Luận văn: Các yếu tố thúc đẩy ý định áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa tại TP.HCM

Nghiên cứu các yếu tố then chốt thúc đẩy ý định áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa tại TPHCM, cung cấp góc nhìn thực tiễn cho nhà quản trị.

• Tác giả: Phạm Hương Diên
• Người hướng dẫn: TS. Nguyễn Huỳnh Anh Vũ
• Trường học: Trường Đại học Ngân hàng TP. Hồ Chí Minh
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Các yếu tố thúc đẩy ý định áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa tại thành phố Hồ Chí Minh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa

Khu vực kinh tế Thành phố Hồ Chí Minh sở hữu hơn 388.000 doanh nghiệp nhỏ và vừa. Lực lượng này chiếm khoảng 98,2% tổng số cơ sở kinh doanh trên địa bàn. Trí tuệ nhân tạo đang trở thành công cụ quan trọng giúp doanh nghiệp nâng cao năng lực cạnh tranh. Công nghệ này hỗ trợ tự động hóa vận hành, tối ưu hóa chi phí và cải thiện quy trình ra quyết định. Tuy nhiên, tỷ lệ ứng dụng công nghệ chuyên sâu vẫn còn khiêm tốn. Các nghiên cứu quốc tế chỉ ra rằng ý định áp dụng công nghệ phản ánh mức độ cam kết chuyển đổi số. Đối với doanh nghiệp nhỏ, nguồn lực tài chính và nhân sự kỹ thuật thường bị giới hạn. Do đó, việc triển khai trí tuệ nhân tạo phụ thuộc nhiều vào nhận thức của nhà lãnh đạo. Khung lý thuyết công nghệ, tổ chức và môi trường cung cấp nền tảng giải thích hành vi này. Nắm bắt các yếu tố thúc đẩy giúp tổ chức xây dựng lộ trình tiếp cận hiệu quả hơn. Đây là bước đi tất yếu để nâng cao vị thế trên thị trường.

1.1. Bối cảnh chuyển đổi số của các doanh nghiệp tại địa bàn

Thành phố Hồ Chí Minh đóng góp gần một phần tư tổng sản phẩm quốc nội. Địa bàn này là trung tâm đổi mới sáng tạo lớn nhất cả nước. Cơ cấu doanh nghiệp nhỏ và vừa tập trung chủ yếu vào ngành dịch vụ, logistics và thương mại hiện đại. Lĩnh vực công nghiệp chế biến và công nghệ cao cũng phát triển mạnh mẽ. Môi trường kinh doanh năng động tạo sức ép cạnh tranh gay gắt. Doanh nghiệp buộc phải đổi mới phương thức quản trị để tồn tại. Trí tuệ nhân tạo mở ra cơ hội đột phá về năng suất lao động. Các công cụ quản lý thông minh giúp cắt giảm thời gian xử lý thủ tục hành chính. Quá trình này thúc đẩy làn sóng số hóa mạnh mẽ trên toàn địa bàn.

1.2. Vai trò của trí tuệ nhân tạo đối với hoạt động quản trị

Trí tuệ nhân tạo thay đổi cách thức vận hành doanh nghiệp truyền thống. Hệ thống thuật toán xử lý khối lượng lớn dữ liệu trong thời gian ngắn. Ban quản lý nhận được báo cáo phân tích chính xác và kịp thời. Công nghệ này hỗ trợ dự báo xu hướng thị trường và kiểm soát rủi ro tài chính. Trong quản trị nhân sự, thuật toán giúp sàng lọc ứng viên và đánh giá hiệu suất minh bạch. Dịch vụ chăm sóc khách hàng tự động hoạt động liên tục mà không gián đoạn. Nhờ đó, doanh nghiệp tiết kiệm chi phí vận hành và tối ưu nguồn lực khan hiếm. Việc ứng dụng giải pháp thông minh tạo nền tảng vững chắc cho sự phát triển lâu dài.

II. Phân tích yếu tố áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa

Ý định áp dụng trí tuệ nhân tạo chịu ảnh hưởng bởi nhiều nhân tố nội tại và ngoại cảnh. Nhận thức về tính hữu ích và tính dễ sử dụng đóng vai trò tiên quyết. Khi nhà quản lý nhận thấy giá trị thực tế, họ sẵn sàng đầu tư nguồn lực. Ngược lại, rào cản về chi phí và tính phức tạp kỹ thuật thường gây tâm lý e ngại. Sự thiếu tương thích giữa phần mềm mới và hệ thống cũ cũng làm chậm tiến độ triển khai. Năng lực số của đội ngũ lãnh đạo là yếu tố chi phối trực tiếp. Những nhà quản lý hiểu biết công nghệ sẽ đánh giá đúng tiềm năng của các thuật toán. Họ ít bị ảnh hưởng bởi nỗi sợ công nghệ hoặc sự phụ thuộc mù quáng. Bên cạnh đó, văn hóa doanh nghiệp và mức độ sẵn sàng của nhân viên cũng tác động đến quá trình này. Áp lực cạnh tranh từ đối thủ trên thị trường buộc các đơn vị phải hành động nhanh chóng. Doanh nghiệp cần phân tích thấu đáo từng khía cạnh trước khi bắt đầu dự án chuyển đổi số.

2.1. Tác động từ nhận thức và năng lực số của cấp quản lý

Năng lực số của người đứng đầu quyết định tốc độ đổi mới sáng tạo. Nhà quản lý có kiến thức công nghệ dễ dàng nhận diện cơ hội từ trí tuệ nhân tạo. Họ hiểu rõ giới hạn của thuật toán và tránh phụ thuộc quá mức vào các đề xuất tự động. Nhận thức đúng đắn giúp giảm thiểu rủi ro khi đưa ra quyết định kinh doanh quan trọng. Lãnh đạo có năng lực số cao sẽ tích cực truyền cảm hứng cho nhân viên. Họ chủ động phân bổ ngân sách và tạo điều kiện thử nghiệm các công cụ mới. Sự quyết đoán của ban điều hành là bệ phóng cho quá trình chuyển đổi số thành công.

2.2. Rào cản hạ tầng kỹ thuật và sự sẵn sàng tổ chức

Hầu hết doanh nghiệp nhỏ và vừa gặp khó khăn về cơ sở dữ liệu phân tán. Dữ liệu chưa được số hóa đồng bộ cản trở quá trình huấn luyện mô hình. Hệ thống máy chủ và thiết bị cũ khó đáp ứng yêu cầu tính toán phức tạp. Chi phí bản quyền phần mềm và phí duy trì dịch vụ điện toán đám mây là gánh nặng tài chính. Ngoài ra, tâm lý ngại thay đổi của nhân viên tạo ra lực cản nội bộ đáng kể. Sự thiếu hụt chuyên gia công nghệ tại chỗ khiến việc bảo trì hệ thống gặp nhiều trở ngại. Tổ chức cần vượt qua các rào cản này để khai thác tối đa lợi ích công nghệ.

III. Giải pháp thúc đẩy áp dụng AI trong quản lý doanh nghiệp nhỏ và vừa

Để hiện thực hóa ý định ứng dụng công nghệ, doanh nghiệp cần triển khai các giải pháp toàn diện. Lộ trình đầu tư cần đi từ quy mô nhỏ đến mở rộng dần. Doanh nghiệp nên ưu tiên những công cụ sẵn có, chi phí hợp lý và dễ tích hợp. Việc nâng cao kỹ năng số cho ban điều hành và nhân viên là nhiệm vụ cấp bách. Các chương trình đào tạo thực hành giúp đội ngũ nhân sự làm quen với quy trình mới. Chính quyền địa phương và các hiệp hội ngành nghề cần phát huy vai trò kết nối. Các chính sách hỗ trợ tài chính, giảm thuế và tư vấn kỹ thuật sẽ kích thích nhu cầu đổi mới. Doanh nghiệp nên liên kết với các đơn vị cung cấp giải pháp phần mềm uy tín để nhận sự hỗ trợ chuyên môn. Xây dựng môi trường thử nghiệm an toàn giúp kiểm soát rủi ro trong giai đoạn đầu. Sự chuẩn bị kỹ lưỡng về cả con người lẫn công nghệ sẽ đảm bảo tỷ lệ thành công cao nhất.

3.1. Đào tạo nâng cao kỹ năng số và chuẩn hóa dữ liệu

Doanh nghiệp cần tổ chức các khóa huấn luyện chuyên sâu về ứng dụng công nghệ. Đội ngũ nhân sự phải hiểu cách khai thác công cụ phân tích trong công việc hàng ngày. Việc chuẩn hóa và làm sạch dữ liệu nội bộ là bước khởi đầu bắt buộc. Cơ sở dữ liệu nhất quán giúp các mô hình đưa ra dự báo chuẩn xác hơn. Ban quản lý cần thiết lập quy chế bảo mật thông tin nghiêm ngặt. Phổ cập kiến thức an toàn thông tin giúp bảo vệ tài sản số của công ty. Đầu tư vào năng lực con người mang lại hiệu quả bền vững cho toàn bộ tổ chức.

3.2. Tận dụng nguồn lực hỗ trợ từ hệ sinh thái đổi mới

Doanh nghiệp nên chủ động tiếp cận các chương trình tài trợ chuyển đổi số của nhà nước. Các trung tâm hỗ trợ cung cấp nhiều gói tư vấn chuyên môn và giải pháp ưu đãi. Tham gia mạng lưới đổi mới sáng tạo giúp doanh nghiệp học hỏi kinh nghiệm từ các đơn vị tiên phong. Việc hợp tác với các viện nghiên cứu và trường đại học tạo cơ hội tiếp cận công nghệ mới. Hợp tác theo chuỗi cung ứng giúp chia sẻ chi phí hạ tầng và nền tảng dữ liệu. Tận dụng sức mạnh cộng đồng giúp doanh nghiệp vừa và nhỏ rút ngắn khoảng cách phát triển.

IV. Kết luận ứng dụng AI trong quản lý doanh nghiệp nhỏ và vừa TPHCM

Ứng dụng trí tuệ nhân tạo là xu thế tất yếu của các doanh nghiệp tại Thành phố Hồ Chí Minh. Đây không chỉ là giải pháp tối ưu hóa chi phí mà còn là chiến lược tạo đột phá dài hạn. Sự thành công của quá trình này phụ thuộc lớn vào tầm nhìn và năng lực số của đội ngũ lãnh đạo. Tổ chức cần xây dựng chiến lược rõ ràng, bước đi linh hoạt và kiên định với mục tiêu số hóa. Thực tiễn chứng minh các doanh nghiệp chủ động đón đầu công nghệ đều đạt tốc độ tăng trưởng vượt trội. Khả năng thích ứng nhanh với thị trường giúp doanh nghiệp duy trì lợi thế cạnh tranh. Khi hệ sinh thái hỗ trợ ngày càng hoàn thiện, cơ hội tiếp cận trí tuệ nhân tạo trở nên rộng mở. Doanh nghiệp cần nắm bắt thời cơ để chuyển đổi mô hình quản trị hiệu quả. Đây là chìa khóa mở ra giai đoạn phát triển thịnh vượng và bền vững trong kỷ nguyên số.

4.1. Lợi ích thực tế khi tích hợp công cụ thông minh

Tích hợp các công cụ thông minh giúp tối giản quy trình báo cáo và quản lý hàng tồn kho. Năng suất lao động của từng phòng ban tăng lên rõ rệt. Doanh nghiệp phản ứng nhanh hơn trước những biến động của thị trường và nhu cầu tiêu dùng. Trải nghiệm của khách hàng được cá nhân hóa sâu sắc, gia tăng tỷ lệ giữ chân người dùng. Chi phí sai sót do yếu tố con người giảm xuống mức tối thiểu. Dữ liệu kinh doanh được cập nhật liên tục hỗ trợ điều hành linh hoạt. Doanh nghiệp nâng cao vị thế và năng lực cạnh tranh trên thị trường.

4.2. Khuyến nghị cho lộ trình phát triển bền vững

Doanh nghiệp cần xác định rõ mục tiêu chuyển đổi số theo từng giai đoạn cụ thể. Không nên chạy theo công nghệ đắt đỏ khi chưa có nền tảng vận hành phù hợp. Lãnh đạo cần thường xuyên đánh giá hiệu quả đầu tư công nghệ để điều chỉnh kịp thời. Việc xây dựng văn hóa doanh nghiệp cởi mở và khuyến khích sáng tạo là rất quan trọng. Nhân viên cần được trao quyền và khen thưởng khi ứng dụng thành công các công cụ mới. Phát triển bền vững đòi hỏi sự cân bằng giữa đổi mới công nghệ và quản trị nhân lực.

Nội dung chính

Tổng quan nghiên cứu

Khu vực kinh tế tư nhân tại Việt Nam hiện có hơn 940.000 doanh nghiệp đang hoạt động, trong đó các doanh nghiệp nhỏ và vừa (SMEs) chiếm tỷ trọng áp đảo gần 98%, đóng góp khoảng 40% đến 50% GDP và tạo ra trên 50% việc làm cho lực lượng lao động cả nước. Sau mốc tái cấu trúc địa giới hành chính, Thành phố Hồ Chí Minh mở rộng đã trở thành trung tâm kinh tế đầu tàu khi đóng góp 23,5% vào tổng sản phẩm quốc nội (GDP), quy tụ hơn 388.000 SMEs (chiếm 98,2% tổng số doanh nghiệp trên địa bàn). Mặc dù tỷ lệ doanh nghiệp quan tâm và đầu tư vào trí tuệ nhân tạo (AI) đã tăng trưởng nhanh từ 22% lên 44%, song thực tế chỉ có khoảng 12% đến 19% SMEs triển khai thử nghiệm các ứng dụng AI chuyên sâu trong công tác quản trị.

Vấn đề nghiên cứu cốt lõi xuất phát từ thực trạng phần lớn các công trình học thuật về AI trước đây chỉ tập trung vào các tập đoàn đa quốc gia có tiềm lực tài chính dồi dào, để lại khoảng trống tri thức lớn về cơ chế tiếp cận công nghệ của khối SMEs tại các nền kinh tế mới nổi. Mục tiêu cụ thể của luận văn là xác định và đo lường mức độ tác động của các yếu tố công nghệ, tổ chức, môi trường cùng các biến nhận thức tâm lý đến ý định ứng dụng AI trong quản trị doanh nghiệp. Nghiên cứu được giới hạn trong phạm vi không gian tại Thành phố Hồ Chí Minh mở rộng với đối tượng khảo sát là đội ngũ lãnh đạo cấp cao và quản lý chức năng. Kết quả phân tích mang lại ý nghĩa học thuật và thực tiễn sâu sắc, cung cấp cơ sở dữ liệu thực nghiệm giúp các nhà quản trị tối ưu hóa nguồn lực đầu tư số hóa và nâng cao năng lực cạnh tranh trong kỷ nguyên kinh tế số.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng mô hình tích hợp dựa trên hai nền tảng lý thuyết kinh điển: Mô hình Chấp nhận Công nghệ (TAM) và Khung bối cảnh Công nghệ - Tổ chức - Môi trường (TOE), đồng thời mở rộng với biến điều tiết Năng lực số trong quản lý (MDL).

Khung TOE giải thích các tiền đề bối cảnh ở cấp độ vĩ mô và vi mô, bao gồm 6 nhân tố: Năng lực tổ chức (OCM), Sự sẵn sàng của tổ chức (ORE), Độ phức tạp của tổ chức (OCX), Khả năng tương thích của tổ chức (OCO), Áp lực cạnh tranh (COA) và Hỗ trợ của chính phủ (GSA). Khung TAM tập trung vào 2 cấu trúc nhận thức cốt lõi là Nhận thức về tính hữu ích (PU) và Nhận thức về tính dễ sử dụng (PEOU) nhằm dự báo Ý định áp dụng AI (IAA). Nghiên cứu chủ động lược bỏ biến Thái độ sử dụng (Attitude) để phản ánh bản chất duy lý, thực dụng trong quá trình ra quyết định của các nhà quản lý doanh nghiệp. Biến Năng lực số trong quản lý (MDL) được tích hợp dưới dạng biến điều tiết, bao quát 4 khía cạnh năng lực: kiến thức nhận thức hệ thống, năng lực phân tích chiến lược, kỹ năng thực thi dự án công nghệ và niềm tin vào hiệu quả của AI theo định hướng Chuyển đổi số quốc gia tại Quyết định số 749/QĐ-TTg.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp tiếp cận hỗn hợp hai giai đoạn (two-stage hybrid approach) kết hợp giữa nghiên cứu định tính và định lượng:

• Quy trình chọn mẫu và thu thập dữ liệu: Nghiên cứu định tính được tiến hành thông qua phỏng vấn sâu bán cấu trúc với 3 chuyên gia chuyển đổi số và 2 nhà quản trị SME nhằm hiệu chỉnh thang đo. Giai đoạn khảo sát định lượng áp dụng phương pháp chọn mẫu thuận tiện, phát ra 300 phiếu khảo sát và thu về 287 phản hồi hợp lệ từ các nhà quản lý doanh nghiệp tại TP.HCM sau giai đoạn thử nghiệm sơ bộ trên 30 mẫu. Cỡ mẫu 287 vượt tiêu chuẩn khuyến nghị tối thiểu từ 100 đến 200 quan sát cho các mô hình cấu trúc phức tạp.
• Phương pháp phân tích dữ liệu: Giai đoạn một sử dụng Mô hình Cấu trúc Tuyến tính Bình phương Tối thiểu Từng phần (PLS-SEM) trên phần mềm SmartPLS. Phương pháp này được chọn nhờ tính linh hoạt với dữ liệu không phân phối chuẩn, tối ưu hóa phương sai giải thích và đánh giá toàn diện mô hình đo lường qua các tiêu chí khắt khe: hệ số tải ngoài (Outer Loadings ≥ 0,7), độ tin cậy tổng hợp (CR ≥ 0,7), phương sai trích trung bình (AVE ≥ 0,5) và tỷ số dị biệt HTMT < 0,90. Giai đoạn hai triển khai Mạng Nơ-ron Nhân tạo (ANN) với mô hình Perceptron đa tầng (MLP) và thuật toán lan truyền ngược. ANN giúp xác thực kết quả từ PLS-SEM, đồng thời phát hiện các mối quan hệ phi tuyến tính phức tạp và xếp hạng chính xác tầm quan trọng chuẩn hóa của các biến dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích định lượng từ 287 mẫu khảo sát thông qua kiểm định đơn nhân tố Harman cho thấy phương sai trích của nhân tố đầu tiên đạt dưới ngưỡng 50%, khẳng định dữ liệu không bị ảnh hưởng bởi sai lệch do phương pháp chung (CMB). Các phát hiện thống kê chính bao gồm:

• Tác động vượt trội của Tính dễ sử dụng (PEOU): Nhận thức về tính dễ sử dụng tác động trực tiếp và cùng chiều mạnh nhất đến Ý định áp dụng AI (IAA) cũng như tác động tích cực đến Nhận thức về tính hữu ích (PU) với mức ý nghĩa thống kê cao (p < 0,001).
• Vai trò thúc đẩy của Nhận thức hữu ích (PU): Nhận thức về tính hữu ích giữ vai trò trung gian quan trọng, tác động trực tiếp cùng chiều đến ý định triển khai AI trong công tác quản lý doanh nghiệp.
• Hiệu ứng điều tiết của Năng lực số (MDL): Năng lực số của nhà quản lý điều tiết tích cực mối quan hệ giữa PU, PEOU và IAA. Khi nhà quản trị có điểm số MDL cao, tác động của tính dễ sử dụng và tính hữu ích lên ý định ứng dụng AI tăng lên đáng kể so với nhóm có MDL thấp.
• Ảnh hưởng từ bối cảnh TOE: Các biến Năng lực tổ chức (OCM), Sự sẵn sàng (ORE), Tính tương thích (OCO), Áp lực cạnh tranh (COA) và Hỗ trợ chính phủ (GSA) đều có mối liên hệ cùng chiều đến PU và PEOU. Ngược lại, Độ phức tạp tổ chức (OCX) thể hiện tác động ngược chiều rõ rệt, cản trở nhận thức tích cực về công nghệ.

Thảo luận kết quả

Kết quả phân tích cho thấy việc đơn giản hóa giao diện và quy trình vận hành AI là chìa khóa quyết định hành vi ứng dụng của khối SMEs. Trong thực tế, các doanh nghiệp vừa và nhỏ thường hạn chế về nhân sự công nghệ chuyên trách; do đó, các giải pháp AI dạng ít mã hoặc không mã (Low-code/No-code) giúp giảm thiểu rào cản tâm lý e ngại chuyển đổi.

Dữ liệu nghiên cứu khi được tổng hợp qua bảng so sánh độ nhạy ANN và biểu đồ phân tán đường dẫn cấu trúc PLS-SEM đã làm nổi bật mối quan hệ phi tuyến giữa các biến:

Yếu tố dự báo	Tác động trong PLS-SEM (Tuyến tính)	Tầm quan trọng chuẩn hóa trong ANN (Phi tuyến)	Thứ hạng ưu tiên thực tế
Nhận thức tính dễ sử dụng (PEOU)	Tác động trực tiếp mạnh nhất	100,0%	Hàng đầu
Nhận thức tính hữu ích (PU)	Tác động trực tiếp có ý nghĩa	82,4%	Thứ hai
Năng lực số quản lý (MDL)	Điều tiết có ý nghĩa thống kê	78,6%	Thứ ba
Áp lực cạnh tranh (COA)	Tác động tích cực gián tiếp	64,2%	Thứ tư
Sự sẵn sàng tổ chức (ORE)	Tác động tích cực gián tiếp	58,1%	Thứ năm

Phát hiện này hoàn toàn tương đồng với các nghiên cứu của các học giả quốc tế, đồng thời phản ánh đúng thực trạng kinh tế số tại Việt Nam. Sự kết hợp giữa hạ tầng sẵn sàng và năng lực số cá nhân giúp doanh nghiệp chuyển hóa áp lực cạnh tranh thành động lực đổi mới sáng tạo, thay vì đầu tư dàn trải dẫn đến thất thoát tài chính.

Đề xuất và khuyến nghị

Dựa trên các bằng chứng thực nghiệm, 4 nhóm khuyến nghị hành động chiến lược được đề xuất:

• Chuẩn hóa và đơn giản hóa sản phẩm AI (Dành cho nhà cung cấp giải pháp): Tập trung phát triển các gói phần mềm AI quản trị chuyên biệt hóa theo ngành, tích hợp giao diện tiếng Việt thân thiện và cơ chế tương tác tự nhiên. Mục tiêu giảm 50% thời gian làm quen hệ thống và đạt 90% mức độ hài lòng về tính dễ dùng của khách hàng doanh nghiệp trong giai đoạn 6 đến 12 tháng tới.
• Nâng cao năng lực số của đội ngũ điều hành (Dành cho ban lãnh đạo SMEs): Chủ động tham gia các khóa đào tạo chuyên sâu về tư duy quản trị dữ liệu, phân tích rủi ro thuật toán và kỹ năng ứng dụng AI tạo sinh trong ra quyết định chiến lược. Doanh nghiệp cần phân bổ tối thiểu 15% đến 20% ngân sách đào tạo nội bộ cho chuyển đổi số nhằm nâng chỉ số năng lực số MDL của cấp quản lý trong lộ trình 2026 - 2028.
• Tái cấu trúc quy trình và tinh gọn bộ máy (Dành cho tổ chức doanh nghiệp): Rà soát loại bỏ các tầng nấc trung gian, giảm độ phức tạp tổ chức (OCX) để tăng tính tương thích hạ tầng khi kết nối AI với các hệ thống dữ liệu hiện hữu. Mục tiêu chuẩn hóa 100% luồng dữ liệu tác nghiệp để nâng cao hiệu suất vận hành thêm 30% đến 40% trong vòng 2 năm.
• Xây dựng khung pháp lý và chính sách trợ lực (Dành cho cơ quan quản lý nhà nước): Đẩy mạnh thực thi Quyết định số 749/QĐ-TTg, thành lập các quỹ bảo lãnh tín dụng công nghệ và triển khai các chương trình tài trợ 30% đến 50% chi phí bản quyền giải pháp số cho SMEs trên địa bàn TP.HCM trong giai đoạn 2026 - 2030.

Đối tượng nên tham khảo luận văn

• Chủ doanh nghiệp và Giám đốc điều hành (CEOs/Founders) SMEs: Cung cấp bức tranh toàn cảnh về các điều kiện sẵn sàng nội bộ, giúp các nhà lãnh đạo xây dựng lộ trình đầu tư AI thông minh, tránh lãng phí nguồn lực và nâng tỷ lệ thành công của dự án số hóa lên trên 75%.
• Các công ty công nghệ và nhà cung cấp giải pháp AI SaaS: Nắm bắt sâu sắc tâm lý và tiêu chí lựa chọn phần mềm của các nhà quản lý SME, từ đó điều chỉnh chiến lược thiết kế tính năng sản phẩm tập trung vào tính trực quan, dễ tích hợp và chi phí hợp lý.
• Cơ quan quản lý nhà nước và các tổ chức xúc tiến thương mại: Tham khảo các luận cứ khoa học để thiết kế các chương trình tập huấn kỹ năng số, xây dựng chính sách ưu đãi thuế và tạo lập môi trường kinh doanh số hóa bình đẳng cho khối kinh tế tư nhân.
• Học viên cao học, giảng viên và nhà nghiên cứu chuyên ngành Hệ thống thông tin: Tiếp cận mô hình nghiên cứu kết hợp TAM-TOE-MDL chuẩn mực cùng quy trình phân tích lai hai giai đoạn PLS-SEM và ANN với độ tin cậy dữ liệu vượt ngưỡng 95%.

Câu hỏi thường gặp

Mô hình nghiên cứu kết hợp TAM và TOE mang lại ưu thế gì vượt trội so với các mô hình đơn lẻ? Khung TOE cung cấp cái nhìn toàn diện về bối cảnh công nghệ, tổ chức và môi trường vĩ mô nhưng thiếu chiều sâu về tâm lý cá nhân, trong khi TAM tập trung vào nhận thức hành vi. Sự kết hợp này giúp giải thích trọn vẹn cơ chế ra quyết định của 287 nhà quản lý doanh nghiệp, bao quát cả áp lực ngoại cảnh lẫn năng lực nội tại.

Năng lực số của nhà quản lý (MDL) điều tiết quá trình ứng dụng AI như thế nào? Kết quả kiểm định cho thấy biến MDL đóng vai trò đòn bẩy khuếch đại. Khi nhà quản trị có hiểu biết sâu về dữ liệu, họ sẽ dễ dàng nhận ra giá trị chiến lược của AI (tăng tác động của PU) và ít gặp rào cản kỹ thuật hơn (tăng tác động của PEOU), thúc đẩy ý định áp dụng AI nhanh hơn gấp 1,5 lần so với nhóm quản lý chưa qua đào tạo số.

Tại sao nghiên cứu lại sử dụng phương pháp phân tích Mạng Nơ-ron Nhân tạo (ANN) sau PLS-SEM? Phương pháp PLS-SEM bị giới hạn ở các giả định tuyến tính. Việc tích hợp mô hình ANN với 287 quan sát giúp phát hiện các mối quan hệ phi tuyến tính tiềm ẩn, kiểm chứng độ vững của dữ liệu và xếp hạng chính xác tầm quan trọng của các nhân tố với mức sai số dự báo MSE ở mức rất thấp.

Những rào cản lớn nhất khiến các SMEs tại TP.HCM e ngại ứng dụng AI chuyên sâu là gì? Rào cản lớn nhất nằm ở Độ phức tạp tổ chức (OCX) và sự thiếu hụt nhân sự có kỹ năng số. Khoảng 80% SMEs trong mẫu khảo sát phản ánh khó khăn khi tích hợp AI vào hệ thống cũ, cùng với lo ngại về chi phí duy trì và sự phản kháng thay đổi từ nhân viên cấp dưới.

Các doanh nghiệp quy mô nhỏ và vốn hạn hẹp nên bắt đầu ứng dụng AI từ đâu? Doanh nghiệp nên ưu tiên triển khai các giải pháp AI dạng dịch vụ (SaaS) không mã với chi phí linh hoạt hàng tháng thay vì tự xây dựng hạ tầng phức tạp. Lộ trình tối ưu là áp dụng AI vào tự động hóa chăm sóc khách hàng và phân tích dữ liệu bán hàng trước khi mở rộng sang các quy trình vận hành chuyên sâu.

Kết luận

• Luận văn đã chuẩn hóa thành công mô hình lý thuyết tích hợp TAM - TOE mở rộng với biến điều tiết Năng lực số trong quản lý (MDL) cho khối doanh nghiệp nhỏ và vừa.
• Dữ liệu thực nghiệm thu thập từ 287 nhà quản lý phản ánh chính xác thực trạng chuyển đổi số tại siêu đô thị TP.HCM mở rộng, nơi đóng góp 23,5% GDP cả nước.
• Nghiên cứu khẳng định Tính dễ sử dụng (PEOU) và Năng lực số (MDL) là hai trụ cột có sức ảnh hưởng mạnh mẽ nhất đến quyết định áp dụng AI.
• Phương pháp phân tích lai PLS-SEM kết hợp ANN đã chứng minh được tính ưu việt trong việc khám phá các mối tương tác phi tuyến tính phức tạp.
• Hệ thống hàm ý quản trị đưa ra các giải pháp đồng bộ cho 3 chủ thể: Doanh nghiệp, Nhà cung cấp giải pháp công nghệ và Cơ quan hoạch định chính sách.

Đóng góp lớn nhất của công trình là lấp đầy khoảng trống học thuật về hành vi chấp nhận công nghệ của SMEs tại các nền kinh tế đang phát triển. Trong lộ trình tiếp theo từ năm 2026 đến năm 2028, các doanh nghiệp cần khẩn trương hiện đại hóa hạ tầng thông tin và chuẩn hóa dữ liệu nội bộ. Hãy chủ động trang bị năng lực số cho đội ngũ quản lý ngay hôm nay để biến trí tuệ nhân tạo thành đòn bẩy chiến lược tối ưu hóa hiệu quả vận hành và bứt phá doanh thu bền vững.

Trích đoạn nội dung tài liệu

Chương 1 không chỉ khẳng định tính cấp thiết và định hướng nghiên cứu một cách rõ ràng, mà còn tạo tiền đề logic cho các chương tiếp theo, đặc biệt là trong việc phát triển khung nghiên cứu, xây dựng giả thuyết và lựa chọn phương pháp tiếp cận phù hợp. 7 CHƯƠNG 2: TỔNG QUAN VỀ CƠ SỞ LÝ THUYẾT 2. Khái niệm về doanh nghiệp nhỏ và vừa (SMEs) Doanh nghiệp nhỏ và vừa (DNNVV) – hay Small and Medium Enterprises (SMEs) – là bộ phận quan trọng cấu thành nên nền kinh tế của hầu hết các quốc gia. Các doanh nghiệp này không chỉ đóng góp đáng kể vào tăng trưởng GDP mà còn giữ vai trò chủ chốt trong việc tạo việc làm, nâng cao thu nhập, huy động nguồn lực xã hội cho đầu tư phát triển, giảm nghèo và đảm bảo an sinh xã hội (World Bank, 2020).

Khái niệm SMEs được áp dụng rộng rãi trong các hệ thống kinh tế phát triển và đang phát triển. Tuy nhiên, tiêu chí xác định quy mô doanh nghiệp có thể khác nhau tùy theo quốc gia và bối cảnh. Theo Ngân hàng Thế giới (World Bank, 2020), doanh nghiệp siêu nhỏ thường có dưới 10 lao động; doanh nghiệp nhỏ có từ 10 đến dưới 50 lao động; và doanh nghiệp vừa có từ 50 đến 300 lao động. Liên minh châu Âu (European Commission, 2021) quy định doanh nghiệp nhỏ là doanh nghiệp có dưới 50 lao động và doanh nghiệp vừa có dưới 250 lao động.

Trong khi đó, tại Hoa Kỳ, Cục Quản lý Doanh nghiệp nhỏ (U. Small Business Administration, 2022) định nghĩa doanh nghiệp nhỏ là những doanh nghiệp có dưới 500 lao động, tùy theo ngành nghề. Ở Việt Nam, định nghĩa chính thức về DNNVV được quy định trong Luật Hỗ trợ Doanh nghiệp nhỏ và vừa số 04/2017/QH14 và được hướng dẫn chi tiết tại Nghị định số 80/2021/NĐ-CP (Chính phủ, 2021). Theo đó, DNNVV được phân loại thành ba nhóm: doanh nghiệp siêu nhỏ, doanh nghiệp nhỏ và doanh nghiệp vừa – dựa trên các tiêu chí chính gồm số lượng lao động tham gia bảo hiểm xã hội, tổng doanh thu hằng năm và tổng nguồn vốn.

Nhìn chung, mặc dù tiêu chí xác định DNNVV có sự khác biệt giữa các quốc gia, song hầu hết đều dựa trên ba yếu tố cốt lõi là lao động, doanh thu và vốn (Ayyagari, Beck & Demirgüç-Kunt, 2007). Việc hiểu rõ đặc điểm và vai trò của DNNVV là cơ sở quan trọng để hoạch định chính sách phát triển kinh tế, hỗ trợ đổi mới sáng tạo và thúc đẩy năng lực cạnh tranh quốc gia. Khái niệm AI và Ứng dụng AI 2.1 Khái niệm Trí tuệ nhân tạo (AI) là lĩnh vực của khoa học máy tính tập trung vào việc phát triển các hệ thống có khả năng thực hiện những nhiệm vụ thường đòi hỏi trí tuệ con người như học tập, suy luận, nhận thức, hiểu ngôn ngữ tự nhiên và ra quyết định (Russell & Norvig, 2021). Nói cách khác, AI tìm cách mô phỏng các quá trình nhận thức của con người thông qua máy móc và thuật toán, cho phép hệ thống tự học từ dữ liệu và cải thiện hiệu suất theo thời gian (Nilsson, 2010).

Theo định nghĩa của Tổ chức Hợp tác và Phát triển Kinh tế (Yeung, 2020), AI là “một hệ thống dựa trên máy có khả năng, đối với một mục tiêu cụ thể được xác định, đưa ra dự đoán, khuyến nghị hoặc quyết định ảnh hưởng đến môi trường vật lý hoặc ảo”. Về mặt học thuật, AI có thể được chia thành ba hướng tiếp cận chính, phản ánh quá trình phát triển của lĩnh vực này trong hơn nửa thế kỷ qua: Trí tuệ nhân tạo biểu tượng (Symbolic AI) Đây là hướng tiếp cận truyền thống, trong đó các hệ thống AI được lập trình dựa trên tập hợp các quy tắc logic và tri thức được mã hóa thủ công bởi con người. Symbolic AI mô phỏng tư duy con người thông qua biểu diễn tri thức và lý luận logic, thường được áp dụng trong các hệ chuyên gia (Expert Systems) (McCarthy, 2007; Luger, 2005). Học máy (Machine Learning – ML) Là bước tiến quan trọng trong sự phát triển của AI, học máy cho phép hệ thống “tự học” từ dữ liệu mà không cần lập trình rõ ràng cho từng tình huống.

Các thuật toán ML giúp máy tính nhận dạng mẫu, dự đoán xu hướng và tối ưu hóa quyết định dựa trên kinh nghiệm tích lũy từ dữ liệu đầu vào (Jordan & Mitchell, 2015). Công nghệ này là nền tảng cho nhiều ứng dụng AI hiện đại như nhận dạng khuôn mặt, xe tự lái, hay chatbot thông minh. 9 Như vậy, AI không chỉ là một tập hợp công nghệ, mà còn là một hệ thống tri thức liên ngành, kết hợp giữa khoa học máy tính, toán học, tâm lý học nhận thức và khoa học dữ liệu. Trong bối cảnh doanh nghiệp hiện nay, AI đóng vai trò chiến lược trong chuyển đổi số, tối ưu hóa quy trình vận hành và hỗ trợ ra quyết định quản trị hiệu quả (Davenport & Ronanki, 2018).1 Các cấp độ của Trí tuệ nhân tạo (AI) Nguồn: Russell & Norvig (2021) Trong phạm vi nghiên cứu này, Trí tuệ Nhân tạo (AI) được hiểu không chỉ đơn thuần là một tập hợp các thuật toán tính toán, mà còn là một hệ thống các khả năng kỹ thuật được thiết kế để mô phỏng và mở rộng các chức năng nhận thức của con người trong các hoạt động quản lý.

Theo định nghĩa toàn diện của Kaplan và Haenlein (2019), AI đề cập đến khả năng của một hệ thống trong việc diễn giải chính xác dữ liệu bên ngoài, học hỏi từ dữ liệu đó và sử dụng những kiến thức đã học để đạt được các mục tiêu và nhiệm vụ cụ thể thông qua sự thích ứng linh hoạt. Đối với các doanh nghiệp vừa và nhỏ (SMEs), nơi thường xuyên gặp phải những hạn chế về nguồn lực và tài chính, AI không nhất thiết được coi là một hệ 10 thống hoàn toàn tự động mà được hiểu chính xác hơn thông qua lăng kính của trí tuệ tăng cường. Quan điểm này được củng cố bởi Davenport và Ronanki (2018), những người lập luận rằng trong môi trường kinh doanh thực tế, AI hoạt động như một bộ công nghệ mở rộng khả năng phân tích của người quản lý, hỗ trợ dự báo chính xác và tối ưu hóa quy trình ra quyết định bằng cách xác định các mẫu dữ liệu phức tạp. Hơn nữa, trong bối cảnh làn sóng kỹ thuật số gần đây nhất, khái niệm về Trí tuệ Nhân tạo (AI) đã mở rộng bao gồm cả các hệ thống AI tạo sinh, có khả năng tương tác thông qua ngôn ngữ tự nhiên và đóng vai trò là đối tác cộng tác trong các nhiệm vụ sáng tạo và quản lý tri thức (Dwivedi và cộng sự, 2021).

Việc thiết lập định nghĩa về AI như một công cụ hỗ trợ năng lực quản lý là nền tảng quan trọng cho nghiên cứu này nhằm xem xét sự tương tác giữa công nghệ và khả năng sử dụng kỹ thuật số của các nhà lãnh đạo, từ đó giải thích cách các tổ chức nhỏ hơn có thể tận dụng AI để tạo ra lợi thế cạnh tranh mà không nhất thiết phải thay thế hoàn toàn vai trò của con người. Theo chương trình Chuyển đổi số quốc gia của Việt Nam (Quyết định số 749/QD-TTg), Trí tuệ nhân tạo (AI) dành cho các doanh nghiệp vừa và nhỏ được định nghĩa là công nghệ có tính tương thích cao. Điều này có nghĩa là các hệ thống AI phải có khả năng tích hợp liền mạch với các phương thức quản lý truyền thống hiện có và các hệ thống kế thừa. Đặc điểm của AI là giao diện "ít mã lập trình" hoặc "không mã lập trình", không yêu cầu đội ngũ chuyên gia phân tích dữ liệu nội bộ để vận hành.2 Ứng dụng AI Trí tuệ nhân tạo (AI) đang ngày càng đóng vai trò chiến lược trong quá trình ra quyết định (Trunk và cộng sự, 2020).

AI đã nổi lên như một công cụ mạnh mẽ để nâng cao các quy trình ra quyết định ở nhiều cấp độ quản lý khác nhau. Bằng cách tận dụng học máy (machine learning), học sâu (deep learning) và phân tích dự báo (predictive analytics), AI cho phép các nhà quản lý xử lý lượng lớn dữ liệu, xác định các mô hình và mô phỏng các kịch bản tương lai, từ đó tạo điều kiện cho các quyết định sáng suốt và mang tính chiến lược hơn (Gudigantala và cộng sự, 2023). Shrestha và cộng sự (2019) nhấn mạnh rằng AI tăng cường khả năng phán đoán của con người thông qua các mô hình kết hợp hiểu biết của con người 11 với các khuyến nghị dựa trên thuật toán, giúp tối ưu hóa tốc độ, độ chính xác và khả năng mở rộng của quyết định. Hơn nữa, AI hỗ trợ các chế độ ra quyết định khác nhau, bao gồm tự động hóa hoàn toàn, hệ thống có sự tham gia của con người và các khung hợp tác giữa AI và con người.

Những cấu hình này phụ thuộc vào bối cảnh cụ thể và thay đổi tùy theo các chức năng tổ chức như marketing, tài chính và vận hành (Ljepava, 2022). Ứng dụng của AI mở rộng trên nhiều lĩnh vực quản lý. Ví dụ, trong marketing, AI hỗ trợ các quyết định chiến lược như phân khúc khách hàng, định giá và thiết kế chiến dịch. Ljepava (2022) đã lập bản đồ các ứng dụng AI qua năm giai đoạn của quy trình marketing và nhận thấy việc sử dụng AI đáng kể trong phân tích hành vi khách hàng và tạo hỗn hợp marketing mang tính chiến thuật.

AI cũng đóng vai trò quan trọng trong quản lý nguồn nhân lực, nơi nó hỗ trợ sàng lọc ứng viên, đánh giá hiệu suất và lập kế hoạch lực lượng lao động. Các quy trình ra quyết định trong những bối cảnh này được hưởng lợi từ khả năng quản lý sự phức tạp và giảm thiểu sai lệch của con người từ AI (Alasmri & Basahel, 2022). AI một mình không thể tạo nên những thành công mà không có con người. Một lĩnh vực nghiên cứu mới nổi tập trung vào việc ra quyết định hợp tác giữa con người và AI.

Lee và cộng sự (2024) đã điều tra cách các kỹ thuật AI có thể giải thích được (XAI) hỗ trợ việc làm quen và ra quyết định trong bối cảnh chăm sóc sức khỏe. Phát hiện của họ cho thấy các giải thích dựa trên ví dụ tương tác đã cải thiện sự tin tưởng và phụ thuộc của người dùng vào hệ thống AI, dẫn đến các quyết định chính xác hơn. Điều này cho thấy vai trò của AI không phải là thay thế các nhà quản lý con người, mà là tăng cường năng lực nhận thức và chất lượng quyết định của họ.