BOTSITTING - MỖI TUẦN CON NGƯỜI TỐN BAO NHIÊU THỜI GIAN ĐỂ… CHĂN AI?

Báo cáo của Work AI Institute thực hiện trên 6.000 lao động số toàn thời gian tại Mỹ, Anh và Úc tháng 12/2025 và tháng 1/2026, với sự tham gia của các nhà nghiên cứu từ Stanford, UC Berkeley, Notre Dame, UC Santa Barbara, UNC Charlotte, UCL và Emory, đặt tên cho một dạng công việc mới: botsitting. Hiểu đơn giản, đó là việc con người phải ngồi “chăn” AI — theo dõi, sửa, giải thích, kiểm tra và xử lý những gì AI tạo ra.

Thoạt nhìn, đây có vẻ là một nghịch lý. 87% người làm việc số hiện sử dụng AI; 75% cho biết công cụ giúp họ tăng năng suất và ước tính riêng phần tự động hóa đã tiết kiệm khoảng 11 giờ mỗi tuần. Nhưng chỉ 13% cho rằng tổ chức của họ thực sự hoạt động tốt hơn đáng kể nhờ AI. Vậy 11 giờ được tiết kiệm đã đi đâu?

Theo báo cáo, 6,4 giờ trong số đó quay trở lại dưới một hình thức khác: botsitting. Gần trọn một ngày làm việc mỗi tuần được dành cho việc trông chừng một công cụ vốn được đưa vào doanh nghiệp để tiết kiệm thời gian. Khi chia nhỏ tổng thời gian tương tác với AI, 37% là thời gian botsitting - chăn AI, 36% là thời gian thực sự dùng AI để tạo ra sản phẩm và 27% dành cho việc học công cụ hoặc xây dựng tác nhân AI - AI agent. Nói cách khác, con người đang dành nhiều thời gian giám sát máy hơn là làm việc cùng máy.

Phần lớn thời gian đó nằm ở ba công đoạn khá quen thuộc với bất kỳ ai đã dùng AI trong công việc. Nạp bối cảnh chiếm khoảng 2,3 giờ mỗi tuần, khi người dùng phải giải thích cho AI công ty mình làm gì, khách hàng là ai, số liệu quý trước lấy từ đâu, file nào là phiên bản cuối hay một thuật ngữ nội bộ có nghĩa gì. Giám sát đầu ra chiếm thêm 2,2 giờ, chủ yếu để phát hiện những câu trả lời nghe rất trơn tru nhưng thực tế có thể sai, thiếu hoặc lệch trọng tâm. 1,7 giờ còn lại dành cho debug, khi người dùng phải liên tục hỏi lại, bổ sung bối cảnh, đổi mô hình và thử lại cho đến khi có được kết quả có thể sử dụng.

Đáng chú ý, việc đưa thêm bối cảnh không phải lúc nào cũng giúp AI tốt hơn. Báo cáo đề cập đến hiện tượng được các nhà nghiên cứu gọi là context rot: khi lượng thông tin được nạp vào quá nhiều hoặc không còn phù hợp, chất lượng đầu ra có thể giảm thay vì tăng. Theo dữ liệu của nghiên cứu, cứ mỗi 10% thời gian tăng thêm cho việc nạp bối cảnh, khả năng người dùng cảm thấy kiệt sức với công cụ tăng khoảng 25%.

Một phần nguyên nhân khác nằm ở chính cách sử dụng AI. 36% các phiên làm việc với AI được báo cáo là thất bại hoàn toàn, buộc người dùng phải làm lại từ đầu hoặc làm lại phần lớn. Nhưng vấn đề không chỉ nằm ở việc một mô hình có tốt hay không. 77% người dùng AI nhảy qua lại giữa nhiều công cụ mỗi tuần, 33% sử dụng từ bốn công cụ trở lên và 60% từng chạy đi chạy lại cùng một prompt trên nhiều nền tảng chỉ vì kết quả đầu tiên chưa OK. Mỗi lần chuyển công cụ là một lần phải mang theo bối cảnh, thiết lập lại yêu cầu và lấy lại sự tập trung. Báo cáo gọi đó là AI toggle tax - “thuế chuyển đổi AI”. Những người sử dụng nhiều công cụ có khả năng thường xuyên rơi vào cảnh botsitting cao hơn 35%.

Và khi việc chăn AI trở nên quá nặng, trong khi không được ghi nhận, không được tính vào KPI và cũng không được xem là một phần chính thức của công việc, một vấn đề khác bắt đầu xuất hiện: con người học cách dì t8a1t đón đầu. Họ ngừng kiểm tra. Họ gửi đi những thứ mình chưa thực sự hiểu. Và khi có sai sót, đôi khi họ đổ lỗi cho AI.

Báo cáo gọi hiện tượng này là botshitting. Có tới 69% người dùng AI thừa nhận đã từng làm như vậy. Trong đó, 41% nói họ đôi khi giao đi sản phẩm do AI tạo ra mà nếu bị hỏi, họ không thể giải thích được. 38% từng sử dụng công cụ chưa được phê duyệt, 37% sử dụng công cụ được phê duyệt theo cách trái quy định và 12% biết đầu ra của AI là sai nhưng vẫn gửi. Đáng chú ý, 28% từng đổ lỗi cho AI về những sai sót do chính mình gây ra. Khi có chuyện, 40% đổ lỗi cho AI, trong khi chỉ 29% nhận trách nhiệm về mình.

Những con số này còn thay đổi theo từng nhóm đối tượng. Gen Z có tỷ lệ botshitting cao hơn 19% so với những người lớn tuổi hơn. Báo cáo không quy kết điều này cho sự lười biếng, mà gợi ý một khả năng khác: những người chưa có nhiều năm làm việc có thể chưa trải qua đủ những tình huống mà một câu trả lời “nghe có vẻ đúng” nhưng thực chất sai có thể gây ra hậu quả như thế nào. Các nhà nghiên cứu gọi đây là fluency bias — xu hướng nhầm sự trôi chảy và tự tin của câu chữ với độ chính xác của nội dung. Nam giới có tỷ lệ này cao hơn 8% so với nữ giới. Báo cáo cho rằng một phần nguyên nhân có thể đến từ việc phụ nữ trong môi trường chuyên nghiệp thường phải trả giá cao hơn cho những sai sót dễ nhìn thấy, từ đó hình thành thói quen kiểm tra kỹ hơn trước khi gửi.

Nhưng nhóm đáng chú ý nhất lại là quản lý cấp trung. Tỷ lệ botshitting ở nhóm này cao hơn 6% so với cả nhân viên và cấp điều hành. Lý do không khó hình dung. Đây là nhóm bị kẹp giữa hai phía: cấp trên thúc tốc độ, trong khi nhân viên liên tục đẩy lên những sản phẩm AI cần được xem xét và phê duyệt. Trong “chiếc bánh mì kẹp” đó, phần dễ bị cắt bỏ nhất thường chính là thời gian kiểm chứng.

Một nghịch lý khác của AI cũng xuất hiện trong nghiên cứu: công cụ càng tốt, con người đôi khi càng dễ chủ quan. Trong nhóm ChatGPT, Claude, Gemini và Copilot, những công cụ được người dùng đánh giá là giúp tăng năng suất nhiều nhất cũng là những công cụ mà người dùng thừa nhận botshit nhiều nhất.

Có ít nhất ba cơ chế tâm lý có thể giải thích hiện tượng này. Khi máy chạy tốt, con người có xu hướng bớt để mắt đến nó. Khi máy đưa ra câu trả lời đồng thuận với suy nghĩ của mình, người dùng dễ mặc định rằng nó đúng. Và khi máy ngày càng giao tiếp giống con người, chúng ta càng có xu hướng đối xử với nó như một con người đáng tin. Báo cáo thậm chí ghi nhận rằng những người thường xuyên nói “làm ơn” và xin lỗi AI có xu hướng botshit nhiều hơn.

Tuy nhiên, câu chuyện không chỉ toàn những tín hiệu đáng lo. Một nhóm khác trong nghiên cứu cho thấy AI vẫn có thể thực sự tạo ra năng suất và chất lượng cao hơn, nếu con người sử dụng nó theo một cách khác. Đó là nhóm được báo cáo gọi là high AI achievers — những người cho biết AI vừa giúp họ làm nhanh hơn vừa giúp họ làm tốt hơn. Điều đáng nói là họ không phải những người sử dụng AI nhiều nhất. Sự khác biệt nằm ở cách họ phân chia công việc giữa người và máy.

Họ giữ lại lõi nghề nghiệp của mình. Thay vì giao thẳng phần quan trọng nhất cho AI, họ dùng công cụ để xử lý những việc như dọn dữ liệu, tóm tắt ghi chú hay phản biện giả định, nhưng vẫn tự quyết định phương pháp, lựa chọn biến số và diễn giải kết quả. Trung bình, AI được sử dụng cho 41% thời gian dành cho các nhiệm vụ cốt lõi. Ở nhóm kém hiệu quả, con số này lên tới 48%, trong khi nhóm hiệu quả cao chỉ ở mức 38%.

Đó là cách tiếp cận mà Ethan Mollick từng gọi là “Centaur” — nhân mã, một sinh vật nửa người nửa máy. Nhưng điều quan trọng không nằm ở tỷ lệ 50–50. Nó nằm ở việc phần nào thuộc về máy và phần nào nhất định phải thuộc về người.

Những người giỏi sử dụng AI cũng không cố loại bỏ hoàn toàn việc chăn AI. Ngược lại, họ dành 40% thời gian tương tác với AI cho botsitting, cao hơn mức 33% của nhóm kém hiệu quả. Sự khác biệt là họ giám sát tốt hơn. 79% trong số họ đã phát hiện và sửa ít nhất một lỗi AI trong tháng trước, so với 64% ở nhóm kém hiệu quả. Họ cũng có xu hướng coi AI như một người thầy. 68% cho biết họ học được từ chính công cụ này, so với chỉ 28% ở nhóm kém hiệu quả. Và có lẽ quan trọng nhất, họ hiểu một kỹ năng mà rất ít người thực sự tự tin: biết khi nào không nên dùng AI.

Vì vậy, câu hỏi quan trọng với mỗi người đi làm lúc này có lẽ không còn là “Tôi dùng AI nhiều hay ít?” mà là “AI đang lấy của tôi hết bao nhiêu thời gian?”

Cách đơn giản nhất là thử đo trong một tuần. Tách riêng thời gian dành cho việc nạp bối cảnh, kiểm tra đầu ra và debug. Ba con số này nói lên ba vấn đề khác nhau. Nếu phần nạp bối cảnh quá lớn, có thể doanh nghiệp đang thiếu một lớp dữ liệu và tri thức có cấu trúc. Nếu phần kiểm tra quá lớn, có thể AI đang được đưa vào những nhiệm vụ không phù hợp. Nếu debug chiếm quá nhiều thời gian, có thể vấn đề nằm ở việc lựa chọn công cụ hoặc cách thiết kế quy trình.

Một việc khác có thể làm ngay là giảm số lượng công cụ. Nếu đang sử dụng bốn nền tảng AI, hãy thử hỏi công cụ thứ tư thực sự giải quyết được vấn đề gì mà ba công cụ trước không làm được. Mỗi lần chuyển nền tảng là một lần phải mang bối cảnh từ nơi này sang nơi khác, và đôi khi “AI toggle tax” lớn hơn chính phần năng suất mà công cụ mới mang lại.

Quan trọng hơn, mỗi người nên xác định đâu là phần lõi trong nghề nghiệp của mình mà AI không nên thay thế. Với chuyên viên phân tích, đó có thể là việc lựa chọn phương pháp và diễn giải kết quả. Với người viết, đó là góc nhìn và phán đoán. Với người bán hàng, đó là khả năng đọc vị khách hàng. Giữ lại những phần này không phải là chống lại AI. Đó là cách bảo trì tài sản nghề nghiệp.

Một phép thử đơn giản khác là quy tắc 60 giây: trước khi gửi bất cứ thứ gì có AI tham gia, hãy tự hỏi nếu sếp gọi ngay lúc này, mình có thể giải thích nội dung đó trong 60 giây hay không. Nếu câu trả lời là không, có lẽ chưa nên gửi. 41% người đi làm đang gửi những sản phẩm họ không thể giải thích. Không có lý do gì để xem đó là một năng lực của tương lai.

Với các nhà quản lý, bài toán còn rộng hơn. AI có thể đảm nhận nhiều phần việc điều phối như tổng hợp báo cáo, tóm tắt cuộc họp hay chuyển yêu cầu giữa các nhóm. Theo khảo sát, những nhà quản lý hiệu quả giao cho AI nhiều hơn 32% phần việc điều phối. Mục tiêu không phải để AI thay thế quản lý, mà để lấy lại thời gian cho những việc chỉ con người mới thực sự làm tốt: kèm cặp, phản hồi, xây dựng đội ngũ và ra quyết định.

Bởi cuối cùng, điều đáng quan tâm nhất không phải là chúng ta tiết kiệm được bao nhiêu giờ nhờ AI, mà là chúng ta sử dụng những giờ được trả lại đó vào đâu. Nếu một giờ tiết kiệm được chỉ quay trở lại để nhận thêm một giờ công việc khác, AI chưa thực sự tạo ra cổ tức. Nó chỉ làm tốc độ quay của chiếc máy công việc nhanh hơn.

Suốt hai năm qua, câu chuyện về AI ở Việt Nam thường được kể theo một hướng rất rõ: AI sẽ lấy mất việc của bạn. Nhưng những con số này gợi ra một câu chuyện khác, âm thầm hơn và có lẽ thực tế hơn. AI không nhất thiết lấy mất việc của bạn. Nó đang thay đổi loại việc bạn làm. Từ người làm thành người chăn. Từ tác giả thành người duyệt. Từ người thợ giỏi thành quản đốc của một cỗ máy không bao giờ mệt, không bao giờ nhớ và luôn nói bằng giọng chắc như đinh đóng cột, kể cả khi nó sai.

Trong báo cáo có một người dùng thử trợ lý AI đặt lịch trong nhiều tuần. Cuối cùng, cô nói rằng mình không còn rõ mình đang quản con bot hay con bot đang quản mình.

Có lẽ đó mới là câu hỏi đáng suy nghĩ nhất của năm 2026. Không phải AI có thể làm được gì cho chúng ta. Mà là chúng ta đang trở thành người như thế nào khi một phần ngày làm việc của mình được dành để trông chừng một cái máy?

Nếu có thời gian, bạn hãy thử đo một tuần làm việc của mình.

Bao nhiêu phút để nạp bối cảnh?

Bao nhiêu phút để kiểm tra?

Bao nhiêu phút để debug?

Tôi khá tò mò muốn biết con số của người Việt Nam là bao nhiêu.

Tôi đoán nó không dừng lại ở 6,4 giờ.

Nguồn: Work AI Index 2026, Work AI Institute (Rebecca Hinds, Mark Hoffman, Stephanie Baladi cùng các nhà nghiên cứu từ Stanford, UC Berkeley, Notre Dame, UC Santa Barbara, UNC Charlotte, UCL và Emory), khảo sát 6.000 lao động số toàn thời gian tại Mỹ, Anh và Úc, tháng 12/2025–01/2026. PwC, Khảo sát Lực lượng lao động toàn cầu — Báo cáo Việt Nam, tháng 2/2026. Microsoft, Chỉ số Xu hướng Công việc 2026 — Việt Nam, tháng 6/2026.