Câu trả lời ngắn: trợ lý AI đang thay một phần việc của người phân tích dữ liệu chứ chưa thay vai trò của họ. Những khâu lặp và có khuôn — viết truy vấn đơn giản, tính tổng theo nhóm, vẽ biểu đồ nháp, viết đoạn nhận xét báo cáo — đã nhanh hơn nhiều khi có chatbot biết đọc tệp. Những khâu cần hiểu bối cảnh, biết dữ liệu nào sai, và chịu trách nhiệm trước người ra quyết định thì vẫn cần người.
Bài này không dự đoán nghề sẽ còn bao nhiêu chỗ trong năm năm tới, vì không ai có số liệu đáng tin để nói điều đó. Thay vào đó, bài tách công việc phân tích thành từng khâu, xem AI làm được đến đâu ở mỗi khâu, rồi rút ra những thay đổi thực tế cho người đang làm và người sắp vào nghề.
Tách nghề phân tích thành từng khâu để nhìn cho rõ
Hỏi "AI có thay nghề này không" thì khó trả lời. Hỏi "AI làm được khâu nào" thì rõ hơn nhiều. Bảng dưới là đánh giá theo nguyên lý, dựa trên cách các trợ lý AI phổ biến hiện nay hoạt động; khả năng cụ thể đổi theo từng phiên bản, bạn nên tự thử với công cụ mình đang dùng.
| Khâu | AI hỗ trợ được đến đâu | Phần người vẫn phải giữ |
|---|---|---|
| Làm rõ câu hỏi kinh doanh | Gợi ý câu hỏi phụ, liệt kê giả định cần kiểm | Biết ai hỏi, hỏi để quyết định gì, điều gì đang bị né |
| Tìm và chọn dữ liệu | Gợi ý bảng, cột nên dùng nếu được mô tả kỹ | Biết nguồn nào đáng tin, định nghĩa nào đang dùng trong công ty |
| Tính toán, truy vấn | Viết nháp nhanh, tính trên tệp tải lên | Đối chiếu tổng, phát hiện chỗ tính sai hoặc lọc nhầm |
| Biểu đồ | Gợi ý loại biểu đồ, vẽ bản nháp | Chọn điều cần nhấn, bỏ chi tiết thừa |
| Viết kết luận | Viết trôi chảy, đủ ý | Đặt mức độ chắc chắn đúng, không nói quá dữ liệu |
| Trình bày và bảo vệ kết luận | Gợi ý câu hỏi phản biện có thể gặp | Trả lời trực tiếp, nhận trách nhiệm, thương lượng với các bên |
Nhìn bảng sẽ thấy AI mạnh ở giữa chuỗi và yếu ở hai đầu. Đó cũng là lý do những người chỉ làm phần giữa — nhận yêu cầu đã rõ, viết truy vấn, trả bảng số — chịu áp lực thay đổi lớn nhất.
Những việc AI đã làm nhanh hơn người một cách rõ rệt
Viết nháp truy vấn và công thức. Khi bạn mô tả rõ bảng có những cột gì và cần kết quả gì, chatbot viết bản nháp truy vấn trong vài giây. Người có kinh nghiệm dùng nó như một đồng nghiệp gõ nhanh, rồi tự đọc lại từng điều kiện lọc. Người mới thì dùng để học cú pháp, nhưng phải tự chạy và kiểm kết quả.
Khám phá dữ liệu ban đầu. Với tệp vài nghìn dòng, trợ lý có chức năng phân tích tệp có thể tóm tắt từng cột, đếm giá trị trống, chỉ ra ngoại lệ. Việc này trước kia mất cả buổi; giờ chỉ mất vài phút, để người phân tích dành thời gian cho câu hỏi khó hơn.
Viết phần nhận xét định kỳ. Báo cáo tuần thường có đoạn "doanh thu tăng x phần trăm, chủ yếu do…". AI viết nháp đoạn này khá ổn nếu được đưa sẵn con số đã kiểm. Rủi ro là nó thêm nguyên nhân không có trong dữ liệu, nên mọi câu "do…" đều phải được người soát.
Giải thích cho người không chuyên. Nhờ AI diễn đạt lại kết luận cho giám đốc không quen số, hoặc giải thích một khái niệm thống kê bằng ví dụ đời thường, tiết kiệm được nhiều thời gian chuẩn bị họp.
Những việc AI vẫn làm kém, và vì sao chưa đổi nhanh được
Thứ nhất là hiểu bối cảnh không nằm trong dữ liệu. Ví dụ giả định: doanh số một cửa hàng ở Huế giảm mạnh trong tuần thứ ba của tháng. AI nhìn bảng sẽ tìm nguyên nhân trong các cột có sẵn — giá, nhóm hàng, khuyến mãi. Người phân tích ở công ty biết tuần đó đường trước cửa hàng bị rào để sửa. Thông tin kiểu này không có trong bất kỳ bảng nào, và nó quyết định kết luận.
Thứ hai là biết dữ liệu sai ở đâu. Mỗi công ty có những "bệnh" riêng: một chi nhánh nhập đơn trả hàng thành số âm, một nhân viên hay nhập trùng đơn khi mạng chậm, một đợt đổi phần mềm khiến số khách mới tháng đó tăng vọt giả. AI không biết những điều này nếu không ai nói, và thường tính toán rất tự tin trên dữ liệu bẩn.
Thứ ba là chịu trách nhiệm. Khi một quyết định nhập hàng sai gây tồn kho, giám đốc sẽ hỏi người đã đưa ra con số, không hỏi chatbot. Trách nhiệm đó buộc người phân tích phải biết mình chắc đến mức nào, và nói rõ mức chắc chắn ấy. Các mô hình ngôn ngữ hiện nay có xu hướng trả lời trôi chảy ngay cả khi không đủ căn cứ, nên càng cần người đứng giữa.
Thứ tư là thương lượng. Nhiều bản phân tích chạm vào lợi ích của một phòng ban — chương trình của phòng marketing không hiệu quả, chi nhánh của một quản lý kém nhất. Đưa kết luận như vậy ra mà không gây xung đột là kỹ năng con người, gắn với hiểu biết về tổ chức.
Công việc của người mới vào nghề đang đổi thế nào
Trước đây, người mới vào nghề thường học bằng cách làm những việc lặp: kéo số báo cáo tuần, viết lại những truy vấn quen thuộc, sửa bảng tính cho đúng định dạng. Những việc này giờ được AI rút ngắn đáng kể. Hệ quả là người mới có ít "việc tập" hơn, và được kỳ vọng tiếp cận câu hỏi thật sớm hơn.
Điều này vừa là khó khăn vừa là cơ hội. Khó vì bạn phải tự rèn những kỹ năng mà trước kia học dần qua việc lặp, ví dụ cảm giác về con số — nhìn tổng doanh thu tuần và biết ngay nó "có vẻ sai" vì lệch hẳn mức thường thấy. Cơ hội vì bạn được tham gia vào phần thú vị của nghề nhanh hơn: ngồi cùng người kinh doanh, đặt câu hỏi, đề xuất.
Một thay đổi khác là kỳ vọng về tốc độ. Khi sếp biết chatbot tóm tắt tệp trong vài phút, họ ít chấp nhận chờ ba ngày cho một câu hỏi đơn giản. Người phân tích cần tách bạch rõ: câu trả lời nhanh có kèm mức độ chắc chắn, và bản phân tích đầy đủ cần thời gian để kiểm chứng. Nói rõ hai mức này ngay từ đầu giúp tránh tình trạng con số nháp bị đem đi quyết định lớn.
Cuối cùng, ranh giới giữa người phân tích và người làm nghiệp vụ mờ dần. Nhân viên kinh doanh, kế toán, quản lý cửa hàng giờ tự hỏi AI được nhiều câu đơn giản. Người phân tích chuyên trách sẽ được tìm đến cho những câu khó hơn, và cho vai trò kiểm định: con số này có đáng tin để đem đi họp không.
Kỹ năng tăng giá trị khi có trợ lý AI
Nếu phải chọn nơi đầu tư thời gian học trong một hai năm tới, những kỹ năng dưới đây khó bị thay và giúp bạn dùng AI tốt hơn.
- Hiểu mô hình kinh doanh: doanh nghiệp kiếm tiền từ đâu, chi phí lớn nằm ở đâu, mùa vụ thế nào. Không hiểu những điều này thì không biết câu hỏi nào đáng hỏi.
- Thống kê cơ bản để bắt lỗi: trung bình và trung vị, cỡ mẫu, tương quan khác nhân quả, so sánh hai nhóm không cùng điều kiện. Đủ để nhận ra lúc AI kết luận vội.
- Viết yêu cầu rõ ràng: mô tả dữ liệu, mục tiêu, ràng buộc cho AI cũng chính là kỹ năng viết đề bài cho đồng nghiệp. Danh mục đặt câu hỏi và câu lệnh của trang có nhiều mẫu cụ thể.
- Kiểm chứng có hệ thống: đối chiếu tổng với nguồn gốc, thử trên mẫu nhỏ tính tay được, đặt câu hỏi ngược lại kết luận.
- Trình bày và viết ngắn: một trang kết luận rõ ràng, ba biểu đồ đúng chỗ, biết nói "dữ liệu chưa đủ để kết luận" khi cần.
- Hiểu quy định về dữ liệu cá nhân: biết dữ liệu nào được dùng cho mục đích nào, khi nào phải ẩn danh, công cụ AI nào được phép dùng trong công ty.
Kỹ năng công cụ — bảng tính, SQL, công cụ dashboard — vẫn cần, nhưng nên coi là nền tối thiểu chứ không phải lợi thế cạnh tranh.
Một ngày làm việc cùng trợ lý AI, làm sao cho chắc
Quy trình dưới đây là cách nhiều người phân tích đang dùng AI mà không để nó dẫn dắt kết luận. Bạn điều chỉnh theo quy định của công ty mình.
- Viết câu hỏi kinh doanh và quyết định đi kèm ra giấy trước khi mở chatbot, ví dụ "có nên giữ ca tối ở chi nhánh hai không".
- Tự chọn dữ liệu và tự xuất ra. Bỏ cột tên khách, số điện thoại, mã nhân viên; thay tên chi nhánh bằng ký hiệu nếu cần.
- Mô tả từng cột cho AI: ý nghĩa, đơn vị, cách tính. Nói rõ những "bệnh" đã biết của dữ liệu.
- Yêu cầu AI nêu cách tính và giả định trước khi đưa con số, để bạn soát logic.
- Tự kiểm ít nhất hai con số then chốt bằng bảng tính hoặc tính tay trên mẫu nhỏ.
- Hỏi ngược: "điều gì có thể làm kết luận này sai". Ghi lại những điểm chưa chắc.
- Tự viết câu kết luận chính bằng lời của mình; chỉ nhờ AI sửa câu chữ.
- Lưu lại câu lệnh, dữ liệu đầu vào và phiên bản kết quả để có thể giải thích về sau.
Quy trình này chậm hơn việc dán tệp vào và chép câu trả lời, nhưng nhanh hơn nhiều so với làm tay toàn bộ, và giữ được điều quan trọng nhất của nghề: người ký tên dưới con số hiểu con số đó.
Rủi ro khi dựa quá nhiều vào AI trong công việc phân tích
Con số bịa nhưng trông hợp lý. Khi tệp quá lớn hoặc câu hỏi mơ hồ, một số trợ lý có thể đưa ra con số không tính từ dữ liệu thật mà ước đoán. Lỗi kiểu này khó thấy vì nó nằm trong khoảng hợp lý. Cách phòng duy nhất là kiểm lại bằng nguồn gốc.
Mất dần cảm giác về con số. Người luôn để AI tính sẽ khó phát hiện khi một kết quả lệch bất thường. Thỉnh thoảng tự tính tay một báo cáo là cách giữ cảm giác đó.
Lộ dữ liệu. Dán bảng khách hàng, bảng lương, giá vốn vào công cụ chưa được công ty duyệt là rủi ro thật, kể cả khi bạn chỉ định hỏi một câu nhỏ. Che dữ liệu định danh và bí mật kinh doanh trước khi đưa vào bất kỳ trợ lý nào.
Kết luận giống nhau ở mọi nơi. Nếu ai cũng hỏi AI theo cùng một cách, các bản phân tích sẽ na ná nhau và bỏ sót những điểm riêng của từng doanh nghiệp. Giá trị của người phân tích nằm chính ở những điểm riêng đó.
Câu hỏi thường gặp
Có nên vào nghề phân tích dữ liệu khi AI phát triển nhanh như hiện nay?
Nghề vẫn cần người hiểu kinh doanh, biết kiểm chứng và chịu trách nhiệm về con số, nhưng công việc của người mới đã khác trước: ít việc lặp hơn, đòi hỏi tiếp cận câu hỏi thật sớm hơn. Nếu bạn thích tìm nguyên nhân và chịu khó giải thích cho người khác, nghề vẫn đáng cân nhắc.
Việc nào của người phân tích dễ bị AI thay nhất?
Những việc có khuôn và yêu cầu đã rõ: kéo số báo cáo định kỳ, viết truy vấn đơn giản, vẽ biểu đồ nháp, viết đoạn nhận xét theo mẫu. Người chỉ làm những việc này nên chủ động mở rộng sang phần làm rõ câu hỏi và trình bày kết luận.
Dùng AI để làm báo cáo có bị coi là gian lận không?
Phụ thuộc quy định của công ty. Nhiều nơi khuyến khích dùng AI nhưng yêu cầu người làm chịu trách nhiệm toàn bộ kết quả và không đưa dữ liệu nhạy cảm vào công cụ chưa được duyệt. Nếu chưa rõ, hãy hỏi quản lý và ghi chú phần nào có sự hỗ trợ của AI.
Người mới nên học công cụ AI hay học kiến thức nền trước?
Nên học song song nhưng ưu tiên kiến thức nền: thống kê cơ bản, hiểu kinh doanh, bảng tính và SQL. Không có nền này thì bạn không phân biệt được lúc AI đúng và lúc AI sai. Công cụ AI dễ học hơn và thay đổi rất nhanh.
Làm sao chứng minh với nhà tuyển dụng mình biết dùng AI đúng cách?
Trong hồ sơ dự án, ghi rõ khâu nào bạn dùng AI, bạn đã kiểm lại kết quả thế nào và đã phát hiện lỗi gì của AI. Cách trình bày này cho thấy bạn dùng AI như công cụ có kiểm soát, điều nhà tuyển dụng quan tâm hơn là chỉ biết gõ câu lệnh.
AI có thay được người phân tích trong doanh nghiệp nhỏ không?
Ở doanh nghiệp nhỏ, chủ doanh nghiệp hoặc nhân viên kiêm nhiệm có thể tự hỏi AI nhiều câu đơn giản về doanh thu, chi phí. Nhưng vẫn cần một người hiểu dữ liệu của cửa hàng mình để kiểm lại, vì AI không biết những lỗi nhập liệu và bối cảnh riêng của từng nơi.