AI Reskilling 2026 – thiết kế lại công việc trong sản xuất

Điều đầu tiên xảy ra tại một nhà máy vừa đưa AI tạo sinh vào sử dụng thường không phải là cắt giảm chi phí, mà là hiện tượng “nội dung của những công việc trước nay do con người làm bắt đầu thay đổi”. Chép lại hồ sơ kiểm tra, dịch Nhật – Thái – Anh, nhập dữ liệu đơn hàng, soạn tài liệu báo cáo hằng tháng. Không ít cơ sở phát công cụ cho nhân viên mà chưa hề quyết định sẽ chuyển những người đã thành thạo các nghiệp vụ lặp lại theo khuôn mẫu đó suốt nhiều năm sang vai trò nào tiếp theo. AI Reskilling không phải là việc cho nhân viên đi học, mà là một chiến lược nhân sự bao gồm cả phân rã nghiệp vụ, thiết kế lại chức năng công việc và tái bố trí con người. Bài viết này sắp xếp lại những việc mà doanh nghiệp sản xuất Nhật Bản tại Thái Lan và ASEAN nên bắt tay vào trước, dựa trên các khảo sát mới nhất đã được công bố.

Vì sao AI Reskilling đã trở thành bài toán của ban lãnh đạo

Khoảng cách giữa kỳ vọng của lãnh đạo và điều kiện mà nhân viên nhận được

Báo cáo “Four Futures for Jobs in the New Economy: AI and Talent in 2030” do Diễn đàn Kinh tế Thế giới (WEF) công bố tháng 1 năm 2026 cho biết, trong khảo sát với các lãnh đạo doanh nghiệp, 54% ý kiến cho rằng AI sẽ thay thế công việc hiện có, còn 24% cho rằng AI sẽ tạo ra việc làm mới. Nghĩa là số người dự đoán thay thế nhiều hơn gấp đôi số người dự đoán tạo mới.

Điểm đáng lưu ý hơn trong cùng khảo sát đó là gần 45% ý kiến kỳ vọng AI sẽ cải thiện tỷ suất lợi nhuận, trong khi chỉ 12% cho rằng điều đó sẽ dẫn tới tăng lương. Giả định rằng thành quả năng suất được hoàn trả lại cho chế độ đãi ngộ của nhân viên vốn không nằm trong chính viễn cảnh của ban lãnh đạo. Trong trạng thái đó, nếu kêu gọi nhân viên đi học lại, việc hiện trường tiếp nhận thông điệp ấy như “làm cho công việc của mình hiệu quả hơn để rồi tự đặt vị trí của mình vào thế bấp bênh” là một phản ứng hoàn toàn tự nhiên.

Coi AI Reskilling là bài toán của ban lãnh đạo có nghĩa là phía quản lý phải chuẩn bị trước thiết kế để lấp khoảng cách này. Trước khi bàn cho nhân viên học cái gì, hãy quyết định người học xong sẽ đảm nhiệm chức năng công việc nào và nhận chế độ đãi ngộ ra sao. Nếu đảo ngược thứ tự, tỷ lệ có mặt tại lớp học sẽ tăng nhưng hành vi thì không đổi.

Bức tranh năm 2030 không chỉ có một con đường

Cũng báo cáo đó của WEF không đưa ra một dự báo duy nhất về việc làm năm 2030, mà sắp xếp thành bốn kịch bản: “Supercharged Progress”, “Age of Displacement”, “Co-Pilot Economy” và “Stalled Progress”. Thứ phân tách bốn kịch bản này là sự kết hợp giữa trục công nghệ AI tiến xa đến đâu và trục nguồn nhân lực có kỹ năng sử dụng AI có phổ cập rộng rãi hay không. Chẳng hạn “Co-Pilot Economy” và “Stalled Progress” giống nhau ở chỗ AI chỉ tiến triển dần dần chứ không đột biến, khác biệt duy nhất nằm ở phía nhân lực. Kịch bản trước mô tả trạng thái nhân lực có kỹ năng làm việc với AI đã lan rộng, kịch bản sau mô tả trạng thái nhóm nhân lực đó vẫn còn hạn chế.

Cách sắp xếp này quan trọng với thực tiễn vì một trong hai trục phân tách kịch bản không nằm ở công nghệ mà nằm ở phía con người. Tiến bộ công nghệ diễn ra bên ngoài doanh nghiệp, nhưng có đầu tư vào nhân lực hay không lại là quyết định của chính doanh nghiệp. Cùng đặt trong một môi trường công nghệ như nhau, cơ sở có đầu tư và cơ sở không đầu tư sẽ có bức tranh năm 2030 khác nhau. Cơ cấu nhân sự và phân bố thâm niên ở công ty mẹ tại Nhật với cơ sở tại Thái Lan không hề giống nhau. Thay vì bê nguyên cuộc thảo luận của trụ sở chính về, mỗi cơ sở cần tự quyết định mình sẽ nhắm tới kịch bản nào.

Giai đoạn “cứ mua công cụ là xong” đã qua

Theo khảo sát với các doanh nghiệp tại Nhật Bản do SDE Partners công bố ngày 8 tháng 6 năm 2026 (thực hiện từ ngày 18 đến 23 tháng 3 năm 2026, đối tượng là 1,014 người dùng AI tạo sinh đang làm việc tại doanh nghiệp có từ 300 nhân viên trở lên), tỷ lệ triển khai ở khối doanh nghiệp của Microsoft Copilot là 45.3% và của ChatGPT là 45.0%, gần như ngang nhau. Mặt khác, tổng cộng 83.0% người dùng cảm thấy tính năng hoặc độ chính xác chưa đạt tới mức dùng được trong nghiệp vụ thực tế.

Dù đây là khảo sát trong nước Nhật, con số này cho thấy “chỉ đưa công cụ AI có sẵn vào thì nghiệp vụ không tự khép kín được”. Phải kiểm chứng đầu ra, phải chỉnh sửa cho khớp với nghiệp vụ, phải để con người xử lý ngoại lệ. Sự thích ứng từ phía con người vẫn còn cần thiết, và chính năng lực thích ứng đó mới là đối tượng của reskilling. Nhiều cơ sở dành rất nhiều thời gian tranh luận chọn công cụ nào, nhưng lại để việc thiết kế chức năng công việc và cơ chế vận hành cho người sử dụng ra phía sau, trong khi thứ quyết định kết quả lại chính là vế sau. Về những đứt gãy điển hình khiến công cụ bị bỏ không sau khi triển khai, bài Thúc đẩy sử dụng AI thực tế 2026 – ba đứt gãy sau đào tạo đã trình bày cụ thể.

Cách phân định tác vụ mà AI tạo sinh thay thế và công việc chỉ con người làm được

Phân rã theo “tác vụ”, không theo “chức danh”

Sai lầm phổ biến nhất khi bàn về AI Reskilling là tranh luận “công việc nào sẽ biến mất” ở cấp độ chức danh. Chức danh nhân viên kiểm tra không biến mất; điều thực sự xảy ra là trong hơn mười cho tới vài chục tác vụ mà người kiểm tra đang đảm nhiệm, một số được tự động hóa, một số vẫn còn, và một số mới phát sinh.

Tài liệu series No.299 “Ảnh hưởng tới người lao động từ việc sử dụng AI tạo sinh tại nơi làm việc” do Japan Institute for Labour Policy and Training (JILPT) công bố ngày 18 tháng 3 năm 2026, dựa trên khảo sát tình huống tại công ty J thuộc ngành công nghệ thông tin và truyền thông cùng công ty K thuộc ngành sản xuất, đã sắp xếp những thay đổi về tác vụ tại nơi làm việc thành năm dạng sau.

• Thay đổi mang tính bổ trợ. AI bổ sung cho phần việc con người từng làm, khiến cơ cấu phạm vi phụ trách thay đổi (xác nhận ở cả công ty J và công ty K)
• Mở rộng biên độ tác vụ. Nhân viên có thể đảm nhiệm cả phần phân tích và đề xuất mà trước đây không đủ thời gian làm (xác nhận ở công ty J)
• Tái tổ chức tác vụ. Trình tự nghiệp vụ hiện có và cách phân chia người phụ trách thay đổi (xác nhận ở công ty K)
• Phát sinh tác vụ mới. Những việc mới xuất hiện như kiểm chứng đầu ra của AI hay chuẩn hóa cách ra chỉ thị (xác nhận ở cả công ty J và công ty K)
• Mở rộng tự động hóa từng phần. Chỉ một phần công đoạn được tự động hóa, còn tổng thể vẫn do con người đảm nhiệm (xác nhận ở công ty J)

Trong năm dạng đó, không có dạng nào chỉ tới sự biến mất của chính chức danh. Ba dạng được xác nhận tại công ty K ngành sản xuất là thay đổi mang tính bổ trợ, tái tổ chức tác vụ và phát sinh tác vụ mới. Thứ diễn ra trong thực tế là “việc viết lại đường viền của chức năng công việc”, và vì vậy đơn vị của reskilling cũng phải là tác vụ thì mới ăn khớp.

Bốn góc phần tư để phân loại

Sau khi kiểm kê tác vụ, phân loại thế nào? Cách dễ dùng trong thực tế là hai trục: mức độ tái lập của phán đoán, và mức độ ảnh hưởng khi xảy ra sai sót.

Điều quan trọng trong cách phân loại này là không nhìn những người từng đảm nhiệm các tác vụ thuộc nhóm ứng viên thay thế như là “nhân lực dôi dư”. Người càng thành thạo tác vụ đó thì càng có khả năng phán đoán tính hợp lý của đầu ra AI trong vùng ứng viên hỗ trợ. Người đã chép hồ sơ kiểm tra suốt 10 năm sẽ biết bằng cảm nhận con số nào là thực tế và con số nào là bất thường.

Vùng chỉ con người đảm nhiệm tập trung vào “kiểm chứng” và “quan hệ con người”

Báo cáo “Job Skills Report 2026” do Coursera công bố ngày 21 tháng 1 năm 2026, dựa trên dữ liệu của khoảng 6 triệu người học thuộc khối doanh nghiệp, cho biết lượt học các kỹ năng liên quan tới AI tạo sinh tăng 234% so với năm trước. Đồng thời, điểm được chú ý là lượt học Critical Thinking (tư duy phản biện) cũng tăng vọt ở từng lĩnh vực, chẳng hạn tăng 168% trong lĩnh vực dữ liệu. Báo cáo này phân tích rằng chuyển động đó phản ánh việc con người đang dịch chuyển sang vai trò chuyên gia kiểm chứng kết quả đầu ra của AI.

Học cách sử dụng công cụ AI và có năng lực nghi ngờ đầu ra của AI là hai kỹ năng khác nhau. Vế trước có thể nắm được trong thời gian ngắn, còn vế sau đòi hỏi nền tảng kiến thức nghiệp vụ. Đây chính là vùng mà người gắn bó lâu năm với hiện trường có lợi thế.

Tầm quan trọng của kỹ năng quan hệ con người cũng chỉ về cùng một hướng. Bà Daniela Amodei, đồng sáng lập Anthropic, trong bài phỏng vấn với Fortune ngày 7 tháng 2 năm 2026 đã nói rằng bà muốn tuyển những người có năng lực giao tiếp, EQ và kỹ năng quan hệ con người tốt, đồng thời nêu quan điểm rằng AI mạnh ở lĩnh vực STEM nên tri thức nhân văn sẽ càng quan trọng hơn trong thời gian tới. Đặt vào bối cảnh nhà máy, những việc như giải thích lỗi cho khách hàng, tạo đồng thuận tại hiện trường hay đàm phán với nhà cung cấp vẫn là vùng mà dù AI soạn được bản nháp thì trách nhiệm cuối cùng vẫn thuộc về con người.

Thay đổi diễn ra tại hiện trường sản xuất – kiểm tra, phiên dịch, nhập liệu và hành chính

Nhóm nhân sự làm nghiệp vụ lặp lại theo khuôn mẫu tại các cơ sở ở Thái Lan tập trung ở kiểm tra ngoại quan, biên phiên dịch, nhập liệu và các công việc hành chính thuộc khối kế toán, tổng vụ. Hãy xem thay đổi diễn ra ở từng mảng.

Kiểm tra ngoại quan chuyển từ “phán định” sang “quản lý tiêu chuẩn”

Tự động hóa kiểm tra ngoại quan bằng hình ảnh đã tiến triển từ trước khi có AI tạo sinh, nhưng thứ thay đổi là rào cản khi triển khai. Nhờ có thể dùng AI tạo sinh cho các công việc phụ trợ như sắp xếp dữ liệu huấn luyện, văn bản hóa tiêu chuẩn phán định hay diễn giải các trường hợp ngoại lệ, những mã hàng lô nhỏ vốn bị gác lại vì lý do quy mô nay cũng nằm trong tầm với.

Kết quả là công việc của nhân viên kiểm tra dịch chuyển từ “phán định hàng đạt hay không đạt” sang “duy trì và quản lý chính bộ tiêu chuẩn phán định”. Cụ thể là những việc như phân xử các trường hợp AI lưỡng lự, giám sát xem tiêu chuẩn có bị lệch do mùa vụ hay thay đổi vật liệu hay không, bổ sung tiêu chuẩn khi ra sản phẩm mới. Số lượt phán định giảm đi, nhưng độ khó của công việc tăng lên. Đây không phải là giáng cấp, mà cần được đối xử như một sự nâng hạng rõ ràng của chức năng công việc.

Biên phiên dịch chuyển từ “người dịch” sang “người bảo đảm ý nghĩa”

Đây là mảng chịu ảnh hưởng lớn nhất tại các cơ sở ở Thái Lan. Bản dịch sơ bộ giữa tiếng Nhật, tiếng Thái và tiếng Anh đang dần đạt tới mức dùng được. Trong trao đổi hằng ngày giữa nhân viên biệt phái người Nhật và nhân viên bản địa, hẳn ngày càng nhiều tình huống đã có dịch máy tham gia.

Mặt khác, vẫn còn nguyên những thứ dịch máy không gánh được. Trong một báo cáo lỗi chất lượng, làm sao truyền đạt được hàm ý của câu tiếng Nhật kiểu “chắc là không sao đâu”. Tại buổi kiểm tra của khách hàng, ứng xử thế nào với câu hỏi không nên trả lời. Khi nhắc nhở về kỷ luật lao động, phải nói thế nào để vừa giữ thể diện cho đối phương vừa yêu cầu khắc phục. Những tình huống như vậy không phải công việc chuyển đổi ngôn ngữ mà là công việc phán đoán ngữ cảnh.

Tại các cơ sở đang có nhân sự phụ trách biên dịch, hoàn toàn có dư địa để định nghĩa lại chức năng này từ “phiên dịch” thành “thiết kế giao tiếp giữa Nhật và Thái”. Xây dựng bộ thuật ngữ, kiểm tra chất lượng bản dịch, lập quy tắc phân định những tình huống nguy hiểm nếu dùng dịch máy. Đây đều là những việc càng phổ cập AI thì giá trị càng tăng.

Nhập liệu không biến mất mà dịch chuyển lên thượng nguồn

Nhập dữ liệu đơn hàng, kết quả sản xuất hay tồn kho là mảng có thể cắt giảm đáng kể nhờ kết hợp AI-OCR với AI tạo sinh. Tuy nhiên, không được nhìn nhầm về thứ còn lại sau khi đã cắt giảm.

Thứ còn lại không phải bản thân việc nhập liệu mà là công việc giữ cho dữ liệu nhất quán. Bám theo thay đổi định dạng biểu mẫu vốn khác nhau ở từng đối tác, xử lý các trường hợp kết quả đọc không khớp với master hiện có, truy nguyên nhân khi số liệu giữa các hệ thống không khớp nhau. Loại công việc này khó tự động hóa, và hơn nữa nếu không nắm thực tế hiện trường thì không xử lý được. Kiến thức mà người phụ trách nhập liệu đang có, kiểu “đối tác này bao giờ cũng tính theo đơn vị thùng”, chính là nền móng cho chức năng công việc tiếp theo.

Khối hành chính và gián tiếp có thể mở rộng phạm vi công việc

Trong năm dạng của JILPT nêu trên, dạng “mở rộng biên độ tác vụ” được xác nhận ở tình huống của công ty J ngành công nghệ thông tin và truyền thông, nhưng khối gián tiếp của ngành sản xuất cũng có dư địa tương tự. Khi thời gian dành cho soạn tài liệu hay ghi biên bản sơ bộ giảm đi, nhân viên có thể bước vào phần phân tích và đề xuất cải tiến mà trước đây không đủ thời gian làm. Tuy vậy, sự mở rộng này không tự động xảy ra. Nếu cấp trên không thiết kế cách dùng khoảng thời gian trống ra, mọi chuyện sẽ chỉ dừng ở việc khối lượng công việc giảm đi.

Cùng khảo sát đó cũng gợi ý rằng, bên cạnh việc hình thành kỹ năng mới và nâng cao kỹ năng, có một số kỹ năng bị giảm giá trị. Nhìn thẳng vào điểm này chính là xuất phát điểm của reskilling. Thừa nhận rằng có những kỹ năng đang mất giá, rồi suy nghĩ cách nối các tài sản khác mà người đó đang có (kiến thức nghiệp vụ, quan hệ trong công ty, cảm nhận hiện trường) sang chức năng công việc tiếp theo, đó mới là việc của phía quản lý.

Bảng này không phải bản hoàn chỉnh mà là khung để từng cơ sở tự điền lại. Bởi cùng là “nhập liệu” thì phần việc còn lại vẫn khác nhau tùy cấu hình hệ thống mà cơ sở đang có.

Đừng dừng ở “đào tạo” – tư duy thiết kế lại công việc và tái bố trí nhân sự

Lý do mang tính cấu trúc khiến chỉ đào tạo thôi thì hành vi không đổi

Nhiều cơ sở đã tổ chức xong đào tạo AI. Lý do nó vẫn không bám rễ là vì đào tạo xử lý chuyện “làm được cái gì”, trong khi chức năng công việc mới là thứ quy định “phải làm cái gì”. Nếu bản mô tả công việc, hạng mục đánh giá và chỉ thị công việc hằng ngày đều không đổi mà chỉ trao thêm kỹ năng mới, thì sẽ không nảy sinh tính chính đáng để dùng kỹ năng đó trong giờ làm việc.

Nói cách khác, thứ quyết định hiệu lực của reskilling không phải chất lượng đào tạo mà là thiết kế chức năng công việc mà người học được đặt vào sau khóa học. Nếu trượt điểm này, càng bỏ tiền thì càng chỉ đọng lại ký ức về “khóa học chẳng giúp ích gì”. Quan hệ giữa thiết kế đối tượng đào tạo và hiệu quả chi phí đã được bàn trong bài Đào tạo nhân lực chuyển đổi số 2026, còn chủ đề của bài viết này nằm ở một bước trước đó, tức là viết lại chính bản thân chức năng công việc.

Viết lại bản mô tả công việc trước

Trình tự thực tiễn như sau.

• Kiểm kê các tác vụ đối tượng và phân loại theo bốn góc phần tư đã nêu
• Gỡ các tác vụ thuộc nhóm ứng viên thay thế và ứng viên hỗ trợ ra khỏi bản mô tả công việc hiện tại
• Định nghĩa ở mức sản phẩm đầu ra cụ thể về việc sẽ đưa gì vào phần thời gian làm việc trống ra
• Liệt kê các kỹ năng cần cho chức năng công việc mới, và chỉ tới lúc đó mới thiết kế đào tạo
• Sửa đổi hạng mục đánh giá và chế độ đãi ngộ cho khớp với chức năng công việc mới

Thứ tự là điều quan trọng. Nếu cho đào tạo chạy trước, độ lệch giữa nội dung đã học và chức năng công việc sẽ lộ ra sau đó và phải làm lại từ đầu.

Rockwell Automation, trong một phân tích bàn về việc ngành sản xuất lấy AI làm chủ đạo và lấy con người làm trung tâm sẽ thay đổi Đông Nam Á ra sao, cho biết 42% doanh nghiệp sản xuất khu vực APAC đang sử dụng công cụ số cho việc thiết kế lại chức năng công việc. Phân tích này nêu ra sự xuất hiện của những chức năng phức hợp như người vận hành tiến hóa thành kỹ sư độ tin cậy, đồng thời cho biết các chỉ dẫn công việc được mở rộng bằng hướng dẫn của AI và những mô-đun huấn luyện số dành cho hiện trường đang dần được đưa vào áp dụng. Phân tích này cũng nói rằng cấu hình lai kết hợp giữa đám mây và biên đang dần trở thành chuẩn mực tại các thị trường như Việt Nam, Thái Lan, Malaysia và Indonesia. Nghĩa là cả thiết kế lại chức năng công việc lẫn xây dựng nền tảng số đều không còn là câu chuyện riêng của các nước phát triển.

Ba mô hình tái bố trí

Tái bố trí không chỉ có “thăng chức”. Trong thực tế, ba mô hình sau được vận dụng linh hoạt.

• Dịch chuyển dọc. Giữ nguyên mảng nghiệp vụ nhưng đi lên từ người thực thi thành người quản lý hoặc người thiết kế. Chuyển từ nhân viên kiểm tra sang người quản lý tiêu chuẩn kiểm tra là ví dụ
• Dịch chuyển ngang. Chuyển sang mảng nghiệp vụ liền kề. Trường hợp người phụ trách nhập liệu chuyển sang phân tích số liệu thực hiện của quản lý sản xuất
• Dịch chuyển sang vai trò kết nối. Đảm nhiệm vai trò nối giữa hiện trường và bộ phận IT, hoặc giữa quản lý người Nhật và nhân viên bản địa. Nhân lực đa ngôn ngữ phát huy thế mạnh tại đây

Trong ba mô hình, vai trò kết nối là thứ các cơ sở tại Thái Lan thiếu nhân lực nhất. Người vừa hiểu ngôn ngữ của hệ thống vừa hiểu ngôn ngữ của hiện trường, lại dùng được cả tiếng Nhật lẫn tiếng Thái, nếu tuyển từ bên ngoài thì chi phí cực kỳ cao. Đây là chức năng có tính hợp lý rất cao để đào tạo nội bộ. Góc nhìn về cách lưu giữ tri thức ngầm của nhân sự kỳ cựu dưới dạng tri thức hiện đã được sắp xếp theo từng tầng trong bài Chuyển giao kỹ năng bằng AI 2026.

Bắt đầu từ ai – cách sắp thứ tự ưu tiên cho AI Reskilling

Không khởi động đồng loạt cho toàn bộ nhân sự

Vì ngân sách lẫn công sức quản lý đều có giới hạn, cần khoanh vùng đối tượng. Có ba trục để quyết định thứ tự ưu tiên.

• Mức cấp bách của ảnh hưởng. Tỷ trọng ứng viên thay thế và ứng viên hỗ trợ trong các tác vụ phụ trách càng cao thì càng nên làm trước
• Khả năng dịch chuyển. Kiến thức nghiệp vụ của người đó có vận dụng lại được sang chức năng mới không, và người đó có ý chí học hỏi không
• Ảnh hưởng tới cơ sở. Việc người đó dịch chuyển sẽ làm thay đổi công việc xung quanh đến mức nào

Trong ba trục, thứ mà nhiều cơ sở bỏ sót là trục thứ ba. Khi một người tạo được kết quả ở chức năng công việc mới, những người xung quanh sẽ tiếp nhận theo kiểu “chuyện đó cũng liên quan tới mình”. Việc có chủ ý chọn người đầu tiên nhằm tạo hiệu ứng lan tỏa hay không sẽ quyết định vòng thứ hai trở đi dễ hay khó. Ngược lại, nếu bắt đầu từ nhóm phản kháng mạnh nhất rồi vấp ngã, chính vụ việc đó sẽ được ghi nhớ như một ví dụ thất bại và làm cho các bước triển khai sau trở nên khó khăn.

Cách nghĩ về thứ tự triển khai

Nếu tới giai đoạn 4 mà nhân lực của chính công ty đã đảm nhiệm được vai trò giảng viên thì chi phí chi ra bên ngoài sẽ giảm đáng kể. Việc đưa cả chặng này vào thiết kế ngay từ đầu chính là thứ quyết định hiệu quả chi phí.

Làm gì trong 90 ngày đầu

90 ngày đầu nên dùng để “tạo ra khuôn mẫu” hơn là để tạo ra kết quả. Cụ thể, hãy khoanh lại đúng một bộ phận đối tượng và chạy trọn một vòng từ kiểm kê tác vụ tới sửa đổi bản mô tả công việc. Thứ thu được từ một vòng này không phải thành quả cải tiến nghiệp vụ, mà là niềm tin rằng công ty tự chạy được công việc này, cùng với bộ quy trình có thể bàn giao cho bộ phận tiếp theo. Về cách lôi kéo cấp quản lý cùng tham gia, bài Đào tạo AI cho quản lý 2026 đã tổng hợp các tiêu chí phán đoán và góc nhìn kiểm soát.

Rào cản riêng của các cơ sở tại Thái Lan và ASEAN – nhân lực đa ngôn ngữ và khoảng trống kỹ năng

Bắt đầu từ tiền đề không thể lấp bằng tuyển dụng

Báo cáo “From Skills Gaps to Growth: Upskilling Southeast Asia’s Workforce for 2026” do ASW Consulting công bố ngày 6 tháng 2 năm 2026, dẫn lại Future of Jobs Report 2025 của Diễn đàn Kinh tế Thế giới, cho biết tại Thái Lan có 62% người phụ trách tuyển dụng trả lời rằng họ không lấp được các vị trí tuyển dụng của ngành, còn tại Việt Nam có hơn 60% doanh nghiệp nêu khoảng trống kỹ năng như một rào cản trong kinh doanh.

Con số này cho thấy một thực tế là giải pháp tuyển người có sẵn kỹ năng cần thiết từ bên ngoài rất khó thành lập ở khu vực này. Trong các cuộc thảo luận tại Nhật, luận điểm thường là “chọn tuyển dụng hay chọn đào tạo”, nhưng tại các cơ sở ở Thái Lan và ASEAN thì dư địa lựa chọn hẹp, và đào tạo gần như là con đường mặc định. Và nếu đã đặt cược vào đào tạo thì buộc phải tính tới cả cơ chế giữ chân người đã được đào tạo, tức là bao gồm cả thiết kế đãi ngộ và chức năng công việc.

Đặt nhân lực đa ngôn ngữ vào đâu

Tại các cơ sở ở Thái Lan luôn có một lượng nhất định nhân sự dùng được nhiều hơn một trong ba thứ tiếng Nhật, Thái và Anh. Nhóm này lâu nay được bố trí làm biên phiên dịch hoặc trợ lý cho nhân viên biệt phái người Nhật, nhưng khi bản dịch sơ bộ đã có AI lo được thì giữ nguyên cách bố trí đó sẽ khiến giá trị của họ trở nên khó nhìn thấy.

Mặt khác, trong giai đoạn triển khai AI ra toàn công ty, tầm quan trọng của nhóm này lại tăng lên. Lý do như sau.

• Việc chuẩn hóa các quy trình và tiêu chuẩn chất lượng nội bộ thành dạng AI xử lý được luôn phải bắc cầu giữa các ngôn ngữ
• Những người có thể xác nhận đầu ra của AI tạo sinh có được nhân viên bản địa hiểu đúng hay không tập trung ở nhóm này
• Việc chuyển các quy tắc do công ty mẹ tại Nhật đưa ra thành thực tiễn tại địa phương đòi hỏi cả năng lực ngôn ngữ lẫn hiểu biết nghiệp vụ

Vậy nên chuyển nhân lực đa ngôn ngữ từ chức năng phiên dịch sang “người thúc đẩy triển khai AI trong nội bộ” là một cách tái bố trí tự nhiên. Nếu không thiết kế bước dịch chuyển này một cách có ý thức, sẽ dẫn tới tình huống đáng tránh nhất là chính người đó cảm thấy vai trò của mình bị thu hẹp rồi nghỉ việc.

Chọn ngôn ngữ nào cho nội dung đào tạo

Cách làm bê nguyên tài liệu đào tạo AI do công ty mẹ tại Nhật chuẩn bị sang dùng ở cơ sở Thái Lan có giới hạn của nó. Dịch tài liệu tiếng Nhật sang tiếng Anh rồi phát đi cũng không chắc các trưởng nhóm tại hiện trường đọc hiểu được. Nhưng nếu chuyển toàn bộ sang tiếng Thái thì chi phí lại đội lên.

Phương án dung hòa thực tế là chia ngôn ngữ theo nhóm đối tượng. Với cấp quản lý, truyền đạt khái niệm bằng tài liệu tiếng Anh hoặc tiếng Nhật; với nhân sự hiện trường, chuẩn bị tài liệu ngắn bằng tiếng Thái tập trung vào “công việc của tôi sẽ thay đổi ra sao”. So với việc làm một bộ tài liệu dày dùng chung cho toàn công ty, làm nhiều bộ tài liệu mỏng khoanh theo đối tượng trên thực tế lại bám rễ tốt hơn.

Đưa rủi ro nghỉ việc vào thiết kế

Khả năng nhân sự đã được đầu tư reskilling chuyển việc luôn tồn tại trên thị trường lao động Thái Lan. Quyết định ngần ngại đầu tư vì lý do này là điều có thể hiểu, nhưng nếu không đầu tư thì sẽ ôm một rủi ro khác là nhân sự đọng lại trong nghiệp vụ lặp lại theo khuôn mẫu và năng suất của cả cơ sở không tăng lên.

Về mặt thực tiễn, có thể tính tới các thiết kế giảm nhẹ sau.

• Rà soát và điều chỉnh rõ ràng bậc lương hoặc phụ cấp ngay tại thời điểm thiết kế lại chức năng công việc
• Giao cho người thuộc diện đào tạo vai trò hướng dẫn người khác trong cơ sở để nâng cảm giác gắn bó
• Tích lũy tri thức vào quy trình nghiệp vụ thay vì vào cá nhân, tránh phụ thuộc vào một người cụ thể

Điểm thứ ba đặc biệt quan trọng. Việc tạo ra trạng thái nghiệp vụ vẫn chạy dù có người rời đi vừa là biện pháp đối phó với nghỉ việc, vừa chính là thành quả của bản thân reskilling.

Đo hiệu quả đầu tư cho AI Reskilling như thế nào

Đừng lấy tỷ lệ tham gia đào tạo làm KPI

Nguyên nhân lớn nhất khiến cuộc thảo luận về hiệu quả đầu tư chạy không tải là đối tượng đo lường lại là tỷ lệ tham gia hoặc mức độ hài lòng. Đó là ghi chép về việc đã tổ chức, không phải chỉ số về kết quả.

Các chỉ số dùng được trong thực tế nên được thiết kế theo ba tầng.

Nếu chỉ nhìn tầng hành vi sẽ bỏ sót trạng thái “có dùng nhưng nghiệp vụ không đổi”. Ngược lại, nếu chỉ đuổi theo con số của tầng kết quả kinh doanh thì không tách được khỏi các yếu tố khác và không giải thích được phần đóng góp của reskilling. Giữ đủ ba tầng thành một bộ chính là căn cứ để quyết định có đầu tư tiếp hay không.

Dự trù độ trễ cho tới khi hiệu quả xuất hiện

Với reskilling đi kèm thiết kế lại chức năng công việc, mốc thực tiễn thường là thay đổi ở tầng hành vi sau 1 tới 3 tháng, tầng nghiệp vụ sau 3 tới 6 tháng, còn phản ánh vào con số của tầng kết quả kinh doanh thì từ tháng thứ 6 trở đi. Nếu không chia sẻ trước độ trễ này trong cuộc họp ban lãnh đạo, tới báo cáo tháng thứ 3 dự án sẽ bị kết luận là “chưa có hiệu quả” và bị cắt giữa chừng.

Cái đáng sợ của việc bị cắt không chỉ là lãng phí chi phí. Một chương trình reskilling đã bị dừng giữa chừng sẽ rất khó nhận được sự hợp tác của hiện trường khi muốn khởi động lại lần sau. Cần thống nhất trước khi bắt đầu rằng tại thời điểm nào thì nhìn vào cái gì.

Đừng trì hoãn thiết kế chế độ đãi ngộ

Hãy quay lại khảo sát của WEF đã nhắc tới ở đầu bài. Cấu trúc gần 45% ý kiến kỳ vọng cải thiện tỷ suất lợi nhuận trong khi chỉ 12% kỳ vọng tăng lương là luận điểm không thể né tránh khi đo hiệu quả đầu tư cho reskilling.

Không nhất thiết phải chuyển toàn bộ phần năng suất tăng thêm vào chi phí nhân sự, nhưng nếu đãi ngộ của người đã chuyển sang chức năng công việc mới vẫn y như trước, những người xung quanh sẽ học được rằng “nhận việc khó cũng chẳng được đền đáp”. Ứng viên thứ hai và thứ ba sẽ không xuất hiện, và reskilling dừng lại ngay ở vòng đầu tiên. Vì việc rà soát hệ thống bậc lương và phụ cấp mất nhiều thời gian, cách làm thực tế là khởi động song song với kế hoạch reskilling.

FAQ

AI Reskilling là gì?

Đó là hoạt động sắp xếp lại kỹ năng và chức năng công việc của nhân viên để họ ứng phó được với những nghiệp vụ đang đổi nội dung do AI phổ cập. Đây không phải từ chỉ riêng các khóa học cách dùng công cụ, mà nên được hiểu theo hướng thực tiễn là một chiến lược nhân sự bao gồm cả phân rã tác vụ nghiệp vụ, viết lại bản mô tả công việc, tái bố trí con người và rà soát chế độ đãi ngộ. Nếu chỉ dùng từ này để chỉ nỗ lực của phía người học, trách nhiệm thiết kế của phía quản lý sẽ rơi mất.

Đào tạo AI và AI Reskilling khác nhau ở chỗ nào?

Đào tạo AI là một phương tiện, còn AI Reskilling là toàn bộ hoạt động bao gồm phương tiện đó. Đào tạo lấy mục tiêu là “giúp nhân viên có được kỹ năng mới”, còn reskilling lấy mục tiêu tới tận “bố trí con người vào chức năng công việc nơi kỹ năng đó được phát huy”. Nếu chỉ tổ chức đào tạo mà chức năng công việc không đổi, nội dung đã học sẽ không được dùng trong giờ làm việc và khoản đầu tư không thu hồi được.

Nên bắt đầu triển khai AI tạo sinh trong nội bộ từ bộ phận nào?

Cách an toàn là bắt đầu từ bộ phận có tỷ trọng nghiệp vụ lặp lại theo khuôn mẫu cao và sai sót nếu xảy ra cũng không ảnh hưởng ngay tới chất lượng hay thời hạn giao hàng. Tại nhiều cơ sở, nghiệp vụ soạn tài liệu của khối gián tiếp hoặc các bộ phận có phát sinh biên dịch là ứng viên phù hợp. Ngược lại, nếu đưa ngay vào nghiệp vụ phán đoán của đảm bảo chất lượng hay quản lý sản xuất thì gánh nặng kiểm chứng đầu ra sẽ cao và hiện trường dễ chỉ còn lại cảm giác bị thêm việc.

Reskilling cần khoảng thời gian bao lâu?

Điều này tùy phạm vi đối tượng, nhưng một mốc tham khảo là khoảng 3 tháng để chạy trọn một vòng từ kiểm kê tác vụ tới sửa đổi bản mô tả công việc cho một bộ phận, và thêm 3 tới 6 tháng nữa để người đó tự vận hành được ở chức năng công việc mới. Nếu đặt tiền đề triển khai toàn công ty thì sẽ thành kế hoạch từ 1 tới 2 năm. Thay vì đòi kết quả trong ngắn hạn, cách tạo khuôn mẫu ở bộ phận đầu tiên rồi chuyển khuôn mẫu đó sang các bộ phận khác thực ra lại lan nhanh hơn.

Tài liệu cho nhân viên người Thái để nguyên tiếng Nhật hoặc tiếng Anh có được không?

Với những gì đưa tới nhân sự hiện trường, an toàn hơn là đặt tiền đề chuẩn bị bằng tiếng mẹ đẻ. Nếu vì chi phí dịch mà bỏ qua bản tiếng Thái, ý đồ của sự thay đổi sẽ không được truyền đạt và bị tiếp nhận như “chuyện công việc bị lấy mất”, trở thành nguyên nhân của sự phản kháng. Đúng như phần “Rào cản riêng của các cơ sở tại Thái Lan và ASEAN” đã nêu, thiết kế thay đổi ngôn ngữ và dung lượng theo từng nhóm đối tượng là cách làm thực tế.

Tổng kết

Chừng nào AI Reskilling còn được xử lý như một biện pháp của riêng bộ phận phát triển nhân sự thì kết quả vẫn khó xuất hiện. Xin nhìn lại các điểm chính đã được sắp xếp trong bài viết này.

• Có khoảng cách giữa kỳ vọng của lãnh đạo và điều kiện mà nhân viên nhận được. Hãy chuẩn bị trước thiết kế đãi ngộ
• Đơn vị thảo luận là tác vụ chứ không phải chức danh. Phân loại theo bốn góc phần tư dựa trên mức tái lập của phán đoán và ảnh hưởng khi sai
• Kiểm tra, biên dịch, nhập liệu và hành chính đều không biến mất mà bị viết lại đường viền chức năng công việc
• Viết lại bản mô tả công việc trước khi đào tạo. Đảo ngược thứ tự sẽ phải làm lại
• Khoanh vùng đối tượng. Nhóm nòng cốt có tỷ trọng nghiệp vụ lặp lại theo khuôn mẫu cao và giàu kiến thức nghiệp vụ là điểm khởi đầu phù hợp
• Tại Thái Lan và ASEAN, khoảng trống kỹ năng khó lấp bằng tuyển dụng. Hãy chuyển nhân lực đa ngôn ngữ sang vai trò thúc đẩy triển khai AI nội bộ
• Giữ đủ ba tầng hành vi, nghiệp vụ và kết quả kinh doanh khi đo hiệu quả, và thống nhất trước về độ trễ thời gian

Bước đầu tiên không phải quyết định đưa công cụ nào vào, mà là chọn một bộ phận và viết ra danh sách các tác vụ. Khi viết ra rồi, bạn sẽ nhận ra số tác vụ thay thế được ít hơn tưởng tượng, còn số tác vụ cần viết lại thì nhiều hơn tưởng tượng.

TOMAS TECH đã đồng hành cùng quá trình số hóa của các nhà máy Nhật Bản tại Thái Lan và ASEAN thông qua các hệ thống quản lý sản xuất và quản lý năng lượng, tiêu biểu là PEGASUS. Trong quá trình đó, chúng tôi đã chứng kiến rất nhiều tình huống cho thấy dù có đưa hệ thống vào mà chức năng công việc tại hiện trường không đổi thì hiệu quả cũng không xuất hiện. Ngay cả khi quý vị mới đang ở giai đoạn cân nhắc nên bắt đầu AI Reskilling từ đâu, chúng tôi vẫn có thể cùng quý vị bắt đầu từ việc sắp xếp xem trong các nghiệp vụ hiện tại có gì đang có khả năng bị thay thế. Xin liên hệ với chúng tôi qua trang liên hệ.

Thông tin tham khảo

• Four Futures for Jobs in the New Economy: AI and Talent in 2030 — World Economic Forum, tháng 1 năm 2026. Khảo sát ban lãnh đạo và bốn kịch bản cho năm 2030
• Ảnh hưởng tới người lao động từ việc sử dụng AI tạo sinh tại nơi làm việc (tài liệu series No.299) — Japan Institute for Labour Policy and Training (JILPT), ngày 18 tháng 3 năm 2026. Khảo sát tình huống tại công ty J ngành công nghệ thông tin và truyền thông và công ty K ngành sản xuất
• Introducing Coursera’s Job Skills Report 2026 — Coursera, ngày 21 tháng 1 năm 2026. Xu hướng học tập của người học khối doanh nghiệp
• Anthropic cofounder Daniela Amodei on humanities majors, soft skills and hiring — Fortune, ngày 7 tháng 2 năm 2026
• From Skills Gaps to Growth: Upskilling Southeast Asia’s Workforce for 2026 — ASW Consulting, ngày 6 tháng 2 năm 2026. Khoảng trống kỹ năng tại Đông Nam Á
• How AI-Driven, Human-Centred Manufacturing Will Shape Southeast Asia in 2026 — Rockwell Automation. Thiết kế lại chức năng công việc và cấu hình lai trong ngành sản xuất APAC
• Khảo sát thực trạng sử dụng nền tảng AI tạo sinh tại các doanh nghiệp trong nước Nhật Bản — SDE Partners, PR TIMES, ngày 8 tháng 6 năm 2026. Đối tượng là 1,014 người dùng AI tạo sinh tại doanh nghiệp trong nước Nhật