Tổng quan tài liệu có hệ thống về năng lực trí tuệ nhân tạo (Systematic Literature Review on Artificial Intelligence Capability) cung cấp bức tranh toàn cảnh về cách các doanh nghiệp xây dựng, điều phối và triển khai nguồn lực AI để tạo dựng lợi thế cạnh tranh. Khi số lượng các công trình thực nghiệm trong lĩnh vực quản trị chiến lược, hệ thống thông tin và chuỗi cung ứng tăng nhanh, các kết quả nghiên cứu thường bị phân tán theo từng ngành nghề và mô hình riêng lẻ. Thông qua quy trình sàng lọc PRISMA minh bạch và khung phân tích TCCM, bài tổng quan hệ thống giúp phân loại rõ các lý thuyết nền, bối cảnh khảo sát, mạng lưới biến số và phương pháp định lượng đang được giới học thuật quốc tế áp dụng.

Phần A: Sự tiến hóa từ Chấp nhận công nghệ AI sang Năng lực trí tuệ nhân tạo
Trong giai đoạn đầu, các nghiên cứu về trí tuệ nhân tạo trong kinh doanh chủ yếu tiếp cận dưới góc độ chấp nhận công nghệ (technology adoption), tập trung đo lường việc doanh nghiệp có đầu tư phần mềm hay thuật toán AI hay không. Tuy nhiên, công trình nền tảng của Mikalef và Gupta (2021) chỉ ra rằng bản thân hạ tầng phần cứng hay thuật toán thương mại rất dễ bị đối thủ sao chép. Để tạo ra hiệu quả vượt trội, doanh nghiệp phải hình thành năng lực trí tuệ nhân tạo (artificial intelligence capability)—tức khả năng kết hợp đồng bộ hạ tầng công nghệ hữu hình, kỹ năng kỹ thuật – quản trị của nhân sự và văn hóa tổ chức dựa trên dữ liệu.
Từ năm 2020 đến năm 2026, dòng nghiên cứu này chuyển dịch mạnh mẽ sang kết hợp với Lý thuyết Năng lực động (Dynamic Capabilities Theory; Teece, 2007) nhằm giải thích cách năng lực AI giúp tổ chức thích ứng với môi trường biến động. Đồng thời, phạm vi khái niệm cũng mở rộng từ các hệ thống AI phân tích mô tả, dự báo và đề xuất (Chen et al., 2026) sang năng lực AI tạo sinh (generative AI capability) và tích hợp mô hình ngôn ngữ lớn (LLM) trong sáng tạo tri thức và đổi mới dịch vụ (Li et al., 2025; Al-Khatib et al., 2026).
Phần B: Thiết kế truy vấn Scopus, Web of Science và Phễu sàng lọc PRISMA
Để thực hiện tổng quan tài liệu có hệ thống về năng lực trí tuệ nhân tạo đảm bảo tính khách quan và khả năng tái lập, nghiên cứu của Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026) đã kết hợp quy trình báo cáo PRISMA (Moher et al., 2009) với khung phân tích TCCM (Theory – Context – Characteristics – Methodology của Paul & Rosado-Serrano, 2019).
2.1. Cấu trúc chuỗi từ khóa tìm kiếm trên Scopus và Web of Science
Nhằm lọc chính xác các công trình nghiên cứu AI dưới góc độ năng lực tổ chức và loại bỏ các bài viết chỉ bàn chung về chuyển đổi số, nhóm tác giả sử dụng cấu trúc truy vấn Boolean gồm hai khối từ khóa trên hai cơ sở dữ liệu Scopus và Web of Science (WoS):
| Khối truy vấn (Search Block) | Chuỗi từ khóa tìm kiếm trên Scopus và Web of Science | Mục đích sàng lọc học thuật |
|---|---|---|
| Khối Năng lực AI | “artificial intelligence capability” OR “AI capability” OR “AI-enabled capability” OR “AI-based capability” OR “artificial intelligence competence” | Thu thập các nghiên cứu định nghĩa AI là một năng lực hoặc thẩm quyền của tổ chức |
| Khối Năng lực động | “dynamic capabilit*” (bao gồm cả dynamic capability và dynamic capabilities) | Thu thập các nghiên cứu đặt trong hệ quy chiếu Lý thuyết Năng lực động |
| Toán tử kết hợp | AND (áp dụng trên Tiêu đề, Tóm tắt và Từ khóa tác giả) | Giữ lại các bài báo nằm tại giao điểm giữa năng lực AI và năng lực động |
2.2. Bốn giai đoạn sàng lọc dữ liệu theo lưu đồ PRISMA
Quá trình chọn lọc bài báo trong nghiên cứu của Nguyen et al. (2026) trải qua 4 bước cụ thể:
- Bước 1 – Nhận diện (179 bản ghi): Tìm kiếm ban đầu thu được 179 bài báo khoa học tiếng Anh có bình duyệt (84 bài từ Scopus và 95 bài từ Web of Science).
- Bước 2 – Sàng lọc (96 bài hợp lệ): Sau khi loại 73 bài trùng lặp còn 106 bài; tiếp tục rà soát tiêu đề, tóm tắt và loại 10 bài không phù hợp hoặc thuộc danh mục tạp chí săn mồi Beall’s list, giữ lại 96 bài để đọc toàn văn.
- Bước 3 – Đánh giá điều kiện: Đọc toàn văn 96 bài và áp dụng tiêu chí chọn các nghiên cứu thực nghiệm có kiểm định mô hình biến số rõ ràng để mã hóa TCCM (loại 61 bài thuần lý thuyết, nghiên cứu tình huống đơn lẻ hoặc mô phỏng toán học).
- Bước 4 – Đưa vào tổng hợp (35 nghiên cứu thực nghiệm): Giữ lại 35 công trình thực nghiệm trọng tâm để phân tích sâu theo 4 chiều TCCM.

Phần C: Ba dòng chủ đề thực nghiệm và Thống kê Khung phân tích TCCM
Kết quả phân tích 35 công trình trong bài tổng quan tài liệu có hệ thống về năng lực trí tuệ nhân tạo cho thấy bức tranh nghiên cứu hiện tại tập trung vào ba dòng chủ đề lớn:
3.1. Dòng nghiên cứu 1: Năng lực AI thúc đẩy Đổi mới sáng tạo và Chuyển đổi số (17 nghiên cứu)
Mười bảy trên 35 nghiên cứu tập trung làm rõ cách năng lực AI thúc đẩy đổi mới sản phẩm số, chuyển đổi mô hình kinh doanh, dịch vụ hóa (servitization) và đổi mới thuận hai tay (Abou-Foul et al., 2023; Ahmad, 2025; A. D. Le et al., 2026). Các công trình này chứng minh rằng năng lực AI giúp doanh nghiệp vừa tối ưu hóa quy trình hiện hữu vừa phát triển các dịch vụ số mới.
3.2. Dòng nghiên cứu 2: Năng lực AI gắn với Đổi mới xanh và Kinh tế tuần hoàn (14 nghiên cứu)
Mười bốn nghiên cứu khảo sát tác động của năng lực AI đến hiệu quả phát triển bền vững, kinh tế tuần hoàn và quản trị môi trường (Chen et al., 2026; Duong, 2026; T. L. Le, 2026; Zahoor et al., 2025). Thông qua việc tích hợp tri thức xanh và tối ưu hóa sử dụng tài nguyên, năng lực AI đóng vai trò đòn bẩy quan trọng giúp các doanh nghiệp sản xuất và SMEs thực hiện chuyển đổi xanh.
3.3. Dòng nghiên cứu 3: Năng lực AI nâng cao Sự nhạy bén tổ chức và Phục hồi chuỗi cung ứng (10 nghiên cứu)
Mười nghiên cứu đi sâu vào khả năng thích ứng chiến lược, sự nhạy bén tổ chức (organizational agility) và khả năng phục hồi chuỗi cung ứng (supply chain resilience) trước các cú sốc thị trường và địa chính trị (Lu et al., 2026; Ratanacharooenchai & Jantapoon, 2026; Chowdhury et al., 2026; AlQershi et al., 2026).
| Chiều phân tích TCCM | Số liệu thống kê từ 35 nghiên cứu thực nghiệm (Nguyen et al., 2026) | Nhận định tổng quát phục vụ trích dẫn Tổng quan tài liệu |
|---|---|---|
| Lý thuyết nền (Theory) | DCT (35/35 bài), RBV/NRBV (6 bài), KBV/OLT (4 bài), Institutional (2 bài), Ambidexterity (2 bài), Contingency (2 bài) | Lý thuyết Năng lực động giữ vai trò chủ đạo, thường kết hợp cùng RBV và KBV |
| Bối cảnh (Context) | Trung Quốc (10), Pakistan (3), Việt Nam (3); Ngành sản xuất (21/35), SMEs (11/35), CNTT (10/35), Chuỗi cung ứng (7/35) | Bằng chứng thực nghiệm tập trung mạnh ở các nền kinh tế mới nổi châu Á và ngành sản xuất |
| Biến số (Characteristics) | Biến tiền đề (33/35 bài), Biến trung gian (28/35 bài), Biến điều tiết (24/35 bài); Hiệu quả doanh nghiệp (21/35 bài) | Năng lực AI tác động lên hiệu quả tổ chức chủ yếu thông qua các biến trung gian năng lực động |
| Phương pháp (Methodology) | Khảo sát cắt ngang/định lượng (21/35 bài), Time-lagged (6 bài), Mixed methods (6 bài); PLS-SEM (25/35), CB-SEM (9/35), fsQCA (4/35) | Phương pháp PLS-SEM chiếm ưu thế, xu hướng mới đang dịch chuyển sang kết hợp PLS-SEM và fsQCA/ANN |
Toàn bộ dữ liệu sàng lọc PRISMA từ 179 bản ghi ban đầu và bảng mã hóa chi tiết 35 nghiên cứu thực nghiệm trong bài tổng quan tài liệu có hệ thống về năng lực trí tuệ nhân tạo trên được trích xuất từ công trình tổng quan tài liệu có hệ thống về năng lực trí tuệ nhân tạo và năng lực động theo khung TCCM với trích dẫn chuẩn APA 7th: 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.

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!




