Trong bối cảnh giá dầu tăng cao và chiến tranh ở Iran, Cục Dự trữ Liên bang một lần nữa rơi vào thế bị động quen thuộc: buộc phải thừa nhận nguy cơ lạm phát sắp bùng phát trong khi thú nhận hầu như không có khả năng dự đoán diễn biến tiếp theo. Quyết định gần đây của ngân hàng trung ương về việc giữ nguyên lãi suất tuy không gây bất ngờ, nhưng những bình luận xung quanh nó lại cho thấy sự bất định sâu sắc – Chủ tịch Powell thậm chí gợi ý rằng việc đưa ra dự báo còn khó khăn hơn cả việc bỏ qua nó hoàn toàn. Các nhà kinh tế Michael Gapin và Robert Armstrong phân tích thời điểm bấp bênh này, khi quỹ đạo của toàn bộ nền kinh tế Mỹ dường như không còn gắn với các chỉ số truyền thống, mà phụ thuộc vào diễn biến của một cuộc xung đột địa chính trị cách đó hàng ngàn dặm.

Cuộc thảo luận nhấn mạnh đây không phải là sự lặp lại của cuộc khủng hoảng lạm phát hậu COVID. Trong khi giai đoạn trước được thúc đẩy bởi sự sụp đổ chuỗi cung ứng toàn cầu ảnh hưởng đến nhiều mặt hàng, thì cú sốc hiện tại chủ yếu tập trung qua kênh giá năng lượng. Tuy nhiên, hiệu ứng lan tỏa rất đáng kể – giá dầu cao nhanh chóng kéo theo xăng, phân bón và chi phí vận chuyển đắt đỏ, đe dọa đẩy giá thực phẩm và các nhu yếu phẩm khác tăng cao. Nhóm chuyên gia lưu ý rằng kịch bản lịch sử của Fed là “bỏ qua” kiểu lạm phát do dầu này, vì lo ngại việc tăng lãi suất để đối phó sẽ gây thiệt hại cho nhu cầu và việc làm nhiều hơn giá trị mang lại.

Bất chấp những tiêu đề đáng báo động, bức tranh kinh tế tổng thể lại pha trộn nhiều yếu tố kỳ lạ. Dữ liệu vĩ mô – như tăng trưởng GDP và tỷ lệ thất nghiệp – vẫn cho thấy một nền kinh tế ở mức “B cộng”. Tuy nhiên, đối với nhiều hộ gia đình đang cảm nhận áp lực ở trạm xăng và thị trường lao động kém sôi động hơn, tâm lý chung rõ ràng tồi tệ hơn. Sự tách biệt giữa dữ liệu cứng và cảm nhận của công chúng là điểm căng thẳng then chốt. Các chuyên gia kết luận rằng trong khi nguy cơ lạm phát đình trệ kiểu những năm 1970 hiện vẫn thấp, khả năng xảy ra kịch bản “lạm phát đình trệ thu nhỏ” – lạm phát dai dẳng kèm tăng trưởng trì trệ – đã tăng lên, khiến các nhà hoạch định chính sách có ít lựa chọn khả thi.

Những Phát Hiện Đáng Ngạc Nhiên

• Kỳ vọng lạm phát dài hạn vẫn bình tĩnh đến lạ: Bất chấp đà tăng giá dầu do chiến tranh, thước đo của thị trường về kỳ vọng lạm phát năm năm tới (tỷ lệ break-even kỳ hạn năm năm, năm năm) vẫn không suy chuyển. Sự ổn định này là điểm neo quan trọng ngăn chặn tâm lý lạm phát nguy hiểm hơn.


• Mối lo chính hiện nay của Fed không phải là dầu – mà là thuế quan: Khi được hỏi về lạm phát, Chủ tịch Powell ngay lập tức chuyển hướng sang hy vọng rằng mức lạm phát dự kiến nửa điểm do thuế quan gây ra sẽ phai nhạt. Điều này cho thấy các nhà hoạch định chính sách coi áp lực nội tại sẵn có là mối đe dọa dai dẳng hơn cú sốc địa chính trị mới.


• Dự báo thị trường dầu có hai chế độ, không tuyến tính: Các nhà phân tích không dự đoán một đường tăng ổn định; họ nhìn thấy hai khả năng hoàn toàn khác biệt. Thị trường đang định giá một cụm kỳ vọng quanh mức 70 USD/thùng (nếu xung đột được giải quyết) và một cụm khác quanh 150 USD/thùng (nếu kéo dài), không có điểm trung gian rõ ràng.


• Có thể nói nền kinh tế đang trong tình trạng “lạm phát đình trệ thu nhỏ”: Nhóm chuyên gia gợi ý rằng, theo một định nghĩa khiêm tốn, các điều kiện đã hiện hữu: lạm phát mắc kẹt trên mục tiêu trong khi tăng trưởng chậm lại, đặt sứ mệnh kép của Fed vào thế căng thẳng mà không có giải pháp chính sách rõ ràng.

Điểm Rút Ra Thực Tiễn

• Tập trung vào lạm phát lõi, không phải lạm phát tổng thể, cho xu hướng dài hạn: Khi đánh giá kế hoạch tài chính cá nhân hoặc chi phí doanh nghiệp, hãy chú ý nhiều hơn đến chỉ số lạm phát lõi (loại trừ thực phẩm và năng lượng) thay vì con số tổng thể đáng sợ, vì Fed tin rằng cú sốc năng lượng thường không dẫn đến vòng xoáy giá cả rộng khắp và vĩnh viễn.


• Theo dõi kỳ vọng lạm phát dài hạn, không chỉ báo cáo hàng tháng: Một chỉ báo quan trọng của rắc rối thực sự là nếu kỳ vọng lạm phát dài hạn của thị trường bắt đầu tăng. Hiện tại, sự ổn định của chúng cho thấy giới chuyên môn coi cuộc khủng hoảng này chỉ là tạm thời.


• Chuẩn bị cho nhiều kịch bản kinh tế, không chỉ một dự báo: Với tính chất hai chế độ của dự báo giá dầu, các doanh nghiệp và nhà đầu tư nên mô hình hóa cả hai kịch bản “giải quyết nhanh” và “xung đột kéo dài” thay vì phụ thuộc vào một dự báo cơ sở đơn lẻ và mong manh.


• Nhận thức rằng giá xăng cao hoạt động như một loại thuế đánh vào nhu cầu: Hiểu rằng chi phí năng lượng tăng cao sẽ có khả năng kìm hãm chi tiêu của người tiêu dùng ở các lĩnh vực khác, khi đồng tiền được chuyển hướng sang nhiên liệu. Điều này có thể làm giảm nhu cầu trong các lĩnh vực như bán lẻ và ăn uống, ngay cả khi Fed không tăng lãi suất.

Imagine having an entire team of employees for just $200 a month. This isn't a distant fantasy but the emerging reality of AI-driven labor, where leveraging swarms of machines could enable a single person to build what once required a company. This shift from human teams to AI "employees" forces a fundamental re-evaluation of work, ambition, and economic value, challenging us to see automation not as a threat but as a new form of superpower to be harnessed.

At the heart of this transformation is the distinction between automation and verification. Christian Catalini’s research suggests that AI excels at automating tasks that are measurable and have been done before—essentially working within the "known." However, the crucial human role shifts to "verification": applying unique, lived experience and judgment to steer outcomes, ensure quality, and handle the unknown unknowns. This is embodied in the "AI sandwich" model, where a human director at the top guides a swarm of AI agents in the middle, with a layer of human experts verifying the output at the bottom. The goal isn't to compete with AI on output volume but to master the higher-leverage skills of intent, direction, and nuanced oversight.

This dynamic leads to a restructuring of professions, especially visible in fields like software engineering. The act of writing code is becoming automated, but the value of an engineer is increasingly found in verifying that the code works correctly, aligns with business goals, and provides real customer value. This verification layer is both an opportunity and a race, as experts who codify their judgment for AI training may inadvertently automate their own roles—a phenomenon termed the "codifier's curse." The future economy may bifurcate into a "hollow" version, where we accumulate unverified, risky automation, and an "augmented" one, where humans use AI to accelerate mastery and tackle more ambitious, creative, and directive work.

Crypto and blockchain technology emerge as critical complements to this AI-driven world. As trust in digital provenance and identity becomes scarcer amid AI-generated content, cryptographic verification provides a deterministic foundation for an otherwise probabilistic AI landscape. Blockchains can offer the reliable, open data trails that AI agents need to operate effectively and safely, turning mechanisms like payments and contracts into verifiable signals. In a future of fragmented, agentic micro-companies, neutral crypto networks could become the essential coordination layer for reputation, payments, and data integrity.

Ultimately, the message is one of ambitious agency. The traditional apprenticeship model is dying, but the "real work" of direction and high-stakes decision-making is just beginning. Individuals are encouraged to think bigger, exploit the new surplus of machine intelligence, and learn to guide systems rather than just operate within them. The leverage available to a single person is growing exponentially, making the once-fanciful idea of a one-person, billion-dollar startup a plausible near-future reality.

Surprising Insights

• The Codifier's Curse: Top experts who verify AI output or train models are inherently creating the data labels that will eventually automate their own roles, forcing a continuous need to move "up the stack" into even more nuanced verification.
• AI as a Source of Systemic Risk: The incentive to deploy fast, unverified AI-generated work (like code) can lead to the accumulation of subtle, widespread errors or "technical debt," creating potential for large-scale, correlated failures across the economy.
• The Death of Traditional Network Effects: AI agents are exceptionally good at bootstrapping two-sided marketplaces, undermining the classic defensibility of networks. A new type of "verification-grade network effect"—where proprietary data on failures improves risk assessment—may become more important.
• Verification as the True Bottleneck: While the cost of automation plummets, the cost of verification (in its broadest sense of ensuring alignment, safety, and value) declines more slowly. This gap is where human specialization and new tools, including crypto, will create the most value.

Practical Takeaways

• Rethink Your Workflow as an "AI Sandwich": Analyze your role or business. Identify which tasks are pure automation (delegate to AI), which require verification (augment with AI tools), and where you need to be the "director" setting intent and steering the overall system.
• Cultivate Director-Level Skills Early: For those early in their careers, focus less on mastering rote tasks and more on developing judgment, taste, and the ability to manage and guide complex, ambiguous projects—skills that AI cannot easily replicate.
• Invest in Proprietary Verification Data: Whether as an individual or a company, prioritize creating and capturing unique data from your verification activities. This data on edge cases and failures becomes a key competitive moat for underwriting risk and improving AI performance.
• Embrace Agency and Experiment with Scale: Don't be intimidated by AI; see it as leverage. Challenge yourself to manage larger systems with fewer human resources. Start small—use available tools to direct a swarm of AI agents on a project and learn the new skills of machine shepherding.