Người mới vào nghề: các con số mâu thuẫn nhau, nên tin con số nào
Từ 2025, bài này nói AI đang xóa việc cho người mới, bài kia nói ngược lại. Bài này đặt các con số cạnh nhau, giải thích vì sao chúng lệch, đưa sáu câu hỏi để đọc mọi con số và những việc người mới làm được dù bên nào đúng.
Dành cho sinh viên, người mới đi làm và người đang tìm việc đầu tiên trong nghề phần mềm. Không cần biết thống kê. Từ nào khó đều có giải thích ngắn.
Đây là một bài suy ngẫm: mình cân nhắc bằng chứng và nói rõ chỗ chưa biết, không phải báo cáo nghiên cứu. Mình đọc trực tiếp bản PDF của hai bài nghiên cứu (Stanford, Harvard) và các trang gốc của SignalFire, Ramp, Yale, Indeed (qua FRED). Phần còn lại mình đọc qua bản tóm tắt hoặc báo chí và đã ghi rõ. Hãy mở bản gốc trước khi trích lại bất kỳ con số nào.
Tóm tắt nhanh#
- Nhiều bài báo nói AI đang thu hẹp cửa vào nghề, nhiều bài khác nói chưa thấy gì hoặc thấy ngược lại. Phần lớn các bài đều đúng với thứ nó đo. Vấn đề là chúng đo những thứ khác nhau.
- Điểm chung của các nghiên cứu lớn: không thấy mất việc trên cả nền kinh tế, nhưng việc làm của người 22 đến 25 tuổi ở những nghề chịu ảnh hưởng nhiều từ AI đang yếu đi (Stanford, Harvard). Bản cập nhật của Stanford (dữ liệu đến 6/2026) đưa con số 19%, và chính các tác giả gọi đó là chỉ báo mô tả sớm, chưa phải bằng chứng nhân quả.
- Cùng một nhóm, cùng một nguồn vẫn ra nhiều con số: 6%, 13%, 19%, 20%. Khác nhau ở mốc so sánh và cách tính, không phải ở người nói dối.
- Có những lời giải thích không liên quan đến AI: lãi suất tăng từ 2022, quy định thuế nghiên cứu và phát triển của Mỹ (Section 174), tuyển quá tay năm 2021 đến 2022. Các nhà nghiên cứu đã thử loại chúng ra, nhưng chưa ai loại sạch được.
- Trước khi tin một con số, hãy hỏi sáu câu: đếm ai, đếm gì, so với mốc nào, dữ liệu từ đâu, còn gì thay đổi cùng lúc, chắc đến đâu.
- Dù bên nào đúng, người mới vẫn làm được một số việc: tự đo thị trường của mình, mở rộng cửa, có bằng chứng thật về kỹ năng, và xem lại số liệu mỗi quý.
Từ khó, nói dễ#
| Thuật ngữ | Nói dễ hiểu |
|---|---|
| Việc làm (employment, headcount) | Số người đang có việc tại một thời điểm. Giống đếm bao nhiêu người đang ngồi trong phòng. |
| Tuyển dụng (hiring) | Số người mới được nhận trong một khoảng thời gian. Giống đếm bao nhiêu người vừa bước qua cửa. |
| Tin đăng tuyển (job postings) | Số thông báo tuyển người. Giống đếm biển "cần người" treo trước cửa, chưa chắc có ai được nhận. |
| Tỷ lệ thất nghiệp | Trong số người đang tìm việc, bao nhiêu phần trăm chưa có việc. Người bỏ cuộc không tìm nữa thì không được tính. |
| Mốc so sánh (baseline) | Thời điểm dùng làm điểm xuất phát để tính "giảm bao nhiêu". Đổi mốc thì đổi con số. |
| Nhóm đối chứng | Nhóm để so sánh, cho biết "nếu không có chuyện này thì sẽ ra sao". |
| Tương quan và nhân quả | Hai thứ cùng thay đổi không có nghĩa thứ này gây ra thứ kia. |
| Khoảng tin cậy | Dải giá trị mà con số thật nhiều khả năng nằm trong đó. Mẫu càng nhỏ, dải càng rộng. |
| Dữ liệu bảng lương (payroll) | Hồ sơ người thật sự được trả lương tại công ty dùng một dịch vụ trả lương. Ví dụ ADP. |
| Dữ liệu hồ sơ trực tuyến | Hồ sơ nghề nghiệp mọi người tự đăng, ví dụ trên mạng việc làm. Phủ rộng, nhưng do người dùng tự khai. |
1. Hình dung: năm người cân cùng một đám đông#
Hình dung rằng có thể giải thích chuyện này bằng một ví dụ đời thường. Đây là ví dụ minh họa của mình, không phải dữ liệu thật.
Năm người đứng trước cùng một đám đông ở cổng một nhà ga và cùng cố trả lời câu hỏi: "Đám đông này có đang nhỏ đi không?"
- Người thứ nhất chỉ đếm trẻ em. Anh thấy ít đi.
- Người thứ hai đếm tất cả. Cô thấy gần như không đổi.
- Người thứ ba đứng ở cửa vào và đếm người mới vào. Chị thấy giảm mạnh.
- Người thứ tư đọc bảng thông báo "cần thêm người". Bác thấy bảng đang vơi.
- Người thứ năm hỏi từng người: "Bạn có thấy khó vào không?" Em thấy nhiều người nói có.
Cả năm đều trung thực và cả năm đều đúng với thứ mình đo. Nếu chỉ nghe "đám đông đang nhỏ đi" thì bạn không biết ai đang nói gì. Câu chuyện về việc làm của người mới trong nghề phần mềm giống hệt vậy, chỉ khác là người ta còn chọn năm bắt đầu và nơi đứng khác nhau.
2. Bên nói "cửa vào đang hẹp lại"#
Mình xếp các nghiên cứu theo đúng thứ chúng đo. Cột cuối là mức mình tin vào việc mình đã đọc đúng, không phải mức tin vào kết luận.
| Nguồn | Đếm ai | Đếm gì | Mốc và khoảng thời gian | Con số | Dữ liệu | Mức chắc về việc đọc đúng |
|---|---|---|---|---|---|---|
| Stanford, "Canaries in the Coal Mine" (Brynjolfsson, Chandar, Chen) | Người 22 đến 25 tuổi, ở nhóm nghề chịu ảnh hưởng nhiều nhất từ AI | Số người đang có việc | 11/2022 đến 6/2026 | Việc làm thấp hơn khoảng 19% so với mức lẽ ra có nếu theo kịp nhóm ít chịu ảnh hưởng (bản 8/2025, dữ liệu đến 7/2025: 13% sau khi hiệu chỉnh theo từng công ty) | Bảng lương ADP, hàng triệu người, Mỹ | Cao (đã đọc PDF) |
| ADP Research (cùng nhóm tác giả) | Lập trình viên trẻ nhất | Số người đang có việc | Từ đỉnh cuối thu 2022 đến 7/2025 | Thấp hơn khoảng 20% so với đỉnh | Bảng lương ADP | Trung bình (trang nói "lập trình viên trẻ nhất", không nêu rõ độ tuổi) |
| Harvard, Hosseini và Lichtinger | Nhân viên "junior" ở công ty đã đăng tin tuyển vị trí "tích hợp GenAI" | Số người đang có việc, so với công ty chưa đăng | Từ quý 1/2023, sau sáu quý | Giảm khoảng 9%; sau tám quý khoảng 8% theo một phép thử khác | Hồ sơ trực tuyến của khoảng 65 triệu người ở hơn 280.000 công ty, 2015 đến 2025, cộng tin đăng tuyển | Cao (đã đọc PDF bản 5/2026) |
| SignalFire, State of Talent 2025 | Sinh viên mới ra trường ở 15 công ty công nghệ lớn nhất theo vốn hóa | Số người mới được tuyển | 2023 sang 2024, và so với 2019 | Giảm 25% so với 2023 và hơn 50% so với 2019; sinh viên mới ra trường chỉ còn 7% số người được tuyển | Dữ liệu riêng của quỹ (nền tảng Beacon AI, hơn 650 triệu hồ sơ) | Cao về cách đọc, thấp về khả năng kiểm lại (dữ liệu không công khai) |
| Indeed Hiring Lab (qua FRED) | Mọi vị trí phát triển phần mềm, Mỹ | Số tin đăng tuyển | Chỉ số 2/2020 bằng 100 | Từ 233,82 (28/2/2022) xuống 61,10 (17/5/2025), nay 80,79 (23/10/2026) | Tin đăng trên Indeed | Cao (đã đọc chuỗi số gốc) |
Hai điều rút ra từ bảng:
- Các nghiên cứu lớn không nói AI xóa việc cả nền kinh tế. Chính bài Stanford ghi là không thấy việc làm bị thay thế rộng khắp trên toàn nền kinh tế. Họ nói về một nhóm hẹp: người trẻ, ở các nghề dễ bị AI thay một phần.
- Cùng nhóm, cùng nguồn vẫn ra nhiều con số. Với người 22 đến 25 tuổi ở nghề chịu ảnh hưởng nhiều, trang ADP Research nêu mức giảm khoảng 6% (từ cuối 2022 đến 7/2025, so với chính họ), bài Stanford nêu 13% và sau đó 19% (so với nhóm khác), còn riêng lập trình viên là khoảng 20% (so với đỉnh). Mục 4 sẽ tính lại các phép này để bạn thấy vì sao chúng khác nhau.
3. Bên nói "chưa thấy" hoặc "thấy ngược lại"#
| Nguồn | Đếm ai | Đếm gì | Mốc và thời gian | Con số | Dữ liệu | Mức chắc về việc đọc đúng |
|---|---|---|---|---|---|---|
| Yale Budget Lab (cùng Brookings, 10/2025, cập nhật 2026) | Cả thị trường lao động Mỹ | Cơ cấu nghề nghiệp và thời gian thất nghiệp theo mức tiếp xúc với AI | 33 tháng sau khi ChatGPT ra mắt | "Chưa thấy xáo trộn đáng kể" trên cả nền kinh tế; bản đầu 2026 cũng nói là ổn định | Dữ liệu việc làm công khai của Mỹ (chưa xác nhận chi tiết) | Trung bình (đọc qua Fortune và báo chí, chưa mở được trang gốc đầy đủ) |
| Ramp và Revelio Labs (bài làm việc, 30/6/2026) | Hơn 21.000 công ty Mỹ chi nhiều cho AI (nhóm một phần ba chi nhiều nhất, khoảng 30 USD mỗi nhân viên mỗi tháng lúc đầu) | Số người đang có việc | Hai năm sau khi bắt đầu dùng AI | Tổng số người tăng 10,2%; số người ở cấp mới vào tăng 12%; công ty chi ít không thay đổi đáng kể | Chi tiêu thẻ Ramp ghép với hồ sơ của Revelio | Cao (đã đọc trang của Ramp) |
| Fed New York, người mới ra trường | Người 22 đến 27 tuổi có bằng đại học | Tỷ lệ thất nghiệp | Quý 2/2026; theo ngành thì dữ liệu ACS 2023 | Cả nhóm: 5,6% thất nghiệp, 42% làm việc thấp hơn trình độ; Khoa học máy tính 6,1%, Kỹ thuật máy tính 7,5% (2023, mẫu nhỏ, khoảng tin cậy của kỹ thuật máy tính khoảng 4% đến 11% theo tính của EIG) | Khảo sát cộng đồng Mỹ (ACS) | Cao với số cả nhóm; thấp với số từng ngành (qua bài phân tích của EIG, chưa mở bảng gốc) |
Vài lưu ý để không đọc nhầm:
- Ramp nói "việc làm ở cấp mới vào tăng 12%", và con số này không bị tóm tắt sai: đó là mức tăng số người ở cấp mới vào tại công ty chi nhiều cho AI trong hai năm. Nhưng chính Ramp ghi rằng các công ty này vốn đã lớn hơn, nhiều kỹ sư hơn, nhiều vốn đầu tư mạo hiểm hơn và tăng nhanh hơn từ trước. Kết quả là một tương quan trong nhóm công ty đó, chưa nói gì về cả nền kinh tế, và bài chưa phải bản cuối.
- Harvard và Ramp thật sự ngược nhau về người mới, dù cùng nhìn công ty dùng AI. Theo ghi chú trong bài Harvard, hai bên đều dùng dữ liệu hồ sơ của Revelio. Điểm khác là cách định nghĩa "công ty dùng AI": một bên là đăng tin tuyển vị trí tích hợp AI, một bên là chi tiền cho công cụ AI. Cùng nhà cung cấp dữ liệu, định nghĩa khác, kết quả khác.
- Con số thất nghiệp theo ngành của Fed New York rất nhiễu vì mẫu nhỏ. Dữ liệu năm 2023 còn nằm trước phần lớn giai đoạn các bài trên bàn đến. Các bản cập nhật sau đó theo báo chí là khoảng 7,0% và 7,8%, nhưng mình chưa mở được bảng gốc để xác nhận, nên chưa dùng làm con số chính.
4. Vì sao cùng một thị trường lại cho ra con số khác nhau#
Hình dung rằng ta có một thị trấn đồ chơi. Con số dưới đây là minh họa do mình dựng, tính thật bằng tay, không đo thị trường thật.
Thị trấn đồ chơi có 100 vị trí cho người mới. Năm 2022: 40 vị trí thuộc nhóm nghề dễ bị AI thay một phần (nhóm A), 60 vị trí thuộc nhóm khác (nhóm B). Năm 2025: nhóm A còn 32, nhóm B lên 66.
| Cách đếm | Phép tính | Kết quả |
|---|---|---|
| Chỉ nhìn nhóm A, so với chính nó | 32 / 40 - 1 | giảm 20% |
| Nhóm A so với nhịp của nhóm B | (32 / 40) / (66 / 60) - 1 = 0,8 / 1,1 - 1 | thấp hơn 27,3% so với mức lẽ ra có |
| Cả thị trấn | (32 + 66) / 100 - 1 | giảm 2% |
Cùng bộ số, ba câu trả lời: "giảm 20%", "thấp hơn 27%", "gần như không đổi". Không ai sai. Đó cũng chính là cách bài Stanford ra con số 19%: việc làm ở hai nhóm nghề chịu ảnh hưởng nhiều nhất giảm khoảng 11% từ 11/2022 đến 6/2026, trong khi ba nhóm ít chịu ảnh hưởng nhất tăng khoảng 10%, và 0,89 / 1,10 - 1 cho ra khoảng 19% thấp hơn mức lẽ ra có. Nếu chỉ nhìn "giảm 11%" thì bạn có một con số khác từ cùng dữ liệu.
Ngoài cách tính, còn bốn thứ làm con số lệch nhau:
| Thứ khác nhau | Ví dụ | Vì sao ra số khác |
|---|---|---|
| Đếm cái gì | Số người đang làm, số lần tuyển, tin đăng, tỷ lệ thất nghiệp | Một công ty có thể ít tuyển mới mà vẫn giữ người cũ, nên số người đang làm giảm chậm hơn số lần tuyển. Người không tìm việc nữa không nằm trong tỷ lệ thất nghiệp. |
| Mốc thời gian | Từ đỉnh 2022, từ trước đại dịch, từ lúc ChatGPT ra mắt | Xem bảng dưới đây. |
| Đếm ai | Cả nước, công ty dùng AI, sinh viên mới ra trường | Công ty dùng AI vốn lớn hơn và khác công ty khác (cả Harvard và Ramp đều ghi điều này). |
| Nguồn dữ liệu | Bảng lương, hồ sơ trực tuyến, tin đăng, khảo sát | Mỗi nguồn phủ một phần thị trường. Khảo sát CPS của Mỹ chỉ có khoảng 23 đến 48 lập trình viên 22 đến 25 tuổi mỗi tháng theo bài Stanford, nên số rất nhảy. |
Đổi mốc, đổi câu chuyện: số liệu thật về tin đăng tuyển#
Chuỗi số của Indeed Hiring Lab về tin đăng tuyển phát triển phần mềm ở Mỹ (chỉ số, 2/2020 bằng 100, điều chỉnh theo mùa) được đăng trên FRED. Mình tính lại các mốc từ ba điểm trong chuỗi.
| Điểm bắt đầu | Giá trị lúc đó | Giá trị ngày 23/10/2026 (80,79) | Thay đổi |
|---|---|---|---|
| Đỉnh, 28/2/2022 | 233,82 | 80,79 | giảm 65,4% |
| Trước đại dịch, 2/2020 | 100 | 80,79 | giảm 19,2% |
| Đáy, 17/5/2025 | 61,10 | 80,79 | tăng 32,2% |
Cùng một chuỗi, ba câu: "tin đăng sụt hai phần ba", "vẫn thấp hơn trước đại dịch khoảng một phần năm", "đã hồi 32% từ đáy". Và chú ý: năm 2022 tin đăng gấp khoảng 2,3 lần trước đại dịch. Một phần của "mức giảm" là trở về từ một đỉnh bất thường, không phải mọi thứ đều là chuyện mới.
5. Những lời giải thích không liên quan đến AI#
Có thể coi như thị trường vừa trải qua nhiều thay đổi cùng lúc, và AI chỉ là một trong số đó.
| Lời giải thích | Chuyện gì đã xảy ra | Bằng chứng và độ chắc |
|---|---|---|
| Lãi suất tăng | Lãi suất của Fed tăng từ gần 0 đầu 2022 lên khoảng 5,00 đến 5,25% đến 5/2023 | Vay đắt thì công ty tuyển ít đi, nhất là công ty công nghệ chi nhiều cho tăng trưởng. Bài Stanford thử kiểm soát mức nhạy cảm với lãi suất của từng nghề và khoảng cách vẫn còn, và nó vẫn mở rộng đến 2026 khi lãi suất đã qua đỉnh. Mức chắc: trung bình (mình dựa vào theo dõi của báo chí, hãy kiểm lại trên trang của Fed). |
| Quy tắc thuế Section 174 | Từ năm thuế 2022, Mỹ buộc công ty phân bổ chi phí nghiên cứu và phát triển trong nước, kể cả chi phí làm phần mềm, trong 5 năm thay vì trừ ngay. Luật năm 2025 (mục 174A) khôi phục việc trừ ngay cho chi phí trong nước từ năm thuế bắt đầu sau 31/12/2024 (các nguồn khác nhau về năm bắt đầu) | Một số nhà báo cho rằng quy tắc này khiến công ty cắt người. Đây là giả thuyết, chưa có nghiên cứu nào tách riêng được, và nhiều bài ủng hộ là bài ý kiến. Bài Stanford ghi một chú thích: khoảng cách vẫn còn khi loại công ty công nghệ và nghề máy tính ra, nên nó chống lại kênh này đối với kết quả của họ. Mức chắc: thấp đến trung bình. |
| Tuyển quá tay năm 2021 đến 2022 | Chuỗi tin đăng của Indeed gấp 2,3 lần mức trước đại dịch vào đầu 2022 | Sau đó tuyển ít lại là điều có thể dự đoán được. Số liệu về đỉnh là thật (FRED). Việc nó giải thích bao nhiêu phần của mức giảm ở người mới thì chưa ai tách được. |
| Điều chỉnh sau đại dịch | Nhu cầu số hóa tăng vọt rồi hạ nhiệt | Cùng lập luận như trên. Theo báo chí đưa tin về Yale Budget Lab, nhiều thay đổi về cơ cấu việc làm đã diễn ra từ 2021, trước khi AI phổ biến. |
| "Đổ cho AI" khi cắt giảm | Một số công ty nói cắt người vì AI trong khi lý do thật là chi phí, thuế quan, chính sách | Martha Gimbel của Yale gọi là "AI washing" theo Fortune (2/2026). Oxford Economics, theo cùng bài, thấy 55.000 vụ cắt giảm (4,5% số đã ghi nhận) trong 11 tháng đầu 2025 được gán cho AI, còn 245.000 vụ cho điều kiện thị trường. Mức chắc: thấp (đọc qua báo chí). |
Bài Stanford cũng ghi thẳng những điểm yếu của chính nó: khoảng cách giảm đi khi kiểm soát trình độ học vấn, có một số xu hướng lệch đã xuất hiện trước khi AI tạo sinh ra đời, và rõ hơn trong dữ liệu ADP so với các khảo sát quốc gia. Họ nhấn mạnh đây là chỉ báo mô tả sớm, chưa phải ước lượng nhân quả. Phần tổng quan trong bài Harvard cho biết một số nghiên cứu khác không thấy khác biệt có hệ thống giữa nghề ít và nhiều chịu ảnh hưởng, ví dụ nghiên cứu của Chandar (2025) và của Financial Times (2025) trên dữ liệu CPS, và nghiên cứu ở Thụy Điển thấy mức giảm nhỏ hơn, khoảng 5,5%. Mình đọc các điểm này qua phần tổng quan của Harvard, không phải qua từng bài gốc.
6. Sáu câu hỏi trước khi tin một con số#
Hình dung rằng sáu câu này là sáu cái đèn pin. Bạn rọi lần lượt vào con số, nếu chỗ nào tối thì đừng vội tin.
| # | Câu hỏi | Nếu thấy dấu hiệu này thì thận trọng | Ví dụ trong bài |
|---|---|---|---|
| 1 | Đếm ai? | "Giới trẻ", "dev" nói chung, không nói rõ tuổi, nghề, công ty, nước | Stanford chỉ nói về 22 đến 25 tuổi ở nhóm nghề chịu ảnh hưởng nhiều, ở Mỹ |
| 2 | Đếm cái gì? | Không rõ là số người, số lần tuyển, tin đăng hay tỷ lệ | SignalFire đếm số lần tuyển sinh viên mới ra trường, không phải số người đang làm |
| 3 | So với mốc nào, trong bao lâu? | Không nói mốc, hoặc chọn mốc ngay đỉnh hay đáy | Indeed: giảm 65%, 19% hoặc tăng 32% tùy mốc |
| 4 | Dữ liệu từ đâu, do ai công bố? | Dữ liệu riêng không ai kiểm lại được, mẫu nhỏ, bài của bên bán sản phẩm | SignalFire là dữ liệu riêng của một quỹ; Fed New York theo ngành có khoảng tin cậy 4% đến 11% |
| 5 | Còn gì thay đổi cùng lúc? | Chỉ nhắc AI, không nhắc lãi suất, thuế, tuyển quá tay, đại dịch | Mục 5 |
| 6 | Chắc đến đâu: tương quan hay nhân quả, bản nào? | "AI gây ra", không có nhóm đối chứng; con số đổi theo phiên bản | Stanford: 13% rồi 16% rồi 19% theo từng bản dữ liệu; chính họ nói chưa phải nhân quả |
Thử áp dụng. Minh họa, tiêu đề tự đặt, không phải bài báo thật: "Việc làm cho dev mới giảm 20%". Sáu câu hỏi: dev mới ở nước nào? Số người đang làm hay số lần tuyển? Giảm từ năm nào, đỉnh hay trước đại dịch? Dữ liệu bảng lương hay tin đăng? Có lãi suất, thuế, tuyển quá tay không? Có nhóm so sánh không? Nếu bài không trả lời được từ ba câu trở lên, hãy xem con số đó như một lời đồn có số, chưa phải số liệu.
7. Việt Nam và Nhật Bản: mình tìm được gì#
- Việt Nam. Mình không tìm được số liệu của cơ quan nhà nước riêng về lập trình viên mới ra trường, cũng không mở được báo cáo công khai nào của các nền tảng việc làm lớn. Thứ gần nhất là khảo sát của ManpowerGroup cho quý 4/2026, theo bài của Tuổi Trẻ (9/9/2026): trong 285 nhà tuyển dụng được hỏi, 57% nói đã tăng tuyển người mới vào nghề so với 2025, và 77% ở nhóm thông tin. Hãy đọc thận trọng: đó là khảo sát nhà tuyển dụng tự khai bởi một công ty nhân sự, bài báo không nói 285 đơn vị này chỉ ở Việt Nam hay không, không định nghĩa "người mới vào nghề", và không tách riêng lập trình viên. Mức chắc: thấp đến trung bình.
- Nhật Bản. Mình không tìm được dữ liệu gốc về lập trình viên mới ở Nhật gắn với AI. Các bài báo hay dẫn dự báo của Bộ Kinh tế, Thương mại và Công nghiệp (METI) rằng đến 2030 Nhật có thể thiếu từ khoảng 160.000 đến 790.000 nhân lực IT tùy kịch bản. Mình chỉ đọc được qua các bản tóm tắt vì trang gốc từ chối truy cập, và đó là dự báo tổng số làm trước khi AI tạo sinh phổ biến, nên không trả lời được câu hỏi về người mới và AI. Mức chắc: thấp. Hãy mở bản gốc trước khi trích.
Nói thẳng: các con số ở bài này chủ yếu là của Mỹ. Việt Nam và Nhật có thể khác, và mình chưa có bằng chứng để nói khác thế nào.
8. Người mới làm gì được dù bên nào đúng#
Hình dung bạn không biết ngày mai mưa hay nắng. Mang theo cả ô lẫn kính râm thì không cần đoán đúng. Các gợi ý dưới đây là suy luận của mình, chưa được kiểm chứng trên nhiều người.
| Nếu bên "cửa đang hẹp" đúng | Nếu bên "chưa có gì đáng lo" đúng | Việc làm được trong cả hai trường hợp |
|---|---|---|
| Ít vị trí cho người mới, cạnh tranh cao | Thị trường chỉ đang hồi sau điều chỉnh | Tự đếm thị trường của mình: mỗi tuần ghi 20 tin tuyển (vị trí, cấp, yêu cầu, có nhắc AI không). Mất 30 phút, cho bạn số liệu ở đúng nơi bạn sẽ nộp hồ sơ. |
| Chức danh "junior developer" ít đi | Chức danh đó vẫn nhiều | Nhắm nhiều loại cửa: kiểm thử, hỗ trợ kỹ thuật, dữ liệu, IT nội bộ, công ty nhỏ, công ty gia công. Đây là gợi ý của mình, không phải kết luận từ số liệu. |
| Nhà tuyển dụng ngại người chưa kiểm chứng được | Nhà tuyển dụng vẫn cần người học nhanh | Có bằng chứng thật: vài dự án nhỏ giải thích được, gỡ lỗi trực tiếp được, có đóng góp thật. Xem kế hoạch 12 tháng cho fresher. |
| Vòng phỏng vấn khắt khe hơn | Vòng phỏng vấn bình thường | Luyện phỏng vấn đều: xem kế hoạch hai tuần. |
| AI làm hộ việc đơn giản | AI chỉ hỗ trợ | Dùng AI để học, không để làm hộ: tự viết trước, nhờ giải thích sau, và vẫn nhận trách nhiệm về kết quả. Xem Ai chịu trách nhiệm khi AI sai? |
| Số liệu xấu đi thêm | Số liệu tốt lên | Xem lại mỗi quý bằng sáu câu hỏi, và đặt trước điều gì sẽ khiến bạn đổi kế hoạch. |
Một điều nữa: con số trung bình của cả nước không phải bản án cho một người. Một lần bị từ chối thường có nhiều lý do cụ thể, như ngân sách hay người khác phù hợp hơn, chứ không phải vì một con số thống kê. Nếu bạn muốn nhìn dài hơi, bài Nghề Dev qua các thời kỳ đặt chuyện này vào lịch sử của nghề, và bài Khi AI viết code nhanh hơn, dev còn làm nghề sáng tạo không? nói về phần việc khó thay thế.
9. Điều chưa biết#
- Nguyên nhân. Chưa ai tách được phần AI khỏi lãi suất, thuế, tuyển quá tay và điều chỉnh sau đại dịch. Các tác giả Stanford và Harvard đều nói điều này theo cách của họ.
- Việc chậm tuyển hay không tuyển nữa. Nếu chỉ là tuyển muộn hơn, người mới vẫn vào được sau vài năm. Nếu là mất hẳn một nấc thang, câu chuyện khác. Dữ liệu hiện nay chưa phân biệt được.
- Nghề phần mềm riêng. Số liệu về lập trình viên 22 đến 25 tuổi nhiều nhất là con số 20% của ADP và các khảo sát nhỏ. Khảo sát CPS có rất ít người ở nhóm này mỗi tháng.
- Ngoài nước Mỹ. Mình không có bằng chứng đáng tin cho Việt Nam và Nhật Bản.
- Số liệu đổi theo phiên bản. Con số của Stanford đã đổi từ 13% sang 16% rồi 19% khi có thêm dữ liệu và đổi cách tính. Bài này sẽ lỗi thời, vì vậy hãy xem ngày đăng.
- Giới hạn của mình. Mình đọc trực tiếp hai bài PDF và các trang gốc đã nêu, còn lại qua tóm tắt. Mình không có dữ liệu thô để tự kiểm lại, nên phần tính toán chỉ làm lại từ các con số công bố.
10. Nhìn cân bằng#
- Bài này không bảo bạn lo hay đừng lo. Số liệu cho thấy một vùng hẹp (người trẻ ở nghề dễ bị AI thay một phần) đang yếu đi, và chưa cho thấy chuyện toàn nền kinh tế.
- "Chưa thấy" khác "không có". Yale Budget Lab nói chưa thấy xáo trộn, không nói sẽ không có. Theo bản tóm tắt mình đọc, họ cho rằng AI nhiều khả năng sẽ để lại dấu ấn về sau.
- "Có thấy" khác "do AI". Mọi con số về người mới ở trên đều là tương quan.
- Cái gì đo được thì dễ bị kể thành chuyện. Chuyện "AI đã lấy việc của bạn" gọn hơn "nhiều thứ cùng đổi, chưa tách được". Gọn hơn không có nghĩa đúng hơn.
11. Kết luận#
Khi hai bài báo cho hai con số trái nhau, thường là chúng đang cân hai thứ khác nhau bằng hai cái cân khác nhau. Hãy hỏi sáu câu: đếm ai, đếm gì, mốc nào, nguồn nào, còn gì thay đổi, chắc đến đâu. Với người mới, việc làm những điều có ích trong mọi kịch bản quan trọng hơn việc đoán đúng bên: tự đo thị trường của mình, mở rộng cửa, có bằng chứng thật về kỹ năng, và xem lại mỗi quý.
Bắt đầu tuần này: mở một bảng tính, ghi 20 tin tuyển ở nơi bạn muốn nộp hồ sơ, và đừng đổi kế hoạch vì một tiêu đề.
Nguồn tham khảo#
Hãy mở bản gốc trước khi trích lại bất kỳ con số nào. Nguồn nào mình chỉ đọc qua tóm tắt hoặc báo chí đều được ghi rõ ở trên.
- Brynjolfsson, Chandar, Chen: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI (Stanford Digital Economy Lab; phiên bản mình đọc ghi tháng 8/2026, dữ liệu đến 6/2026)
- ADP Research: Yes, AI is affecting employment, here's the data (số 6% và 20% cho lập trình viên trẻ nhất, 7/2025)
- Hosseini, Lichtinger: Generative AI as Seniority-Biased Technological Change (SSRN 5425555; bản 6/5/2026)
- SignalFire: State of Tech Talent Report 2025
- Ramp Economics Lab: Companies hire more after AI adoption (30/6/2026)
- Federal Reserve Bank of New York: The Labor Market for Recent College Graduates
- Economic Innovation Group: A viral chart on recent graduate unemployment is misleading (đọc lại số 6,1% và 7,5% theo ngành, ACS 2023)
- Yale Budget Lab: Evaluating the Impact of AI on the Labor Market: Current State of Affairs và Fortune: bài về cập nhật 2/2026 và "AI washing"
- FRED: Software Development Job Postings on Indeed in the United States (Indeed Hiring Lab)
- Baker Tilly: Domestic research expenditures, Section 174 under the 2025 tax act (tổng hợp của công ty kiểm toán, không phải văn bản luật)
- Tuổi Trẻ News: Vietnam among region's strongest hiring markets, yet employers struggle to find skilled workers (9/9/2026, khảo sát ManpowerGroup)
- Bài liên quan trong blog: Fresher thời AI: kế hoạch 12 tháng, Phỏng vấn thời AI: kế hoạch hai tuần, Ai chịu trách nhiệm khi AI sai?, Nghề Dev qua các thời kỳ
Câu hỏi thường gặp
- AI có đang làm giảm việc làm cho lập trình viên mới ra trường không?
- Có tín hiệu nhưng chưa có kết luận chắc. Nghiên cứu Stanford dùng dữ liệu lương ADP thấy việc làm của người 22 đến 25 tuổi ở các nghề chịu ảnh hưởng nhiều từ AI thấp hơn khoảng 19% so với mức lẽ ra có nếu theo kịp nhóm ít chịu ảnh hưởng (dữ liệu đến 6/2026). Chính các tác giả gọi đó là chỉ báo mô tả sớm chứ chưa phải ước lượng nhân quả, và Yale Budget Lab chưa thấy xáo trộn trên cả nền kinh tế.
- Vì sao các nghiên cứu về việc làm của người mới cho kết quả trái nhau?
- Vì chúng đếm khác nhau. Mỗi nghiên cứu chọn một nhóm người khác (cả nước, công ty dùng AI, sinh viên mới ra trường), một thứ để đếm khác (số người đang làm, số lần tuyển, tin đăng, tỷ lệ thất nghiệp), một mốc thời gian khác và một nguồn dữ liệu khác (bảng lương, hồ sơ trực tuyến, khảo sát). Cùng một thị trường vẫn cho ra con số khác nhau.
- Lãi suất và thuế Section 174 có phải là nguyên nhân thay cho AI không?
- Có thể góp phần, nhưng chưa ai tách riêng được hoàn toàn. Từ năm 2022, Mỹ buộc công ty phân bổ chi phí nghiên cứu và phát triển, kể cả phần mềm, trong 5 năm thay vì trừ ngay, và lãi suất tăng mạnh từ 2022. Nghiên cứu Stanford thử kiểm soát mức nhạy cảm với lãi suất và loại công ty công nghệ ra, khoảng cách vẫn còn, nhưng vẫn là bằng chứng gián tiếp.
- Người mới nên làm gì khi các con số còn mâu thuẫn?
- Làm những việc có ích cả khi bên nào đúng: tự đếm tin tuyển dụng ở thị trường của mình mỗi tuần, nhắm nhiều loại vị trí hơn một chức danh, có bằng chứng giải thích và gỡ lỗi được code của mình, và xem lại số liệu mỗi quý bằng sáu câu hỏi trong bài. Đây là gợi ý của tác giả, chưa được kiểm chứng trên nhiều người.