Tôi có thất nghiệp vì AI? Bằng chứng, dữ liệu & chiến lược

AI sẽ thay đổi công việc theo “nhiệm vụ” hơn là xóa sổ nghề. Bài viết tổng hợp nghiên cứu, số liệu theo ngành và gợi ý thích nghi.

Thg 3 3, 2026 0 6

Tôi có thất nghiệp vì AI?

Tóm tắt điều hành (Executive summary).
Nỗi lo “tôi có thất nghiệp vì AI?” là có cơ sở, nhưng câu trả lời dựa trên bằng chứng thường là: AI chủ yếu thay đổi cấu trúc công việc theo nhiệm vụ (tasks), tạo ra dịch chuyển việc làm và phân hóa cơ hội, hơn là tạo ra “thất nghiệp hàng loạt” ngay lập tức. [1]
Các ước lượng “rủi ro” khác nhau rất lớn tùy phương pháp: tiếp cận theo nghề (occupation-level) kiểu Frey–Osborne đưa ra tỷ lệ “nguy cơ cao” rất lớn cho một số nền kinh tế; trong khi các ước lượng theo nhiệm vụ (task-based) của OECD thường thấp hơn đáng kể và nhấn mạnh rằng nhiều nghề sẽ “biến đổi” thay vì “biến mất”. [2]
Với GenAI (AI tạo sinh), bằng chứng mới nhất của Tổ chức Lao động Quốc tế[3] (ILO) cho thấy 1/4 người lao động toàn cầu làm việc trong nghề có “mức độ phơi nhiễm” nào đó với GenAI, nhưng phần lớn tác động dự kiến là tái cấu trúc nội dung công việc, không phải xóa sổ toàn bộ nghề; đồng thời rủi ro “tác động mạnh” nghiêng về nhóm nghề văn phòng/clerical và có chênh lệch giới rõ rệt. [4]
Về phạm vi địa lý: bài viết này cung cấp tổng quan toàn cầu/OECD/EU, và thêm một ghi chú tập trung cho Việt Nam[5] dựa trên các báo cáo khu vực (ILO ASEAN; World Bank Đông Á–Thái Bình Dương) và chính sách AI quốc gia. [6]

Giới thiệu, phạm vi và cách hiểu đúng câu hỏi

“Nghề của tôi có biến mất vì AI không?” thường là cách hỏi tắt của ba câu hỏi khó hơn: (i) nhiệm vụ nào trong công việc của tôi có thể bị tự động hóa; (ii) tốc độ các tổ chức sẽ triển khai (phụ thuộc chi phí–lợi ích, pháp lý, dữ liệu, hạ tầng); và (iii) phần còn lại của công việc có được “nâng cấp” (augmentation) hay bị “bào mòn” (displacement). [7]

Kinh tế lao động hiện đại thường nhấn mạnh: công nghệ thay thế một phần công việc (tasks) trước khi thay thế cả nghề (jobs)—vì một nghề là bó nhiệm vụ, trong đó có nhiệm vụ dễ tự động hóa và nhiệm vụ đòi hỏi phối hợp xã hội, trách nhiệm pháp lý, phán đoán, chăm sóc, hoặc thao tác vật lý tinh tế. [8]

Giả định và bất định (điểm cần nêu rõ).
Các con số “nguy cơ” trong bài là ước lượng tiềm năng kỹ thuật/tiếp xúc, không phải dự báo chắc chắn số người mất việc, vì triển khai thực tế bị chi phối bởi năng suất, vốn, quy định, thị trường lao động, và chiến lược doanh nghiệp. Một số nghiên cứu sử dụng mô hình đánh giá nhiệm vụ (task-level) sẽ thường cho kết quả “ôn hòa” hơn so với mô hình “nghề có thể tự động hóa hay không”. [9]

Bằng chứng từ tài liệu nghiên cứu

Một điểm đồng thuận lớn trong văn liệu là tác động ròng của công nghệ lên việc làm không chỉ gồm “mất việc”, mà còn gồm các cơ chế bù trừ:
- Hiệu ứng thay thế (displacement): máy móc/AI thay con người trong các nhiệm vụ đã từng do lao động thực hiện. [10]
- Hiệu ứng năng suất và quy mô (productivity/scale): năng suất tăng có thể làm giá giảm, cầu tăng, doanh nghiệp mở rộng, tạo thêm việc (ít nhất ở một số ngành và giai đoạn). [11]
- Hiệu ứng tạo nhiệm vụ mới (reinstatement/new tasks): công nghệ mở ra những nhiệm vụ và nghề mới—đây là lý do “tự động hóa không xóa sổ việc làm” trong nhiều giai đoạn lịch sử, nhưng mức độ bù trừ phụ thuộc thể chế và đầu tư vào kỹ năng. [12]

Bài tổng quan có ảnh hưởng lớn của David Autor[13] nhấn mạnh: automation vừa thay thế, vừa bổ trợ, vừa tăng giá trị của những nhiệm vụ con người làm tốt (linh hoạt, phán đoán, “common sense”, tương tác xã hội), vì vậy không thể chỉ nhìn vào phần “mất đi”. [14]

Ở nhánh nghiên cứu “task-based”, Daron Acemoglu[15] và Pascual Restrepo[16] mô hình hóa rõ ràng hai lực kéo ngược chiều: automation gây displacement effect, còn việc xuất hiện nhiệm vụ mới gây reinstatement effect; kết quả lao động–tiền lương phụ thuộc “cân bằng” giữa hai lực này và cách chính sách/khuyến khích hướng doanh nghiệp về công nghệ bổ trợ hay thay thế. [17]

Với GenAI, Quỹ Tiền tệ Quốc tế[18] (IMF) nhấn mạnh điểm khác biệt: AI có thể tác động mạnh không chỉ vào nhiệm vụ “routine”, mà cả một phần nhiệm vụ kỹ năng cao; do đó, rủi ro và cơ hội ở các nền kinh tế phát triển có thể lớn hơn. [19]

Dữ liệu và xu hướng theo ngành và nhiệm vụ

Bức tranh toàn cầu: “phơi nhiễm” rộng, nhưng mất việc ròng không hiển nhiên

IMF ước tính gần 40% việc làm toàn cầu “phơi nhiễm” với AI; trong đó mức phơi nhiễm khoảng 60% ở các nền kinh tế phát triển, 40% ở thị trường mới nổi, và 26% ở nước thu nhập thấp. IMF cũng lưu ý tác động sẽ gồm cả phần bổ trợ (nâng năng suất) lẫn thay thế (giảm cầu lao động ở một số nhiệm vụ/nghề). [19]

ILO cung cấp một lăng kính bổ sung cho GenAI (2025, chỉ số tinh chỉnh): “1 trong 4” người lao động toàn cầu làm trong nghề có một mức độ phơi nhiễm với GenAI; nhưng nhóm “mức phơi nhiễm cao nhất” chiếm 3,3% việc làm toàn cầu và có chênh lệch giới lớn (nữ 4,7% vs nam 2,4%; ở nước thu nhập cao: 9,6% nữ vs 3,5% nam trong nhóm phơi nhiễm cao nhất). [20]

Các dự báo thị trường lao động: biến động lớn ở cấu trúc nghề và kỹ năng

Theo khảo sát nhà tuyển dụng toàn cầu của Diễn đàn Kinh tế Thế giới[21] (WEF), giai đoạn 2025–2030, tổng “churn” tạo–mất việc do chuyển dịch cấu trúc ước khoảng 22% tổng số việc làm hiện tại: tạo mới tương đương 14% (170 triệu) và thay thế/mất đi tương đương 8% (92 triệu), ròng +78 triệu việc. WEF đồng thời ước tính 39% bộ kỹ năng hiện có của người lao động sẽ biến đổi hoặc lỗi thời đến 2030. [22]

Về tự động hóa nhiệm vụ, WEF (2023) cho biết 34% nhiệm vụ kinh doanh đang do máy thực hiện; dự kiến 42% nhiệm vụ sẽ được tự động hóa vào 2027. Mức tự động hóa kỳ vọng khác nhau theo loại nhiệm vụ: 35% với “reasoning & decision-making” nhưng 65% với “information & data processing”. [23]

Ghi chú Việt Nam: rủi ro theo ngành rất khác nhau và phụ thuộc phương pháp đo

Một báo cáo ILO về ASEAN (dựa trên phương pháp Frey–Osborne, dữ liệu quanh 2013) ước tính 70,4% việc làm ở Việt Nam thuộc nhóm “nguy cơ cao” (automation probability >70%)—một con số lớn, và cần đọc kèm cảnh báo: đây là tiềm năng kỹ thuật theo nghề, dễ bị thổi phồng nếu không xét dị biệt nhiệm vụ trong cùng nghề và tốc độ triển khai thực tế. [24]

Tuy vậy, báo cáo này vẫn hữu ích ở góc nhìn ngành nào “đậm nhiệm vụ dễ tự động hóa” hơn. Dưới đây là tỷ lệ việc làm “nguy cơ cao” theo ngành (một số ngành tiêu biểu) cho Việt Nam so với trung bình ASEAN‑5 (Cambodia, Indonesia, Philippines, Thailand, Việt Nam), theo ILO. [25]

Ngành (ISCO/ISIC 1-digit)	Việt Nam: % việc làm “nguy cơ cao”	ASEAN‑5: % việc làm “nguy cơ cao”
Khách sạn & nhà hàng	93.0	80.7
Bán buôn & bán lẻ	84.1	77.5
Nông nghiệp, lâm nghiệp, thủy sản	83.3	56.6
Chế biến, chế tạo	74.4	61.6
Tài chính & bảo hiểm	45.6	59.2
Thông tin & truyền thông	32.2	43.0
Giáo dục & đào tạo	7.6	8.7
Y tế & công tác xã hội	13.1	18.7

Từ cùng nguồn ILO, một điểm nhấn theo “ngành chiến lược” là dệt may/garments tại Việt Nam có ước tính rất cao: 86% lao động làm công ăn lương trong garments thuộc nhóm nguy cơ cao trong mẫu nghiên cứu. [26]

Đặt vào bối cảnh khu vực, Ngân hàng Thế giới[27] (World Bank) phân tích ở Đông Á–Thái Bình Dương cho thấy: công nghệ mới có thể vừa tạo vừa mất việc; riêng giai đoạn 2018–2022, robot hóa tạo ước tính 2 triệu việc cho lao động kỹ năng cao trong khu vực chính thức nhưng làm dịch chuyển khoảng 1,4 triệu việc của lao động kỹ năng thấp ở 5 nước ASEAN (ước tính theo mô hình của báo cáo). Điều này gợi ý rủi ro chính sách không chỉ là “mất việc”, mà còn là dịch chuyển sang việc phi chính thức với chất lượng thấp hơn nếu không có lưới an sinh và đào tạo lại. [28]

Biểu đồ minh họa

Biểu đồ trên tổng hợp các tỷ lệ phơi nhiễm AI do IMF công bố (đơn vị: % việc làm). [19]

Trong biểu đồ, cột thể hiện mức hiện tại mà WEF khảo sát (34% tổng nhiệm vụ do máy làm), còn đường thể hiện dự báo 2027 (42% tổng nhiệm vụ; 35% với reasoning/decision-making; 65% với information/data processing). [23]

Nghiên cứu trường hợp: mất việc, đổi việc hay “làm việc khác đi”?

Các nghiên cứu định lượng tốt nhất thường không chỉ hỏi “có mất việc không”, mà đo năng suất, chất lượng, và phân phối lợi ích theo kỹ năng/kinh nghiệm.

Trường hợp robot công nghiệp ở Mỹ (1990–2007): nghiên cứu trên Journal of Political Economy ước tính thêm 1 robot/1.000 lao động làm giảm employment-to-population ratio 0,2 điểm phần trăm và giảm lương 0,42% tại các thị trường lao động địa phương bị phơi nhiễm cao—một bằng chứng “displacement” tương đối trực tiếp, dù kết quả phụ thuộc bối cảnh công nghiệp và thập kỷ nghiên cứu. [29]

Trường hợp GenAI hỗ trợ tổng đài: bài “Generative AI at Work” (đã xuất bản trên The Quarterly Journal of Economics) đo lường triển khai trợ lý hội thoại cho hơn 5.000 nhân viên hỗ trợ khách hàng và ghi nhận năng suất tăng khoảng 15%, nhưng lợi ích tập trung mạnh hơn ở nhóm mới vào nghề/ít kỹ năng, cho thấy AI có thể “nâng đáy” năng suất và rút ngắn học việc—một dạng bổ trợ hơn là thay thế ngay lập tức. [30]

Trường hợp tri thức chuyên môn “jagged frontier”: nghiên cứu thực địa với 758 tư vấn viên (BCG) ghi nhận nhóm dùng GPT‑4 hoàn thành nhiều nhiệm vụ hơn (~12,2%), nhanh hơn (~25,1%), và chất lượng cao hơn; nhưng khi làm nhiệm vụ “ngoài biên năng lực” của AI, nhóm dùng AI kém chính xác hơn (ít khả năng đưa đáp án đúng hơn 19 điểm phần trăm). Điều này cảnh báo rủi ro “ảo tưởng năng lực” nếu phụ thuộc AI không đúng chỗ. [31]

Trường hợp lập trình: nghiên cứu thực nghiệm của BIS về Ant Group (CodeFuse) cho thấy năng suất lập trình (đo bằng lines of code) tăng ~55%, khoảng 1/3 tăng trưởng là do mã AI sinh trực tiếp; hiệu ứng có ý nghĩa thống kê chủ yếu ở nhóm junior, còn senior ít dùng công cụ hơn nên lợi ích nhỏ hơn. [32]

Điểm chung của các nghiên cứu trường hợp: AI thường tăng năng suất trong phạm vi nhiệm vụ phù hợp, và tác động phân phối có thể giúp người ít kinh nghiệm nhiều hơn, nhưng cũng có thể tạo “bẫy” chất lượng/kiểm chứng nếu dùng sai bối cảnh. [33]

Cơ chế dịch chuyển và bổ trợ: vì sao “mất việc” không xảy ra đồng loạt?

Cách hữu ích nhất để hiểu “tôi có thất nghiệp không” là mô hình hóa chuỗi cơ chế từ công nghệ → doanh nghiệp → nhiệm vụ → thị trường lao động.

Khung trên phù hợp với cách tiếp cận “task-based” trong kinh tế lao động: automation tạo displacement, còn đổi mới và nhiệm vụ mới có thể tạo reinstatement; cán cân chịu ảnh hưởng bởi chính sách, đào tạo, cạnh tranh, và động lực doanh nghiệp. [34]

Đặc biệt với GenAI, ILO nhấn mạnh “điểm rơi” lớn nhất thường là tái thiết kế công việc (job transformation): tự động hóa một phần nhiệm vụ và “giải phóng thời gian” cho phần việc khác, thay vì tự động hóa trọn gói cả nghề. ILO 2023 cũng chỉ ra nhóm clerical có tỷ lệ nhiệm vụ “phơi nhiễm cao” vượt trội (24% high + 58% medium), trong khi các nhóm nghề khác có phần “high” chỉ khoảng 1–4%. [35]

Bổ sung thêm, OECD cho thấy rủi ro tự động hóa giảm theo trình độ học vấn và kỹ năng, và nhấn mạnh nên theo dõi biến đổi chất lượng việc làm (quyền tự chủ, cường độ, giám sát thuật toán) chứ không chỉ số lượng việc. [36]

Nghề nghiệp, kỹ năng rủi ro và nghề mới được tạo ra

Nhóm nghề và nhiệm vụ dễ bị tác động

Tổng hợp bằng chứng từ OECD, ILO, IMF và WEF cho thấy các nhóm sau thường chịu áp lực cao hơn (ít nhất là về biến đổi nhiệm vụ):

Các nghề gắn với nhiệm vụ lặp lại và tiêu chuẩn hóa (routine cognitive & routine manual) như nhập liệu, một phần hành chính–thư ký, vận hành máy, và một số khâu dịch vụ có thể tiêu chuẩn hóa cao. [37]

Các nghề “giấy tờ/clerical” là tâm điểm trong các phân tích GenAI: ILO 2025 tiếp tục khẳng định clerical có mức phơi nhiễm cao nhất; đồng thời chỉ ra chênh lệch giới (nữ cao hơn nam) vì cơ cấu việc làm clerical. [38]

Các nghề tri thức (viết, phân tích, tư vấn, lập trình…) có thể phơi nhiễm cao theo nghĩa “AI làm được một phần nhiệm vụ”, nhưng tác động ròng còn tùy “biên năng lực” và tổ chức công việc: nghiên cứu BCG cho thấy tăng năng suất trong nhiệm vụ phù hợp nhưng suy giảm khi dùng sai loại nhiệm vụ; BIS cho thấy lợi ích tập trung ở junior. [39]

Kỹ năng có xu hướng “lên giá”

WEF dự báo nhóm kỹ năng tăng nhanh gồm AI & big data, an ninh mạng, “technology literacy”, đồng thời kỹ năng tư duy phân tích và sáng tạo vẫn là lõi; WEF cũng ghi nhận nhiều doanh nghiệp tăng cường reskilling. [22]

Nghề mới và “job mix” mới

WEF 2025 chỉ ra các vai trò tăng nhanh theo tỷ lệ gồm big data specialists, fintech engineers, AI & machine learning specialists, software & application developers; và vai trò xanh như renewable energy engineers, environmental engineers, EV specialists. [22]

IMF (2026) cung cấp bằng chứng theo dữ liệu tin tuyển dụng: “kỹ năng mới” (đặc biệt IT/AI) đã trở nên phổ biến, với ~1/10 tin tuyển dụng ở các nền kinh tế phát triển yêu cầu ít nhất một kỹ năng mới; nhóm kỹ năng mới liên quan AI đăng lương cao hơn, nhưng IMF cũng cảnh báo: nơi AI‑skills lan tỏa nhanh có thể ghi nhận giảm việc làm ở các nghề “phơi nhiễm cao nhưng khó bổ trợ” (một kịch bản “tái cấu trúc white‑collar trung cấp”). [40]

Chính sách, phản ứng doanh nghiệp, chiến lược người lao động, kết luận và tham khảo

Phản ứng chính sách.
OECD đã ban hành các nguyên tắc AI (adopted May 2019) làm nền cho nhiều khung “AI đáng tin cậy” và nhấn mạnh AI phải tôn trọng quyền con người và giá trị dân chủ. [41]
Ở châu Âu, Ủy ban Châu Âu[42] thông báo Liên minh Châu Âu[43] AI Act có hiệu lực từ 01/08/2024 (đi vào hiệu lực theo lộ trình). [44]
Tại Việt Nam, Chính phủ ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 (Quyết định 127/QĐ‑TTg, 26/01/2021)—một mốc quan trọng cho định hướng phát triển hệ sinh thái và ứng dụng AI. [45]

Phản ứng doanh nghiệp và thị trường kỹ năng.
WEF 2025 ghi nhận tỷ lệ người lao động đã tham gia đào tạo/reskilling tăng (một chỉ báo về “miễn dịch hóa” kỹ năng), nhưng đồng thời dự báo 39% kỹ năng sẽ biến đổi đến 2030. [22]
OECD (2023–2025) nhấn mạnh AI/GenAI có thể làm tăng nhu cầu kỹ năng trong doanh nghiệp, đặc biệt với SMEs; và nêu rõ rào cản triển khai gồm chi phí và thiếu kỹ năng triển khai. [46]

Chiến lược thực tế cho người lao động (không sáo rỗng).
Một kế hoạch chống “thất nghiệp vì AI” dựa trên bằng chứng thường gồm ba lớp:

Thứ nhất, lập “bản đồ nhiệm vụ” cá nhân: liệt kê 10–20 nhiệm vụ chiếm nhiều thời gian nhất trong công việc; đánh dấu nhiệm vụ thuộc nhóm (i) xử lý dữ liệu/thông tin lặp lại; (ii) viết/soạn thảo theo mẫu; (iii) giao tiếp–phối hợp; (iv) quyết định rủi ro/tuân thủ; (v) thao tác thực địa. Đây là cách chuyển câu hỏi “nghề có mất không” thành “phần nào của nghề bị đổi trước”. Khung nhiệm vụ này nhất quán với cách WEF đo tự động hóa theo nhóm nhiệm vụ và OECD/ILO đo theo nội dung công việc. [47]

Thứ hai, đầu tư vào kỹ năng “bổ trợ AI” thay vì cạnh tranh trực tiếp: kiểm chứng–biên tập (verification), cấu trúc hóa vấn đề, tư duy phân tích, và năng lực quản trị rủi ro/đạo đức/tuân thủ. Bằng chứng thực địa cho thấy AI có thể làm tăng năng suất mạnh trong nhiệm vụ phù hợp, nhưng cũng có thể làm giảm chất lượng khi người dùng “tin mù” hoặc dùng sai loại nhiệm vụ. [39]

Thứ ba, chiến lược nghề nghiệp theo “động học thị trường”: IMF (2026) cho thấy kỹ năng mới gắn với lương và nhu cầu tuyển dụng, nhưng cũng cảnh báo các nghề “phơi nhiễm cao – bổ trợ thấp” có thể suy giảm việc làm ở giai đoạn chuyển tiếp. Vì vậy, chiến lược thực tế là “dịch chuyển ngang” sang vai trò có giao điểm giữa kiến thức chuyên môn của bạn và kỹ năng số/AI (ví dụ: kế toán → kiểm soát nội bộ & phân tích; marketing → đo lường & data; hành chính → vận hành quy trình & compliance). [48]

Kết luận.
Bạn có thể thất nghiệp vì AI nếu công việc của bạn tập trung vào các nhiệm vụ dễ tự động hóa và tổ chức của bạn có động lực mạnh để thay thế lao động; nhưng bạn cũng có thể tăng năng suất, thu nhập và cơ hội nếu bạn chuyển vị trí từ “làm thay AI” sang “làm cùng AI”, đặc biệt bằng cách nắm các nhiệm vụ bổ trợ: xác minh, phán đoán, thiết kế quy trình, tương tác xã hội và trách nhiệm. Bằng chứng thực nghiệm hiện có ủng hộ kịch bản AI làm lợi nhiều cho nhóm biết dùng công cụ và nhất là người ít kinh nghiệm—nhưng cũng cho thấy rủi ro chất lượng khi dùng AI ngoài “biên năng lực”. [49]

Tài liệu tham khảo (URLs).
- OECD Employment Outlook 2019 (Future of Work; 14% high risk, 32% major change): https://www.oecd.org/content/dam/oecd/en/publications/reports/2019/04/oecd-employment-outlook-2019_0d35ae00/9ee00155-en.pdf [50]
- OECD Working Paper (Nedelkoska & Quintini, 2018) “Automation, skills use and training”: https://www.oecd.org/content/dam/oecd/en/publications/reports/2018/03/automation-skills-use-and-training_b611ef08/2e2f4eea-en.pdf [51]
- IMF Blog (2024) AI exposure 40% global; 60/40/26 by income groups: https://www.imf.org/en/blogs/articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity [19]
- ILO Working Paper 96 (2023) “Generative AI and jobs” (task-level; clerical high exposure): https://www.ilo.org/sites/default/files/wcmsp5/groups/public/%40dgreports/%40inst/documents/publication/wcms_890761.pdf [52]
- ILO Working Paper 140 (2025) Refined Global Index (1 in 4 exposed; 3.3% highest exposure; gender gap): https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure [20]
- WEF Future of Jobs Report 2025 (digest; 170m created, 92m displaced; 39% skills change): https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/ [22]
- WEF Future of Jobs Report 2023 (task automation 34%→42% by 2027; task-type range 35–65%): https://www3.weforum.org/docs/WEF_Future_of_Jobs_2023.pdf [53]
- World Bank (2025) “Future Jobs: Robots, AI, and Digital Platforms in East Asia and Pacific”: https://www.worldbank.org/en/region/eap/publication/future-jobs [28]
- ILO (2016) ASEAN “The future of jobs at risk of automation” (sector table; Vietnam note): https://www.ilo.org/sites/default/files/wcmsp5/groups/public/%40ed_dialogue/%40act_emp/documents/publication/wcms_579554.pdf [54]
- Acemoglu & Restrepo (2019, JEP) “Automation and New Tasks”: https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3 [55]
- Autor (2015, JEP) “Why Are There Still So Many Jobs?”: https://www.aeaweb.org/articles?id=10.1257/jep.29.3.3 [14]
- Acemoglu & Restrepo (2020, JPE) “Robots and Jobs”: https://shapingwork.mit.edu/wp-content/uploads/2023/10/Robots-and-Jobs-Evidence-from-US-Labor-Markets.p.pdf [29]
- BIS Working Paper 1208 (2024) field experiment on coding (CodeFuse): https://www.bis.org/publ/work1208.htm [32]
- Dell’Acqua et al. (2023) “Jagged Technological Frontier” (BCG field experiment): https://www.hbs.edu/ris/Publication%20Files/24-013_d9b45b68-9e74-42d6-a1c6-c72fb70c7282.pdf [31]
- IMF Staff Discussion Note (2026) “New Jobs Creation in the AI Age”: https://www.imf.org/-/media/files/publications/sdn/2026/english/sdnea2026001.pdf [40]
- Quyết định 127/QĐ‑TTg (26/01/2021) Chiến lược AI đến 2030 (cổng văn bản Chính phủ): https://vanban.chinhphu.vn/default.aspx?docid=202565&pageid=27160 [45]
- EU AI Act (EUR‑Lex Regulation EU 2024/1689): https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng [56]
- European Commission (AI Act enters into force 1 Aug 2024): https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en [57]

Gợi ý đọc thêm (curated).
- OECD AI Principles overview: https://oecd.ai/en/ai-principles [58]
- OECD “Generative AI and the SME workforce” (2025): https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en/full-report/component-5.html [59]
- WEF Future of Jobs 2025 main page: https://www.weforum.org/publications/the-future-of-jobs-report-2025/ [60]
- ILO brief “Generative AI and jobs: a 2025 update”: https://www.ilo.org/publications/generative-ai-and-jobs-2025-update [61]

[1] [8] [11] [14] Why Are There Still So Many Jobs? The History and Future ...

https://www.aeaweb.org/articles?id=10.1257%2Fjep.29.3.3&utm_source=chatgpt.com

[2] [9] [50] OECD Employment Outlook 2019 (EN)

https://www.oecd.org/content/dam/oecd/en/publications/reports/2019/04/oecd-employment-outlook-2019_0d35ae00/9ee00155-en.pdf

[3] [28] [43] Future Jobs: Robots, Artificial Intelligence, and Digital Platforms in East Asia and Pacific

https://www.worldbank.org/en/region/eap/publication/future-jobs

[4] [20] [38] [42] Generative AI and Jobs: A Refined Global Index of Occupational Exposure | International Labour Organization

https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

[5] [44] [57] AI Act enters into force - European Commission

https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en?utm_source=chatgpt.com

[6] [24] [25] [26] [54] ilo.org

https://www.ilo.org/sites/default/files/wcmsp5/groups/public/%40ed_dialogue/%40act_emp/documents/publication/wcms_579554.pdf