Định Hướng Nghiên Cứu Tương Lai Về Năng Lực Trí Tuệ Nhân Tạo

Xác lập định hướng nghiên cứu tương lai về năng lực trí tuệ nhân tạo cùng một khung khái niệm tích hợp (conceptual framework for future research) là bước đi chiến lược giúp các nghiên cứu sinh và học giả thiết kế những mô hình có giá trị đóng góp lý thuyết cao. Khi công nghệ trí tuệ nhân tạo chuyển dịch nhanh từ các thuật toán phân tích dự báo sang AI tạo sinh (Generative AI) và các tác nhân tự trị, các mô hình nghiên cứu truyền thống chỉ đo lường tác động trực tiếp đã bộc lộ nhiều giới hạn. Bài viết này tổng hợp năm trụ cột xây dựng khung khái niệm mới, kết nối chuỗi truyền dẫn từ nguồn lực AI đến các cơ chế năng lực động và điều kiện biên đa cấp độ.

Định Hướng Nghiên Cứu Tương Lai Về Năng Lực Trí Tuệ Nhân Tạo

Trụ cột 1: Thiết lập Khung khái niệm chuỗi 4 mắt xích tuần tự

Trọng tâm đầu tiên trong định hướng nghiên cứu tương lai về năng lực trí tuệ nhân tạo là khắc phục sự chồng chéo giữa khái niệm tài sản công nghệ và năng lực thích ứng của tổ chức. Dựa trên kết quả tổng hợp 35 nghiên cứu thực nghiệm từ Scopus và Web of Science, Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026) đề xuất một khung khái niệm gồm 4 mắt xích nhân quả tuần tự để các đề tài tương lai kế thừa và kiểm định:

  1. Mắt xích 1 – Nguồn lực AI nền tảng (AI Resources): Bao gồm hạ tầng dữ liệu và điện toán hữu hình, kỹ năng kỹ thuật – quản trị của đội ngũ nhân sự và mức độ sẵn sàng về văn hóa tổ chức (Mikalef & Gupta, 2021).
  2. Mắt xích 2 – Năng lực AI cấp độ doanh nghiệp (AI Capability): Khả năng của tổ chức trong việc đóng gói, điều phối và triển khai các nguồn lực AI vào hoạt động phân tích mô tả, dự báo, đề xuất và sáng tạo nội dung (Chen, Li, Tang, Li, & Guo, 2026; Li, Xu, Zhang, Liu, & Li, 2025).
  3. Mắt xích 3 – Các cơ chế năng lực động được hỗ trợ bởi AI (AI-Enabled Dynamic Capability Mechanisms): Thay vì xem AI như một thực thể tự vận hành tách rời con người, khung nghiên cứu tương lai định vị năng lực AI là cơ chế khuếch đại năng lực (capability-enhancing mechanism) giúp nâng cấp ba tiến trình nhận diện (sensing), nắm bắt (seizing) và tái cấu trúc (reconfiguring) thông 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 (Ratanacharooenchai & Jantapoon, 2026; Lu, Fan, Troise, & Bresciani, 2026).
  4. Mắt xích 4 – Kết quả đầu ra đa chiều của tổ chức (Organizational Outcomes): Hiệu quả tài chính – vận hành, chuyển đổi mô hình kinh doanh số, thực hành kinh tế tuần hoàn và phát triển bền vững ESG (Duong, 2026; A. D. Le, Vu, Phan, & Dao, 2026).
Định Hướng Nghiên Cứu Tương Lai Về Năng Lực Trí Tuệ Nhân Tạo

Trụ cột 2: Mở rộng sang Năng lực AI tạo sinh (Generative AI) và Tự động hóa nhận thức

Một hướng phát triển mới đầy triển vọng trong các hướng nghiên cứu mới về năng lực AI trong doanh nghiệp là sự chuyển dịch từ AI phân tích truyền thống sang năng lực AI tạo sinh (Generative AI capability) và tích hợp các mô hình ngôn ngữ lớn (LLM) vào quy trình làm việc (Li et al., 2025; Al-Khatib, Al-Fadhel, & Khattab, 2026). Các nghiên cứu tương lai cần vận dụng Lý thuyết Xử lý thông tin (IPT), Logic Tự động hóa nhận thức (Cognitive Automation Logic) và Lý thuyết Khả năng cung ứng công nghệ (Technology Affordance) để giải thích cách hệ thống GenAI đồng sáng tạo tri thức cùng nhân sự, tái cấu trúc quy trình ra quyết định chiến lược và thúc đẩy đổi mới dịch vụ B2B.

Trụ cột 3: Tích hợp hệ thống Biến điều tiết đa cấp độ (Đạo đức, An ninh mạng và Thể chế)

Mặc dù có 24/35 nghiên cứu trong bài tổng quan của Nguyen et al. (2026) đã đưa biến điều tiết vào mô hình, phần lớn vẫn chỉ tập trung vào biến động môi trường hoặc biến động công nghệ. Khung khái niệm cho nghiên cứu tương lai cần mở rộng sang ba lớp điều kiện biên (boundary conditions) mới:

  • Cấp độ vi mô (Nhân sự & Tâm lý hành vi): Khả năng phục hồi của nhân viên (employee resilience), phúc lợi tâm lý của người lao động trước áp lực tự động hóa và trình độ trưởng thành số của đội ngũ nhân sự (Bibi, Tan, & Yau, 2025; Javed, Švecová, Danko, & Tučková, 2026).
  • Cấp độ trung mô (Quản trị nội bộ & Đạo đức số): Khung quản trị đạo đức AI (AI ethical governance), tính minh bạch thuật toán, nhận thức an ninh mạng (cybersecurity awareness), văn hóa ra quyết định dựa trên dữ liệu và độ trưởng thành của doanh nghiệp (Fosso Wamba, Queiroz, Pappas, & Sullivan, 2024; Chowdhury, Ren, & Dey, 2026).
  • Cấp độ vĩ mô (Thể chế & Địa chính trị): Khung pháp lý quản lý AI, chính sách hỗ trợ chuyển đổi xanh của chính phủ và các cú sốc địa chính trị xuyên quốc gia (AlQershi, Ramayah, Alzuraiki, & Emam, 2026; Zahoor, Usman, Khalil, Alwehabie, & Yasin, 2025).
Cấu phần trong Khung khái niệm Tương laiCác Biến số Đề xuất Đưa vào Mô hìnhHệ quy chiếu Lý thuyết Kết hợpThiết kế Thu thập & Phân tích Dữ liệu 
Nguồn lực đầu vào & Năng lực AIHạ tầng AI hữu hình, Kỹ năng nhân sự, Văn hóa dữ liệu → Năng lực AI dự báo & Năng lực AI tạo sinh (GenAI)Lý thuyết Nguồn lực (RBV), Điều phối nguồn lực (Resource Orchestration), Technology AffordanceKiểm định thang đo đa chiều bậc hai (Second-order construct) trong CB-SEM / PLS-SEM
Cơ chế Năng lực động Trung gianAI-enabled sensing, seizing, reconfiguring; Sự nhạy bén tổ chức; Phục hồi chuỗi cung ứng; Đổi mới xanh thuận hai tayLý thuyết Năng lực động (DCT), Lý thuyết Tri thức (KBV), Lý thuyết Thuận hai tay (Ambidexterity)Phân tích trung gian nối tiếp (Serial mediation) trên dữ liệu khảo sát có độ trễ thời gian (Time-lagged)
Điều kiện biên Đa cấp độ (Moderators)Quản trị đạo đức AI, Nhận thức an ninh mạng, Độ trưởng thành doanh nghiệp, Áp lực thể chế, Bất định công nghệLý thuyết Ngẫu nhiên (Contingency), Lý thuyết Thể chế (Institutional), Lý thuyết Phức hợpPhân tích trung gian có điều tiết (Moderated mediation) kết hợp phân tích cấu hình fsQCA
Kết quả Tổ chức & Bền vữngHiệu quả tài chính, Dịch vụ hóa số, Chuyển đổi kinh tế tuần hoàn, Hiệu quả môi trường – xã hội (ESG)Lý thuyết Nguồn lực tự nhiên (NRBV), Lý thuyết Phát triển bền vữngKết hợp khảo sát đa nguồn (Multi-informant) với dữ liệu tài chính/ESG thứ cấp; chạy PLS-SEM + ANN / NCA

Trụ cột 4: Mở rộng Bối cảnh sang Ngành dịch vụ, Khu vực công và So sánh đa quốc gia

Do 60% (21/35) nghiên cứu hiện tại tập trung vào ngành sản xuất chế tạo và chủ yếu khảo sát tại một quốc gia châu Á đơn lẻ (Trung Quốc 10 bài, Việt Nam 3 bài, Pakistan 3 bài), các đề tài tương lai nên mở rộng sang các lĩnh vực dịch vụ thâm dụng tri thức như tài chính – ngân hàng, y tế, giáo dục, du lịch – khách sạn, khu vực hành chính công và các tập đoàn đa quốc gia (MNEs), đồng thời thực hiện phân tích đa nhóm (Multi-group analysis – MGA) so sánh giữa các nền kinh tế mới nổi và phát triển.

Trụ cột 5: Áp dụng Thiết kế dữ liệu dọc và Phương pháp phân tích lai (Hybrid Methods)

Để khẳng định vững chắc mối quan hệ nhân quả trong định hướng nghiên cứu tương lai về năng lực trí tuệ nhân tạo theo khung TCCM (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—các học giả cần vượt qua thiết kế khảo sát cắt ngang đơn nguồn bằng cách sử dụng dữ liệu bảng dọc (longitudinal panel data), khảo sát nhiều đợt (multi-wave) và kết hợp PLS-SEM với fsQCA, phân tích điều kiện cần (NCA), mạng nơ-ron nhân tạo (ANN) cùng kiểm định nội sinh Gaussian Copula.

Định Hướng Nghiên Cứu Tương Lai Về Năng Lực Trí Tuệ Nhân Tạo

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, R., & Li, Z. (2026). Empirical analysis of the roles of dynamic sustainable capabilities and artificial intelligence in accelerating circular economy-driven innovation: Insights from Chinese manufacturing firms. Technological Forecasting and Social Change, 224, 124489. https://doi.org/10.1016/j.techfore.2025.124489

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

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

Zahoor, N., Usman, M., Khalil, S., Alwehabie, A., & Yasin, N. (2025). Green strategic intent, artificial intelligence capability, and behavioral dynamics of achieving circular economy goals in the public sector. Technological Forecasting and Social Change, 215, 124062. https://doi.org/10.1016/j.techfore.2025.124062

Lên đầu trang