AI Economics- Khi Trí tuệ Nhân tạo gặp Kinh tế học

Photo credit: IMF.

Có những thời điểm trong lịch sử trí tuệ loài người, khi một phát minh không chỉ thay đổi công cụ, mà làm chao đảo cả hệ hình tư duy. Cuối thế kỷ 18, Adam Smith viết về "bàn tay vô hình" vào đúng lúc những guồng quay hơi nước bắt đầu phá vỡ cấu trúc phong kiến cũ. Kinh tế học, từ khởi thuỷ, không phải là một môn học thuần túy trừu tượng, mà là một cách nhìn vào trật tự vận động của con người – nơi lý trí gặp giới hạn, nơi tự do gặp cấu trúc, nơi cá nhân và cộng đồng buộc phải tương tác qua các quy luật khan hiếm, trao đổi và quyền lực. Có thể nói khách quan, kinh tế học sinh ra như là một sản phẩm gián tiếp của một công nghệ phổ quát: đó là động cơ hơi nước.

Hơn hai thế kỷ sau, một thực thể mới đang bước vào sân khấu trung tâm của đời sống kinh tế – nhưng lần này, nó không mang hình hài người. Trí tuệ nhân tạo không chỉ thay thế một số mắt xích sản xuất như máy hơi nước từng làm, mà đang can thiệp sâu vào chính năng lực tư duy – ra quyết định – và lựa chọn của con người. Trong các thị trường tài chính, nền tảng số, hệ thống phân phối thông minh, hay thiết kế giá có tính động (dynamic) – chính các mô hình học máy đang hành xử như những chủ thể có chiến lược, có năng lực học hỏi, thậm chí có thể thao túng kỳ vọng và hành vi.

Điều gì xảy ra khi “trí tuệ” – vốn là nền tảng của mọi lý thuyết kinh tế – không còn là độc quyền của con người? Khi hành vi tiêu dùng được định hình bởi thuật toán gợi ý? Khi giá cả được ấn định bởi những vòng lặp “học tăng cường”? Khi dữ liệu, chứ không phải lao động, vốn hay đất đai, mới là yếu tố sản xuất quyết định? Và khi sự bất cân xứng không còn là thông tin bị che giấu giữa hai bên con người – mà là sự bất khả giải mã của một hộp đen “học sâu”?

Những câu hỏi ấy buộc kinh tế học phải đi vào một giai đoạn tự phản tư. Không còn đủ để chỉ sử dụng AI như một công cụ ngoại sinh nhằm cải thiện dự báo hay kiểm định giả thuyết. Kinh tế học, nếu không muốn tự hóa thạch và trở thành một ngành học lỗi thời, phải đối mặt với một thực tế mới: trí tuệ nhân tạo không chỉ ở bên ngoài mô hình, mà đang trở thành một phần cấu trúc nội tại của chính các tương tác kinh tế. Nó không còn là “input” – mà là “agent”. Không còn là “dữ liệu” – mà là “tác nhân”.

Từ đó, một lĩnh vực đang manh nha hình thành: AI Economics (tạm dịch là kinh tế học AI)– không phải như một chuyên ngành phụ trợ, mà như một nỗ lực tái định nghĩa lại chính bản thân kinh tế học trong kỷ nguyên của các trí tuệ phi-người. AI Economics không chỉ quan tâm đến cách dùng AI để dự đoán lạm phát, phân loại người tiêu dùng, hay tối ưu hoá thuế – mà đặt ra những câu hỏi mang tính nền tảng. Chẳng hạn: khi AI ra quyết định thay con người, ai sẽ chịu trách nhiệm đạo đức và hệ quả chính sách? Hay khi con người bị chi phối bởi các cấu trúc lựa chọn do máy học thiết kế, thì sự lựa chọn của họ có còn là sự lựa chọn để tối ưu hóa độ thỏa dụng?

Ở ranh giới giữa tri thức và quyền lực, giữa con người và phi-người, giữa dự báo và sáng tạo, AI Economics đang đặt lại định nghĩa: không chỉ về thị trường, mà về chính sự sống của kinh tế học – như một ngành khoa học vẫn đang tìm cách hiểu con người trong thế giới không còn do con người nắm toàn quyền quyết định.

Bài viết này đề cập tới một số vấn đề trong mối quan hệ hai chiều giữa AI với kinh tế học: từ việc ứng dụng AI trong giảng dạy kinh tế học cho tới tác động của AI tới nền kinh tế hay tới các giả định cốt lõi của kinh tế học.

I. AI trong nghiên cứu và giảng dạy kinh tế học

Có lẽ chưa bao giờ khoảng cách giữa năng lực kỹ thuật và năng lực khái niệm trong kinh tế học lại được đặt ra một cách rõ ràng như hiện nay. Trong nhiều thập kỷ, kinh tế học duy lý – được xây dựng trên các giả định toán học chặt chẽ và mô hình hóa tuyến tính – đã thống trị cả tư duy học thuật lẫn chính sách. Giờ đây, trí tuệ nhân tạo – với năng lực học từ dữ liệu phi cấu trúc, mô hình hóa phi tuyến và phát hiện mẫu hình ẩn – đang tạo nên một thách thức kép: nó vừa mở rộng không gian thao tác kỹ thuật, vừa đòi hỏi tư duy kinh tế học phải linh hoạt hơn, phản tư hơn, và ít giáo điều hơn.

1. Machine Learning và cuộc chuyển dịch trong kinh tế lượng: từ dự đoán đến nhân quả

Trong truyền thống kinh tế lượng, giá trị học thuật được đo bằng khả năng giải thích nhân quả: liệu sự thay đổi của X có thực sự gây ra sự thay đổi của Y? Các phương pháp hồi quy, công cụ ước lượng (biến công cụ IV), biến giả, và thiết kế tự nhiên (natural experiment) là những công cụ tiêu chuẩn để trả lời câu hỏi này. Tuy nhiên, tất cả đều đòi hỏi những giả định mạnh: tính tuyến tính, phân phối chuẩn, sai số độc lập...

Machine learning, đặc biệt là các mô hình phi tham số như Random Forests, Gradient Boosting, hay mạng nơron nhân tạo, hoạt động trên một nguyên lý khác: không cần giả định gì về cấu trúc hàm, chỉ cần dữ liệu đủ lớn và đa dạng. Chúng học để dự đoán, không để giải thích. Chính điều này khiến cộng đồng kinh tế học ban đầu tỏ ra cảnh giác. Dự đoán đúng không đồng nghĩa với hiểu đúng – đó là một nguyên tắc mà mọi nhà kinh tế đều được rèn từ sớm.

Song, chính tại giao điểm ấy, một dòng chảy mới hình thành: sự kết hợp giữa học máy và suy luận nhân quả. Các nhà nghiên cứu như Susan Athey và Guido Imbens đã phát triển các phương pháp như causal forests, meta-learners, và orthogonal machine learning – nơi mô hình học máy được tích hợp vào khung phân tích nhân quả để xử lý dữ liệu dị thường, dị hình, và không tuyến tính.

Ví dụ, thay vì ước lượng một tác động chính sách trung bình (ATE), AI cho phép ta ước lượng tác động khác biệt theo cá thể (heterogeneous treatment effects) – như việc một chính sách hỗ trợ thu nhập có thể hiệu quả hơn với người lao động nông thôn, nhưng phản tác dụng với người thành thị có khả năng tiết kiệm cao.

Điều này không chỉ làm phong phú phân tích chính sách công, mà còn đặt ra một viễn cảnh học thuật mới: liệu sự nhân quả trong kinh tế học có thể là một đại lượng động, mang tính học tập, và không cố định theo cấu trúc lý thuyết ban đầu? Nếu đúng vậy, thì lý thuyết không còn là tiền đề, mà là kết quả của học tập – một điều từng bị coi là dị giáo trong kinh tế học cổ điển. Điều này có khả năng sẽ tạo ra cả một cuộc cách mạng trong tư duy kinh tế học. Nếu tư duy kinh tế học truyền thống là đi từ lý thuyết tới thực tiễn và các mô hình kinh tế lượng được xây dựng để cung cấp bằng chứng, xác thực hay loại bỏ các lý thuyết kinh tế dựa trên kết quả thực tế thì tư duy của kinh tế học thời học máy sẽ khác hẳn, đi từ số liệu tới số liệu. Trong quá trình đó, một thách thức với kinh tế học là liệu các lý thuyết kinh tế học sẽ hữu ích tới mức nào?

2. Dữ liệu phi cấu trúc: mở rộng phạm vi cảm nhận của kinh tế học

Trong thế kỷ 20, kinh tế học là khoa học của các bảng số liệu. GDP, CPI, chỉ số sản xuất công nghiệp, số giờ lao động – tất cả đều được ghi chép, chuẩn hóa, và đưa vào mô hình. Nhưng đời sống kinh tế thực sự phức tạp hơn thế. Người tiêu dùng không chỉ phản ứng với giá, mà còn với lời kể, cảm xúc, nhận thức tập thể. Họ bị ảnh hưởng bởi quảng cáo, bởi phong trào, bởi nỗi sợ và hy vọng – những thứ không được mã hóa trong bất kỳ cột số liệu nào.

AI, đặc biệt là các công nghệ xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính, cho phép kinh tế học tiếp cận những dòng dữ liệu từng bị bỏ qua: bình luận người dùng, bài đăng mạng xã hội, tin tức báo chí, hình ảnh cửa hàng, thậm chí cả dữ liệu âm thanh và chuyển động.

Một ví dụ điển hình là công trình của các nhà kinh tế tại IMF và ECB, dùng dữ liệu báo chí để đo chỉ số bất ổn định chính sách (Economic Policy Uncertainty) – một biến số từng không thể đo lường trực tiếp, nhưng giờ đây có thể được lượng hóa theo thời gian thực qua AI. Hay trong nghiên cứu tiêu dùng, phân tích cảm xúc từ đánh giá trên Amazon hay Tiki giúp phát hiện sớm các sản phẩm có khả năng gây khủng hoảng truyền thông – điều mà mô hình cầu cổ điển hoàn toàn bỏ sót.

Ở đây, AI không chỉ giúp “đo tốt hơn” – mà còn giúp “thấy được cái chưa từng thấy”. Nó mở rộng phạm vi cảm nhận của kinh tế học, tương tự như cách kính hiển vi từng mở rộng khả năng nhìn của sinh học. Nhưng đồng thời, nó cũng đặt ra một câu hỏi nghiêm trọng: khi chính hành vi đang được cấu trúc bởi các thuật toán gợi ý, thì dữ liệu mà nhà kinh tế học quan sát liệu có còn là dữ liệu “tự nhiên” hay chỉ là một dạng phản xạ có điều kiện được học bởi máy?

3. Tự động hóa nghiên cứu: từ tay nghề đến tư duy

AI không chỉ biến đổi nội dung nghiên cứu – mà còn thay đổi cách làm nghiên cứu. Các công cụ như ChatGPT, Copilot, hay RAG-based systems (retrieval-augmented generation) cho phép nhà nghiên cứu:

• Tạo biểu đồ và mô phỏng nhanh chóng từ dữ liệu thô

• Kiểm định nhiều mô hình cùng lúc với chi phí gần như bằng 0

• Sinh văn bản học thuật sơ cấp, so sánh kết quả, và tóm tắt văn liệu liên quan

Trong quá khứ, một nghiên cứu định lượng cần hàng tuần để tiền xử lý dữ liệu và kiểm thử mô hình – nay có thể hoàn thành sơ bộ trong vài giờ. Điều này giải phóng thời gian cho tư duy lý thuyết, thiết kế câu hỏi, và diễn giải kết quả – những phần mang tính khái niệm và nhân văn nhất trong kinh tế học.

Tuy vậy, tự động hóa cũng dẫn đến một nguy cơ rõ rệt: “sản xuất hàng loạt tư duy dạng mỏng”. Khi công cụ trở nên quá dễ tiếp cận, ranh giới giữa phân tích và sao chép trở nên mờ nhạt. Nếu không có nền tảng lý thuyết vững chắc và trực giác kinh tế sâu sắc, nhà nghiên cứu có thể bị nhấn chìm trong những kết quả thống kê vô nghĩa – một dạng “biểu đồ hóa vô thức” thay vì sáng tạo tri thức. Đó là chưa kể tình trạng “ảo giác” (hallucination) của AI vẫn còn ở mức rất cao, dễ tạo ra các kết quả nghiên cứu không có thực, được phóng đại hay không thực sự có giá trị.

4. AI trong giáo dục kinh tế học: giữa sự sống động và nguy cơ triệt tiêu tư duy

Giáo dục kinh tế học cũng đang biến đổi nhanh chóng nhờ AI. Các nền tảng như Khanmigo, Saylor Academy AI tutor, hay các ứng dụng nội bộ của các trường đại học lớn đều đang triển khai chatbot giảng dạy kinh tế vi mô – vĩ mô – trò chơi – hành vi – tài chính bằng cách hội thoại trực tiếp, gợi mở tư duy, và cung cấp ví dụ cá nhân hóa.

Mô phỏng thị trường (market simulation), trò chơi chiến lược đa tác nhân, và mô hình vĩ mô ảo (macroeconomic sandbox) đang dần thay thế phương pháp giảng dạy bảng đen cổ điển. Sinh viên không còn học định nghĩa, mà “sống” trong môi trường thị trường.

Song điều nghịch lý là: càng mô phỏng sát thực, càng dễ khiến người học tưởng rằng họ đã hiểu bản chất. Trò chơi chiến lược do AI tạo ra có thể quá hoàn hảo – đến mức triệt tiêu năng lực đặt lại câu hỏi. Nếu giáo dục không được thiết kế như một hành trình phản tư, mà chỉ như một trải nghiệm thụ động được AI đạo diễn, thì kinh tế học sẽ mất đi linh hồn khai phóng – vốn là điều làm nên sự sống của tư duy kinh tế, chứ không chỉ là các hàm tối ưu và đường ngân sách.

II. AI Economics – khi máy trở thành tác nhân kinh tế

Nếu phần trước cho thấy AI có thể mở rộng tầm với và công năng của kinh tế học như một công cụ, thì phần này bước sang một địa hạt nền tảng hơn: AI không chỉ giúp ta quan sát thế giới kinh tế – mà đang thực sự tham gia vào thế giới ấy như một tác nhân kinh tế độc lập. Điều này tạo ra một cuộc khủng hoảng yên lặng nhưng sâu sắc đối với nhiều lý thuyết vi mô nền tảng của kinh tế học: từ hành vi tối ưu, cạnh tranh thị trường, đến cấu trúc thông tin. Chào mừng đến với AI Economics đúng nghĩa – nơi những “người chơi” không còn là người.

1. Từ Homo Economicus đến Algo Economicus

Truyền thống kinh tế học vi mô – dù theo trường phái tân cổ điển hay hành vi – đều lấy con người làm trung tâm: con người biết tính toán, có mục tiêu, bị ràng buộc bởi ngân sách hoặc thông tin, và hành xử theo một chiến lược nhất định (dù đôi khi phi lý).

Thế nhưng trong nhiều thị trường hiện đại – đặc biệt là các nền tảng số, thị trường tài chính, và logistics tự động – các quyết định không còn do con người trực tiếp thực hiện. Từ định giá quảng cáo trong hệ thống Google Ads, chọn chiến lược bidding trong đấu giá điện, đến giao dịch trong microseconds ở Wall Street – tất cả đều được thực hiện bởi các agent thuật toán: những thực thể có khả năng học, tối ưu và phản ứng trước môi trường.

Và đặc biệt: chúng không có cảm xúc, không bị cám dỗ, không chán nản, không có định kiến – nhưng vẫn biết tối đa hóa một hàm mục tiêu. Điều này đặt ra một câu hỏi bản thể học: nếu mọi đặc điểm làm nên “tác nhân kinh tế” đều được mô phỏng (và thậm chí vượt qua) bởi máy, thì còn gì ngăn ta không xem AI như một người chơi thực sự trong lý thuyết trò chơi?

Từ đó, hình thành khái niệm “algo economicus” – phiên bản máy học của homo economicus – nơi các chiến lược được rút ra qua reinforcement learning, chứ không phải bằng suy diễn logic; nơi sự lý trí không là giả định, mà là sản phẩm tiến hóa tính toán.

2. AI cạnh tranh với nhau

Khi các hệ thống AI tương tác trong cùng một thị trường, ta không chỉ đối diện với vấn đề kỹ thuật – mà là một vấn đề trò chơi hoàn toàn mới. Lý thuyết trò chơi cổ điển giả định rằng các người chơi hiểu luật chơi, tính toán chiến lược, và đưa ra quyết định trên nền tri thức hạn chế nhưng biết mô phỏng suy nghĩ đối phương (game of minds).

Còn trong môi trường AI, các agent không “hiểu” – chúng “học”. Chúng không cần biết người khác nghĩ gì – chỉ cần phản ứng với lịch sử tương tác. Sự nổi lên của khái niệm multi-agent reinforcement learning (MARL) trong cả AI và kinh tế học là dấu hiệu rõ rệt: các hệ thống đang bước vào giai đoạn học cách thích nghi lẫn nhau, hình thành ổn định động (equilibrium dynamics) mà không có giả định về tri thức hoàn hảo.

Một ví dụ nổi bật là nghiên cứu của Calvano et al. (2020) trên tạp chí danh tiếng American Economic Review, cho thấy hai AI định giá sản phẩm trên một thị trường giả lập tự học cách ngầm thông đồng (collude) để tối đa hóa lợi nhuận – mà không có bất kỳ trao đổi thông tin trực tiếp nào. Đây không còn là giả thuyết – mà là sự kiện đã và đang diễn ra trong các thị trường thương mại điện tử và platform.

Khi các AI học cách giữ giá cao, giảm thiểu cạnh tranh, và tránh các chiến thuật “price war”, câu hỏi đặt ra không phải là “chúng có phạm luật không” – mà là “luật cạnh tranh hiện tại có còn đủ để điều chỉnh những hành vi không do con người tạo ra”?

3. Khi thông tin bất cân xứng trở nên bất khả giải

Một trong những trụ cột của kinh tế học thế kỷ 20 là lý thuyết thông tin – nơi Akerlof, Spence và Stiglitz lần lượt giải thích cách mà sự bất cân xứng thông tin gây ra lựa chọn bất lợi, tín hiệu sai lệch, và thất bại thị trường. Nhưng các lý thuyết này vẫn dựa trên một tiền đề căn bản: thông tin có thể biết, nhưng bị che giấu.

Trong kỷ nguyên AI, ta bước sang một loại bất cân xứng mới: không phải vì thông tin bị che giấu, mà vì không thể giải thích. AI hoạt động như một “hộp đen học sâu” – nơi ngay cả lập trình viên cũng không thể giải thích chính xác lý do tại sao hệ thống đưa ra một quyết định cụ thể.

Sự bất minh bạch này khiến nhà quản lý, đối tác và thậm chí cả chính người dùng trở nên hoàn toàn lệ thuộc. Khi người mua nhà được chấm điểm tín dụng bằng một mô hình AI, hoặc ứng viên bị loại bởi một hệ thống lọc hồ sơ “thông minh”, thì việc yêu cầu “giải thích” không còn là yêu cầu đạo đức – mà là một đòi hỏi tri thức không thể thỏa mãn.

Trong kinh tế học, điều này phá vỡ các mô hình hợp đồng và định giá dựa trên thông tin quan sát được. Câu hỏi không còn là “bạn biết gì” – mà là “AI biết gì về bạn mà bạn không bao giờ biết được?”

4. Thị trường siêu hiệu quả hay siêu tập trung? – Khi chi phí giao dịch bị triệt tiêu

Một trong những kỳ vọng tích cực mà AI mang lại là khả năng giảm mạnh chi phí giao dịch – vốn từng được xem là “cản trở tự nhiên” khiến thị trường không hoàn hảo. AI giúp người tiêu dùng so sánh giá trong tích tắc, giúp nhà sản xuất dự đoán nhu cầu theo địa điểm, thời tiết, xu hướng. Sự trơn tru ấy khiến nhiều người tin rằng AI sẽ dẫn đến siêu hiệu quả thị trường (super-efficiency): mọi người đều tiếp cận đúng giá, đúng lúc, đúng sản phẩm.

Nhưng thực tế lại phức tạp hơn. Khi chi phí giao dịch bị triệt tiêu, lợi thế thông tin không biến mất – mà tích tụ. Các doanh nghiệp lớn có dữ liệu, có AI, có năng lực mô hình hóa sâu hơn → tạo ra một sự tập trung quyền lực thị trường ở cấp độ chưa từng có. Mỗi người tiêu dùng được định giá động, định vị sở thích, và tiếp cận gợi ý khác nhau – khiến thị trường trở thành một “hệ thống định giá tùy chỉnh” thay vì sân chơi chung.

Trong hoàn cảnh ấy, lý thuyết cạnh tranh hoàn hảo trở thành một hồi ức cổ điển. AI, thay vì làm thị trường công bằng hơn, đang khiến nó trở thành một ma trận siêu cá nhân hóa, siêu bất đối xứng, và siêu khó điều tiết.

Để kết phần này, khi AI hành xử như một tác nhân – học, tối ưu, thích nghi, thông đồng – thì kinh tế học vi mô cổ điển, vốn xây dựng trên hình ảnh con người hợp lý và minh bạch, cần được tái cấu trúc. Chúng ta không chỉ cần cập nhật mô hình – mà cần một lý thuyết trò chơi mới, một lý thuyết thông tin mới, và một nhận thức mới về “tác nhân” – không nhất thiết phải là người. Đây chính là trái tim của AI Economics: không đơn thuần là kinh tế học với AI, mà là kinh tế học trong một thế giới mà AI đã trở thành thành tố hữu cơ của mọi hành vi kinh tế.

III. AI tái định nghĩa thị trường lao động và bất bình đẳng

Nếu Marx từng mô tả lịch sử như lịch sử của các hình thái sở hữu và phân phối tư bản, thì thời đại AI đang mở ra một chu kỳ mới – nơi tư bản không còn mang hình thức nhà máy, máy móc, hay tài sản vật lý, mà là hệ thống học máy có khả năng tích lũy dữ liệu, thiết kế hành vi, và tái định hình giá trị. Trong bối cảnh ấy, thị trường lao động – nền tảng của quan hệ sản xuất hiện đại – đang chịu sự biến đổi vừa âm thầm vừa toàn diện. Và kéo theo đó là một dạng bất bình đẳng mới, nơi con người không chỉ bị thay thế, mà còn bị định nghĩa lại.

1. Tái cấu trúc kỹ năng và cái chết của “lao động trung bình”

Các cuộc tranh luận về công nghệ và việc làm không mới. Từ máy dệt tự động đến rô-bốt công nghiệp, người ta luôn lo lắng rằng máy móc sẽ thay thế con người. Tuy nhiên, sự khác biệt cốt lõi của AI không nằm ở sức mạnh cơ học – mà ở khả năng xử lý tri thức. Nó không chỉ thay tay, mà thay não. Và nó không chỉ thay công việc lặp lại – mà thay những công việc từng được xem là đòi hỏi trí tuệ con người: kế toán, biên tập, phân tích dữ liệu, chẩn đoán y tế.

Theo nghiên cứu của David Autor và cộng sự tại MIT, AI không thay thế lao động tuyến tính – mà làm phân cực kỹ năng lao động: công việc có giá trị rất cao (như thiết kế chiến lược, lập mô hình AI, sáng tạo thuật toán) ngày càng được trả cao hơn, trong khi công việc thủ công hoặc phục vụ trực tiếp con người (như chăm sóc, vận chuyển, thủ công đặc thù) vẫn tồn tại do tính không tự động hóa được. Chỉ có một tầng lớp ở giữa – những người làm việc hành chính, lặp lại, có quy trình chuẩn – là biến mất nhanh nhất.

Với đặc điểm đó, AI đang phá vỡ mô hình “công ăn việc làm trung lưu” vốn là nền tảng ổn định xã hội ở các nước phát triển. Và tại các nước đang phát triển như Việt Nam, nơi quá trình công nghiệp hóa đang ở giai đoạn trung gian, điều này có thể tạo ra bẫy lao động kép: chưa kịp công nghiệp hóa xong thì đã bị phi công nghiệp hóa bởi AI.

2. Khi dữ liệu trở thành tư bản – và bất bình đẳng trở thành kiến trúc hệ thống

Trong thời đại tư bản công nghiệp, bất bình đẳng chủ yếu nằm ở quyền sở hữu tư liệu sản xuất: đất đai, máy móc, vốn tài chính. Nhưng với AI, tư liệu sản xuất mới là dữ liệu – và thuật toán. Chúng không dễ chia sẻ, không thể nhìn thấy, và không bị khấu hao. Ngược lại, dữ liệu càng nhiều thì càng tạo lợi thế độc quyền. Thuật toán càng chạy thì càng thông minh hơn.

Hiện tượng này tạo ra một dạng siêu tích lũy theo cấp số nhân:

• Doanh nghiệp càng lớn → càng nhiều người dùng → càng nhiều dữ liệu → thuật toán càng tốt → giá càng tối ưu → thị phần càng mở rộng → lặp lại vòng tròn

• Ngược lại, doanh nghiệp nhỏ hoặc quốc gia nghèo không đủ dữ liệu → không có khả năng huấn luyện AI tốt → bị loại trừ khỏi cuộc chơi

Từ đó, bất bình đẳng không chỉ là hậu quả – mà là điều kiện đầu vào. AI, vốn được xây dựng để tối ưu hóa hiệu quả, vô tình làm sâu sắc thêm sự tập trung quyền lực và khả năng loại trừ. Các nền tảng như Amazon, Google, Alibaba, TikTok – không chỉ là người trung gian – mà là người định hình toàn bộ cơ chế giá trị: từ cái gì nên được nhìn thấy, đến cái gì nên được bán, và với giá nào.

3. Thị trường lao động trở thành thị trường tín hiệu

Một hiệu ứng phụ khác của AI là làm gia tăng cơ chế định danh con người qua tín hiệu dữ liệu. Thuật toán chấm điểm tín dụng, chấm điểm CV, nhận diện giọng nói, phân tích cảm xúc – tất cả đang biến các đặc điểm cá nhân thành đầu vào cho quá trình đánh giá, phân loại và quyết định.

Trong quá khứ, một hồ sơ xin việc có thể được nhìn bằng con mắt linh hoạt. Giờ đây, một thuật toán có thể loại ứng viên vì thiếu từ khóa. Trong quá khứ, một doanh nghiệp có thể vay vốn nhờ niềm tin xã hội. Giờ đây, AI có thể chặn tín dụng chỉ vì dữ liệu hành vi gợi ý “rủi ro”.

Khi con người bị biến thành một vector đặc trưng trong hệ thống học máy, quyền tự do kinh tế không còn nằm ở khả năng quyết định – mà ở khả năng được nhìn nhận một cách công bằng. Và điều trớ trêu là: không ai biết liệu mình có đang bị phân biệt hay không. Định kiến có thể đến từ một mô hình học sâu do hàng triệu mẫu dữ liệu tạo ra, trong đó các bias ban đầu đã bị khuếch đại mà không thể truy vết.

4. Phân phối lại giá trị thời AI: từ thu nhập cơ bản đến cổ tức dữ liệu

Trong bối cảnh AI có thể tạo ra giá trị mà không cần lao động trực tiếp, một câu hỏi cấp bách đặt ra: ai xứng đáng được hưởng phần dư thặng này?

Một số học giả đề xuất thu nhập cơ bản vô điều kiện (UBI) – nơi mỗi công dân được hưởng một khoản thu nhập định kỳ từ giá trị tạo ra bởi AI. Mô hình này nhắm tới mục tiêu giảm bất bình đẳng và duy trì tiêu dùng trong bối cảnh nhiều người mất việc.

Một đề xuất khác táo bạo hơn là “cổ tức dữ liệu” – tức người dùng nên được hưởng lợi từ chính dữ liệu cá nhân mà họ tạo ra. Ý tưởng này đặt nền móng cho việc coi dữ liệu như một dạng sở hữu cá nhân – có thể cho thuê, chia sẻ, hoặc thu hồi.

Cả hai mô hình trên đều đang ở giai đoạn lý thuyết, nhưng chúng cho thấy một điều rõ ràng: kinh tế học cần những mô hình phân phối mới, vượt ra ngoài lao động, tư bản và đất đai. AI đã tạo ra một nguồn giá trị thứ tư – và nếu không được điều tiết, nó có thể làm đứt gãy hợp đồng xã hội hiện đại.

5. Tái định nghĩa năng suất – và cái giá của sự tăng trưởng

AI thường được ca ngợi vì khả năng gia tăng năng suất – và đúng là như vậy. Một mô hình AI có thể thay thế hàng trăm nhân viên phân tích, tối ưu hóa logistics để tiết kiệm hàng triệu USD, và làm tăng biên lợi nhuận mà không cần thêm giờ lao động. Nhưng câu hỏi là: năng suất tăng cho ai? Và cái giá của nó là gì?

Nếu một doanh nghiệp sa thải 500 người để giữ lại 5 chuyên gia vận hành AI, thì hiệu suất trên giấy tờ tăng vọt – nhưng hệ quả xã hội là mất việc hàng loạt, thu nhập bị triệt tiêu, tiêu dùng suy giảm. Nếu toàn bộ nền kinh tế vận hành theo logic đó, năng suất sẽ tăng – nhưng tăng trưởng tiêu dùng, ổn định xã hội và năng lực mua của dân chúng có thể sụp đổ.

Điều này gợi nhớ đến một nghịch lý: càng tối ưu hóa, càng dễ tạo ra mất cân bằng. Và đó là nơi kinh tế học phải lên tiếng – không để ngăn cản công nghệ, mà để thiết kế các thể chế, chính sách và cơ chế phân phối đủ linh hoạt, nhân văn và bền vững trong một kỷ nguyên mà tăng trưởng không còn đi kèm với việc làm.

Có thể nói, AI không giết chết thị trường lao động – nó biến đổi bản chất của nó. Nó không tạo ra bất bình đẳng theo kiểu cũ – mà thiết lập một dạng kiến trúc bất đối xứng mới, nơi quyền lực nằm trong tay những ai có dữ liệu, thuật toán và khả năng chi phối cách thế giới được nhìn thấy. Kinh tế học, nếu còn muốn giữ vai trò như một khoa học của công lý và phát triển, không thể dừng lại ở phân tích – mà phải tham gia thiết kế lại chính trật tự mà AI đang tái cấu trúc từng ngày.

IV. Một kinh tế học hậu con người?

Ở điểm giao giữa tri thức và quyền lực, trí tuệ nhân tạo đang làm thay đổi không chỉ cách ta sản xuất, tiêu dùng, trao đổi – mà cả cách ta hiểu chính mình trong vai trò một tác nhân kinh tế. Trong nhiều thế kỷ, kinh tế học vận hành trên giả định con người là trung tâm: con người ra quyết định lựa chọn dựa trên sở thích và ngân sách giới hạn; con người sở hữu thông tin, theo đuổi lợi ích và phản ứng với các khuyến khích. Nhưng giờ đây, phần lớn những hành vi đó đang được chuyển giao – một cách âm thầm – cho các hệ thống không mang ý thức, không có đạo đức, nhưng rất hiệu quả: các thuật toán học máy.

Điều này không có nghĩa kinh tế học sẽ biến mất– nhưng nó sẽ phải thay đổi- và thay đổi hết sức cơ bản. Các mô hình vi mô cổ điển cần được tái cấu trúc để bao gồm những “người chơi phi–người” với năng lực học và phối hợp. Các lý thuyết thông tin cần mở rộng để xử lý sự bất minh bạch triệt để của hộp đen học sâu. Các mô hình thị trường cần xét lại khi giá không còn do cung cầu gặp nhau – mà do thuật toán điều chỉnh theo phản hồi hành vi. Các lý thuyết tăng trưởng và phân phối cần tích hợp yếu tố dữ liệu, trí tuệ nhân tạo như là các nguồn lực chính.

AI sẽ không thể thủ tiêu được kinh tế học. Nhưng nó buộc kinh tế học phải rũ bỏ sự tự mãn bấy lâu của nó như “hoàng tử của các ngành khoa học xã hội”, rời khỏi tháp ngà của các giả định hình thức, và bước vào một cuộc đối thoại nghiêm túc với thực tại đang biến động từng giờ.