Trong hàng thế kỷ, nông nghiệp không hề thay đổi – nông dân cày ruộng với sự giúp đỡ của súc vật và tưới nước từ sông gần đó. Trong nhiều nền kinh tế mới nổi, như Ấn Độ, các tiểu nông vẫn dùng cách thức có từ nhiều thế kỷ, không đòi hỏi nhiều kỹ năng. Đổi mới trong nông nghiệp bắt đầu từ thế kỷ thứ 12, như quay vòng mùa vụ, và tiếp tục trong thế kỷ 20 nhờ cơ giới hóa, phân bón tổng hợp, thuốc trừ sâu và hạt giống năng suất cao.

Ngày nay, nghề nông đã dùng công nghệ cao. Hệ thống định vị toàn cầu (GPS) trong các máy cày tự động bảo đảm rằng chúng sẽ không cày khoảng đất nào hai lần hay bỏ quên chỗ nào, nhờ đó giảm nhiên liệu tiêu thụ và cải thiện việc sử dụng phân bón. Công nghệ cũng dẫn đến “nông nghiệp chính xác”. Các thiết bị của John Deere có thể gieo từng hạt giống chính xác đến từng cm, và cảm biến trên thiết bị có thể đo chính xác lượng dinh dưỡng trong đất và điều chỉnh lượng phân bón ngay tức thì. Đại học Sydney đã phát triển các thiết bị năng lượng mặt trời có thể nhận ra và cắt cỏ dại.1

Một bài viết trên The Economist so sánh nông nghiệp như ma trận trong đại số: “Một người nông dân luôn phải tính toán một loạt các biến, như thời tiết, độ ẩm của đất và hàm lượng dinh dưỡng, ảnh hưởng của cỏ dại, mối đe dọa từ côn trùng và bệnh tật, và chi phí bỏ ra để giải quyết từng vấn đề”.2 Sử dụng dữ liệu quá khứ và thời gian thực về những biến số này nhờ cảm biến và các nguồn khác, các công ty như John Deere đang phát triển các thuật toán và phần mềm để giúp các nông dân tối ưu hóa sản lượng và tăng lợi nhuận.

Những tiến bộ về phần mềm và phân tích dữ liệu không chỉ giới hạn trong một ngành. Từ nông nghiệp đến tài chính, các công ty đang chiêu mộ hàng trăm, thậm chí hàng nghìn kỹ sư phần mềm với kỹ năng về khoa học máy tính và phân tích dữ liệu. Năm 2017, trên 9.000 nhân viên, khoảng 1/4 quân số của Goldman Sachs, có bằng kỹ sư, và 37% phân tích viên được tuyển trong năm 2016 có bằng STEM (viết tắt của Khoa học, Công nghệ, Kỹ sư và Toán).3

Dữ liệu là nguồn dầu mỏ mới, và các công ty cần những người có kỹ năng có thể chắt lọc giá trị từ những nguồn tài nguyên quan trọng này.

PHÂN TÍCH DỮ LIỆU, MÁY HỌC, VÀ TRÍ TUỆ NHÂN TẠO

Theo một báo cáo của IBM, chúng ta tạo ra 2,5 nghìn tỷ byte dữ liệu mỗi ngày. Nói theo cách khác, 90% dữ liệu trên thế giới ngày hôm nay được tạo ra trong 2 năm gần đây.4 Dữ liệu này đến từ các hoạt động của người dùng như lướt web, chia sẻ trên mạng xã hội, và dùng điện thoại di động – ngày càng đến từ các cảm biến trong máy móc. Phân tích và hiểu được lượng dữ liệu khổng lồ này do vậy đã trở thành thách thức chủ yếu cho các công ty, bao gồm các công ty được bàn nhiều trong cuốn sách này – như Adobe, Amazon, GE và Goldman Sachs, Mastercard, báo New York Times, và The Weather Company.

Một cách tiếp cận hiệu quả để phân tích khối dữ liệu khổng lồ là nhờ công nghệ máy học (machine learning) và trí tuệ nhân tạo (AI). Ngày nay, AI là nguồn lực thúc đẩy tự động hóa, vừa tạo sự thích thú, lại vừa gây lo ngại.

Trong khi một số người, như Elon Musk lo ngại khả năng AI làm loạn, những người khác cho rằng công nghệ này sẽ cách mạng hóa tất cả các ngành công nghiệp trong tương lai. Bất kể bạn nhìn nhận như thế nào, không thể phủ nhận AI sẽ tác động đáng kể đến lao động trong tương lai và các kỹ năng cần thiết để làm tốt trong kỷ nguyên kỹ thuật số. Để hiểu ảnh hưởng tiềm ẩn của AI lên việc làm, có lẽ cần hiểu nó là gì và làm cách nào nó khiến máy móc làm nhiều công việc thay con người.

Nguồn gốc của trí tuệ nhân tạo

Ý tưởng về trí tuệ nhân tạo bắt nguồn từ một khóa học ở Đại học Dartmouth College mùa hè năm 1956. Những nỗ lực tập trung vào việc tạo ra các “hệ thống chuyên gia” dựa trên các quy luật trong đó máy tính học các quy luật (ví dụ, chơi cờ) từ một chuyên gia, và dùng sức mạnh xử lý duyệt qua hàng triệu khả năng và tình huống có thể xảy ra, để chọn ra quyết định tốt nhất. Năm 1996, IBM theo hướng tiếp cận này để phát triển siêu máy tính chơi cờ, Deep Blue, để chơi cờ với đương kim vô địch thế giới Garry Kasparov. Deep Blue tính toán trước 6, hoặc 8, hoặc thỉnh thoảng đến 20 nước cờ, xử lý hơn 200 triệu thế cờ mỗi giây. Thuật toán tìm kiếm vét cạn như vậy giúp Deep Blue thắng một ván, nhưng Kasparov lại thắng 3 ván tiếp theo và hòa 2 ván còn lại.

Hệ thống chuyên gia tận dụng sức mạnh xử lý của máy tính, nhưng kết quả, dù ấn tượng, nhưng còn xa mới có thể coi là “thông minh”. Các ứng dụng thực tế nhất, như dịch thuật, không đi theo các quy định rõ ràng, súc tích như chơi cờ. Vì vậy, sự chú ý dành cho AI ở mức thấp trong hàng thập kỷ. Nhưng AI lại nổi lên trong thời đại của dữ liệu lớn và khả năng tìm ra các quy luật trong đó.

Dữ liệu lớn và nhận dạng các quy luật

Khái niệm dữ liệu lớn trở thành từ vựng trong giới kinh doanh hàm ý số lượng dữ liệu lớn và phức tạp sẵn có trong thời đại này. Dữ liệu lớn là cơ hội lớn hay chỉ là ảo tưởng lớn? Sau cùng, dữ liệu vẫn luôn là xương sống của việc ra quyết định trong kinh doanh. Dữ liệu lớn cho chúng ta điều gì mà trước đó chúng ta không thể làm? Năm 2008, các nhà nghiên cứu Google bật mí về sức mạnh của dữ liệu lớn. Trong một bài viết năm 2015, tôi miêu tả nghiên cứu này như sau:

Vào tháng 11 năm 2008, các nhà nghiên cứu của Google đăng bài trên tạp chí Nature về Google Flu Trends (GFT) – mô hình dựa vào hàng trăm tỷ lượt tìm kiếm trên Google ở Mỹ về bệnh cúm trong những năm 2003-2008 để đoán số ca mắc cảm cúm. Các nhà khoa học Google nói họ không dùng kiến thức nào liên quan đến bệnh cúm trong việc xây dựng mô hình. Thay vào đó, họ phân tích trên 50 triệu từ khóa tìm kiếm phổ biến nhất, và tự động chọn những từ khóa hợp lý nhất, sau khi thử nghiệm 450 triệu mô hình từ khóa khác nhau. Mô hình cuối cùng, sau khi đã chọn ra 45 từ khóa, có thể dự đoán tỷ lệ mắc cúm ở vài vùng của nước Mỹ. Kết quả của mô hình được so sánh với số ca cảm cúm thực tế do Trung tâm Kiểm soát Dịch bệnh Mỹ báo cáo. Nghiên cứu này có độ chính xác cao, với chỉ số tương quan giữa tỷ lệ mắc cúm thực tế và dự đoán là từ 0,90 đến 0,97.5

Bỗng nhiên, có vẻ như không cần chuyên môn khoa học cũng có thể đoán số ca mắc cảm cúm. Mặc dù nghiên cứu của Google bị chỉ trích sau đó, nó vẫn mở ra khả năng dữ liệu và thuật toán có thể thay thế các chuyên gia.6

Sự hồi sinh của trí tuệ nhân tạo

Hầu hết nghiên cứu về dữ liệu lớn, như nghiên cứu bệnh cúm của Google, dùng dữ liệu bằng số như số lượt tìm một từ khóa nhất định. Đó là kiểu dữ liệu quen thuộc với chúng ta trong kinh doanh dưới dạng bảng tính Excel hay mô hình kinh tế lượng. Tuy nhiên, dữ liệu giờ đây có nhiều dạng khác – chữ, hình ảnh, video – mà không thể rập khuôn vào hàng và cột trong một bảng tính Excel. Làm thế nào để duyệt qua hàng nghìn ảnh kỹ thuật số để nhận dạng những ảnh có mặt con của bạn? Bài toán này là chủ đề của ImageNet, một cơ sở dữ liệu hàng triệu tấm ảnh, thách thức các học giả xây dựng mô hình để phân loại ảnh một cách chính xác. Năm 2010, máy tính và phần mềm đạt tỷ lệ chính xác 72%, so với độ chính xác 95% nếu do con người phân loại. Năm 2012, một nhóm do Geoff Hinton dẫn đầu ở Đại học Toronto, dùng cách tiếp cận mới, gọi là “học sâu” (deep learning), cho phép cải thiện độ chính xác lên 85%. Cho đến nay, thuật toán nhận dạng khuôn mặt dựa vào “học sâu” có độ chính xác hơn 99%.7

Học sâu dựa vào mạng nơ-ron (dây thần kinh) nhân tạo (ANN), có nguồn gốc từ cách thức hoạt động của não người. Một bộ não người có trung bình 100 tỷ nơ-ron, và mỗi nơ- ron kết nối tới 10.000 các nơ-ron khác giúp nó truyền thông tin nhanh chóng. Khi một nơ-ron nhận tín hiệu, nó sẽ gửi xung điện kích hoạt các nơ-ron khác, các nơ-ron này lại truyền tín hiệu đến các nơ-ron kết nối với chúng. Tín hiệu đầu ra của mỗi nơ-ron phụ thuộc vào “trọng số” và “hàm kích hoạt”. Dùng mô phỏng tương tự và lượng dữ liệu khổng lồ, các nhà nghiên cứu dạy một ANN bằng cách điều chỉnh trọng số và hàm kích hoạt để có đầu ra thích hợp.

Khái niệm ANN đã có từ nhiều thập kỷ, nhưng đột phá đến từ một mô hình mới mang tên “mạng nơ-ron tích chập” (convolution neural net). Về căn bản, theo cách tiếp cận này, với một “lớp” mạng lưới, bạn có thể nhận dạng chỉ những quy luật đơn giản, nhưng với nhiều lớp bạn có thể nhận ra quy luật của quy luật. Ví dụ, lớp đầu tiên của mạng có thể phân biệt vật thể và bầu trời trong ảnh. Lớp thứ hai có thể phân biệt vật hình tròn và vật hình chữ nhật. Lớp thứ ba có thể nhận ra vật hình tròn là khuôn mặt, và cứ tiếp tục như vậy. Như thể cứ sau mỗi lớp, bức hình càng hiện rõ. Mạng lưới có 20-30 lớp ngày nay được sử dụng rộng rãi. Mức độ trừu tượng như vậy, được gọi là học sâu, là nền tảng cho những tiến bộ lớn trong máy học và AI.

Dạy máy tính học

Thay vì tiếp cận theo các quy luật hay từ trên xuống như trong quá khứ, máy học tiếp cận từ dưới lên và dựa vào dữ liệu. Trẻ nhỏ không học ngôn ngữ bằng cách học vẹt các quy tắc ngữ pháp, mà thay vào đó chỉ đơn giản là tiếp xúc với ngôn ngữ. Nhận dạng quy luật hoạt động tốt nhất khi có lượng lớn dữ liệu, và đó là nơi sức mạnh của dữ liệu lớn trở nên mạnh mẽ. Có một vài cách tiếp cận để dạy máy tính làm những tác vụ dành cho con người.

Cách tiếp cận đầu tiên, được gọi là “học có giám sát”, được dùng bởi Google để nhận ra thư rác và dịch một trang web sang hơn 100 ngôn ngữ khác nhau. Những điều này không hề cần con người trợ giúp. Làm sao máy tính có thể làm được những điều này? Làm sao các nhà khoa học máy tính của Google có thể dịch ra 100 ngôn ngữ mà chính họ cũng không biết? Học có giám sát sử dụng lượng lớn dữ liệu huấn luyện, như email, đã được phân loại bởi con người có phải là thư rác hay không. Những email này được đưa vào máy tính để xác định thư rác. Không có quy tắc nào được tạo ra để nhận diện thư rác. Thay vào đó, máy tính tự động học hỏi xem nên chú ý đến cụm từ hoặc câu nào, dựa vào tỷ lệ phát hiện thư rác sau mỗi lần thử. Quá trình thử sai này càng cải thiện nếu có nhiều dữ liệu hơn.

Tương tự, Google Translate sẽ dịch một câu hoặc một trang, chẳng hạn, từ tiếng Anh sang tiếng Tây Ban Nha và ngược lại và đo độ chính xác của chính mình, mà không biết gì về cả hai ngôn ngữ. Khi có thêm nhiều dữ liệu, máy tính học hỏi và càng trở nên chính xác. Ngày nay, Google Translate chính xác tới mức khó có thể phân biệt giữa bản dịch của nó với bản dịch của một nhà ngôn ngữ học. Google giờ có thể tự động dịch lời nói sang ngôn ngữ khác trong thời gian thực. Bỗng nhiên, kỹ năng ngôn ngữ không còn bắt buộc như trước. Và điều này không chỉ giới hạn ở ngôn ngữ. Máy tính có thể đọc ảnh chụp X quang hay cộng hưởng từ ngang bằng hay còn tốt hơn bác sĩ chuyên khoa X quang với nhiều năm đào tạo và kinh nghiệm thực tế. Bất kỳ công việc nào có lượng lớn dữ liệu để huấn luyện, máy tính đều có thể và sẽ làm được một cách tự động.

Trong khi “học có giám sát” đòi hỏi chúng ta phải phân loại và đánh dấu dữ liệu để huấn luyện máy tính, “học không có giám sát” không đòi hỏi chỉ dẫn như vậy. Cách tiếp cận này yêu cầu máy tính đi tìm các quy luật thú vị trong dữ liệu, và không ai chỉ huy máy móc nên tìm ra điều gì. Điều này có thể hữu ích trong việc phát hiện tấn công mạng, đe dọa khủng bố và gian lận thẻ tín dụng. Nhưng học không có giám sát vô cùng khó, và các học giả cũng khó khăn trong việc tìm ra cách làm. Đột phá đến vào năm 2011, khi Lê Viết Quốc, một sinh viên theo học tiến sĩ của học giả AI hàng đầu Andrew Ng, tìm ra phương pháp có thể nhận ra mèo trong số hàng triệu video trên YouTube.8 Phát hiện này, được gọi vui là “luận văn mèo”, được đăng năm 2012, và mở ra một mảng mới của học không có giám sát, vốn đang là giới hạn hiện tại của máy học.

Nằm giữa học có giám sát và không có giám sát là “học tăng cường”, có nghĩa máy bắt đầu học không giám sát, và khi tìm thấy quy luật thú vị, một nhà nghiên cứu gửi tín hiệu thưởng để khuyến khích máy trong việc tìm kiếm. Một cách tiếp cận khác là “học tái sử dụng”, trong đó các chuyên gia (chẳng hạn, về an ninh mạng) chuyển giao kiến thức cho máy tính thay vì để máy tính học từ đầu. Hầu hết cách tiếp cận AI là của riêng từng lĩnh vực chuyên môn – ví dụ, ngôn ngữ hay y học. Ranh giới tiếp theo là phát triển “AI tổng quát” có khả năng tổng hợp thông tin và tìm kiếm quy luật từ nhiều chuyên môn khác nhau, giống như chính cách hoạt động của não người.9

Tác động của tự động hóa lên việc làm Khả năng thu thập dữ liệu và huấn luyện máy tính phân tích và học hỏi đang thay đổi mọi ngành công nghiệp, và sẽ có ảnh hưởng lớn đến việc làm. Trong một nghiên cứu được trích dẫn rộng rãi vào năm 2013, các nhà nghiên cứu Đại học Oxford tìm hiểu 702 việc làm và tìm ra rằng 47% người lao động ở Mỹ đang làm công việc có thể bị thay thế bởi tự động hóa. Khả năng bị thay thế bởi tự động hóa thay đổi tùy ngành nghề: 99% đối với người tiếp thị qua điện thoại, 94% đối với kế toán viên, kiểm toán viên, 92% đối với nhân viên bán lẻ, nhưng chỉ 0,3% đối với bác sĩ trị liệu và 0,4% đối với nha sĩ.10 Một nghiên cứu năm 2017 của McKinsey cho thấy trong khi chỉ 5% số việc làm có thể tự động hóa hoàn toàn, gần 30% các thao tác trong 60% số công việc có thể được đưa lên máy tính.11 Thậm chí những người có kỹ năng cao cấp và được giáo dục nhiều như luật sư và bác sĩ X quang cũng bị tự động hóa đe dọa. Tự động hóa những năm 1960 và 1970 đã thay thế công nhân ở xí nghiệp, nhưng ngày nay, tự động hóa do AI thúc đẩy nhiều khả năng sẽ thay thế nhiều nhân viên văn phòng. Về cơ bản, các công việc lặp đi lặp lại và dễ đoán có thể được máy tính làm thay tốt hơn, nhanh hơn và rẻ hơn. Sự khác biệt không nằm ở chỗ công việc chủ yếu chân tay hay trí óc, ở xưởng hay trong văn phòng, mà nằm ở chỗ có nhiều phần lặp lại hay không.

Tự động hóa gây bất an với nhiều người và các chính trị gia vì viễn cảnh thất nghiệp hàng loạt. Nó khiến người ta tưởng tượng một ngày chúng ta không có việc làm và chỉ ngồi xem Netflix cả ngày. Tuy nhiên, lịch sử đã cho thấy những lo ngại đó bị thổi phồng quá mức. Vào những năm 1930, John Maynard Keynes, nhà kinh tế nổi tiếng, dự đoán công nghệ sẽ cho phép cháu của ông có tuần làm việc 15 tiếng – khác xa so với thực tế hiện nay.12 Máy ATM được dự đoán sẽ khiến giao dịch viên trở nên lỗi thời, và dù số lượng giao dịch viên giảm từ 20 trên một phòng giao dịch năm 1988 xuống còn 13 vào năm 2004, số phòng giao dịch lại tăng 43% trong cùng kỳ. Máy ATM đã không xóa bỏ việc làm. Chúng chỉ chuyển dịch vai trò của giao dịch viên từ rút tiền đơn thuần sang dịch vụ khách hàng.13 Những thay đổi tương tự sẽ tiếp diễn trước làn sóng AI và tự động hóa hiện nay. Những thao tác lặp đi lặp lại sẽ được tự động hóa, và con người cần được huấn luyện lại để làm các phần việc khác bớt lặp lại. Trong khi một số việc làm sẽ mất đi - như từng xảy ra với người vận hành thang máy – các việc làm mới sẽ luôn được tạo ra và đòi hỏi nhiều kỹ năng mới. Không chỉ có việc làm đang trải qua nhiều biến đổi, mà quy trình tuyển dụng, phát triển và quản trị nhân tài của các công ty cũng đang thay đổi chóng mặt.

Tuyển dụng

Công nghệ buộc các doanh nghiệp phải suy nghĩ lại nên tuyển dụng ai, và tuyển dụng như thế nào. Goldman Sachs đã tự động hóa nhiều thao tác trong quy trình IPO và thay thế phần lớn nhân viên môi giới chứng khoán bằng các kỹ sư biết lập trình. GE Digital có hơn 30.000 nhân viên có kỹ năng phần mềm, điện toán đám mây và Internet Vạn vật. Sau khi trở thành CEO của Gap, Art Peck quyết định thay vì dựa vào trực giác và kinh nghiệm của một cựu giám đốc sáng tạo (creative director), ông sẽ khai phá dữ liệu từ Google Analytics và cơ sở dữ liệu các giao dịch và khách hàng của chính hãng để làm nên những thiết kế mới. Việc phân tích dữ liệu được thực hiện trên toàn công ty và đòi hỏi Gap tuyển mộ nhân lực có trình độ liên quan. Tấm bằng công nghệ thông tin và khả năng lập trình là điều mà công ty tìm kiếm. Bộ phận marketing cũng đang thay đổi, yêu cầu nhiều hơn kinh nghiệm marketing kỹ thuật số.

Cách tuyển dụng cũng thay đổi hoàn toàn. Cách thức truyền thống là phỏng vấn mang tính chủ quan và không đánh giá chính xác. Ngoài ra, phỏng vấn tốn thời gian và giới hạn số lượng ứng viên một công ty có thể duyệt. Một số công ty bắt đầu đặt câu hỏi về các dữ liệu truyền thống như bằng đại học, bảng điểm trong việc tìm kiếm nhân tài. Catalyst DevWorks, một công ty phát triển phần mềm, đánh giá hàng trăm nghìn chuyên viên IT và không tìm ra tương quan nào giữa bằng đại học và khả năng làm tốt công việc.14

Năm 2003, Michael Lewis viết cuốn sách bán chạy, Moneyball, nói về cách đội bóng chày Oakland Athletics dùng các phương pháp phân tích dựa vào dữ liệu, thay vì đánh giá của những người chuyên chiêu mộ cầu thủ tài năng, để tập hợp một đội bóng chất lượng. Liệu các công ty có thể dùng phương pháp tuyển dụng như vậy? Guy Halfteck, người sáng lập và CEO của Knack, một công ty start-up ở Sillicon Valley, tin rằng dùng trò chơi trên di động và phân tích dữ liệu, công ty của ông có thể tuyển dụng tốt hơn cách thức truyền thống là phỏng vấn khi cần tìm chuyên viên tư vấn, phân tích tài chính, bác sĩ ngoại khoa, hay bất kỳ kỹ năng nào.

Làm thế nào một trò chơi di động 10-20 phút có thể tìm ra ứng viên thích hợp? Khi tôi đặt câu hỏi này với Halfteck, ông giải thích cách hoạt động của Knack:

Trò chơi của Knack tạo ra một trải nghiệm kỹ thuật số bao trùm và lôi cuốn. Chơi một trò chơi đòi hỏi 2.500 hành vi nhỏ mỗi phút, bao gồm các quyết định, hành động, phản ứng, học hỏi, khám phá, cả chủ động và bị động. Điểm Knack được tính từ cách một cá nhân chơi trò chơi, thay vì liệu họ chơi giỏi hay không. Từ dữ liệu thô, các phân tích tự động đưa ra các chỉ dấu đại diện cho các hành vi khác nhau (chẳng hạn, người chơi xử lý thông tin nhanh đến đâu, họ có vận dụng tốt các tín hiệu xã hội như cảm xúc trên khuôn mặt hay không, họ giải quyết khó khăn như thế nào, họ học hỏi thế nào, họ thích ứng và thay đổi hành vi thế nào, cách suy nghĩ, và nhiều mặt khác). Những chỉ dấu hành vi như trên được tính toán nhờ kết hợp công nghệ máy học và khoa học hành vi tối tân.

Sau đó chúng tôi tổng hợp các chỉ dấu hành vi để xây dựng và kiểm chứng các mô hình đặc điểm tâm lý, như chỉ số thông minh xã hội, tư duy định tính, sự kiên cường, lập kế hoạch và nhiều mặt khác. Mỗi điểm Knack đến từ một mô hình như vậy. Sau khi phát triển 35 mô hình, chúng tôi dự đoán hành vi thực tế như kết quả làm việc, sức ảnh hưởng khi lãnh đạo, khả năng lên ý tưởng, kết quả học tập và nhiều tiêu chí khác.15

Hiểu rằng tìm kiếm tài năng qua trò chơi trên di động sẽ gây nhiều hoài nghi, Halfteck và đội ngũ của ông hợp tác nghiên cứu với nhiều trường đại học, học giả, và công ty để kiểm nghiệm cách tiếp cận của ông. Trong một nghiên cứu năm 2017, các nhà nghiên cứu của Trung tâm Y tế NYU Langone đã cho 120 người từng là hoặc hiện đang là thực tập sinh khoa chỉnh hình chơi Wasabi Waiter, một trong những trò chơi của Knack, và tìm ra rằng dữ liệu từ trò chơi có thể dự đoán kết quả của một bài thi mà họ phải thi trong thời gian nội trú.16

Rino Piazzolla, phụ trách quản trị nhân lực ở AXA Group, một trong những công ty bảo hiểm lớn nhất thế giới, với trên 100 tỷ đô-la doanh thu và 165.000 nhân viên, là một fan nhiệt tình của Knack. Ông kể lại vì sao ông trở thành fan và sử dụng Knack:

Chúng tôi biết đến Knack khi chúng tôi bắt đầu tìm hiểu một vài start-up để xem đang có đổi mới gì trong lĩnh vực HR. Chúng tôi dùng thử Knack để tuyển dụng cho tổng đài chăm sóc khách hàng, nơi cần tuyển nhiều người. Sau đó chúng tôi theo sát những người được tuyển và tiến hành backtesting (tạm dịch: kiểm nghiệm quá khứ - kiểm chứng một mô hình dùng dữ liệu quá khứ). Chúng tôi giờ có bằng chứng thống kê cho thấy nhờ dùng Knack, chúng tôi đã tìm được những người phù hợp hơn với công việc.17

Tiếp cận dựa vào dữ liệu và trò chơi của Knack đã mang lại nhiều khách hàng, bao gồm BCG, Citigroup, Deutsche Telekom, Nestlé, IBM, Daimler và Tata Hotels & Resorts. Trong chiến dịch tuyển dụng gần đây, BCG gửi link trò chơi của Knack đến nhiều đại học, bao gồm nhiều trường BCG chưa thể đến tuyển dụng được vì thời gian và nhân lực có hạn. Chỉ trong vòng vài tuần, công ty đã nhận được hàng nghìn hồ sơ xin việc. Không cần résumé hay thông tin về ứng viên, Knack dùng thuật toán phân tích dữ liệu để nhận dạng 5% ứng viên sáng giá nhất có thể phù hợp với BCG.

Knack và các khách hàng không phải những công ty duy nhất tuyển dụng theo cách này. Các start-up như Gild, Entelo, Textio, Doxa và GapJumpers và những công ty lâu đời như Unilever, Goldman Sachs và Walmart đều thử nghiệm các cách dùng dữ liệu để mở rộng đối tượng ứng viên và tìm người phù hợp. Thông thường, các ứng viên được duyệt bởi thuật toán, sau đó HR phỏng vấn trực tiếp. Unilever nhận thấy dùng dữ liệu sẽ nhanh hơn, chính xác hơn, ít tốn kém hơn, và mở rộng đối tượng ứng viên.18

Các tiến bộ về phân tích và AI đã tăng sức mạnh và tính chính xác khi “phân tích con người”, cách tiếp cận Moneyball mà Michael Lewis viết trong sách của mình. Điều này còn quan trọng hơn trong “gig economy” (nền kinh tế tự do) trong đó nhiều người làm các công việc tự do trong ngắn hạn. Sẽ rất tốn kém nếu các công ty dồn nguồn lực HR để tìm kiếm, tuyển dụng những người làm việc ngắn hạn này.

Tập huấn và phát triển nghề nghiệp

Gần như mọi công ty đều có các khóa huấn luyện online và công cụ để giúp nhân viên học hỏi và cập nhật kỹ năng. Dùng trò chơi, vốn được nhân viên trẻ ưa chuộng, Appical, một start-up Hà Lan, đang giúp các công ty huấn luyện nhân viên mới. Bước tiếp theo trong chặng đường này sẽ là hiểu nhu cầu cụ thể của từng nhân viên và tạo các khóa huấn luyện cho riêng họ. Trong khi ý tưởng này vẫn còn sơ khai, nó cũng sẽ vận dụng cách thức các công ty hiện nay đang tùy chỉnh nội dung cho khán giả theo thời gian thực. Eyeview, công ty công nghệ và marketing bằng video, đã có thể chọn lựa video quảng cáo dành riêng cho khách hàng theo thời gian thực, dựa vào hành vi lướt web của họ. Adobe đã có thể gửi nội dung hướng dẫn dành riêng cho người dùng phần mềm tùy thuộc trình độ và nhu cầu của họ. Công nghệ tương tự có thể được áp dụng để tạo nội dung huấn luyện riêng cho các nhân viên.

Rino Piazzolla của AXA Group đang dùng Knack để phát triển lãnh đạo. Ông giải thích như sau:

Knack ban đầu tự quảng bá là công ty tuyển dụng, nhưng tôi nói với Guy [nhà sáng lập Knack] rằng nếu nhờ phân tích mà thấy được điểm mạnh, thì cũng sẽ thấy được điểm yếu, và thông tin đó rất giá trị cho công tác đánh giá và phát triển kỹ năng. Do vậy, tôi quyết định làm con chuột bạch và tự chơi trò chơi. Trong sự nghiệp của mình, ở các công ty lớn như AXA, GE và Pepsi, tôi đã tiến hành – và cũng nhận được – nhiều đánh giá về khả năng lãnh đạo của mình, dựa vào các phương pháp truyền thống. Và vì vậy, tôi khá tò mò muốn biết Knack đánh giá tôi như thế nào. Kết quả của Knack thật ngạc nhiên, và chất lượng nhất trong những đánh giá mà tôi đã được nhận trong sự nghiệp HR của mình. Phương pháp đánh giá truyền thống dựa vào hoàn cảnh và có thể thiên lệch, nhưng với Knack, họ không biết gì về tôi hay sự nghiệp của tôi, mà vẫn đưa ra đánh giá chính xác trong thời gian ngắn. Do vậy, chúng tôi đang dùng Knack cho nhiều chương trình phát triển lãnh đạo, như phát triển lãnh đạo triển vọng. Chúng tôi cũng dùng nó để lên kế hoạch cho nguồn nhân lực và xác định mức kỹ năng hiện tại và những kỹ năng chúng tôi cần cho tương lai. Chúng tôi mời tất cả nhân viên ở Mỹ chơi trò chơi của Knack một cách tự nguyện. Hơn 30% số nhân viên đã chơi, cho phép chúng tôi hiểu rõ nhân lực của mình ở mỗi bộ phận.

Tốc độ thay đổi công nghệ chóng mặt cũng đòi hỏi học tập liên tục. Các giám đốc cao cấp trong công ty có thể biết dùng Snapchat và WeChat, những công cụ mà khách hàng của họ dùng, nhưng chính những nhân viên trẻ mới hiểu rõ những khách hàng trẻ tuổi sử dụng và kết nối với những công nghệ này như thế nào. Nhận ra điều này, Unilever đưa ra chương trình “người cố vấn ngược”, trong đó mỗi giám đốc được cặp với một nhân viên trẻ. Nhân viên trẻ sẽ giúp người quản lý hiểu vai trò của công nghệ mới trong cuộc sống người dùng trẻ, còn giám đốc thì sẽ dạy cho đồng nghiệp trẻ của họ hiểu hơn về chiến lược của công ty. CEO của Coke ở Trung Quốc nói với tôi nhiều năm trước đây rằng ông tạo ra hội đồng cố vấn thiếu niên, tức mời những em thiếu niên đến công ty mỗi quý để giúp ông hiểu sâu về hành vi tiếp nhận nội dung và mua sắm của giới trẻ.

Nhu cầu cần học hỏi liên tục cũng đặt ra những câu hỏi quan trọng cho hệ thống giáo dục. Liệu bằng đại học 4 năm, vốn tồn tại hàng thế kỷ, vẫn là mô hình đúng đắn ngày nay? Liệu đại học và chính phủ có nên đầu tư nhiều hơn vào mô hình học việc, như Đức đã làm khá thành công? Nhiều quốc gia như Ấn Độ đang ra sức đầu tư vào giáo dục dựa trên kỹ năng, được cập nhật liên tục để theo kịp thị trường. Với các giám đốc và trường đại học, sẽ cần đầu tư nhiều hơn và các chương trình phát triển lãnh đạo. Theo Rino Piazzolla của AXA Group, kỹ năng cốt lõi cần có ở nhân viên tương lai sẽ là khả năng và mong muốn học hỏi.

ĐÁNH GIÁ NHÂN VIÊN

Mỗi công ty cần có hệ thống đánh giá nhân viên bao gồm đưa ra lời khuyên toàn diện và xét duyệt mỗi quý hay mỗi năm để xác định lương, thưởng và đề ra các điểm cần khắc phục cho tương lai. Cách tiếp cận này có 3 hạn chế lớn. Thứ nhất, hệ thống này rất tốn thời gian. Deloitte cho biết công ty dành 2 triệu giờ mỗi năm để tiến hành đánh giá 65.000 nhân viên. Bản thân điều này không nhất thiết là tệ, vì con người là tài sản lớn của một công ty và dành thời gian đánh giá và góp ý cách làm việc là điều nên làm. Tuy nhiên, vấn đề thứ hai với đánh giá truyền thống là nó thường thiếu hiệu quả. Một nghiên cứu tìm hiểu cách 4.492 người quản lý được cấp trên, đồng cấp, và cấp dưới đánh giá. Kết luận cho thấy cảm nhận của người đánh giá chiếm 62%, còn kết quả làm việc thực sự của người được đánh giá chỉ chiếm 24% trong đánh giá cuối cùng.19 Cách tiếp cận thiên lệch này không mang lại cải thiện nào về kết quả làm việc cũng như khiến nhân viên gắn kết hơn với công ty. Hạn chế thứ ba nằm ở việc đánh giá theo đợt, theo đó nhân viên nhận góp ý cuối năm, chứ không phải ngay thời điểm mà có thể giúp họ thay đổi cách làm việc.

Các công cụ kỹ thuật số và công nghệ đang cho phép các công ty thử nghiệm những cách đánh giá nhân viên mới và nhanh chóng. Có hơn 300.000 nhân viên, GE đang trong quá trình từ bỏ hệ thống đánh giá hằng năm đã được tiến hành hàng chục năm nay và có nhiều tai tiếng dưới thời CEO Jack Welch, và thay nó bằng một ứng dụng, PD@GE, cho phép nhân viên nhận góp ý tức thì từ đồng cấp, cấp dưới và cấp trên.20 GE cũng đang phát triển app sử dụng dữ liệu quá khứ về nhân viên để giúp quản lý lập kế hoạch phát triển và cố vấn cho họ.21 Tháng 4 năm 2017, Goldman Sachs giới thiệu Ongoing Feedback 360+, một hệ thống cho phép nhân viên trao đổi ý kiến tức thời với quản lý. Hệ thống này có một bảng tóm tắt lại các góp ý nhận được trong năm.22Impraise và DevelapMe là các app khác dùng để góp ý nhân viên theo thời gian thực.

Công nghệ không chỉ dừng lại ở góp ý tức thì. Cách tiếp cận dựa trên dữ liệu cũng chỉ ra những nhân viên giỏi, mà không bị thiên lệch. Khi Hans Haringa, một giám đốc ở Royal Dutch Shell phụ trách nhóm chuyên tìm kiếm, đánh giá và đầu tư vào các ý tưởng sáng tạo gây gián đoạn từ cả trong và ngoài công ty, biết đến Knack, ông quyết định dùng thử. Ông cho 1.400 nhân viên từng đóng góp ý tưởng trong quá khứ chơi những trò chơi của Knack. Ông cho Knack biết kết quả đạt được của 3/4 số ý tưởng trên. Dùng dữ liệu từ trò chơi và dữ liệu đánh giá, Knack xây dựng một mô hình có thể dự đoán khả năng thành công của

25% số ý tưởng còn lại. “Dù không cần biết nội dung của những ý tưởng này”, Haringa nói, “và cũng không gặp hay phỏng vấn những người đưa ra ý tưởng, không biết chức danh, học vấn, hay kinh nghiệm của họ, thuật toán của Knack có thể nhận ra những người mà ý tưởng sẽ thành công. 10% ý tưởng tốt nhất do Knack dự đoán cũng chính là những ý tưởng đã thành công nhất”.23

Giữ chân người tài

Giữ chân người tài là thách thức muôn thuở đối với mọi doanh nghiệp. Thường các công ty nhận được đơn xin nghỉ của nhân viên khi đã quá muộn, khi họ đã có việc mới và sẵn sàng cho hành trình mới. Nếu chúng ta có thể dự đoán số khách hàng ngừng sử dụng thẻ tín dụng hay mạng viễn thông, tại sao chúng ta không thể áp dụng phương pháp tương tự để dự đoán khi nào các nhân viên nghỉ việc? Câu hỏi này dẫn đến sự phát triển của những công cụ mới có thể dự đoán trước từ lâu khả năng một nhân viên sẽ rời công ty. GE đang thử nghiệm một ứng dụng như vậy để đoán trước sáu tháng nếu một nhân viên có vẻ sẽ nghỉ, nhờ vậy công ty có thể can thiệp trước khi quá muộn.24 Nhiều học giả đang vận dụng chuyên môn của mình để mô hình hóa số nhân viên nghỉ việc và phát triển các thuật toán máy học phục vụ việc dự đoán.

Các quyết định quản trị nhân lực, từ tuyển dụng, đào tạo đến đánh giá và giữ chân nhân viên, sẽ dựa nhiều vào dữ liệu và thuật toán máy học. Máy tính sẽ không thay thế con người trong việc đánh giá, nhưng chúng sẽ là công cụ bổ trợ đắc lực giúp chúng ta quản trị nhân tài. Cách mạng công nghệ sẽ chỉ tăng tốc trong tương lai, và chúng ta nên chấp nhận và chuẩn bị đón nhận điều đó.