Ứng Dụng Khung TCCM Trong Nghiên Cứu Năng Lực AI

Ứng dụng khung TCCM trong nghiên cứu năng lực AI cung cấp cho các học giả và nghiên cứu sinh một phương pháp cấu trúc hóa dữ liệu chặt chẽ khi thực hiện bài báo tổng quan tài liệu có hệ thống (Systematic Literature Review – SLR) hoặc viết Chương Tổng quan nghiên cứu của luận án tiến sĩ. Khung phân tích TCCM—viết tắt của bốn chiều Lý thuyết (Theory), Bối cảnh (Context), Đặc điểm biến số (Characteristics) và Phương pháp luận (Methodology)—giúp khắc phục tình trạng liệt kê rời rạc của lối viết tổng quan truyền thống. Bằng cách mã hóa các công trình thực nghiệm theo bốn trụ cột này, nhà nghiên cứu có thể định lượng hóa các xu hướng học thuật hiện hành và rút ra khoảng trống nghiên cứu có căn cứ xác thực.

Ứng Dụng Khung TCCM Trong Nghiên Cứu Năng Lực AI

Bước 1: Thiết lập câu hỏi nghiên cứu và Phễu sàng lọc PRISMA trước khi mã hóa TCCM

Được phát triển bởi Paul và Rosado-Serrano (2019), khung TCCM phát huy hiệu quả cao khi được đặt trên nền tảng dữ liệu đã qua sàng lọc minh bạch theo quy trình PRISMA (Moher, Liberati, Tetzlaff, & Altman, 2009). Khi ứng dụng khung TCCM trong nghiên cứu năng lực AI, nhà nghiên cứu cần xác định ba câu hỏi định hướng: (1) hồ sơ nghiên cứu hiện tại được phân bổ ra sao; (2) các khuôn mẫu về lý thuyết, bối cảnh, biến số và phương pháp đang vận hành như thế nào; và (3) những khoảng trống nào cần được giải quyết tiếp theo.

Trong nghiên cứu mẫu của Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026), để đảm bảo chỉ thu thập các bài báo xem trí tuệ nhân tạo là một năng lực cấp độ tổ chức (organizational capability) gắn với năng lực động, nhóm tác giả đã thiết kế chuỗi truy vấn Boolean hai khối trên Scopus và Web of Science (kết hợp khối “artificial intelligence capability” / “AI capability” / “AI-enabled capability” / “AI-based capability” / “artificial intelligence competence” với khối “dynamic capabilit*”). Từ 179 bản ghi ban đầu, sau khi loại trùng lặp (còn 106 bài), lọc chất lượng nguồn đăng (còn 96 bài) và áp dụng tiêu chí chọn các nghiên cứu thực nghiệm có kiểm định mô hình biến số để phục vụ mã hóa TCCM, 35 công trình thực nghiệm trọng tâm đã được đưa vào phân tích.

Bước 2: Mã hóa chiều Lý thuyết (Theory) và Bối cảnh (Context)

Sau khi chốt danh mục bài báo thực nghiệm, tác giả thiết lập bảng mã hóa (coding matrix) trên Excel hoặc phần mềm phân tích để trích xuất hai chiều đầu tiên của khung TCCM:

  • Mã hóa Chiều Lý thuyết (Theory – Chữ T): Ghi nhận lý thuyết chính và các lý thuyết bổ trợ trong từng bài báo, đồng thời phân tích cách tác giả định vị khái niệm. Chẳng hạn, dữ liệu mã hóa của Nguyen et al. (2026) chỉ ra rằng bên cạnh Lý thuyết Năng lực động (DCT; Teece, 2007) xuất hiện trong cả 35/35 bài, có 15 lý thuyết khác được tích hợp bổ trợ—như Lý thuyết Nguồn lực và Nguồn lực tự nhiên RBV/NRBV (6 bài), Lý thuyết Tri thức và Học tập tổ chức KBV/OLT (4 bài), Lý thuyết Thuận hai tay Ambidexterity (2 bài), Lý thuyết Thể chế (2 bài) và Lý thuyết Ngẫu nhiên (2 bài). Quá trình mã hóa cũng làm lộ rõ sự khác biệt giữa các bài xem năng lực AI là biến tiền đề, năng lực động bậc cao hay cơ chế khuếch đại năng lực.
  • Mã hóa Chiều Bối cảnh (Context – Chữ C1): Phân tách bối cảnh theo quốc gia khảo sát, ngành nghề, quy mô doanh nghiệp và cấp bậc người trả lời bảng hỏi. Kết quả mã hóa giúp nhà nghiên cứu nhìn thấy ngay sự tập trung cục bộ tại Trung Quốc (10 bài), Pakistan (3 bài), Việt Nam (3 bài), sự áp đảo của ngành sản xuất (21/35 bài) và khối SMEs (11/35 bài), cùng hạn chế khi 18/35 bài chỉ khảo sát một người đại diện cấp quản lý (single-informant).
Ứng Dụng Khung TCCM Trong Nghiên Cứu Năng Lực AI

Bước 3: Mã hóa chiều Đặc điểm biến số (Characteristics) và Phương pháp (Methodology)

Hai chiều tiếp theo của việc ứng dụng khung TCCM trong nghiên cứu năng lực AI đi sâu vào cấu trúc mô hình nghiên cứu và kỹ thuật phân tích dữ liệu:

  • Mã hóa Chiều Đặc điểm biến số (Characteristics – Chữ C2): Phân loại vai trò của từng biến số trong mô hình cấu trúc gồm biến độc lập/tiền đề (antecedents – 33/35 bài đặt AI làm biến tiền đề), biến trung gian (mediators – 28/35 bài, tiêu biểu là sự nhạy bén tổ chức, khả năng phục hồi chuỗi cung ứng, đổi mới thuận hai tay, năng lực hấp thụ), biến điều tiết (moderators – 24/35 bài, tiêu biểu là biến động môi trường, biến động công nghệ, văn hóa dữ liệu) và biến kết quả (outcomes – hiệu quả doanh nghiệp 21 bài, đổi mới 17 bài, bền vững/kinh tế tuần hoàn 14 bài, phục hồi 10 bài).
  • Mã hóa Chiều Phương pháp luận (Methodology – Chữ M): Thống kê thiết kế thời gian thu thập dữ liệu (khảo sát cắt ngang chiếm 21/35 bài, khảo sát có độ trễ time-lagged 6 bài, phương pháp hỗn hợp 6 bài, dữ liệu bảng longitudinal 2 bài) và công cụ phân tích (SEM chiếm 31/35 bài, trong đó PLS-SEM có 25 bài, CB-SEM có 9 bài, fsQCA có 4 bài, PROCESS Macro 5 bài, cùng xu hướng kết hợp mạng nơ-ron nhân tạo ANN và IPMA).
Trụ cột trong Khung TCCMThông tin cần trích xuất từ từng bài báo gốcMinh họa kết quả mã hóa trên 35 nghiên cứu (Nguyen et al., 2026)Cách chuyển hóa thành Khoảng trống nghiên cứu (Research Agenda) 
Theory (Lý thuyết)Tên lý thuyết nền, cách định nghĩa và vị trí lý thuyết của năng lực AIDCT (35/35), RBV/NRBV (6), KBV/OLT (4), Ambidexterity (2), Institutional (2), Contingency (2)Đề xuất khung tích hợp phân tách rõ nguồn lực AI, năng lực AI và cơ chế năng lực động; bổ sung góc nhìn đạo đức AI và LLM
Context (Bối cảnh)Quốc gia, khu vực địa lý, ngành kinh tế, loại hình doanh nghiệp, nguồn trả lờiTrung Quốc (10), Việt Nam (3), Pakistan (3); Sản xuất (21/35), SMEs (11/35), Đơn nguồn trả lời (18/35)Đề xuất mở rộng sang ngành dịch vụ, y tế, du lịch, khu vực công, tập đoàn MNEs, khảo sát đa quốc gia và đa nguồn trả lời
Characteristics (Biến số)Biến tiền đề, biến trung gian, biến điều tiết và biến kết quả đầu raTiền đề (33/35), Trung gian (28/35), Điều tiết (24/35); Kết quả: Hiệu quả (21), Đổi mới (17), Bền vững (14)Đề xuất kiểm định so sánh vai trò tiền đề và vai trò khuếch đại của AI; bổ sung biến điều tiết thể chế, an ninh mạng, độ trưởng thành
Methodology (Phương pháp)Thiết kế cắt ngang hay dọc, nguồn dữ liệu sơ cấp/thứ cấp, kỹ thuật ước lượngKhảo sát cắt ngang (21/35), Time-lagged (6/35); PLS-SEM (25/35), CB-SEM (9/35), fsQCA (4/35)Đề xuất dữ liệu bảng dọc (longitudinal), kết hợp dữ liệu thứ cấp khách quan, kiểm soát nội sinh và phương pháp lai PLS-SEM + fsQCA/ANN

Bước 4: Tổng hợp ma trận TCCM và Thiết lập chương trình nghiên cứu tương lai

Giá trị cốt yếu của việc ứng dụng khung TCCM trong nghiên cứu năng lực AI là giúp tác giả chuyển hóa trực tiếp từng bảng thống kê T-C-C-M thành phần thảo luận khoảng trống và định hướng nghiên cứu tương lai có sức thuyết phục cao trước các nhà phản biện tạp chí quốc tế. Các nhà nghiên cứu và nghiên cứu sinh muốn tham khảo bản mẫu thực hành trọn vẹn quy trình 4 bước này (bao gồm bảng từ khóa Scopus/WoS, sơ đồ PRISMA, 6 bảng thống kê TCCM và phụ lục mã hóa chi tiết 35 bài báo) có thể tra cứu trực tiếp tại công trình ứng dụng khung phân tích TCCM trong tổng quan hệ thống về năng lực trí tuệ nhân tạo và năng lực động: 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.

Tải full bài báo pdf: AI CAPABILITY IN DYNAMIC CAPABILITIES: A SYSTEMATIC LITERATURE REVIEW USING THE TCCM FRAMEWORK

Publish: https://www.researchgate.net/publication/416933536_AI_CAPABILITY_IN_DYNAMIC_CAPABILITIES_A_SYSTEMATIC_LITERATURE_REVIEW_USING_THE_TCCM_FRAMEWORK

Ứng Dụng Khung TCCM Trong Nghiên Cứu 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, 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