Chỉ số mới đo việc làm bị AI tác động bằng dữ liệu tuyển dụng hằng tháng

Ngày 13/10/2026, Bullhorn và American Staffing Association (ASA) công bố ASA | Bullhorn AI Job Impact tại Mỹ: chỉ số cập nhật hằng tháng, chia nghề theo ba mức tác động của AI và so sánh người lao động từ 25 tuổi trở xuống với nhóm từ 26 tuổi trở lên; Lia Taniguchi, phụ trách nghiên cứu tại Bullhorn, nói: “Most AI impact analyses rely on projections and assumptions about the future.” Dự án đặt mức độ nhiệm vụ của từng nghề chịu tác động của AI cạnh hoạt động tuyển người đã diễn ra, nhằm nhận diện sớm thay đổi trong cơ cấu vị trí được tuyển.

Bản tin Staffing Today của ASA cũng giới thiệu việc khởi động hợp tác nghiên cứu với Bullhorn. Với người theo dõi thị trường lao động số ở Việt Nam, điểm cần nắm ngay là phạm vi dữ liệu: chỉ số quan sát một phần hoạt động tuyển dụng tại Mỹ. Nó chưa đếm số người mất việc vì AI, cũng chưa đo năng suất của những người đang làm việc.

Dữ liệu vị trí đã tuyển được ghép với mức tác động AI như thế nào

Bảng chỉ số Bullhorn cho kỳ kết thúc ngày 30/9/2026 ghép điểm tác động AI theo nghề với dữ liệu vị trí đã tuyển và ghi nhận mức giảm khoảng 13% ở nhóm nghề ít chịu tác động, so với 17–18% ở nhóm chịu tác động nhiều hơn, tính từ tháng 1/2023. Điểm nghề cho biết AI đang thực hiện hoặc hỗ trợ bao nhiêu phần việc trong một nghề, có tính đến tầm quan trọng và tần suất của các nhiệm vụ đó. Phần dữ liệu tuyển dụng ghi nhận những vị trí đã được lấp đầy qua sản phẩm quản lý tuyển dụng chủ lực của Bullhorn, từ các khách hàng đồng ý cho tổng hợp dữ liệu.

Hai lớp dữ liệu trả lời hai câu hỏi khác nhau. Điểm tác động mô tả đặc điểm công việc; số vị trí được tuyển cho thấy diễn biến tuyển người trong mẫu quan sát. Khi đặt chúng cạnh nhau qua các kỳ cập nhật, chỉ số cho thấy liệu nhu cầu tuyển dụng ở những nghề chịu tác động khác nhau đang đi cùng chiều hay tách xa nhau. Bản thân cách ghép này chưa cho biết doanh nghiệp đã dùng AI ở mức nào trong từng vị trí cụ thể.

Mẫu dùng để tính tỷ trọng chỉ gồm khách hàng có vị trí được tuyển trong đầy đủ các nhóm đem so sánh; kết quả được bình quân theo khách hàng trong từng kỳ. Với chỉ số diễn biến tuyển dụng, khách hàng phải có vị trí được tuyển ở nhóm nghề liên quan xuyên suốt giai đoạn quan sát. Điều kiện chọn mẫu giúp các kỳ có cơ sở so sánh nhất quán hơn, nhưng cũng giới hạn kết luận vào nhóm khách hàng đủ điều kiện, thay vì toàn bộ thị trường việc làm Mỹ.

Ba mức tác động cho thấy khoảng cách tuyển dụng

Nghề được xếp vào mức thấp, trung bình hoặc cao theo phần nhiệm vụ chịu tác động của AI, sau khi tính vai trò của từng nhiệm vụ trong công việc. Cách phân nhóm ấy không đồng nghĩa mọi người trong cùng một nghề đều sử dụng AI như nhau. Nó tạo một thước đo chung để theo dõi vị trí được tuyển ở các nhóm nghề qua từng tháng.

Trong dữ liệu ban đầu, lái xe tải và thợ máy là ví dụ của nhóm ít chịu tác động; nhân viên nhập liệu và đại diện dịch vụ khách hàng nằm ở phía chịu tác động cao hơn. Cả nhóm ít chịu tác động lẫn nhóm chịu tác động cao đều có số vị trí được tuyển giảm so với đầu chuỗi quan sát, song mức giảm của nhóm sau lớn hơn. Vì vậy, thông tin đáng chú ý là khoảng cách giữa các nhóm nghề, chứ không phải một nhóm duy nhất đi xuống trong khi phần còn lại đứng yên.

Tỷ trọng các nghề chịu tác động cao trong tổng số vị trí được tuyển cũng thu hẹp nhẹ. Diễn biến ở kỳ gần nhất có cải thiện ở nhóm này, nên một lần cập nhật chưa đủ để xác định khoảng cách sẽ tiếp tục mở rộng. Nhịp công bố hằng tháng cho phép quan sát sự thay đổi đó sớm hơn các đánh giá chỉ dựa vào dự báo về khả năng AI thực hiện nhiệm vụ.

Lát cắt tuổi đặt thêm câu hỏi về lối vào nghề

Bảng mở rộng tách người lao động trẻ khỏi nhóm lớn tuổi hơn trong các vị trí được tuyển theo mức tác động AI. Ở những nghề chịu tác động cao, nhóm trẻ chiếm tỷ trọng nhỏ hơn trong phần lớn các tháng của chuỗi quan sát. Đây là thay đổi trong cơ cấu người được bố trí vào việc làm qua mẫu Bullhorn, không phải tỷ lệ thất nghiệp của tất cả lao động trẻ tại Mỹ.

Có thể các nhiệm vụ đầu vào mang tính thường quy tạo ra ít vị trí mới hơn; cũng có thể những vị trí còn mở ngày càng được giao cho người có kinh nghiệm. Dữ liệu vị trí đã tuyển không tách riêng được các cơ chế ấy. Nó cũng không theo dõi một ứng viên sau khi họ rời quy trình tuyển dụng, nên không thể cho biết người đó chuyển nghề, tiếp tục tìm việc hay được tuyển qua kênh khác.

Lát cắt tuổi vì thế bổ sung một dấu hiệu về sự thay đổi trong thành phần người được tuyển. Nếu tỷ trọng nhóm trẻ tiếp tục giảm ở các nghề chịu tác động cao, câu hỏi tiếp theo sẽ là yêu cầu công việc đã đổi ra sao và ai đang nhận những vị trí còn mở. Chỉ số hiện tại chưa cung cấp câu trả lời ở cấp từng doanh nghiệp hoặc từng người lao động.

Vì sao chênh lệch tuyển dụng chưa chứng minh AI gây mất việc

Vị trí được tuyển phản ánh một quyết định tuyển người đã diễn ra, nhưng không tự xác định nguyên nhân của quyết định đó. Số vị trí có thể thay đổi cùng nhu cầu kinh doanh, ngân sách, chu kỳ kinh tế hoặc cách doanh nghiệp tổ chức nhân sự. Muốn quy một phần mức giảm cho AI cần thêm dữ liệu về thời điểm doanh nghiệp áp dụng công nghệ, những nhiệm vụ thực sự thay đổi và quyết định nhân sự tương ứng.

Chỉ số cũng không ghi nhận đầy đủ điều đang xảy ra với người giữ việc hiện hữu. Một nhân viên có thể dùng AI để làm công việc khác đi mà không xuất hiện trong dữ liệu tuyển mới; một vị trí được lấp đầy cũng không cho biết người được tuyển có dùng AI hay không. Do đó, chênh lệch giữa các nhóm nghề là chỉ báo sớm về tuyển dụng, chưa phải phép đo số người bị thay thế.

Giới hạn địa lý đặc biệt quan trọng với độc giả Việt Nam: mẫu phản ánh các khách hàng Bullhorn đủ điều kiện tại Mỹ, không thể chuyển thẳng thành ước lượng cho thị trường lao động Việt Nam. Đợt cập nhật hằng tháng tiếp theo sẽ cho thấy khoảng cách giữa các nhóm nghề và tỷ trọng người trẻ được tuyển có tiếp tục diễn biến như kỳ ban đầu hay không.

Đọc thêm:

• Điểm benchmark AI an ninh mạng cao chưa chứng minh tác nhân vá lỗi trọn vẹn
• CV viết bằng AI dễ hòa vào đám đông: hãy chứng minh năng lực ngoài câu chữ
• LINK chỉ cách kính Swift 12–15 km: cuộc giải cứu thất bại vẫn để lại dữ liệu quý