Nếu bạn từng hỏi trợ lý ảo Siri “Thời tiết hôm nay thế nào?”, sử dụng tính năng tóm tắt nội dung tự động trên Gmail, theo dõi những nội dung do hệ thống đề xuất trên TikTok hay “nhờ” Gemini tạo hình ảnh từ vài dòng mô tả, thì bạn đã và đang sử dụng AI.
Với rất nhiều người dùng phổ thông, công nghệ AI, đặc biệt là AI tạo sinh (Generative AI), thực sự thay đổi cách họ sống và làm việc. Chỉ với một gói đăng ký theo tháng hoặc theo năm (trong nhiều trường hợp là miễn phí), người dùng đã có thể thực hiện nhiều tác vụ một cách nhanh chóng và dễ dàng.
Liệu gói đăng ký định kỳ có phải là thứ duy nhất mà người dùng đang phải bỏ ra cho sự thông minh và tiện lợi của AI? Có lẽ, đây không phải là câu hỏi mà chúng ta thường nghĩ về. Thế nhưng, chi phí thực sự của việc phát triển và ứng dụng công nghệ trí tuệ nhân tạo không dừng lại ở khoản tiền mà người dùng phải chi trả. Đằng sau mỗi tiện ích tức thì mà AI mang lại là những “cái giá phải trả” thường bị vô hình hóa: môi trường, lao động con người và dữ liệu cá nhân.
CHI PHÍ MÔI TRƯỜNG “NGẦM” CỦA AI
Bạn có từng nghĩ rằng AI là một công nghệ kỳ diệu, tồn tại trên hạ tầng đám mây và không có tác động lên thế giới thực không? Thực ra, trước khi một câu lệnh được nhập vào, thậm chí trước cả khi một mô hình (model) mới được thành hình, công nghệ này đã bắt đầu tiêu thụ tài nguyên vật lý từ nơi nào đó trên thế giới.
Huấn luyện trí tuệ nhân tạo, nhất là các mô hình ngôn ngữ lớn (LLM), là một trong những tác vụ tính toán tiêu thụ nhiều năng lượng nhất hiện nay [1]. Trong quá trình này, các bộ dữ liệu lớn được đưa vào thuật toán để AI “học” cách nhận diện các mẫu hình (pattern) qua nhiều chu kỳ tính toán liên tục. Để làm được điều đó, các mô hình AI không vận hành trên một máy tính đơn lẻ, mà phụ thuộc vào những trung tâm dữ liệu khổng lồ – nơi tập trung các con chip chuyên dụng hoạt động gần như liên tục trong nhiều tháng và tiêu thụ lượng điện năng khổng lồ.
Ngay cả khi một mô hình AI đã được triển khai đến người dùng, nó vẫn tiếp tục tiêu thụ năng lượng mỗi lần đưa ra phản hồi hoặc xử lý một tác vụ. Theo một số ước tính, mỗi câu truy vấn mà người dùng nhập vào – từ “Hãy tạo cho tôi một tấm poster như thế này”, “Viết cho tôi một bài phân tích 2.000 chữ về chủ đề này”, cho đến một câu “vô thưởng vô phạt” như “Cảm ơn ChatGPT” – có thể tiêu thụ lượng điện năng nhiều gấp khoảng 5 lần so với một lượt tìm kiếm web thông thường [2]. Khi con số này được nhân lên với hàng tỷ lượt truy vấn mỗi ngày trên toàn cầu [3], lượng điện năng tiêu thụ sẽ nhanh chóng trở thành một con số đáng kể.
Khi trí tuệ nhân tạo được tích hợp vào ngày càng nhiều lĩnh vực, nhu cầu lưu trữ, xử lý và phân tích dữ liệu cũng tăng mạnh. Các mô hình AI càng lớn, càng phổ biến và càng được sử dụng thường xuyên, chúng càng cần nhiều sức mạnh tính toán để huấn luyện, vận hành và phản hồi người dùng. Chính nhu cầu ngày càng lớn về dữ liệu và năng lực tính toán đang thúc đẩy việc xây dựng thêm nhiều trung tâm dữ liệu.
Việt Nam hiện đang sở hữu vài chục trung tâm dữ liệu quy mô nhỏ với tổng công suất toàn quốc là 182MW [4]. Lĩnh vực này đang nhanh chóng tăng tốc với các khoản đầu tư hàng tỷ USD từ các “ông lớn” công nghệ toàn cầu như Amazon, Microsoft và Alphabet, cũng như các doanh nghiệp trong nước [5].
Tuy nhiên, khi số lượng và quy mô của các trung tâm dữ liệu gia tăng nhanh chóng trên toàn thế giới, áp lực đặt lên hệ thống năng lượng, tài nguyên nước và môi trường cũng ngày càng lớn.
Một số nghiên cứu dự báo rằng đến năm 2030, các trung tâm dữ liệu có thể chiếm tới 20% lượng điện tiêu thụ toàn cầu, tạo áp lực rất lớn lên hệ thống lưới điện [1]. Các công trình này cũng đòi hỏi lượng nước khổng lồ trong quá trình xây dựng và vận hành, nhằm làm mát các linh kiện điện tử. Một nghiên cứu ước tính rằng hạ tầng công nghệ AI trên toàn cầu có thể sớm tiêu thụ lượng nước nhiều gấp 6 lần Đan Mạch – một quốc gia có khoảng 6 triệu dân. Đây là một vấn đề đáng lo ngại, nhất là trong bối cảnh cứ 4 người thì có 1 người trên thế giới không được tiếp cận với nước sạch [6]. Khối lượng năng lượng và nước mà các hạ tầng này sử dụng cũng có thể khiến cộng đồng địa phương phải gánh thêm áp lực, chẳng hạn như giá điện và giá nước tăng lên [7].
Để sản xuất một chiếc máy tính nặng khoảng 2 kg, người ta có thể cần tới 800 kg nguyên liệu thô. Các vi mạch phục vụ cho năng lực tính toán của AI cũng phụ thuộc vào các nguyên tố đất hiếm, vốn thường được khai thác theo những cách gây tổn hại nghiêm trọng đến môi trường; trong nhiều trường hợp còn ảnh hưởng trực tiếp đến đời sống của các cộng đồng địa phương [8].
NHỮNG NGƯỜI LAO ĐỘNG BỊ VÔ HÌNH HOÁ
Khi làn sóng AI không ngừng ràn vào mọi ngóc ngách của đời sống, niềm tin rằng “AI có thể làm việc nhiều hơn, nhanh hơn, tốt hơn, rẻ hơn lao động con người” ngày càng được củng cố. Nhưng trái ngược với hình dung về một công nghệ tự động hóa, khả năng vận hành “gần như không cần sự can thiệp của con người” của AI thực chất phụ thuộc vào rất nhiều lao động con người. Chỉ có điều, những lao động ấy thường bị vô hình hóa.
Từ khâu phát triển, huấn luyện đến duy trì hệ thống, hệ sinh thái AI phụ thuộc vào hàng triệu người lao động làm việc từ xa, đảm nhận những công việc như gán nhãn hình ảnh, chép lại âm thanh, tinh chỉnh phản hồi, hoặc kiểm duyệt nội dung độc hại. Họ thường được gọi là “ghost workforce” (tạm dịch: lực lượng lao động vô hình) vì được tuyển dụng, quản lý, trả công, và thậm chí là sa thải hoàn toàn thông qua các nền tảng số.
Công việc của họ góp phần duy trì độ tin cậy của nhiều nền tảng AI, đồng thời giúp các hệ thống này thực hiện đúng những chức năng mà người dùng kỳ vọng. Các tập đoàn công nghệ như Amazon, Google hay Uber cũng phụ thuộc vào dạng lao động này để giữ cho quy trình và dịch vụ của mình vận hành trơn tru [9].
Với nhiều người lao động, công việc “xây nền cho nền tảng số” có thể là nguồn thu nhập phụ cho gia đình, là cơ hội việc làm cho sinh viên mới ra trường đang chật vật tìm việc hoặc là một lựa chọn linh hoạt hơn cho những phụ nữ đang gánh vác trách nhiệm chăm sóc. Nhưng đằng sau hai chữ “linh hoạt” ấy là những điều kiện làm việc bấp bênh, khắc nghiệt và phần lớn bị che khuất khỏi tầm mắt của người dùng cuối.
Theo The Guardian, nhóm lao động ẩn danh trong lĩnh vực AI chủ yếu tập trung ở các nước Nam bán cầu như Ấn Độ, Kenya và Venezuela. Khoảng 80% lao động làm công việc gán nhãn dữ liệu và kiểm duyệt nội dung đến từ các khu vực nông thôn hoặc các cộng đồng yếu thế, nơi chi phí lao động có thể được duy trì ở mức thấp [10].
Tại nhiều quốc gia, phụ nữ chiếm phần lớn trong lực lượng lao động ẩn danh của các nền tảng số. Chẳng hạn, ở Ấn Độ, phụ nữ chiếm khoảng 50% lực lượng lao động này [10]; còn tại huyện Thanh Giản (tỉnh Thiểm Tây, Trung Quốc) khoảng 70% nhân sự trong các công ty gán nhãn dữ liệu AI là các bà mẹ thuộc thế hệ 9x [11]. Trong khi phụ nữ vẫn ít hiện diện trong các ngành học máy và kỹ thuật nâng cao (chỉ chiếm khoảng 18% đến 22% số chuyên gia AI), họ lại chiếm tỷ lệ đáng kể trong lực lượng lao động nền tảng.
Do tính “linh hoạt” và thường được tổ chức theo từng dự án, loại hình việc làm này cho phép người sử dụng lao động né tránh nhiều chính sách và quy định lao động truyền thống. Không giống những “gig worker” như tài xế công nghệ hay nhân viên giao đồ ăn, công việc của lao động dữ liệu thường không hiện diện trong không gian công cộng và không gắn với một địa điểm cụ thể. Điều này đặt họ vào một “thị trường lao động toàn cầu”, nơi mức lương và điều kiện làm việc liên tục biến động, khó giám sát và càng khó được bảo vệ.
Dù giá trị lao động của họ góp phần tạo ra hàng tỷ đô la cho các công ty công nghệ và những người đứng đầu các công ty này, hàng triệu người ngày ngày “xây nền cho nền tảng số” vẫn bị che khuất. Họ phải đối mặt với nhiều nguy cơ bị sang chấn hoặc ảnh hưởng tâm lý từ việc kiểm duyệt nội dung bạo lực hay khiêu dâm, làm thêm giờ không lương, hợp đồng ngắn hạn, thu nhập thấp, và rất ít cơ hội thăng tiến nghề nghiệp [12].
“NGƯỜI DÙNG” CŨNG LÀ “NGƯỜI LÀM”
Một hình thức lao động khác cũng đang “tiếp sức” cho sự phát triển của các mô hình ngôn ngữ lớn (LLM) chính là dữ liệu do người dùng tạo ra. Nói cách khác, tất cả chúng ta đều đang tham gia vào quá trình lao động dữ liệu (digital labor) – dù có biết hay muốn làm điều đó hay không.
Mỗi cú nhấp chuột, mỗi lượt truy vấn, mỗi lần cập nhật vị trí, mỗi đáp án reCAPTCHA, mỗi template xu hướng trên mạng xã hội và mỗi giây chú ý mà ta dành cho một sản phẩm hay bài đăng trên nền tảng số đều có thể trở thành dữ liệu huấn luyện các mô hình AI (giúp chúng nhận diện hình ảnh, dịch thuật, phân tích cảm xúc hoặc gợi ý nội dung chính xác hơn) hoặc trở thành nguồn dữ liệu có giá trị thương mại mà các công ty, doanh nghiệp muốn mua lại.
Hiện tượng này được gọi là “playbor” – kết hợp giữa “play” (chơi/giải trí) và “labor” (lao động) – để chỉ sự nhập nhằng giữa việc sử dụng công nghệ/nền tảng số và lao động dữ liệu [13].
Một nghiên cứu về chính sách quyền riêng tư của các “ông lớn” công nghệ gồm Amazon (Nova), Anthropic (Claude), Google (Gemini), Meta (Meta AI), Microsoft (Copilot) và OpenAI (ChatGPT) cho thấy cả 6 tập đoàn này đều sử dụng dữ liệu trò chuyện của người dùng để “dạy” AI. Ngoài Amazon không nêu rõ cách thức sử dụng, các công ty còn lại mặc định sử dụng dữ liệu đó nếu người dùng không chủ động lựa chọn từ chối [14].
Nếu bạn nghĩ rằng điều đó chẳng ảnh hưởng gì tới mình, hãy thử tưởng tượng nhé! Bạn hỏi ChatGPT rằng tối nay nên nấu món gì, rồi cẩn thận ghi chú rằng mình muốn ăn ít ngọt, tốt cho tim mạch. Từ những thông tin trong câu lệnh ấy, mô hình AI có thể suy luận về tình trạng sức khỏe, thói quen ăn uống, hoặc mức độ dễ bị tổn thương của bạn.
Những thông tin này tiếp tục lan truyền trong hệ sinh thái của nhà phát triển: bạn bắt đầu thấy quảng cáo thuốc, thực phẩm chức năng, hoặc các sản phẩm liên quan đến sức khỏe. Và không khó để hình dung rằng, theo thời gian, những thông tin như vậy có thể rơi vào tay các bên khác, chẳng hạn như công ty bảo hiểm hay bệnh viện.
Không chỉ vậy, các công cụ AI tạo sinh được huấn luyện bằng dữ liệu thu thập từ internet có thể ghi nhớ thông tin cá nhân về con người, cũng như dữ liệu về các mối quan hệ của họ với gia đình, bạn bè và cộng đồng xung quanh. Những dữ liệu này có thể bị lợi dụng để thực hiện các hình thức lừa đảo nhắm mục tiêu, đánh cắp danh tính, hoặc giả mạo giọng nói bằng AI nhằm tống tiền và thao túng người khác [15].
Như vậy, người dùng không hoàn toàn sở hữu hay kiểm soát những công nghệ mà họ sử dụng. Những trải nghiệm sống, mối quan hệ, thói quen, cảm xúc và nhu cầu mà mỗi người chia sẻ hàng ngày đều có thể bị là phẳng thành các chuỗi 0 và 1, rồi trở thành nguồn dữ liệu giá trị cho các công ty công nghệ. Giá trị ấy được tạo ra từ dữ liệu của chúng ta, nhưng chúng ta lại hiếm khi được chia sẻ lợi ích một cách công bằng.
ĐÂU LÀ ĐIỂM CHUNG GIỮA THIÊN NHIÊN, LAO ĐỘNG VÀ DỮ LIỆU CÁ NHÂN?
Đáp án là: tất cả đều đang bị khai thác triệt để để vận hành và mở rộng hệ sinh thái AI.
Sự phát triển của AI được xây dựng trên những nguồn lực hữu hạn, nhưng thường được mô tả như thể chúng luôn sẵn có, vô hạn và không đi kèm chi phí: tài nguyên thiên nhiên bị khai thác liên tục để vận hành các trung tâm dữ liệu; lao động con người bị che khuất sau viễn cảnh tự động hóa; còn dữ liệu cá nhân của người dùng được thu thập để tạo ra giá trị kinh tế cho các công ty công nghệ.
Những gì khiến AI có vẻ nhanh, tiện lợi và “thông minh” thực chất được duy trì bởi nhiều tầng tài nguyên, dữ liệu và lao động ít khi xuất hiện trên giao diện người dùng. Chính sự vô hình hóa này cho phép hệ sinh thái AI tiếp tục mở rộng, như thể những nguồn lực nuôi dưỡng nó là vô tận.
Chúng ta cần thấy rằng những chi phí “đắt đỏ” ấy không được phân bổ đồng đều. Tác động của suy thoái môi trường, biến đổi khí hậu, khai thác lao động và khai thác dữ liệu thường đổ về các nhóm vốn đã ở vị thế bất lợi trong xã hội. Nói cách khác, không phải ai cũng được hưởng lợi như nhau từ sự tiện lợi của AI, và cũng không phải ai cũng phải trả cùng một cái giá cho sự phát triển đó.
Suy tư này có thể khiến người dùng cảm thấy bất an, chần chừ hơn mỗi lần nhập một câu lệnh, cân nhắc kỹ hơn trước khi quyết định sử dụng AI cho bất kỳ tác vụ nào trong công việc hay đời sống. Nhưng chính sự chậm lại ấy là cần thiết, vì nó buộc ta nhìn nhận rằng mỗi tiện ích tức thì đều có cái giá của nó – và rất có thể, chính chúng ta sẽ là người phải trả cái giá ấy.
TÀI LIỆU THAM KHẢO
1. Kandemir, M. (8/4/2025). Why AI uses so much energy — and what we can do about it. Penn State Institute of Energy and the Environment.
https://iee.psu.edu/news/blog/why-ai-uses-so-much-energy-and-what-we-can-do-about-it
2. Zewe, A. (17/1/2025). Explained: Generative AI’s environmental impact. MIT News.
https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
3. Adams, M. (16/10/2025). ChatGPT is processing 2.5 billion messages a day. Business Insider.
https://www.businessinsider.com/chatgpt-openai-user-stats-messages-per-day-tech-ai-2025-10
4. Ánh Hồng (6/4/2025). Khai phá thị trường trung tâm dữ liệu. Báo Nhân dân.
https://nhandan.vn/khai-pha-thi-truong-trung-tam-du-lieu-post870413.html
5. Tú Ân (13/2/2025). Đón sóng lớn đầu tư vào trung tâm dữ liệu. Báo Đầu tư.
https://baodautu.vn/don-song-lon-dau-tu-vao-trung-tam-du-lieu-d245457.html
6. World Health Organization, & UNICEF. (26/8/2025). 1 in 4 people globally still lack access to safe drinking water – WHO, UNICEF. World Health Organization.
7. Ren, S., & Wierman, A. (15/7/2024). The uneven distribution of AI’s environmental impacts. Harvard Business Review.
https://hbr.org/2024/07/the-uneven-distribution-of-ais-environmental-impacts
8. United Nations Environment Programme. (15/7/2024). Navigating new horizons: A global foresight report on planetary health and human wellbeing.
https://www.unep.org/resources/global-foresight-report
9. Madan, S. (15/3/2026). The invisible workforce behind automation. Catalyst.
10. Behal, A. (5/2/2026). ‘In the end, you feel blank’: India’s female workers watching hours of abusive content to train AI. The Guardian.
11. Li, X. (24/11/2023). Across China, an unseen rural workforce is shaping the future of AI. Sixth Tone.
https://www.sixthtone.com/news/1014142
12. Wang, D., Prabhat, S., & Sambasivan, N. (2022). Whose AI dream? In search of the aspiration in data annotation. In CHI Conference on Human Factors in Computing Systems (CHI ’22).
https://arxiv.org/pdf/2203.10748
13. Kücklich, J. (2005). Precarious playbour: Modders and the digital games industry. The Fibreculture Journal, 5.
14. Itoi, N. G. (2025). Be careful what you tell your AI chatbot. Stanford Institute for Human-Centered Artificial Intelligence.
https://hai.stanford.edu/news/be-careful-what-you-tell-your-ai-chatbot
15. Stanford Institute for Human-Centered Artificial Intelligence. (18/3/2024). Privacy in an AI era: How do we protect our personal information?
https://hai.stanford.edu/news/privacy-ai-era-how-do-we-protect-our-personal-information
