AI Nâng Sàn Lên Cho Tất Cả. Chiều Sâu Mới Là Cách Bạn Thắng.
Cái narrative rằng AI thay thế công việc entry-level hiểu sai những gì người entry-level thực sự làm. Một junior ở mảng activation không phải đang làm việc vặt — họ đang cấu hình targeting DV360, QA tracking pixels, quản lý bid strategies. Câu hỏi thực sự là: khi AI nâng sàn cho tất cả mọi người, lợi thế đến từ đâu? Chiều sâu.
Mấy tháng qua mình đang xây một khóa học AI-Native Media Operations. Bảy module. Hàng chục slide. Và cái slide mà mình cứ viết đi viết lại hoài — cái mà đến giờ mình vẫn thấy chưa đúng — là về chuyện gì sẽ xảy ra với những người mới vào ngành khi mô hình vận hành chuyển sang 75-80% AI.
Mình cứ viết mấy bản nghe rất tự tin. Rồi xóa, vì mình không tự tin. Mình có hướng đi, không phải câu trả lời. Và mình nghĩ phiên bản thật thà của cuộc trò chuyện này hữu ích hơn phiên bản đã được đánh bóng.
Nên đây là những gì mình đang suy nghĩ.
Cái Narrative Đang Sai
Bạn chắc đã nghe: "AI thay thế công việc entry-level." Câu chuyện gọn gàng. Nhưng cũng sai — hoặc ít nhất, hiểu sai những gì người entry-level thực sự làm.
Thử đi qua các mảng trong một media agency hiện đại:
- Strategy: Kéo competitive analysis, tổng hợp research briefs, phát hiện patterns trong data mà senior bỏ lỡ vì họ họp suốt ngày
- Planning: Xây media plans, chạy các kịch bản ngân sách, tạo audience segments — thường gần với data thực tế hơn cả senior planner đang review công việc của họ
- Activation: Cấu hình targeting DV360, QA tracking pixels, quản lý bid strategies xuyên platforms — công việc kỹ thuật thực sự, rủi ro cao, nơi mà một audience cấu hình sai có thể đốt hết ngân sách trong vài giờ
- Ad Ops: Trafficking ads, debug tracking discrepancies, duy trì measurement integrity trên hàng chục platforms
- Research: Đánh giá methodology khảo sát, bắt sample bias, code các phản hồi qualitative — loại công việc phân tích cẩn thận đòi hỏi sự hoài nghi thực sự
- Reporting: Xây dashboards, nhận diện anomalies, biết khi nào data không khớp dù charts trông ổn
Đây không phải "công việc lặp đi lặp lại." Đây là những đóng góp thực chất đòi hỏi phán đoán, hiểu biết platform, và bối cảnh khách hàng. Người cấu hình campaign DV360 không phải đang làm việc vặt — họ đang đưa ra hàng chục quyết định kỹ thuật ảnh hưởng trực tiếp đến việc media plan có deliver hay không.
Khoảng Trống Validation Ở Cấp Senior Mà Chẳng Ai Nói
Đây là điều mình thấy ít được bàn đến: VP của bạn đã không vào DV360 hàng ngày từ mấy năm rồi. Planning director của bạn không còn tự tay build audience segments nữa. Những người đưa ra quyết định chiến lược thường đã delegate phần thực thi ở cấp platform lâu đến mức họ không thể validate output AI ở tầng đó ngay cả khi họ muốn.
Khi AI tạo ra một campaign setup, ai validate nó đúng? Khi nó build một audience segment, ai kiểm tra data sources có đúng không? Khi nó tạo ra một measurement framework, ai biết tracking architecture có thực sự support hay không?
Thường thì đó là những người gần nhất với platforms. Chính những người đang bị bảo rằng công việc của họ là "routine."
Mình nghĩ đây là khoảng trống khiến cái narrative "AI thay thế công việc junior" trở nên nguy hiểm. 75-80% mà AI xử lý vẫn cần validation. Validation đó đòi hỏi chiều sâu — expertise về platform, hiểu biết tracking architecture, quen thuộc với data source. Và ở nhiều tổ chức, chiều sâu đó nằm ở chính những người mà chúng ta bình thản gợi ý sẽ bị thay thế.
Vấn Đề Đám Diễu Hành
Mình cứ quay lại cái analogy này. Khi ai cũng có AI, năng lực rộng trở thành một đám diễu hành — ấn tượng từ xa, giống hệt khi đến gần. Mọi agency đều có thể tạo ra media plans, audience insights, competitive reports, creative briefs ở quy mô lớn. Tools giống nhau. Prompts hội tụ. Output chuẩn hóa.
Vậy lợi thế đến từ đâu?
Chiều sâu. Đào sâu hơn AI + đối thủ ở những lĩnh vực cụ thể. Không phải rộng hơn — sâu hơn.
Điều này nghe ngược đời nếu bạn lớn lên trong ngành coi trọng generalist "hình chữ T." Nhưng mình nghĩ cái hình dạng đang thay đổi. Khi AI cung cấp thanh ngang của chữ T miễn phí, yếu tố khác biệt duy nhất là thanh dọc đi sâu đến đâu.
Phát Triển Sự Nghiệp Theo Chiều Sâu Trước
Mô hình cũ là: bắt đầu rộng, chuyên sâu sau. Bạn xoay vòng qua các phòng ban, tiếp xúc planning rồi buying rồi reporting, rồi cuối cùng tìm được lane của mình.
Mình nghĩ mô hình tốt hơn bây giờ là ngược lại: đi sâu trước, rồi mở rộng.
AI đã cung cấp sẵn sự rộng. Junior nào cũng có thể dùng AI để draft media plan, xây competitive analysis, hay tạo research summary. Đó là cái sàn — đã được nâng lên cho tất cả. Cái hiếm là người biết activation hay measurement hay creative evaluation giỏi hơn AI. Người nhìn vào output AI và thấy ngay cái sai.
Kỹ năng đánh giá đó — khả năng assess công việc AI bằng expertise thực sự — đòi hỏi chiều sâu. Và chiều sâu đòi hỏi thời gian tập trung ở một lĩnh vực, không phải rotation qua năm phòng ban trong hai năm đầu.
"Đào Sâu" Thực Tế Trông Như Thế Nào
Phần này mình muốn cụ thể, vì lời khuyên nghề nghiệp chung chung thì vô ích.
Activation: Trở thành cầu nối platform-AI. Nắm rõ khả năng và giới hạn của platform đủ để phát hiện khi cấu hình AI không hoạt động được ngoài thực tế — audience quá hẹp để deliver, bid strategy không phù hợp objective, placement list chứa inventory mà khách hàng đã loại trừ rõ ràng.
Ad Ops: Chuyển từ tag implementation sang tracking architecture. Đừng chỉ đặt pixels — thiết kế measurement infrastructure mà AI phụ thuộc vào. Hiểu consent frameworks, server-side tagging, data clean rooms. Người có thể kiến trúc measurement systems không bị AI thay thế. Họ đang trở nên quan trọng hơn.
Planning: Học cách stress-test, không chỉ xây. Ai cũng xây được plan bây giờ. Giá trị nằm ở chỗ biết khi nào con số đúng nhưng chiến lược sai — khi reach curve trông hiệu quả nhưng frequency sẽ làm phiền audience, khi channel mix tối ưu trên giấy nhưng bỏ qua cách brand thực sự xuất hiện trong từng môi trường.
Research: Phát triển sự hoài nghi như một skill cốt lõi. AI tổng hợp research nhanh hơn bất kỳ ai. Nhưng nó cũng có thể tự tin trình bày kết quả từ một khảo sát thiết kế tệ, nhầm lẫn correlation với causation, và bỏ qua sample bias. Researcher phát hiện được lỗi methodology giá trị hơn bao giờ hết.
Creative: Xây dựng aesthetic judgment mà AI thiếu. AI có thể tạo variants. Nó không thể cho bạn biết tại sao variant cụ thể này hoạt động cho brand cụ thể này trong bối cảnh cụ thể này. Judgment đó — được hình thành bởi taste, hiểu biết brand, và nhạy cảm văn hóa — có thể phát triển nhưng không thể tự động hóa.
Reporting: Trở thành tầng data integrity. AI xây dashboards đẹp. Nhưng dashboards có thể đẹp mà sai. Người biết khi nào attribution model gây hiểu lầm, khi nào data source thay đổi âm thầm, khi nào số liệu trông đúng nhưng câu chuyện nó kể thì ngược — người đó là thiết yếu.
Eval Layer Mà Chẳng Ai Bàn
Có một khái niệm từ AI development mà mình nghĩ áp dụng trực tiếp vào đây: evals. Trong AI, eval là ground truth — tiêu chí định nghĩa "đúng" trông như thế nào. Không có evals, bạn không biết output AI tốt hay tệ. Bạn chỉ đang tin vào máy.
Trong media operations, evals đã tồn tại. Chỉ là không được gọi như vậy.
Pre-launch checklist của bạn là eval. Nó định nghĩa campaign setup đúng trông như thế nào. KPI ladder của bạn là eval. Nó định nghĩa hiệu suất tốt nghĩa là gì. Brand guide của bạn là eval. Nó định nghĩa creative compliant trông như thế nào. Chuẩn tracking accuracy của bạn là eval. Nó định nghĩa measurement đáng tin cậy nghĩa là gì.
Những người xây dựng và duy trì những thứ này — những người encode expert judgment thành tiêu chí vận hành — đang làm điều mà AI về cơ bản không thể tự làm cho mình. AI có thể tạo campaign setup. Nó không thể định nghĩa campaign setup đúng trông như thế nào cho khách hàng này ở thị trường này với constraints này. Điều đó đòi hỏi chiều sâu.
Và đây là điều mình nghĩ bị đánh giá thấp: xây dựng evals là một trong những bài tập học tập mạnh mẽ nhất hiện có. Khi bạn yêu cầu ai đó định nghĩa "đúng" trông như thế nào cho lĩnh vực của họ — viết pre-launch checklist, xác định ngưỡng sai lệch chấp nhận được, xây creative compliance rubric — họ phải hiểu công việc đủ sâu để encode judgment. Đó không phải việc hành chính. Đó là phát triển chiều sâu được tăng tốc.
Nên khi mình nói về phát triển sự nghiệp theo chiều sâu trước, eval creation là biểu hiện cụ thể của nó. Người có thể vừa đánh giá output AI vừa định nghĩa tiêu chí đánh giá sở hữu một skillset compound theo thời gian. Tiêu chí ngày càng sắc bén. AI ngày càng tốt. Và khoảng cách expertise giữa người đó và người chỉ dùng AI ngày càng rộng.
Cho Những Người Mới Vào Ngành
Mình muốn thật thà ở đây, vì mình nghĩ người mới vào ngành xứng đáng được nghe sự thật hơn là lời trấn an.
Đúng, vai trò entry-level đang thay đổi. Điểm vào không còn là "làm việc AI có thể làm, nhưng bằng tay người." Mà là "phát triển chiều sâu để đánh giá AI đã làm việc đó đúng chưa."
Nghe như một thanh cao hơn, và đúng là vậy ở một số mặt. Nhưng mình nghĩ kỹ năng đánh giá — nhìn output AI và biết đâu đúng đâu sai và có thể giải thích tại sao — phát triển được nhanh hơn người ta tưởng. Bạn không bắt đầu từ số không. Bạn bắt đầu với AI như một công cụ tăng tốc học tập.
Lưu ý là bạn vẫn cần hands-on reps bên cạnh evaluation. Bạn cần tự tay build campaigns để biết cái tệ trông như thế nào. Bạn cần tự kéo data để hiểu dashboard đang giấu gì. AI tăng tốc việc học, nhưng chưa thay thế hoàn toàn việc thực hành. Chưa.
Chọn một lĩnh vực. Đào sâu. Học frameworks. Những người sẽ phát triển tốt là những người xây dựng expertise thực sự ở một mảng cụ thể — không phải những người trở thành generalist prompt engineers.
Bài Toán Apprenticeship
Mình phải thừa nhận — đây là phần mình chưa giải được.
Mô hình apprenticeship truyền thống ở agency hoạt động vì junior học bằng cách làm việc. Trợ lý planning xây plans và học planning. Coordinator activation setup campaigns và học activation. Sự lặp lại chính là giáo dục.
AI nén lại những workflows đó. Và khi nén workflows, nó cũng nén luôn cơ chế học. Nếu AI build media plan và junior review nó, họ có học planning theo cách tương tự không? Mình không chắc.
Mình có hướng đi nhưng không phải câu trả lời hoàn chỉnh. Phát triển chiều sâu trước. Đánh giá đi đôi với thực thi. Dùng AI như công cụ dạy, không chỉ công cụ sản xuất — để junior xây thứ gì đó với AI rồi phê bình những gì nó tạo ra, để họ học cả skill lẫn judgment cùng lúc.
Nhưng mình không chắc thế là đủ. Bài toán apprenticeship có lẽ là thách thức tổ chức khó nhất của quá trình chuyển đổi AI — khó hơn công nghệ, khó hơn business model. Nếu ai đó giải được hoàn toàn, họ sẽ giải quyết được thứ lớn hơn mô hình vận hành của bất kỳ agency đơn lẻ nào.
Chúng Ta Đang Ở Đâu
Mình sẽ không kết thúc bài này bằng một takeaway gọn gàng, vì phiên bản thật thà không có.
Đây là những gì mình nghĩ là đúng: bạn không bị AI thay thế. Narrative phức tạp hơn thế. Nhưng cách bạn phát triển, skills bạn ưu tiên, và cách bạn định vị expertise — những thứ đó cần tiến hóa. Sự rộng giờ miễn phí. Chiều sâu mới là yếu tố khác biệt.
Nếu bạn đang ở đầu sự nghiệp: chọn một lĩnh vực, đào sâu, và phát triển judgment để đánh giá công việc AI. Sự kết hợp đó — chiều sâu cộng đánh giá — là thứ khiến bạn không thể thay thế.
Nếu bạn đang dẫn dắt team: những người gần nhất với platforms và data của bạn có thể quan trọng hơn bạn nghĩ đối với chiến lược AI. Hãy đảm bảo những người thiết kế mô hình vận hành của tổ chức hiểu điều đó.
Và nếu bạn đang xây một khóa học về tất cả những thứ này mà vẫn viết đi viết lại cái slide đó — thì ít nhất giờ bạn có một blog post để chỉ tới. Dù nó cũng không có đủ mọi câu trả lời.
Vậy thôi từ mình. Mình thực sự muốn nghe người khác nghĩ gì về chuyện này — đặc biệt những người đang ở những năm đầu sự nghiệp media. Bạn đồng ý? Không đồng ý? Mình đang bỏ lỡ điều gì?
Cheers, Chandler
