Tại sao sự hỗ trợ của trường đại học và sự tiện lợi của giao diện AI lại quan trọng hơn khả năng sử dụng để khởi đầu sự nghiệp của sinh viên tốt nghiệp
Một nghiên cứu được công bố vào nửa cuối năm 2026 đã phơi bày một nghịch lý bất ngờ: trong cuộc đua giành khả năng cạnh tranh của sinh viên tốt nghiệp, các trường đại học nên tập trung không phải vào việc mở rộng các khóa học về trí tuệ nhân tạo, mà là vào tính trực quan của giao diện và sự hỗ trợ hệ thống cho việc sử dụng chúng. Các tác giả từ Đại học Tư thục Ứng dụng ở Amman (Jordan) đã thực hiện mô hình hóa cấu trúc trên một mẫu gồm 211 sinh viên, sử dụng phương pháp bình phương tối thiểu riêng phần (PLS-SEM) – một kỹ thuật đặc biệt phù hợp để phân tích các mô hình phức tạp với mẫu nhỏ.
Thoạt nhìn, kết quả mâu thuẫn với tất cả những gì mô hình chấp nhận công nghệ (TAM) cổ điển đã dạy chúng ta: người ta sẽ kỳ vọng rằng tính hữu ích cảm nhận của các công cụ sẽ là động lực chính cho việc áp dụng chúng. Thực tế lại khác. Hai yếu tố – sự hỗ trợ của tổ chức và sự dễ dàng sử dụng nền tảng – đã dự đoán một cách có ý nghĩa thống kê về sự chuyển đổi của sinh viên từ lý thuyết sang làm việc thực tế với các ứng dụng AI. Đồng thời, việc nắm vững kiến thức nền tảng về AI cho thấy một tác động tiêu cực bất ngờ: có thể những sinh viên được chuẩn bị tốt hơn sẽ xem xét các công cụ một cách phê phán hơn, nhìn rõ hơn những hạn chế và rủi ro của chúng. Và tính hữu ích cảm nhận không có tác động có ý nghĩa thống kê – một sự thật kỳ lạ nhưng đầy ý nghĩa.
Chuỗi nhân quả trông như sau: chấp nhận công cụ AI → phát triển kỹ năng tương lai (Future-Ready Skills) → nâng cao khả năng có việc làm của sinh viên tốt nghiệp (employability). Ở mỗi bước, mối liên hệ này đã được xác nhận về mặt thống kê. Điều thú vị là các kỹ năng “sẵn sàng cho tương lai” đóng vai trò là cầu nối (trung gian) giữa việc sử dụng AI và kết quả thực tế trên thị trường lao động – chúng biến kỹ năng kỹ thuật thành khả năng cạnh tranh trên thị trường.
Phương pháp nghiên cứu – khảo sát cắt ngang với phân tích PLS-SEM tiếp theo – có cả ưu điểm và hạn chế. Ưu điểm rõ ràng: cỡ mẫu nhỏ dễ dàng thực hiện với cách tiếp cận này, các biến tiềm ẩn phức tạp được mô hình hóa tự nhiên hơn. Nhưng nhược điểm là đáng kể. Việc thiếu dữ liệu dọc (dài hạn) và nhóm đối chứng có nghĩa là chúng ta chỉ có thể nói một cách thận trọng về mối quan hệ nhân quả – đó là sự tương quan được hỗ trợ bởi logic, nhưng không phải bởi thực nghiệm. Ngoài ra, các tác giả không tiết lộ chi tiết về việc phân lớp mẫu theo chuyên ngành, giới tính, mức độ kinh nghiệm trước đó với AI – điều này gây khó khăn cho việc hiểu mức độ ứng dụng của kết luận đối với các bối cảnh khác, các quốc gia khác, các trường đại học khác.
Nhưng điều quan trọng nhất là sự thay đổi trong mô hình. Hai thập kỷ nghiên cứu về TAM và UTAUT (Lý thuyết Thống nhất về Chấp nhận và Sử dụng Công nghệ) cổ điển đã xác định: tính hữu ích cảm nhận và sự dễ dàng sử dụng là những đòn bẩy chính. Vào năm 2025–2026, hệ thống phân cấp này đã được viết lại. Tính hữu ích đã lùi lại. Tính trực quan và sự hỗ trợ đã bước lên sân khấu chính.
Điều này cộng hưởng với các nghiên cứu mới khác: khi lĩnh vực các công cụ AI trở nên trưởng thành và dễ tiếp cận, logic công cụ sẽ lùi lại trước câu hỏi “Tôi có muốn sử dụng nó không?” Các yếu tố con người – sự tin tưởng, an toàn tâm lý, sự hiện diện của người hướng dẫn hoặc môi trường hỗ trợ – bắt đầu vượt trội hơn tính hữu ích thuần túy.
Đối với các trường đại học trong công việc thực tế, điều này có nghĩa là một sự đảo lộn trong chiến lược đầu tư. Nếu trước đây, thuật ngữ “số hóa” có nghĩa là mua phần mềm và đào tạo về khả năng sử dụng, thì bây giờ – đó là thiết kế trải nghiệm, văn hóa, hệ sinh thái xung quanh các công cụ AI. Các trường đại học cung cấp cho sinh viên của họ các nền tảng thân thiện với một cú nhấp chuột, sự hiện diện của người cố vấn, các ví dụ ứng dụng thành công và sự tự tin tâm lý khi sử dụng, sẽ giành chiến thắng. Những trường chỉ giới hạn ở các bài giảng về đạo đức AI hoặc khả năng sử dụng chung có nguy cơ tụt hậu trong việc đào tạo nhân tài thực tế.
Câu hỏi về tác động tiêu cực của khả năng sử dụng cao đòi hỏi nghiên cứu thêm. Có một vài lời giải thích khả thi: sinh viên có kiến thức sâu có thể hoài nghi hơn, nhìn thấy những cạm bẫy; họ có thể ưu tiên kiểm soát thủ công thay vì tự động hóa; hoặc khả năng sử dụng ban đầu có tương quan với các biến số khác (ví dụ: chủ nghĩa hoàn hảo) làm chậm quá trình chấp nhận. Đây là cánh cửa mở cho lớp nghiên cứu tiếp theo.
Nghiên cứu này còn bỏ ngỏ các câu hỏi về tác động dài hạn đến chất lượng giáo dục: việc sử dụng AI có thực sự giúp sinh viên tốt nghiệp chuẩn bị tốt hơn, hay chỉ có vẻ như vậy? Sự tiện lợi của các công cụ AI có dẫn đến việc học hời hợt không? Điều gì xảy ra với sự bất bình đẳng trong tiếp cận – liệu sinh viên của các trường đại học có nguồn lực hạn chế có nhận được lợi ích tương tự không? Các rủi ro đạo đức – việc sử dụng dữ liệu sinh viên, sự thiên vị trong các mô hình AI – cũng vẫn còn trong bóng tối. Các bản sao độc lập trên các mẫu lớn hơn và đa dạng hơn, các can thiệp thực nghiệm (khi một khoa triển khai hỗ trợ, khoa khác không) và các nghiên cứu dọc sẽ giúp làm rõ mức độ bền vững của các kết luận này.
Kết luận rõ ràng: các trường đại học tập trung vào việc tạo ra một môi trường hỗ trợ, trực quan để làm việc với AI sẽ có lợi thế đáng kể trong việc đào tạo sinh viên tốt nghiệp cạnh tranh và có khả năng có việc làm. Đầu tư vào trải nghiệm người dùng và hỗ trợ của tổ chức mang lại lợi tức tốt hơn so với các chương trình đào tạo cổ điển.
