English title:
Sustainable AI Leadership and Stakeholder Value: An Integrated Model of Responsible Innovation, ESG Performance, and Sustainable Stakeholder Value Creation
NGUYỄN VĂN HÙNG
HIGHLIGHTS
- Khái niệm hóa Sustainable AI Leadership (SAIL) như một năng lực lãnh đạo bậc cao, phân biệt về cấp độ phân tích và miền khái niệm với Sustainable Leadership, Digital Leadership, Responsible AI Governance và Organizational Sustainable Artificial Intelligence Capabilities.
- Phát triển cơ chế chuyển hóa giá trị tuần tự SAIL → Responsible Innovation → ESG Performance → Sustainable Stakeholder Value Creation thay vì giả định AI capability tự động tạo ra giá trị bền vững.
- Định vị Stakeholder Engagement như một điều kiện biên làm tăng khả năng chuyển các kết quả ESG thành giá trị thực chất, được nhận biết và đồng kiến tạo bởi stakeholder.
- Đề xuất chương trình phát triển và kiểm định thang đo SAIL theo nhiều giai đoạn, đồng thời thích nghi các thang đo Responsible Innovation và ESG đã có nền tảng thực nghiệm.
- Mở rộng nghiên cứu AI–management từ logic adoption và firm performance sang responsible value creation, value distribution, externality management, human agency và leadership accountability.
TÓM TẮT
Sự tích hợp nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence—AI) vào chiến lược, vận hành và ra quyết định đang tái cấu trúc cách tổ chức tạo lập, bảo vệ và phân phối giá trị. Tuy nhiên, sự gia tăng năng lực AI và những cải thiện về năng suất không tự động chuyển thành giá trị bền vững. AI có thể hỗ trợ tối ưu hóa tài nguyên, nâng cao chất lượng dự báo, tăng tốc đổi mới và mở rộng quy mô hoạt động, nhưng đồng thời có thể tạo ra chi phí năng lượng, thiên lệch thuật toán, rủi ro quyền riêng tư, suy giảm quyền chủ thể của con người, dịch chuyển việc làm, tác động bất bình đẳng và những vấn đề mới về trách nhiệm giải trình. Khoảng cách giữa AI capability và sustainable stakeholder value vì vậy đặt ra một vấn đề lãnh đạo hơn là thuần túy công nghệ.
Nghiên cứu này phát triển khái niệm Sustainable AI Leadership (SAIL) như một năng lực lãnh đạo bậc cao phản ánh khả năng định hướng mục đích sử dụng AI, phân bổ sự chú ý và nguồn lực, duy trì human agency và meaningful oversight, tích hợp mục tiêu ESG, cân bằng trade-offs giữa các stakeholder và chịu trách nhiệm đối với giá trị dài hạn do AI tạo ra. Dựa trên Upper Echelons Theory, Stakeholder Theory và Responsible Innovation, bài viết đề xuất mô hình chuyển hóa tuần tự SAIL → Responsible Innovation (RI) → ESG Performance (ESGP) → Sustainable Stakeholder Value Creation (SSVC). Stakeholder Engagement được định vị như một boundary condition điều tiết quan hệ giữa ESG Performance và SSVC.
Về phương pháp, nghiên cứu đề xuất chương trình nhiều giai đoạn gồm xác lập miền khái niệm, phát triển item, đánh giá content validity, pilot study, xác nhận cấu trúc bậc cao và kiểm định structural model bằng structural equation modeling. Đóng góp chính gồm: phân biệt leadership-level capability với organizational sustainable AI capability; xác định cơ chế chuyển hóa từ leadership orientation đến sustainable stakeholder value; và chuyển tiêu điểm nghiên cứu AI từ adoption/performance sang việc tạo lập, phân phối và duy trì giá trị có trách nhiệm cho nhiều stakeholder.
Từ khóa: Sustainable AI Leadership; Responsible AI; Responsible Innovation; ESG Performance; Stakeholder Engagement; Sustainable Stakeholder Value Creation; AI Governance; Human Agency.
- GIỚI THIỆU
AI đang dịch chuyển từ vị trí một công nghệ chức năng sang vai trò của một hạ tầng chiến lược có khả năng thay đổi cấu trúc vận hành, quá trình ra quyết định và logic cạnh tranh của tổ chức. Những ứng dụng AI hiện không còn giới hạn ở tự động hóa tác vụ lặp lại mà ngày càng tham gia vào dự báo, tuyển dụng, đánh giá nhân sự, phân bổ tín dụng, quản trị rủi ro, thiết kế sản phẩm, tối ưu hóa chuỗi cung ứng, dịch vụ khách hàng và hoạch định chiến lược. Iansiti và Lakhani (2020) cho rằng các tổ chức lấy AI làm trung tâm có thể phát triển một kiến trúc vận hành mới, trong đó dữ liệu, thuật toán và mạng lưới làm giảm những giới hạn truyền thống về quy mô, phạm vi và tốc độ học hỏi. Điều đó khiến AI không chỉ là vấn đề lựa chọn công nghệ mà trở thành vấn đề thiết kế tổ chức và lãnh đạo.
Sự mở rộng này tạo ra một nghịch lý. Một mặt, AI mang lại khả năng nâng cao năng suất, tăng độ chính xác của dự báo, cá nhân hóa dịch vụ và tối ưu hóa nguồn lực. Mặt khác, việc phát triển và vận hành AI tạo ra những externalities mà các chỉ số hiệu suất truyền thống có thể không phản ánh đầy đủ. Các hệ thống AI có thể tạo bias từ dữ liệu lịch sử, làm thay đổi chất lượng công việc, làm mờ ranh giới trách nhiệm giữa con người và thuật toán, tăng nhu cầu tính toán và tiêu thụ điện, hoặc chuyển chi phí xã hội từ doanh nghiệp sang người lao động, cộng đồng và môi trường.
Dữ liệu về năng lượng minh họa rõ nghịch lý này. International Energy Agency (IEA, 2025) ước tính các trung tâm dữ liệu đã tiêu thụ khoảng 415 TWh điện trong năm 2024, tương đương khoảng 1,5% tổng tiêu thụ điện toàn cầu. AI vì vậy vừa có thể là công cụ hỗ trợ sustainability vừa trở thành một nguồn áp lực mới đối với sustainability. Phân biệt giữa AI for sustainability và sustainability of AI trở nên đặc biệt quan trọng: một hệ thống AI có thể giảm lãng phí trong một khâu nhưng đồng thời gia tăng nhu cầu tính toán ở khâu khác; có thể nâng cao năng suất nhưng làm suy giảm quyền chủ thể nghề nghiệp; hoặc tăng tính nhất quán của quyết định trong khi tái tạo những bất bình đẳng đã tồn tại trong dữ liệu.
Những vấn đề đó đã thúc đẩy sự phát triển của các framework Responsible AI. Recommendation on the Ethics of Artificial Intelligence của UNESCO đặt nhân quyền, phẩm giá con người, công bằng, minh bạch, tính bao trùm, môi trường và human oversight vào trung tâm quản trị AI (UNESCO, 2021). NIST AI Risk Management Framework tổ chức quản trị rủi ro AI quanh bốn chức năng Govern, Map, Measure và Manage, đồng thời nhấn mạnh quản trị rủi ro phải liên tục và diễn ra xuyên suốt vòng đời hệ thống (National Institute of Standards and Technology [NIST], 2023). ISO/IEC 42001:2023 tiếp tục chuyển các nguyên tắc này thành một hệ thống quản lý tổ chức có thể được thiết lập, duy trì, đánh giá và cải tiến liên tục (International Organization for Standardization [ISO], 2023). OECD (2026) bổ sung logic due diligence, trong đó doanh nghiệp cần xác định và xử lý các tác động bất lợi của AI, đồng thời tham vấn những stakeholder chịu ảnh hưởng.
Các framework này tạo nền tảng governance quan trọng, nhưng không giải quyết đầy đủ câu hỏi ai trong tổ chức định hướng việc áp dụng những nguyên tắc đó và bằng năng lực lãnh đạo nào. Policy, standard và risk framework không tự động trở thành hành vi tổ chức. Việc một tổ chức có code of ethics hoặc AI governance policy không bảo đảm rằng các nguyên tắc đó được ưu tiên khi chúng xung đột với tốc độ triển khai, doanh thu hoặc áp lực cạnh tranh.
De Cremer (2024) chỉ ra một vấn đề tương tự khi cho rằng chuyển đổi AI không nên bị chuyển giao gần như hoàn toàn cho các nhóm kỹ thuật. AI strategy đòi hỏi lãnh đạo kết nối việc triển khai công nghệ với mục tiêu, giá trị và chiến lược của toàn tổ chức. Quan điểm này củng cố một luận điểm nền tảng của nghiên cứu hiện tại: AI càng trở thành hạ tầng chiến lược, trách nhiệm lãnh đạo càng không thể bị giản lược thành AI literacy hoặc sự ủng hộ chung đối với chuyển đổi số.
Nghiên cứu gần đây đã bắt đầu dịch chuyển từ AI adoption sang sustainable AI capabilities. Đáng chú ý, Qalati và Siddiqui (2026) phát triển và kiểm định Organizational Sustainable Artificial Intelligence Capabilities (OSAIC) như một cấu trúc bậc cao, phản ánh khả năng của tổ chức trong sustainable AI sensing, seizing, learning, stakeholder integration và transformation. Công trình này là bước tiến quan trọng vì tích hợp sustainability vào logic dynamic capabilities và chứng minh rằng định hướng bền vững không nhất thiết cản trở innovation.
Tuy nhiên, chính sự xuất hiện của OSAIC làm cho ranh giới lý thuyết của leadership construct mới phải được xác định chính xác hơn. OSAIC trả lời câu hỏi tổ chức có khả năng làm gì với AI theo định hướng bền vững; nó không trực tiếp trả lời câu hỏi lãnh đạo xác lập mục đích, phân bổ quyền quyết định, bảo vệ human agency, cân bằng các trade-offs và chịu trách nhiệm như thế nào đối với những năng lực đó.
Khoảng cách này được củng cố bởi Awan et al. (2026). Nghiên cứu của họ cho thấy việc triển khai Responsible AI có thể cải thiện organizational foresight thông qua managerial cognitive flexibility, trong khi leadership-enacted control quá mức có thể làm suy giảm khả năng học hỏi và future-oriented sensemaking. Phát hiện này gợi ý rằng governance không đơn giản là tăng cường kiểm soát. Leadership phải đồng thời tạo guardrails và bảo vệ không gian cho phán đoán, phản tư và thích ứng của con người.
Dòng nghiên cứu thứ hai liên quan đến Responsible Innovation (RI). Stilgoe et al. (2013) đề xuất bốn chiều cốt lõi anticipation, reflexivity, inclusion và responsiveness. Zhang et al. (2023) sau đó phát triển và kiểm định thang đo RI ở cấp doanh nghiệp, đồng thời cho thấy RI có liên quan nhưng phân biệt với CSR và sustainability. RI vì vậy cung cấp cơ chế lý thuyết phù hợp để giải thích cách một leadership orientation có thể được chuyển thành cách thức đổi mới cụ thể.
Dòng nghiên cứu thứ ba liên quan đến ESG. ESG Performance ngày càng được sử dụng để phản ánh kết quả môi trường, xã hội và governance. Tuy nhiên, ESG không nên được xem là kết quả cuối cùng mặc định của mọi nghiên cứu sustainability. Một tổ chức có thể cải thiện một số chỉ số ESG nhưng stakeholder vẫn không nhận được hoặc không nhận biết giá trị nếu thiếu participation, transparency hoặc fairness trong phân phối lợi ích.
Từ sự giao nhau của các dòng nghiên cứu trên xuất hiện hai khoảng trống.
Thứ nhất là mechanism gap. AI leadership, Responsible Innovation và ESG thường được nghiên cứu trong những mạch tương đối riêng biệt. Chưa có một mô hình đủ parsimonious giải thích tuần tự từ leadership orientation đến innovation process, từ innovation process đến sustainability outcomes và từ sustainability outcomes đến stakeholder value.
Thứ hai là value-distribution gap. Nhiều nghiên cứu AI vẫn đặt firm performance, productivity hoặc innovation performance làm biến kết quả cuối. Cách tiếp cận đó không trả lời đầy đủ ai hưởng lợi từ AI, nhóm nào chịu externalities, lợi ích được phân phối thế nào và liệu giá trị có được duy trì theo thời gian hay không.
Bài viết giải quyết hai khoảng trống này bằng việc phát triển khái niệm Sustainable AI Leadership (SAIL) và mô hình:
SAIL → Responsible Innovation → ESG Performance → Sustainable Stakeholder Value Creation.
Trong mô hình, Stakeholder Engagement là điều kiện biên làm mạnh hơn quá trình chuyển ESG Performance thành stakeholder value.
Nghiên cứu theo đuổi ba đóng góp. Thứ nhất, xây dựng ranh giới khái niệm cho SAIL như một leadership-level higher-order capability, phân biệt với Sustainable Leadership, Digital Leadership, Responsible AI Governance và OSAIC. Thứ hai, xác định một sequential value-conversion mechanism nối leadership với stakeholder value thông qua RI và ESG. Thứ ba, dịch chuyển câu hỏi trung tâm từ “AI có tạo giá trị hay không?” sang “AI tạo loại giá trị nào, cho ai, thông qua cơ chế nào, với externalities nào và dưới trách nhiệm lãnh đạo nào?”
- CƠ SỞ LÝ THUYẾT VÀ ĐỊNH VỊ KHÁI NIỆM
2.1. Upper Echelons Theory và vai trò của lãnh đạo trong hệ thống AI
Upper Echelons Theory cho rằng kết quả tổ chức và lựa chọn chiến lược phản ánh một phần đặc điểm, nhận thức và giá trị của lãnh đạo cấp cao (Hambrick & Mason, 1984). Lý thuyết này đặc biệt phù hợp với AI vì thuật toán không tự xác định mục đích chuẩn tắc của tổ chức.
Một mô hình AI có thể tối ưu accuracy, cost, revenue, speed, fairness hoặc nhiều tiêu chí kết hợp. Việc lựa chọn tiêu chí nào được ưu tiên và trade-off nào có thể chấp nhận không phải quyết định thuần kỹ thuật. Nó phản ánh cách tổ chức—và đặc biệt lãnh đạo—định nghĩa giá trị, rủi ro và trách nhiệm.
Hai tổ chức có thể sở hữu hạ tầng AI tương tự nhưng tạo ra kết quả rất khác nhau. Một tổ chức sử dụng AI để thay thế tối đa lao động nhằm giảm chi phí; tổ chức khác sử dụng AI để augment khả năng của người lao động và thiết kế lại công việc. Một tổ chức ưu tiên predictive accuracy nhưng ít đầu tư vào explainability; tổ chức khác chấp nhận giảm một phần accuracy để tăng khả năng giải trình. Những lựa chọn đó nằm ở tầng leadership orientation hơn là technical capability.
SAIL được định vị tại chính tầng này. Nó phản ánh cách lãnh đạo trả lời ít nhất năm câu hỏi: AI phục vụ mục đích nào; quyền quyết định nào có thể được tự động hóa; con người phải duy trì quyền can thiệp ở đâu; những externalities nào cần được xem xét; và giá trị dài hạn được phân bổ giữa các stakeholder như thế nào.
Cách định vị này tránh một sai lầm khái niệm phổ biến: đồng nhất leadership với mức độ adoption. Nhà lãnh đạo thúc đẩy AI nhanh chưa chắc là nhà lãnh đạo AI bền vững. Trong một số tình huống, hành vi lãnh đạo có trách nhiệm có thể biểu hiện bằng việc trì hoãn deployment để thực hiện impact assessment, red-team testing hoặc stakeholder consultation.
Awan et al. (2026) cung cấp bằng chứng bổ trợ cho logic này khi cho thấy managerial cognitive flexibility có vai trò trong việc chuyển Responsible AI implementation thành organizational foresight, trong khi excessive control có thể gây tác dụng ngược. Do đó, SAIL không phải control maximization; nó phản ánh khả năng thiết kế sự cân bằng giữa accountability và judgment.
2.2. Stakeholder Theory và logic tạo giá trị đa chủ thể
Stakeholder Theory mở rộng mục tiêu của doanh nghiệp từ việc tập trung độc quyền vào shareholder returns sang việc xem xét các nhóm có thể ảnh hưởng hoặc bị ảnh hưởng bởi hoạt động của tổ chức (Freeman, 1984). Trong hệ sinh thái AI, tập stakeholder có thể đặc biệt rộng.
Người lao động chịu tác động bởi automation, augmentation và algorithmic management. Khách hàng chịu ảnh hưởng bởi personalization, algorithmic pricing, profiling và automated decisions. Nhà đầu tư quan tâm đến AI risk và sustainability exposure. Cộng đồng địa phương có thể chịu tác động bởi cơ sở hạ tầng dữ liệu, năng lượng và tài nguyên. Cơ quan quản lý quan tâm đến accountability, privacy và discrimination. Xã hội rộng hơn chịu ảnh hưởng bởi misinformation, inequality, market concentration và biến đổi cấu trúc việc làm.
Điểm quan trọng là giá trị đối với một stakeholder có thể đồng thời tạo chi phí đối với stakeholder khác. Tự động hóa có thể làm tăng shareholder value và giảm giá thành sản phẩm nhưng làm giảm job quality. Cá nhân hóa có thể tăng customer convenience nhưng làm tăng privacy risk. AI-driven efficiency có thể giảm một số chi phí vận hành nhưng tăng nhu cầu hạ tầng tính toán.
Vì vậy, sustainable stakeholder value không thể được suy ra từ firm performance tổng hợp.
Trong nghiên cứu này, Sustainable Stakeholder Value Creation (SSVC) được hiểu là khả năng tạo và duy trì giá trị kinh tế, con người, khách hàng, xã hội, môi trường và governance theo cách không phụ thuộc vào việc chuyển externalities một cách thiếu minh bạch sang các nhóm khác hoặc sang tương lai.
SSVC vì vậy có sáu miền dự kiến: economic value; employee/human value; customer value; societal/community value; environmental value; và governance/trust value.
Cách tiếp cận này cũng tương thích với thảo luận về tương lai việc làm. Autor et al. (2022) nhấn mạnh rằng giá trị của công nghệ không thể tách khỏi cách xã hội và tổ chức thiết kế công việc quanh công nghệ. AI không tự quyết định liệu năng suất tăng sẽ chuyển thành công việc tốt hơn, mức lương cao hơn hay đơn thuần thành cắt giảm lao động; những hệ quả đó phụ thuộc vào lựa chọn tổ chức và thể chế.
2.3. Responsible Innovation như cơ chế chuyển hóa
Responsible Innovation cung cấp một nền tảng trung gian giữa định hướng lãnh đạo và kết quả tổ chức. Owen et al. (2012) và Stilgoe et al. (2013) phát triển logic đổi mới có trách nhiệm như một quá trình không chỉ hướng tới novelty hoặc commercial success mà đồng thời xem xét hệ quả, giá trị và sự tham gia xã hội.
Khung AIRR gồm bốn chiều.
Anticipation đòi hỏi dự báo những tác động có thể xảy ra, bao gồm cả hệ quả ngoài dự kiến. Trong AI, anticipation có thể bao gồm bias assessment, energy implications, privacy risk, labor impact hoặc downstream misuse.
Reflexivity yêu cầu tổ chức xem xét lại giả định, giá trị và giới hạn tri thức của chính mình. Một nhóm phát triển AI cần có khả năng đặt câu hỏi liệu objective function đang tối ưu có thực sự đại diện cho mục tiêu tổ chức hay không.
Inclusion yêu cầu mở rộng tiếng nói của những stakeholder chịu tác động. Điều này đặc biệt quan trọng khi developer hoặc executive team không đại diện cho những nhóm sẽ chịu hậu quả của automated decisions.
Responsiveness là khả năng thay đổi hướng đi khi có bằng chứng hoặc quan ngại mới. Với AI, responsiveness phải bao gồm khả năng sửa, tạm dừng, giới hạn phạm vi hoặc rút một hệ thống.
Zhang et al. (2023) đã chuyển framework này thành thang đo thực nghiệm, đồng thời cho thấy RI khác sustainability và CSR về mặt discriminant validity. Vì vậy, nghiên cứu hiện tại không cần tái phát triển RI construct mà có thể thích nghi thang đo hiện có.
Điều quan trọng hơn là RI có thể được xem như value-conversion process. SAIL định hướng lãnh đạo, nhưng leadership orientation chỉ tạo giá trị khi được chuyển thành cách thức phát triển và triển khai AI. RI chính là tầng quá trình đó.
2.4. ESG Performance như lớp kết quả trung gian
ESG Performance được sử dụng trong nghiên cứu này không phải như một nhãn đồng nghĩa với sustainability, mà như một lớp organizational outcomes giữa Responsible Innovation và stakeholder value.
Phân biệt này giải quyết hai vấn đề.
Thứ nhất, RI là process; ESGP là outcome. Một tổ chức có thể áp dụng impact assessment, consultation và reflexive review, nhưng nếu những quy trình đó không cải thiện energy efficiency, fairness, workplace outcomes, transparency hoặc accountability, chưa thể kết luận sustainability outcome đã xuất hiện.
Thứ hai, ESGP chưa phải stakeholder value. Một tổ chức có thể cải thiện ESG metrics nhưng stakeholder vẫn không nhận biết giá trị nếu việc cải thiện không giải quyết nhu cầu của họ hoặc thiếu legitimacy.
Environmental performance có thể bao gồm giảm năng lượng, phát thải, waste hoặc resource intensity. Social performance có thể phản ánh inclusion, fairness, worker wellbeing, skills và quality of work. Governance performance có thể phản ánh accountability, transparency, traceability, human oversight và contestability.
ESGP vì vậy đóng vai trò bridge outcome: nó giúp chuyển từ process responsibility sang distributed value.
2.5. Responsible AI Governance và giới hạn của cách tiếp cận framework
Các framework quốc tế tạo nền tảng chuẩn tắc và quản trị mạnh. UNESCO (2021) đặt human dignity, rights, fairness và environmental sustainability vào core values. NIST (2023) cung cấp logic quản trị rủi ro xuyên vòng đời. ISO (2023) cung cấp architecture của AI management system. OECD (2026) nhấn mạnh due diligence và stakeholder consultation.
Tuy nhiên, việc một tổ chức áp dụng framework không đồng nghĩa với việc leadership capability đã được hình thành.
Responsible AI Governance là organizational arrangement gồm policy, role, process, control, documentation và assurance. SAIL là leadership capability liên quan đến cách những arrangement đó được ưu tiên, diễn giải, kích hoạt và bảo vệ khi xuất hiện xung đột với mục tiêu ngắn hạn.
Sự phân biệt này là nền tảng bảo vệ conceptual distinctiveness của SAIL.
- KHÁI NIỆM HÓA SUSTAINABLE AI LEADERSHIP
Nghiên cứu định nghĩa:
Sustainable AI Leadership (SAIL) là năng lực bậc cao của lãnh đạo trong việc định hướng mục đích, phân bổ sự chú ý và nguồn lực, thiết kế và kích hoạt cơ chế giám sát, bảo vệ human agency, cân bằng các trade-offs và chịu trách nhiệm đối với việc phát triển và sử dụng AI nhằm đồng thời thúc đẩy đổi mới có trách nhiệm, tích hợp mục tiêu ESG và tạo giá trị dài hạn cho nhiều stakeholder.
Định nghĩa này chứa năm ranh giới.
Thứ nhất, SAIL là leadership capability, không phải AI adoption intensity.
Thứ hai, nó tập trung vào direction and stewardship, không phải technical proficiency.
Thứ ba, human agency và accountability là thành phần nội tại chứ không phải outcome phụ.
Thứ tư, ESG và stakeholder value được đưa vào logic quyết định ngay từ giai đoạn lựa chọn và thiết kế AI.
Thứ năm, SAIL đặt trọng tâm vào long-term value thay vì tối ưu hóa lợi ích cục bộ.
SAIL được đề xuất như một reflective–reflective higher-order construct gồm năm chiều bậc một.
3.1. Responsible AI Strategic Orientation
Responsible AI Strategic Orientation phản ánh mức độ lãnh đạo tích hợp các nguyên tắc AI có trách nhiệm vào chiến lược, danh mục đầu tư, tiêu chí thành công và phân bổ nguồn lực.
Trọng tâm của chiều này không phải là sự tồn tại của code of ethics. Một tổ chức có thể có AI principles nhưng vẫn đánh giá dự án hoàn toàn bằng ROI và speed-to-deployment.
Lãnh đạo có Responsible AI Strategic Orientation sẽ đồng thời xem xét accuracy, productivity, fairness, privacy, explainability, accountability, environmental impact và long-term stakeholder consequences.
De Cremer (2024) nhấn mạnh rằng lãnh đạo cần lấy lại vai trò chủ động trong chuyển đổi AI thay vì để chiến lược bị định hình chủ yếu bởi nhóm kỹ thuật. Điều này trực tiếp hỗ trợ logic của chiều chiến lược: AI decisions phải được kết nối với organizational purpose.
3.2. Human-Centred AI Stewardship
Human-Centred AI Stewardship phản ánh khả năng bảo vệ human agency, dignity, meaningful oversight và professional judgment.
“Human in the loop” chỉ có ý nghĩa khi con người có đủ thông tin, năng lực và thẩm quyền để can thiệp. Một nhân viên được yêu cầu phê duyệt kết quả thuật toán nhưng không có quyền thay đổi quyết định không tạo ra meaningful oversight.
Vallor (2024) lập luận rằng các hệ thống AI hiện đại thường phản chiếu những mô thức đã tồn tại trong dữ liệu quá khứ. Điều đó đặt ra giới hạn quan trọng: prediction không tự động trở thành prescription. Dữ liệu về những gì con người từng làm không tự trả lời câu hỏi xã hội nên hướng tới tương lai nào.
Human-Centred AI Stewardship vì vậy đòi hỏi lãnh đạo bảo vệ không gian cho judgment, dissent, contestability và learning.
3.3. Sustainability-Oriented AI Governance
Sustainability-Oriented AI Governance phản ánh mức độ lãnh đạo đưa environmental và social externalities của chính AI vào lựa chọn công nghệ và deployment.
AI sustainability không chỉ là việc dùng AI để đạt mục tiêu ESG. Nó bao gồm việc hỏi chính hệ thống AI có được phát triển và sử dụng theo cách tương thích với các mục tiêu đó hay không.
Chiều này có thể bao gồm computing efficiency, energy source, carbon implications, hardware lifecycle, water use, workforce displacement, accessibility và inclusion.
Bằng chứng IEA (2025) về tăng trưởng nhu cầu điện của data centres làm rõ rằng sustainability of AI không phải vấn đề ngoại vi. Khi quy mô tính toán tăng, quyết định mô hình, hạ tầng và deployment trở thành quyết định có tác động môi trường.
3.4. Stakeholder-Oriented AI Leadership
Stakeholder-Oriented AI Leadership phản ánh khả năng xác định stakeholder chịu tác động, đưa tiếng nói của họ vào governance và cân bằng các yêu cầu cạnh tranh.
OECD (2026) nhấn mạnh việc tham vấn người lao động, cộng đồng bị ảnh hưởng, chuyên gia độc lập và các nhóm xã hội trong quá trình xác định rủi ro AI. Engagement có ý nghĩa phải diễn ra trước và trong hoạt động có khả năng tạo tác động, chứ không chỉ sau khi quyết định đã hoàn tất.
Stakeholder vì vậy được xem là nguồn tri thức và legitimacy, không chỉ là đối tượng truyền thông.
3.5. Long-Term AI Value Orientation
Long-Term AI Value Orientation phản ánh khả năng ưu tiên resilience, trust và sustainable value thay cho tối ưu hóa ngắn hạn.
Một hệ thống có thể tạo ROI cao trong ngắn hạn nhưng làm tăng technical debt, deskilling, legal exposure hoặc trust erosion. Nếu những chi phí này xuất hiện chậm, financial metrics tại thời điểm triển khai có thể đánh giá quá cao giá trị thực.
Long-term orientation buộc lãnh đạo đặt câu hỏi liệu lợi ích hiện tại có được tạo ra bằng cách chuyển chi phí sang tương lai, môi trường hoặc stakeholder khác hay không.
- PHÂN BIỆT SAIL VỚI CÁC KHÁI NIỆM LÂN CẬN
Tính mới của một construct không thể được bảo vệ chỉ bằng việc đặt tên mới. SAIL phải chứng minh sự khác biệt về level of analysis, conceptual domain, behavioral content và nomological role.
4.1. SAIL và Sustainable Leadership
Sustainable Leadership có phạm vi rộng về trách nhiệm xã hội, environmental stewardship và long-term organizational viability. SAIL hẹp hơn về technological domain nhưng sâu hơn về những yêu cầu đặc thù của AI như algorithmic accountability, data governance, human oversight, model-related externalities và phân bổ quyền quyết định Người–AI.
SAIL vì vậy không thay thế Sustainable Leadership mà là một construct chuyên biệt cho một domain công nghệ có đặc tính agency-like và decision-making đặc biệt.
4.2. SAIL và Digital Leadership
Digital Leadership thường nhấn mạnh digital transformation, innovation, adaptability, technological vision và organizational change.
Một digital leader có thể rất hiệu quả trong việc đẩy nhanh AI adoption nhưng chưa chắc xử lý stakeholder rights, environmental externalities hoặc algorithmic accountability.
Do đó, technology orientation không đủ để suy ra sustainability orientation.
4.3. SAIL và Responsible AI Governance
Responsible AI Governance gồm policy, procedure, accountability structure, technical control, audit và risk management.
SAIL không phải một hệ thống governance. Nó là năng lực lãnh đạo trong việc thiết kế, ưu tiên, kích hoạt, diễn giải và chịu trách nhiệm đối với hệ thống governance.
Tổ chức có thể có cùng ISO/NIST-inspired controls nhưng khác nhau trong cách lãnh đạo sử dụng chúng.
4.4. SAIL và OSAIC
Đây là ranh giới quan trọng nhất.
Qalati và Siddiqui (2026) định vị OSAIC là organizational sustainable AI capability gồm sensing, seizing, learning, stakeholder integration và transformation.
SAIL nằm ở leadership level và tập trung vào purpose, stewardship, oversight, trade-offs và responsibility.
Có thể diễn đạt sự khác biệt:
OSAIC: tổ chức có năng lực nào để cảm nhận, huy động, học hỏi và chuyển đổi AI bền vững?
SAIL: lãnh đạo định hướng, phân bổ ưu tiên và chịu trách nhiệm như thế nào để những năng lực đó tạo ra giá trị bền vững?
Sự phân biệt này phải được kiểm tra thực nghiệm. Nếu SAIL không chứng minh discriminant validity với OSAIC, contribution của construct sẽ suy yếu đáng kể.
- MÔ HÌNH NGHIÊN CỨU VÀ PHÁT TRIỂN GIẢ THUYẾT
Mô hình được giữ parsimonious:
SAIL → RI → ESGP → SSVC
và:
Stakeholder Engagement × ESGP → SSVC.
Cấu trúc này tránh “laundry-list model” với quá nhiều direct effects, moderators và mediators.
5.1. Sustainable AI Leadership và Responsible Innovation
Anticipation, reflexivity, inclusion và responsiveness không tự xuất hiện chỉ vì doanh nghiệp sở hữu AI governance policy. Chúng phụ thuộc vào incentive, resource allocation và psychological permission do lãnh đạo tạo ra.
Nếu executive team chỉ thưởng tốc độ và financial return, development teams có thể giảm thời gian dành cho impact assessment hoặc stakeholder consultation.
Ngược lại, nếu lãnh đạo yêu cầu responsibility được tích hợp vào project gates và performance criteria, RI có khả năng trở thành một operational logic.
SAIL cũng tạo permission structure cho responsiveness. Một nhóm AI chỉ có thể dừng hoặc tái thiết kế hệ thống khi có rủi ro nếu lãnh đạo không xem việc thay đổi hướng đi như thất bại.
Do đó:
H1. Sustainable AI Leadership có quan hệ tích cực với Responsible Innovation.
5.2. Responsible Innovation và ESG Performance
RI đưa environmental, social và governance concerns vào quá trình đổi mới.
Anticipation có thể giúp phát hiện energy demand hoặc discrimination trước deployment.
Reflexivity giúp nhóm đánh giá lại assumption về efficiency và stakeholder value.
Inclusion giúp phát hiện rủi ro mà development team có thể bỏ qua.
Responsiveness tạo khả năng sửa đổi hệ thống khi externalities xuất hiện.
Zhang et al. (2023) cho thấy RI phân biệt về mặt đo lường với sustainability, cho phép xem RI như antecedent thay vì thành phần trùng lặp của ESG outcome.
Do đó:
H2. Responsible Innovation có quan hệ tích cực với ESG Performance.
5.3. ESG Performance và Sustainable Stakeholder Value Creation
Environmental improvement có thể giảm externalities và resource costs. Social improvement có thể tăng employee wellbeing, fairness và inclusion. Governance improvement có thể củng cố transparency, accountability và trust.
Nhưng ESGP chỉ thực sự có ý nghĩa quản trị khi những kết quả đó được chuyển thành giá trị đối với stakeholder.
SSVC vì vậy được sử dụng như một outcome đa chiều thay vì synonym của firm value.
Do đó:
H3. ESG Performance có quan hệ tích cực với Sustainable Stakeholder Value Creation.
5.4. Vai trò trung gian của Responsible Innovation
SAIL không trực tiếp “tạo ra” ESG outcomes. Leadership trước hết định hình cách innovation được thực hiện.
Một leadership orientation về sustainability chỉ có thể ảnh hưởng ESG nếu nó được phản ánh trong anticipation, inclusion, reflexivity và responsiveness.
Do đó:
H4. Responsible Innovation trung gian mối quan hệ giữa Sustainable AI Leadership và ESG Performance.
5.5. Vai trò trung gian của ESG Performance
Responsible Innovation trước hết thay đổi quality of innovation process. Để process đó trở thành stakeholder value, nó cần tạo ra observable sustainability outcomes.
ESGP vì vậy là tầng chuyển đổi giữa responsible process và distributed value.
Do đó:
H5. ESG Performance trung gian mối quan hệ giữa Responsible Innovation và Sustainable Stakeholder Value Creation.
5.6. Cơ chế trung gian tuần tự
Lập luận mạnh nhất của mô hình không phải một direct effect từ SAIL đến SSVC mà là chuỗi cơ chế:
Leadership orientation → Responsible innovation process → Sustainability outcomes → Stakeholder value.
Cấu trúc này giải thích tại sao cùng một mức AI investment có thể tạo kết quả khác nhau.
Do đó:
H6. Responsible Innovation và ESG Performance trung gian tuần tự mối quan hệ giữa Sustainable AI Leadership và Sustainable Stakeholder Value Creation.
5.7. Vai trò điều tiết của Stakeholder Engagement
Cùng một mức ESGP có thể được stakeholder trải nghiệm rất khác nhau.
Ví dụ, một công ty có thể báo cáo social performance tốt hơn sau automation vì productivity và training expenditure tăng. Tuy nhiên, người lao động vẫn có thể cảm nhận mất agency nếu họ không được tham gia thiết kế lại công việc.
Tương tự, environmental improvement có thể không chuyển thành community value nếu cộng đồng thiếu thông tin hoặc grievance mechanisms.
OECD (2026) nhấn mạnh stakeholder consultation như một phần của AI due diligence. Engagement giúp stakeholder tham gia xác định priority, phát hiện impact và diễn giải trade-offs.
Do đó:
H7. Stakeholder Engagement điều tiết tích cực mối quan hệ giữa ESG Performance và Sustainable Stakeholder Value Creation, theo đó quan hệ này mạnh hơn khi Stakeholder Engagement cao.
- PHƯƠNG PHÁP NGHIÊN CỨU
6.1. Thiết kế nghiên cứu
Do SAIL là construct mới, nghiên cứu cần tách scale development khỏi structural model testing. Việc tạo một số item rồi đưa trực tiếp vào SEM cùng mẫu chính sẽ không đủ để bảo vệ construct validity.
Một chương trình bốn giai đoạn được đề xuất.
Giai đoạn 1: Domain specification và item generation
Miền nội dung được xây dựng từ literature về AI leadership, Sustainable Leadership, Responsible AI, human-centred AI, stakeholder governance, AI sustainability và Responsible Innovation.
Item generation cần tuân theo ba nguyên tắc.
Thứ nhất, mỗi item chỉ đo một ý chính.
Thứ hai, item phải mô tả leadership orientation hoặc behavior, không dùng technical jargon không cần thiết.
Thứ ba, item không được chứa outcome của mô hình như ESG performance hoặc stakeholder value, nếu không sẽ tạo criterion contamination.
Hinkin (1998) và DeVellis và Thorpe (2021) nhấn mạnh tầm quan trọng của domain specification và content representativeness trong scale development.
Một pool ban đầu khoảng 40–60 item có thể được tạo ra trước khi expert review.
Giai đoạn 2: Content validity
Hội đồng khoảng 10–15 chuyên gia nên gồm học giả leadership/AI governance, nhà quản trị AI và chuyên gia ESG.
Các chuyên gia đánh giá relevance, clarity và representativeness.
I-CVI và S-CVI có thể được sử dụng; Q-sort đặc biệt quan trọng để xác định liệu các item có thực sự được phân loại vào năm chiều dự kiến hay không.
Một thử nghiệm quan trọng là cho chuyên gia đồng thời phân loại item SAIL và item OSAIC. Nếu sự phân biệt nội dung không rõ ở bước này, SEM sau đó khó có thể cứu được conceptual distinctiveness.
Giai đoạn 3: Pilot study
Pilot có thể sử dụng khoảng 150–250 nhà quản trị làm việc tại các tổ chức đã ứng dụng AI.
EFA được sử dụng để đánh giá cấu trúc bậc một.
Quyết định loại item không chỉ dựa trên loading. Item có loading cao nhưng làm mất nội dung quan trọng không nên bị loại cơ học.
Các tiêu chí xem xét gồm factor loading, cross-loading, communality, redundancy và theoretical coverage.
Giai đoạn 4: Main study
Mẫu chính khoảng 400–600 nhà quản trị cấp trung và cấp cao có tham gia quyết định liên quan AI, innovation, sustainability hoặc governance.
Mẫu đa ngành giúp tăng external validity nhưng cũng tạo heterogeneity. Các biến như industry, firm size, ownership, AI intensity và regulatory exposure cần được mô tả rõ.
Nếu nghiên cứu được tiến hành tại Việt Nam, kết luận phải giới hạn theo sampling frame. Không nên tuyên bố kết quả đại diện toàn cầu nếu dữ liệu chỉ được thu tại một quốc gia.
6.2. Đơn vị phân tích
Đơn vị phân tích lý thuyết là tổ chức, trong khi SAIL được đánh giá thông qua perception của respondent về định hướng và hành vi của senior leadership.
Điều này tạo potential level-of-analysis issue.
Thiết kế tốt hơn là multi-informant: một respondent đánh giá SAIL/RI và một respondent khác đánh giá ESGP/SSVC.
Nếu có nhiều respondent cho mỗi tổ chức, cần kiểm tra within-group agreement và intraclass correlations trước khi aggregate.
Nếu chỉ có single respondent, cần diễn đạt construct như perceived organizational leadership capability và thận trọng khi suy luận ở cấp tổ chức.
6.3. Đối tượng khảo sát
Respondent nên đáp ứng:
- có ít nhất khoảng 2–3 năm kinh nghiệm quản trị;
- làm tại tổ chức đã triển khai AI trong ít nhất một chức năng quan trọng;
- có hiểu biết về AI-related decisions hoặc sustainability;
- có vị trí đủ cao để quan sát leadership orientation và organizational outcomes.
Các câu hỏi screening cần xuất hiện trước survey chính.
6.4. Kiến trúc thang đo
Sustainable AI Leadership
Năm chiều, dự kiến 4–5 item mỗi chiều:
- Responsible AI Strategic Orientation;
- Human-Centred AI Stewardship;
- Sustainability-Oriented AI Governance;
- Stakeholder-Oriented AI Leadership;
- Long-Term AI Value Orientation.
Các seed item minh họa:
“Lãnh đạo cấp cao tích hợp các yêu cầu Responsible AI vào quyết định chiến lược.”
“Lãnh đạo bảo đảm con người duy trì thẩm quyền can thiệp đối với các quyết định AI có hệ quả đáng kể.”
“Lãnh đạo xem xét tác động môi trường và xã hội của AI trước các quyết định đầu tư.”
“Lãnh đạo đưa quan điểm của những nhóm chịu ảnh hưởng vào quyết định AI.”
“Lãnh đạo ưu tiên giá trị dài hạn của AI ngay cả khi điều đó làm giảm một phần lợi ích ngắn hạn.”
Những item này chỉ là seed items, chưa phải validated scale.
Responsible Innovation
Nên thích nghi thang đo Zhang et al. (2023) gồm anticipation, reflexivity, inclusion và responsiveness.
Không nên phát triển lại RI nếu mục tiêu đóng góp chính nằm ở SAIL.
ESG Performance
Cần lựa chọn hoặc thích nghi thang đo ESG đã được kiểm định phù hợp với cấp tổ chức.
Ba miền gồm Environmental, Social và Governance.
Một lưu ý quan trọng là không để governance items trùng với SAIL hoặc Responsible AI Governance. ESG governance nên đo outcome/performance, không đo leadership orientation.
Stakeholder Engagement
Có thể đo qua:
- two-way dialogue;
- inclusiveness;
- timeliness;
- information quality;
- responsiveness;
- stakeholder influence on decisions.
Sustainable Stakeholder Value Creation
SSVC dự kiến gồm:
- economic value;
- employee/human value;
- customer value;
- societal/community value;
- environmental value;
- governance/trust value.
Vì SSVC là construct mới và rộng, cần đánh giá liệu higher-order specification có phù hợp hay không. Các chiều có thể có trade-offs nên không được mặc định rằng chúng luôn cùng biến động.
6.5. Quy trình dịch thuật
Nếu thang đo được dùng bằng tiếng Việt, quy trình translation/back-translation cần được áp dụng.
Dịch thuật không nên chỉ bảo đảm tương đương từ ngữ mà phải bảo đảm conceptual equivalence.
Pilot cognitive interviewing với respondent Việt Nam có thể giúp phát hiện item nghe đúng ngữ pháp nhưng không tự nhiên hoặc bị hiểu sai trong bối cảnh quản trị.
6.6. Measurement model
Nếu mục tiêu chính là theory testing và dữ liệu đáp ứng giả định, CB-SEM là lựa chọn hợp lý.
PLS-SEM có thể được dùng khi trọng tâm là prediction, cấu trúc phức tạp hoặc dữ liệu có đặc điểm phù hợp, nhưng lựa chọn phải được biện minh theo mục tiêu nghiên cứu chứ không theo sự tiện lợi (Hair et al., 2022).
Đối với reflective constructs cần báo cáo:
- standardized factor loadings;
- Cronbach’s alpha;
- composite reliability;
- AVE;
- discriminant validity.
Fornell–Larcker criterion có thể được báo cáo, nhưng HTMT nên được sử dụng như kiểm tra discriminant validity quan trọng hơn (Henseler et al., 2015).
Đối với SAIL, cần thực hiện construct differentiation tests.
Các mô hình cạnh tranh có thể gồm:
- one-factor model;
- five-correlated-factor model;
- higher-order SAIL;
- SAIL và OSAIC như hai construct phân biệt;
- mô hình gộp SAIL–OSAIC.
Nếu mô hình gộp không kém đáng kể so với mô hình phân biệt, tính mới của SAIL sẽ bị thách thức.
6.7. Structural model
H1–H7 được kiểm định bằng SEM và bootstrapped confidence intervals.
Cần báo cáo path coefficients, standard errors, confidence intervals, effect sizes và explained variance.
Serial indirect effect quan trọng nhất là:
SAIL → RI → ESGP → SSVC.
Mediation không nên được suy luận chỉ từ việc direct path mất ý nghĩa thống kê. Phân tích phải dựa trên indirect effects và confidence intervals.
Moderation được kiểm định qua interaction:
ESGP × Stakeholder Engagement → SSVC.
Simple slopes nên được trình bày tại low, mean và high values của moderator.
6.8. Common method bias
Common method bias là rủi ro quan trọng nếu toàn bộ biến được thu từ một respondent và cùng thời điểm.
Podsakoff et al. (2003) nhấn mạnh procedural remedies trước statistical remedies.
Có thể áp dụng:
- psychological separation;
- temporal separation;
- wording trung tính;
- bảo mật danh tính;
- thay đổi thứ tự khối câu hỏi;
- multi-source measurement.
Marker variable hoặc common latent factor có thể được sử dụng như robustness test.
Không nên coi Harman’s single-factor test là bằng chứng đủ để loại trừ common method bias.
6.9. Endogeneity và causal inference
Mô hình sử dụng causal narrative về mặt lý thuyết, nhưng dữ liệu cắt ngang không đủ để khẳng định nhân quả.
Thiết kế mạnh hơn là time-lagged ba thời điểm:
T1: SAIL và controls;
T2: Responsible Innovation;
T3: ESG Performance và SSVC.
Longitudinal hoặc quasi-experimental designs sẽ tạo nền tảng mạnh hơn cho causal claims.
Nếu chỉ sử dụng cross-sectional survey, manuscript nên dùng những diễn đạt như is positively associated with hoặc supports the hypothesized relationship, thay vì causes.
- CHIẾN LƯỢC PHÂN TÍCH VÀ BÁO CÁO KẾT QUẢ
Vì đây là nghiên cứu đề xuất chưa có dữ liệu thực nghiệm, không được viết kết quả theo kiểu “H1 được chấp nhận” hoặc đưa ra coefficients giả định.
Manuscript thực nghiệm sau này nên báo cáo theo bốn lớp.
Thứ nhất, sample profile, response rate và non-response bias.
Thứ hai, measurement model, bao gồm loading, reliability, AVE, HTMT và higher-order construct validation.
Thứ ba, structural model, bao gồm coefficients, confidence intervals, R² và effect sizes.
Thứ tư, mediation, moderation và robustness tests.
Đối với SAIL, kết quả quan trọng nhất không phải mọi giả thuyết đều có ý nghĩa. Giá trị học thuật lớn hơn nằm ở ba câu hỏi:
- SAIL có thực sự phân biệt với OSAIC và Responsible AI Governance không?
- RI và ESGP có thực sự tạo thành sequential conversion mechanism không?
- Stakeholder Engagement có thay đổi khả năng chuyển ESG performance thành stakeholder value không?
Nếu một trong ba không được hỗ trợ, theoretical model cần được hiệu chỉnh thay vì chỉ tìm specification khác để đạt significance.
- THẢO LUẬN HỌC THUẬT
Nếu mô hình được hỗ trợ, luận điểm trung tâm sẽ là:
AI capability is not equivalent to sustainable stakeholder value.
Năng lực AI mô tả khả năng kỹ thuật và tổ chức để khai thác AI. Nó chưa chứa câu trả lời cho việc mục đích nào được ưu tiên, externalities được xử lý ra sao hoặc giá trị được phân phối cho ai.
SAIL bổ sung tầng leadership orientation. RI bổ sung process. ESGP bổ sung observable sustainability outcomes. SSVC bổ sung distributed value outcome.
Cấu trúc này tạo ra một logic bốn tầng:
Capability → Leadership orientation → Responsible process → Sustainability outcomes → Stakeholder value.
Trong mô hình hiện tại, capability không được đặt trực tiếp như antecedent để giữ parsimony, nhưng logic đó gợi mở extension tương lai với OSAIC.
8.1. Ý nghĩa của H1
Nếu H1 được hỗ trợ, SAIL sẽ được chứng minh hoạt động chủ yếu bằng cách thay đổi cách đổi mới được thực hiện.
Điều này khác với nhiều cách tiếp cận leadership–technology nhấn mạnh adoption acceleration.
SAIL có thể đôi khi làm chậm deployment để tăng anticipation, consultation hoặc testing. Vì vậy, speed-to-deployment không phải KPI đầy đủ cho leadership quality.
8.2. Ý nghĩa của H2
Nếu H2 được hỗ trợ, Responsible Innovation sẽ được củng cố như một value-conversion mechanism.
Điều này có ý nghĩa vì RI thường bị hiểu như một yêu cầu chuẩn tắc. Quan hệ RI → ESGP cho phép kiểm tra liệu quá trình đổi mới có trách nhiệm có chuyển thành sustainability outcomes hay không.
8.3. Ý nghĩa của H3
Nếu H3 được hỗ trợ, ESGP sẽ đóng vai trò bridge outcome giữa organizational process và stakeholder value.
Nó giúp phân biệt:
doing responsible innovation
với
achieving sustainability performance
và
creating stakeholder value.
Ba lớp này không nên bị gộp thành một construct.
8.4. Ý nghĩa của H6
Serial mediation là đóng góp mạnh nhất.
Nó cung cấp causal narrative về mặt lý thuyết:
Leadership orientation → Responsible innovation → ESG outcomes → Stakeholder value.
Điều này giải thích tại sao cùng một mức đầu tư AI có thể tạo ra kết quả khác nhau giữa các tổ chức.
8.5. Ý nghĩa của H7
Stakeholder Engagement bổ sung một tầng relational.
Giá trị bền vững không chỉ được sản xuất trong doanh nghiệp rồi truyền ra ngoài. Nó được nhận biết, diễn giải và trong nhiều trường hợp đồng kiến tạo qua quan hệ stakeholder.
Một tổ chức có ESG indicators tốt nhưng thiếu trust nếu stakeholder không được tham gia hoặc không có quyền contest.
- ĐÓNG GÓP LÝ THUYẾT
9.1. Phát triển SAIL với ranh giới khái niệm rõ
Đóng góp đầu tiên là phát triển SAIL như một leadership-level higher-order capability.
Điểm mới không nằm ở việc ghép “sustainable” với “AI leadership”.
Novelty nằm ở bốn thuộc tính:
- level of analysis;
- domain specification;
- mechanism;
- nomological position.
SAIL khác OSAIC về level, khác Responsible AI Governance về nature of construct, khác Sustainable Leadership về technology specificity và khác Digital Leadership về sustainability/accountability orientation.
9.2. Tích hợp leadership, RI và ESG
Đóng góp thứ hai là tích hợp những dòng nghiên cứu thường tách biệt.
Upper Echelons Theory giải thích nguồn gốc của strategic orientation.
Responsible Innovation giải thích process.
ESG Performance phản ánh sustainability outcomes.
Stakeholder Theory giải thích distribution of value.
Mô hình vì vậy trả lời bốn câu hỏi:
Ai định hướng?
Đổi mới được thực hiện như thế nào?
Kết quả bền vững nào được tạo ra?
Giá trị được tạo cho ai?
9.3. Từ value creation sang value distribution
Đóng góp thứ ba là chuyển trọng tâm khỏi firm-centric outcomes.
AI có thể làm tăng firm value nhưng giảm employee value hoặc environmental value.
SSVC cho phép xem xét cấu hình giá trị đa chiều.
Điều này mở ra khái niệm rộng hơn về AI Sustainable Value Conversion: khả năng chuyển AI thành giá trị kinh tế, xã hội, con người, môi trường và governance mà không dựa vào việc chuyển externalities thiếu minh bạch.
9.4. Stakeholder Engagement như boundary condition
Đóng góp thứ tư là đặt Stakeholder Engagement tại vị trí lý thuyết cụ thể.
Engagement không được sử dụng như một moderator tùy ý. Nó được đặt đúng tại giai đoạn chuyển organizational outcomes thành stakeholder-experienced value.
Điều này tạo một mô hình parsimonious hơn việc thêm nhiều moderators khác nhau.
- HÀM Ý QUẢN TRỊ
Thứ nhất, hội đồng quản trị và ban điều hành không nên đánh giá AI chỉ bằng ROI, accuracy, automation rate hoặc deployment speed.
Một AI Sustainable Value Scorecard có thể bao gồm sáu miền:
| Miền | Các chỉ báo định hướng |
| Economic value | Productivity, innovation, resilience, long-term returns |
| Environmental value | Energy, emissions, resource efficiency, lifecycle impact |
| Human value | Agency, skills, wellbeing, meaningful work |
| Customer value | Fairness, privacy, safety, trust, service quality |
| Societal value | Inclusion, accessibility, community impact |
| Governance value | Transparency, accountability, oversight, contestability |
Thứ hai, leadership development cần vượt khỏi AI literacy.
Lãnh đạo cần biết đặt câu hỏi về objective functions, automation boundaries, externalities, human oversight và stakeholder impacts.
Thứ ba, Responsible AI cần được đưa upstream vào innovation process.
Anticipation phải diễn ra trước major investment.
Inclusion phải có trước các quyết định thiết kế quan trọng.
Reflexivity phải diễn ra trong thử nghiệm và deployment.
Responsiveness phải có khả năng dẫn đến sửa đổi, đình chỉ hoặc rút hệ thống.
Thứ tư, stakeholder engagement cần trở thành governance infrastructure.
Các cơ chế có thể gồm employee consultation, user councils, grievance mechanisms, community dialogue và independent impact review.
Thứ năm, các framework UNESCO, NIST, ISO và OECD nên được xem như complementary governance infrastructures.
Không framework nào tự thay thế leadership accountability.
- HÀM Ý ĐỐI VỚI QUẢN TRỊ NHÀ TRƯỜNG VÀ GIÁO DỤC ĐẠI HỌC
Mặc dù mô hình được phát triển ở cấp tổ chức nói chung, giáo dục đại học là một bối cảnh ứng dụng đặc biệt có giá trị.
Trong trường đại học, AI ngày càng được sử dụng cho teaching support, assessment, student advising, admissions, research, administrative automation và analytics.
Tuy nhiên, educational value không thể được đồng nhất với operational efficiency.
Một hệ thống AI làm giảm thời gian chấm bài nhưng làm suy giảm formative feedback có thể tăng productivity mà không tăng learning value.
Một chatbot tăng accessibility nhưng xử lý dữ liệu sinh viên không phù hợp có thể tạo service value đồng thời giảm governance value.
Một hệ thống predictive analytics giúp nhận diện sinh viên có nguy cơ bỏ học nhưng thiếu transparency có thể cải thiện intervention efficiency và đồng thời tạo surveillance concerns.
Vì vậy, SAIL trong nhà trường phải tích hợp:
- educational purpose;
- student agency;
- teacher professional judgment;
- academic integrity;
- privacy;
- fairness;
- accessibility;
- environmental sustainability;
- institutional accountability.
Stakeholder set trong giáo dục cũng rộng hơn shareholder-based logic: sinh viên, giảng viên, nhân viên, phụ huynh trong một số bối cảnh, đối tác, cộng đồng học thuật, cơ quan quản lý và xã hội.
Điều này làm SSVC đặc biệt phù hợp với bối cảnh giáo dục, nơi giá trị phải được đánh giá qua learning, human development, trust và public mission chứ không chỉ financial outcomes.
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Thứ nhất, SAIL hiện là construct được đề xuất. Tính mới lý thuyết phải được xác nhận bằng empirical construct validation.
Thứ hai, nguy cơ overlap với OSAIC là vấn đề quan trọng nhất. Nghiên cứu tương lai cần kiểm định discriminant validity và nomological distinctiveness.
Thứ ba, nếu dữ liệu cắt ngang được sử dụng, khả năng suy luận nhân quả bị hạn chế. Longitudinal và time-lagged designs cần được ưu tiên.
Thứ tư, perceptual measures có nguy cơ social desirability và common method bias. Multi-source và objective indicators nên được bổ sung.
Thứ năm, tác động AI khác nhau theo industry và regulation. Multi-group analysis có thể so sánh finance, healthcare, manufacturing, education và professional services.
Thứ sáu, Stakeholder Engagement được giữ như moderator duy nhất để bảo vệ parsimony. Future studies có thể kiểm tra regulatory pressure, AI maturity, environmental dynamism hoặc institutional context.
Thứ bảy, SSVC có thể không hoạt động như một reflective higher-order construct đơn giản. Các chiều có thể trade-off. Profile analysis có thể phù hợp hơn composite score trong một số bối cảnh.
Thứ tám, quan hệ SAIL–OSAIC là hướng mở quan trọng.
Ba mô hình cạnh tranh gồm:
SAIL → OSAIC → RI
hoặc
SAIL → RI, với OSAIC là complementary capability,
hoặc
SAIL × OSAIC → RI.
Các mô hình này không nên được đưa vào nghiên cứu ban đầu nếu làm mất parsimony.
- KẾT LUẬN
AI đang buộc nghiên cứu lãnh đạo vượt khỏi câu hỏi truyền thống về adoption và performance.
Khi thuật toán ngày càng tham gia vào phân bổ nguồn lực, đánh giá con người và định hình tương lai tổ chức, lãnh đạo phải chịu trách nhiệm không chỉ về việc AI hoạt động hiệu quả hay không mà còn về mục đích mà AI phục vụ, trade-offs mà nó tạo ra và cách giá trị/rủi ro được phân bổ.
Nghiên cứu này khái niệm hóa Sustainable AI Leadership như một higher-order leadership capability gồm:
Responsible AI Strategic Orientation;
Human-Centred AI Stewardship;
Sustainability-Oriented AI Governance;
Stakeholder-Oriented AI Leadership;
Long-Term AI Value Orientation.
Mô hình trung tâm là:
SAIL → Responsible Innovation → ESG Performance → Sustainable Stakeholder Value Creation
với Stakeholder Engagement là boundary condition của ESGP → SSVC.
Điểm cốt lõi của nghiên cứu là:
AI capability does not automatically become sustainable stakeholder value.
AI chỉ chuyển thành giá trị bền vững khi leadership orientation được chuyển thành responsible innovation, responsible innovation tạo sustainability outcomes, và những outcomes đó trở thành giá trị được stakeholder nhận biết, kiểm chứng và đồng kiến tạo.
Do đó, câu hỏi chiến lược trong kỷ nguyên AI không còn chỉ là:
“AI tạo ra bao nhiêu giá trị?”
mà phải là:
“AI tạo loại giá trị nào, cho ai, bằng cơ chế nào, với externalities nào, trong khoảng thời gian nào và dưới trách nhiệm lãnh đạo nào?”
- MÔ HÌNH KHÁI NIỆM ĐỀ XUẤT
SUSTAINABLE AI LEADERSHIP — SAIL
↓ H1
RESPONSIBLE INNOVATION — RI
↓ H2
ESG PERFORMANCE — ESGP
↓ H3
SUSTAINABLE STAKEHOLDER VALUE CREATION — SSVC
Stakeholder Engagement
điều tiết ESGP → SSVC — H7
H4: RI trung gian SAIL → ESGP.
H5: ESGP trung gian RI → SSVC.
H6: SAIL → RI → ESGP → SSVC là cơ chế trung gian tuần tự.
15. TUYÊN BỐ VỀ TÍNH MỚI (NOVELTY STATEMENT)
Nghiên cứu này khái niệm hóa Lãnh đạo AI bền vững (Sustainable AI Leadership – SAIL) như một năng lực lãnh đạo bậc cao ở cấp độ lãnh đạo, có ranh giới lý thuyết rõ ràng và phân biệt với năng lực AI bền vững ở cấp tổ chức, Lãnh đạo bền vững (Sustainable Leadership), Lãnh đạo số (Digital Leadership) và Quản trị AI có trách nhiệm (Responsible AI Governance). Thay vì giả định rằng năng lực AI trực tiếp tạo ra các kết quả bền vững, nghiên cứu đề xuất một cơ chế chuyển hóa giá trị tuần tự, trong đó SAIL định hình Đổi mới có trách nhiệm (Responsible Innovation); quá trình này tiếp tục thúc đẩy Hiệu quả ESG (ESG Performance) và cuối cùng góp phần hình thành Tạo giá trị bền vững cho các bên liên quan (Sustainable Stakeholder Value Creation – SSVC).
Đồng thời, Sự tham gia có ý nghĩa của các bên liên quan (Meaningful Stakeholder Engagement) được định vị như một điều kiện biên (boundary condition), làm tăng khả năng chuyển các kết quả ESG thành giá trị thực chất, được nhận biết và được đồng kiến tạo bởi các bên liên quan. Theo đó, đóng góp của mô hình không chỉ nằm ở việc bổ sung một khái niệm lãnh đạo mới, mà quan trọng hơn là xây dựng một kiến trúc lý thuyết giải thích cách định hướng lãnh đạo được chuyển thành quá trình đổi mới có trách nhiệm, kết quả bền vững và giá trị phân bổ cho nhiều nhóm stakeholder.
Qua đó, nghiên cứu mở rộng trọng tâm của lĩnh vực quản trị AI từ cách tiếp cận truyền thống nhấn mạnh chấp nhận công nghệ và hiệu quả tập trung vào doanh nghiệp sang một logic toàn diện hơn về tạo lập giá trị có trách nhiệm, phân phối giá trị, quản trị ngoại tác, bảo vệ quyền chủ thể của con người và trách nhiệm giải trình của lãnh đạo. Tính mới cốt lõi vì vậy nằm ở việc chuyển câu hỏi nghiên cứu từ “AI có tạo ra giá trị hay không?” sang câu hỏi sâu hơn: AI tạo ra loại giá trị nào, cho ai, thông qua cơ chế nào, với những ngoại tác nào và dưới trách nhiệm lãnh đạo nào?
16. TUYÊN BỐ VỀ KHOẢNG TRỐNG NGHIÊN CỨU (RESEARCH GAP STATEMENT)
Mặc dù các nghiên cứu gần đây đã tạo ra những tiến bộ đáng kể trong các lĩnh vực Quản trị AI có trách nhiệm, năng lực AI bền vững, Đổi mới có trách nhiệm, Hiệu quả ESG và quản trị định hướng các bên liên quan, các dòng nghiên cứu này vẫn chưa được tích hợp đầy đủ ở cấp độ lãnh đạo. Đặc biệt, phần lớn nghiên cứu hiện hữu tập trung vào năng lực công nghệ, năng lực tổ chức, hệ thống governance hoặc các kết quả về hiệu suất, trong khi vai trò của một năng lực lãnh đạo chuyên biệt có chức năng định hướng việc phát triển và sử dụng AI theo nguyên tắc bền vững vẫn chưa được xác lập đầy đủ về mặt khái niệm và thực nghiệm.
Khoảng trống thứ nhất là khoảng trống phân biệt khái niệm (conceptual differentiation gap). Nghiên cứu hiện hữu chưa phân biệt đủ rõ giữa năng lực của lãnh đạo trong việc định hướng, ưu tiên và chịu trách nhiệm đối với AI bền vững với năng lực AI bền vững ở cấp tổ chức. Sự thiếu phân biệt này có thể dẫn đến việc đồng nhất leadership capability với organizational capability hoặc coi Responsible AI Governance như một đại diện thay thế cho năng lực lãnh đạo.
Khoảng trống thứ hai là khoảng trống về cơ chế (mechanism gap). Nghiên cứu trước chưa giải thích đầy đủ cách một định hướng lãnh đạo về AI bền vững được chuyển thành kết quả có thể quan sát. Việc xác định mối liên hệ trực tiếp giữa leadership và performance là chưa đủ; cần chỉ ra quá trình trung gian thông qua đó định hướng lãnh đạo trở thành thực hành tổ chức và sau đó thành kết quả bền vững.
Khoảng trống thứ ba là khoảng trống chuyển hóa và phân phối giá trị (value-conversion and value-distribution gap). Phần lớn nghiên cứu AI vẫn ưu tiên các kết quả như năng suất, innovation performance, firm performance hoặc shareholder value. Cách tiếp cận này chưa giải thích đầy đủ liệu những kết quả ESG đạt được có thực sự chuyển thành giá trị bền vững cho người lao động, khách hàng, cộng đồng, môi trường và các stakeholder khác hay không.
Nghiên cứu này giải quyết đồng thời các khoảng trống trên bằng cách khái niệm hóa Sustainable AI Leadership như một năng lực lãnh đạo bậc cao; định vị Responsible Innovation và ESG Performance như hai cơ chế chuyển hóa giá trị tuần tự; đồng thời lý thuyết hóa Stakeholder Engagement như điều kiện biên quyết định mức độ các kết quả bền vững của tổ chức được chuyển thành giá trị thực chất cho stakeholder.
Theo đó, nghiên cứu đề xuất một logic tích hợp:
Định hướng lãnh đạo → Quá trình đổi mới có trách nhiệm → Kết quả bền vững → Giá trị bền vững cho các bên liên quan
Logic này cho phép kết nối bốn câu hỏi lý thuyết vốn thường được nghiên cứu riêng biệt: ai định hướng việc sử dụng AI; quá trình đổi mới được thực hiện như thế nào; những kết quả bền vững nào được tạo ra; và cuối cùng, giá trị đó được tạo ra cho ai. Đây chính là khoảng trống tích hợp mà mô hình SAIL hướng tới giải quyết.
- TÀI LIỆU THAM KHẢO
- Autor, D., Mindell, D. A., & Reynolds, E. B. (2022). The work of the future: Building better jobs in an age of intelligent machines. MIT Press.
- Awan, U., Ahmed, S., Albishri, N., Kalisz, D., & Szabó-Szentgróti, G. (2026). Organisational responsible AI implementation and organisational foresight: The role of leadership control and managerial cognitive flexibility. Technological Forecasting and Social Change, 227, 124623. https://doi.org/10.1016/j.techfore.2026.124623
- Bullock, J. B., Chen, Y.-C., Himmelreich, J., Hudson, V. M., Korinek, A., Young, M. M., & Zhang, B. (Eds.). (2024). The Oxford handbook of AI governance. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780197579329.001.0001
- De Cremer, D. (2020). Leadership by algorithm: Who leads and who follows in the AI era? Harriman House.
- De Cremer, D. (2024). The AI-savvy leader: Nine ways to take back control and make AI work. Harvard Business Review Press.
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
- Freeman, R. E. (1984). Strategic management: A stakeholder approach. Pitman.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
- Hambrick, D. C., & Mason, P. A. (1984). Upper echelons: The organization as a reflection of its top managers. Academy of Management Review, 9(2), 193–206.
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135.
- Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121.
- Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.
- International Energy Agency. (2025). Energy and AI. IEA.
- International Organization for Standardization. (2023). ISO/IEC 42001:2023 Information technology—Artificial intelligence—Management system. ISO.
- National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- (2026). OECD due diligence guidance for responsible AI. OECD Publishing. https://doi.org/10.1787/41671712-en
- Owen, R., Macnaghten, P., & Stilgoe, J. (2012). Responsible research and innovation: From science in society to science for society, with society. Science and Public Policy, 39(6), 751–760.
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903.
- Qalati, S. A., & Siddiqui, F. (2026). Organizational sustainable artificial intelligence capabilities scale development, validation, and implications. Journal of Innovation & Knowledge, 11, 100863. https://doi.org/10.1016/j.jik.2025.100863
- Stilgoe, J., Owen, R., & Macnaghten, P. (2013). Developing a framework for responsible innovation. Research Policy, 42(9), 1568–1580. https://doi.org/10.1016/j.respol.2013.05.008
- Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of sustainable enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
- (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
- Vallor, S. (2024). The AI mirror: How to reclaim our humanity in an age of machine thinking. Oxford University Press. https://doi.org/10.1093/oso/9780197759066.001.0001
- Zhang, S. X., Chen, J., He, L., & Choudhury, A. (2023). Responsible Innovation: The development and validation of a scale. Technovation, 124, 102754. https://doi.org/10.1016/j.technovation.2023.102754
