết quả nằm rải rác trong các cuộc trò chuyện và những cải tiến không được lưu lại, AI rất khó hiểu được toàn bộ giá trị mà nhân viên tạo ra.
Đối với công việc hành chính, điều này khiến tôi chú ý hơn đến việc chuẩn hóa danh sách công việc, lưu bằng chứng hoàn thành và ghi nhận những cải tiến có tác động thực tế.
Tuy nhiên, mục tiêu không phải là ghi chép càng nhiều càng tốt. Dữ liệu nên được ghi nhận ngay trong quá trình làm việc và chỉ yêu cầu bổ sung khi cần thiết.
Bài học thứ hai: Giá trị của công việc không tỷ lệ thuận với số lượng hoạt động
Có người hoàn thành rất nhiều nhiệm vụ mỗi ngày nhưng phần lớn là xử lý những vấn đề lặp lại.
Trong khi đó, một người dành thời gian tìm nguyên nhân và cải thiện quy trình có thể giúp cả bộ phận giảm đáng kể khối lượng công việc về sau.
Nếu chỉ đếm nhiệm vụ, chúng ta có thể đánh giá sai hai kiểu đóng góp này.
Điều tôi học được là khi xây tiêu chí đánh giá cho các vị trí hỗ trợ, cần nhìn vào cả chất lượng, tác động và khả năng cải tiến.
Ví dụ, với công việc quản lý vật tư, ngoài việc mua hàng đầy đủ và đúng hạn, nên quan tâm đến tỷ lệ sai sót, khả năng kiểm soát tồn kho và những cải tiến giúp giảm thời gian xử lý.
Với công việc tổ chức sự kiện, ngoài số lượng sự kiện hoàn thành, có thể xem xét mức độ chuẩn bị, việc sử dụng nguồn lực và những bài học được áp dụng để sự kiện tiếp theo diễn ra tốt hơn.
Bài học thứ ba: Dữ liệu phục vụ đánh giá còn giúp cải thiện vận hành
Ubie cho biết dữ liệu hoạt động sau khi được tổ chức tốt không chỉ phục vụ đánh giá nhân sự. Nó còn giúp các bên liên quan nắm bắt tình hình công việc, giảm thời gian báo cáo và hỗ trợ tiếp nhận thông tin khi nhân viên mới gia nhập hoặc thay đổi vai trò.
Đây là kết quả tôi thấy đáng quan tâm.
Nếu trong một tháng, bộ phận hành chính liên tục phải xử lý cùng một loại yêu cầu, dữ liệu có thể giúp phát hiện rằng hướng dẫn hiện tại chưa rõ hoặc quy trình cần cải thiện.
Nếu nhân viên thường xuyên phải hỏi lại cùng một thông tin, có thể tài liệu nội bộ chưa dễ tìm kiếm.
Nếu một nhiệm vụ luôn chậm ở một bước nhất định, công ty có thể kiểm tra nguyên nhân thay vì chỉ yêu cầu cá nhân làm nhanh hơn.
Như vậy, dữ liệu ban đầu được xây dựng cho việc đánh giá có thể trở thành nguồn thông tin để cải thiện chính hoạt động của tổ chức.
Bài học thứ tư: AI nên hỗ trợ nhân viên phát triển, không chỉ xếp loại họ
Tôi cho rằng giá trị lớn nhất của phản hồi liên tục là giúp nhân viên nhận ra điểm cần cải thiện khi vẫn còn thời gian thay đổi.
Một nhận xét cụ thể, có bằng chứng và đi kèm hướng cải thiện sẽ hữu ích hơn một mức điểm không có lời giải thích.
Đối với nhân viên mới, phản hồi theo tuần có thể giúp họ hiểu yêu cầu công việc nhanh hơn.
Đối với nhân viên đã có kinh nghiệm, AI có thể hỗ trợ nhìn lại các công việc lặp lại, tìm cơ hội cải tiến hoặc xác định những kỹ năng cần phát triển.
Tôi nghĩ đây là mục tiêu phù hợp để bắt đầu ứng dụng AI vào HR ở một công ty chưa có hệ thống đánh giá tự động.
8. Tôi sẽ áp dụng những phương pháp này vào quy trình HR và công việc hằng ngày tại công ty như thế nào?
Từ góc nhìn của một nhân viên hành chính, tôi cho rằng việc áp dụng AI vào đánh giá nhân sự nên bắt đầu từ những hoạt động đơn giản, có dữ liệu rõ ràng, thay vì hướng ngay đến một hệ thống tự động chấm điểm toàn bộ nhân viên.
Thay vào đó, tôi muốn thử nghiệm trước một quy trình đơn giản: ghi nhận hoạt động, dùng AI tổng hợp bằng chứng, đối chiếu tiêu chí và đưa ra phản hồi hỗ trợ phát triển năng lực.
8.1. Bắt đầu từ một nhóm công việc dễ kiểm chứng
Theo tôi, những hoạt động hành chính có quy trình và kết quả rõ ràng sẽ phù hợp cho giai đoạn đầu.
Có thể bắt đầu từ quản lý vật tư, tiếp nhận yêu cầu hỗ trợ nội bộ, tổ chức sự kiện hoặc theo dõi các nhiệm vụ vận hành định kỳ.
Chẳng hạn, khi quản lý vật tư, các thông tin có thể ghi nhận gồm ngày kiểm kê, số lượng tồn, số lượng cần mua, số lượng thực nhận, thời gian hoàn thành và các vấn đề phát sinh.
Những dữ liệu này có thể hỗ trợ đánh giá hiệu quả quy trình mà không cần sử dụng thông tin nhân sự nhạy cảm.
8.2. Chuẩn hóa cách ghi nhận hoạt động
Một phương án dễ thực hiện là sử dụng bảng theo dõi với những trường thông tin cơ bản:
| Thông tin | Mục đích |
|---|---|
| Ngày thực hiện | Xác định thời điểm hoạt động |
| Nhóm công việc | Phân loại nhiệm vụ |
| Nội dung | Mô tả việc đã làm |
| Kết quả | Ghi nhận đầu ra thực tế |
| Thời gian xử lý | Theo dõi tiến độ khi phù hợp |
| Vấn đề phát sinh | Nhận diện khó khăn |
| Cải tiến hoặc bài học | Ghi nhận giá trị bổ sung |
| Bằng chứng | Đường dẫn tới dữ liệu được phép sử dụng |
Tôi không cho rằng mọi nhiệm vụ nhỏ đều cần nhập đầy đủ tám trường. Tùy loại công việc, chỉ nên yêu cầu những thông tin cần thiết.
Đối với nhiệm vụ đã có dữ liệu trong hệ thống, nên tận dụng dữ liệu đó thay vì tạo thêm một báo cáo trùng lặp.
8.3. Sử dụng AI để tạo báo cáo hoạt động
Khi đã có dữ liệu, có thể dùng công cụ AI được phê duyệt để tạo bản tổng hợp theo tuần hoặc tháng.
Yêu cầu dành cho AI nên rõ ràng, chẳng hạn:
“Dựa trên bảng công việc đã cung cấp, hãy tổng hợp những nhiệm vụ đã hoàn thành, kết quả nổi bật, vấn đề phát sinh và những hoạt động cải tiến. Chỉ sử dụng thông tin có trong dữ liệu, không tự suy đoán thành tích. Với những kết quả quan trọng, hãy ghi rõ dòng dữ liệu hoặc bằng chứng liên quan. Nếu thiếu thông tin, hãy đánh dấu cần xác minh.”
Theo tôi, yêu cầu này phù hợp hơn việc bảo AI đánh giá ngay nhân viên đạt bao nhiêu điểm.
Nó giúp AI thực hiện vai trò tổng hợp, đồng thời giảm nguy cơ tạo ra nhận định thiếu bằng chứng.
8.4. Xây dựng rubric đơn giản trước khi đánh giá
Đối với công việc hành chính, có thể thử nghiệm bốn tiêu chí.
Hoàn thành công việc: Nhiệm vụ có được thực hiện đầy đủ, đúng yêu cầu và trong thời hạn phù hợp không?
Độ chính xác và chất lượng: Công việc có phát sinh lỗi cần làm lại không? Kết quả có đáp ứng tiêu chuẩn không?
Khả năng phối hợp: Nhân viên có cung cấp thông tin kịp thời, làm rõ yêu cầu và phối hợp hiệu quả với các bên liên quan không?
Khả năng chủ động và cải tiến: Nhân viên có phát hiện vấn đề, đề xuất giải pháp hoặc cải thiện cách làm việc không?
Mỗi tiêu chí cần có mô tả cụ thể để tránh việc AI và con người hiểu khác nhau.
Ví dụ, “chủ động tốt” là một nhận xét khá mơ hồ. Nhưng “phát hiện một thao tác lặp lại, đề xuất giải pháp và có bằng chứng kết quả sau cải tiến” là một biểu hiện rõ ràng hơn.
Trong giai đoạn đầu, tôi sẽ chỉ dùng rubric để hỗ trợ phản hồi và xác định bằng chứng, chưa dùng để chấm điểm nhân sự chính thức.
8.5. Kết hợp AI với trao đổi giữa nhân viên và người phụ trách
Sau khi AI tổng hợp, nhân viên cần được xem lại kết quả và bổ sung thông tin.
Người hướng dẫn hoặc người phụ trách có thể sử dụng bản tổng hợp đó trong cuộc trao đổi định kỳ.
Ví dụ, thay vì chỉ nói “tháng này cần chủ động hơn”, hai bên có thể xem lại những công việc cụ thể, xác định tình huống nào cần phát hiện vấn đề sớm hơn và thống nhất một hành động cải thiện trong tháng tiếp theo.
AI giúp việc chuẩn bị cuộc trao đổi nhanh hơn. Nhưng việc đặt mục tiêu, hiểu khó khăn và hỗ trợ nhân viên vẫn cần sự tham gia của con người.
Tôi thấy cách kết hợp này phù hợp với các hoạt động hướng dẫn, đào tạo và đánh giá năng lực, nhất là ở những vị trí có nhiều nhiệm vụ hỗ trợ khó đo lường bằng một chỉ số duy nhất.
9. Kết luận: AI không chỉ giúp đánh giá hiệu suất mà còn mở ra cách nhìn mới về giá trị công việc
Qua việc tìm hiểu mô hình đánh giá nhân sự bằng AI của Ubie, tôi nhận ra rằng ứng dụng AI trong lĩnh vực này không đơn giản là đưa dữ liệu KPI vào một công cụ rồi yêu cầu hệ thống chấm điểm nhân viên.
Giá trị thực sự nằm ở cách doanh nghiệp thu thập, tổ chức và sử dụng dữ liệu hoạt động hằng ngày. Từ các công cụ làm việc sẵn có, dữ liệu được tổng hợp thành báo cáo hoạt động, chuyển thành hồ sơ bằng chứng và đối chiếu với những tiêu chí đánh giá rõ ràng. Nhờ đó, AI có thể hỗ trợ quá trình đánh giá dựa trên nhiều thông tin hơn, đồng thời giúp nhân viên nhận được phản hồi thường xuyên thay vì chỉ chờ đến cuối kỳ.
Từ góc nhìn của một nhân viên hành chính, điều tôi thấy đáng học hỏi nhất là cách tiếp cận này có thể giúp ghi nhận những đóng góp vốn khó thể hiện bằng các chỉ số thông thường. Đó có thể là việc cải thiện một quy trình, giảm thao tác lặp lại, hạn chế sai sót hoặc hỗ trợ các bộ phận khác làm việc hiệu quả hơn.
Tôi cũng nhận ra rằng không nhất thiết phải xây dựng ngay một hệ thống AI đánh giá nhân sự phức tạp mới có thể tận dụng những ý tưởng này. Các phương pháp như chuẩn hóa dữ liệu công việc, sử dụng AI để tổng hợp kết quả, xây dựng tiêu chí đánh giá cụ thể và hỗ trợ phản hồi định kỳ đều có thể được cân nhắc áp dụng tùy theo nhu cầu và điều kiện thực tế của doanh nghiệp.
Tuy nhiên, AI vẫn có những giới hạn trong việc hiểu bối cảnh, xác định mức đóng góp của từng cá nhân và đánh giá những công việc khó định lượng. Vì vậy, tôi cho rằng AI nên đóng vai trò hỗ trợ cung cấp thông tin và đề xuất nhận xét, còn con người vẫn cần kiểm tra, trao đổi và chịu trách nhiệm đối với các quyết định liên quan đến nhân sự.
Bài học lớn nhất tôi rút ra là AI không chỉ giúp doanh nghiệp nhìn lại nhân viên đã làm được những gì, mà còn có thể giúp nhận diện cách làm việc nào đang tạo ra giá trị và những cơ hội cải thiện trong tương lai.
Nếu được sử dụng phù hợp, AI trong đánh giá hiệu suất nhân sự không chỉ góp phần giảm khối lượng công việc tổng hợp, báo cáo mà còn có thể hỗ trợ xây dựng một môi trường làm việc minh bạch hơn, nơi những đóng góp được ghi nhận đầy đủ và sự phát triển của nhân viên được quan tâm thường xuyên hơn.
Tài liệu tham khảo
Nguồn 1: Hashiyama Makito (2026), 評価をAIに委ねたとき、人の役割はどこに残るのか – Bài viết chia sẻ thiết kế và cách triển khai hệ thống đánh giá nhân sự bằng AI tại Ubie.
Nguồn: https://note.com/hashiyaman/n/na03108694c97
Nguồn 2: Ubie × Offers, Ubieが実践するAI時代の人事評価〜評価をAIに委ねたとき、人はループのどこに残るのか〜 – Webinar về mô hình đánh giá nhân sự trong thời đại AI.
Nguồn: https://www.youtube.com/watch?v=X52tm3MsSjA
Nguồn 3: Offers HR Magazine (2026), Ubieが実践するAI時代の人事評価 – Báo cáo tổng hợp webinar, phương pháp triển khai và phần hỏi đáp.
Nguồn: https://hr-media.offers.jp/articles/seminar_90
Ghi chú: Các ví dụ về quản lý vật tư, công việc hành chính và đề xuất sử dụng AI trong quy trình nội bộ là những phân tích, liên hệ cá nhân của tác giả, không phải kết quả triển khai thực tế tại công ty.