The Impact of Artificial Intelligence Resources on Firm Performance: A Resource-Based View and Dynamic Capabilities Perspective
Đặng Xuân Trường
NCS Đại học Phenikaa
Email: truongdx@hachi.com.vn
Trần Trọng Hào
NCS Đại học Phenikaa
ThS. Nguyễn Thị Nhung
Trường Đại học Victoria Hòa Bình
(Quanlynhanuoc.vn) – Trong bối cảnh chuyển đổi số, trí tuệ nhân tạo (AI) trở thành nguồn lực chiến lược giúp doanh nghiệp nâng cao khả năng thích ứng và hiệu quả kinh doanh. Tuy nhiên, đầu tư vào AI chỉ tạo ra giá trị khi doanh nghiệp có khả năng huy động, kết hợp và tái cấu trúc các nguồn lực liên quan. Dựa trên Lý thuyết Nguồn lực (RBV) và Lý thuyết Năng lực động (DCV), bài viết đề xuất khung nghiên cứu giải thích cơ chế tác động của nguồn lực AI đến hiệu quả kinh doanh. Nguồn lực AI được mô hình hóa như cấu trúc bậc hai gồm hạ tầng AI, nhân lực AI và văn hóa dữ liệu; năng lực động kích hoạt bởi AI gồm năng lực cảm nhận, nắm bắt cơ hội và tái cấu trúc nguồn lực. Khung nghiên cứu đề xuất AIDC đóng vai trò trung gian giữa nguồn lực AI và hiệu quả kinh doanh, đồng thời, động thái môi trường điều tiết mối quan hệ này. Nghiên cứu góp phần làm rõ cơ chế tạo giá trị từ AI và cung cấp cơ sở cho các nghiên cứu tiếp theo.
Từ khóa: Nguồn lực trí tuệ nhân tạo; năng lực động kích hoạt bởi AI; hiệu quả kinh doanh; động thái môi trường; mô hình bậc hai.
Abstract: In the context of rapid digital transformation, artificial intelligence (AI) has emerged as a strategic resource for enhancing firms’ adaptability and business performance. However, AI investment alone does not create value unless firms can effectively mobilize, integrate, and reconfigure related resources. Drawing on the Resource-Based View (RBV) and Dynamic Capabilities View (DCV), this paper proposes a research framework explaining how AI resources influence firm performance. AI resources are conceptualized as a second-order construct comprising AI infrastructure, AI human resources, and a data-driven culture. AI-enabled dynamic capabilities are also modeled as a second-order construct, including AI-enabled sensing, seizing, and resource reconfiguring capabilities. The framework posits that AI-enabled dynamic capabilities mediate the relationship between AI resources and firm performance, while environmental dynamism positively moderates this relationship. The study contributes to explaining the value creation process of AI and provides managerial implications for developing integrated and adaptive AI investment strategies.
Keywords: Artificial intelligence resources; AI-enabled dynamic capabilities; firm performance; environmental dynamism; second-order construct.
1. Đặt vấn đề
Trong bối cảnh chuyển đổi số, trí tuệ nhân tạo (Artificial Intelligence – AI) đang trở thành nguồn lực chiến lược giúp doanh nghiệp khai thác dữ liệu, tự động hóa hoạt động, nâng cao chất lượng ra quyết định và cải thiện hiệu quả kinh doanh. Tuy nhiên, giá trị của AI không đến từ việc đầu tư vào công nghệ đơn thuần mà phụ thuộc vào khả năng doanh nghiệp chuẩn bị đồng bộ về dữ liệu, hạ tầng, nguồn nhân lực và các điều kiện tổ chức cần thiết (Jöhnk et al., 2021; Mikalef & Gupta, 2021).
Từ góc độ quản trị chiến lược, việc sở hữu AI chưa đồng nghĩa với lợi thế cạnh tranh bền vững. Theo Lý thuyết Nguồn lực (Resource-Based View – RBV), lợi thế cạnh tranh được hình thành từ các nguồn lực có giá trị, khan hiếm, khó bắt chước và khó thay thế (Barney, 1991). Trong bối cảnh AI, các nguồn lực này không chỉ bao gồm hạ tầng công nghệ và dữ liệu mà còn bao gồm nhân lực AI, khả năng phối hợp giữa các bộ phận và văn hóa ra quyết định dựa trên dữ liệu. Mikalef và Gupta (2021) cho rằng, năng lực AI là một cấu trúc đa chiều kết hợp các nguồn lực hữu hình, kỹ năng nhân sự và các nguồn lực vô hình của tổ chức.
Tuy nhiên, RBV chưa giải thích đầy đủ cách doanh nghiệp chuyển hóa các nguồn lực này thành kết quả trong môi trường biến động. Lý thuyết Năng lực động (Dynamic Capabilities View – DCV) bổ sung khoảng trống này bằng việc nhấn mạnh khả năng cảm nhận cơ hội, nắm bắt cơ hội và tái cấu trúc nguồn lực để thích ứng với thay đổi (Teece, 2007). Theo đó, AI chỉ thực sự tạo ra giá trị khi được sử dụng để hỗ trợ doanh nghiệp nhận diện cơ hội, ra quyết định và điều chỉnh hoạt động nhằm đáp ứng những thay đổi của môi trường.
Mặc dù số lượng nghiên cứu về AI ngày càng gia tăng, vẫn còn ba khoảng trống đáng chú ý. Thứ nhất, nhiều nghiên cứu tiếp cận AI như một công nghệ hoặc một năng lực đơn lẻ, trong khi việc triển khai AI đòi hỏi sự kết hợp của nhiều nguồn lực bổ sung. Thứ hai, cơ chế chuyển hóa nguồn lực AI thành hiệu quả kinh doanh vẫn chưa được giải thích đầy đủ, đặc biệt là vai trò của năng lực động. Thứ ba, tác động của AI có thể thay đổi theo mức độ biến động của môi trường kinh doanh, song yếu tố này vẫn chưa được xem xét đầy đủ trong các nghiên cứu trước (Dess & Beard, 1984; Miller & Friesen, 1983).
Xuất phát từ những khoảng trống trên, bài viết đề xuất một khung nghiên cứu tích hợp RBV và DCV nhằm giải thích tác động của nguồn lực AI đến hiệu quả kinh doanh của doanh nghiệp. Nguồn lực AI được khái niệm hóa như một cấu trúc bậc hai gồm hạ tầng AI, nhân lực AI và văn hóa dữ liệu. Đồng thời, năng lực động kích hoạt bởi AI (AI-enabled Dynamic Capabilities – AIDC) được tiếp cận như một cấu trúc bậc hai gồm năng lực cảm nhận, năng lực nắm bắt cơ hội và năng lực tái cấu trúc dựa trên AI. Khung nghiên cứu đề xuất AIDC giữ vai trò trung gian trong mối quan hệ giữa nguồn lực AI và hiệu quả kinh doanh, trong khi động thái môi trường điều tiết tác động của AIDC đến hiệu quả kinh doanh.
Bài viết đóng góp trên ba phương diện. Thứ nhất, mở rộng cách tiếp cận nguồn lực AI từ góc nhìn công nghệ sang góc nhìn nguồn lực tổ hợp gồm công nghệ, con người và tổ chức. Thứ hai, làm rõ vai trò của AIDC như cơ chế chuyển hóa nguồn lực AI thành hiệu quả kinh doanh thông qua việc tích hợp RBV và DCV. Thứ ba, bổ sung động thái môi trường như một điều kiện ranh giới giúp giải thích sự khác biệt về giá trị mà AI mang lại giữa các doanh nghiệp và bối cảnh kinh doanh, đồng thời cung cấp cơ sở lý thuyết cho các nghiên cứu thực nghiệm và hàm ý cho nhà quản trị trong xây dựng chiến lược đầu tư AI.
2. Cơ sở lý thuyết và khái niệm nghiên cứu
2.1. Lý thuyết Nguồn lực và nguồn lực trí tuệ nhân tạo
Lý thuyết Nguồn lực (Resource-Based View – RBV) cho rằng, sự khác biệt về hiệu quả giữa các doanh nghiệp bắt nguồn từ khả năng sở hữu, kiểm soát và khai thác các nguồn lực có giá trị chiến lược. Theo Barney (1991), nguồn lực chỉ tạo ra lợi thế cạnh tranh bền vững khi có giá trị, khan hiếm, khó bắt chước và khó thay thế. Các nguồn lực này không chỉ bao gồm tài sản hữu hình mà còn gồm tri thức, kỹ năng, quy trình, thông tin, văn hóa và các thuộc tính tổ chức khác. Kế thừa RBV, Bharadwaj (2000) cho rằng giá trị của công nghệ thông tin không nằm ở bản thân công nghệ mà ở sự kết hợp giữa hạ tầng công nghệ, nguồn nhân lực và các tài sản vô hình. Tương tự, Gupta và George (2016) khẳng định năng lực phân tích dữ liệu lớn được hình thành từ sự kết hợp của nhiều nguồn lực, thay vì chỉ dựa trên đầu tư công nghệ đơn lẻ.
Trong bối cảnh AI, cách tiếp cận này đặc biệt phù hợp vì AI chỉ tạo ra giá trị khi doanh nghiệp có khả năng kết hợp dữ liệu, hạ tầng kỹ thuật, nguồn nhân lực và các điều kiện tổ chức. Mikalef và Gupta (2021) cũng khẳng định năng lực AI là một cấu trúc đa chiều, bao gồm các nguồn lực hữu hình, kỹ năng nhân sự và nguồn lực vô hình của tổ chức. Trên cơ sở đó, nghiên cứu này định nghĩa nguồn lực AI là tập hợp các nguồn lực công nghệ, con người và tổ chức được huy động để phát triển, triển khai và khai thác AI phục vụ hoạt động kinh doanh. Nguồn lực AI được tiếp cận như một cấu trúc bậc hai, gồm ba thành phần: hạ tầng AI, nhân lực AI và văn hóa dữ liệu.
Hạ tầng AI bao gồm dữ liệu, phần cứng, phần mềm, nền tảng điện toán, công cụ phân tích, thuật toán và khả năng tích hợp AI với hệ thống thông tin doanh nghiệp. Đây là nền tảng kỹ thuật cho phép thu thập, lưu trữ, xử lý và khai thác dữ liệu phục vụ dự báo, tự động hóa và hỗ trợ ra quyết định.
Nhân lực AI phản ánh kiến thức, kỹ năng và kinh nghiệm của đội ngũ trong việc phát triển, vận hành và ứng dụng AI. Thành phần này không chỉ bao gồm chuyên gia kỹ thuật mà còn cả nhà quản trị và nhân sự nghiệp vụ có khả năng phối hợp với bộ phận kỹ thuật và khai thác kết quả do AI tạo ra.
Văn hóa dữ liệu thể hiện mức độ doanh nghiệp sử dụng dữ liệu làm cơ sở cho trao đổi thông tin, ra quyết định và cải tiến hoạt động. Văn hóa này khuyến khích chia sẻ dữ liệu, ra quyết định dựa trên bằng chứng và sẵn sàng thử nghiệm các phương án mới, qua đó thúc đẩy AI được tích hợp vào các quy trình kinh doanh.
Ba thành phần này có mối quan hệ bổ sung lẫn nhau: hạ tầng AI cần nhân lực để vận hành, nhân lực cần nền tảng công nghệ để phát huy năng lực, còn cả hai chỉ tạo ra giá trị khi doanh nghiệp xây dựng được văn hóa dữ liệu phù hợp. Vì vậy, việc tiếp cận nguồn lực AI như một cấu trúc bậc hai phản ánh đầy đủ bản chất kết hợp của các nguồn lực cần thiết để doanh nghiệp tạo lập giá trị từ AI.
2.2. Lý thuyết Năng lực động và năng lực động kích hoạt bởi AI
Mặc dù RBV giải thích vai trò của nguồn lực chiến lược, lý thuyết này chủ yếu tập trung vào việc doanh nghiệp sở hữu những nguồn lực nào. Trong môi trường kinh doanh biến động, doanh nghiệp còn cần khả năng liên tục đổi mới cách thức sử dụng và kết hợp nguồn lực. Lý thuyết Năng lực động nhấn mạnh khả năng tạo lập, mở rộng và tái cấu hình cơ sở nguồn lực để thích ứng với thay đổi chiến lược (Helfat et al., 2007).
Theo Teece (2007), năng lực động gồm ba nhóm hoạt động cốt lõi: cảm nhận cơ hội và thách thức, nắm bắt cơ hội thông qua các quyết định phù hợp, và tái cấu trúc nguồn lực nhằm duy trì khả năng thích ứng. Cách tiếp cận này đặc biệt phù hợp trong bối cảnh AI, khi công nghệ, dữ liệu và môi trường cạnh tranh thay đổi nhanh chóng. Vì vậy, doanh nghiệp không chỉ cần sở hữu AI mà còn phải có năng lực khai thác AI để nhận diện thay đổi, phản ứng kịp thời và điều chỉnh hoạt động.
Trong nghiên cứu này, năng lực động kích hoạt bởi AI (AI-enabled Dynamic Capabilities – AIDC) được định nghĩa là khả năng doanh nghiệp tận dụng AI để cảm nhận cơ hội và thách thức, nắm bắt cơ hội thông qua các quyết định kinh doanh, đồng thời tái cấu trúc nguồn lực và quy trình nhằm thích ứng với môi trường. AIDC được tiếp cận như một cấu trúc bậc hai gồm ba thành phần:
(1) Năng lực cảm nhận được kích hoạt bởi AI là khả năng sử dụng AI để thu thập, phân tích và diễn giải dữ liệu nhằm phát hiện xu hướng, nhu cầu khách hàng, thay đổi công nghệ, hành động của đối thủ và các rủi ro mới.
(2) Năng lực nắm bắt cơ hội được kích hoạt bởi AI là khả năng chuyển các phân tích của AI thành quyết định và hành động quản trị, như: lựa chọn phân khúc khách hàng, cá nhân hóa sản phẩm, tối ưu hóa hoạt động, phân bổ nguồn lực và phát triển mô hình kinh doanh mới.
(3) Năng lực tái cấu trúc được kích hoạt bởi AI là khả năng điều chỉnh và tái kết hợp nguồn lực, quy trình, cấu trúc tổ chức hoặc cách thức phối hợp giữa các bộ phận dựa trên các hiểu biết do AI cung cấp.
Ba thành phần trên tạo thành một chu trình thích ứng liên tục, cảm nhận giúp phát hiện cơ hội, nắm bắt chuyển cơ hội thành hành động, và tái cấu trúc duy trì khả năng đổi mới dài hạn. Vì vậy, AIDC được xem là cơ chế năng lực giúp doanh nghiệp chuyển hóa nguồn lực AI thành kết quả kinh doanh.
2.3. Hiệu quả kinh doanh và động thái môi trường
Trong nghiên cứu quản trị chiến lược, hiệu quả kinh doanh là một khái niệm đa chiều. Venkatraman và Ramanujam (1986) cho rằng hiệu quả doanh nghiệp không nên chỉ được đo lường bằng các chỉ tiêu tài chính, mà cần được xem xét đồng thời thông qua các kết quả vận hành và kết quả thị trường. Theo cách tiếp cận này, hiệu quả kinh doanh trong khung nghiên cứu đề xuất phản ánh mức độ doanh nghiệp đạt được các kết quả tích cực về tài chính, vận hành và thị trường so với mục tiêu đặt ra hoặc so với đối thủ cạnh tranh.
Về tài chính, hiệu quả có thể được biểu hiện qua tăng trưởng doanh thu, lợi nhuận, năng suất hoặc hiệu quả sử dụng chi phí. Về vận hành, hiệu quả có thể thể hiện ở tốc độ xử lý công việc, chất lượng quyết định, khả năng tối ưu hóa quy trình và mức độ đổi mới. Về thị trường, hiệu quả phản ánh khả năng đáp ứng khách hàng, gia tăng thị phần, nâng cao chất lượng sản phẩm/dịch vụ và duy trì lợi thế cạnh tranh. Bên cạnh đó, động thái môi trường là mức độ thay đổi nhanh chóng, thường xuyên và khó dự báo của các yếu tố bên ngoài doanh nghiệp như công nghệ, thị trường, khách hàng và đối thủ cạnh tranh. Dess và Beard (1984) xác định động thái là một chiều cạnh quan trọng của môi trường tác nghiệp, gắn với tính bất ổn và biến động. Miller và Friesen (1983) cũng cho thấy, môi trường năng động đòi hỏi doanh nghiệp tăng cường hoạt động phân tích, đổi mới và điều chỉnh chiến lược.
Trong môi trường ít biến động, doanh nghiệp có thể khai thác hiệu quả từ các quy trình và nguồn lực hiện có trong thời gian dài hơn. Ngược lại, khi môi trường biến động mạnh, thông tin nhanh chóng lỗi thời, nhu cầu khách hàng thay đổi và áp lực cạnh tranh gia tăng. Trong điều kiện đó, giá trị của AIDC được kỳ vọng sẽ trở nên rõ nét hơn, bởi doanh nghiệp có thể sử dụng AI để nhận diện tín hiệu thay đổi, đưa ra phản ứng nhanh và tái cấu trúc hoạt động phù hợp. Đây là cơ sở để bài viết xem động thái môi trường là điều kiện ranh giới quan trọng trong mối quan hệ giữa AIDC và hiệu quả kinh doanh.
Bảng 1: Khái niệm hóa các cấu trúc trong mô hình
Cấu trúc | Bản chất cấu trúc | Thành phần/biểu hiện chính | Nền tảng lý thuyết |
| Nguồn lực AI | Bậc hai | Hạ tầng AI; nhân lực AI; văn hóa dữ liệu | RBV |
| AIDC | Bậc hai | Cảm nhận; nắm bắt; tái cấu trúc nhờ AI | DCV |
| Hiệu quả kinh doanh | Biến kết quả | Tài chính; vận hành; thị trường | Quản trị chiến lược |
| Động thái môi trường | Biến điều tiết | Tốc độ thay đổi; tính khó dự báo; mức độ biến động | Lý thuyết môi trường tổ chức |
3. Phát triển khung nghiên cứu
3.1. Tác động của nguồn lực AI đến năng lực động kích hoạt bởi AI
Theo RBV, các nguồn lực chiến lược chỉ có thể tạo ra giá trị khi doanh nghiệp biết cách phối hợp và khai thác chúng trong hoạt động thực tiễn (Barney, 1991). Trong lĩnh vực công nghệ thông tin, Bharadwaj (2000) cho rằng, hạ tầng công nghệ, nguồn nhân lực công nghệ và các tài sản vô hình được công nghệ hỗ trợ cần được xem xét như một tổ hợp thay vì các yếu tố tách rời. Lập luận này có thể được mở rộng sang bối cảnh AI, nơi việc phát triển và khai thác AI đòi hỏi sự kết hợp đồng thời giữa nền tảng kỹ thuật, năng lực con người và các điều kiện tổ chức.
Hạ tầng AI tạo điều kiện để doanh nghiệp thu thập, lưu trữ, xử lý và phân tích dữ liệu ở quy mô lớn. Khi được tích hợp với các hệ thống thông tin và quy trình nghiệp vụ, hạ tầng này giúp doanh nghiệp tiếp cận thông tin nhanh hơn, phát hiện các tín hiệu thị trường và nâng cao chất lượng dự báo. Tuy nhiên, hạ tầng AI chỉ mang tính tiềm năng nếu doanh nghiệp không có đội ngũ nhân sự đủ khả năng thiết kế, vận hành, diễn giải và ứng dụng kết quả phân tích vào các quyết định kinh doanh.
Nhân lực AI đóng vai trò kết nối giữa công nghệ và mục tiêu kinh doanh. Đội ngũ chuyên gia kỹ thuật giúp phát triển và vận hành các giải pháp AI, trong khi nhà quản trị và nhân sự nghiệp vụ xác định vấn đề cần giải quyết, đánh giá mức độ phù hợp của kết quả phân tích và chuyển kết quả đó thành hành động. Bên cạnh đó, văn hóa dữ liệu thúc đẩy việc sử dụng dữ liệu và bằng chứng trong ra quyết định, tăng cường chia sẻ thông tin giữa các bộ phận và tạo sự sẵn sàng đối với thay đổi do AI mang lại. Nghiên cứu của Mikalef và Gupta (2021) cho thấy các nguồn lực hữu hình, kỹ năng nhân sự và nguồn lực vô hình đều là những thành tố thiết yếu của năng lực AI.
Sự kết hợp giữa hạ tầng AI, nhân lực AI và văn hóa dữ liệu tạo ra nền tảng để doanh nghiệp sử dụng AI trong việc cảm nhận, nắm bắt và tái cấu trúc. Cụ thể, AI giúp doanh nghiệp nhận diện nhanh hơn các thay đổi về khách hàng, đối thủ cạnh tranh và công nghệ; hỗ trợ phân tích các phương án hành động; đồng thời cung cấp thông tin để doanh nghiệp điều chỉnh nguồn lực, quy trình và mô hình hoạt động. Vì vậy, nguồn lực AI không chỉ hỗ trợ việc ứng dụng công nghệ, mà còn tạo điều kiện hình thành năng lực động kích hoạt bởi AI.
H1: Nguồn lực AI tác động tích cực đến năng lực động kích hoạt bởi AI của doanh nghiệp.
3.2. Vai trò trung gian của năng lực động kích hoạt bởi AI
RBV khẳng định rằng, các nguồn lực có giá trị là nền tảng của lợi thế cạnh tranh. Tuy nhiên, trong điều kiện môi trường thay đổi, doanh nghiệp không thể chỉ dựa vào việc duy trì và khai thác các nguồn lực sẵn có. Doanh nghiệp cần năng lực liên tục điều chỉnh cách thức kết hợp và sử dụng nguồn lực để phù hợp với cơ hội và thách thức mới. Đây chính là vai trò mà DCV nhấn mạnh (Teece, 2007).
AIDC là cơ chế giúp doanh nghiệp chuyển hóa nguồn lực AI thành kết quả kinh doanh. Trước hết, năng lực cảm nhận được kích hoạt bởi AI giúp doanh nghiệp phát hiện những tín hiệu liên quan đến nhu cầu khách hàng, xu hướng thị trường, rủi ro vận hành và thay đổi công nghệ. Tiếp theo, năng lực nắm bắt cơ hội giúp doanh nghiệp sử dụng các hiểu biết đó để đưa ra quyết định về sản phẩm, thị trường, đầu tư, vận hành hoặc mô hình kinh doanh. Cuối cùng, năng lực tái cấu trúc cho phép doanh nghiệp điều chỉnh quy trình, phân bổ lại nguồn lực và nâng cấp năng lực tổ chức để duy trì sự phù hợp với môi trường mới.
Theo cách tiếp cận này, hạ tầng AI, nhân lực AI và văn hóa dữ liệu là điều kiện đầu vào, còn AIDC là năng lực tổ chức giúp kết nối các đầu vào này với kết quả đầu ra. Một doanh nghiệp có thể sở hữu dữ liệu lớn, hệ thống AI hiện đại và nhân sự kỹ thuật giỏi, nhưng vẫn khó đạt hiệu quả nếu không chuyển những nguồn lực đó thành các hành động chiến lược và thay đổi tổ chức. Điều này cũng phù hợp với lập luận của Gupta và George (2016) rằng đầu tư vào dữ liệu và công nghệ chỉ tạo ra lợi thế khi doanh nghiệp phát triển được năng lực khó bị đối thủ sao chép.
Về kết quả, AIDC có thể cải thiện hiệu quả kinh doanh thông qua nhiều con đường. AI giúp doanh nghiệp nâng cao chất lượng quyết định, giảm thời gian xử lý thông tin, tối ưu hóa quy trình, cá nhân hóa sản phẩm và dịch vụ, cũng như phản ứng nhanh hơn trước thay đổi của thị trường. Do đó, vai trò của nguồn lực AI đối với hiệu quả kinh doanh không nên được giải thích chỉ bằng tác động trực tiếp, mà cần được xem xét thông qua AIDC như một cơ chế chuyển hóa giá trị.
H2: Năng lực động kích hoạt bởi AI đóng vai trò trung gian trong mối quan hệ giữa nguồn lực AI và hiệu quả kinh doanh của doanh nghiệp.
3.3. Vai trò điều tiết của động thái môi trường
Động thái môi trường phản ánh mức độ thay đổi nhanh chóng, thường xuyên và khó dự báo của thị trường, công nghệ, nhu cầu khách hàng và hành vi cạnh tranh. Trong môi trường ổn định, doanh nghiệp có thể tiếp tục khai thác các quy trình và nguồn lực hiện có trong một khoảng thời gian dài. Tuy nhiên, trong môi trường biến động mạnh, các cách thức vận hành cũ có thể nhanh chóng trở nên kém hiệu quả. Khi đó, khả năng cảm nhận tín hiệu, đưa ra phản ứng kịp thời và tái cấu trúc nguồn lực có ý nghĩa quyết định đối với hiệu quả doanh nghiệp (Dess & Beard, 1984; Miller & Friesen, 1983).
AIDC đặc biệt có giá trị trong môi trường năng động. Nhờ khả năng xử lý dữ liệu nhanh và phân tích các mẫu dữ liệu phức tạp, AI giúp doanh nghiệp phát hiện sớm sự thay đổi trong nhu cầu khách hàng, xu hướng công nghệ hoặc hành động của đối thủ. Việc sử dụng AI trong nắm bắt cơ hội và tái cấu trúc cũng giúp doanh nghiệp giảm độ trễ trong ra quyết định, từ đó nâng cao khả năng thích ứng.
Ngược lại, trong môi trường ít biến động, các quyết định và quy trình hiện hữu thường vẫn có thể tạo ra hiệu quả trong ngắn hạn. Khi đó, lợi ích tăng thêm của AIDC đối với hiệu quả kinh doanh có thể ít rõ rệt hơn. Vì vậy, động thái môi trường được xem là điều kiện ranh giới làm thay đổi cường độ tác động của AIDC đến hiệu quả kinh doanh.
H3: Động thái môi trường điều tiết tích cực mối quan hệ giữa năng lực động kích hoạt bởi AI và hiệu quả kinh doanh; tác động tích cực này mạnh hơn khi động thái môi trường cao.
3.4. Khung nghiên cứu đề xuất
Từ các lập luận trên, bài viết đề xuất khung nghiên cứu gồm ba mối quan hệ. Thứ nhất, nguồn lực AI tác động tích cực đến AIDC. Thứ hai, AIDC đóng vai trò trung gian trong quá trình chuyển hóa nguồn lực AI thành hiệu quả kinh doanh. Thứ ba, động thái môi trường làm gia tăng tác động tích cực của AIDC đến hiệu quả kinh doanh.
Hình 1: Khung nghiên cứu đề xuất
4. Thảo luận và hàm ý quản trị
4.1. Thảo luận
Khung nghiên cứu được đề xuất cho thấy AI không nên được nhìn nhận đơn thuần như một công nghệ có thể tạo ra hiệu quả kinh doanh ngay sau khi được đầu tư. Thay vào đó, AI cần được tiếp cận như một tổ hợp nguồn lực gồm hạ tầng AI, nhân lực AI và văn hóa dữ liệu. Cách tiếp cận này phù hợp với RBV, theo đó giá trị chiến lược không nằm ở một tài sản riêng lẻ mà được hình thành từ sự kết hợp của nhiều nguồn lực bổ sung, có tính đặc thù và khó sao chép (Barney, 1991; Bharadwaj, 2000).
Đóng góp thứ nhất của khung nghiên cứu là khái niệm hóa nguồn lực AI dưới dạng cấu trúc bậc hai. Hạ tầng AI tạo nền tảng kỹ thuật để xử lý và khai thác dữ liệu; nhân lực AI giúp phát triển, vận hành và diễn giải các giải pháp AI; còn văn hóa dữ liệu thúc đẩy việc tích hợp thông tin và kết quả phân tích vào hoạt động ra quyết định. Ba thành phần này cần được đầu tư đồng bộ. Nếu doanh nghiệp chỉ đầu tư công nghệ nhưng không có đội ngũ phù hợp hoặc không tạo lập được văn hóa sử dụng dữ liệu, AI khó được đưa vào các quy trình ra quyết định và khó tạo giá trị kinh doanh bền vững. Lập luận này kế thừa quan điểm của Mikalef và Gupta (2021) khi xem năng lực AI là sự kết hợp của nguồn lực hữu hình, nguồn lực con người và nguồn lực vô hình.
Đóng góp thứ hai là làm rõ vai trò của AIDC như một cơ chế trung gian giữa nguồn lực AI và hiệu quả kinh doanh. Theo DCV, giá trị của nguồn lực phụ thuộc vào khả năng doanh nghiệp liên tục cảm nhận cơ hội, nắm bắt cơ hội và tái cấu trúc nguồn lực trước thay đổi của môi trường (Teece, 2007). Trong bối cảnh AI, hạ tầng, nhân lực và văn hóa dữ liệu chỉ tạo ra tiềm năng; còn AIDC mới là năng lực tổ chức giúp biến tiềm năng đó thành các hành động cụ thể, như nhận diện nhu cầu khách hàng, tối ưu hóa vận hành, phát triển sản phẩm/dịch vụ mới và điều chỉnh mô hình kinh doanh.
Lập luận này cũng góp phần giải thích hiện tượng các doanh nghiệp đầu tư AI với quy mô tương tự nhưng đạt kết quả khác nhau. Sự khác biệt không chỉ đến từ mức độ hiện đại của công nghệ, mà còn đến từ khả năng chuyển hóa công nghệ thành phản ứng chiến lược và thay đổi tổ chức. Các nghiên cứu về giá trị kinh doanh của dự án chuyển đổi dựa trên AI cũng cho thấy hiệu quả AI có thể xuất hiện ở cả cấp độ quy trình và cấp độ doanh nghiệp, chẳng hạn như nâng cao hiệu suất vận hành, chất lượng dịch vụ, khả năng đáp ứng khách hàng và kết quả tài chính (Wamba-Taguimdje et al., 2020).
Đóng góp thứ ba là đưa động thái môi trường vào vai trò điều kiện ranh giới. Trong môi trường ổn định, doanh nghiệp có thể khai thác các quy trình hiện có trong thời gian dài, nên lợi ích tương đối của AIDC chưa chắc biểu hiện rõ. Ngược lại, trong môi trường thay đổi nhanh và khó dự báo, AIDC giúp doanh nghiệp phát hiện sớm tín hiệu thay đổi, rút ngắn thời gian phản ứng và tái phân bổ nguồn lực phù hợp. Điều này phù hợp với quan điểm cho rằng môi trường năng động làm gia tăng yêu cầu về phân tích, đổi mới và điều chỉnh chiến lược của doanh nghiệp (Dess & Beard, 1984; Miller & Friesen, 1983).
4.2. Hàm ý quản trị
Thứ nhất, doanh nghiệp cần chuyển từ tư duy “mua công nghệ AI” sang tư duy “xây dựng nguồn lực AI”. Nhà quản trị không nên đánh giá mức độ sẵn sàng AI chỉ dựa trên số lượng công cụ, phần mềm hoặc dự án AI đã triển khai. Thay vào đó, cần đánh giá đồng thời mức độ sẵn sàng của dữ liệu, khả năng tích hợp hệ thống, chất lượng nhân lực và mức độ hình thành văn hóa dữ liệu trong tổ chức.
Thứ hai, doanh nghiệp cần coi phát triển nhân lực AI là một quá trình kết hợp giữa năng lực kỹ thuật và năng lực kinh doanh. Bên cạnh việc tuyển dụng hoặc đào tạo chuyên gia dữ liệu và AI, doanh nghiệp cần bồi dưỡng năng lực hiểu dữ liệu cho nhà quản trị và nhân sự nghiệp vụ. Cách làm này giúp giảm khoảng cách giữa bộ phận kỹ thuật và bộ phận kinh doanh, đồng thời tăng khả năng chuyển các phân tích do AI tạo ra thành quyết định có giá trị.
Thứ ba, văn hóa dữ liệu cần được xây dựng như một bộ phận của văn hóa tổ chức. Doanh nghiệp cần khuyến khích chia sẻ dữ liệu giữa các bộ phận, sử dụng chỉ số và bằng chứng trong quá trình ra quyết định, đồng thời tạo môi trường thử nghiệm có kiểm soát đối với các ứng dụng AI. Khi nhân viên không tin tưởng dữ liệu, không sẵn sàng thay đổi hoặc xem AI là công cụ tách biệt khỏi công việc hằng ngày, hiệu quả đầu tư AI sẽ bị hạn chế.
Thứ tư, mục tiêu đầu tư AI nên gắn với việc phát triển AIDC. Cụ thể, doanh nghiệp có thể ưu tiên các ứng dụng AI hỗ trợ phát hiện tín hiệu thị trường và hành vi khách hàng; hỗ trợ lựa chọn phương án sản phẩm, giá, kênh phân phối và phân bổ nguồn lực; hoặc hỗ trợ thiết kế lại quy trình vận hành. Theo đó, AI cần được đưa vào chu trình quản trị và đổi mới, thay vì chỉ được ứng dụng cho các hoạt động tự động hóa đơn lẻ.
Thứ năm, doanh nghiệp hoạt động trong môi trường biến động cao cần ưu tiên đầu tư AI cho các lĩnh vực có yêu cầu phản ứng nhanh, như dự báo nhu cầu, quản trị rủi ro, điều chỉnh tồn kho, cá nhân hóa trải nghiệm khách hàng và giám sát biến động cạnh tranh. Trong các ngành ổn định hơn, doanh nghiệp có thể triển khai theo lộ trình từng bước, bắt đầu bằng những bài toán có dữ liệu tốt, mục tiêu rõ ràng và khả năng đánh giá hiệu quả cụ thể.
5. Kết luận
Bài viết sử dụng khung nghiên cứu tích hợp Lý thuyết Nguồn lực và Lý thuyết Năng lực động để giải thích tác động của nguồn lực AI đến hiệu quả kinh doanh của doanh nghiệp. Trong đó, nguồn lực AI được tiếp cận như một cấu trúc bậc hai, gồm hạ tầng AI, nhân lực AI và văn hóa dữ liệu. Các nguồn lực này tạo nền tảng để doanh nghiệp hình thành AIDC, bao gồm năng lực cảm nhận, nắm bắt cơ hội và tái cấu trúc nguồn lực dựa trên AI.
Khung nghiên cứu nhấn mạnh rằng, nguồn lực AI không tự động tạo ra hiệu quả kinh doanh. AIDC là cơ chế trung gian quan trọng giúp doanh nghiệp chuyển hóa các nguồn lực AI thành kết quả tài chính, vận hành và thị trường. Đồng thời, tác động của AIDC đến hiệu quả kinh doanh được kỳ vọng mạnh hơn trong điều kiện môi trường có mức độ biến động cao.
Về mặt lý thuyết, bài viết góp phần mở rộng nghiên cứu về AI theo hướng kết hợp RBV và DCV; đồng thời, khái niệm hóa nguồn lực AI và AIDC dưới dạng các cấu trúc bậc hai. Về mặt thực tiễn, bài viết gợi ý rằng doanh nghiệp cần đầu tư AI một cách đồng bộ giữa công nghệ, con người và tổ chức; đồng thời định hướng các dự án AI vào việc nâng cao năng lực thích ứng chứ không chỉ tự động hóa các tác vụ đơn lẻ.
Hạn chế của bài viết là khung nghiên cứu chưa được kiểm định bằng dữ liệu thực nghiệm. Các nghiên cứu tiếp theo có thể phát triển thang đo cho từng cấu trúc, khảo sát doanh nghiệp đang triển khai AI và kiểm định mô hình bằng phương pháp PLS-SEM hoặc CB-SEM. Bên cạnh đó, nghiên cứu tương lai có thể xem xét sự khác biệt theo ngành, quy mô doanh nghiệp, mức độ trưởng thành số hoặc loại hình ứng dụng AI để làm rõ hơn các điều kiện tác động của nguồn lực AI đến hiệu quả kinh doanh.
Tài liệu tham khảo:
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.
Bharadwaj, A. S. (2000). A resource-based perspective on information technology capability and firm performance: An empirical investigation. MIS Quarterly, 24(1), 169–196.
Dess, G. G., & Beard, D. W. (1984). Dimensions of organizational task environments. Administrative Science Quarterly, 29(1), 52–73.
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049–1064.
Helfat, C. E., Finkelstein, S., Mitchell, W., Peteraf, M. A., Singh, H., Teece, D. J., & Winter, S. G. (2007). Dynamic capabilities: Understanding strategic change in organizations. Blackwell Publishing.
Jöhnk, J., Weißert, M., & Wyrtki, K. (2021). Ready or not, AI comes—An interview study of organizational AI readiness factors. Business & Information Systems Engineering, 63(1), 5–20.
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.
Miller, D., & Friesen, P. H. (1983). Strategy-making and environment: The third link. Strategic Management Journal, 4(3), 221-235.
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350.
Venkatraman, N., & Ramanujam, V. (1986). Measurement of business performance in strategy research: A comparison of approaches. Academy of Management Review, 11(4), 801-814.
Wamba-Taguimdje, S.-L., Wamba, S. F., Kamdjoug, J. R. K., & Wanko, C. E. T. (2020). Influence of artificial intelligence (AI) on firm performance: The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
