Vai trò của năng lực AI trong lý thuyết năng lực động (Dynamic Capabilities Theory – DCT) giải quyết một câu hỏi học thuật trọng tâm khi xây dựng mô hình nghiên cứu: trí tuệ nhân tạo đóng vai trò là một nguồn lực vận hành thông thường, một năng lực động độc lập hay một cơ chế khuếch đại khả năng thích ứng của con người. Trong khi Lý thuyết Năng lực động giải thích cách doanh nghiệp nhận diện cơ hội, nắm bắt giá trị và tái cấu trúc tài sản trước biến động thị trường, các nghiên cứu thực nghiệm hiện nay đang định vị biến năng lực AI theo ba góc độ khác nhau. Việc phân định rõ năng lực AI là biến tiền đề chiến lược, năng lực động bậc cao hay cơ chế khuếch đại năng lực giúp nhà nghiên cứu thiết lập mô hình cấu trúc tuyến tính (SEM) và biện luận giả thuyết chặt chẽ.

Hạn chế tĩnh của RBV và Sự dịch chuyển sang Lý thuyết Năng lực động
Trong văn kiện học thuật quản trị chiến lược, Lý thuyết dựa trên nguồn lực (Resource-Based View – RBV; Barney, 1991) cho rằng lợi thế cạnh tranh đến từ việc sở hữu các nguồn lực có giá trị, hiếm, khó bắt chước và không thể thay thế. Tuy nhiên, nhiều nghiên cứu hệ thống thông tin đã chỉ ra “nghịch lý năng suất AI”: không ít doanh nghiệp chi ngân sách lớn để mua sắm phần mềm thuật toán và hạ tầng đám mây nhưng không tạo ra sự bứt phá về hiệu quả hoạt động (Mikalef & Gupta, 2021; Fosso Wamba et al., 2024). Nguyên nhân là bản thân công nghệ thương mại có thể dễ dàng bị đối thủ mua lại và nhanh chóng lỗi thời khi môi trường kinh doanh thay đổi.
Lý thuyết Năng lực động (DCT; Teece et al., 1997; Teece, 2007) khắc phục hạn chế tĩnh của RBV bằng cách chuyển trọng tâm từ “sở hữu nguồn lực” sang “làm mới nguồn lực”. Theo DCT, lợi thế cạnh tranh bền vững phụ thuộc vào khả năng của tổ chức trong việc nhận diện (sensing) cơ hội và rủi ro, nắm bắt (seizing) giá trị thông qua ra quyết định kịp thời, và tái cấu trúc (reconfiguring) quy trình cùng tài sản vô hình, hữu hình. Chính vì vậy, toàn bộ 35/35 nghiên cứu thực nghiệm được tổng hợp bởi Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026) đều sử dụng DCT làm khung lý thuyết chủ đạo để lý giải cách năng lực AI chuyển hóa thành kết quả đầu ra của tổ chức.
Ba cách định vị biến Năng lực AI trong các nghiên cứu thực nghiệm
Khi tổng hợp các công trình thực nghiệm trên Scopus và Web of Science, Nguyen et al. (2026) phát hiện rằng giới học giả quốc tế đang định vị vai trò của năng lực AI trong lý thuyết năng lực động theo ba luồng quan điểm chính:
Định vị 1: Nguồn lực chiến lược nền tảng và Biến tiền đề
Luồng quan điểm đầu tiên xem năng lực AI là một tổ hợp nguồn lực cấp độ tổ chức đóng vai trò biến tiền đề (antecedent) để hình thành các năng lực động (Abou-Foul et al., 2023; Dubey et al., 2020; Lu et al., 2026). Khi doanh nghiệp kết hợp hạ tầng dữ liệu, kỹ năng nhân sự và văn hóa ra quyết định dựa trên dữ liệu, họ tạo ra nền tảng đầu vào giúp kích hoạt các năng lực động cụ thể như sự nhạy bén tổ chức (organizational agility), năng lực hấp thụ (absorptive capacity) và khả năng phục hồi chuỗi cung ứng. Thống kê thực nghiệm cho thấy có tới 33/35 nghiên cứu đặt năng lực AI ở vị trí biến độc lập khởi phát chuỗi tác động trong mô hình.
Định vị 2: Năng lực động bậc cao trực tiếp thực thi thích ứng
Luồng quan điểm thứ hai định vị trực tiếp năng lực AI như một năng lực động bậc cao (Chen et al., 2026; T. L. Le, 2026). Các tác giả theo hướng này lập luận rằng các hệ thống học máy hiện đại và AI tạo sinh (Generative AI) có khả năng tự học hỏi từ luồng dữ liệu thời gian thực, tự động quét tín hiệu thị trường (sensing), phân tích kịch bản tối ưu (seizing) và điều chỉnh quy trình vận hành (reconfiguring). Trong các mô hình này, năng lực AI thường được đo lường như một cấu trúc tiềm ẩn bậc hai (second-order construct) đại diện trực tiếp cho khả năng thích ứng động của doanh nghiệp.
Định vị 3: Cơ chế khuếch đại năng lực của con người
Luồng quan điểm thứ ba—được Nguyen et al. (2026) nhấn mạnh như một điểm giao thoa lý thuyết quan trọng—xem năng lực AI là một cơ chế khuếch đại năng lực (capability enhancer) thay vì một năng lực động tự vận hành độc lập (Ratanacharooenchai & Jantapoon, 2026; Javed et al., 2026; Al Halbusi et al., 2025). Các học giả chỉ ra rằng hoạt động tái định hình chiến lược, đổi mới mô hình kinh doanh hay đàm phán chuỗi cung ứng luôn đòi hỏi nhận thức, phán đoán đạo đức và sự quyết đoán của nhà quản trị con người. Do đó, năng lực AI đóng vai trò bộ khuếch đại giúp gia tăng tốc độ xử lý thông tin và nâng cao hiệu lực cho các tiến trình sensing, seizing, reconfiguring do con người điều phối.
| Cách định vị trong Lý thuyết DCT | Lập luận Học thuật Trọng tâm | Cách thiết lập Biến số trong Mô hình SEM | Nghiên cứu Tiêu biểu |
|---|---|---|---|
| 1. Biến tiền đề chiến lược (Antecedent) | Năng lực AI là tổ hợp nguồn lực đầu vào giúp nuôi dưỡng và kích hoạt các năng lực động | Đặt làm biến độc lập (X) tác động qua biến trung gian năng lực động (M) đến kết quả (Y) (33/35 bài) | Abou-Foul et al. (2023); Dubey et al. (2020); Lu et al. (2026) |
| 2. Năng lực động bậc cao (Higher-Order DC) | Năng lực AI trực tiếp thực thi ba chức năng nhận diện, nắm bắt và tái cấu trúc | Thiết lập như biến tiềm ẩn đa chiều bậc hai tác động trực tiếp lên đổi mới và hiệu quả bền vững | Chen et al. (2026); T. L. Le (2026) |
| 3. Cơ chế khuếch đại năng lực (Enhancer) | Năng lực AI không thay thế con người mà khuếch đại hiệu suất thích ứng của đội ngũ quản trị | Khảo sát sự tương tác bổ trợ giữa năng lực AI với năng lực hấp thụ, sự nhạy bén và khả năng phục hồi | Ratanacharooenchai & Jantapoon (2026); Javed et al. (2026); Al Halbusi et al. (2025) |

Chuỗi chuyển hóa 4 mắt xích và Cách thiết lập biến số trong mô hình SEM
Để khắc phục sự thiếu đồng bộ trong việc xác định vai trò của năng lực AI trong lý thuyết năng lực động, Nguyen et al. (2026) đã tích hợp ba góc nhìn trên thành một khung quy trình tuần tự gồm 4 mắt xích rõ ràng:
- Nguồn lực AI (AI Resources): Dữ liệu, phần cứng, thuật toán, kỹ năng kỹ thuật và mức độ sẵn sàng của tổ chức.
- Năng lực AI (AI Capability): Khả năng của doanh nghiệp trong việc kết hợp, điều phối và triển khai các nguồn lực AI (bao gồm cả AI dự báo và AI tạo sinh).
- Cơ chế năng lực động được hỗ trợ bởi AI (AI-Enabled Dynamic Capability Mechanisms): Các quy trình sensing, seizing, reconfiguring được thể hiện qua các biến trung gian như sự nhạy bén tổ chức, khả năng phục hồi chuỗi cung ứng, đổi mới thuận hai tay và tích hợp tri thức xanh (xuất hiện trong 28/35 nghiên cứu).
- Kết quả đầu ra của tổ chức (Organizational Outcomes): Hiệu quả hoạt động, chuyển đổi mô hình kinh doanh, kinh tế tuần hoàn và phát triển bền vững.
Quá trình chuyển hóa qua 4 mắt xích này đồng thời chịu sự điều tiết của các điều kiện biên (xuất hiện trong 24/35 nghiên cứu) như biến động môi trường, biến động công nghệ, văn hóa dữ liệu và nhận thức an ninh mạng (Chowdhury et al., 2026; A. D. Le et al., 2026).
Khi thiết kế mô hình cấu trúc tuyến tính (SEM), việc lựa chọn thang đo bậc một hay bậc hai phụ thuộc trực tiếp vào cách tác giả biện luận vai trò của năng lực AI trong lý thuyết năng lực động (Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H., 2026) dựa trên công trình AI capability in dynamic capabilities: A systematic literature review using the TCCM framework, xuất bản trong Proceedings of the International Conference on Business Sustainability (ICBS 2026) (pp. 357–370), Information and Communications Publishing House.

Tài liệu tham khảo (Chuẩn APA 7th)
Abou-Foul, M., Ruiz-Alba, J. L., & López-Tenorio, P. J. (2023). The impact of artificial intelligence capabilities on servitization: The moderating role of absorptive capacity—A dynamic capabilities perspective. Journal of Business Research, 157, 113609. https://doi.org/10.1016/j.jbusres.2022.113609
Ahmad, Z. (2025). Unlocking AI capabilities: Exploring strategic fit, innovation ambidexterity, and digital entrepreneurial intent in driving digital transformation. Journal of Management Development, 44(2), 194–218. https://doi.org/10.1108/JMD-06-2024-0197
Al Halbusi, H., Popa, S., Soto-Acosta, P., & Abdelallag, M. (2025). The nexus of managerial and technical AI knowledge, disruptive innovation and the circular economy: The role of organizational change capability and financial resilience. Technology in Society, 82, 102937. https://doi.org/10.1016/j.techsoc.2025.102937
Al-Khatib, A. W., Al-Fadhel, H. A., & Khattab, M. (2026). How can generative artificial intelligence improve digital supply chain performance in manufacturing firms? Analyzing the mediating role of innovation ambidexterity using hybrid analysis through CB-SEM and PLS-SEM. Knowledge Management Research & Practice, 24(1), 1–16.
AlQershi, N., Ramayah, T., Alzuraiki, M., & Emam, A. S. M. (2026). Artificial intelligence and strategic resilience in international business: A new theory of multinational adaptation to geopolitical shocks. Review of International Business and Strategy, 36(1), 1–27. https://doi.org/10.1108/RIBS-03-2025-0061
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.
Bibi, M., Tan, T. G., & Yau, H. (2025). Exploring the impact of AI capabilities on employee well-being: A mediated moderation analysis. SAGE Open, 15(3), 21582440251365692. https://doi.org/10.1177/21582440251365692
Camargo, G. F., Morales, V. M., Nascimento, D. L., & Tortorella, G. L. (2025). Exploring the role of corporate foresight in the coordination between dynamic capabilities and artificial intelligence in green innovation: A multi-continent comparison. IEEE Transactions on Engineering Management, 72, 1–14. https://doi.org/10.1109/TEM.2025.3533456
Chen, X., Li, Y., Tang, G., Li, W., & Guo, Z. (2026). Exploring how artificial intelligence capabilities impact corporate sustainability performance: Insights from Chinese manufacturing firms. Technovation, 151, 103428. https://doi.org/10.1016/j.technovation.2025.103428
Chowdhury, S., Ren, S., & Dey, P. K. (2026). AI assimilation for sustainable and resilient supply chains: Role of green ambidexterity and cybersecurity awareness. Technovation, 153, 103562. https://doi.org/10.1016/j.technovation.2026.103562
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226, 107599. https://doi.org/10.1016/j.ijpe.2019.107599
Duong, C. D. (2026). The green transition journey: How digital platforms and AI capabilities drive green ambidexterity innovation, circular economy, and sustainable performance. World Development Sustainability, 8, 100268. https://doi.org/10.1016/j.wds.2025.100268
Fosso Wamba, S., Queiroz, M. M., Pappas, I. O., & Sullivan, Y. (2024). Artificial intelligence capability and firm performance: A sustainable development perspective by the mediating role of data-driven culture. Information Systems Frontiers, 26(6), 2315–2330. https://doi.org/10.1007/s10796-023-10456-3
Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109–122.
Hart, S. L. (1995). A natural-resource-based view of the firm. Academy of Management Review, 20(4), 986–1014.
Javed, M., Švecová, L., Danko, L., & Tučková, Z. (2026). Harnessing artificial intelligence and employee resilience for enhanced business performance: A resource-based and dynamic capabilities perspective. Human Behavior and Emerging Technologies, 2026, 1701205. https://doi.org/10.1155/hbet/1701205
Kugeza, G. (2026). AI-augmented decision-making and sustainability performance in SMEs: A hybrid PLS-SEM, ANN, and multi-group analysis. Business Strategy and the Environment, 35(2), 812–829.
Kumar, S., Kumar, V., Chaudhuri, R., Chatterjee, S., & Vrontis, D. (2025). AI capability and environmental sustainability performance: Moderating role of green knowledge management. Technology in Society, 81, 102878. https://doi.org/10.1016/j.techsoc.2025.102878
Le, A. D., Vu, N. T., Phan, T. T. H., & Dao, V. T. (2026). AI-enabled business model transformation and entrepreneurial quality: The moderating effect of technological turbulence. Technology in Society, 85, 103062. https://doi.org/10.1016/j.techsoc.2025.103062
Le, T. L. (2026). Green AI, strategic flexibility, and open innovation: Advancing circular economy and sustainable performance in SMEs. Journal of Open Innovation: Technology, Market, and Complexity, 12(1), 100452.
Lee, K., Lee, S., & Kim, S. (2026). AI for decision-making: Exploring the linkage from AI capability to firm performance. Aslib Journal of Information Management, 78(3), 512–534. https://doi.org/10.1108/AJIM-04-2025-0241
Li, L., Xu, C., Zhang, Q., Liu, Y., & Li, Q. (2025). Leveraging generative AI capabilities for competitive advantage in B2B service firms: A moderated mediation analysis of environmental dynamism and digital service innovation. Industrial Marketing Management, 124, 112–126.
Lu, J., Fan, L., Troise, C., & Bresciani, S. (2026). Exploring the nexus between artificial intelligence capability, multidimensional intellectual capital, and organizational agility of SMEs. Journal of Innovation & Knowledge, 11(2), 100697. https://doi.org/10.1016/j.jik.2026.100697
Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434
Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ, 339, b2535. https://doi.org/10.1136/bmj.b2535
Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026). AI capability in dynamic capabilities: A systematic literature review using the TCCM framework. In Proceedings of the International Conference on Business Sustainability (ICBS 2026) (pp. 357–370). Information and Communications Publishing House. https://www.researchgate.net/publication/416933536_AI_CAPABILITY_IN_DYNAMIC_CAPABILITIES_A_SYSTEMATIC_LITERATURE_REVIEW_USING_THE_TCCM_FRAMEWORK
Paul, J., & Rosado-Serrano, A. (2019). Gradual internationalization vs born-global/international new venture models: A review and research agenda. International Marketing Review, 36(6), 830–858. https://doi.org/10.1108/IMR-10-2018-0280
Ratanacharooenchai, C., & Jantapoon, K. (2026). The mediating role of supply chain resilience in the relationship between AI capabilities and sustainability performance: Evidence from manufacturing SMEs. Sustainable Futures, 11, 101789. https://doi.org/10.1016/j.sftr.2026.101789
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.

Giảng viên Nguyễn Thanh Phương là chuyên gia chuyên sâu về Nghiên cứu khoa học, Ứng dụng AI, Digital Marketing và Quản trị bản thân. Với kinh nghiệm giảng dạy thực chiến, tác giả trực tiếp hướng dẫn ứng dụng phương pháp luận và phân tích dữ liệu chuyên sâu cho người học nên được sinh viên gọi là Thầy giáo quốc dân. Mọi nội dung chia sẻ đều tuân thủ nguyên tắc khách quan, thực chứng và mang giá trị ứng dụng cao, hướng tới mục tiêu cốt lõi: “Làm bạn tốt hơn!




