IBM bay hơi 40 tỷ, Block cắt giảm một nửa nhân viên giá cổ phiếu tăng: Ở thời đại AI, tài sản nào xứng đáng được token hóa?

Vào ngày 23 tháng 2 năm 2026, một thứ Hai vốn dĩ yên bình, giá cổ phiếu của IBM đã trải qua đợt giảm mạnh nhất kể từ tháng 10 năm 2000 trong một ngày giao dịch. Đóng cửa, mức giảm dừng lại ở 13,2%, khoảng 40 tỷ USD vốn hóa thị trường đã bốc hơi trong vòng vài giờ đồng hồ. Nguyên nhân không phải do báo cáo tài chính xấu hoặc bị xử phạt bởi cơ quan quản lý, mà là một thông báo sản phẩm: công ty khởi nghiệp AI Anthropic tuyên bố rằng công cụ Claude Code của họ có thể hiện đại hóa các chương trình COBOL chạy trên hệ thống của IBM, trong khi COBOL chính là lĩnh vực sinh lợi lớn nhất và là “hàng rào phòng thủ” mang lại lợi nhuận cho IBM.

Ba ngày sau, một câu chuyện tương tự lại diễn ra theo một chiều hoàn toàn ngược lại. Ngày 26 tháng 2, công ty Fintech Block của Jack Dorsey thông báo cắt giảm khoảng 4.000 nhân viên, gần 50% tổng số nhân sự, với lý do cũng là để nâng cao hiệu quả nhờ AI. Tuy nhiên, phản ứng của thị trường lại hoàn toàn khác biệt — giá cổ phiếu Block trong phiên giao dịch sau giờ đóng cửa đã tăng hơn 24%. Trong thư gửi cổ đông, Dorsey thẳng thắn chia sẻ: “Tôi tin rằng trong vòng một năm tới, phần lớn các công ty sẽ đi đến cùng một kết luận và thực hiện các điều chỉnh cấu trúc tương tự.”

Hai sự kiện này, cùng một yếu tố thúc đẩy — AI; hai phản ứng thị trường hoàn toàn trái ngược — một giảm mạnh, một tăng vọt. Vậy đằng sau đó thực sự đã xảy ra điều gì? Có thể câu trả lời hướng tới một vấn đề sâu xa hơn: AI đang định nghĩa lại “điều gì là tài sản có giá trị”. Đối với các lãnh đạo doanh nghiệp niêm yết, nhà đầu tư và các nhà ra quyết định doanh nghiệp truyền thống, việc hiểu rõ quá trình định giá lại này không còn là một suy nghĩ chiến lược dự báo nữa, mà đã trở thành một vấn đề sinh tử cấp bách.

1. Cùng một AI, các phán đoán thị trường khác nhau

Để hiểu rõ sự trái ngược của hai sự kiện này, trước tiên cần xem xét cấu trúc tài sản của chúng.

Việc IBM giảm giá mạnh, về bề ngoài, là do mối đe dọa về mặt công nghệ từ công cụ Claude Code, nhưng thực chất là thị trường đang định giá lại mô hình tài sản cốt lõi của họ. COBOL, ngôn ngữ lập trình ra đời vào cuối những năm 1950, vẫn duy trì vai trò chủ đạo trong khoảng 95% các giao dịch ATM toàn cầu và nhiều hệ thống lõi quan trọng trong lĩnh vực tài chính, hàng không, chính phủ và các lĩnh vực then chốt khác. Anthropic viết trong blog của họ: “Hàng nghìn tỷ dòng mã COBOL đang chạy trong môi trường sản xuất mỗi ngày, cung cấp năng lượng cho các hệ thống quan trọng. Tuy nhiên, số người hiểu COBOL ngày càng giảm theo từng năm.”

Trong thời gian dài, việc hiện đại hóa hệ thống COBOL luôn là một dự án phức tạp và tốn kém, đồng thời cũng trở thành “hàng rào lợi nhuận” của IBM. Nhưng Anthropic tuyên bố: “Nhờ sức mạnh của AI, nhóm phát triển không cần mất nhiều năm, mà chỉ trong vài mùa vụ, có thể hiện đại hóa kho mã COBOL.” Thị trường nghe thấy hàm ý ngầm rằng: doanh thu bảo trì hệ thống dựa vào nhân lực dày đặc của IBM, cùng các dịch vụ xung quanh máy chủ lớn, đang bị công nghệ AI xói mòn.

Tuy nhiên, điều thú vị là, chỉ ngày hôm sau, cổ phiếu IBM đã bật tăng trở lại 2,68%. Các tổ chức phân tích như Wedbush và Evercore ISI nhanh chóng lên tiếng bảo vệ, gọi đợt giảm giá này là “phản ứng quá mức vô căn cứ”. Lý do của họ tập trung vào vấn đề cốt lõi: khách hàng doanh nghiệp không thể chỉ vì một công cụ AI mới có thể dịch mã nguồn cũ mà lập tức bỏ hệ thống máy chủ lớn của họ. Khoảng cách lớn giữa việc dịch cú pháp mã và hiện đại hóa hệ thống tích hợp sâu phần cứng-phần mềm là điều không thể bỏ qua.

Chính IBM cũng đã đưa ra phản hồi trong cùng ngày, nêu ra một luận điểm then chốt: Thách thức của việc hiện đại hóa không phải là vấn đề của ngôn ngữ COBOL, mà là vấn đề của nền tảng IBM Z — việc dịch mã gần như không thể nắm bắt được độ phức tạp thực tế của hệ thống, trong khi giá trị của nền tảng này đến từ sự tích hợp phần cứng-phần mềm kéo dài hàng chục năm, điều mà việc dịch mã không thể chuyển đổi.

Trong khi đó, câu chuyện của Block lại diễn ra theo chiều hướng khác. Cũng là cắt giảm nhân sự quy mô lớn, cũng do AI thúc đẩy, nhưng phản ứng của thị trường lại là tăng 24%. Điều then chốt nằm ở chỗ cấu trúc tài sản của Block đang thay đổi. Từ năm 2024, Block đã bắt đầu tái cấu trúc mô hình kinh doanh và cơ cấu nhân sự, đồng thời đẩy mạnh đầu tư vào các công cụ AI nhằm nâng cao hiệu quả vận hành, trong đó có phát triển công cụ nội bộ mang tên Goose.

Giám đốc tài chính của Block, Amrita Ahuja, khi giải thích về việc cắt giảm nhân sự, nhấn mạnh: “Chúng tôi đang thực hiện các hành động táo bạo và quyết đoán, nhưng dựa trên nền tảng vững chắc.” Nền tảng này được chứng minh bằng dữ liệu: lợi nhuận gộp cả năm 2025 đạt 10,36 tỷ USD, tăng 17% so với cùng kỳ. Hiệu suất tài chính mạnh mẽ này đã tạo ra dư địa để công ty tiến hành tái cấu trúc quy mô lớn trong thời điểm này.

Phân tích của thị trường rất rõ ràng: Block không phải đang co lại một cách bị động dưới tác động của AI, mà đang chủ động tối ưu hóa cấu trúc tài sản — dùng ít “tài sản nhân lực” hơn để đổi lấy hiệu quả “tài sản công nghệ” cao hơn. Việc cắt giảm 50% nhân sự nhưng nâng dự báo cả năm lên cho thấy giá trị của mỗi đơn vị nhân lực đang được AI nhân rộng.

2. Trong kỷ nguyên AI, bốn loại tài sản đang được định giá lại

Hai ví dụ này hé lộ một xu hướng đang diễn ra: AI đang trở thành “bộ định giá lại” của giá trị tài sản. Các loại tài sản khác nhau, dưới khung đánh giá của AI, thể hiện các đường cong giá trị hoàn toàn khác biệt.

Loại thứ nhất là tài sản dựa trên vốn nhân lực. Đội ngũ bảo trì COBOL của IBM, các nhà phân tích truyền thống, lập trình viên — những “người xử lý thông tin” — đang bị AI làm giảm giá trị. Anthropic đề cập trong giới thiệu về Claude Code rằng, công cụ này có thể nhận diện “các rủi ro mà chỉ sau nhiều tháng phân tích của con người mới phát hiện ra”. Điều này không có nghĩa là con người không còn quan trọng, mà là các công việc dựa vào thông tin bất đối xứng và kiến thức quy trình đang bị công nghệ nén lại giá trị.

Tuy nhiên, cần nhìn nhận cẩn trọng rằng, AI chỉ thay thế “xử lý thông tin”, chứ không thay thế “sáng tạo giá trị”. Mitch Ashley, nhà phân tích của Futurum Group, trong báo cáo nghiên cứu đã chỉ rõ: các dự án hiện đại hóa COBOL thành công đòi hỏi phải xác định phạm vi kinh doanh, đánh giá công nghệ, lập kế hoạch chuyển đổi dữ liệu, xác minh tính tương đương hành vi, khả năng quan sát và quản lý biến đổi tổ chức — dịch mã chỉ là một phần trong đó. Những người có khả năng điều hành các hệ thống phức tạp, hiểu bản chất kinh doanh, đưa ra các quyết định chiến lược vẫn còn rất hiếm.

Loại thứ hai là tài sản dữ liệu, đang trở thành “địa hạt giá trị” trong thời đại AI. Với sự phát triển nhanh của AI sinh tạo, đặc tính giá trị của dữ liệu đang được định hình lại. Trong nghiên cứu đăng trên tạp chí PLOS One, các học giả như Tang chỉ ra rằng, AI sinh tạo đã thay đổi cách thu thập, xử lý và khai thác dữ liệu, giá trị của tài sản dữ liệu không chỉ dựa vào chất lượng và tính liên quan nội tại, mà còn phụ thuộc vào khả năng ứng dụng, chuyển đổi trong khung AI sinh tạo và nhu cầu thị trường.

Điều này có nghĩa là, tính độc đáo, tính liên tục và khả năng quản trị dữ liệu đang trở thành các chiều giá trị cốt lõi. Một bộ dữ liệu có thể cực kỳ có giá trị trong một bối cảnh, nhưng lại vô dụng trong bối cảnh khác. Các doanh nghiệp có thể cung cấp dữ liệu độc quyền, liên tục, chất lượng cao để huấn luyện mô hình AI sẽ có quyền định giá mới.

Loại thứ ba là tài sản về thuật toán và mô hình. Sự hợp tác giữa OpenAI và Paradigm ra mắt EVMbench, dùng để đánh giá khả năng của AI trong việc phát hiện, sửa lỗi và khai thác lỗ hổng hợp đồng thông minh, đã minh chứng rằng thuật toán đang trở thành tài sản có thể định lượng. Trọng số mô hình, khung thuật toán, phương pháp huấn luyện — tất cả đang trở thành các tài sản vô hình có thể nhận diện, kiểm soát và thương mại hóa.

Loại thứ tư là các tài sản hữu hình truyền thống, đang trải qua quá trình phân hóa rõ rệt. Những tài sản dựa vào “thông tin bất đối xứng” và “trung gian nhân lực” đang đối mặt với áp lực giảm giá trị; trong khi các tài sản có đặc tính “chống lại sự thay thế của AI” — như các cơ sở năng lượng, tài nguyên khan hiếm, hạ tầng cốt lõi — vẫn giữ giá trị tương đối ổn định. Nguyên nhân rất đơn giản: AI có thể phân tích, tối ưu vận hành các tài sản này, nhưng không thể thay thế bản thể vật lý và chức năng mang lại giá trị của chúng.

3. Từ “định giá lại tài sản” đến “tài sản miễn dịch AI”

Dựa trên các phân tích trên, các doanh nghiệp cần có một khung hệ thống để đánh giá xem tài sản của mình trong kỷ nguyên AI sẽ tăng giá trị hay giảm giá trị. Viện nghiên cứu RWA đề xuất khung nhận diện “tài sản miễn dịch AI”, gồm ba đặc điểm cốt lõi.

Đặc điểm đầu tiên là không thể mã hóa. Đây là các yếu tố giá trị khó có thể được AI học hoặc sao chép hoàn toàn. Mã COBOL có thể được dịch bằng AI, nhưng khả năng xử lý giao dịch của các máy chủ dòng Z do chip chế tạo, các công nghệ mã hóa an toàn lượng tử, độ tin cậy 8-9 đều là những yếu tố AI không thể sao chép. Nghiên cứu của Futurum Group chỉ rõ: “Việc dịch mã không thể nắm bắt được độ phức tạp thực tế, giá trị của nền tảng đến từ sự tích hợp phần cứng-phần mềm kéo dài hàng thập kỷ.” Tương tự, quyền kiểm soát các cảnh quan offline, kiến thức ngành ẩn sâu, mạng lưới quan hệ phức tạp — những yếu tố khó “mã hóa” này tạo thành hàng rào miễn dịch đầu tiên của tài sản.

Đặc điểm thứ hai là “hàng rào dữ liệu”. Doanh nghiệp có sở hữu dữ liệu độc quyền, liên tục, có thể quản trị không? Chỉ sử dụng dữ liệu công khai hay có thể tạo ra dữ liệu mà người khác không thể tiếp cận? Ngân hàng CITIC đã bắt đầu thử nghiệm sử dụng mô hình lớn để đánh giá giá trị tài sản dữ liệu, và thử “đưa dữ liệu vào bảng cân đối”. Logic đằng sau là: trong thời đại AI, dữ liệu không chỉ là nguyên liệu sản xuất, mà còn là tài sản tự thân. Tuy nhiên, không phải tất cả dữ liệu đều có hàng rào bảo vệ — dữ liệu công khai trên mạng sẽ nhanh chóng bị AI tiêu thụ hết, chỉ những doanh nghiệp sở hữu nguồn dữ liệu độc quyền mới có thể hưởng lợi trong khung định giá AI.

Đặc điểm thứ ba là khả năng linh hoạt của AI trong nâng cao tài sản. Tài sản có thể được AI nâng đỡ chứ không bị thay thế? Đây là điểm then chốt phân biệt tác động của IBM và quá trình chuyển đổi của Block. Các hoạt động cốt lõi của IBM — duy trì hệ thống COBOL cũ — là đối tượng bị AI “thay thế”; còn mô hình kinh doanh của Block — thanh toán, dịch vụ tài chính — có thể được AI “trao quyền”. Thực tế, IBM đã phát triển công cụ Watsonx Code Assistant for Z, cho phép khách hàng trực tiếp và an toàn tái cấu trúc, hiện đại hóa mã nguồn cũ trên nền tảng của họ, đồng thời giữ vững an ninh doanh nghiệp. Khi tài sản có thể cộng sinh cùng AI thay vì đối đầu, giá trị của nó sẽ tăng lên.

Ngược lại, các tài sản dễ tổn thương trước AI thể hiện ba đặc điểm: dựa vào “xử lý thông tin” làm giá trị cốt lõi, có thể bị thay thế bằng quy trình tiêu chuẩn, không có khả năng tạo ra và tích lũy dữ liệu. Dựa trên ba đặc điểm này, doanh nghiệp có thể tiến hành “kiểm tra áp lực” đối với danh mục tài sản của mình.

4. Cơ hội mới từ RWA: Tài sản nào đáng để token hóa?

Kéo dài khung phân tích trên sang lĩnh vực token hóa tài sản thế giới thực (RWA), có thể rút ra kết luận rõ ràng: RWA không phải là “tài sản nào cũng có thể lên chuỗi”, mà là trong làn sóng định giá lại của AI, cần lựa chọn những tài sản cứng có thể vượt qua chu kỳ AI.

Tháng 3 năm 2026, tổng giá trị RWA trên chuỗi đã vượt 25 tỷ USD, gấp gần bốn lần so với một năm trước. Tuy nhiên, trong báo cáo ngành RWA do Hiệp hội Chuẩn hóa Web3.0 Hong Kong công bố tháng 8 năm 2025, đã nhấn mạnh: “Chuyện tất cả mọi thứ đều có thể trở thành RWA là một giả thuyết sai lầm.” Những tài sản thành công trong việc triển khai quy mô lớn phải đáp ứng ba tiêu chí: ổn định giá trị, rõ ràng pháp lý xác nhận quyền sở hữu, và khả năng xác minh dữ liệu ngoài chuỗi.

Kết hợp khung “miễn dịch AI” này, ta có thể phân tích sâu hơn: những tài sản đáng để token hóa là những tài sản có thể duy trì giá trị ổn định trong quá trình định giá lại của AI.

Thứ nhất là các tài sản vật lý có đặc tính “miễn dịch AI”. Bao gồm các tài sản năng lượng, hạ tầng, tài nguyên khan hiếm. Giá trị của các tài sản này không dựa vào xử lý thông tin, mà xuất phát từ sự tồn tại vật lý và công dụng thực tế. Trong whitepaper, các tài sản RWA về năng lượng mới như trạm sạc, dự án năng lượng mặt trời, hay các tài sản tính toán như GPU đều thuộc nhóm này. Trong đó, GPU tính toán, nhờ vào “nhu cầu cứng” của ngành AI và “gen số” đáng tin cậy, đang trở thành các tài sản lý tưởng để làm trụ cột cho RWA.

Thứ hai là tài sản dữ liệu có thể lập trình. Những tài sản sở hữu nguồn dữ liệu độc quyền và có thể tự động chuyển đổi thành tiền qua hợp đồng thông minh, vừa có “hàng rào dữ liệu”, vừa có “khả năng linh hoạt AI”. Whitepaper phân loại dữ liệu cùng với sở hữu trí tuệ, tín chỉ carbon thành các dạng tài sản vô hình. Tuy nhiên, cần cảnh báo rằng, không phải tất cả dữ liệu đều có thể trở thành tài sản — chỉ những dữ liệu có thể liên tục sinh ra giá trị, có thể xác nhận quyền sở hữu và kiểm chứng mới đủ điều kiện để token hóa.

Thứ ba là các tài sản hỗn hợp, kết hợp quyền kiểm soát vật lý “không thể mã hóa” với quyền số “có thể lập trình”. Ví dụ, quyền sở hữu bất động sản thương mại có thể token hóa, nhưng việc vận hành, bảo trì, cho thuê — các quyền kiểm soát thực tế tại các cảnh quan offline — vẫn do các tổ chức chuyên nghiệp nắm giữ. Cấu trúc “vật lý + số” này vừa tận dụng lợi thế thanh khoản của blockchain, vừa giữ lại các giá trị offline “miễn dịch AI”.

Ngược lại, có hai loại tài sản cần thận trọng khi token hóa trong thời đại AI. Một là các tài sản tài chính phụ thuộc nhiều vào trung gian nhân lực, dễ bị AI nén giá trị; hai là các tài sản tiêu chuẩn hóa không có hàng rào dữ liệu, trong khung định giá của AI, thiếu khả năng thương lượng.

5. Hướng đi hành động: Từ nhận thức đến quyết định

Việc IBM mất 40 tỷ USD vốn hóa là một tín hiệu của thời đại — những tài sản dựa vào bất đối xứng thông tin và tích tụ nhân lực đang bị AI định giá lại. Ngược lại, sự tăng giá của Block chính là một lời hiệu triệu của thời đại mới — các doanh nghiệp có thể đón nhận AI, tối ưu hóa cấu trúc tài sản, đang được thị trường định giá lại.

Đối với các nhà lãnh đạo doanh nghiệp niêm yết và doanh nghiệp truyền thống, đây không chỉ là nỗi lo về công nghệ, mà còn là cuộc tái cấu trúc căn bản về hệ thống giá trị tài sản. Các CEO cần trả lời câu hỏi không thể tránh khỏi: “Tài sản của tôi trong mắt AI đáng giá bao nhiêu?”

Dựa trên phân tích trong bài viết, có thể đề xuất ba hướng hành động cụ thể:

Thứ nhất, khởi động ngay “kiểm tra áp lực AI” cho các tài sản. So sánh với khung “miễn dịch AI” gồm ba đặc điểm — không thể mã hóa, hàng rào dữ liệu, khả năng linh hoạt AI — để đánh giá từng đơn vị kinh doanh cốt lõi của doanh nghiệp. Xác định rõ các hoạt động dễ bị mất giá trị nhất dưới tác động của AI, và các hoạt động có khả năng được AI nâng đỡ, mở rộng.

Thứ hai, xây dựng cơ chế quản lý danh mục tài sản động. Trong bối cảnh định giá lại của AI, phân bổ tài sản không còn là chiến lược “mua rồi giữ” tĩnh tại nữa. Doanh nghiệp cần chủ động tăng tỷ trọng các tài sản “miễn dịch AI”, đồng thời có kế hoạch chuyển đổi hoặc thoái vốn các tài sản dễ tổn thương trước AI. Điều này không chỉ thuộc trách nhiệm của bộ phận tài chính, mà còn cần sự phối hợp của các bộ phận chiến lược, công nghệ và vận hành.

Thứ ba, xem xét lại chiến lược RWA. Trước khi quyết định token hóa tài sản, cần dùng khung “miễn dịch AI” để sàng lọc các tài sản nền tảng. Giá trị cốt lõi của RWA không phải là “lên chuỗi” mà là khả năng tạo ra tính thanh khoản và định giá tốt hơn qua token hóa. Nếu tài sản nền tảng đã bị giảm giá trị trong thời đại AI, thì việc token hóa chỉ là thúc đẩy quá trình mất giá nhanh hơn.

Cuối cùng, cần nhấn mạnh rằng, theo Chỉ thị số 42 do tám bộ ngành của Trung Quốc ban hành, tại Trung Quốc đại lục, mọi hình thức phát hành token và giao dịch token đều bị cấm tuyệt đối. Các nội dung về token hóa RWA trong bài viết chỉ đề cập đến các thực hành hợp pháp ở nước ngoài. Các doanh nghiệp khi khám phá các hoạt động liên quan phải tuân thủ nghiêm ngặt quy định “cấm trong nước, đăng ký ở nước ngoài”.

Khi AI bắt đầu định giá tài sản, cảm giác an toàn duy nhất đến từ những thứ AI không thể định giá — không phải là mã, không phải dữ liệu, mà chính là khả năng đánh giá giá trị của con người.