AI có thật sự giúp chúng ta năng suất hơn?

Hầu hết các khảo sát doanh nghiệp gần đây đều vẽ nên một bức tranh về một mức hiệu suất “không tưởng”. Nhân viên báo cáo tiết kiệm được hàng giờ mỗi tuần nhờ sử dụng các trợ lý AI tạo sinh (generative AI). Không ít công ty cam kết đầu tư hàng tỷ USD cho gói AI toàn doanh nghiệp. Số lượng bài viết, dòng code và hình ảnh “khủng” ngập tràn không gian mạng, được tạo ra trong thời gian ngắn kỷ lục và không có dấu hiệu dừng lại.

Tuy nhiên, nếu nhìn vào các chỉ số kinh tế vĩ mô hoặc báo cáo kết quả kinh doanh của doanh nghiệp, một nghịch lý khó hiểu lại xuất hiện: tổng thể năng suất đạt được vẫn rất khó có thể xác định và đo lường.

Nếu trí tuệ nhân tạo cho phép nhân viên hoàn thành nhiệm vụ chỉ trong vài phút thay vì vài giờ, tại sao năng suất của cả doanh nghiệp nói chung lại không tăng theo?

Đó là vì lãnh đạo doanh nghiệp đang nhầm lẫn giữa hiệu suất làm việc với năng suất hệ thống, đánh đồng khối lượng đầu ra với giá trị kinh doanh.

Để hiểu tại sao các khoản đầu tư vào các giải pháp AI của doanh nghiệp chưa mang lại lợi ích như kỳ vọng, lãnh đạo không chỉ nhìn vào mức độ hoạt động của nền tảng mà còn phải xác định được không sức và thời gian bỏ ra để duy trì những hệ thống này nhưng lại dễ bị phớt lờ, bỏ qua, đồng thời bác bỏ ngay ảo tưởng về sồ lượng đầu việc đơn thuần.

Đọc thêm: Làn sóng “cố thủ” tại công sở: Sự thật đằng sau tỉ lệ nghỉ việc giảm

Nội dung chính:

• Không ít doanh nghiệp đang đánh đồng hiệu suất tác vụ (task efficiency) với năng suất hệ thống (systemic productivity), cũng như nhầm lẫn số lượng tác vụ hoàn thành với giá trị kinh doanh thực tế.
• Hiện tượng “tokenmaxxing” đang đề cao số lượng tác vụ hoàn thành được nhờ công nghệ thay vì giá trị chiến lược thực thụ, từ đó gây nên ảo tưởng về năng suất.
• Lạm dụng AI khiến nhân viên và lãnh đạo dành ra nhiều thời gian hơn để xác thực, kiểm duyệt và điều chỉnh kết quả. Tuy nhiên, cũng không thể phủ nhận rằng AI thực sự cũng giúp chúng ta làm việc nhanh hơn.

• Lãnh đạo cần thay thế các chỉ số hào nhoáng bề nổi như năng suất nói chung bằng các chỉ số đo lường cụ thể hơn, như hiệu quả, chất lượng, khả năng tối ưu và ROI thực tế.

Sự bùng nổ của “tokenmaxxing”

Xu hướng đẩy mạnh sản xuất nhằm đạt số lượng lớn trong thời gian ngắn đã phát sinh ra một hiện tượng đáng lo ngại nơi công sở: tokenmaxxing.

“Tokenmaxxing có nghĩa là tối đa hóa việc sử dụng token của AI và coi khối lượng đó là bằng chứng hùng hồn nhất của năng suất. Thuật ngữ này chỉ mới trở nên phổ biến trong năm 2026 vì các công ty tổ chức thi thố, xếp hạng nhân viên trên “bảng vàng token” nội bộ. Thuật ngữ mượn hậu tố ‘-maxxing’ phổ biến trên internet: thúc đẩy một chỉ số mạnh nhất có thể, bất kể kết quả có cải thiện hay không.” (Tokenmaxxing, 2026)

Trong lĩnh vực Ngôn ngữ Lớn (Large Language Models), “token” là một đơn vị dữ liệu mà hệ thống sử dụng để xử lý. Một token tương đương 4 ký tự hoặc 3/4 từ. Khi người dùng nhập một câu lệnh (prompt) hoặc phản hồi AI, họ sẽ tiêu thụ token.

Thuật ngữ tokenmaxing được tạo ra trong giới lập trình viên để mô tả việc tối đa hóa giới hạn kỹ thuật của cửa sổ ngữ cảnh (context windows) và các hệ thống đa tác nhân. Tuy nhiên, hiện nay tokenmaxxing đã “tiến hóa” thành một xu hướng nơi công sở, thậm chí “biến chứng” thành thước đo cho hiệu suất nhân viên (Glover, 2026).

Dưới áp lực phải chứng minh tốc độ áp dụng AI từ ban điều hành, một số công ty đã biến việc sử dụng AI thành một cuộc thi xem nhân viên hoặc phòng ban nào “bào” nhiều token hơn trong một tháng, thậm chí trao thưởng cho người tokenmaxxing nhiều nhất (Phạm, 2026). Điều này dẫn đến việc nhân viên chứng minh tần suất sử dụng AI của họ bằng cách:

• Chạy prompt liên tục chỉ để viết đi viết lại các email định kỳ thông thường.

• Sử dụng autonomous agents để tạo ra hằng hà sa số biến thể của phần mềm mà không có định hướng kiến trúc rõ ràng.

• Tham khảo các công cụ AI cho các tác vụ cơ bản thay vì vận dụng tư duy phản biện của bản thân.

• Liên tục chạy các yêu cầu ngầm để bảo toàn vị trí trên “bảng vàng” của nội bộ.

Tokenmaxxing tạo ra một ảo tưởng nguy hiểm về năng suất khi việc lạm dụng công nghệ hiện đại nhưng chưa qua kiểm chứng để hoàn thành KPI về số lượng thì được khen thưởng. Trong khi đó, chất lượng công việc, khả năng phân tích và tầm ảnh hưởng của kết quả đến chiến lược thì bị xem nhẹ. Vậy hoàn thành nhiều công việc hơn có giúp doanh nghiệp thành công hơn?

Đọc thêm: Khi AI làm hết việc, kỹ năng nào của con người sẽ trở thành “vô giá”?

AI đúng là giúp chúng ta làm việc nhanh hơn

Để đánh giá tác động kinh tế thực sự của AI, trước tiên chúng ta phải thừa nhận những lợi ích cụ thể mà công nghệ này mang lại.

AI có thể giúp nhân bản năng lực một cách đáng kinh ngạc. Ví dụ, nếu trước đây bạn phải mất cả một buổi chiều để hoàn thành một đề xuất sơ bộ cho dự án, thì giờ đây, AI có thể giúp bạn làm trong vòng 3 phút.

Ngoài ra, các kỹ sư phần mềm có thể tận dụng pair-programming agent để viết mã nguồn soạn sẵn (boilerplate code), tự động hoàn thành các hàm và “bắt” lỗi cú pháp ngay lập tức. Các nhân viên hỗ trợ khách hàng có thể tận dụng các mô hình AI chuyên biệt để tóm tắt lịch sử cuộc trò chuyện, nhờ đó tiết kiệm đáng kể thời gian xử lý vấn đề.

Có thể thấy rõ ràng rằng AI giúp chúng ta tiết kiệm đáng kể thời gian, giảm bớt rào cản khi xử lý các nhiệm vụ phức tạp, đồng thời loại bỏ những trở ngại về tư duy trong các công việc thường nhật.

Tuy nhiên, việc đẩy nhanh tốc độ thực hiện một nhiệm vụ riêng lẻ chỉ có ý nghĩa nếu nó mang lại giá trị cho doanh nghiệp. Nếu đẩy nhanh một quy trình vốn đã lỗi thời hoặc không cần thiết, kết quả thu được sẽ là phiền phức, rắc rối, phiền nhiễu được nhân lên 10, 100 lần mà thôi.

Làm nhiều hơn không đồng nghĩa với năng suất hơn

Đã từ lâu, số lượng công việc hoàn thành đã được xem như thước đo năng suất của một cá nhân. Hay nói một cách mỹ miều hơn là cách vốn và sức lao động được chuyển đổi thành giá trị kinh tế. Cùng với sự phát triển và độ phổ biến của các công cụ AI, doanh nghiệp đã có thể giảm chi phí sản xuất nội dung số xuống gần như bằng 0.

Chính vì vậy, tokenmaxing đã mở ra một kỷ nguyên mới: bùng nổ nguồn cung.

Đọc thêm: Tại sao chúng ta lại trì hoãn tại nơi làm việc?

Quay lại ví dụ về việc viết đề xuất hoặc báo cáo. AI có thể giúp cả lãnh đạo và nhân viên tạo ra vài chục báo cáo chỉ trong thời gian ngắn. Số lượng đầu ra tăng gấp nhiều lần nhưng:

• Liệu tất cả các báo cáo đều thực sự cần thiết? Hay vì chi phí tạo ra thấp nên mình cứ tận dụng?

• Lãnh đạo, những người thực sự nắm quyền quyết định, liệu có thời gian để xem xét và cân nhắc hết tất cả những báo cáo này?

• Những phiên bản báo cáo dư liệu có giúp thúc đẩy doanh thu, giữ chân khách hàng hoặc tạo ra chiến lược hiệu quả hơn không?

Nếu báo cáo do AI tạo ra chỉ góp phần làm chúng ta quá tải thông tin thì rõ ràng, năng suất thực tế không hề tăng lên mà thậm chí còn giảm đi vì cần nhiều nhân sự, thời gian và công sức xem xét, xác minh và lọc những nội dung đó.

Những “góc khuất” của AI

Một lý do khác khiến cho việc đo lường năng suất khi có sự hỗ trợ của AI trở nên khó khăn là vì những công cụ này không hoàn toàn loại bỏ sức người.

Các mô hình AI tạo sinh hoạt động dựa trên các mẫu xác suất thay vì sự thấu hiểu thực tế. Do đó, những nội dung, sản phẩm mà AI tạo ra cần có sự kiểm duyệt nghiêm ngặt:

• Xác minh và xác thực thông tin: Đánh giá kỹ càng nhằm tránh tình trạng ảo giác AI (hiện tượng AI trích dẫn sai sự thật, lỗi logic, thậm chí tự bịa đặt thông tin).

• Tinh chỉnh và định dạng: Loại bỏ các cụm từ lặp đi lặp lại và điều chỉnh giọng văn sao cho phù hợp với phong cách của doanh nghiệp.

• Tích hợp hệ thống: Kiểm tra mã do AI tạo ra để phát hiện các lỗ hổng bảo mật tiềm ẩn hoặc xung đột khi tích hợp.

“Gã khổng lồ” về bán lẻ Amazon từng thử nghiệm một mô hình công nghệ, hứa hẹn sẽ mang đến trải nghiệm mua sắm cực kỳ hiện đại mang tên “Just Walk Out”. Dự án được quảng cáo là sử dụng một hệ thống AI tiên tiến và thị giác máy tính (computer vision) để theo dõi chính xác từng mặt hàng và thực hiện thanh toán ngay khi khách hàng lấy hàng khỏi kệ.

Tuy nhiên, các báo cáo điều tra sau đó tiết lộ rằng hệ thống này phụ thuộc mạnh mẽ vào một đội ngũ khoảng 1.000 người tại Ấn Độ để xem xét và chú thích từng luồng video nhằm đảm bảo tính chính xác của giao dịch (Palmer, 2024).

Sau đó, Amazon đã lên tiếng giải thích mô hình vận hành của mình, cho biết việc xác minh thủ công là có chủ đích nhằm liên tục huấn luyện các thuật toán học máy và xử lý các trường hợp ngoại lệ (như camera bị che khuất), gây khó khăn cho việc phát hiện tự động (Amazon, 2024).

Bài học rút ra ở đây chính là tự động hóa và trí tuệ nhân tạo hầu như luôn phụ thuộc vào sức lực của con người đứng sau.

Đọc thêm: Gen Z và Gen AI: Khi AI trở thành “mentor” mới cho thế hệ trẻ

Công nghệ hiện đại và năng suất của nhân sự là câu chuyện muôn thuở

Các nhà kinh tế đã quan sát và phát hiện sự “mất kết nối” giữa giải pháp công nghệ và năng suất đạt được.

Theo nghiên cứu của cơ quan khoa học quốc gia Úc và Tổ chức Nghiên cứu Khoa học và Công nghiệp Khối thịnh vượng chung (CSIRO, 2025), vẫn chưa có bằng chứng xác thực về tác động của AI tạo sinh đối với năng suất của nhân viên trên quy mô rộng. Kết quả cũng thay đổi và không đồng nhất, tùy thuộc vào ngành, mức độ sẵn sàng đón nhận AI của doanh nghiệp và mức độ phức tạp của tác vụ.

Trong quá khứ, những phát minh mang tính thay đổi cuộc sống như điện năng, máy tính cá nhân và internet đã không giúp thúc đẩy năng suất ngay lập tức. Robert Solow, người đoạt giải Nobel, từng có một câu châm biếm khá nổi tiếng khi cuộc cách mạng máy tính bùng phát vào cuối những năm 1980: “Bạn có thể thấy kỷ nguyên máy tính ở mọi nơi, ngoại trừ trong các số liệu thống kê về năng suất.”

Chậm trễ là một hiệu ứng thường thấy. Động cơ chạy bằng điện không cách mạng hóa ngành sản xuất và không thay thế ngay các động cơ hơi nước. Lợi ích về mặt năng suất mà động cơ điện mang lại chỉ thực sự được ghi nhận nhiều thập kỷ sau đó, khi các nhà máy được thiết kế lại để phù hợp với hệ thống dây điện phân tán.

Tương tự như vậy, “thả” AI vào các quy trình, hệ thống cũ của doanh nghiệp chỉ góp phần tạo ra nhiều việc hơn, chứ không làm năng suất tăng cao hơn. Để “hưởng lợi” từ công nghệ này, doanh nghiệp cần đánh giá kỹ lưỡng toàn bộ quy trình, định nghĩa lại mô tả công việc và loại bỏ các quy trình thủ công có thể thay thế bằng AI.

Nếu không theo dõi năng suất, lãnh đạo doanh nghiệp nên đánh giá nhân viên bằng những chỉ số nào?

Để xây dựng một khung đánh giá tác động thực sự của AI, các nhà lãnh đạo phải phân biệt giữa ba khái niệm sau:

Thay vì đo lường các chỉ số vận hành, doanh nghiệp hiện đại ngày nay nên cân nhắc các chỉ số hướng đến kết quả, điển hình như 4 loại sau đây.

1. Chỉ số kết quả kinh doanh

Ngừng đo lường mức độ sử dụng AI. Thay vào đó, hãy đo lường sự thay đổi của các chỉ số vận hành nhờ tận dụng AI:

• Doanh thu và lợi nhuận trên mỗi nhân viên: Tổng số lượng đầu ra có đang tạo ra doanh thu cao hơn mà không làm tăng chi phí nhân sự không?

• Giảm thời gian hoàn thành quy trình từ đầu đến cuối: Các quy trình vận hành cốt lõi (vd: chốt sổ hàng tháng, giải quyết các khiếu nại hỗ trợ, hoặc phát hành bản vá phần mềm, v.v.) có đang được xử lý nhanh hơn không?

• Giá trị vòng đời khách hàng và tỷ lệ giữ chân: Tận dụng AI có đang giúp team cải thiện mức độ hài lòng và giữ chân nhiều khách hàng hơn hay tự động hóa đang dần đẩy khách hàng rời xa?

Đọc thêm: Giải mã quy trình đánh giá 360 độ từ A đến Z

2. Chỉ số chất lượng và độ chính xác công việc

Tốc độ làm việc nhanh hông cũng vô dụng nếu kết quả được tạo ra vẫn “ngốn” nhiều thời gian và công sức để chỉnh sửa:

• Tỷ lệ làm lại và lỗi: Bao nhiêu phần trăm sản phẩm do AI tạo ra cần được con người chỉnh sửa trước khi giao cho khách hàng?

• Chi phí để xác minh: Nhân sự cấp cao dành bao nhiêu giờ để kiểm tra, chỉnh sửa công việc có sự hỗ trợ của AI? Tỷ lệ này so với các phương pháp truyền thống là bao nhiêu?

• Các vấn đề về tuân thủ và bảo mật: Các bản thảo tự động có đang làm tăng lỗi tuân thủ hoặc lỗ hổng bảo mật không?

3. Tác động đến vốn nhân lực

AI nên mở rộng năng lực chiến lược thay vì liên tục tạo ra những trở ngại về kỹ thuật.

• Năng lực phân bổ lại: Khi AI giúp nhân viên tiết kiệm 5 giờ mỗi tuần, 5 giờ đó được dùng để làm gì? (được chuyển hướng sang các cuộc họp chiến lược, phân tích chuyên sâu hay bị tiêu thụ bởi những quy trình hành chính khác?)

• Công việc có chiều sâu so với chuyển đổi ngữ cảnh: Nhân viên có thời gian để thực sự tập trung vào việc phát triển chiến lược mà không bị gián đoạn không, hay họ chỉ đang lặp đi lặp lại quy trình lập lệnh-chỉnh sửa?

• Thời gian tiếp thu kỹ năng và chào đón nhân viên mới: Các thành viên mới có đang tiếp thu kỹ năng và kiến thức chuyên môn nhanh hơn nhờ sự hỗ trợ của AI không?

Đọc thêm: Yếu tố lãnh đạo then chốt nào đang vô tình bị lãng quên?

4. Hiệu quả của AI và ROI vận hành

Hãy tập trung các chỉ số đo lường vào hiệu quả đầu tư (ROI) thực tế từ việc triển khai AI, thay vì chỉ chú trọng vào tỷ lệ áp dụng nền tảng.

• Tỷ lệ hoàn thành mà không cần đến sự can thiệp của con người: Đối với các quy trình được tự động hóa, có bao nhiêu phần trăm tác vụ được giải quyết trọn vẹn mà không cần sự can thiệp thủ công?
• Chi phí trên mỗi kết quả đầu ra: Tổng chi phí (bao gồm phí bản quyền phần mềm, phí sử dụng API và thời gian giám sát của con người) cho mỗi kết quả hoàn chỉnh, đạt chất lượng là bao nhiêu?

Lời khuyên dành cho ban lãnh đạo

Để thoát khỏi cái bẫy tokenmaxxing và đạt được ROI từ trí tuệ nhân tạo, các nhà lãnh đạo doanh nghiệp nên cân nhắc chiến lược bao gồm 5 bước sau đây:

Chuyển đổi từ các mục tiêu dựa trên hoạt động sang các thỏa thuận mức dịch vụ (SLA) dựa trên kết quả: Loại bỏ ngay các bảng xếp hạng nội bộ, bảng theo dõi mức độ sử dụng AI hoặc các kỳ đánh giá hiệu suất theo số lượng công việc hoàn thành, số lượng token tiêu thụ, hoặc sử dụng thành thạo bao nhiêu nền tảng AI,v.v. Thay vào đó, hãy định nghĩa sự thành công dựa trên kết quả kinh doanh thực tế, tốc độ bàn giao và chất lượng công việc.

• Đánh giá chi phí thời gian cho việc xác thực trong các quy trình trọng yếu: Thực hiện kiểm tra quy trình tại các bộ phận có tần suất sử dụng AI cao để đo lường thời gian nhân viên dành cho việc soạn câu lệnh, kiểm chứng thông tin và chỉnh sửa nội dung do AI tạo ra. Xác định rõ khâu nào AI thực sự giúp tiết kiệm thời gian và khâu nào chỉ đơn thuần là hỗ trợ “ảo”.
• Tái thiết kế quy trình trước khi triển khai công nghệ: Tránh tích hợp AI vào những cấu trúc, quy trình cũ kỹ, lạc hậu. Thay vào đó, hãy xây dựng quy trình từ đầu đến cuối, loại bỏ các bước không còn cần thiết và thay bằng tự động hóa, đồng thời tái cấu trúc vai trò nhân sự để tập trung vào các hoạt động đòi hỏi tư duy phản biện và ra quyết định mang lại giá trị cao.
• Thiết lập các quy định rõ ràng về chất lượng “tạm chấp nhận được”: Xác định giới hạn cụ thể cho các trường hợp được phép sử dụng AI cũng như các nhiệm vụ bắt buộc phải do con người thực hiện ngay từ đầu. Chuẩn hóa quy trình xác thực để đảm bảo kiểm soát chất lượng nhằm tránh mất thời gian.
• Theo dõi sát sao việc tái phân bổ nguồn lực: Khi triển khai các công cụ AI nhằm tiết kiệm thời gian, cần đặt ra kỳ vọng rõ ràng về việc sử dụng quỹ thời gian tiết kiệm được cho những hoạt động nào khác, chẳng hạn như phát triển kinh doanh, tương tác với khách hàng, nghiên cứu chiến lược hoặc nâng cao kỹ năng chuyên môn.

Vậy, AI có thật sự giúp chúng ta tăng năng suất hơn không?

Cũng có nhưng chỉ khi quy trình doanh nghiệp được tái thiết kế và định nghĩa lại một cách có chủ đích, trong đó vai trò và trách nhiệm của con người cũng được xác định rõ ràng.

Giá trị mà AI mang lại không nằm ở khả năng tạo ra vô số bài viết, hàng triệu token hay vô vàn biến thể mã nguồn theo yêu cầu mà nằm ở khả năng loại bỏ những trở ngại thường nhật, giúp con người tập trung vào các công việc đòi hỏi phân tích chuyên sâu, chiến lược và sáng tạo.

Trong kỷ nguyên AI, năng suất thực sự không được đo bằng số lượng câu lệnh (prompt) mà chúng ta đưa ra mà bằng những thành quả cụ thể mà các câu lệnh đó giúp chúng ta đạt được.

Các câu hỏi thường gặp

1. Tại sao các khoản đầu tư lớn vào AI vẫn chưa phản ánh rõ nét trong năng suất của nhân viên?

Nguyên nhân cốt lõi là do doanh nghiệp đang áp dụng công nghệ mới vào các quy trình, cấu trúc vận hành cũ thay vì tái thiết kế kiến trúc quy trình của doanh nghiệp. Việc này chỉ giúp gia tăng  khối lượng công việc chứ không làm tăng năng suất, đồng thời đi kèm theo đó là gánh nặng xác minh và chỉnh sửa (gây tốn thời gian và sức lực của con người).

2. “Tokenmaxxing” là gì và tại sao hiện tượng này lại nguy hiểm cho doanh nghiệp?

“Tokenmaxxing” là xu hướng tối đa hóa việc tiêu thụ token của AI và coi khối lượng đó là bằng chứng của năng suất, đôi khi bị đẩy đến mức cực đoan thông qua các bảng xếp hạng thi đua nội bộ. Hiện tượng này cực kỳ nguy hiểm vì nó khen thưởng việc tiêu phí tài nguyên công nghệ và sự bận rộn thay vì chất lượng công việc hay giá trị chiến lược thực tế mà nhân sự mang lại.

3. Làm thế nào để doanh nghiệp đo lường chính xác hiệu quả thực tế của việc ứng dụng AI?

Doanh nghiệp cần chuyển từ việc theo dõi các chỉ số hoạt động bề nổi (như số lượng prompt hay token tiêu thụ) sang các chỉ số hướng đến kết quả cốt lõi bao gồm:

• Chỉ số kết quả kinh doanh
• Chất lượng công việc
• Tác động đến vốn nhân lực

4. Lãnh đạo doanh nghiệp cần làm gì để khai thác trọn vẹn giá trị của AI?

1. Thay thế mục tiêu hoạt động bằng Thỏa thuận mức dịch vụ (SLA) dựa trên kết quả
2. Đánh giá và đo lường “gánh nặng xác minh” trong các quy trình trọng yếu
3. Tái thiết kế quy trình trước khi tích hợp công nghệ
4. Thiết lập rõ tiêu chuẩn chất lượng “tạm chấp nhận được” cho sản phẩm của AI
5. Theo dõi cách thức nhân sự tái đầu tư quỹ thời gian tiết kiệm được vào các hoạt động chiến lược

Nguồn:

• Amazon. (2024, April 17). An update on Amazon’s plans for Just Walk Out and checkout-free technology. About Amazon. https://www.aboutamazon.com/news/retail/amazon-just-walk-out-dash-cart-grocery-shopping-checkout-stores
• Commonwealth Scientific and Industrial Research Organisation. (2025, July 15). Does AI actually boost productivity? The evidence is murky. CSIRO News & Articles. https://www.csiro.au/en/news/All/Articles/2025/July/Does-AI-actually-boost-productivity-the-evidence-is-murky
• Glover, E. (2026, April 22). What is tokenmaxxing? The AI workplace trend explained. Built In. https://builtin.com/articles/ai-tokenmaxxing
• Palmer, A. (2024, April 3). Amazon’s Just Walk Out technology relies on hundreds of workers in India watching you shop. Business Insider. https://www.businessinsider.com/amazons-just-walk-out-actually-1-000-people-in-india-2024-4
• Phạm, H. (2026). Tokenmaxxing: Dùng AI nhiều có thật sự làm ta năng suất hơn? [Tokenmaxxing: Does using AI more actually make us more productive?]. Vietcetera. https://vietcetera.com/vn/tokenmaxxing-dung-ai-nhieu-co-that-su-lam-ta-nang-suat-hon
• Tokenmaxxing. (2026, May 18). Tokenmaxxing: Plain-English Definition, Origin & What It Means. Tokenmaxxing.Com; Tokenmaxxing. https://tokenmaxxing.com/guides/what-is-tokenmaxxing