Xu hướng AI đến năm 2030: điều đã đo được, điều đang là giả định và việc nên làm từ bây giờ

Dự báo về AI năm 2030 có thể đọc theo 2 cách: như lời tiên tri, hoặc như một bài tập sắp xếp bằng chứng.

Bài này chọn cách thứ hai. 3 lớp thông tin được tách rõ để bạn biết mình đang đọc gì: những điều các tổ chức đã đo được (METR, Stanford AI Index, IEA, Epoch AI, Diễn đàn Kinh tế Thế giới), những kịch bản do các nhóm nghiên cứu soạn ra (AI 2027), và những nhận định của Click Star kèm mức tự tin.

Mọi con số nêu nguồn ngay trong câu và có thể đã cũ khi bạn đọc. Dự báo công nghệ vốn dễ sai, nên điều đáng giữ lại nhất không phải một năm cụ thể mà là danh sách tín hiệu cần theo dõi và những việc nên làm dù kịch bản nào xảy ra.

Điểm chính

• Điều đo được rõ nhất: độ dài công việc mà mô hình AI hoàn thành tự động đang tăng theo cấp số nhân. METR ước tính thời gian nhân đôi khoảng 7 tháng cho giai đoạn 2019 đến 2024, và khoảng 4,3 tháng (130,8 ngày) cho giai đoạn từ 2023 trong bản cập nhật tháng 1/2026, với sai số lớn và chủ yếu trên công việc phần mềm.
• Giới hạn lớn nhất đến năm 2030 nhiều khả năng là điện, chip và dữ liệu hơn là ý tưởng. IEA dự báo điện của trung tâm dữ liệu toàn cầu tăng gần gấp đôi lên khoảng 945 TWh vào năm 2030; Epoch AI cho rằng các lần huấn luyện cỡ 2e29 FLOP khả thi về kỹ thuật vào năm đó.
• Về việc làm, Diễn đàn Kinh tế Thế giới ước tính đến 2030 tạo ra 170 triệu vai trò, mất đi 92 triệu, tăng ròng 78 triệu, và khoảng 40% kỹ năng cần có sẽ thay đổi.
• Chính các tác giả kịch bản AI 2027 cũng dời mốc dự báo sau khi cập nhật. Hãy coi các kịch bản là công cụ nghĩ, không phải lịch.
• Doanh nghiệp không cần đoán đúng năm. Cần làm: nền dữ liệu sạch, tự động hóa dần các việc lặp lại, văn hóa kiểm chứng, kế hoạch đào tạo, không phụ thuộc một nhà cung cấp và quản trị dữ liệu.

Điều đã đo được

Công việc dài hơn mỗi năm

METR đo "chân trời thời gian" (time horizon): độ dài của công việc, tính bằng thời gian một chuyên gia người cần để làm, mà mô hình hoàn thành thành công ở mức tin cậy 50%. Bài nghiên cứu tháng 3/2025 của họ ước tính chỉ số này nhân đôi khoảng mỗi 7 tháng trong giai đoạn 2019 đến 2024.

Bản cập nhật Time Horizon 1.1 (tháng 1/2026) cho thấy tiến triển nhanh hơn: thời gian nhân đôi từ năm 2023 vào khoảng 130,8 ngày, tức khoảng 4,3 tháng.

Cần đọc đúng giới hạn: sai số rộng, đặc biệt với các mô hình mới nhất, bộ đo chủ yếu là công việc phần mềm, và "chân trời 4 giờ" nghĩa là hỏng khoảng một nửa số việc dài 4 giờ chứ không phải "AI làm được 4 giờ công việc". Cũng có người cho rằng tốc độ sẽ chậm lại; chưa ai biết chắc.

Năng lực nhảy vọt nhưng chưa đáng tin tuyệt đối

Báo cáo Stanford AI Index 2026 ghi nhận kết quả trên bộ SWE-bench Verified tăng từ khoảng 60% lên gần 100% chỉ trong một năm, các mô hình hàng đầu đạt hoặc vượt mức người ở nhiều bài thi khoa học và toán.

Nhưng với tác vụ thao tác máy tính có cấu trúc (OSWorld), tỷ lệ thành công tăng từ khoảng 12% lên khoảng 66% và vẫn hỏng gần một trên 3 lần thử. Số sự cố AI được ghi nhận tăng từ 233 (năm 2024) lên 362 (năm 2025).

Áp dụng nhanh hơn mọi công nghệ trước

Cũng theo AI Index 2026, AI tạo sinh đạt 53% dân số sử dụng trong 3 năm, nhanh hơn máy tính cá nhân và Internet; 88% tổ chức đã áp dụng AI. Đầu tư tư nhân vào AI ở Mỹ đạt 285,9 tỷ USD năm 2025, trong khi Trung Quốc là 12,4 tỷ USD và châu Âu là 20,92 tỷ USD. Một chi tiết đáng chú ý: 73% chuyên gia kỳ vọng AI tác động tích cực đến cách con người làm việc, so với 23% của công chúng.

Điện, chip và dữ liệu là điểm nghẽn

IEA, trong báo cáo Energy and AI (tháng 4/2025), dự báo điện năng của các trung tâm dữ liệu toàn cầu tăng hơn gấp đôi lên khoảng 945 TWh vào năm 2030, hơn một chút tổng điện năng tiêu thụ của cả Nhật Bản hiện nay. Các cơ sở tối ưu cho AI tăng hơn 4 lần. Ở Mỹ, trung tâm dữ liệu chiếm gần một nửa mức tăng nhu cầu điện đến năm 2030.

IEA nhấn mạnh còn nhiều bất định, phụ thuộc vào tốc độ áp dụng AI, hiệu quả năng lượng và việc tháo gỡ các nút thắt của ngành điện.

Epoch AI, trong phân tích năm 2024, xem xét 4 ràng buộc: nguồn điện, năng lực sản xuất chip, dữ liệu và "bức tường độ trễ" (giới hạn tốc độ do thời gian tối thiểu cần cho mỗi lượt tính).

Kết luận của họ là các lần huấn luyện khoảng 2e29 FLOP nhiều khả năng khả thi đến năm 2030; lượng dữ liệu văn bản tương đương từ 400 nghìn tỷ đến 20 triệu tỷ token, và dữ liệu tổng hợp do AI tạo ra có thể tăng thêm đáng kể. Đây là phân tích đã 2 năm tuổi nên cần đối chiếu với cập nhật mới của Epoch trước khi dựa vào.

Việc làm: tạo ra, mất đi và đổi kỹ năng

Báo cáo Future of Jobs 2025 của Diễn đàn Kinh tế Thế giới (công bố 8/1/2025, dựa trên khảo sát hơn 1.000 doanh nghiệp) ước tính đến năm 2030 có 170 triệu vai trò được tạo ra và 92 triệu vai trò bị thay thế, tăng ròng 78 triệu, tức khoảng 22% số việc làm bị xáo trộn.

Khoảng 40% kỹ năng nhà tuyển dụng cần sẽ thay đổi, và 63% doanh nghiệp xem khoảng cách kỹ năng là rào cản chính cho việc chuyển đổi. Kỹ năng về AI, dữ liệu lớn và an ninh mạng được dự báo tăng nhu cầu nhanh. Đây là ước tính từ khảo sát ý kiến doanh nghiệp, không phải số đo.

Điều là kịch bản: AI 2027

AI 2027, công bố ngày 3/4/2025 bởi nhóm của Daniel Kokotajlo (từng làm ở OpenAI), Scott Alexander, Thomas Larsen, Eli Lifland và Romeo Dean, là một kịch bản cụ thể về việc AI siêu việt có thể phát triển ra sao, viết ra để dễ bị kiểm chứng và phản bác.

Các tác giả nói rõ đó không phải khuyến nghị và có 2 kết thúc (một kết thúc làm chậm, một kết thúc chạy đua).

Đáng chú ý là chính họ đã điều chỉnh: năm 2027 là mốc khả dĩ nhất (modal) lúc công bố chứ không phải trung vị; bản cập nhật tháng 7/2025 dời trung vị lùi khoảng 1,5 năm; ghi chú tháng 12/2025 cho biết sau khi tính các yếu tố ngoài mô hình, trung vị của Eli Lifland là năm 2030.

Họ cũng nói các dự báo cho 2025 và 2026 vững hơn các năm sau, nơi việc AI tự đẩy nhanh nghiên cứu khiến kết quả khó đoán hơn nhiều. Bài học hữu ích nhất: dù là nhóm nghiên cứu nghiêm túc, đường cong dự báo vẫn dịch chuyển khi có dữ liệu mới.

6 xu hướng đến năm 2030, kèm mức tự tin

Phần này là nhận định của Click Star, dựa trên các bằng chứng ở trên và những gì Click Star thấy khi làm việc với khách hàng. Mức tự tin là đánh giá chủ quan, không phải xác suất đo được.

1. Tác tử làm được việc dài hơn (tự tin cao về chiều hướng, thấp về tốc độ). Chỉ số của METR và AI Index cùng chỉ một hướng. Chưa rõ tốc độ có giữ được, nhưng việc "giao một nhiệm vụ nhiều giờ và nhận lại kết quả" sẽ ngày càng phổ biến.
2. Điện và chip quyết định nhịp (tự tin trung bình đến cao). IEA và Epoch cùng chỉ ra các giới hạn vật lý và hạ tầng. Doanh nghiệp dùng AI nên kỳ vọng giá và độ sẵn sàng phụ thuộc vào chuỗi cung ứng này.
3. Cạnh tranh giữa nhiều nhà cung cấp khiến "một nhà cung cấp" kém an toàn (tự tin trung bình). Các cổng gọi mô hình thêm model mới gần như mỗi ngày. Thiết kế hệ thống để đổi model dễ dàng sẽ là lợi thế.
4. Công việc tổ chức lại quanh kiểm chứng (tự tin trung bình). Khi tạo ra đầu ra gần như không tốn gì, nút thắt chuyển sang kiểm thử, rà soát và thiết kế, như Simon Willison nhận xét về lập trình. Kỹ năng đáng đầu tư là đặt câu hỏi, kiểm chứng và chịu trách nhiệm.
5. Tìm kiếm trở thành động cơ trả lời (tự tin trung bình). Lượt nhấp giảm khi có tóm tắt AI, và thương hiệu cần được dẫn làm nguồn, không chỉ đứng thứ hạng. Xem thêm bài về tư duy SEO thời AI của chúng tôi.
6. Quy định, an toàn và niềm tin là ẩn số lớn (tự tin thấp). Số sự cố tăng, mức tin cậy vào cơ quan quản lý khác nhau rất xa giữa các nước (theo AI Index 2026: thấp nhất 31% ở Mỹ, cao nhất 91% ở Singapore). Quy định về dữ liệu cá nhân, như Luật Bảo vệ dữ liệu cá nhân của Việt Nam (Luật số 91/2025/QH15, hiệu lực từ 1/1/2026), sẽ ảnh hưởng thực tế đến cách dùng AI.

Bài này không có số liệu đã kiểm chứng riêng cho thị trường Việt Nam. Các nghiên cứu nêu trên chủ yếu dựa trên dữ liệu toàn cầu hoặc Mỹ, nên hãy dùng chúng như dấu hiệu chiều hướng.

3 kịch bản để nghĩ, không phải để đoán

Thay vì chọn một tương lai, hãy lập kế hoạch cho một khoảng. 3 kịch bản dưới đây là khung tư duy của Click Star, không phải dự báo xác suất.

• Chậm lại: điện, chip hoặc dữ liệu kìm hãm, chi phí giảm chậm, tác tử vẫn cần giám sát chặt. Tín hiệu: thời gian nhân đôi của METR dài ra, thời gian chờ nối điện cho trung tâm dữ liệu kéo dài, các mô hình mới chỉ cải thiện nhỏ so với bản trước.
• Đều đặn: các xu hướng hiện tại tiếp tục, tác tử đáng tin cho nhiều loại việc hơn nhưng vẫn cần người kiểm chứng. Tín hiệu: chân trời thời gian tăng đều, chi phí cho cùng năng lực giảm, mức áp dụng trong doanh nghiệp chuyển từ thử nghiệm sang quy trình thường xuyên.
• Tăng tốc: AI tự rút ngắn chu kỳ nghiên cứu, mô hình mới ra nhanh hơn kế hoạch. Tín hiệu: các phòng thí nghiệm công bố việc AI đóng góp phần lớn công việc nghiên cứu, thời gian giữa các thế hệ mô hình ngắn lại rõ rệt.

Việc theo dõi đơn giản: mỗi quý, ghi lại 4 chỉ số (chân trời thời gian của METR, giá trên một đơn vị năng lực, thời gian chờ hạ tầng điện, và mức áp dụng trong ngành của bạn) và xem kịch bản nào đang gần thực tế nhất.

Doanh nghiệp nên làm gì từ bây giờ

Những việc dưới đây có ích ở cả 3 kịch bản:

1. Làm sạch và gom dữ liệu. Mọi ứng dụng AI tốt đều cần dữ liệu có cấu trúc, có chủ sở hữu và có quyền truy cập rõ. Đây là khoản đầu tư ít rủi ro nhất.
2. Tự động hóa dần các việc lặp lại, có đo trước và sau. Bắt đầu từ việc rủi ro thấp, giữ người duyệt, và ghi lại thời gian tiết kiệm thật.
3. Xây văn hóa kiểm chứng. Quy định việc nào cần người duyệt, kiểm tra nguồn và số liệu, và ai chịu trách nhiệm cuối.
4. Đào tạo theo khung kỹ năng. Với dự báo khoảng 40% kỹ năng thay đổi, hãy lập kế hoạch học cho từng vai trò, không chờ đến khi vai trò bị thay đổi.
5. Không phụ thuộc một nhà cung cấp. Tách lớp gọi mô hình khỏi phần còn lại, thử nghiệm với 2 đến 3 model và giữ bộ kiểm tra riêng để so sánh.
6. Quản trị dữ liệu và bảo mật từ đầu. Phân mức dữ liệu, rà điều khoản của dịch vụ AI, đối chiếu quy định bảo vệ dữ liệu cá nhân.
7. Dành ngân sách cho thử nghiệm nhỏ mỗi quý. Công nghệ đổi nhanh hơn chu kỳ kế hoạch hằng năm, nên cần một khoản cố định để thử và học.
8. Xem lại giả định mỗi năm. Viết ra những gì bạn tin về AI vào năm 2030, rồi đối chiếu mỗi năm và sửa.