Khoảng Trống Nghiên Cứu Về Năng Lực AI: Những Hướng Nghiên Cứu Tiếp Theo

Xác định khoảng trống nghiên cứu về năng lực AI (AI capability research gaps) là bước lập luận quyết định để nghiên cứu sinh, học viên cao học và giảng viên chứng minh tính cấp thiết và tính mới khi viết đề cương luận văn, luận án hoặc bài báo khoa học. Dù các công trình thực nghiệm về năng lực trí tuệ nhân tạo gia tăng nhanh chóng, phần lớn nghiên cứu hiện hành vẫn tập trung cục bộ vào ngành sản xuất tại một số quốc gia châu Á, sử dụng khảo sát cắt ngang tại một thời điểm và chưa đồng bộ trong cách định nghĩa biến số. Việc chỉ ra chính xác những hạn chế về lý thuyết, bối cảnh, mô hình biến số và phương pháp phân tích sẽ giúp các tác giả xây dựng nền tảng lập luận vững chắc cho đề tài mới.

khoang-trong-nghien-cuu-ve-nang-luc-aiKhoảng Trống Nghiên Cứu Về Năng Lực AI

Bất đồng trong định vị lý thuyết và Thiếu hụt góc nhìn Đạo đức, AI tạo sinh

Dựa trên việc phân tích 35 nghiên cứu thực nghiệm từ Scopus và Web of Science theo khung TCCM (Paul & Rosado-Serrano, 2019), công trình của Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026) chỉ ra hai khoảng trống lý thuyết lớn cần được làm rõ trong các nghiên cứu tiếp theo:

Phân tách ranh giới giữa Nguồn lực AI, Năng lực AI và Năng lực động

Mặc dù cả 35 nghiên cứu thực nghiệm đều sử dụng Lý thuyết Năng lực động (DCT; Teece, 2007), các tác giả trước đây vẫn chưa đồng bộ khi định vị bản chất của năng lực AI. Một số công trình xem năng lực AI là năng lực động bậc cao trực tiếp thực thi sensing, seizing, reconfiguring (Chen et al., 2026; T. L. Le, 2026); số khác xem nó là nguồn lực tiền đề (Abou-Foul et al., 2023); trong khi nhiều nghiên cứu gần đây khẳng định AI chỉ đóng vai trò cơ chế khuếch đại năng lực (capability-enhancing mechanism) hỗ trợ con người (Ratanacharooenchai & Jantapoon, 2026; Javed et al., 2026). Đặc biệt, nhiều mô hình chưa tách biệt rõ giữa việc sở hữu tài sản công nghệ AI (AI resources) với năng lực điều phối AI (AI capability) và các cơ chế năng lực động trung gian.

Hướng nghiên cứu tiếp theo: Các đề tài mới cần thiết kế và kiểm định chuỗi truyền dẫn phân tách rõ 4 mắt xích: Nguồn lực AI → Năng lực AI → Cơ chế năng lực động được hỗ trợ bởi AI → Kết quả tổ chức, làm rõ vai trò điều phối của con người và cơ chế học tập tổ chức (Lu et al., 2026).

Bổ sung khía cạnh xã hội – kỹ thuật, đạo đức AI và tích hợp LLM

Hiện nay, các nghiên cứu chủ yếu kết hợp DCT với Lý thuyết dựa trên nguồn lực RBV/NRBV (6 bài) hoặc Lý thuyết dựa trên tri thức KBV (4 bài). Ngược lại, các vấn đề xã hội – kỹ thuật như áp lực tâm lý và phúc lợi của người lao động trước AI, sự kháng cự thay đổi, quản trị đạo đức AI (AI ethics), rủi ro bảo mật an ninh mạng và cơ chế tích hợp mô hình ngôn ngữ lớn (LLM) / AI tạo sinh (Generative AI) vẫn còn rất ít công trình kiểm định thực nghiệm (Bibi et al., 2025; Chowdhury et al., 2026; Li et al., 2025).

Khoảng Trống Nghiên Cứu Về Năng Lực AI

Sự mất cân đối về Bối cảnh địa lý, Ngành nghề và Nguồn trả lời khảo sát

Thống kê tại Bảng 3 và Bảng 4 trong nghiên cứu của Nguyen et al. (2026) cung cấp bằng chứng định lượng rõ nét về khoảng trống nghiên cứu về năng lực AI xét theo bối cảnh địa lý và ngành nghề:

  • Tập trung cục bộ tại một số quốc gia châu Á và thiếu nghiên cứu đa quốc gia: Dữ liệu thực nghiệm hiện tập trung chủ yếu ở Trung Quốc (10/35 bài), Pakistan (3/35 bài) và Việt Nam (3/35 bài: Duong, 2026; T. L. Le, 2026; A. D. Le et al., 2026), tiếp theo là Malaysia, Ấn Độ, Thái Lan và Jordan (mỗi nước 2 bài). Chỉ có 5 nghiên cứu khảo sát tại châu Âu hoặc Bắc Mỹ và chỉ có 1 nghiên cứu sử dụng bộ dữ liệu đa châu lục (Camargo et al., 2025). Do thể chế pháp lý và hạ tầng số giữa các quốc gia rất khác biệt, việc thiếu các nghiên cứu so sánh đa quốc gia làm giảm khả năng khái quát hóa kết quả.
  • Thiên lệch về ngành sản xuất (60%) và bỏ ngỏ lĩnh vực dịch vụ, khu vực công: Có tới 21/35 nghiên cứu khảo sát doanh nghiệp sản xuất chế tạo, 11/35 bài khảo sát SMEs, 10/35 bài khảo sát ngành CNTT và 7/35 bài khảo sát chuỗi cung ứng. Trong khi đó, các ngành dịch vụ và phi sản xuất như y tế – bệnh viện (3 bài), du lịch – khách sạn (2 bài), bán lẻ – thương mại điện tử (2 bài), khu vực hành chính công (1 bài: Zahoor et al., 2025) và tập đoàn đa quốc gia MNEs (1 bài: AlQershi et al., 2026) còn đang bỏ ngỏ.
  • Thiên lệch từ một người trả lời đơn lẻ (Single-Informant Bias): Có 18/35 nghiên cứu chỉ thu thập phiếu khảo sát từ một đại diện cấp quản lý trong mỗi doanh nghiệp, chưa phản ánh được sự khác biệt nhận thức giữa cấp lãnh đạo chiến lược, bộ phận CNTT và nhân viên vận hành.

Hạn chế của Dữ liệu cắt ngang và Xu hướng kết hợp Phương pháp lai

Tổng hợp từ Bảng 5, Bảng 6 và Bảng 7 của Nguyen et al. (2026), bảng dưới đây tóm tắt các hạn chế phương pháp luận giúp nghiên cứu sinh và học giả xác lập đóng góp mới cho đề tài:

Khía cạnh Nghiên cứuThực trạng trong 35 Nghiên cứu (Nguyen et al., 2026)Khoảng trống / Hạn chế Học thuậtĐịnh hướng Đề tài Nghiên cứu Tương lai 
Vai trò biến số & Điều kiện biên33/35 bài đặt AI làm biến tiền đề; 28 bài có biến trung gian; 24 bài có biến điều tiết (chủ yếu là biến động môi trường)Thiếu nghiên cứu so sánh vai trò tiền đề và vai trò điều tiết của AI; ít khảo sát điều kiện biên về thể chế nội bộ và đạo đức dữ liệuĐưa văn hóa đạo đức AI, quy định pháp lý, độ trưởng thành tổ chức và an ninh mạng làm biến điều tiết trong mô hình trung gian có điều tiết
Thiết kế thời gian khảo sát21/35 bài dùng khảo sát cắt ngang hoặc không nêu cấu trúc thời gian; chỉ có 6 bài time-lagged và 2 bài dữ liệu bảng longitudinalDữ liệu cắt ngang tại một thời điểm không đo lường được sự tiến hóa động của năng lực AI theo thời gian và hạn chế suy luận nhân quảTriển khai khảo sát nhiều đợt có độ trễ thời gian (multi-wave time-lagged) hoặc dữ liệu bảng dọc (longitudinal panel data)
Nguồn dữ liệu đo lườngPhụ thuộc vào bảng hỏi tự đánh giá từ 1 người trả lời đại diện (18/35 bài single-informant)Nguy cơ sai lệch phương pháp chung (CMV) và tính chủ quan khi tự đánh giá hiệu quả doanh nghiệpThiết kế khảo sát đa nguồn (multi-informant: lãnh đạo + nhân viên) kết hợp dữ liệu tài chính hoặc chỉ số ESG thứ cấp khách quan
Kỹ thuật ước lượng mô hìnhSEM chiếm 31/35 bài (PLS-SEM: 25 bài; CB-SEM: 9 bài); fsQCA: 4 bài; rất ít bài kiểm định nội sinh (endogeneity)PLS-SEM thuần túy chỉ đo lường tác động thuần tuyến tính đối xứng, bỏ qua các cấu hình điều kiện phi tuyến và hiện tượng nội sinhKết hợp phương pháp lai (Hybrid PLS-SEM + fsQCA, PLS-SEM + mạng nơ-ron ANN, NCA) kèm kiểm định nội sinh Gaussian Copula

Năm hướng đề tài mới cho Luận văn Thạc sĩ, Luận án Tiến sĩ và Bài báo Quốc tế

Dựa trên hệ thống khoảng trống và định hướng nghiên cứu tương lai về năng lực AI được phân tích trong công trình của 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, các nhà nghiên cứu có thể triển khai 5 hướng đề tài có tính mới rõ nét: (1) kiểm định tác động của năng lực AI tạo sinh (Generative AI capability) trong các ngành dịch vụ như tài chính ngân hàng, y tế, du lịch hoặc khu vực hành chính công; (2) thiết kế khảo sát đa nguồn (multi-informant) đối chiếu góc nhìn giữa cấp quản trị chiến lược và nhân viên vận hành; (3) đánh giá vai trò của năng lực AI xanh đối với kinh tế tuần hoàn và hiệu quả ESG dưới sự điều tiết của quy định pháp lý và văn hóa đạo đức dữ liệu; (4) sử dụng khảo sát nhiều đợt có độ trễ thời gian (time-lagged survey) hoặc dữ liệu bảng dọc để kiểm chứng chuỗi 4 mắt xích nhân quả; và (5) kết hợp phương pháp PLS-SEM với phân tích định tính so sánh tập mờ (fsQCA), phân tích điều kiện cần (NCA) hoặc mạng nơ-ron nhân tạo (ANN).

Khoảng Trống Nghiên Cứu Về Năng Lực AI

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.

Lên đầu trang