The impact of artificial intelligence applications on employee performance in public organizations: an approach from the perspective of the mediating role of digital competence
PGS. TS. Phương Hữu Từng
Học viện Chính sách và Phát triển
ThS. Trương Thị Thanh Loan
Học viện Chính sách và Phát triển, Phân hiệu tỉnh Bắc Ninh
(Quanlynhanuoc.vn) – Sự phát triển nhanh của trí tuệ nhân tạo đang tạo ra những thay đổi đáng kể trong phương thức tổ chức và thực hiện công việc tại khu vực công. Trong quá trình này, hiệu quả của công nghệ không chỉ thể hiện ở khả năng hỗ trợ xử lý công việc mà còn đặt ra yêu cầu mới đối với cách thức tổ chức sử dụng và phát huy nguồn lực con người. Bài viết làm rõ tác động của ứng dụng trí tuệ nhân tạo đến hiệu suất làm việc của nhân viên trong các tổ chức công, từ đó, đề xuất những hàm ý quản trị phù hợp với quá trình đổi mới hoạt động và phát triển đội ngũ nhân lực trong bối cảnh chuyển đổi số.
Từ khóa: Trí tuệ nhân tạo; năng lực số; hiệu suất làm việc; nhân viên; tổ chức công.
Abstract: The rapid development of artificial intelligence is bringing about significant changes in the way work is organized and carried out in the public sector. In this process, the effectiveness of technology lies not only in its ability to support work processes; its use also places new requirements on how organizations utilize and leverage human resources. This article examines the impact of artificial intelligence applications on employee performance in public organizations and, based on this analysis, proposes appropriate managerial implications for operational innovation and human resource development in the context of digital transformation.
Keywords: Artificial intelligence; digital competence; work performance; employees; public organizations.
1. Đặt vấn đề
Trong tiến trình chuyển đổi số khu vực công, trí tuệ nhân tạo (AI) đóng vai trò là một thành tố quan trọng, giúp tự động hóa quy trình, xử lý dữ liệu và hỗ trợ ra quyết định. Tuy nhiên, việc đưa AI vào ứng dụng không tự động dẫn đến sự gia tăng hiệu suất làm việc mà phụ thuộc lớn vào khả năng tiếp nhận, vận dụng và kiểm chứng công nghệ của người thực hiện nhiệm vụ. Thực tế này đặt ra yêu cầu phải xem xét tác động của AI tới hiệu suất công việc dưới sự tương tác với năng lực số của nhân viên. Dựa trên dữ liệu khảo sát từ 328 mẫu quan sát, nghiên cứu thực hiện các phân tích định lượng gồm: kiểm định độ tin cậy, giá trị thang đo, phân tích nhân tố, tương quan và mô hình trung gian. Kết quả thu được là cơ sở khoa học để đề xuất các hàm ý quản trị nhằm nâng cao hiệu quả ứng dụng AI gắn liền với chiến lược phát triển năng lực số cho đội ngũ nhân sự trong khu vực công.
2. Cơ sở lý thuyết và mô hình nghiên cứu
Trong khu vực công, giá trị cốt lõi của AI nằm ở khả năng xử lý khối lượng dữ liệu lớn, chuẩn hóa các tác vụ mang tính lặp lại, qua đó, giải phóng nguồn lực để nhân viên tập trung vào các nhiệm vụ đòi hỏi tư duy phán đoán, tương tác xã hội và trách nhiệm công vụ. Tuy nhiên, hiệu quả ứng dụng AI luôn gắn liền với các yêu cầu khắt khe về quản trị dữ liệu, trách nhiệm giải trình và khả năng kiểm soát công nghệ của tổ chức (Wirtz và cộng sự, 2019).
Cùng với xu hướng gia tăng ứng dụng AI, năng lực số trở thành nguồn lực chiến lược giúp nhân viên khai thác và tối ưu hóa hiệu quả của các công cụ công nghệ trong thực thi công vụ. Năng lực số bao gồm: khả năng vận dụng công nghệ, tìm kiếm và kiểm chứng thông tin, quản lý dữ liệu, giao tiếp, hợp tác, giải quyết vấn đề và thích ứng linh hoạt với các công cụ mới. Tại nơi làm việc, năng lực số được nhìn nhận là một cấu trúc đa chiều, tích hợp giữa kỹ năng kỹ thuật với năng lực nhận thức và tinh thần tự học (Oberländer & cộng sự, 2020).
Trong bài viết này, hiệu suất làm việc được hiểu là mức độ cá nhân hoàn thành các nhiệm vụ được giao xét trên các khía cạnh chất lượng, tiến độ, độ chính xác và mức độ đóng góp vào mục tiêu chung của tổ chức. Đối với khu vực công, hiệu suất làm việc không chỉ thể hiện qua kết quả thực hiện nhiệm vụ riêng lẻ mà còn thể hiện ở hiệu quả phối hợp liên ngành và sự tuân thủ các quy định pháp lý.
Từ các cơ sở lý luận trên, nghiên cứu đặt giả định rằng, ứng dụng AI không chỉ tác động trực tiếp đến hiệu suất làm việc mà còn tác động gián tiếp thông qua việc hình thành và nâng cao năng lực số của nhân viên. Nghiên cứu “về sự tương tác giữa con người và AI” cũng khẳng định, các nguồn lực cá nhân đóng vai trò là cơ chế giải thích then chốt cho tác động của AI đến kết quả công việc (Nguyễn & cộng sự, 2026). Theo đó, năng lực số được kỳ vọng là cầu nối quan trọng giúp chuyển hóa mức độ ứng dụng AI thành hiệu suất làm việc thực tế.
Nghiên cứu tiếp cận vấn đề ở cấp độ cá nhân, đối tượng khảo sát là cán bộ, công chức, viên chức và người lao động đang thực hiện các nhiệm vụ chuyên môn, hành chính, quản lý hoặc cung ứng dịch vụ trong các tổ chức công. Mô hình nghiên cứu được thiết kế theo logic trung gian đơn: ứng dụng AI là biến độc lập (biến nguyên nhân), năng lực số là biến trung gian và hiệu suất làm việc là biến phụ thuộc (biến kết quả).
Trong mô hình nghiên cứu, năng lực số được đo lường bằng 5 biến quan sát (phản ánh khả năng sử dụng công cụ số, đánh giá thông tin, xử lý dữ liệu, giải quyết vấn đề và bảo đảm an toàn trong môi trường số). Hiệu suất làm việc cũng được đo lường bằng 5 biến quan sát (phản ánh chất lượng, tiến độ, năng suất, khả năng giải quyết nhiệm vụ và mức độ hoàn thành yêu cầu của vị trí việc làm).
Mối quan hệ giữa các biến trong mô hình được thể hiện qua ba tác động trực tiếp và một tác động gián tiếp. Cụ thể, bài viết kiểm định tác động của ứng dụng AI đến năng lực số; tác động của ứng dụng AI đến hiệu suất làm việc; tác động của năng lực số đến hiệu suất làm việc; đồng thời, kiểm định vai trò trung gian của năng lực số trong mối quan hệ giữa ứng dụng AI và hiệu suất làm việc. Hiệu ứng gián tiếp được xác định bằng tích của hệ số tác động từ ứng dụng AI đến năng lực số và hệ số tác động từ năng lực số đến hiệu suất khi kiểm soát ứng dụng AI.
Từ mô hình nghiên cứu, các giả thuyết được đề xuất như sau:
H1: Ứng dụng AI có tác động tích cực đến năng lực số của nhân viên trong các tổ chức công.
H2: Ứng dụng AI có tác động tích cực đến hiệu suất làm việc của nhân viên trong các tổ chức công.
H3: Năng lực số có tác động tích cực đến hiệu suất làm việc của nhân viên trong các tổ chức công.
H4: Năng lực số đóng vai trò trung gian trong mối quan hệ giữa ứng dụng AI và hiệu suất làm việc của nhân viên trong các tổ chức công.
Để kiểm định các giả thuyết, quy trình phân tích dữ liệu được thực hiện theo bốn nhóm nội dung: (1) Thống kê mô tả được sử dụng để khái quát đặc điểm của mẫu và mức độ đánh giá các khái niệm nghiên cứu; (2) Độ tin cậy và giá trị hội tụ của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha, độ tin cậy tổng hợp, phương sai trích trung bình và phân tích nhân tố khám phá; (3) Tương quan Pearson và hệ phương trình hồi quy chuẩn hóa được sử dụng để kiểm định các quan hệ trực tiếp giữa các biến trong mô hình; (4) Vai trò trung gian của năng lực số được kiểm định bằng bootstrap với 5.000 mẫu lặp; hiệu ứng gián tiếp được xác nhận khi khoảng tin cậy 95% không chứa giá trị
3. Kết quả nghiên cứu và thảo luận
3.1. Đặc điểm mẫu nghiên cứu và thống kê mô tả
Cơ cấu mẫu thể hiện sự tham gia của nhiều nhóm nhân sự trong các tổ chức công với khác biệt về tuổi, trình độ, vị trí và thâm niên. Các chỉ tiêu mô tả chính được trình bày tại Bảng 1.
Bảng 1. Đặc điểm mẫu nghiên cứu và thống kê mô tả
| Nội dung | Nhóm/nhân tố | Tần số | Tỷ lệ (%) | Trung bình | Độ lệch chuẩn |
| Giới tính | Nam | 150 | 45,7 | ||
| Nữ | 178 | 54,3 | |||
| Nhóm tuổi | Dưới 30 tuổi | 39 | 11,9 | ||
| 30-39 tuổi | 111 | 33,8 | |||
| 40-49 tuổi | 118 | 36,0 | |||
| Từ 50 tuổi trở lên | 60 | 18,3 | |||
| Trình độ | Đại học | 183 | 55,8 | ||
| Thạc sĩ | 128 | 39,0 | |||
| Tiến sĩ | 17 | 5,2 | |||
| Loại tổ chức | Cơ quan hành chính nhà nước | 142 | 43,3 | ||
| Đơn vị sự nghiệp công lập | 124 | 37,8 | |||
| Tổ chức công khác | 62 | 18,9 | |||
| Vị trí | Quản lý/điều phối | 84 | 25,6 | ||
| Chuyên viên/nhân viên chuyên môn | 244 | 74,4 | |||
| Nhân tố nghiên cứu | Ứng dụng AI | 3.287 | 0.625 | ||
| Năng lực số | 3.560 | 0.666 | |||
| Hiệu suất làm việc | 3.665 | 0.632 |
Mẫu có tỷ trọng nữ 54,3% và nam 45,7%, cho thấy mức độ cân bằng tương đối về giới. Hai nhóm tuổi từ 30 đến 49 chiếm gần 70% tổng số quan sát, phù hợp với đặc điểm lực lượng nhân sự có kinh nghiệm và đang trực tiếp đảm nhiệm phần lớn công việc chuyên môn trong các tổ chức công. Nhóm có trình độ sau đại học chiếm 44,2%, phản ánh yêu cầu tương đối cao về chuyên môn đối với các vị trí hành chính, quản lý và cung ứng dịch vụ công. Cơ cấu loại hình tổ chức cũng đủ đa dạng khi cơ quan hành chính nhà nước chiếm 43,3%, đơn vị sự nghiệp công lập chiếm 37,8% và các tổ chức công khác chiếm 18,9%.
Xét các khái niệm nghiên cứu, ứng dụng AI có giá trị trung bình thấp nhất (3.287), trong khi năng lực số đạt (3.560) và hiệu suất làm việc đạt (3.665). Kết quả này cho thấy, mức độ ứng dụng AI trong công việc của nhân viên hiện thấp hơn tương đối so với năng lực số và hiệu suất làm việc. Điều này gợi ý rằng, việc ứng dụng AI trong các tổ chức công vẫn đang trong quá trình phát triển, chưa trở thành một nguồn lực được khai thác ở mức độ tương đương với các năng lực số hiện có của nhân viên. Đồng thời, hiệu suất làm việc được đánh giá ở mức cao nhất trong ba khái niệm cho thấy, hiệu quả thực hiện công việc được duy trì tương đối tích cực trong bối cảnh mức độ ứng dụng AI chưa cao. Tuy nhiên, kết quả thống kê mô tả chưa cho phép kết luận về quan hệ nhân quả giữa các biến; việc AI có giá trị trung bình thấp hơn hiệu suất làm việc cũng cho thấy, không nên mặc định hiệu suất hiện tại chủ yếu được quyết định bởi việc ứng dụng công nghệ mới. Quan hệ giữa ứng dụng AI, năng lực số và hiệu suất làm việc cần được tiếp tục kiểm định thông qua mô hình nghiên cứu.
3.2. Độ tin cậy và giá trị hội tụ của thang đo
Các thang đo được đánh giá đồng thời về mức độ nhất quán và khả năng hội tụ của các biến quan sát. Kết quả tại Bảng 2 cho thấy, các chỉ số đều nằm trong khoảng phù hợp.
Bảng 2. Độ tin cậy và giá trị hội tụ của các thang đo
| Thang đo | Số biến | Cronbach’s Alpha | Tương quan biến – tổng nhỏ nhất | Độ tin cậy tổng hợp | Phương sai trích trung bình |
| Ứng dụng AI | 5 | 0.841 | 0.608 | 0.887 | 0.612 |
| Năng lực số | 5 | 0.895 | 0.706 | 0.922 | 0.704 |
| Hiệu suất làm việc | 5 | 0.878 | 0.680 | 0.911 | 0.673 |
Hệ số Cronbach’s Alpha dao động từ 0,841 – 0,895, trong đó năng lực số có mức độ nhất quán nội tại cao nhất với hệ số 0,895. Tương quan biến – tổng nhỏ nhất của ba thang đo đều trên 0,60, cho thấy các biến quan sát có mối liên hệ tương đối chặt với khái niệm mà chúng cùng đo lường. Độ tin cậy tổng hợp đạt từ 0,887 – 0,922, trong khi phương sai trích trung bình từ 0,612 – 0,704. Như vậy, các thang đo có độ tin cậy và khả năng hội tụ phù hợp.
Năng lực số có các chỉ số cao nhất trong ba thang đo, với Cronbach’s Alpha là 0,895, độ tin cậy tổng hợp là 0,922 và phương sai trích trung bình là 0,704. Kết quả này cho thấy. Điều này cho thấy năm biến quan sát về sử dụng công cụ số, đánh giá thông tin, xử lý dữ liệu, giải quyết vấn đề và bảo đảm an toàn trong môi trường số có mức độ nhất quán tương đối cao trong việc phản ánh cùng một khái niệm. Kết quả này tạo cơ sở cần thiết để tiếp tục kiểm định vai trò của năng lực số với tư cách là biến trung gian trong mô hình nghiên cứu.
3.3. Phân tích nhân tố khám phá và Ma trận tương quan
Phân tích nhân tố khám phá được thực hiện với toàn bộ 15 biến quan sát. Kết quả được trình bày tại Bảng 3.
Bảng 3. Kết quả phân tích nhân tố khám phá
| Chỉ tiêu | Kết quả |
| Số biến quan sát | 15 |
| Hệ số phù hợp mẫu | 0.939 |
| Kiểm định Bartlett | 2.620.115 |
| Bậc tự do | 105 |
| Mức ý nghĩa | <0,001 |
| Số nhân tố được trích | 3 |
| Tổng phương sai trích (%) | 66.520 |
| Khoảng hệ số tải nhân tố | 0.695-0.801 |
Hệ số KMO đạt 0,939 và kiểm định Bartlett có ý nghĩa thống kê ở mức p < 0,001, cho thấy dữ liệu phù hợp để thực hiện phân tích nhân tố. Ba nhân tố được trích giải thích 66,520% tổng phương sai, trong khi hệ số tải nhân tố dao động từ 0,695 – 0,801. Các kết quả này cho thấy, các biến quan sát có khả năng tập hợp tương đối rõ vào các nhóm nhân tố tương ứng với ba khái niệm: ứng dụng AI, năng lực số và hiệu suất làm việc. Do đó, cấu trúc đo lường được đề xuất có cơ sở thực nghiệm để tiếp tục kiểm định các mối quan hệ trong mô hình.
Bảng 4. Ma trận tương quan Pearson
| Khái niệm | Ứng dụng AI | Năng lực số | Hiệu suất làm việc |
| Ứng dụng AI | 1,000 | ||
| Năng lực số | 0.559 | 1,000 | |
| Hiệu suất làm việc | 0.490 | 0.656 | 1,000 |
Bảng 4 cho thấy, cả ba khái niệm đều có tương quan thuận và có ý nghĩa thống kê ở mức p < 0,001. Trong đó, năng lực số có tương quan mạnh nhất với hiệu suất làm việc, với hệ số 0,656; tiếp đến là tương quan giữa ứng dụng AI và năng lực số (0,559), và giữa ứng dụng AI và hiệu suất làm việc (0,490). Như vậy, xét ở cấp độ tương quan, nhân viên có mức độ ứng dụng AI cao hơn có xu hướng có năng lực số và hiệu suất làm việc cao hơn; đồng thời, năng lực số có mối liên hệ chặt chẽ hơn với hiệu suất làm việc so với AI.
Kết quả tương quan bước đầu phù hợp với logic của mô hình trung gian, trong đó ứng dụng AI có thể tạo ra tác động đến hiệu suất thông qua năng lực số. Tuy nhiên, tương quan giữa các biến chỉ phản ánh mức độ liên hệ và chưa đủ để xác định tác động trực tiếp hay cơ chế trung gian. Vì vậy, các mối quan hệ này cần được tiếp tục kiểm định bằng mô hình cấu trúc.
3.4. Kiểm định mô hình cấu trúc
Mô hình cấu trúc được kiểm định thông qua ba phương trình hồi quy chuẩn hóa tương ứng với đường tác động từ ứng dụng AI đến năng lực số, tổng tác động đến hiệu suất và mô hình đồng thời có biến trung gian. Các kết quả chính được tổng hợp tại Bảng 5.
Bảng 5. Kết quả kiểm định mô hình cấu trúc
| Quan hệ | Hệ số chuẩn hóa | t | Mức ý nghĩa | Hệ số xác định | Hệ số xác định hiệu chỉnh |
| Ứng dụng AI → Năng lực số | 0.559 | 12.170 | <0,001 | 0.312 | 0.310 |
| Ứng dụng AI → Hiệu suất (tổng tác động) | 0.490 | 10.163 | <0,001 | 0.241 | 0.238 |
| Ứng dụng AI → Hiệu suất (tác động trực tiếp) | 0.180 | 3.635 | <0,001 | 0.453 | 0.450 |
| Năng lực số → Hiệu suất | 0.556 | 11.234 | <0,001 | 0.453 | 0.450 |
Kết quả tại Bảng 5 cho thấy, các mối quan hệ được đề xuất trong mô hình đều có ý nghĩa thống kê. Trước hết, ứng dụng AI có tác động tích cực đến năng lực số, với hệ số chuẩn hóa 0,559 và mức ý nghĩa p < 0,001. Mô hình giải thích được 31,2% sự biến thiên của năng lực số. Kết quả này cho thấy mức độ ứng dụng AI có mối quan hệ đáng kể với năng lực số của nhân viên. Khi nhân viên thường xuyên sử dụng các công cụ AI trong công việc, họ có điều kiện vận dụng và phát triển các kỹ năng liên quan đến tìm kiếm, đánh giá, xử lý và sử dụng thông tin trong môi trường số.
Tiếp theo, khi chưa đưa năng lực số vào mô hình, tổng tác động của ứng dụng AI đến hiệu suất làm việc đạt 0,490 và có ý nghĩa thống kê ở mức p < 0,001. Kết quả này cho thấy ứng dụng AI có mối quan hệ tích cực với hiệu suất làm việc. Tuy nhiên, khi đưa năng lực số vào mô hình, tác động trực tiếp của ứng dụng AI đến hiệu suất giảm còn 0,180, nhưng vẫn có ý nghĩa thống kê. Đồng thời, năng lực số có tác động tích cực đến hiệu suất với hệ số 0,556 và có ý nghĩa ở mức p < 0,001. Mô hình có ứng dụng AI và năng lực số giải thích được 45,3% sự biến thiên của hiệu suất làm việc.
Sự thay đổi của hệ số từ 0,490 xuống 0,180 cho thấy một phần đáng kể mối liên hệ giữa ứng dụng AI và hiệu suất làm việc được truyền qua năng lực số. Kết quả này phù hợp với giả định rằng hiệu quả của AI không chỉ phụ thuộc vào việc nhân viên có sử dụng công nghệ hay không, mà còn phụ thuộc vào khả năng khai thác, đánh giá và vận dụng công nghệ trong quá trình thực hiện nhiệm vụ.
Đáng lưu ý, tác động trực tiếp 0,180 vẫn có ý nghĩa thống kê, do đó không phải toàn bộ tác động của ứng dụng AI đến hiệu suất được giải thích bởi năng lực số. Điều này cho thấy năng lực số giữ vai trò trung gian một phần, đồng thời ứng dụng AI vẫn có ảnh hưởng trực tiếp nhất định đến hiệu suất làm việc. Cách diễn giải này phù hợp hơn với kết quả hồi quy so với việc cho rằng năng lực số là cơ chế duy nhất chuyển hóa tác động của AI thành hiệu suất.
3.5. Kiểm định hệ thống giả thuyết
Bảng 6 tổng hợp kết quả kiểm định bốn giả thuyết, bao gồm hiệu ứng trực tiếp và hiệu ứng trung gian.
Bảng 6. Kết quả kiểm định giả thuyết và hiệu ứng trung gian
| Giả thuyết | Quan hệ | Hệ số tác động | Mức ý nghĩa/khoảng tin cậy | Kết quả |
| H1 | Ứng dụng AI → Năng lực số | 0.559 | <0,001 | Chấp nhận |
| H2 | Ứng dụng AI → Hiệu suất làm việc | 0.490 | <0,001 | Chấp nhận |
| H3 | Năng lực số → Hiệu suất làm việc | 0.556 | <0,001 | Chấp nhận |
| H4 | Hiệu ứng gián tiếp qua năng lực số | 0.310 | Khoảng tin cậy 95%: [0.252; 0.372] | Chấp nhận |
Kết quả tại Bảng 6 cho thấy, cả bốn giả thuyết nghiên cứu đều được chấp nhận. Cụ thể, H1 được chấp nhận khi ứng dụng AI có tác động tích cực đến năng lực số với hệ số 0,559 và p < 0,001. H2 cũng được chấp nhận, với tổng tác động của ứng dụng AI đến hiệu suất làm việc đạt 0,490 và có ý nghĩa thống kê. H3 được chấp nhận khi năng lực số có tác động tích cực đến hiệu suất làm việc với hệ số 0,556 và p < 0,001.
Đối với H4, hiệu ứng gián tiếp của ứng dụng AI đến hiệu suất làm việc thông qua năng lực số đạt 0,310, với khoảng tin cậy 95% từ 0,252 đến 0,372. Do khoảng tin cậy không chứa giá trị 0, hiệu ứng gián tiếp có ý nghĩa thống kê, qua đó xác nhận vai trò trung gian của năng lực số. Đáng chú ý, giá trị hiệu ứng gián tiếp 0,310 kết hợp với tác động trực tiếp 0,180 cho thấy tổng tác động có thể được phân tách thành phần tác động trực tiếp và phần tác động thông qua năng lực số.
Nhìn tổng thể, các kết quả từ Bảng 2 đến Bảng 6 hình thành một chuỗi bằng chứng tương đối nhất quán. Các thang đo có độ tin cậy và giá trị hội tụ phù hợp; cấu trúc ba khái niệm được hỗ trợ qua phân tích nhân tố; các biến có tương quan thuận và các quan hệ trong mô hình đều có ý nghĩa thống kê. Đặc biệt, kết quả kiểm định cho thấy, năng lực số không chỉ là một yếu tố có liên quan đến hiệu suất làm việc mà còn là một kênh quan trọng truyền dẫn tác động của ứng dụng AI đến hiệu suất.
4. Hàm ý quản trị
Một là, gắn đào tạo năng lực số với quá trình ứng dụng AI. Nội dung đào tạo cần tập trung vào khả năng xác định nhiệm vụ phù hợp để sử dụng AI, xây dựng yêu cầu đầu vào, kiểm tra và đối chiếu thông tin, xử lý dữ liệu, nhận diện sai lệch và bảo đảm an toàn thông tin. Đối với cán bộ, công chức, viên chức trực tiếp sử dụng AI, cần đặc biệt chú trọng năng lực kiểm chứng và phán đoán thay vì chỉ đánh giá khả năng tạo ra sản phẩm nhanh hơn.
Hai là, lựa chọn nhiệm vụ và thiết kế lại quy trình làm việc theo mức độ phù hợp của AI. Không nên triển khai AI theo cách áp dụng đồng loạt cho mọi hoạt động. Các tổ chức cần rà soát quy trình nghiệp vụ để xác định những công việc có tính lặp lại, khối lượng thông tin lớn hoặc cần hỗ trợ tổng hợp, phân loại và tra cứu, qua đó ưu tiên sử dụng AI ở những khâu có khả năng tạo giá trị rõ ràng. Ngược lại, đối với các nhiệm vụ liên quan trực tiếp đến quyền và lợi ích của người dân, quyết định hành chính hoặc những vấn đề đòi hỏi đánh giá bối cảnh và trách nhiệm giải trình, AI nên được sử dụng với vai trò hỗ trợ, trong khi quyết định cuối cùng vẫn thuộc về người có thẩm quyền.
Ba là, cần có quy định cụ thể về loại dữ liệu được phép sử dụng với các công cụ AI, phương thức bảo vệ thông tin, trách nhiệm kiểm tra nội dung do AI tạo ra và thẩm quyền phê duyệt trước khi đưa kết quả vào công việc chính thức. Điều này đặc biệt cần thiết khi nhân viên có thể sử dụng các công cụ AI tạo sinh bên ngoài hệ thống công nghệ thông tin của cơ quan. Quy định rõ ngay từ đầu sẽ giúp hạn chế tình trạng sử dụng tự phát; đồng thời, tạo cơ sở để cán bộ, công chức, viên chức biết rõ giới hạn và trách nhiệm khi sử dụng công nghệ.
Bốn là, triển khai AI theo hướng thử nghiệm, đánh giá và mở rộng có kiểm soát. Thay vì triển khai trên diện rộng ngay từ đầu, các tổ chức công có thể lựa chọn một số quy trình hoặc nhóm nhiệm vụ có phạm vi rõ ràng để thử nghiệm, sử dụng dữ liệu phù hợp và đánh giá kết quả trước khi nhân rộng. Việc đánh giá cần xem xét đồng thời thời gian xử lý, chất lượng công việc, mức độ phải chỉnh sửa, khả năng giảm tải công việc và những rủi ro phát sinh. Cách tiếp cận này cho phép tổ chức vừa tận dụng được khả năng của AI, vừa phát hiện những hạn chế của công nghệ và những khoảng trống về năng lực của đội ngũ trước khi mở rộng ứng dụng.
Năm là, thay đổi cách đánh giá hiệu quả ứng dụng AI. Hiệu quả không chỉ được đo chủ yếu bằng số lượng công cụ được triển khai hoặc số người sử dụng mà cần gắn với những thay đổi thực tế trong quá trình thực hiện nhiệm vụ. Các tiêu chí, như: thời gian xử lý hồ sơ, chất lượng và độ chính xác của sản phẩm, tỷ lệ nội dung phải chỉnh sửa, khả năng giải quyết nhiệm vụ phức tạp và mức độ đáp ứng yêu cầu của người dân có thể được sử dụng để đánh giá giá trị thực tế của AI. Đồng thời, kết quả đánh giá cần được sử dụng để xác định những vị trí cần bổ sung đào tạo, những quy trình cần điều chỉnh và những trường hợp việc sử dụng AI chưa mang lại hiệu quả tương xứng.
Nhìn chung, quản trị ứng dụng AI trong tổ chức công cần được đặt trong một hệ thống thống nhất giữa công nghệ, năng lực nhân viên và tổ chức công việc. Trọng tâm không phải là sử dụng AI càng nhiều càng tốt mà là sử dụng đúng nhiệm vụ, đúng mức độ và trong một môi trường mà người sử dụng đủ năng lực kiểm soát công nghệ. Đây là hướng tiếp cận thực tế hơn đối với các tổ chức công trong giai đoạn mở rộng ứng dụng AI, vừa khai thác được lợi ích về tốc độ và xử lý thông tin, vừa duy trì yêu cầu về chất lượng, an toàn và trách nhiệm trong thực thi công vụ.
Tài liệu tham khảo:
Nguyen, T., Nguyen, T., Hoang, G., & Sabani, A. (2026). How does employee-AI collaboration influence employee job performance? A multilevel analysis of cognitive flexibility and empowerment climate. Personnel Review, 55(4).
Oberländer, M., Beinicke, A., & Bipp, T. (2020). Digital competencies: A review of the literature and applications in the workplace. Computers & Education, 146.
Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector – Applications and challenges. International Journal of Public Administration, 42(7).
