Sinh viên nên học gì cho những nghề mà AI đã trở nên phổ biến?

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

Một sinh viên hỏi vì sao họ phải học làm một việc mà chatbot đã làm được. Một hội đồng cố vấn chương trình nói rằng nhà tuyển dụng muốn những người tốt nghiệp biết dùng AI trong công việc. Đề cương của bạn phải thỏa mãn cả hai, và không bên nào nói rõ người tốt nghiệp cần làm được gì khi không có trợ giúp.

Câu trả lời ngắn để nói với đồng nghiệp: hãy dạy toàn bộ nhiệm vụ nghề nghiệp, không phải thao tác công cụ, và đánh giá cả sản phẩm có hỗ trợ lẫn năng lực độc lập của sinh viên. Bằng chứng ủng hộ việc coi sự sẵn sàng là kiến thức chuyên ngành cộng với phán đoán cộng với kiểm chứng cộng với khả năng chuyển giao, và nó không ủng hộ bất kỳ danh sách kỹ năng nào như một bảo đảm có việc làm. Một khảo sát 500 giảng viên đại học Hoa Kỳ đối chiếu với một hội đồng nhà tuyển dụng phát hiện hai nhóm chỉ đồng thuận về tầm quan trọng của đúng một trong 26 kỹ năng liên quan đến AI, đặt kỳ vọng thực tế cho công việc có AI hỗ trợ; giảng viên nhấn mạnh việc sử dụng có phê phán và có trách nhiệm trong khi nhà tuyển dụng nhấn mạnh thiết kế quy trình làm việc, tự động hóa và việc phối hợp người–AI (Fried, 2026). Đó là những ưu tiên được khai báo, không phải bằng chứng tuyển dụng. Phát hiện sắc nét hơn cho một chương trình học nằm ở chỗ khác: trong một khảo sát 455 sinh viên năm cuối, năng lực AI đạt tới mức được cho là có thể tuyển dụng chủ yếu nhờ nâng cao khả năng thích ứng nghề nghiệp, với hiệu ứng gián tiếp β = 0.173 bên cạnh hiệu ứng trực tiếp β = 0.447 (Hendrawan và Lestari, 2026). Khả năng thích ứng là một năng lực có thể dạy được. Một mẹo dùng công cụ thì không.

Phiên bản ngắn

1. Viết năng lực thành một khẳng định về việc người tốt nghiệp làm được gì khi không có trợ giúp, rồi thêm phiên bản có hỗ trợ bên cạnh.

2. Dạy nhiệm vụ trọn vẹn theo sáu phần: định hình, hiểu biết, giao phó, kiểm chứng, truyền đạt, thích ứng.

3. Đánh giá sản phẩm và phán đoán riêng rẽ, và làm cho phép kiểm tra độc lập tương xứng.

4. Giữ việc luyện tập độc lập ở nơi nó đang làm việc có ích, và nói rõ lý do trong đề cương.

5. Phân biệt kết quả trước mắt với kết quả về sau khi bạn đánh giá chương trình.

6. Coi nỗi lo về nghề nghiệp là một mối quan tâm thật và trả lời nó bằng điều tra, không bằng dự đoán.

Nhà tuyển dụng và giảng viên mỗi bên nhấn mạnh điều gì

Báo cáo của Ithaka S+R yêu cầu 500 giảng viên đại học bốn năm của Hoa Kỳ đánh giá 26 kỹ năng thuộc một khung gồm bảy hạng mục, và so sánh xếp hạng của họ với một hội đồng nhà tuyển dụng do chính các tác giả của khung khảo sát. Sự bất đồng mang tính hệ thống chứ không ngẫu nhiên: giảng viên xếp những giới hạn của AI, việc ghi nguồn và trách nhiệm giải trình của con người lên đầu, trong khi nhà tuyển dụng xếp thiết kế quy trình làm việc, tự động hóa và việc phối hợp người–AI cao hơn.

Có hai cách đọc khoảng cách đó rất dễ xiêu lòng và cả hai đều sai. Cách thứ nhất là giảng viên đang tụt lại so với thị trường lao động. Cách thứ hai là nhà tuyển dụng muốn sự tuân thủ. Một cách đọc hữu ích hơn là mỗi nhóm đang mô tả một nửa khác nhau của cùng một công việc, và một người tốt nghiệp chỉ làm được một nửa là chưa được chuẩn bị cho cả hai. Một sinh viên không giải thích được vì sao một kết quả sai thì không dùng được cho một nhà tuyển dụng tin vào quy trình; một sinh viên chỉ biết phê phán đầu ra của AI thì không dùng được cho một nhà tuyển dụng cần công việc được hoàn thành.

Những giới hạn của bằng chứng này đáng lưu ý. Đây là những ưu tiên được khai báo từ khảo sát, và báo cáo không cho thấy chương trình học nào tạo ra người được tuyển tốt hơn, hiệu suất tốt hơn hay mức lương tốt hơn. Điều nó mang lại là lý do có thể biện minh để hỏi xem sinh viên của bạn có bao giờ luyện tập hoàn thành và kiểm tra một quy trình có AI hỗ trợ hay không, thay vì chỉ thảo luận.

Dạy một nhiệm vụ nghề nghiệp trọn vẹn

Câu hỏi chương trình học đáng viết ra là: một người mới vào nghề có năng lực cần làm gì, giải thích gì và kiểm chứng gì trong tình huống này? Rồi dựng nhiệm vụ thành sáu phần.

Định hình vấn đề. Xác định mục tiêu, người đọc, các ràng buộc, bằng chứng sẵn có và cái giá của việc sai. Một sinh viên không nhận ra yêu cầu chưa được nêu đủ sẽ chuyển nó cho mô hình và chấp nhận bất cứ thứ gì trả về.

Mang theo kiến thức chuyên ngành. Sinh viên cần đủ hiểu biết để xem xét kết quả: diễn giải một ca, ước lượng một câu trả lời hợp lý, nhận ra một phép so sánh gây nhầm lẫn, phát hiện chỗ còn thiếu. Hãy định nghĩa rõ mức nền đó thay vì coi mọi việc luyện tập độc lập là yêu cầu còn sót lại từ thời cũ.

Giao phó có chủ đích. Quyết định bước nào AI có thể hỗ trợ và bước nào cần làm độc lập hoặc cần sự cho phép của người có chuyên môn, và phải nêu được lý do. Soạn những câu chữ thường lệ và quyết định một hồ sơ hệ trọng nên nói gì là hai trách nhiệm khác nhau với mức trách nhiệm giải trình khác nhau.

Kiểm chứng dựa trên bằng chứng. Kiểm tra các phép tính, khẳng định, nguồn, giả định và việc tuân thủ yêu cầu. Hãy dạy sinh viên ghi lại cách một phép kiểm tra đã giải quyết câu hỏi. Hỏi chính mô hình đó xem nó có chắc không thì không giải quyết được gì, một điểm mà thực hành kiểm chứng phát triển trực tiếp.

Truyền đạt và phối hợp. Giải thích quyết định cho một đồng nghiệp, khách hàng hay người quản lý: điều gì đã thay đổi, điều gì còn bất định, khi nào cần có người khác tham gia. Công việc có AI hỗ trợ vẫn có người đọc và một chuỗi trách nhiệm.

Thích ứng và chuyển giao. Lặp lại một nhiệm vụ tương đương với một công cụ khác hoặc một ràng buộc mới, rồi hỏi điều gì vẫn hữu ích và điều gì phải thay đổi. Đây là điều làm khả năng thích ứng trở nên quan sát được thay vì chỉ là tính từ trong danh mục thuộc tính của người tốt nghiệp.

Đưa nó vào bài học hiện có

Đây là những điều chỉnh từ các chủ đề nghiên cứu, không phải can thiệp tuyển dụng đã được kiểm nghiệm.

Viết luận và giao tiếp kinh doanh: cho sinh viên phê phán và sửa một thư trả lời khách hàng phàn nàn do AI soạn. Bằng chứng về năng lực là việc gọi tên những lời hứa không có căn cứ, giải thích các lựa chọn về người đọc, và bảo vệ cách diễn đạt cuối cùng.

Một học phần định lượng có thể làm điều tương tự với một ước lượng do AI tạo ra cho một bài toán lập kế hoạch thực tế, trong đó sinh viên tự dựng ước lượng của mình, nêu các giả định và kiểm tra tính hợp lý.

Với một học phần bảng tính hoặc tin học, hãy phát một công thức được tạo ra cùng dữ liệu tổng hợp, rồi yêu cầu các ca kiểm thử, một lời giải thích về các tham chiếu, và một điều kiện thất bại.

Các ngành sức khỏe: sinh viên đánh giá một lời giải thích được tạo ra cho một ca hư cấu dựa trên các nguồn đã được duyệt, nêu các giới hạn của nó, và nói rõ khi nào một chuyên gia có năng lực phải quyết định.

Khám phá nghề nghiệp có phiên bản riêng: so sánh cấu trúc nhiệm vụ của hai nghề bằng thông tin nghề nghiệp đáng tin cậy, rồi lập kế hoạch cho một bước cụ thể về phát triển kỹ năng hoặc tìm kiếm sự giúp đỡ.

Với hình thức không đồng bộ, hãy yêu cầu một lần thử ban đầu, một bản ghi kiểm chứng ngắn và một ghi chú hai câu về một quyết định hệ trọng. Trong phòng thí nghiệm hoặc buổi thảo luận, phần giải thích có thể diễn ra trong trao đổi trực tiếp. Hãy dùng học liệu tổng hợp hoặc đã được cho phép mỗi khi phương án thay thế là dữ liệu mật của nơi làm việc hoặc dữ liệu sinh viên.

Đánh giá hiệu suất có hỗ trợ và sự hiểu biết cá nhân

Một sản phẩm bóng bẩy cho bạn biết điều gì đã được tạo ra trong những điều kiện được phép. Nó không cho bạn biết sinh viên làm được gì. Hãy thêm một phép kiểm tra độc lập tương xứng: giải thích một quyết định, sửa một lỗi, điều chỉnh bài làm theo một điều kiện đã thay đổi, hoặc thực hiện một nhiệm vụ con nền tảng mà không có trợ giúp.

Hãy chọn những yêu cầu đó vì chúng ủng hộ năng lực đã được nêu, và nói rõ mỗi bài đánh giá đo năng lực nào. Sinh viên chấp nhận việc luyện tập độc lập khi nó gắn với thứ họ đang được chuẩn bị; câu “sau này bạn sẽ cần cái này” làm việc ít hơn việc cho thấy phép tính chính là thứ giúp họ bắt được ước lượng sai về sau.

Phía hỗ trợ có rủi ro riêng. Shojaei và cộng sự (2026) phát hiện việc dùng GenAI có liên hệ dương với sự phụ thuộc GenAI, và sự phụ thuộc có liên hệ âm với cả tư duy phê phán lẫn khả năng được tuyển dụng trong mô hình khảo sát của họ. Đó là mối liên hệ chứ không phải khẳng định nhân quả, và nó chỉ vào câu hỏi thiết kế: một học phần chỉ đánh giá hiệu suất có hỗ trợ có thể đang huấn luyện chính sự phụ thuộc mà nó báo cáo.

Với việc rà soát chương trình, hãy tách các phép đo. Hiệu suất học phần, năng lực AI được thể hiện, đánh giá của người giám sát thực tập, tình trạng việc làm và chất lượng công việc là những kết quả khác nhau với những chân trời thời gian khác nhau, và một can thiệp duy nhất không thể xác lập được tất cả. Bằng chứng về năng lực AI là bản kiểm kê trung thực về điều mà các nghiên cứu can thiệp thực sự ủng hộ.

Giải quyết nỗi lo nghề nghiệp mà không hứa hẹn sự chắc chắn

Sinh viên đến với những nỗi sợ thật, và tài liệu khảo sát về chúng mô tả các nỗi sợ chứ không dự báo thị trường lao động. Duan và cộng sự (2026) phát hiện lo âu về AI dự báo trực tiếp và tiêu cực cho các quyết định nghề nghiệp, đó là một phát hiện về sự tê liệt trong quyết định, không phải về việc làm. Bức tranh về sức khỏe tinh thần bao quát bằng chứng rộng hơn.

Điều giúp ích là điều tra ở quy mô mà sinh viên có thể hành động: vai trò này thực sự gồm những nhiệm vụ nào, một tuần làm việc trông ra sao, tôi sẽ cần làm được gì, ai có thể cho tôi biết. Dịch vụ hướng nghiệp, cựu sinh viên và nhân viên bố trí việc làm nắm những thông tin đó. Một buổi trình diễn công cụ, ấn tượng của giảng viên hay bài thuyết trình của nhà cung cấp không phải dự báo thị trường lao động, và trình bày nó như thể là dự báo chính là cách các chương trình mất uy tín với những sinh viên rồi sẽ đi kiểm tra.

Những gì sẽ quay lại với bạn

“Sinh viên chỉ cần viết prompt tốt hơn.” Viết prompt là một mệnh đề của một trong sáu phần. Một yêu cầu được nêu rõ không cung cấp kiến thức cần thiết để nhận ra kết quả tồi, và các nhà tuyển dụng trong hội đồng Ithaka cũng không xếp kỹ năng viết prompt lên đầu.

“Nếu nơi làm việc cho phép AI thì bài học cũng nên cho phép.” Một học phần còn xây dựng năng lực làm cho việc sử dụng có trách nhiệm trở nên khả thi. Hãy nói rõ trong mỗi nhiệm vụ bạn đang đánh giá cái nào trong hai, và phản đối ấy trở thành một câu hỏi thiết kế thay vì một mâu thuẫn.

“Công cụ thay đổi quá nhanh để dạy bất cứ thứ gì trong số này.” Hãy dạy những thao tác gắn với công cụ ở nơi chúng giúp ích và đánh giá những thực hành bền vững: định hình, kiểm tra, thử nghiệm, ghi chép, truyền đạt, chuyển tuyến. Bằng chứng ở trên nói về những thực hành đó, và không phần nào phụ thuộc vào việc mô hình nào đang hiện hành.

“Một học phần về năng lực AI sẽ cải thiện triển vọng việc làm của họ.” Kết quả trung gian là điều cảnh báo ở đây. Năng lực AI đạt tới mức được cho là có thể tuyển dụng một cách trực tiếp và thông qua khả năng thích ứng, và mức được cho là có thể tuyển dụng không phải một lời mời làm việc, một đánh giá hiệu suất hay một mức lương. Thiết kế khảo sát không loại trừ được khả năng những sinh viên tự tin đánh giá mình cao hơn ở mọi thứ.

Việc cần làm trong tuần này

1. Chọn một nhiệm vụ mà người tốt nghiệp chương trình của bạn sẽ thực sự gặp, và viết sáu phần cho nó trong năm dòng.

2. Đánh dấu phần nào bài đánh giá hiện tại thực sự đo và phần nào nó chỉ giả định.

3. Thêm một phép kiểm tra độc lập vào một bài tập hiện có: một quyết định được giải thích, một lỗi được sửa, hoặc một nhiệm vụ con được làm không có trợ giúp.

4. Nói với sinh viên trong hướng dẫn bài tập rằng phép kiểm tra đó dành cho năng lực nào.

5. Kiểm tra xem có nhiệm vụ nào trong học phần chỉ đánh giá hiệu suất có hỗ trợ không, và quyết định xem đó có phải là chủ ý.

Đi tiếp từ đây

Career Development and Readiness là trang khái niệm về khả năng được tuyển dụng, khả năng thích ứng và bằng chứng về lực lượng lao động, còn Năng lực AI (AI Literacy) bao quát ý nghĩa của năng lực AI vượt ra ngoài thao tác công cụ. Về việc đưa nó vào một học phần cụ thể, xem đưa năng lực AI vào giảng dạy và những năng lực giảng viên cần có.

Về thiết kế đánh giá làm cho hiệu suất có hỗ trợ và hiệu suất độc lập trở nên phân biệt được, xem thiết kế lại đánh giá trong kỷ nguyên AI và chấm bài bằng AI. Về cách giữ cho hỗ trợ không trở thành phụ thuộc, xem giảm phụ thuộc quá mức.