Tin tuyển dụng Texas hé lộ AI đang làm giảm nhu cầu ở nghề dễ tự động hóa
Ngày 1/9/2026, hai nhà kinh tế Samuel Dodini và Tucker Smith công bố phân tích cho thấy sau khi ChatGPT xuất hiện, tin tuyển dụng tại Texas giảm tương đối ở những nghề có nhiều nhiệm vụ GenAI có thể tự động hóa. Một bản tin độc lập của Texas Today về kết quả này lưu ý rằng dữ liệu phản ánh nhu cầu tuyển mới qua tin đăng, không phải số người đã mất việc.
Phân tích công bố ngày 1/9 đưa ra bằng chứng thực nghiệm rằng AI đã bắt đầu làm thay đổi cơ cấu vị trí doanh nghiệp Texas muốn tuyển. Tuy nhiên, kết quả chỉ xác lập mức giảm tương đối ở các nghề dễ tự động hóa và một tác động nhỏ hơn lên tổng lượng tin đăng; nó chưa cho thấy toàn bộ thị trường lao động Mỹ đang suy yếu vì AI.
Tín hiệu tại Texas nằm ở chênh lệch giữa các nghề
Phân tích của Dallas Fed sử dụng hàng triệu tin tuyển dụng Lightcast và so sánh các nghề có mức tiếp xúc khác nhau trong cùng ngành. Với chênh lệch 10 điểm phần trăm về tỷ trọng nhiệm vụ GenAI có thể tự động hóa, tin đăng của nhóm tiếp xúc cao giảm tương đối khoảng 5% vào cuối năm 2023 và khoảng 8% trong quý I/2025. Sau khi tính đến mức sử dụng AI và cơ cấu ngành của Texas, các tác giả ước tính tác động lên tổng số tin Lightcast của bang là 1,8% trong năm 2024 và 2,6% trong năm 2025.
Cách so sánh trong cùng ngành giúp tách tín hiệu theo nghề khỏi một đợt giảm tuyển dụng chung, chẳng hạn khi toàn bộ lĩnh vực công nghệ cùng thu hẹp nhu cầu. Vì thế, kết quả không có nghĩa mọi nghề tiếp xúc cao đều mất cùng một tỷ lệ vị trí, mà cho thấy nhu cầu đối với chúng yếu đi so với các nghề ít tiếp xúc hơn trong điều kiện ngành tương tự.
Dấu hiệu cũng xuất hiện ở các doanh nghiệp tồn tại xuyên suốt giai đoạn quan sát. Những công ty vốn có cơ cấu tuyển dụng tiếp xúc nhiều hơn với tự động hóa đăng ít vị trí hơn và dịch chuyển danh mục tuyển dụng khỏi các công việc chứa nhiều nhiệm vụ GenAI thực hiện được. Điều này làm giảm khả năng kết quả chỉ bắt nguồn từ sự xuất hiện của các công ty mới vận hành với ít lao động hoặc từ việc doanh nghiệp cũ rời khỏi bộ dữ liệu.
Nghề máy tính và văn phòng chịu sức ép rõ hơn
Thước đo được xây dựng bằng cách ghép nhiệm vụ của từng nghề trong O*NET với dữ liệu sử dụng Claude trong thực tế. Các nghề tiếp xúc cao tập trung ở phát triển phần mềm, thiết kế web và công việc sử dụng máy tính chuyên sâu; nhóm quản lý, hành chính, biên tập và một số nghề văn phòng cũng có mức tiếp xúc tương đối cao.
Mức độ tiếp xúc không đồng nghĩa một nghề sẽ biến mất. Một nghề là tập hợp nhiều nhiệm vụ: GenAI có thể trực tiếp thực hiện một phần, hỗ trợ con người ở phần khác và chưa thay thế được những khâu cần phối hợp, chịu trách nhiệm hoặc phán đoán theo bối cảnh. Chỉ số mà hai nghiên cứu sử dụng đo tỷ trọng nhiệm vụ có thể được tự động hóa dựa trên hành vi sử dụng quan sát được, không phải xác suất một chức danh sẽ bị xóa bỏ.
Điểm đáng chú ý của kết quả Texas là sự thay đổi đã hiện ra trong quyết định mở vị trí mới. Doanh nghiệp không cần sa thải nhân viên hiện hữu để tạo ra tác động trên thị trường lao động: chỉ cần giảm số chỗ tuyển hoặc thay đổi loại công việc cần người, cơ hội dành cho người mới gia nhập và người muốn chuyển nghề đã có thể thu hẹp.
Vì sao nghiên cứu toàn nước Mỹ thận trọng hơn
Nghiên cứu của Richard Audoly, Miles Guerin và Giorgio Topa, được New York Fed công bố ngày 14/5/2026, cũng kết hợp dữ liệu Lightcast toàn nước Mỹ với thước đo tiếp xúc theo nhiệm vụ. Nhóm này nhận thấy tuyển dụng nói chung đã chậm lại, nhưng tin đăng cung cấp ít bằng chứng về một đợt giảm nhu cầu lao động riêng biệt do AI; khoảng cách giữa nghề tiếp xúc cao và thấp đã xuất hiện trước ChatGPT và không có bước ngoặt rõ ràng sau cuối năm 2022.
Hai kết quả không đo đúng cùng một đối tượng theo cùng một cách. Nghiên cứu New York Fed đặt câu hỏi liệu quỹ đạo của các nghề tiếp xúc cao trên toàn nước Mỹ có thay đổi riêng sau ChatGPT hay không. Phân tích Texas đi sâu hơn vào chênh lệch giữa nghề trong cùng ngành, hành vi của nhóm doanh nghiệp hiện hữu và sự dịch chuyển trong cơ cấu vị trí mà họ đăng.
Ngay cả phân tích Dallas Fed cũng cho biết mô hình áp dụng cho các cặp nghề–ngành trên toàn nước Mỹ tạo ra kết quả tương tự về hướng và quy mô. Khác biệt với kết luận thận trọng của New York Fed vì thế không thể giải thích đơn giản bằng địa lý; cách xác định nhóm so sánh, kiểm soát xu hướng có trước ChatGPT và câu hỏi thống kê mà mỗi nhóm đặt ra cũng quan trọng. Kết quả Texas bổ sung một tín hiệu sớm có tính cục bộ và theo nhiệm vụ, chứ không tự động bác bỏ phân tích toàn quốc.
Tin đăng chưa cho biết bao nhiêu người thực sự mất việc
Lightcast tổng hợp quảng cáo từ trang nghề nghiệp của doanh nghiệp, bảng việc làm và các nền tảng đăng tuyển. Dữ liệu này cho phép theo dõi nhu cầu tuyển dụng nhanh và chi tiết theo nghề, nhưng đại diện chưa đầy đủ cho nông nghiệp, xây dựng, bảo trì công trình và dịch vụ cá nhân—những lĩnh vực ít dựa vào tuyển dụng trực tuyến hơn.
Một tin đăng không bảo đảm doanh nghiệp cuối cùng đã tuyển người; ngược lại, một vị trí được lấp qua giới thiệu hoặc kênh ngoại tuyến có thể không xuất hiện trong dữ liệu. Bởi vậy, mức giảm ước tính trong tin tuyển dụng không thể được đọc thành tỷ lệ việc làm đã bị AI lấy mất, cũng không trực tiếp đo sa thải, tiền lương hay số giờ làm.
Điều đã được xác lập là nhu cầu tuyển mới tại Texas yếu đi tương đối ở những nghề chứa nhiều nhiệm vụ GenAI có thể tự động hóa, trong khi tác động lên tổng lượng tin trực tuyến vẫn khiêm tốn. Muốn biết thay đổi này có chuyển thành mất việc hoặc giảm thu nhập hay không, cần đối chiếu thêm dữ liệu hành chính về tuyển dụng thực tế, việc làm, tiền lương và quá trình dịch chuyển nghề nghiệp trong thời gian dài hơn.
Đọc thêm:
Đăng ký bản tin
Nhận tin Web3, AI và tiền mã hóa mới nhất ngay trong hộp thư.