Cách chuyển kỹ năng khi đổi nghề trong thời đại AI

Cách chuyển kỹ năng khi AI đang thay đổi công việc

Những nghiên cứu hữu ích nhất về AI và việc làm xem xét một đơn vị nhỏ hơn chức danh nghề nghiệp: nhiệm vụ. Một chỉ số toàn cầu gần đây của Tổ chức Lao động Quốc tế cho thấy AI tạo sinh có nhiều khả năng làm thay đổi các nghề bị tác động hơn là xóa bỏ hoàn toàn các nghề đó. Điều này quan trọng với người đang đổi nghề, vì một nghề là tập hợp nhiều loại công việc chứ không phải một bản sắc khép kín.

Vì vậy, chức danh cũ không tự động chứng minh cũng không phủ nhận sự phù hợp với vai trò mới. Câu hỏi khó hơn là phần nào trong công việc cũ vẫn tạo ra giá trị sau khi quy trình của vai trò mục tiêu thay đổi. Những nhãn rộng như phân tích, giao tiếp hay quản lý dự án không thể trả lời câu hỏi đó. Đơn vị có thể chuyển sang công việc mới phải đầy đủ hơn: kết quả bạn đã tạo ra, khả năng phán đoán đứng sau kết quả ấy, bối cảnh mới nơi năng lực đó phải hoạt động, và ranh giới giữa việc AI có thể làm với những gì bạn vẫn phải nhận ra, kiểm tra hoặc chịu trách nhiệm.

Đó là thay đổi cốt lõi: kỹ năng chuyển đổi không phải là thứ bạn mang nguyên vẹn sang nơi khác. Đó là một nhận định cần được xây dựng lại và kiểm nghiệm trong môi trường mới.

Kỹ năng chuyển đổi là một nhận định, không phải tài sản cố định

“Quản lý dự án” có thể xuất hiện trong cả vai trò hiện tại lẫn công việc mục tiêu. Nhưng quản lý một cửa hàng mới, triển khai hệ thống bệnh viện và ra mắt sản phẩm AI liên quan đến hậu quả, bên liên quan, dữ liệu và định nghĩa thất bại rất khác nhau. Nhãn chung giúp mọi người nhìn thấy mối liên hệ. Nó không chứng minh mối liên hệ đó.

Một nhận định chuyển đổi đáng tin gồm sáu phần:

Kết quả: Điều gì đã thay đổi nhờ công việc của bạn?
Phán đoán: Bạn đã nhận ra, quyết định, ưu tiên hoặc chất vấn điều gì?
Bối cảnh mới: Vai trò mục tiêu khác ở người dùng, quy tắc, rủi ro và tiêu chuẩn nào?
Ranh giới AI: AI có thể hỗ trợ nhiệm vụ nào, và ở đâu một người vẫn phải định khung, kiểm tra, chuyển cấp hoặc chịu trách nhiệm?
Bằng chứng cầu nối: Một sản phẩm công việc nhỏ nào có thể cho thấy năng lực ấy hoạt động trong bối cảnh mới?
Khoảng trống trung thực: Kiến thức, thực hành hoặc chứng chỉ nào bạn vẫn chưa thể tuyên bố là mình có?

Hãy gọi cấu trúc này là Bằng chứng Chuyển đổi. Mục đích của nó không phải làm cho mọi cuộc đổi nghề đều có vẻ khả thi. Nó giúp phân biệt một cây cầu hợp lý với một điểm tương đồng chỉ nghe có vẻ hấp dẫn.

Đó cũng là lý do danh sách “kỹ năng mềm không lỗi thời” không đủ để chuẩn bị cho chuyển đổi thực tế. Giao tiếp không có giá trị theo cách trừu tượng. Báo cáo chậm tiến độ với lãnh đạo, giải thích rủi ro thuốc cho bệnh nhân và xử lý xung đột giữa kỹ thuật với kinh doanh đòi hỏi kiến thức và phán đoán khác nhau. AI có thể giúp soạn cả ba thông điệp. Điều đó không làm ba tình huống trở nên giống nhau.

Tìm lại khả năng phán đoán ẩn trong kết quả cũ

Hãy bắt đầu bằng một kết quả trong sự nghiệp hiện tại, không phải một đặc điểm tính cách hay nhãn kỹ năng.

Xét trường hợp tổng hợp của Maya. Cô quản lý vận hành khu vực và muốn chuyển sang công việc trải nghiệm khách hàng có hỗ trợ AI. Hồ sơ của cô ghi rằng cô đã cải thiện quy trình chuyển cấp. Cụm từ này nghe có vẻ phù hợp, nhưng lại che khuất phần hữu ích nhất.

Khi dựng lại câu chuyện, Maya nhận ra mình đã làm nhiều hơn việc sửa một sơ đồ. Cô phát hiện hệ thống phân loại tiêu chuẩn xem một số trường hợp rủi ro cao như yêu cầu thông thường. Cô đối chiếu khiếu nại của khách hàng với dữ liệu vận hành, thuyết phục hai nhóm thay đổi quy tắc bàn giao và bổ sung điểm kiểm tra ngoại lệ. Số khiếu nại giảm, nhưng bằng chứng chuyển đổi quan trọng nhất không chỉ là con số. Đó là mô hình phán đoán:

phát hiện khi quy trình tiêu chuẩn phân loại sai thực tế;
xác định ai sẽ chịu hậu quả;
kết hợp bằng chứng chưa đầy đủ từ nhiều nhóm;
thay đổi quy trình mà không làm mất trách nhiệm;
theo dõi ngoại lệ sau khi triển khai.

Mô hình này có thể chuyển đổi. Quy trình cũ thì chưa chắc.

Nghiên cứu về AI tạo sinh tại nơi làm việc củng cố sự phân biệt này. Trong một nghiên cứu lớn về nhân viên hỗ trợ khách hàng, trợ lý AI mang lại mức tăng hiệu suất lớn hơn nhiều cho người ít kinh nghiệm so với những nhân viên giàu kinh nghiệm có thành tích cao. Một cách diễn giải thận trọng là công cụ giúp mọi người tiếp cận các mẫu thực hành đã được thiết lập dễ hơn. Kinh nghiệm có thể mất một phần giá trị nếu chủ yếu là ghi nhớ câu trả lời thường gặp. Nó vẫn có giá trị khi giúp một người nhận ra câu trả lời thường gặp không phù hợp.

Để tìm lại khả năng phán đoán từ một thành tích, hãy hoàn thành bốn câu:

Tình huống khó vì...
Quy trình mặc định hoặc câu trả lời đầu tiên không đủ vì...
Tôi quyết định... sau khi nhận thấy...
Kết quả có ý nghĩa vì...

Nếu các câu vẫn hợp lý sau khi bỏ chức danh cũ, có thể bạn đã tìm thấy một năng lực đáng kiểm nghiệm trong bối cảnh khác. Bạn chưa chứng minh được khả năng chuyển đổi. Bạn mới tìm thấy ứng viên cho việc kiểm nghiệm.

Lập bản đồ quy trình mới, không chỉ nhìn chức danh mới

Bây giờ hãy xem xét một nhiệm vụ thực tế trong vai trò mục tiêu. Đừng chỉ hỏi: “Công việc này có cần giải quyết vấn đề không?” Hãy theo dõi cách một công việc đi từ đầu vào đến hậu quả.

Với Maya, nhiệm vụ mục tiêu không phải “dùng AI trong trải nghiệm khách hàng”. Nhiệm vụ là quyết định trường hợp khách hàng nào có thể đi theo hướng xử lý tự động và trường hợp nào cần con người xem xét.

Cô lập bản đồ quy trình:

Một trường hợp đi vào qua trò chuyện, email hoặc biểu mẫu.
Mô hình tóm tắt và đề xuất một danh mục.
Hệ thống khuyến nghị phản hồi hoặc hành động.
Một người quyết định khuyến nghị có an toàn để sử dụng hay không.
Các ngoại lệ được chuyển cấp, giải quyết và dùng để cải thiện quy trình.

Bản đồ này cho thấy năng lực cũ của cô có thể hữu ích ở đâu. AI có thể rút gọn một tin nhắn dài, phát hiện mẫu và soạn phản hồi. Đóng góp khan hiếm có thể dịch chuyển khỏi việc tạo bản đầu tiên. Nó có thể nằm ở việc xác định tiêu chí chuyển cấp, kiểm tra phân loại sai, nhận ra bối cảnh còn thiếu và quyết định khi nào tiết kiệm thời gian không đáng với rủi ro.

Ranh giới này sẽ không đứng yên. Trong một thí nghiệm thực địa với chuyên gia tư vấn, AI cải thiện tốc độ và chất lượng ở một số nhiệm vụ nhưng làm giảm độ chính xác ở một nhiệm vụ ngoài phạm vi năng lực đã được kiểm nghiệm của mô hình. Bài học không phải là một số nhiệm vụ sẽ vĩnh viễn thuộc về con người. Năng lực sử dụng AI bao gồm hiểu nơi hệ thống hiện tại không đáng tin và kiểm tra xem quy trình có phát hiện được sai sót hay không.

Theo nghiên cứu thị trường lao động của OECD, phần lớn người làm việc trong các nghề chịu tác động của AI sẽ không cần trở thành chuyên gia máy học. Tuy nhiên, nhiều người sẽ cần hiểu AI đủ để đánh giá đầu vào, kiểm tra đầu ra và thiết kế lại phần việc của mình. Với người đổi nghề, hiểu biết này phải gắn với nhiệm vụ mục tiêu, không phải một bộ sưu tập ngẫu nhiên các công cụ và kỹ thuật viết câu lệnh.

Xây dựng bằng chứng ngay tại ranh giới

Maya không thể thành thật nói rằng cô từng thiết kế hệ thống chuyển cấp AI cấp doanh nghiệp. Nhưng cô có thể xây dựng một minh họa nhỏ cho năng lực nền tảng.

Dùng dữ liệu công khai hoặc dữ liệu giả định, cô tạo 20 tình huống khách hàng hư cấu. Cô yêu cầu một công cụ AI phân loại, rồi ghi lại:

danh mục nào còn mơ hồ;
thông tin còn thiếu nào có thể thay đổi quyết định;
lỗi nào có hậu quả lớn;
khi nào việc con người xem xét phải là bắt buộc;
ngoại lệ đã xử lý nên thay đổi quy trình như thế nào.

Cô biến kết quả thành một bản đồ chuyển cấp ngắn và giải thích ba trường hợp cô bác bỏ đề xuất của AI. Sản phẩm này không chứng minh rằng cô có thể vận hành hệ thống của công ty mục tiêu. Nó cho thấy cách cô xử lý ranh giới giữa tự động hóa và phán đoán có trách nhiệm.

Cầu nối có thể là phân tích dữ liệu công khai, thiết kế lại quy trình, dự án tình nguyện có giám sát, phân tích tình huống, mô phỏng, thử nghiệm trong vai trò hiện tại hoặc một bài tập nhỏ được người trong ngành đánh giá. Nó phải đủ nhỏ để hoàn thành mà không cần giả vờ, nhưng đủ thực tế để làm lộ điều bạn chưa biết.

Chỉ sử dụng thông tin công khai, hư cấu hoặc đã được phép. Đừng đưa tài liệu công việc bí mật vào công cụ AI để tạo sản phẩm hồ sơ năng lực.

Sau đó, hãy nhờ một người đang làm trong lĩnh vực mục tiêu chất vấn sản phẩm:

Giả định nào có vẻ ngây thơ?
Hậu quả nào tôi đang đánh giá thấp?
Một người mới có năng lực cần biết điều gì ở đây?
Phần nào cho thấy kinh nghiệm trước đây thực sự hữu ích?
Bằng chứng nào sẽ làm nhận định chuyển đổi đáng tin hơn?

Mục tiêu không phải lời khen. Mục tiêu là phát hiện xem phán đoán cũ có đứng vững khi tiếp xúc với bối cảnh mới hay không.

Khi bằng chứng này đi vào hồ sơ ứng tuyển, hãy giữ nó cụ thể và có thể giải thích. Nguyên tắc tương tự áp dụng khi bạn muốn dùng AI khi tìm việc mà không trở nên giống mọi ứng viên khác: hãy để công cụ hỗ trợ so sánh và làm rõ, nhưng giữ quyền sở hữu đối với dữ kiện, quyết định và giới hạn.

Hãy để khoảng trống quyết định độ lớn của bước chuyển

Bằng chứng Chuyển đổi có thể làm lộ ra một cây cầu đầy hứa hẹn. Nó cũng có thể cho thấy bước chuyển lớn hơn dự kiến.

Hãy tách bốn loại khoảng trống:

Khoảng trống bối cảnh có thể giảm qua trò chuyện, quan sát và dự án thực tế.
Khoảng trống kỹ thuật có thể đòi hỏi đào tạo có cấu trúc và luyện tập nhiều lần.
Rào cản chứng chỉ có thể đòi hỏi bằng cấp, giấy phép, chứng nhận hoặc giám sát theo quy định.
Khoảng trống hậu quả xuất hiện khi sai sót quá nghiêm trọng để tự thử nghiệm mà không có giám sát.

Các khoảng trống dẫn đến những bước đi khác nhau. Cây cầu mạnh cùng khoảng trống bối cảnh nhỏ có thể hỗ trợ việc ứng tuyển trực tiếp. Khoảng trống kỹ thuật lớn hơn có thể hướng tới một vai trò liền kề, chuyển nội bộ hoặc kế hoạch đào tạo theo giai đoạn. Rào cản chứng chỉ hay khoảng trống hậu quả có thể đòi hỏi con đường chính thức thay vì một sản phẩm hồ sơ khéo léo.

Tại Singapore, Jobs Transformation Maps và Career Conversion Programmes là ví dụ về cơ chế có cấu trúc giúp một số người giữa sự nghiệp tìm hiểu vai trò tăng trưởng hoặc vai trò đã được thiết kế lại. Điều kiện và khả năng tiếp cận khác nhau, vì vậy đây là những con đường cần kiểm tra chứ không phải lời hứa. Ở nơi khác, lựa chọn tương đương có thể là học việc, chương trình chuyển đổi do doanh nghiệp hỗ trợ, dự án có giám sát hoặc vai trò gần mục tiêu hơn một bước.

Tiền bạc và thời gian thuộc về quyết định. Một quá trình chuyển đổi vừa duy trì thu nhập vừa tạo bằng chứng cho vai trò mục tiêu có thể tốt hơn một lần bắt đầu lại đầy kịch tính. Một vai trò cầu nối kém danh giá hơn nhưng cho phép tiếp xúc với quy trình thực tế cũng có thể tốt hơn. Khả năng chuyển đổi không được đo bằng vẻ táo bạo của bước đi.

Quay lại cụm từ ban đầu của Maya: “cải thiện quy trình chuyển cấp”. Sau bài tập, nhận định trở nên chính xác hơn. Cô có bằng chứng về việc chẩn đoán ngoại lệ trong vận hành, một nguyên mẫu cho thấy phán đoán đó có thể áp dụng với trường hợp khách hàng có AI hỗ trợ, phản hồi về kiến thức ngành còn thiếu và hiểu biết rõ hơn về các vai trò đầu vào khả thi. Cô cũng biết điều gì mình chưa thể tuyên bố.

Đó là tiến bộ ngay cả trước khi có lời mời làm việc. Quá trình chuyển đổi đã đi từ câu chuyện về tiềm năng thành chuỗi câu hỏi mà công việc thực tế có thể trả lời.

Công cụ AI và quy trình mục tiêu sẽ tiếp tục thay đổi. Vì vậy, Bằng chứng Chuyển đổi có hạn sử dụng. Hãy xem lại sau một dự án, cuộc trò chuyện với người trong nghề, thay đổi của mô hình hoặc mô tả công việc mới. Giữ lại những kết quả và phán đoán còn hữu ích. Thay giả định bằng bằng chứng. Chỉ mở rộng cây cầu khi lần kiểm nghiệm trước ủng hộ nó.

Mục tiêu không phải mang nguyên vẹn sự nghiệp cũ vào tương lai. Mục tiêu là chỉ ra một cách cẩn trọng và cụ thể phần nào trong kinh nghiệm của bạn vẫn có thể tạo ra công việc hữu ích ở đó.

Chuyển bằng chứng kỹ năng sang ngôn ngữ vai trò tại Singapore

Bắt đầu từ kết quả bạn đã tạo ra, rồi so sánh các nhiệm vụ nền tảng với Singapore Skills Framework và Jobs Transformation Map phù hợp. Cách này tránh hai lỗi: cho rằng chức danh cũ chuyển nguyên vẹn, hoặc AI đã xóa sạch giá trị kinh nghiệm. Sự chuyển đổi diễn ra ở cấp độ nhiệm vụ, phán đoán và bằng chứng.

Thử worksheet ngắn này:

Tôi đã tạo ra kết quả nào?
Nhiệm vụ và phán đoán nào tạo nên kết quả đó?
Vai trò mục tiêu tại Singapore cần cùng năng lực dưới tên gọi nào?

Cách hướng dẫn này được kiểm tra

Các cơ chế tại Singapore ở trên được kiểm tra bằng hướng dẫn và dữ liệu chính thức hiện hành; cách diễn giải sau đó được đối chiếu với nghiên cứu học thuật liên quan. Yêu cầu chính thức có thể thay đổi, vì vậy hãy kiểm tra lại trang liên kết trước một hồ sơ hoặc quyết định quan trọng.

Nguồn tham khảo và đọc thêm

Một cách thực tế để xác định điều gì còn chưa rõ về hướng nghề nghiệp tiếp theo