Excel trong thời đại AI: còn giá trị hay đã lỗi thời?

10 phút đọc

Một analyst logistics từng kể lại cuộc họp với sếp: “Tụi mình cần học Python. Excel là công cụ của thế hệ trước.”

Câu đó không sai. Nhưng nó cũng không đủ đúng để làm kim chỉ nam cho quyết định học gì tiếp theo.

Bài viết này không bảo bạn “tiếp tục dùng Excel” hay “bỏ Excel đi học Python”. Bài viết này cung cấp một khung tư duy rõ hơn để trả lời câu hỏi đó theo đúng bối cảnh công việc của bạn — và trong thời đại AI đang thay đổi cách mọi công cụ hoạt động.

Câu hỏi đặt sai thì câu trả lời nào cũng lệch

“Excel còn giá trị không?” là câu hỏi sai. Cũng giống như hỏi “cái búa còn giá trị không trong thời đại máy khoan?” — câu trả lời phụ thuộc hoàn toàn vào bạn đang đóng đinh hay khoét lỗ.

Thứ Excel thực sự dạy bạn

Khi người ta nói “biết Excel”, họ thường muốn nói đến một tập hợp hàm: VLOOKUP, SUMIF, INDEX/MATCH, Pivot Table. Nhưng đó là layer bề mặt.

Thứ Excel buộc bạn phải xây dựng — nếu bạn dùng nó nghiêm túc — là một loại tư duy cụ thể: phân tách một bài toán kinh doanh thành các lớp tính toán có thể kiểm chứng được.

Lấy ví dụ cụ thể. Một file tính lương đúng nghĩa không chỉ là “nhập số giờ làm, ra lương”. Nó phải xử lý đồng thời: bậc thuế TNCN lũy tiến 7 bậc, mức đóng BHXH theo trần lương, hệ số phụ cấp riêng của công ty, rule thưởng/phạt theo phòng ban, và điều kiện biên cho nhân viên thử việc. Từng biến số cần được đặt đúng chỗ trong kiến trúc file, có thể trace ngược lại nguồn, và không bị ảnh hưởng khi người khác chỉnh ô không liên quan.

SaaS không phải đối thủ của Excel — chúng giải bài toán khác

Đây là điều mà cuộc tranh luận “Excel vs. công cụ hiện đại” thường bỏ qua.

Khi một doanh nghiệp chuyển từ Excel sang phần mềm HRM, kế toán, hay quản lý kho chuyên dụng, họ không phải đang “nâng cấp Excel”. Họ đang chuyển từ một công cụ tư duy linh hoạt sang một hệ thống vận hành có quy trình cố định. Đây là hai thứ khác nhau về bản chất.

SaaS tốt ở chỗ: quy trình đã được chuẩn hóa, nhiều người cùng làm việc trên một nguồn dữ liệu, có audit trail, và scale được. Phần mềm kế toán như MISA hay Fast xử lý bút toán định khoản và báo cáo thuế tốt hơn bất kỳ file Excel nào.

Nhưng SaaS có một giới hạn cứng: nó chỉ trả lời được những câu hỏi mà nhà thiết kế phần mềm đã nghĩ đến.

Khi sếp hỏi “nếu mình tăng giá bán 5% nhưng giảm credit term từ 60 ngày xuống 45 ngày, tác động lên cash flow quý sau như thế nào?” — không có phần mềm nào trả lời được câu hỏi đó ngay lập tức. Vì đó là câu hỏi phân tích kịch bản, không phải câu hỏi vận hành. Và đây chính là địa hạt mà Excel vẫn chưa có đối thủ xứng tầm.

Tam giác công cụ: biết cái nào giải bài toán nào

Nhìn thực tế, hầu hết doanh nghiệp vừa nhỏ đang vận hành với ba lớp này song song — dù có ý thức hay không:

Vấn đề của nhiều SME hiện tại là đang dùng Excel cho cả ba lớp — vì tiện, vì quen, vì chưa có ngân sách cho SaaS. Kết quả là file Excel ngày càng phình to, ngày càng mong manh, và ngày càng phụ thuộc vào một người duy nhất hiểu cấu trúc của nó.

Câu trả lời đúng không phải là “thay Excel bằng SaaS”. Câu trả lời là đặt từng công cụ vào đúng lớp của nó.

AI vào Excel — thay đổi thực sự là gì

Microsoft 365 Copilot và Google Gemini trong Sheets hiện tại đã có thể viết công thức từ mô tả ngôn ngữ tự nhiên, phân tích anomaly trong dataset, tóm tắt xu hướng, và tạo pivot table theo yêu cầu. Đây là tăng tốc thực sự.

Nhưng có một điều đang xảy ra mà ít người để ý: AI nén thời gian thực thi, không nén thời gian phán xét.

Khi test Copilot với một file payroll thực, kết quả thú vị. Công thức tính gross salary: đúng. Công thức trích BHXH theo mức đóng 8%: đúng về số học. Sai về ngữ cảnh — vì Copilot không biết rằng tháng đó công ty đang áp dụng mức đóng giảm theo Nghị quyết 68, và phụ cấp điện thoại của vị trí đó không thuộc cơ sở tính BHXH theo nghị định hiện hành.

Điều tương tự xảy ra với SaaS có tích hợp AI. Phần mềm kế toán bây giờ có thể tự động phân loại chi phí, gợi ý định khoản, thậm chí tóm tắt tình hình tài chính bằng tiếng Việt. Nhưng khi phân loại sai — và nó sẽ sai ở những trường hợp đặc thù — người dùng cần đủ hiểu biết nền để nhận ra và sửa. AI trong công cụ nào cũng vậy: nó khuếch đại năng lực của người đã có nền, và tạo ra rủi ro ẩn cho người chưa có.

Điểm yếu thật của Excel

Excel có những điểm yếu cấu trúc thực sự, và hiểu chúng quan trọng hơn là tranh luận xem Excel còn dùng được không.

Nhưng những điểm yếu này đều là vấn đề của cách dùng, không phải bản chất công cụ. Version control có thể được xử lý bằng quy trình naming và backup nghiêm túc. Scale issue có thể được giải quyết bằng cách biết đúng lúc nào nên chuyển sang công cụ khác — hoặc kéo dữ liệu từ SaaS ra Excel để phân tích thay vì để tất cả trong một chỗ.

Ba tầng kỹ năng — bạn đang ở đâu?

Phần lớn người đang ở Tầng 1 nghĩ mình đang ở Tầng 2. Đây là khoảng mù phổ biến nhất — và cũng là lý do tại sao câu hỏi “học gì tiếp theo” thường được đặt ra trước khi câu hỏi “mình đang thực sự ở đâu” được trả lời.

Trở lại câu chuyện người analyst kia. Sau khi nói chuyện thêm, hóa ra team của bạn đang gặp vấn đề không phải vì Excel kém — mà vì họ đang dùng Excel làm cả ba lớp cùng lúc: vận hành, phân tích, và cả một phần automation thủ công đều đang sống trong cùng một file. Python sẽ không giải quyết vấn đề đó. Tư duy phân lớp mới giải quyết được.

Câu hỏi thực sự không phải là Excel, Python, hay SaaS. Câu hỏi là: bạn đang giải bài toán thuộc lớp nào, và công cụ nào được thiết kế đúng cho lớp đó?

Câu hỏi thường gặp

Excel trong thời đại AI còn đáng học không?

Đáng học — nhưng học đúng thứ. Không phải học thêm hàm, mà học cách thiết kế file có kiến trúc rõ ràng: phân tách data input, calculation layer, và output display. Người dùng Excel ở Tầng 2-3 sẽ là người dùng AI hiệu quả nhất, vì họ có mental model để kiểm tra output của AI. Trong khi đó, người chỉ dùng bề mặt sẽ nhận kết quả AI mà không phát hiện được lỗi.

Khi nào nên dùng Excel, khi nào nên dùng SaaS?

Dùng SaaS khi: nhiều người cùng truy cập một nguồn dữ liệu, cần audit trail, hoặc transaction volume cao (bán hàng, kho, kế toán hàng ngày). Dùng Excel khi: đặt câu hỏi tùy biến, mô phỏng kịch bản “nếu-thì”, hoặc phân tích dữ liệu kéo từ SaaS ra. Nguyên tắc: SaaS là nguồn sự thật, Excel là nơi đặt câu hỏi — không nên trộn hai vai trò này vào một chỗ.

Microsoft 365 Copilot trong Excel có thực sự hiệu quả không?

Có — với điều kiện bạn biết kiểm tra kết quả. Copilot viết công thức từ ngôn ngữ tự nhiên, tóm tắt xu hướng, và tạo pivot table nhanh. Nhưng nó không biết điều kiện biên của bài toán thực: nghị định thuế BHXH theo nghị quyết mới nhất, quy tắc tính thưởng riêng của công ty bạn, hay ngoại lệ theo hợp đồng từng khách hàng. Người dùng có nền Excel tốt sẽ tăng tốc đáng kể với Copilot; người không có nền sẽ tạo ra lỗi khó phát hiện.

Nên học Python hay Excel cho phân tích dữ liệu trong doanh nghiệp nhỏ?

Cả hai, nhưng theo thứ tự và cho đúng bài toán. Excel trước — để xây tư duy phân tách bài toán kinh doanh thành lớp tính toán kiểm chứng được. Python sau — khi bài toán đòi hỏi xử lý khối lượng lớn, lặp lại, hoặc kết nối nhiều nguồn dữ liệu. Trong SME 5-50 người, phần lớn bài toán phân tích vẫn nằm trong Excel tốt — Python cần thiết nhất cho lớp automation, không phải lớp phân tích.

Doanh nghiệp nhỏ đang dùng Excel cho cả vận hành lẫn phân tích — bắt đầu tách lớp từ đâu?

Bắt đầu từ lớp vận hành: chọn 1-2 quy trình transaction cao nhất (bán hàng, kho, hoặc kế toán) để chuyển sang SaaS phù hợp với ngân sách. Sau khi SaaS ổn định và là nguồn dữ liệu đáng tin, dùng Excel để kéo dữ liệu ra phân tích — lúc đó Excel sẽ đúng vai trò phân tích thay vì kiêm vai trò vận hành. Không cần làm tất cả cùng lúc — tách từng lớp theo từng quy trình.

Tham khảo: Microsoft — Microsoft 365 Copilot in Excel (2024) · Joel Spolsky — How Microsoft Lost the API War (essay, 2004) · Tiago Forte — Building a Second Brain (2022) · Peter Drucker — The Effective Executive (1967)