Trí tuệ nhân tạo có trách nhiệm trong lĩnh vực lương thưởng: Loại bỏ định kiến, Đảm bảo tuân thủ

Fidelma McGuirk là Giám đốc điều hành (CEO) & người sáng lập tại Payslip.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

Được đọc bởi các nhà điều hành tại JP Morgan, Coinbase, Blackrock, Klarna và hơn thế nữa

Ngành tiền lương (payroll) đang thay đổi nhanh chóng, được thúc đẩy bởi những tiến bộ trong trí tuệ nhân tạo (AI). Khi năng lực của AI mở rộng, thì trách nhiệm của những người ứng dụng nó cũng tăng theo. Theo Đạo luật AI của EU (có hiệu lực từ tháng 8/2026) và các khung pháp lý toàn cầu tương tự đang được xây dựng, các giải pháp tiền lương có ảnh hưởng đến quyết định của nhân viên hoặc xử lý dữ liệu lực lượng lao động nhạy cảm sẽ chịu sự giám sát nghiêm ngặt hơn nhiều so với các nhóm khác của việc sử dụng AI.

Trong tiền lương, nơi độ chính xác và tuân thủ đã là điều không thể thương lượng, việc phát triển và sử dụng AI một cách có đạo đức là rất quan trọng. Đó là lý do dữ liệu được hợp nhất và chuẩn hóa là nền tảng thiết yếu, và cũng là lý do việc áp dụng cần thận trọng, có chủ đích và trên hết là có đạo đức.

Có nền tảng đó, AI đã chứng minh giá trị của mình trong tiền lương bằng cách tinh gọn các tác vụ như xác thực và đối soát, phát hiện các hiểu biết (insights) từ dữ liệu mà lẽ ra sẽ vẫn bị ẩn, tăng cường các kiểm tra tuân thủ, và chỉ ra các điểm bất thường (anomalies). Những tác vụ này theo truyền thống đòi hỏi nhiều thời gian và công sức. Và thường thì chúng bị bỏ dở do hạn chế về nguồn lực, hoặc buộc các nhóm phải làm việc dưới áp lực lớn trong khung thời gian hẹp của mỗi chu kỳ tiền lương.

Quản lý tiền lương là một chức năng quan trọng đối với bất kỳ tổ chức nào, tác động trực tiếp đến niềm tin của nhân viên, tuân thủ pháp lý và tính toàn vẹn tài chính. Theo truyền thống, tiền lương dựa vào các quy trình thủ công, hệ thống kế thừa (legacy systems) và các nguồn dữ liệu bị phân mảnh, thường dẫn đến kém hiệu quả và sai sót. AI mang tiềm năng biến chức năng này bằng cách tự động hóa các tác vụ thường nhật, phát hiện điểm bất thường và đảm bảo tuân thủ ở quy mô lớn. Tuy nhiên, lợi ích chỉ có thể đạt được nếu dữ liệu nền tảng được hợp nhất, chính xác và chuẩn hóa.

Vì sao hợp nhất dữ liệu phải đi trước

Trong tiền lương, dữ liệu thường bị rải rác giữa các nền tảng HCM, các nhà cung cấp phúc lợi và các nhà cung cấp địa phương. Nếu để phân mảnh, nó sẽ tạo ra rủi ro: định kiến có thể len vào, sai sót có thể tăng lên, và các khoảng trống tuân thủ có thể mở rộng. Ở một số quốc gia, hệ thống tiền lương ghi nhận nghỉ phép của cha/mẹ là sự vắng mặt không lương, trong khi ở những quốc gia khác lại coi đó là nghỉ phép có lương tiêu chuẩn hoặc có thể sử dụng các mã địa phương khác nhau. Nếu dữ liệu phân mảnh này không được chuẩn hóa trong toàn tổ chức thì một mô hình AI có thể dễ dàng hiểu sai ai đã vắng mặt và vì lý do gì. Đầu ra từ AI có thể là các khuyến nghị về hiệu suất hoặc tiền thưởng (bonus) vốn lại phạt phụ nữ.

Trước khi gắn thêm AI lên trên, các tổ chức phải hài hòa và chuẩn hóa dữ liệu tiền lương của mình. Chỉ với một nền tảng dữ liệu đã được hợp nhất, AI mới có thể mang lại đúng những gì nó hứa hẹn: gắn cờ rủi ro tuân thủ, xác định điểm bất thường và cải thiện độ chính xác mà không khuếch đại định kiến. Nếu không có nền tảng này, AI không chỉ “bay mù”; nó còn có nguy cơ biến tiền lương thành một khoản nợ trách nhiệm tuân thủ (compliance liability) thay vì một tài sản chiến lược.

Những thách thức đạo đức của AI trong tiền lương

AI trong tiền lương không chỉ là một nâng cấp về mặt kỹ thuật; nó đặt ra những câu hỏi đạo đức sâu sắc về tính minh bạch, trách nhiệm giải trình và sự công bằng. Nếu được sử dụng thiếu trách nhiệm, nó có thể gây ra tổn hại thực sự. Hệ thống tiền lương xử lý dữ liệu nhân viên nhạy cảm và tác động trực tiếp đến kết quả chi trả, khiến các biện pháp bảo vệ đạo đức trở thành điều không thể thương lượng. Rủi ro nằm ở chính dữ liệu.

1. Định kiến theo thuật toán (Algorithmic Bias)

AI phản ánh thông tin mà nó được huấn luyện; và nếu các hồ sơ tiền lương lịch sử có khoảng trống về chênh lệch lương theo giới tính hoặc chủng tộc, công nghệ có thể lặp lại hoặc thậm chí khuếch đại các chênh lệch đó. Trong các ứng dụng liên quan gần với HR, như phân tích công bằng trả lương (pay equity analysis) hoặc các khuyến nghị về tiền thưởng, nguy cơ này còn trở nên rõ rệt hơn.

Chúng ta đã từng thấy các vụ việc nổi tiếng, như AI duyệt đơn ứng tuyển của Amazon, nơi định kiến trong dữ liệu huấn luyện dẫn đến kết quả mang tính phân biệt đối xử. Ngăn chặn điều này cần nhiều hơn thiện chí tốt. Nó đòi hỏi các biện pháp chủ động: kiểm toán nghiêm ngặt, loại bỏ định kiến có chủ đích khỏi các bộ dữ liệu (datasets), và minh bạch đầy đủ về cách mô hình được thiết kế, huấn luyện và triển khai. Chỉ khi đó, AI trong tiền lương mới có thể nâng cao tính công bằng thay vì làm suy yếu nó.

2. Quyền riêng tư dữ liệu và Tuân thủ (Data Privacy and Compliance)

Định kiến không phải là rủi ro duy nhất. Dữ liệu tiền lương nằm trong nhóm thông tin nhạy cảm nhất mà một tổ chức nắm giữ. Tuân thủ các quy định về quyền riêng tư như GDPR chỉ là mức nền; điều quan trọng ngang bằng là duy trì niềm tin của nhân viên. Điều đó có nghĩa là áp dụng các chính sách quản trị chặt chẽ ngay từ đầu, ẩn danh dữ liệu khi có thể, và đảm bảo có các dấu vết kiểm toán (audit trails) rõ ràng.

Tính minh bạch là điều không thể thương lượng: tổ chức phải có khả năng giải thích cách các thông tin chi tiết do AI tạo ra được tạo ra, cách chúng được áp dụng, và khi các quyết định ảnh hưởng đến lương thưởng thì cần truyền đạt điều này rõ ràng cho nhân viên.

3. Tính tin cậy và Trách nhiệm giải trình

Trong tiền lương, không chấp nhận AI bịa đặt (AI hallucinations). Một sai sót không chỉ là bất tiện; đó là một hành vi vi phạm tuân thủ kèm theo hệ quả pháp lý và tài chính ngay lập tức. Vì vậy, AI trong tiền lương phải bám vào các trường hợp sử dụng hẹp, có thể kiểm chứng thông qua kiểm toán (auditable) như phát hiện điểm bất thường, thay vì chạy theo trào lưu xung quanh các mô hình ngôn ngữ lớn (large language models).

Các ví dụ bao gồm việc làm nổi bật khi một nhân viên đã được trả lương hai lần trong cùng một tháng, hoặc khi khoản thanh toán cho một nhà thầu cao hơn đáng kể so với mức thông lệ trong lịch sử. Đây là việc làm lộ ra những sai lầm có thể xảy ra và thực sự là có khả năng xảy ra—những sai lầm rất dễ bị bỏ sót, hoặc ít nhất là tốn thời gian để xác định thủ công.

Và vì rủi ro do “hallucinations” (bịa đặt) nên các AI theo trường hợp sử dụng hẹp như thế này là lựa chọn phù hợp hơn trong tiền lương so với Large Language Models (LLMs) đã trở thành một phần không thể tách rời trong cuộc sống của chúng ta. Việc tưởng tượng một trong các LLM đó tự bịa ra hẳn một quy tắc thuế mới hoặc áp dụng sai một quy tắc hiện có không phải là điều quá khó. LLM có thể sẽ không bao giờ sẵn sàng cho khâu tiền lương, và điều đó không phải là điểm yếu của chúng; đó chỉ là lời nhắc rằng niềm tin vào tiền lương phụ thuộc vào độ chính xác, độ tin cậy và trách nhiệm giải trình. AI nên bổ sung cho phán đoán của con người, không thay thế nó.

Trách nhiệm cuối cùng phải thuộc về doanh nghiệp. Khi AI được áp dụng trong các lĩnh vực nhạy cảm, như so sánh mức bù đắp (compensation benchmarking) hoặc các phần thưởng dựa trên hiệu suất, các lãnh đạo HR và payroll phải quản trị nó cùng nhau. Giám sát chung giúp đảm bảo AI trong tiền lương phản ánh các giá trị của công ty, các chuẩn mực công bằng và các nghĩa vụ tuân thủ. Chính sự hợp tác này là yếu tố bảo vệ tính toàn vẹn đạo đức trong một trong những lĩnh vực rủi ro cao, tác động cao nhất của hoạt động kinh doanh.

Xây dựng AI có đạo đức

Nếu AI trong tiền lương muốn công bằng, tuân thủ và không có định kiến, thì đạo đức không thể được “gắn thêm” ở cuối; nó phải được tích hợp ngay từ đầu. Điều đó đòi hỏi phải chuyển từ nguyên tắc sang thực hành. Có ba điều không thể thương lượng mà mọi tổ chức phải áp dụng nếu muốn AI nâng cao—thay vì làm xói mòn—niềm tin trong tiền lương.

1. Triển khai thận trọng (Cautious Implementation)

Bắt đầu nhỏ. Triển khai AI trước ở các khu vực ít rủi ro, giá trị cao, như phát hiện điểm bất thường, nơi kết quả đo lường được và việc giám sát đơn giản. Điều này tạo ra không gian để tinh chỉnh mô hình, phát hiện sớm các “điểm mù” (blind spots), và xây dựng sự tự tin của tổ chức trước khi mở rộng sang các khu vực nhạy cảm hơn.

2. Minh bạch và khả năng giải thích (Transparency and Explainability)

AI dạng “hộp đen” (black-box) không có chỗ trong tiền lương. Nếu các chuyên gia không thể giải thích cách một thuật toán tạo ra khuyến nghị, thì nó không nên được sử dụng. Khả năng giải thích không chỉ là biện pháp bảo vệ tuân thủ—nó là yếu tố thiết yếu để duy trì niềm tin của nhân viên. Các mô hình minh bạch, được hỗ trợ bởi tài liệu rõ ràng, đảm bảo AI cải thiện việc ra quyết định thay vì làm suy yếu điều đó.

3. Kiểm toán liên tục (Continuous Auditing)

AI không ngừng phát triển, và rủi ro của nó cũng không ngừng biến đổi. Định kiến có thể len vào theo thời gian khi dữ liệu thay đổi và các quy định tiến hóa. Kiểm toán liên tục, thử nghiệm đầu ra so với các bộ dữ liệu đa dạng và các chuẩn mực tuân thủ, là không tùy chọn; đó là cách duy nhất để đảm bảo AI trong tiền lương vẫn đáng tin cậy, có đạo đức và phù hợp với các giá trị của tổ chức trong dài hạn.

Chặng đường phía trước

Tiềm năng của AI mới chỉ bắt đầu xuất hiện, và tác động của nó lên tiền lương là điều không thể tránh khỏi. Chỉ tốc độ thôi sẽ không đảm bảo thành công; lợi thế thực sự thuộc về các tổ chức biết kết hợp sức mạnh của AI với quản trị vững chắc, giám sát có đạo đức và sự tập trung vào con người phía sau dữ liệu. Hãy coi việc giám sát AI như một chức năng quản trị liên tục: xây nền tảng vững chắc, luôn tò mò và điều chỉnh chiến lược của bạn theo các giá trị của mình. Các tổ chức làm được điều đó sẽ có vị trí tốt nhất để dẫn đầu trong kỷ nguyên AI.