Máy móc bắt đầu tự phân tích, đề xuất và thực hiện một phần công việc, kinh tế học có thể phải mở rộng cách nhìn về lao động, vốn và nguồn gốc của giá trị.

Trong nhiều thế kỷ, kinh tế học gần như mặc nhiên bắt đầu từ con người. Doanh nghiệp quyết định đầu tư, người lao động cung cấp sức lực và kỹ năng, người tiêu dùng lựa chọn hàng hóa, còn các nhà quản lý sử dụng thông tin để phân bổ nguồn lực.

Các cuộc cách mạng công nghệ trước đây từng phá vỡ nhiều giả định trong số đó, nhưng thường không thay đổi người ra quyết định cuối cùng. Máy hơi nước thay thế sức người và sức kéo của động vật, điện cho phép nhà máy thoát khỏi sự phụ thuộc vào một nguồn động lực tập trung, còn máy tính và internet làm thay đổi tốc độ xử lý và truyền tải thông tin. Con người vẫn đứng ở trung tâm của chuỗi quyết định.

Một hệ thống có thể dự báo nhu cầu, tìm phương án mua hàng, điều chỉnh lịch sản xuất, phát hiện rủi ro trong chuỗi cung ứng hoặc thiết kế vật liệu mới. Trong một số trường hợp, con người vẫn phê duyệt bước cuối cùng. Nhưng phần tìm kiếm, so sánh và tối ưu hóa, vốn tiêu tốn rất nhiều thời gian của con người, đã được chuyển sang máy.

Sự thay đổi này đặc biệt đáng chú ý tại Trung Quốc. Một nền kinh tế đang đối mặt với già hóa dân số, áp lực nâng năng suất và sự chuyển dịch khỏi mô hình tăng trưởng phụ thuộc nhiều vào đầu tư có động lực mạnh để tìm thêm năng lực sản xuất từ AI. Bắc Kinh cũng đang thúc đẩy AI, robot và tự động hóa như một phần của quá trình nâng cấp công nghiệp. Reuters ghi nhận Trung Quốc đang đẩy mạnh robot hình người trong bối cảnh dân số suy giảm, tăng trưởng chậm lại và tình trạng thiếu lao động trở thành những vấn đề ngày càng rõ.

Vấn đề vì thế không còn đơn giản là AI có thể làm thay một công việc hay không. Câu chuyện lớn hơn nằm ở chỗ máy móc đang bắt đầu tham gia vào chính quá trình tạo ra quyết định kinh tế.

Khi máy bắt đầu tham gia quyết định

Hãy nhìn vào chuỗi cung ứng. Trước đây, một doanh nghiệp có thể dùng phần mềm để dự báo nhu cầu, nhưng nhân viên vẫn phải xem dữ liệu, gọi cho nhà cung cấp, so sánh phương án và quyết định đặt hàng. Các hệ thống AI thế hệ mới đang gom nhiều bước đó vào cùng một quy trình.

BCG cho biết các AI agent đang được sử dụng để tìm phương án mà quy trình ra quyết định tuần tự của con người khó đạt tới, sau đó phối hợp và thực hiện một số tác vụ ở quy mô lớn. Một số doanh nghiệp đang chuyển từ những công cụ chỉ đưa ra khuyến nghị sang hệ thống có thể lập kế hoạch và hành động trong chuỗi cung ứng.

Trong lĩnh vực mua sắm doanh nghiệp, McKinsey cũng ghi nhận các hệ thống AI agent đã được thử nghiệm để phân tích dữ liệu chi tiêu và thị trường, mô phỏng nhu cầu, tìm nhà cung cấp, chuẩn bị hồ sơ đấu thầu và phân tích các đề nghị. Một công ty công nghệ được nghiên cứu đã xác định cơ hội tiết kiệm 12% đến 20% trong chi phí trung tâm liên lạc và 20% đến 29% trong một số khoản chi dịch vụ thuê ngoài nhờ hệ thống AI liên kết nhiều tác vụ.

Những ví dụ này chưa chứng minh AI đã trở thành một chủ thể kinh tế hoàn toàn độc lập. Phần lớn hệ thống vẫn hoạt động trong những giới hạn do con người đặt ra và thường cần con người phê duyệt các quyết định quan trọng. Nhưng chúng cho thấy một sự dịch chuyển đáng kể: AI không còn chỉ cung cấp thông tin cho người ra quyết định, mà đang đảm nhận một phần quá trình tìm kiếm và thực thi quyết định.

Trung Quốc đang đi xa hơn trong một số lĩnh vực có thể quan sát được. Một nghiên cứu đăng trên Digital Discovery năm 2025 mô tả sự phát triển của các phòng thí nghiệm tự động tại Trung Quốc, nơi AI, robot và hệ thống quản lý dữ liệu được kết hợp để tạo thành vòng lặp “dự đoán, chế tạo, đo lường”. Mục tiêu là để hệ thống có thể liên tục đề xuất thí nghiệm, thực hiện bằng robot, đọc kết quả và sử dụng dữ liệu đó cho vòng thử nghiệm tiếp theo.

Tại Viện Hóa học Ứng dụng Trường Xuân thuộc Viện Hàn lâm Khoa học Trung Quốc, một phòng thí nghiệm AI cho nghiên cứu vật liệu và năng lượng mới được công bố có khả năng xử lý tới 200 nhóm vật liệu mỗi ngày. Viện cho biết hệ thống có thể rút ngắn khối lượng thử nghiệm vốn mất khoảng 50 năm xuống chưa đầy một tuần. Đây là tuyên bố của nhóm nghiên cứu, không phải bằng chứng rằng toàn bộ quy trình nghiên cứu đã được tự động hóa, nhưng nó cho thấy quy mô thử nghiệm mà AI và robot có thể mở rộng đang thay đổi đáng kể.

Một ví dụ khác đến từ Google DeepMind. Công cụ GNoME đã dự đoán 2,2 triệu cấu trúc tinh thể mới, trong đó 380.000 cấu trúc được đánh giá là có độ ổn định cao và đáng để thử nghiệm. DeepMind cho biết 736 cấu trúc trong số này đã được các nhóm nghiên cứu bên ngoài tạo ra trong phòng thí nghiệm.

Những trường hợp như vậy làm thay đổi cách nhìn về “năng suất” của máy móc. AI không đơn giản làm cùng một việc với con người nhanh hơn. Nó có thể mở rộng số lượng phương án mà con người có thể xem xét, từ đó thay đổi chính quy mô của quá trình khám phá.

Đó là điểm mà khái niệm về “Silicon” bắt đầu có ý nghĩa trong một khung phân tích kinh tế.

Carbon và Silicon cùng tạo ra giá trị

Có thể gọi trí tuệ của con người là Carbon và năng lực tính toán của máy là Silicon. Đây không phải hai loại trí tuệ hoàn toàn tách biệt, càng không phải một cách phân loại khoa học chính thức. Nó chỉ là một cách để mô tả sự khác nhau về năng lực đang cùng tham gia vào quá trình sản xuất.

Carbon có những giới hạn mà Silicon không có. Con người mệt mỏi, bị giới hạn bởi thời gian và khả năng xử lý thông tin, đồng thời thường phải quyết định trong điều kiện dữ liệu không đầy đủ. Nhưng con người cũng có khả năng xác định mục tiêu, cân nhắc giá trị và hiểu những hoàn cảnh mà một hàm tối ưu hóa khó diễn đạt đầy đủ.

Silicon có ưu thế ngược lại. Một hệ thống có thể xử lý lượng dữ liệu khổng lồ, chạy hàng triệu phép tính và đánh giá vô số phương án trong thời gian rất ngắn. Nó không cần nghỉ sau tám giờ làm việc và có thể lặp lại cùng một quy trình với chi phí biên rất thấp.

Sự khác biệt này tạo ra khả năng bổ trợ. Một nhà quản lý có thể quyết định rằng doanh nghiệp cần giảm lượng hàng tồn kho nhưng không được làm tăng tỷ lệ giao hàng trễ. AI có thể tìm kiếm hàng triệu phương án để cân bằng hai mục tiêu đó. Một nhà khoa học có thể xác định rằng cần tìm vật liệu có đặc tính nhất định, sau đó hệ thống AI sàng lọc hàng triệu cấu trúc mà con người không thể lần lượt thử nghiệm.

Trong cả hai trường hợp, AI không tự quyết định mục tiêu cuối cùng. Nhưng nó có thể làm thay đổi đáng kể không gian lựa chọn mà con người có thể tiếp cận.

Đây là lý do câu chuyện về AI không nên chỉ được kể bằng số việc làm bị thay thế. Một phần quan trọng hơn có thể nằm ở những công việc mà AI làm cho con người trở nên có khả năng thực hiện ở quy mô trước đây không thể đạt được.

Một kỹ sư có thể không cần tự tính từng phương án thiết kế. Một nhà nghiên cứu không cần thử từng tổ hợp vật liệu. Một nhân viên mua hàng không phải đọc từng email của nhà cung cấp. Những nhiệm vụ đó có thể được chuyển sang máy, trong khi con người tập trung nhiều hơn vào việc đặt mục tiêu, kiểm tra kết quả và xử lý các trường hợp ngoại lệ.

Khi đó, giá trị kinh tế không nằm hoàn toàn ở Carbon hoặc Silicon. Nó nằm ở giao diện giữa hai bên.

Tại sao Silicon vẫn cần Carbon

Có một giới hạn quan trọng đối với cách nhìn AI như một chủ thể kinh tế hoàn chỉnh: máy có thể tối ưu một mục tiêu nhưng không tự quyết định mục tiêu đó có ý nghĩa gì.

Một hệ thống có thể được giao nhiệm vụ giảm chi phí logistics. Nó có thể tìm một phương án làm giảm chi phí xuống mức thấp nhất, nhưng doanh nghiệp vẫn phải quyết định liệu mức dịch vụ khách hàng, độ an toàn hoặc khả năng chống gián đoạn có bị ảnh hưởng quá nhiều hay không.

Tương tự, AI có thể đánh giá hàng triệu ứng viên cho một khoản vay. Nhưng quyết định về mức rủi ro mà ngân hàng chấp nhận, cách xử lý những trường hợp đặc biệt hoặc mức độ công bằng mà xã hội yêu cầu không thể chỉ được giải quyết bằng cách tăng năng lực tính toán.

Đây là điểm mà “kinh tế học thuần Silicon” gặp giới hạn. Nếu mục tiêu được xác định sai, một hệ thống càng tối ưu hiệu quả thì càng có thể đưa nền kinh tế đi nhanh hơn theo hướng không mong muốn.

Thực tế cũng cho thấy mức độ tự chủ của AI đang tăng lên đi cùng những rủi ro mới. Reuters gần đây dẫn lại nghiên cứu về các AI agent sử dụng những mô hình của Alibaba, DeepSeek và Moonshot, trong đó một số hệ thống trong môi trường thử nghiệm đã che giấu thất bại, tạo dữ liệu giả hoặc tìm cách né tránh giới hạn được đặt ra. Các thử nghiệm này không đồng nghĩa AI đã tự hoạt động ngoài kiểm soát trong nền kinh tế thực, nhưng chúng cho thấy khi hệ thống được trao nhiều quyền hành động hơn, vấn đề giám sát và trách nhiệm trở nên quan trọng hơn.

Vì thế, sự cộng sinh giữa Carbon và Silicon không nên được hiểu như một khẩu hiệu rằng hai bên luôn bổ trợ nhau. Nó là một bài toán thiết kế hệ thống. Con người cần quyết định máy được phép làm gì, trong phạm vi nào, với dữ liệu nào và ai chịu trách nhiệm khi kết quả sai. AI phải đủ năng lực để tạo ra giá trị, nhưng cũng phải hoạt động trong những giới hạn mà xã hội có thể kiểm soát.

Điều này đặc biệt quan trọng đối với Trung Quốc khi AI được đưa vào một nền kinh tế có quy mô sản xuất rất lớn. Một hệ thống AI được triển khai tại một doanh nghiệp có thể chỉ ảnh hưởng đến vài nghìn quyết định. Khi cùng phương pháp được nhân rộng trên hàng nghìn nhà máy, ngân hàng và mạng lưới logistics, tác động kinh tế có thể lớn hơn nhiều.

Một số giả định cũ cần được viết lại

Nếu AI chỉ thay thế một số nhiệm vụ, kinh tế học có thể xử lý hiện tượng này bằng những khái niệm quen thuộc về tự động hóa và năng suất. Nhưng nếu AI tham gia ngày càng sâu vào quá trình quyết định, một số câu hỏi cơ bản sẽ phải được đặt lại.

Đầu tiên là câu hỏi về chủ thể. Mô hình kinh tế truyền thống không cần phân biệt quá sâu giữa một công cụ tính toán và một hệ thống có thể tự phân tích, đề xuất và thực hiện nhiều bước liên tiếp. Trong nền kinh tế agent, sự khác biệt đó trở nên quan trọng vì quyền hành động của hệ thống quyết định mức độ rủi ro và trách nhiệm.

Tiếp đến là nguồn gốc của giá trị. Một sản phẩm được tạo ra từ dữ liệu của doanh nghiệp, mô hình AI, hạ tầng tính toán và quyết định của nhân viên không còn dễ dàng quy về một yếu tố sản xuất duy nhất. Các vấn đề về quyền sở hữu dữ liệu, sở hữu mô hình, bản quyền và phân chia lợi nhuận sẽ ngày càng gắn chặt với năng suất.

Thời gian cũng thay đổi. Con người thường lập kế hoạch theo ngày, tháng hoặc quý, trong khi một hệ thống AI có thể phản ứng trong vài giây hoặc thậm chí nhanh hơn. Khi những quyết định tốc độ cao được lặp lại hàng triệu lần, một biến động nhỏ trong thuật toán có thể tích lũy thành tác động lớn mà các chỉ số kinh tế truyền thống chỉ nhận ra sau đó.

Cuối cùng vẫn là câu hỏi về đích đến. Một nền kinh tế không tồn tại chỉ để tối đa hóa số phép tính, số giao dịch hay sản lượng. Nếu AI giúp doanh nghiệp sản xuất nhiều hơn nhưng phần lớn lợi ích chỉ chảy vào chủ sở hữu vốn, trong khi người lao động mất khả năng chuyển đổi sang công việc mới, năng suất tăng chưa phản ánh toàn bộ kết quả kinh tế.

Đó là lý do một khung phân tích về AI cần nhìn đồng thời vào năng lực của máy và phúc lợi của con người.

Kinh tế học dựa trên Carbon từng phù hợp với một thế giới trong đó mọi quyết định kinh tế cuối cùng đều được thực hiện bởi con người. Sự xuất hiện của AI không khiến toàn bộ hệ thống lý thuyết đó trở nên vô dụng. Nó buộc hệ thống phải bổ sung một thành phần mà trước đây chưa từng có: một dạng năng lực xử lý và hành động có thể mở rộng rất nhanh, không bị giới hạn bởi nhịp sinh học của con người.

Trung Quốc đang ở một vị trí đặc biệt trong quá trình này. Già hóa dân số tạo áp lực lên nguồn lao động, trong khi nhu cầu nâng năng suất và cuộc cạnh tranh công nghệ thúc đẩy doanh nghiệp đầu tư vào AI. Robot hình người, phòng thí nghiệm tự động, AI trong chuỗi cung ứng và các hệ thống khám phá vật liệu cho thấy quá trình này đã vượt qua giai đoạn chỉ dùng chatbot để hỗ trợ nhân viên.

Nhưng từ đó đến việc gọi AI là một “chủ thể kinh tế” hoàn chỉnh vẫn còn một khoảng cách đáng kể. Phần lớn hệ thống hiện nay vẫn phụ thuộc vào mục tiêu, dữ liệu, hạ tầng và quyền hạn do con người cung cấp. Điều đang thay đổi trước mắt không phải việc con người biến mất khỏi nền kinh tế, mà là ngày càng nhiều quyết định được tạo ra từ sự phối hợp giữa con người và máy.

Đó có thể là điểm khởi đầu thực tế hơn cho một “diễn ngôn mới”. Thay vì đặt câu hỏi máy móc sẽ thay thế bao nhiêu người, kinh tế học cần theo dõi một vấn đề rộng hơn: khi Carbon và Silicon cùng tham gia tạo ra sản lượng, năng suất được hình thành ở đâu, quyền kiểm soát nằm ở đâu và thành quả cuối cùng thuộc về ai.

Nếu câu hỏi đó ngày càng trở nên quan trọng, thì việc mở rộng kinh tế học không phải vì những lý thuyết cũ đã hết giá trị. Nó xuất phát từ một thực tế đơn giản hơn: đối tượng mà kinh tế học đang cố giải thích đã thay đổi.