TTRƯƠNG THÀNH HUB
Quản trị & Tổ chức · Strategy & Operations Review

Từ tư duy đến thực thi: phát triển năng lực sử dụng AI trong SME sản xuất

Kết nối Mindset, Skillset và Toolset trong công việc của đội ngũ

From Mindset to Execution: Developing AI Capabilities in Manufacturing SMEs

Thành, Trương B. · Trương Thành HUB, VietnamPhân tích khái niệm · Phiên bản 1.1

Highlights · Ý chính

  • Phân tích năng lực dùng AI qua yêu cầu và kết quả của một công việc cụ thể.
  • Kết nối Mindset, Skillset và Toolset với kiểm chứng, phối hợp và bàn giao.
  • Xem thời gian của người có chuyên môn là nguồn lực cần được bố trí và theo dõi.
  • Đánh giá chất lượng sử dụng, công sức và khả năng học qua công việc.

Tóm tắt

AI tạo sinh có thể rút ngắn việc tổng hợp và soạn nội dung, nhưng hiệu quả của công việc còn phụ thuộc vào kiểm tra, sửa và bàn giao. Bài viết phân tích vấn đề này trong tình huống giả định của một SME sản xuất, nơi nhân sự kiêm nhiệm, chuyên môn tập trung và tài liệu chưa phản ánh hết kinh nghiệm vận hành. Dựa trên nghiên cứu về hệ thống xã hội–kỹ thuật, năng lực hấp thụ, tri thức phân bố trong đội ngũ và quá trình làm việc nhóm, bài viết kết nối Mindset, Skillset và Toolset với việc thống nhất yêu cầu, kiểm chứng và huy động chuyên môn. Hai bảng chẩn đoán, đánh giá cùng chu trình cập nhật hướng dẫn được đề xuất để theo dõi chất lượng sử dụng, tổng công sức, tiến độ và năng lực tích lũy. Khung phân tích có tính khái niệm; bằng chứng về AI được dẫn từ tư vấn và hỗ trợ khách hàng, cần được xem xét thêm trong SME sản xuất.

Từ khóa: AI tạo sinh; SME sản xuất; năng lực đội ngũ; Mindset–Skillset–Toolset; kiểm chứng; học trong công việc

Abstract

Generative AI can speed up information synthesis and drafting, while overall work performance also depends on review, revision and handover. This paper examines a hypothetical manufacturing SME in which employees hold multiple roles, expertise is concentrated and documentation does not fully capture operating experience. Drawing on research into sociotechnical systems, absorptive capacity, distributed team knowledge and team processes, the paper connects Mindset, Skillset and Toolset with shared requirements, verification and the use of relevant expertise. Two diagnostic and evaluation tables, together with a workflow for updating operating instructions, are proposed to track quality in use, total effort, completion time and accumulated capability. The framework is conceptual. The cited AI evidence comes from consulting and customer support and requires further examination in manufacturing SMEs.

Keywords: generative AI; manufacturing SMEs; team capabilities; Mindset–Skillset–Toolset; verification; learning through work

1. AI trong công việc của SME sản xuất

Một SME sản xuất cần cập nhật hướng dẫn thao tác cho công đoạn đang vận hành. Nhân viên kỹ thuật dùng AI để tổng hợp tài liệu và soạn bản nháp. Khi rà soát, tổ trưởng nhận ra một thao tác chỉ phù hợp với cấu hình thiết bị trước đây; một tình huống thường gặp ở ca đêm lại chưa được đề cập. Đội ngũ phải tìm lại căn cứ, bổ sung kinh nghiệm và xác nhận điều kiện áp dụng trước khi phát hành.

Tình huống này là giả định, dùng để phân tích AI tạo sinh trong công việc xử lý thông tin và soạn nội dung. Những điều kiện của doanh nghiệp dưới đây không đại diện cho mọi SME sản xuất.

AI đã giúp phần soạn thảo nhanh hơn. Hiệu quả của toàn bộ công việc còn phụ thuộc vào lượng công sức cần để kiểm tra, sửa và bàn giao. Nếu bản nháp tiết kiệm thời gian cho người soạn nhưng làm người có kinh nghiệm phải rà lại nhiều hơn, doanh nghiệp cần xem sự thay đổi ấy có đáng giá hay không. Một giờ của nhân viên kỹ thuật và một giờ của người đang chịu trách nhiệm xử lý sự cố có thể tạo ra những chi phí cơ hội khác nhau.

Điều này đặc biệt đáng xét trong doanh nghiệp ở tình huống trên: nhân sự kiêm nhiệm, chuyên môn tập trung ở một vài người, tài liệu chưa phản ánh hết kinh nghiệm vận hành. Khả năng tạo nội dung tăng lên trong khi thời gian xác nhận vẫn bị giới hạn. Khi ấy, người có chuyên môn có thể trở thành nơi công việc dồn lại.

Vấn đề đặt ra là cách kết nối năng lực của những người tham gia. Người soạn phải đưa ra nội dung có căn cứ; người kiểm tra phải đủ khả năng đánh giá; người vận hành phải hiểu và sử dụng được kết quả. Năng lực thực thi của đội ngũ được xem qua toàn bộ quá trình ấy, kể cả khả năng xử lý khi điều kiện thay đổi.

Từ đây, việc phát triển năng lực sử dụng AI cần được đặt trong một công việc cụ thể: yêu cầu nào phải đạt, chuyên môn nào phải huy động và ai chịu trách nhiệm ở những điểm quyết định?

2. Mindset, Skillset và Toolset: từ cá nhân đến hệ thống công việc

Mindset, Skillset và Toolset có thể giúp phân tích vấn đề, với điều kiện mỗi khái niệm được gắn với hành vi và yêu cầu công việc.

Mindset thể hiện ở cách người tham gia đối xử với sự không chắc chắn: có nêu điểm chưa rõ, kiểm tra lại giả định và chấp nhận sửa nhận định khi có bằng chứng mới hay không. Người soạn cần sẵn sàng xem lại bản nháp; người có kinh nghiệm cũng cần giải thích một cách làm quen thuộc khi điều kiện áp dụng đã thay đổi. Trong bài này, Mindset được hiểu theo nghĩa đó, không đồng nhất với thái độ hào hứng trước công nghệ.

Skillset gồm kiến thức và phương pháp để thực hiện, đánh giá công việc. Với bản hướng dẫn, người soạn cần hiểu công đoạn và đọc được tài liệu nguồn. Người kiểm tra cần nhận ra sai lệch về thiết bị, trình tự và điều kiện vận hành. Sự cẩn thận giúp một người muốn kiểm tra; chuyên môn giúp họ biết phải kiểm tra điều gì và bằng cách nào.

Toolset gồm AI cùng những phương tiện giúp tạo, xác nhận và sử dụng kết quả: tài liệu thiết bị, hướng dẫn đã phê duyệt, biểu mẫu kiểm tra và hồ sơ phiên bản. Một công cụ soạn thảo tốt vẫn cần nguồn đầu vào phù hợp và cách đối chiếu đáng tin cậy.

Ba thành tố liên hệ với nhau theo từng nhiệm vụ. Thiếu chuyên môn nhận biết điều kiện áp dụng có thể khiến nhân viên chấp nhận một gợi ý không phù hợp, dù họ biết sử dụng công cụ và sẵn sàng học. Ngược lại, chuyên môn tốt nhưng nguồn tài liệu phân tán khiến người kiểm tra mất thời gian truy tìm căn cứ. Việc cải tiến phải đi từ điểm vướng thực tế; chấm điểm ba trụ cột rồi lấy trung bình khó cho biết công việc đang thiếu điều kiện nào.

Cách tiếp cận hệ thống xã hội–kỹ thuật, gắn với nghiên cứu của Trist và Bamforth (1951), đặt thay đổi công nghệ trong quan hệ với tổ chức lao động. [1] Vận dụng vào tình huống này, AI làm thay đổi tốc độ tạo nội dung, đồng thời tác động đến phần việc của người kiểm tra và người sử dụng. Phân công, thời gian và thẩm quyền vì thế cần được xem cùng năng lực cá nhân.

Một yêu cầu như “mọi nội dung phải được người có chuyên môn kiểm tra” chỉ có thể thực hiện khi người ấy biết tiêu chí, tiếp cận được căn cứ, có thời gian và có quyền yêu cầu sửa. Nếu họ phải ưu tiên xử lý sự cố liên tục, khó khăn nằm một phần ở cách bố trí công việc. Đào tạo thêm cho người soạn chưa chắc giải quyết được tình trạng bản nháp chờ duyệt.

Mindset–Skillset–Toolset được sử dụng ở đây như khung tổ chức phân tích. Các quan hệ giữa chúng cần được xem xét trong điều kiện cụ thể, chưa được coi là một mô hình đo lường đã kiểm định cho SME sản xuất.

3. Kết nối yêu cầu, bằng chứng và chuyên môn

3.1. Hiểu công việc trước khi tạo nội dung

Người soạn có thể muốn một tài liệu đầy đủ, người kiểm tra quan tâm đến tính đúng đắn, còn người vận hành cần biết phải làm gì và khi nào phải dừng để hỏi. Những nhu cầu này cần được thống nhất thành yêu cầu chung.

Trước khi soạn, đội ngũ cần xác định công đoạn, cấu hình thiết bị, người sử dụng và những tình huống được hướng dẫn. Phần nào đã có căn cứ được phê duyệt? Phần nào còn dựa vào kinh nghiệm cần xác nhận? Nếu các câu hỏi ấy chưa rõ, người duyệt phải vừa làm lại yêu cầu vừa sửa nội dung.

Cohen và Levinthal (1990) giải thích rằng kiến thức liên quan đã có giúp tổ chức nhận biết giá trị, tiếp nhận và vận dụng thông tin mới. Năng lực hấp thụ của tổ chức còn phụ thuộc vào sự trao đổi và phân bố chuyên môn giữa các thành viên. [2] Khi vận dụng vào việc dùng AI, điều này gợi ý rằng khả năng tiếp cận nhiều thông tin phải đi cùng nền tảng để hiểu và đặt thông tin vào đúng công việc.

Người ít kinh nghiệm có thể dùng AI hỗ trợ đọc, tổng hợp và diễn đạt. Phần họ chưa hiểu cần được nhận diện để trao đổi với người phù hợp. Đội ngũ không cần mọi thành viên biết như nhau; cần đủ hiểu biết chung để mô tả vấn đề và phối hợp được giữa những chuyên môn khác nhau.

3.2. Kiểm chứng cả nội dung lẫn điều kiện áp dụng

Thao tác bị tổ trưởng phát hiện trong tình huống đầu bài có thể được viết rõ và xuất phát từ một tài liệu có thật. Sai lệch nằm ở việc áp dụng tài liệu ấy cho cấu hình thiết bị đã thay đổi. Vì thế, kiểm chứng cần xét đồng thời căn cứ của nội dung và sự phù hợp với điều kiện đang dùng.

Một bản nháp thuận lợi cho kiểm tra nên phân biệt nội dung lấy từ nguồn đã xác nhận, phần diễn đạt lại và đề xuất cần đánh giá thêm. Trích dẫn do AI đưa ra cũng cần được đối chiếu với tài liệu gốc. Việc giữ được căn cứ giúp người duyệt tập trung vào chỗ có thay đổi hoặc chưa đủ thông tin, thay vì phải truy tìm lại toàn bộ.

Kinh nghiệm vận hành cần được làm rõ theo cùng nguyên tắc. Khi tổ trưởng đề nghị bổ sung một bước, người soạn nên hỏi bước ấy cần trong tình huống nào, dấu hiệu nhận biết là gì và trường hợp nào phải báo người có trách nhiệm. Cách trao đổi này giúp chuyển một lời nhắc dựa trên kinh nghiệm thành chỉ dẫn mà người khác có thể hiểu và sử dụng.

Một chữ ký phê duyệt cho biết quyết định đã được đưa ra. Để đánh giá chất lượng kiểm tra, doanh nghiệp còn cần biết quyết định ấy dựa trên căn cứ nào, điểm chưa chắc được xử lý ra sao và người kiểm tra có đủ điều kiện thực hiện trách nhiệm hay không.

3.3. Huy động đúng người và bàn giao được kết quả

Nghiên cứu về transactive memory systems xem xét cách đội ngũ phân bố và huy động tri thức. Lewis (2003) phát triển thang đo với ba phương diện: chuyên môn hóa, độ tin cậy đối với tri thức của thành viên và sự phối hợp. [3] Khung này giúp làm rõ một yêu cầu thực tiễn: nhóm cần biết ai nắm loại chuyên môn nào và biết cách kết hợp chuyên môn ấy khi làm việc.

Với bản hướng dẫn đang cập nhật, người vận hành có thể hiểu những dấu hiệu tại hiện trường; nhân viên kỹ thuật hiểu cấu hình thiết bị; người phụ trách chất lượng xác nhận yêu cầu kiểm soát. Tùy cách tổ chức, một người có thể đảm nhiệm nhiều vai trò. Điều cần xác định là phần nào họ đủ khả năng xác nhận và phần nào cần ý kiến khác.

Cách huy động chuyên môn này cũng giúp xử lý sự khác biệt kinh nghiệm. Người quen dùng AI có thể hỗ trợ tổ chức thông tin; người hiểu công đoạn chỉ ra điều kiện mà tài liệu còn thiếu. Qua một nhiệm vụ chung, cả hai có cơ hội học từ phần việc của nhau. Tuổi tác tự nó không cho biết ai có năng lực nào.

Kết quả bàn giao cần được xem từ phía người nhận: họ có hiểu điều kiện áp dụng, thực hiện đúng trình tự và nhận ra giới hạn xử lý hay không? Nếu phải hỏi lại, cần phân biệt tài liệu chưa rõ với tình huống nằm ngoài phạm vi ban đầu. Hai trường hợp dẫn đến những điều chỉnh khác nhau.

Khung IMOI của Ilgen và cộng sự (2005) đặt kết quả của đội ngũ trong chu kỳ có các cơ chế trung gian và phản hồi. [4] Vận dụng ở đây, phản hồi từ sử dụng giúp cập nhật cả tài liệu lẫn cách phối hợp. Khi căn cứ sửa đổi được giữ lại, lần làm sau có thể kế thừa điều đội ngũ đã học.

Khung phân tích nối Mindset, Skillset và Toolset với yêu cầu công việc, kiểm chứng, phối hợp, kết quả sử dụng và phản hồi học tập. Nét đứt biểu thị quan hệ do tác giả đề xuất.
Hình 1. Khung phân tích năng lực thực thi của đội ngũNguồn: khung phân tích do tác giả đề xuất, vận dụng [1]–[4]. Nét đứt thể hiện các quan hệ đề xuất, cần được xem xét bằng dữ liệu thực tế.
Mở hình lớn

4. AI hỗ trợ kết quả và việc học như thế nào?

Chuyên môn giữ vai trò quan trọng trong kiểm chứng, nhưng người ít kinh nghiệm vẫn có thể nhận được lợi ích đáng kể từ AI. Nghiên cứu của Brynjolfsson, Li và Raymond (2025) trong công việc hỗ trợ khách hàng ghi nhận cải thiện lớn hơn ở nhóm ít kinh nghiệm và có năng suất ban đầu thấp hơn. Các tác giả cũng tìm thấy bằng chứng về học hỏi, trong đó một phần cải thiện vẫn được duy trì khi công cụ tạm thời không khả dụng. [5]

Kết quả này mở ra khả năng dùng AI để hỗ trợ học ngay trong công việc. Tuy nhiên, công cụ trong nghiên cứu được triển khai cho một loại nhiệm vụ và một doanh nghiệp cụ thể. Việc áp dụng vào hướng dẫn kỹ thuật tại nhà máy cần xét riêng nguồn tri thức, điều kiện vận hành và cách kiểm tra.

Nghiên cứu của Dell’Acqua và cộng sự (2026) bổ sung một giới hạn quan trọng: AI có thể cải thiện kết quả ở một số nhiệm vụ nhưng làm giảm tính đúng đắn ở nhiệm vụ khác, kể cả khi chúng có vẻ tương đương về độ khó. Thực nghiệm được thực hiện với chuyên gia tư vấn và GPT-4. [6] Hai nghiên cứu cùng gợi ý việc đánh giá theo loại nhiệm vụ và người sử dụng, đồng thời theo dõi kết quả cụ thể.

Trong tình huống của SME, có thể phân tích ba phần việc: tổng hợp thông tin đã cung cấp, diễn đạt thành hướng dẫn và xác nhận sự phù hợp với công đoạn. Mức hỗ trợ của AI cùng khả năng kiểm tra ở mỗi phần có thể khác nhau. Một bản tổng hợp tốt chưa bảo đảm phần xác nhận kỹ thuật đã được giải quyết.

Raisch và Krakowski (2021) phân tích sự phụ thuộc lẫn nhau giữa tự động hóa và tăng cường năng lực con người. [7] Cách nhìn này giúp giải thích vì sao giao công cụ làm một phần việc thường kéo theo yêu cầu tổ chức lại những phần liên quan. Giảm công sức soạn có thể tạo thêm thời gian học; cũng có thể làm nhiều bản nháp hơn dồn về người kiểm tra. Kết quả phụ thuộc vào cách bố trí và sử dụng thời gian ấy.

Để quá trình làm việc có giá trị học tập, người hướng dẫn có thể chọn một vài nội dung phải sửa và yêu cầu người soạn giải thích căn cứ, điều kiện áp dụng và lý do bác bỏ gợi ý ban đầu. Sau đó, dùng một tình huống tương tự để xem họ có nhận ra vấn đề hay không. Đây là cách kiểm tra sự tiến bộ trong hiểu biết, tránh chỉ nhìn vào chất lượng của bản nháp đã được người khác sửa.

Việc giảm kiểm tra hoặc tăng quyền tự chủ nên theo năng lực quan sát được ở nhiệm vụ đã xác định. Nhân viên làm tốt phần tổng hợp tài liệu chưa đương nhiên đủ khả năng xác nhận một thay đổi kỹ thuật. Ngược lại, khi họ đã giải thích và kiểm chứng được một nhóm nội dung, doanh nghiệp có thể điều chỉnh phân công để người có kinh nghiệm tập trung vào phần thực sự cần chuyên môn sâu.

5. Thử trên một công việc, đánh giá đến kết quả sử dụng

SME có thể bắt đầu từ một công việc đủ rõ để theo dõi yêu cầu, người tham gia và kết quả bàn giao. Công việc thí điểm cũng cần có người đủ chuyên môn đánh giá và nguồn đối chiếu phù hợp. Khi những điều kiện ấy chưa có, cải thiện tài liệu nguồn hoặc bố trí chuyên môn là phần việc cần làm trước.

Bảng 1. Từ biểu hiện công việc đến hướng can thiệp
Biểu hiệnCần làm rõHướng can thiệp
Bản nháp bị sửa nhiều về phạm viNgười soạn, người duyệt và người dùng có hiểu cùng yêu cầu?Thống nhất phạm vi và tiêu chí trước khi soạn
Người soạn khó nhận ra sai lệchThiếu kiến thức công đoạn, nguồn đối chiếu hay phương pháp kiểm tra?Thực hành kiểm chứng trên nội dung cụ thể
Công việc dồn về một ngườiChỉ người ấy đủ chuyên môn, hay trách nhiệm và thời gian chưa được bố trí?Phân định phần việc, chuẩn bị người hỗ trợ và bố trí thời gian
Người tiếp nhận vẫn phải hỏi lạiTài liệu thiếu chỉ dẫn hay tình huống đã khác phạm vi?Sửa hướng dẫn hoặc xác định cách xử lý ngoại lệ
Bảng dùng để đặt câu hỏi chẩn đoán. Một biểu hiện có thể có nhiều nguyên nhân; không dùng để tự động xếp loại nhân viên.

Với bản hướng dẫn trong tình huống này, thử nghiệm cần xác định trước nguồn tài liệu, phần AI hỗ trợ, người kiểm tra và tiêu chí chấp nhận. Ghi lại nội dung phải sửa cùng căn cứ sửa. Việc bàn giao và sử dụng tuân theo thẩm quyền, yêu cầu kiểm soát đang áp dụng cho công đoạn; nội dung chưa đủ cơ sở xác nhận cần được giữ ở trạng thái chờ xử lý.

Chu trình cập nhật hướng dẫn với AI hỗ trợ, từ thống nhất yêu cầu và chuẩn bị căn cứ đến soạn nháp, kiểm tra, phê duyệt, bàn giao và tiếp nhận phản hồi. Thay đổi sau phát hành được kiểm tra và phê duyệt lại.
Hình 2. Chu trình cập nhật hướng dẫn có AI hỗ trợNguồn: quy trình minh họa do tác giả đề xuất. Thay đổi sau phát hành đi lại qua bước kiểm tra và phê duyệt; sơ đồ không thay thế quy trình kiểm soát hiện có.
Mở hình lớn

Đánh giá nên tách tổng công sức của các thành viên khỏi thời gian hoàn tất. Công sức gồm thời gian chuẩn bị, soạn, kiểm tra và sửa. Thời gian hoàn tất còn chịu ảnh hưởng của việc chờ. Công việc có thể cần ít giờ lao động hơn nhưng được bàn giao muộn hơn vì khâu xác nhận chưa được bố trí.

Bảng 2. Đánh giá kết quả hiện tại và năng lực tích lũy
Chiều đánh giáBằng chứng cần theo dõiLưu ý khi diễn giải
Chất lượng sử dụngSai lệch còn lại sau kiểm tra; mức phù hợp với công đoạnPhân biệt lỗi nội dung với điều kiện thực tế thay đổi
Công sức và tiến độThời gian chuẩn bị, soạn, kiểm tra, sửa và chờTheo dõi cả công sức của người có chuyên môn khan hiếm
Khả năng bàn giaoNgười nhận hiểu, thực hiện được và biết giới hạn xử lýPhân biệt hỗ trợ cần thiết với việc phải giải thích lại nội dung đã hướng dẫn
Năng lực tích lũyGiải thích căn cứ, nhận ra vấn đề tương tự; sử dụng lại tri thức đã ghi nhậnTheo dõi qua những lần làm tiếp theo

Số lỗi phát hiện khi rà soát cũng cần được đọc thận trọng. Nó có thể tăng vì bản nháp kém hơn, hoặc vì người kiểm tra làm tốt hơn. Kết luận về chất lượng phải xét loại lỗi, mức nghiêm trọng và những sai lệch còn lại sau khi xử lý.

Tương tự, công sức chuẩn bị nguồn và cách kiểm tra ban đầu cần được tách khỏi công sức lặp lại ở các lần sau. Qua một số công việc đủ tương đồng, doanh nghiệp mới có thể xem khoản chuẩn bị ấy được sử dụng lại đến đâu. Nếu mỗi lần vẫn phải truy tìm căn cứ và phụ thuộc vào cùng một người, cần xem lại khả năng tái sử dụng và bàn giao.

Việc so sánh phải ghi nhận độ khó, người tham gia và điều kiện thực hiện. Thử nghiệm ban đầu cung cấp căn cứ để điều chỉnh; chưa đủ để quy toàn bộ thay đổi cho AI. Công cụ, phiên bản và phạm vi sử dụng cũng nên được ghi lại để những lần đánh giá sau có thể đối chiếu.

6. Quản trị năng lực trong điều kiện nguồn lực hạn chế

Bài toán của người quản lý là sử dụng phần chuyên môn đang có sao cho công việc đạt yêu cầu và đội ngũ có thể tiếp tục phát triển. Điều này đòi hỏi xác định những phần AI hỗ trợ được, những điểm cần người có chuyên môn và những nội dung có thể đào tạo thêm cho người khác.

Trong SME ở tình huống trên, một hướng đáng xem xét là giảm phần việc truy tìm, diễn đạt và giải thích lặp lại của người có kinh nghiệm. Nguồn tài liệu được chuẩn bị tốt, căn cứ sửa được giữ lại và người soạn tiến bộ qua từng nhiệm vụ có thể giúp họ tập trung hơn vào các vấn đề cần phán đoán chuyên môn. Hiệu quả này phải được kiểm tra qua công việc thực tế.

Quản lý chuyên môn chịu trách nhiệm về yêu cầu và mức năng lực cần có. Bộ phận nhân sự hỗ trợ bố trí việc học, ghi nhận sự tiến bộ và chuẩn bị khả năng thay thế hoặc hỗ trợ ở những phần việc phù hợp. Khi chưa thể bổ sung người, doanh nghiệp vẫn cần làm rõ cách xử lý trong thời gian chờ chuyên môn, thay vì để nhu cầu kiểm tra trở thành trách nhiệm không có thời gian thực hiện.

Bài viết là một phân tích khái niệm dựa trên nghiên cứu về công nghệ, tri thức và đội ngũ, kết hợp tình huống giả định. Bằng chứng về AI được dẫn từ công việc tư vấn và hỗ trợ khách hàng; không trực tiếp xác lập hiệu quả trong SME sản xuất. Khung ba trụ cột và các bảng gợi ý cần được điều chỉnh, xem xét thêm bằng dữ liệu tại doanh nghiệp.

Trở lại bản hướng dẫn ban đầu, cơ sở để mở rộng cách dùng AI nằm ở kết quả người vận hành nhận được và những gì đội ngũ giữ lại sau công việc: hướng dẫn dùng được, căn cứ có thể truy lại, người tham gia hiểu hơn và lần cập nhật sau bớt phụ thuộc vào việc bắt đầu lại. Những bằng chứng ấy giúp doanh nghiệp quyết định phần nào nên tiếp tục, phần nào cần sửa và năng lực nào cần được đầu tư thêm.

Tài liệu tham khảo

  1. Trist, E. L., & Bamforth, K. W. (1951). Some social and psychological consequences of the longwall method of coal-getting. Human Relations, 4(1), 3–38. https://doi.org/10.1177/001872675100400101
  2. Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553
  3. Lewis, K. (2003). Measuring transactive memory systems in the field: Scale development and validation. Journal of Applied Psychology, 88(4), 587–604. https://doi.org/10.1037/0021-9010.88.4.587
  4. Ilgen, D. R., Hollenbeck, J. R., Johnson, M., & Jundt, D. (2005). Teams in organizations: From input-process-output models to IMOI models. Annual Review of Psychology, 56, 517–543. https://doi.org/10.1146/annurev.psych.56.091103.070250
  5. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
  6. Dell’Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
  7. Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072