Mở đầu
AI đang thay đổi rất nhanh cách chúng ta làm việc.
Trước đây, AI chủ yếu hỗ trợ những việc như dịch thuật, viết email, tóm tắt tài liệu hoặc tìm kiếm thông tin. Hiện nay, với sự phát triển của AI Agent, AI đã có thể tham gia sâu hơn vào quy trình công việc: hiểu yêu cầu, lấy dữ liệu, sử dụng công cụ và thực hiện nhiều bước để hoàn thành một mục tiêu.
Điều này khiến tôi đặt ra một câu hỏi quan trọng cho chính con đường nghề nghiệp của mình:
Nếu AI có thể làm ngày càng nhiều việc mà trước đây con người phải tự thực hiện, tôi cần phát triển năng lực gì để tiếp tục tạo ra giá trị?
Tôi đang định hướng sự nghiệp ở vị trí General Manager của Back Office tại một công ty AI, phụ trách các lĩnh vực như nhân sự, hành chính, kế toán, văn phòng và đào tạo.
Đây đều là những lĩnh vực có rất nhiều công việc mà AI có thể hỗ trợ hoặc tự động hóa.
Sau khi xem video “AIエージェントブーム後の世界。一流は頭をこう使う” – “Thế giới sau làn sóng AI Agent: Người giỏi hàng đầu sử dụng tư duy như thế nào?” của PIVOT, tôi nhận ra rằng trong thời đại AI, mục tiêu của mình không nên là “làm được nhiều việc hơn AI”.
Điều quan trọng hơn là:
hiểu công việc sâu hơn, xác định đúng vấn đề, đưa ra quyết định tốt hơn và biết cách sử dụng AI để khuếch đại năng lực của cả bản thân lẫn tổ chức.
1. Những thông điệp chính tôi rút ra từ video
Video nhấn mạnh một số thay đổi quan trọng trong cách con người nên làm việc khi AI Agent ngày càng phổ biến.
Thứ nhất, tốc độ và số lượng output không còn là lợi thế đủ lớn.
Khi tất cả mọi người đều có thể dùng AI để tạo báo cáo, tài liệu hoặc phân tích trong thời gian ngắn, “làm được nhiều hơn” chưa chắc đồng nghĩa với “tạo ra nhiều giá trị hơn”.
Điều quan trọng hơn là chất lượng và insight.
Thứ hai là khả năng understand – thực sự hiểu vấn đề.
Chúng ta không nên nhận output từ AI rồi approve một cách máy móc. Người sử dụng vẫn phải có đủ kiến thức để hiểu, kiểm tra và đánh giá kết quả AI tạo ra.
Thứ ba là prioritization.
AI giúp chúng ta có thể làm rất nhiều thứ cùng lúc, nhưng điều đó càng khiến khả năng xác định đâu là vấn đề thực sự quan trọng trở nên cần thiết hơn.
Cuối cùng là domain knowledge.
Người hiểu sâu công việc thực tế sẽ sử dụng AI hiệu quả hơn người chỉ biết sử dụng công cụ AI nhưng không hiểu nghiệp vụ.
Đối với tôi, thông điệp quan trọng nhất là:
AI càng mạnh, kiến thức và năng lực nền tảng của con người càng quan trọng.
Nguồn video: https://www.youtube.com/watch?v=YWtlT2GviQY
2. Từ “làm nhiều” sang “hiểu sâu và quyết định tốt”
Trong nhiều công việc Back Office, trước đây một người được đánh giá cao nếu họ xử lý nhanh và nhiều task.
Người tạo báo cáo nhanh.
Người nhớ nhiều quy trình.
Người xử lý được nhiều request.
Những năng lực này vẫn cần thiết, nhưng AI đang làm giảm dần lợi thế của việc chỉ đơn thuần thực hiện nhanh.
Ví dụ, nếu trước đây một báo cáo mất hai giờ để chuẩn bị nhưng nay AI có thể hỗ trợ hoàn thành trong 20 phút, tốc độ tạo báo cáo không còn là điểm khác biệt lớn.
Điều quan trọng chuyển sang những câu hỏi như:
Báo cáo này có thực sự cần thiết không?
Chỉ số nào quan trọng?
Tại sao dữ liệu thay đổi?
Có vấn đề nào đang ẩn phía sau?
Manager cần thông tin gì để đưa ra quyết định?
Vì vậy, tôi nghĩ career path của một GM Back Office phải chuyển dần từ execution sang judgment.
Tôi không muốn mục tiêu nghề nghiệp của mình chỉ là:
“Tôi có thể xử lý nhiều việc hơn.”
Tôi muốn hướng tới:
“Tôi hiểu tổ chức sâu hơn và đưa ra quyết định tốt hơn.”
3. Domain Knowledge vẫn là nền tảng quan trọng nhất
Trong thời đại AI, chúng ta thường nói nhiều về prompting, automation hay AI Agent.
Tuy nhiên, năng lực tôi cho rằng quan trọng nhất đối với career path của mình vẫn là domain knowledge.
Một GM Back Office cần hiểu đủ sâu về nhiều lĩnh vực.
Trong HR, cần hiểu recruitment, onboarding, performance management và employee development.
Trong Accounting, cần hiểu dòng tiền, chi phí, ngân sách và kiểm soát.
Trong Administration và Office, cần hiểu quy trình vận hành, vendor, tài sản và operational risk.
Trong Training, cần hiểu nhu cầu học tập và cách biến việc học thành thay đổi trong công việc.
Tôi không cần trở thành chuyên gia sâu nhất ở tất cả các lĩnh vực.
Nhưng tôi phải hiểu đủ để đặt đúng câu hỏi và đánh giá đúng câu trả lời.
Ví dụ, AI có thể phân tích chi phí rất nhanh.
Nhưng nếu tôi không hiểu cấu trúc chi phí, tôi không thể biết phân tích đó có hợp lý hay không.
AI có thể đánh giá CV.
Nhưng nếu tôi không hiểu vị trí tuyển dụng và tiêu chí thực sự cần thiết, tôi không thể đánh giá chất lượng output của AI.
Do đó, nguyên tắc của tôi là:
Không để việc sử dụng AI thay thế việc học nghiệp vụ.
AI có thể giúp tôi học nhanh hơn, nhưng tôi vẫn phải tiếp tục học và tích lũy kinh nghiệm thực tế.
4. Từ “biết làm” sang “hiểu tại sao”
Back Office có rất nhiều quy trình.
Khi xảy ra A thì làm B.
Khi nhận C thì nhập vào D.
Nếu nhân viên hỏi X thì trả lời bằng template Y.
Đây là kiểu kiến thức rất dễ bị automation thay thế.
Do đó, tôi cần chuyển từ việc chỉ biết “làm như thế nào” sang hiểu “tại sao phải làm như vậy”.
Ví dụ, với onboarding, tôi không chỉ cần biết checklist gồm những bước nào.
Tôi cần hiểu:
Mục tiêu của onboarding là gì?
Điều gì tạo ra trải nghiệm tốt cho nhân viên mới?
Bước nào thực sự quan trọng?
Điều gì có thể tự động hóa?
Điều gì nhất định phải do con người thực hiện?
Tương tự, với recruitment, tôi không chỉ cần biết từ CV đến offer có những bước gì.
Tôi cần hiểu tại sao mỗi vòng interview tồn tại, mỗi vòng cần đánh giá điều gì và bottleneck nằm ở đâu.
Đây là cách tôi muốn thay đổi cách học của mình.
Không chỉ hỏi:
“Quy trình này làm thế nào?”
Mà luôn hỏi thêm:
“Tại sao?”
5. Khả năng xác định đúng vấn đề trở nên quan trọng hơn
AI rất giỏi tạo giải pháp.
Nhưng nếu chúng ta xác định sai vấn đề, AI chỉ giúp chúng ta thực hiện sai giải pháp nhanh hơn.
Ví dụ, nếu tỷ lệ tuyển dụng thấp, chúng ta có thể nghĩ ngay rằng cần thêm CV.
Nhưng nguyên nhân thực tế có thể là:
JD chưa phù hợp;
quy trình interview quá dài;
tiêu chí giữa HR và hiring manager chưa thống nhất;
hoặc tốc độ phản hồi ứng viên quá chậm.
Vì vậy, tôi muốn phát triển mạnh hơn năng lực problem framing.
Trước khi tìm solution, tôi cần hỏi:
Mục tiêu thực sự là gì?
Đây là nguyên nhân hay chỉ là hiện tượng?
Có dữ liệu nào chứng minh không?
Giả định nào chưa được kiểm tra?
Nếu chỉ giải quyết được một vấn đề, đâu là vấn đề tạo impact lớn nhất?
Khi câu hỏi đúng, AI trở thành một công cụ rất mạnh.
Nhưng trách nhiệm chọn đúng vấn đề vẫn thuộc về con người.
6. Prioritization sẽ ngày càng quan trọng
AI giúp chúng ta tạo ra rất nhiều output.
Báo cáo nhiều hơn.
Ý tưởng nhiều hơn.
Phân tích nhiều hơn.
Nhưng điều này cũng tạo ra một rủi ro: chúng ta có thể trở nên rất bận nhưng impact không tăng tương ứng.
Với Back Office, điều này đặc biệt dễ xảy ra vì luôn có rất nhiều request.
Do đó, tôi muốn hình thành một nguyên tắc:
Mỗi thời điểm phải biết một vài P0 – những vấn đề quan trọng nhất cần tập trung.
AI nên giúp tôi giảm thời gian dành cho các task nhỏ và lặp lại.
Phần thời gian tiết kiệm được phải chuyển sang những vấn đề cần suy nghĩ sâu.
Nếu AI giúp tôi tiết kiệm hai giờ nhưng tôi dùng hai giờ đó để làm thêm hàng chục task nhỏ, tôi chưa thực sự thay đổi cách làm việc.
7. Biến knowledge thành system
Trong rất nhiều tổ chức, tri thức vẫn tồn tại dưới dạng:
“Người này biết.”
“Trường hợp này phải hỏi người kia.”
Đó là tacit knowledge.
Khi muốn sử dụng AI Agent, cách vận hành này trở thành một trở ngại.
AI không thể tự động hóa một quy trình mà con người cũng không mô tả được.
Vì vậy, một năng lực tôi muốn phát triển là biến kinh nghiệm thành system.
Điều này bao gồm:
xây SOP;
xác định decision rule;
xác định owner;
xác định approval point;
ghi lại exception;
chuẩn hóa data source.
Ví dụ, thay vì chỉ có HR biết cách onboarding, workflow cần mô tả rõ:
Điều kiện bắt đầu là gì?
Task nào cần thực hiện?
Ai chịu trách nhiệm?
Deadline bao lâu?
Trường hợp nào cần approval?
Khi kiến thức đã được cấu trúc, AI mới có thể thực sự tham gia vào quy trình.
Tôi nghĩ GM trong thời đại AI cần biết quản lý không chỉ people, mà còn cả:
people + process + knowledge + AI.
8. Từ prompting sang AI workflow design
Prompting vẫn hữu ích, nhưng tôi không muốn dừng lại ở việc biết hỏi ChatGPT tốt.
Đối với một GM, bước tiếp theo cần là AI workflow design.
Ví dụ, thay vì mỗi tuần export dữ liệu rồi nhờ AI tạo recruitment report, tôi muốn hướng tới một workflow có thể tự lấy dữ liệu, phân tích và tạo management summary.
Thay vì copy transcript interview vào AI, tôi muốn sau cuộc phỏng vấn hệ thống tự tạo draft để interviewer review.
Điều này yêu cầu tôi hiểu những khái niệm như:
trigger;
input;
data source;
permission;
decision point;
human approval;
exception handling;
KPI.
Tôi không cần trở thành software engineer.
Nhưng trong một công ty AI, một GM Back Office nên hiểu đủ công nghệ để nhìn một quy trình và xác định:
Phần nào con người nên làm?
Phần nào automation nên làm?
Phần nào AI Agent có thể đảm nhận?
Phần nào bắt buộc cần human judgment?
Đây là năng lực tôi muốn đầu tư nghiêm túc.
9. AI output vẫn cần được đánh giá bởi con người
Một trong những rủi ro lớn của AI là output sai vẫn có thể trông rất thuyết phục.
Một phân tích thiếu dữ liệu vẫn có thể được viết rất logic.
Một interpretation sai vẫn có thể đọc giống như câu trả lời của chuyên gia.
Do đó, biết sử dụng AI không chỉ là biết tạo output.
Quan trọng hơn là biết review output.
Tôi muốn hình thành thói quen kiểm tra:
Kết quả này dựa trên dữ liệu nào?
Có assumption nào không?
Có thiếu context không?
Có nguồn để xác nhận không?
Kết luận này có phù hợp với thực tế không?
Trong HR, Accounting và các hoạt động Back Office khác, đây là điều đặc biệt quan trọng.
AI có thể hỗ trợ.
Nhưng trách nhiệm cuối cùng vẫn thuộc về con người.
10. Communication và trust vẫn là lợi thế của con người
AI có thể viết email rất tốt.
Nhưng communication không chỉ là câu chữ.
Communication là hiểu người nghe.
Biết điều gì họ đang lo.
Biết lúc nào nên gửi email và lúc nào nên nói trực tiếp.
Biết cách giải thích một quyết định khó.
Biết lắng nghe.
Biết tạo trust.
Với một GM Back Office, những năng lực này sẽ không giảm giá trị.
Ngược lại, nếu AI giúp giảm administrative workload, tôi muốn dành nhiều thời gian hơn để trao đổi với team và các manager.
AI có thể giúp tôi tổng hợp thông tin.
Nhưng insight về con người vẫn cần đến từ interaction thực tế.
11. Data literacy và systems thinking
AI sẽ giúp manager tiếp cận nhiều dữ liệu hơn.
Nhưng nhiều dữ liệu không đồng nghĩa với nhiều insight.
Tôi cần phát triển data literacy để hiểu:
metric được tính như thế nào;
dữ liệu đến từ đâu;
một thay đổi có thực sự đáng chú ý không;
và dữ liệu nên dẫn tới action nào.
Bên cạnh đó là systems thinking.
Back Office không phải tập hợp những bộ phận tách rời.
Recruitment liên quan tới manpower planning.
Manpower ảnh hưởng đến cost.
Training ảnh hưởng đến performance.
Office ảnh hưởng đến employee experience.
Nếu chỉ tối ưu từng task riêng lẻ, chúng ta có thể tạo ra local optimization nhưng làm toàn bộ hệ thống hoạt động kém hơn.
AI có thể rất giỏi tối ưu từng task.
Vai trò của manager là nhìn toàn bộ system.
12. Tôi muốn thay đổi cách làm việc hằng ngày như thế nào?
Điều đầu tiên tôi muốn thay đổi là cách bắt đầu ngày làm việc.
Thay vì mở nhiều hệ thống để tìm status, tôi muốn AI hỗ trợ tạo một management brief ngắn gồm:
điều gì cần biết;
điều gì cần action;
điều gì cần decision;
điều gì đang có risk.
Từ đó tôi có thể xác định P0 trong ngày.
Thứ hai, tôi muốn ngừng tự tạo từ đầu những nội dung mà AI có thể draft tốt, chẳng hạn email, meeting summary hoặc report structure.
Tôi vẫn review và chịu trách nhiệm cuối cùng.
Thứ ba, tôi muốn dùng AI như một thinking partner, không chỉ là một answer machine.
Ví dụ:
“Tôi đang bỏ qua assumption nào?”
“Nếu phương án này thất bại, nguyên nhân có thể là gì?”
“Có góc nhìn ngược lại nào không?”
“Cần thêm dữ liệu gì trước khi quyết định?”
Cuối cùng, mỗi khi team giải quyết một vấn đề quan trọng, tôi muốn tự hỏi:
Knowledge này có thể được reuse không?
Có thể viết thành SOP không?
Có thể trở thành rule cho AI Agent không?
Đó là cách tôi muốn dần biến kinh nghiệm thành organizational knowledge.
13. Career path tôi muốn hướng tới
Tôi không muốn định nghĩa career path đơn giản bằng title.
Điều quan trọng hơn là phạm vi năng lực.
Giai đoạn đầu là Operational Excellence.
Hiểu sâu nghiệp vụ, chuẩn hóa quy trình, xây team ổn định và có dữ liệu đáng tin cậy.
Giai đoạn tiếp theo là AI-enabled Operations.
Đưa AI và automation vào những quy trình phù hợp, giảm manual work nhưng vẫn kiểm soát risk.
Sau đó là Strategic Back Office.
Back Office không chỉ xử lý request mà chủ động sử dụng data và operational insight để đề xuất cải tiến cho tổ chức.
Xa hơn, tôi muốn có khả năng thiết kế một organizational operating system, nơi people, process, data và AI phối hợp hiệu quả với nhau.
Đó là career path tôi cho rằng phù hợp với thời đại AI.
14. Những năng lực tôi muốn tập trung phát triển
Nếu phải thu gọn lại, tôi muốn đầu tư vào bảy nhóm năng lực chính:
Domain expertise – hiểu sâu nghiệp vụ.
Problem framing và critical thinking – xác định đúng vấn đề.
Prioritization – biết đâu là P0.
Systems thinking – nhìn vấn đề ở cấp độ toàn hệ thống.
Data literacy – sử dụng dữ liệu để kiểm tra và ra quyết định.
Communication & leadership – xây dựng sự tin tưởng và dẫn dắt con người.
AI workflow design – biết đặt AI đúng vị trí trong quy trình.
Bên cạnh đó là năng lực học liên tục.
Bởi vì AI tool sẽ thay đổi.
Nhưng khả năng học, hiểu và thích nghi sẽ tiếp tục có giá trị.
Kết luận: Tôi không muốn cạnh tranh với AI, tôi muốn trở thành một GM tốt hơn nhờ AI
Sau khi xem video, điều tôi ghi nhớ nhất là:
AI không phải lý do để con người ngừng phát triển. AI khiến việc phát triển năng lực nền tảng trở nên quan trọng hơn.
Nếu AI viết nhanh hơn tôi, tôi cần hiểu nội dung sâu hơn.
Nếu AI phân tích nhiều dữ liệu hơn tôi, tôi cần đặt câu hỏi tốt hơn.
Nếu AI tạo nhiều phương án hơn tôi, tôi phải biết phương án nào đáng theo đuổi.
Nếu AI xử lý nhiều task hơn tôi, tôi phải biết task nào thực sự quan trọng.
Nếu AI có thể tự động hóa workflow, tôi phải hiểu workflow đủ sâu để thiết kế đúng.
Với career path của một General Manager Back Office tại công ty AI, tôi không muốn mục tiêu của mình là sử dụng nhiều AI tool nhất.
Tôi muốn trở thành người biết:
điều gì đáng làm;
điều gì nên dừng;
điều gì có thể tự động hóa;
điều gì nhất định phải do con người quyết định;
và AI nên được đặt ở đâu để tạo ra giá trị lớn nhất.
Tôi muốn AI giúp mình dành ít thời gian hơn cho các thao tác lặp lại và nhiều thời gian hơn cho tư duy, giao tiếp, quản lý con người và cải tiến tổ chức.
AI có thể là một multiplier rất mạnh.
Nhưng multiplier chỉ hữu ích khi năng lực nền tảng của con người đủ tốt.
Vì vậy, mục tiêu của tôi không đơn giản là trở thành một AI-powered GM.
Tôi muốn trước hết trở thành một GM tốt hơn, sau đó sử dụng AI để khuếch đại những năng lực đó.
Đó là con đường nghề nghiệp tôi muốn hướng tới trong kỷ nguyên AI.
Nguồn tham khảo
PIVOT 公式チャンネル – “AIエージェントブーム後の世界。一流は頭をこう使う”
Nguồn: https://www.youtube.com/watch?v=YWtlT2GviQY