QUYỀN LỰC THUẬT TOÁN VÀ CHẤT LƯỢNG RA QUYẾT ĐỊNH LÃNH ĐẠO: TƯƠNG TÁC GIỮA CHUYÊN GIA, DỮ LIỆU VÀ HỆ THỐNG AI TRONG QUẢN TRỊ TỔ CHỨC

Tên tiếng Anh: Algorithmic Power and Leadership Decision Quality: Interactions among Experts, Data, and AI Systems in Organizational Governance

NGUYỄN VĂN HÙNG

HIGHLIGHTS

• Reframes Algorithmic Power (AP) as a redistribution of epistemic and decisional authority rather than merely an increase in AI use.
• Develops a five-dimensional architecture of algorithmic power comprising agenda-setting, evidentiary, recommendation, procedural, and monitoring power.
• Introduces Expert–Data–AI Epistemic Integration Quality (EDAI-EIQ) as the mechanism translating algorithmic influence into leadership decision quality.
• Proposes that the relationship between algorithmic power and decision quality is potentially curvilinear rather than uniformly positive or negative.
• Positions Human Decision Accountability as a governance safeguard that preserves meaningful expert challenge, contestability, and responsibility.
• Distinguishes being formally “human-in-the-loop” from possessing meaningful human authority.
• Develops Accountable Human–AI Decision Orchestration as an integrative governance principle for AI-augmented leadership.

TÓM TẮT

Trí tuệ nhân tạo đang chuyển đổi sâu sắc không chỉ năng lực xử lý thông tin của tổ chức mà còn cấu trúc quyền lực nhận thức và quyền ra quyết định. Trong mô hình quản trị truyền thống, dữ liệu cung cấp bằng chứng, chuyên gia diễn giải bằng chứng và nhà lãnh đạo chịu trách nhiệm về phán đoán cuối cùng. Tuy nhiên, khi các hệ thống AI ngày càng có khả năng lựa chọn thông tin, xếp hạng phương án, dự báo kết quả, phân loại rủi ro, đề xuất hành động và giám sát hiệu suất, một phần thẩm quyền từng thuộc về con người có thể chuyển sang những cấu trúc ra quyết định được trung gian hóa bởi thuật toán. Nghiên cứu về algorithmic management cho thấy các hệ thống thuật toán có thể vừa mở rộng vừa hạn chế quyền tự chủ, đồng thời thay đổi các cấu trúc quyền lực hiện hữu trong tổ chức (Meijerink & Bondarouk, 2023; Noponen et al., 2024).

Nghiên cứu này phát triển khái niệm Algorithmic Power (AP) như khả năng của hệ thống AI trong việc định hình sự chú ý của nhà quản trị, xác lập trọng lượng của bằng chứng, ưu tiên các lựa chọn, cấu trúc thủ tục và ảnh hưởng đến phạm vi quyền tùy nghi của con người. Năm chiều được đề xuất gồm: Agenda-Setting Power, Evidentiary Power, Recommendation Power, Procedural Power và Monitoring Power. Quan trọng hơn, quyền lực thuật toán không được giả định là mặc nhiên tiêu cực. Khả năng xử lý dữ liệu ở quy mô lớn, phát hiện pattern và đưa ra dự báo có thể bổ sung đáng kể cho hạn chế nhận thức của con người. Ngược lại, quyền lực thuật toán quá lớn có thể dẫn đến anchoring, automation dependence, giảm expert dissent, làm nghèo bối cảnh và phân tán trách nhiệm (Raisch & Krakowski, 2021).

Để giải thích cơ chế chuyển hóa đó, nghiên cứu đề xuất Expert–Data–AI Epistemic Integration Quality (EDAI-EIQ), được định nghĩa là mức độ mà tri thức chuyên gia, bằng chứng dữ liệu và phân tích AI được đối chiếu, phản biện, bối cảnh hóa và tổng hợp trước khi hình thành quyết định lãnh đạo. Mô hình cốt lõi là Algorithmic Power → EDAI-EIQ → Leadership Decision Quality (LDQ). Nghiên cứu dự báo mối quan hệ phi tuyến: quá ít quyền lực thuật toán có thể dẫn đến việc không khai thác được AI, trong khi quá nhiều quyền lực thuật toán có thể làm chuyên gia và nhà lãnh đạo trở thành những người phê chuẩn hình thức. Chất lượng quyết định có khả năng tối ưu ở cấu hình trung gian, nơi AI đủ mạnh để mở rộng nhận thức nhưng vẫn có thể bị kiểm tra, contest và override.

Human Decision Accountability được định vị như điều kiện quản trị giúp chuyển epistemic integration thành quyết định chất lượng cao. UNESCO (2021) nhấn mạnh rằng “trách nhiệm cuối cùng và nghĩa vụ giải trình luôn phải thuộc về thể nhân hoặc pháp nhân” — một nguyên tắc có ý nghĩa trực tiếp đối với quản trị tổ chức sử dụng AI. OECD (2024) cũng yêu cầu các cơ chế bảo vệ năng lực chủ thể và giám sát của con người trong vòng đời AI. EU AI Act (European Commission, 2024) đưa human oversight thành yêu cầu đối với các hệ thống AI có rủi ro cao.

Về phương pháp, nghiên cứu đề xuất chương trình nhiều study gồm conceptual-domain specification, phỏng vấn 25–35 lãnh đạo/chuyên gia, phát triển thang đo Algorithmic Power, EFA/CFA trên các mẫu độc lập, khảo sát nhiều thời điểm đối với 450–650 nhà quản trị và một thí nghiệm thao tác AI authority × expert dissent × data quality. Đóng góp trung tâm của nghiên cứu là chuyển câu hỏi từ “AI có chính xác hơn con người không?” sang “quyền xác định điều gì được xem là bằng chứng và ai được quyền phán đoán được phân bổ như thế nào giữa chuyên gia, dữ liệu và AI?”

Từ khóa: algorithmic power; leadership decision quality; expert judgment; data quality; artificial intelligence; organizational governance; epistemic authority; human–AI decision-making; accountability.

ABSTRACT

Artificial intelligence is reshaping not only organizational information processing but also the distribution of epistemic and decisional authority. In conventional managerial systems, data provide evidence, experts interpret contextual meaning, and leaders retain responsibility for consequential judgments. As AI systems increasingly select information, forecast outcomes, rank alternatives, classify risks, recommend actions, and monitor performance, parts of this authority may migrate toward algorithmically mediated decision structures.

This study conceptualizes Algorithmic Power (AP) as the capacity of AI-enabled systems to structure organizational attention, determine the relative salience of evidence, prioritize alternatives, constrain discretion, and influence consequential decisions through algorithmically mediated information and procedures. Five dimensions are proposed: agenda-setting power, evidentiary power, recommendation power, procedural power, and monitoring power. Algorithmic power is not assumed to be inherently detrimental. AI can augment managerial cognition through scalability, pattern recognition, forecasting, and alternative generation; excessive algorithmic authority, however, may crowd out expert judgment, contextual interpretation, meaningful dissent, and human accountability (Raisch & Krakowski, 2021).

The study introduces Expert–Data–AI Epistemic Integration Quality (EDAI-EIQ) as the core mechanism through which professional expertise, organizational data, and AI-generated analyses are critically triangulated, challenged, contextualized, and synthesized before leadership decisions are made. The proposed model specifies Algorithmic Power → EDAI-EIQ → Leadership Decision Quality, with Human Decision Accountability operating as a governance boundary condition. A curvilinear logic is advanced: insufficient algorithmic influence can underutilize analytical capability, whereas excessive algorithmic power can turn human decision makers into nominal approvers. Decision quality is therefore expected to be strongest when AI augments cognition while remaining contestable and subject to meaningful human judgment.

Methodologically, the study proposes a sequential multi-study design involving qualitative theory building, Algorithmic Power scale development, independent EFA/CFA samples, a multi-wave managerial field study, structural equation modeling, and behavioral experiments manipulating algorithmic authority, expert dissent, and data quality. The study contributes to leadership, organizational governance, and human–AI decision research by shifting attention from whether AI is adopted toward how authority over evidence, interpretation, and final judgment is distributed among experts, data, and AI systems.

Keywords: algorithmic power; leadership decision quality; organizational governance; expert judgment; data quality; artificial intelligence; epistemic authority; human–AI collaboration.

1. GIỚI THIỆU

1.1. AI từ công cụ phân tích đến một tác nhân cấu trúc quyền lực

Trong phần lớn lịch sử số hóa doanh nghiệp, công nghệ thông tin được xem là phương tiện để chuyển dữ liệu thành thông tin hỗ trợ con người. Quyền quyết định chính thức vẫn nằm trong hệ thống thứ bậc quản trị:

Data → Expert Analysis → Leader Judgment → Decision

AI làm thay đổi chuỗi này. Các hệ thống hiện đại có thể trực tiếp tham gia vào nhiều công đoạn từng thuộc về chuyên gia: chọn dữ liệu cần quan sát, nhận dạng những pattern khó phát hiện, dự báo, xếp hạng, tạo phương án và thậm chí thực thi quyết định.

Một cấu trúc mới xuất hiện:

Data → AI Processing ↔ Expert Interpretation → Algorithmically Mediated Recommendation → Leadership Decision

Thay đổi quan trọng nhất không phải là máy trở nên “thông minh” theo nghĩa trừu tượng, mà là công nghệ bắt đầu ảnh hưởng đến kiến trúc mà qua đó tổ chức xác định điều gì đáng chú ý và điều gì được coi là bằng chứng đáng tin.

Iansiti và Lakhani (2020) mô tả các tổ chức lấy AI làm trung tâm như những thực thể có kiến trúc vận hành mới, nơi dữ liệu, algorithms và networks làm thay đổi logic scale, scope và learning. Họ tóm lược một cách cô đọng: “Các tổ chức lấy AI làm trung tâm cạnh tranh theo một cách khác” (Iansiti & Lakhani, 2020). Dịch nghĩa học thuật của nhận định này không nên dừng ở năng lực cạnh tranh. Nếu kiến trúc vận hành thay đổi thì kiến trúc quyền lực ra quyết định cũng thay đổi. Người kiểm soát attention, evidence và prediction có khả năng ảnh hưởng sâu đến phán đoán ngay cả khi họ không sở hữu thẩm quyền hành chính cuối cùng.

Điểm này làm xuất hiện một nghịch lý quản trị. Người lãnh đạo có thể vẫn ký quyết định nhưng không nhất thiết còn là người thực sự kiến tạo quyết định.

Formal Human Authority ≠ Effective Human Decision Authority

1.2. Quyền lực nhận thức: AI làm thay đổi điều gì được xem là “biết”?

Giả sử hệ thống AI xếp Candidate A là ứng viên tốt nhất. AI không ký hợp đồng lao động. Nhưng ranking có thể tạo bốn hiệu ứng. Thứ nhất, Candidate A được nhìn thấy trước. Thứ hai, người phỏng vấn có thể hình thành anchor. Thứ ba, Candidate B phải vượt qua burden of proof cao hơn. Thứ tư, quyết định khác AI có thể cần được giải thích nhiều hơn quyết định tuân theo AI.

Khi đó, recommendation không chỉ là information. Nó trở thành epistemic structure.

Một trong những vấn đề sâu nhất của AI organizational governance vì vậy là câu hỏi: ai quyết định cái gì có giá trị tri thức?

Nghiên cứu systematic review mới về algorithmic decision-making trong tổ chức của Wang (2026) tổng hợp 90 nghiên cứu và nhận diện bốn căng thẳng nền tảng: transparency–opacity, autonomy–control, human–algorithmic agency và exploration–exploitation. Đây là bằng chứng quan trọng rằng tác động của AI lên tổ chức không thể được mô hình hóa bằng quan hệ tuyến tính “AI → tốt hơn”. Noponen et al. (2024), qua tổng hợp 172 nghiên cứu, cũng cho thấy algorithmic management đồng thời có thể hạn chế hoặc tạo thuận lợi cho autonomy và có khả năng tạo mới hoặc tái cấu trúc quan hệ quyền lực. Vì vậy, quyền lực thuật toán phải được nghiên cứu như một hiện tượng socio-technical và relational, không chỉ là thuộc tính của model.

1.3. AI không phải nguồn quyền lực tự thân

Một hệ thống AI rất mạnh về technical performance nhưng chỉ được sử dụng để cung cấp thêm một dashboard có thể có quyền lực tổ chức thấp. Ngược lại, một model đơn giản có thể có quyền lực cao nếu: (1) bắt buộc sử dụng; (2) recommendation trở thành mặc định; (3) workflow không cho phép bypass; (4) override đòi hỏi phê duyệt cấp trên; (5) output được sử dụng để đánh giá người ra quyết định.

Bởi vậy:

AI Capability ≠ Algorithmic Power

De Cremer (2024) đặt vấn đề này dưới góc độ lãnh đạo khi cuốn The AI-Savvy Leader mở đầu bằng thông điệp ngắn nhưng đáng chú ý: “Lãnh đạo, đừng để AI lấn át chính bạn” (De Cremer, 2024). Thông điệp này có thể chuyển thành một mệnh đề khoa học: vấn đề không chỉ là AI có thể làm gì, mà là lãnh đạo đã chuyển giao những decision rights nào cho AI. Đây chính là khoảng trống mà khái niệm Algorithmic Power cần giải quyết.

2. QUYỀN LỰC THUẬT TOÁN: ĐỊNH NGHĨA VÀ RANH GIỚI

2.1. Định nghĩa đề xuất

Nghiên cứu này định nghĩa:

Algorithmic Power is the capacity of AI-enabled systems to shape organizational attention, structure evidentiary relevance, prioritize alternatives, constrain human discretion, and influence consequential decisions through algorithmically mediated information and procedures.

Định nghĩa này có bốn hàm ý:

Thứ nhất, Algorithmic Power là relational power. Nó chỉ tồn tại khi actors và structures của tổ chức để cho output AI có consequences.

Thứ hai, Algorithmic Power có thể tồn tại mà không cần formal authority.

Thứ ba, AP vận hành không chỉ ở moment of decision mà từ trước đó: xác định dữ liệu, lựa chọn metric, threshold, alert và default.

Thứ tư, quyền lực thuật toán vừa có thể enable vừa có thể constrain. Meijerink và Bondarouk (2023) gọi đây là “duality of algorithmic management”: algorithms đồng thời có thể hạn chế và tạo điều kiện cho autonomy và value.

2.2. AP khác Algorithmic Management

Algorithmic Management thường mô tả việc sử dụng algorithms để thực hiện chức năng quản trị như phân công, giám sát hoặc đánh giá. Algorithmic Power rộng hơn. Nó có thể xuất hiện trong: chiến lược, tài chính, tuyển dụng, quản trị rủi ro, investment, governance, và phân bổ nguồn lực. Một hệ thống dự báo doanh thu có thể không “quản lý” nhân viên nhưng lại rất mạnh trong việc định hướng quyết định đầu tư.

2.3. AP khác Automation Bias

Automation Bias nằm ở người sử dụng. Algorithmic Power nằm trong quan hệ giữa technology, procedure và actors. Nếu người quản trị quá tin AI, đó có thể là automation bias. Nếu tổ chức không cho phép người quản trị override AI, đó là procedural algorithmic power. Hai hiện tượng có thể bổ trợ nhau nhưng không đồng nhất.

2.4. AP khác Trust in AI

Trust phản ánh kỳ vọng của user về reliability, competence hoặc benevolence của system. Một manager có thể không tin AI nhưng vẫn buộc phải tuân theo recommendation nếu procedure yêu cầu. Ngược lại, một manager có thể rất tin AI nhưng vẫn có toàn quyền quyết định. Do đó: Trust ≠ Power.

3. KIẾN TRÚC NĂM CHIỀU CỦA ALGORITHMIC POWER

3.1. Agenda-Setting Power

Agenda-setting power là khả năng thuật toán ảnh hưởng điều gì trở thành vấn đề quản trị. Dashboard không chỉ phản ánh thực tại. Nó lựa chọn một phần thực tại. Risk model quyết định rủi ro nào được flag. HR analytics quyết định ai được xem là high performer. Predictive maintenance quyết định máy nào cần attention. Nếu organizational attention là nguồn lực hữu hạn, AI có power khi nó phân bổ attention. Điều này liên quan trực tiếp đến strategic judgment: nhà lãnh đạo chỉ có thể phán đoán về những vấn đề mà họ nhận thức được.

3.2. Evidentiary Power

Evidentiary Power là khả năng AI tác động đến bằng chứng nào có trọng lượng. Một vấn đề lớn của data-driven management là nhầm lẫn: measurable = important và predicted = true. Iansiti và Lakhani (2020) nhấn mạnh rằng algorithms phụ thuộc vào dữ liệu nuôi dưỡng chúng và executives có trách nhiệm bảo đảm công nghệ phản ánh thực tại đủ chính xác. NIST (2023) cũng chỉ ra rằng AI trustworthiness không chỉ là vấn đề model mà gắn chặt với hành vi xã hội, dữ liệu, lựa chọn algorithm và quyết định của con người. Một câu trong NIST AI RMF đặc biệt phù hợp: “Phán đoán của con người nên được sử dụng khi xác định các thước đo về độ đáng tin cậy của AI” (NIST, 2023). Nhận định này phản bác logic rằng “dữ liệu tự nói lên sự thật”. Không có dữ liệu trung tính tách khỏi quá trình lựa chọn measurement và threshold.

3.3. Recommendation Power

Recommendation Power phản ánh mức độ recommendation trở thành default action. Một hệ thống có recommendation power cao khi người quản trị thường hỏi: “Có lý do gì để không làm theo AI?” thay vì: “Bằng chứng nào khiến phương án này là tốt nhất?” Đây là khác biệt tinh tế nhưng quan trọng. Logg et al. (2019) cho thấy con người trong nhiều điều kiện có thể sử dụng advice từ algorithm nhiều hơn advice từ con người, hiện tượng được gọi là algorithm appreciation. Điều đó cho thấy mối nguy của organizational power không nhất thiết đến từ ép buộc. Nó có thể đến từ voluntary epistemic deference.

3.4. Procedural Power

Procedural Power xuất hiện khi algorithm cấu trúc: eligibility, workflow, thresholds, approval sequences, escalation, và allowable exceptions. Ở mức này, quyền lực không còn nằm trong “lời khuyên”. Nó được embedded into infrastructure. Một manager có thể có authority trên giấy nhưng nếu system không cho phép họ nhập phương án ngoài ba lựa chọn được tạo sẵn thì autonomy đã bị giới hạn từ trước moment of choice.

3.5. Monitoring Power

Monitoring Power phản ánh khả năng algorithms tạo visibility liên tục về hành vi, productivity, compliance và performance. Noponen et al. (2024) cho thấy monitoring có thể vừa cải thiện coordination vừa tăng control và information asymmetry. Điều đáng chú ý là monitoring không chỉ làm thay đổi nhân viên. Nó cũng có thể làm thay đổi nhà quản trị. Khi performance của manager được đo bằng việc họ tuân theo dashboard, họ có thể giảm willingness to exercise discretion. Do đó:

AI monitors employees → AI influences managers → AI restructures governance

4. TỪ HUMAN VS. AI ĐẾN EXPERT–DATA–AI EPISTEMIC TRIAD

Một hạn chế đáng kể của literature là đặt câu hỏi: Human or AI—which is better? Đây là framing không đầy đủ. Quyết định tổ chức thực tế thường bao gồm ba nguồn:

• Expert cung cấp: tacit knowledge, context, experience, và normative judgment.
• Data cung cấp: recorded evidence, measurement, history, và traceability.
• AI cung cấp: scale, pattern recognition, prediction, và alternative generation.

Daugherty và Wilson (2024) cho rằng tương lai hữu ích nhất của AI nằm trong logic complementarity chứ không đơn giản là replacement. Trong nghiên cứu của họ, machines có thể augment chuyên môn con người và con người có thể đưa kinh nghiệm, perception và intuition vào quá trình làm việc với AI. Một nhận định phù hợp để tích hợp là: “Con người giờ đây có thể dạy máy dựa trên kinh nghiệm, nhận thức và trực giác của con người” (Daugherty & Wilson, 2024). MIT Task Force on the Work of the Future (2020) cũng chỉ ra rằng collaborative robotics đại diện cho hướng “augmented intelligence”, nơi công nghệ hỗ trợ con người tăng năng suất. Một cách ngắn gọn, các doanh nghiệp được MIT ghi nhận đã sử dụng framing: “Robot của chúng tôi bổ trợ người lao động thay vì thay thế họ” (MIT Task Force, 2020).

Các luận điểm trên cho thấy câu hỏi đúng không phải: Which source should dominate? mà là: How should heterogeneous epistemic sources be integrated?

5. EXPERT–DATA–AI EPISTEMIC INTEGRATION QUALITY

Nghiên cứu này đề xuất:

Expert–Data–AI Epistemic Integration Quality (EDAI-EIQ) is the extent to which expert judgment, organizational evidence, and AI-generated analyses are systematically triangulated, challenged, contextualized, reconciled, and synthesized before consequential leadership decisions are made.

EDAI-EIQ gồm năm quá trình:

5.1. Triangulation

Không nguồn nào được coi là sufficient. AI recommendation cần được kiểm tra với raw/independent evidence. Expert view cần được kiểm tra với data. Data cần được kiểm tra về provenance và contextual relevance.

5.2. Contradiction Detection

Bất đồng không phải lỗi hệ thống. Bất đồng là epistemic resource. Nếu expert và AI đều đồng ý, decision có thể dễ. Nếu expert và AI bất đồng, đây là thời điểm tổ chức học nhiều nhất. Expert–AI disagreement → Verification Trigger. Một hệ thống trưởng thành không hỏi “ai thắng?”, mà hỏi: “Tại sao hai nguồn không đồng thuận?”

5.3. Contextualization

AI có thể nhận ra correlation nhưng không nhất thiết hiểu đầy đủ institutional context, values, politics hoặc exceptions. Contextualization là vai trò khó thay thế của expert. Shannon Vallor (2024) cảnh báo rằng AI mạnh hiện nay chủ yếu được xây dựng từ dữ liệu quá khứ và do đó có nguy cơ phản chiếu các lỗi, biases và failures of wisdom đã tồn tại. Một câu được Vallor viết và được Stanford Social Innovation Review trích lại rất phù hợp: “AI không đe dọa chúng ta như một kẻ kế vị tương lai của con người” (Vallor, 2024). Mối đe dọa quản trị thực tế hơn là con người gán cho AI một thẩm quyền vượt quá khả năng hiểu của nó.

5.4. Contestability

EDAI-EIQ đòi hỏi tất cả nguồn information có thể bị thách thức. AI không có quyền miễn trừ phản biện vì nó “objective”. Expert cũng không có quyền miễn trừ vì có nhiều kinh nghiệm. Data cũng không được miễn trừ vì là định lượng. Contestability vì vậy chống lại cả: algorithmic supremacy và expert supremacy.

5.5. Synthesis

Mục tiêu cuối không phải bỏ phiếu giữa expert, data và AI. Nó là hình thành integrated judgment. Một quyết định tốt phải có khả năng giải thích: AI đã đóng góp gì? dữ liệu nào là quan trọng? chuyên gia bổ sung context nào? disagreement được xử lý ra sao? ai chịu trách nhiệm?

6. LEADERSHIP DECISION QUALITY

Leadership Decision Quality không đồng nhất với outcome accuracy. Một quyết định có outcome tốt có thể do may mắn. Một quyết định tốt về process đôi khi vẫn có outcome xấu do uncertainty.

Nghiên cứu này đề xuất sáu domain đánh giá LDQ:

Domain	Mô tả
Effectiveness	Quyết định đạt mục tiêu
Robustness	Quyết định vẫn hợp lý trước thay đổi assumptions
Contextual Fit	Phù hợp bối cảnh tổ chức
Explainability	Rationale có thể được trình bày
Ethical Defensibility	Cân nhắc fairness, rights và harms
Accountability	Responsibility có thể được xác định

Bằng chứng thực nghiệm cho thấy yêu cầu ethical defensibility là cần thiết. Ghasemaghaei và Kordzadeh (2024), trong thí nghiệm với 122 managers, nhận thấy recommendation thuật toán bất công có thể dẫn người ra quyết định đến lựa chọn phân biệt đối xử mà không nhất thiết làm tăng cảm giác tội lỗi. Vì vậy:

Accurate-looking algorithmic advice ≠ Legitimate decision

7. MÔ HÌNH LÝ THUYẾT TÍCH HỢP

Khung cốt lõi là:

text

ALGORITHMIC POWER (AP)

         ↓

EXPERT–DATA–AI EPISTEMIC INTEGRATION QUALITY (EDAI-EIQ)

         ↓

LEADERSHIP DECISION QUALITY (LDQ)

         ↑

HUMAN DECISION ACCOUNTABILITY (HDA)

Logic lý thuyết: Power Configuration → Epistemic Process → Judgment Quality

Điểm quan trọng là mô hình không xem AP là biến “xấu”. AP là capacity. Giá trị của capacity phụ thuộc cấu hình.

8. PHÁT TRIỂN GIẢ THUYẾT

8.1. Algorithmic Power và Epistemic Integration

Ở mức thấp, algorithmic power không đủ để làm thay đổi decision process. AI có thể bị sử dụng như accessory và tổ chức mất lợi ích về scale, pattern recognition và prediction. Khi AP tăng ở mức vừa phải, AI có thể đưa vào quá trình quyết định những bằng chứng và alternative mà con người bỏ sót. Nhưng khi AP quá cao, recommendation có thể trở thành default, expert dissent giảm và integration biến thành confirmation.

Do đó:

H1. Algorithmic Power has an inverted U-shaped relationship with Expert–Data–AI Epistemic Integration Quality.

Đây là giả thuyết có giá trị lý thuyết cao bởi nó phản ánh trực tiếp automation–augmentation paradox (Raisch & Krakowski, 2021).

8.2. EDAI-EIQ và Leadership Decision Quality

Epistemic integration giúp: phát hiện bias; kiểm tra data quality; nhận diện disagreement; đưa contextual knowledge vào model-driven decision; tránh dependence trên một nguồn.

Do đó:

H2. Expert–Data–AI Epistemic Integration Quality is positively associated with Leadership Decision Quality.

8.3. Algorithmic Power và Leadership Decision Quality

Một mối quan hệ inverted-U cũng được dự báo ở outcome. Too little AP → underutilization. Moderate AP → augmentation. Excessive AP → displacement.

Do đó:

H3. Algorithmic Power has an inverted U-shaped relationship with Leadership Decision Quality.

8.4. Curvilinear mediation

Nếu AP làm thay đổi integration process và integration tác động LDQ:

H4. Expert–Data–AI Epistemic Integration Quality mediates the curvilinear relationship between Algorithmic Power and Leadership Decision Quality.

H4 là giả thuyết tích hợp chính.

8.5. Human Accountability

Accountability làm thay đổi incentives của manager. Khi phải giải thích: tại sao làm theo AI; tại sao override; data nào được dùng; rủi ro nào được xem xét, manager có động lực verification cao hơn. Nghiên cứu thực nghiệm mới về managerial advice-taking của Kotzian et al. (2025) trực tiếp xem accountability như việc managers phải giải thích judgment và decision cho cấp trên, cho thấy accountability tương tác với cách họ xử lý advice.

Do đó:

H5. Human Decision Accountability strengthens the positive relationship between EDAI-EIQ and Leadership Decision Quality.

8.6. Conditional indirect effect

Nếu accountability tăng khả năng integration được chuyển thành decision quality:

H6. The indirect effect of Algorithmic Power on Leadership Decision Quality through EDAI-EIQ is stronger when Human Decision Accountability is high.

Đây là mô hình moderated mediation phù hợp nhất cho bài empirical chính.

9. ACCOUNTABILITY, HUMAN OVERSIGHT VÀ MEANINGFUL HUMAN AUTHORITY

Một trong những sai lầm phổ biến trong AI governance là đồng nhất human present với human in control. Một manager có thể được đặt “in the loop” nhưng: không hiểu model; không được truy cập evidence; không có thời gian verify; bị phạt khi override; không có alternative workflow. Trong trường hợp đó, human oversight chỉ mang tính nghi thức.

UNESCO (2021) quy định rõ nguyên tắc: “Trách nhiệm cuối cùng và nghĩa vụ giải trình luôn phải thuộc về thể nhân hoặc pháp nhân.” OECD (2024) nhấn mạnh AI actors cần có mechanisms và safeguards bảo đảm human agency and oversight. EU AI Act (European Commission, 2024) yêu cầu high-risk systems phải đáp ứng các yêu cầu bao gồm risk mitigation, chất lượng data, documentation, transparency và human oversight.

Nói cách khác:

Human-in-the-loop ≠ Meaningful Human Authority

Meaningful authority phải gồm tối thiểu: Access to Evidence + Right to Question + Right to Override + No Punitive Override + Accountability.

10. QUẢN TRỊ DỮ LIỆU NHƯ NỀN TẢNG CỦA QUYỀN LỰC

Nếu Algorithmic Power dựa trên prediction, power của AI phụ thuộc vào data. Do đó câu: Good AI + Bad Data ≠ Good Decision không chỉ là nguyên tắc kỹ thuật. Đó là nguyên tắc governance. Data Quality cần ít nhất: accuracy; completeness; timeliness; representativeness; provenance; contextual relevance. NIST (2023) nhấn mạnh trustworthy AI phụ thuộc vào dataset selection, model choice, organizational behavior và human oversight. Điều này đặc biệt quan trọng bởi những gì hệ thống không đo được có thể biến mất khỏi decision architecture. Ví dụ, performance algorithm có thể đo output volume nhưng không đo: mentoring, emotional labor, tacit coordination hoặc long-term capability building. Nếu algorithmic evidentiary power quá cao, những giá trị không được data hóa có thể mất quyền đại diện.

11. EXPERTISE: BẢO VỆ KHỎI AI HAY MỘT NGUỒN BIAS KHÁC?

Không nên lý tưởng hóa expert. Expert có: tacit knowledge; domain schema; pattern recognition; contextual sensitivity. Nhưng expert cũng có: confirmation bias; overconfidence; anchoring; status quo bias. Logg et al. (2019) cho thấy experts trong một số prediction tasks lại sử dụng algorithmic advice ít hơn laypeople và điều này đôi khi làm accuracy giảm. Do đó:

More expertise ≠ automatically better Human–AI judgment

Mục tiêu của EDAI-EIQ không phải nâng expert lên trên AI. Nó tạo mutual correction architecture. AI thách thức human intuition. Expert thách thức model abstraction. Data thách thức cả hai.

12. BỐI CẢNH VIỆT NAM VÀ QUẢN TRỊ AI

Việt Nam đã chính thức ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 theo Quyết định 127/QĐ-TTg ngày 26 tháng 1 năm 2021 (Thủ tướng Chính phủ, 2021). Mục tiêu của chiến lược cho thấy AI không còn là vấn đề thử nghiệm kỹ thuật đơn lẻ mà là một thành tố của năng lực quản trị và cạnh tranh quốc gia. Đến năm 2024, Văn phòng Chính phủ tiếp tục nhấn mạnh cả lợi ích lẫn thách thức khi ứng dụng AI vào công tác hành chính. Đáng chú ý hơn, trong thảo luận thể chế AI năm 2025, nguyên tắc được nêu rõ là “lấy con người làm trung tâm”, cùng các yêu cầu về an toàn, quyền riêng tư, minh bạch và trách nhiệm giải trình.

Đây là trích dẫn tích hợp đặc biệt phù hợp với mô hình: “Lấy con người làm trung tâm.” Nếu human-centeredness được hiểu nghiêm túc, nó không chỉ có nghĩa “AI phục vụ con người” ở mức tuyên ngôn. Nó đòi hỏi decision rights architecture bảo đảm con người có substantive authority.

13. BỐI CẢNH TOÀN CẦU: TẠI SAO VẤN ĐỀ NÀY NGÀY CÀNG QUAN TRỌNG?

WEF (2025) dự báo 39% skill sets hiện hữu của người lao động sẽ thay đổi hoặc trở nên lỗi thời trong giai đoạn 2025–2030; analytical thinking tiếp tục là core skill hàng đầu, trong khi leadership and social influence vẫn quan trọng. Một nhận định ngắn của WEF có ý nghĩa trực tiếp: “Các kỹ năng con người… vẫn sẽ là những năng lực cốt lõi mang tính quyết định” (WEF, 2025). WEF cũng dự báo đến 2030, tỷ lệ công việc do con người, công nghệ và sự kết hợp giữa hai bên thực hiện sẽ tiến gần tới phân bổ cân bằng hơn hiện nay. Trong một phân tích năm 2026 về phân công lao động Người–AI, WEF viết rằng khi AI đảm nhiệm nhiều execution hơn, “giá trị của con người nằm ở xác định vấn đề, thiết lập ràng buộc, đánh giá kết quả và đưa ra quyết định cuối cùng” (WEF, 2026). Đây gần như chính là epistemic architecture mà bài nghiên cứu đề xuất. Không phải: Human does everything. Mà: Human frames, governs, evaluates and remains accountable.

14. KIẾN TRÚC ĐO LƯỜNG

14.1. Algorithmic Power – construct mới trọng tâm

Nên phát triển scale năm chiều.

Chiều	Item mẫu
Agenda-Setting Power	“Hệ thống AI ảnh hưởng đáng kể đến những vấn đề mà nhà lãnh đạo của chúng tôi ưu tiên xem xét.”
Evidentiary Power	“Phân tích do AI tạo ra thường nhận được trọng lượng lớn hơn các dạng bằng chứng khác.”
Recommendation Power	“Khuyến nghị AI thường trở thành lựa chọn mặc định trừ khi có bằng chứng mạnh để bác bỏ.”
Procedural Power	“Hệ thống AI định hình đáng kể các bước mà quá trình quyết định phải tuân theo.”
Monitoring Power	“Hệ thống AI có ảnh hưởng đáng kể đến việc theo dõi và đánh giá kết quả quản trị.”

14.2. EDAI-EIQ

Các item có thể phản ánh:

• Triangulation: “Khuyến nghị AI được đối chiếu với bằng chứng độc lập và chuyên môn trước quyết định.”
• Contradiction Detection: “Khi AI và chuyên gia bất đồng, nguyên nhân được điều tra thay vì một bên tự động được ưu tiên.”
• Contextualization: “Những yếu tố bối cảnh không được phản ánh đầy đủ trong dữ liệu được bổ sung vào quyết định.”
• Contestability: “Nhà quản trị có thể phản biện hoặc override recommendation của AI mà không chịu bất lợi không hợp lý.”
• Synthesis: “Quyết định cuối phản ánh sự tích hợp giữa evidence, AI analysis và professional judgment.”

14.3. Leadership Decision Quality

Không nên phát triển thêm một thang hoàn toàn mới nếu muốn giữ novelty tập trung. Có thể sử dụng established measures về: decision quality; decision effectiveness; decision confidence calibration; và bổ sung objective/behavioral outcomes.

15. PHƯƠNG PHÁP NGHIÊN CỨU

15.1. Thiết kế tổng thể

Khuyến nghị:

• Study 1 – Conceptual domain specification
• Study 2 – Qualitative theory building
• Study 3 – Scale development
• Study 4 – Multi-wave field study
• Study 5 – Decision experiment

Cách tiếp cận này thuyết phục hơn một survey duy nhất vì Algorithmic Power là construct mới.

15.2. Study 1 – Systematic/scoping review

Search domains: algorithmic management; algorithmic decision-making; organizational power; AI authority; human–AI decision-making; data governance; expert judgment; accountability. Wang (2026) cung cấp một điểm tựa tốt vì systematic review của nghiên cứu này xác định 90 bài và cho thấy ADM research hiện bị phân mảnh giữa organizational theory, trust, ethics và decision theory.

15.3. Study 2 – Qualitative theory building

Mẫu đề xuất: 25–35 participants gồm: senior managers; domain experts; data scientists; risk/compliance officers; AI governance specialists. Câu hỏi phỏng vấn cần tập trung vào critical incidents: “Khi AI và chuyên gia bất đồng, điều gì xảy ra?” “Người quản trị có thể override AI không?” “AI có quyết định vấn đề nào được ưu tiên thảo luận không?” “Khi quyết định sai, ai phải giải thích?” “Khi nào recommendation trở thành default?” Gioia methodology có thể được sử dụng để phát triển first-order concepts, second-order themes và aggregate dimensions.

15.4. Study 3 – Scale development

Tạo initial item pool từ literature và interviews. Sau đó: Expert review → Cognitive interview → Pilot → EFA. Mẫu EFA: N ≈ 250–350 managers. CFA phải sử dụng mẫu độc lập nếu điều kiện cho phép.

15.5. Study 4 – Main field study

Khuyến nghị: N = 450–650 managers/leaders. Các lĩnh vực: strategic planning; finance; HR; risk; operations; marketing; supply chain; higher education/government nếu muốn mở rộng.

Multi-wave:

• Time 1: Algorithmic Power + AI-use controls
• Time 2: EDAI-EIQ + Human Accountability
• Time 3: Leadership Decision Quality

Supervisor hoặc peer rating nên được dùng khi khả thi.

15.6. CFA

So sánh: One-factor AP vs. Five correlated dimensions vs. Second-order AP. Báo cáo: standardized loadings; omega; CR; AVE; HTMT; CFI; TLI; RMSEA; SRMR. Không ép higher-order construct nếu empirical evidence không hỗ trợ.

15.7. Curvilinear SEM

Cần kiểm định: AP và AP² đối với EDAI-EIQ và LDQ. Điểm cực đại inverted-U có thể được tính từ coefficients. Không chỉ báo cáo “quadratic term significant”, mà cần kiểm tra đường cong nằm trong range dữ liệu.

15.8. Moderated mediation

Kiểm định: EDAI-EIQ × Accountability → LDQ. Sau đó tính conditional indirect effect: AP → EDAI-EIQ → LDQ ở accountability thấp, trung bình và cao.

15.9. Common method variance

Không chỉ dùng Harman’s test. Nên: temporal separation; multiple sources; anonymity; marker variable; latent method factor nếu cần; objective decision tasks.

15.10. Endogeneity

Reviewers có thể đặt câu hỏi: Tổ chức ra quyết định tốt có phải cũng có governance tốt hơn từ trước? Vì vậy nên: sử dụng longitudinal logic; so sánh reverse model; bổ sung experiment; cân nhắc instrumental-variable analysis nếu có IV hợp lệ; không dùng IV tùy tiện chỉ để “sửa endogeneity”.

16. STUDY 5 – DECISION EXPERIMENT

Thiết kế mạnh nhất:

AI Authority (Advisory vs. Default vs. Binding) × Expert Position (Agreement vs. Dissent) × Data Quality (High vs. Low)

Behavioral outcomes: decision accuracy; override rate; verification time; additional evidence seeking; confidence; reliance calibration; ethical defensibility.

Điểm then chốt của experiment là expert dissent. Khi expert đồng ý AI, power khó quan sát. Khi expert bất đồng AI, decision architecture trở nên rõ: AI always wins → Algorithmic dominance. Expert always wins → Human dominance. Conflict triggers verification → Epistemic integration. Đây là logic cần kiểm định.

17. ĐÓNG GÓP LÝ THUYẾT

17.1. Đưa Power Theory vào Human–AI Decision Research

AI research thường nghiên cứu: accuracy, trust, acceptance, performance. Bài này đưa câu hỏi mới: Who determines what counts as knowledge? Đây là đóng góp quan trọng bởi power không chỉ vận hành qua coercion. Nó vận hành qua epistemic framing.

17.2. Từ Algorithmic Management sang Algorithmic Governance

Algorithmic management chủ yếu tập trung: algorithm → worker. Mô hình mới: algorithm ↔ data ↔ expert ↔ leader. Do đó phạm vi được nâng từ operational management lên organizational governance.

17.3. Expert–Data–AI Epistemic Triad

Việc tách data khỏi AI có ý nghĩa lý thuyết rõ. AI không sản xuất “sự thật”. Nó xử lý representations. Expert không sản xuất “sự thật” tuyệt đối. Expert diễn giải context. Data cũng không tự giải thích chính nó. Do đó quyết định là kết quả của epistemic orchestration.

17.4. Inverted-U Algorithmic Power

Nếu được xác nhận, đây có thể là đóng góp nổi bật nhất. Quá ít algorithmic power: AI underutilization. Quyền lực vừa phải: augmentation. Quyền lực quá mức: crowding out + dependency. Nó tránh cả technological optimism lẫn technological pessimism.

17.5. Human Accountability như governance mechanism

Accountability không phải decorative principle. Nó thay đổi behavior. Khi leader biết mình phải giải thích decision, “AI said so” trở nên insufficient. Điều này phù hợp với UNESCO (2021), OECD (2024), NIST (2023) và EU AI Act (European Commission, 2024).

18. ACCOUNTABLE HUMAN–AI DECISION ORCHESTRATION

Nghiên cứu này đề xuất:

Accountable Human–AI Decision Orchestration is a governance configuration in which data and AI expand organizational analytical capacity while human experts retain meaningful rights to interpret, contest, contextualize, override, and remain accountable for consequential decisions.

Khung này gồm sáu nguyên tắc:

Nguyên tắc	Mô tả
Evidence Diversity	AI output không phải nguồn duy nhất
Expert Voice	Domain expertise phải được institutionalized
Data Provenance	Decision maker biết dữ liệu từ đâu và giới hạn gì
Contestability	Recommendation có thể bị challenge
Calibrated Authority	AI authority tương xứng với task structure, reliability và stakes
Human Accountability	Con người/tổ chức chịu trách nhiệm cuối

19. DECISION RIGHTS MATRIX

Loại quyết định	Vai trò AI phù hợp	Vai trò chuyên gia	Quyền quyết định cuối
Structured, low-stakes	Automation	Exception monitoring	Rule/Human oversight
Data-rich, moderate stakes	Recommendation	Verification	Human
Ambiguous strategic	Augmentation	Contextual interpretation	Leader
Ethical/high-stakes	Evidence support	Mandatory expert review	Accountable human authority
Novel/crisis	Scenario generation	Strong expert synthesis	Senior human authority

Nguyên tắc: Higher ambiguity + higher stakes → stronger meaningful human authority. Tuy nhiên, điều này không có nghĩa con người luôn “giỏi hơn AI”. Nó có nghĩa responsibility và normative judgment không thể suy ra chỉ từ predictive accuracy.

20. HÀM Ý QUẢN TRỊ

Nhà quản trị không nên chỉ hỏi: “AI này chính xác bao nhiêu?” Họ phải hỏi thêm: “Recommendation này có bao nhiêu organizational authority?” “Nguồn evidence nào nó đang loại khỏi tầm nhìn?” “Ai có quyền phản biện?” “Chi phí của việc override là gì?” “Ai chịu trách nhiệm khi sai?”

De Cremer (2024) lập luận rằng leaders cần lấy lại vai trò trong AI transformation thay vì giao strategy và investment decisions hoàn toàn cho technology teams. Đây là lý do AI governance không thể chỉ là chức năng IT. Nó là leadership responsibility.

21. RESPONSIBLE AI VÀ DISTRIBUTION OF POWER

Responsible AI frameworks thường nhấn mạnh: Fairness + Transparency + Safety + Privacy + Accountability. Nghiên cứu này bổ sung: Distribution of Epistemic and Decisional Power. Một system có thể explainable nhưng vẫn quá quyền lực. Một system có thể fair trung bình nhưng không contestable. Một system có thể có human approval button nhưng người phê duyệt không có meaningful choice.

Do đó:

Responsible AI Governance = Trustworthy Technology + Meaningful Human Authority + Accountable Decision Architecture

OECD (2024) cập nhật AI Principles để xử lý mạnh hơn các rủi ro từ general-purpose và generative AI, đồng thời tiếp tục nhấn mạnh trustworthy, human-centric AI. NIST (2023) nhấn mạnh accountability và transparency như đặc tính xuyên suốt trustworthiness. EU AI Act (European Commission, 2024) đưa human oversight thành yêu cầu của high-risk systems. Ba nguồn độc lập hội tụ ở cùng nguyên tắc:

AI capability must not eliminate accountable human governance.

22. THẢO LUẬN DỰ KIẾN

Nếu H1 được hỗ trợ, inverted-U sẽ bác bỏ cả hai lập luận giản lược: “AI power is always beneficial” và “AI power is always harmful”.

Nếu H2 mạnh, EDAI-EIQ trở thành cơ chế quyết định.

Nếu H4 được hỗ trợ, contribution có thể phát biểu: Algorithmic power changes leadership decision quality partly by changing whether heterogeneous knowledge is critically integrated or crowded out.

Nếu H5 và H6 mạnh, accountability sẽ được xác nhận như một conversion safeguard: epistemic integration chỉ tạo decision quality khi leader thực sự chịu trách nhiệm.

Nếu AP chỉ có tác động tuyến tính dương, giả thuyết inverted-U cần được xem xét lại và không được ép diễn giải. Nếu AP không trực tiếp dự báo LDQ nhưng dự báo EDAI-EIQ, power có thể chủ yếu ảnh hưởng process, không phải outcome trực tiếp. Nếu EDAI-EIQ không mediator, có thể các cơ chế khác như automation bias, trust calibration hoặc cognitive diversity giải thích tốt hơn. Đây đều là kết quả có ý nghĩa.

23. GIỚI HẠN VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI

Thứ nhất, Algorithmic Power là construct mới, nên phải chứng minh discriminant validity với Algorithmic Authority, Algorithmic Management, AI Use Intensity và Trust in AI.

Thứ hai, perceived Algorithmic Power có thể khác objective power. Một manager có thể cảm thấy bị algorithm kiểm soát dù formal decision rights vẫn rộng. Ngược lại, họ có thể đánh giá thấp ảnh hưởng của defaults. Nghiên cứu tương lai nên kết hợp: Perceived AP + System Audit + Workflow Analysis.

Thứ ba, decision quality cần objective/behavioral validation.

Thứ tư, power effects có thể khác theo cultures có power distance khác nhau.

Thứ năm, AI system type rất quan trọng. Predictive model, GenAI assistant và autonomous agent không tương đương.

Hướng nghiên cứu tương lai:

1. Algorithmic Power → Expert Deskilling (nếu professionals liên tục dựa vào AI, tacit judgment có thể suy giảm)
2. Algorithmic Power → Responsibility Diffusion → Ethical Decision Quality
3. Algorithmic Authority × Expert Status × Organizational Hierarchy
4. Algorithmic Power → Epistemic Diversity
5. Generative AI Confidence × Algorithmic Power → Overreliance

24. KẾT LUẬN

AI đang thay đổi một trong những nền tảng sâu nhất của tổ chức: ai có quyền xác định cái gì được xem là bằng chứng và ai có quyền định hình phán đoán cuối cùng.

Trong mô hình quản trị truyền thống: Data provides evidence. Experts provide interpretation. Leaders provide judgment and accountability. AI làm các ranh giới này trở nên mờ hơn.

AI hiện có thể: select → rank → predict → recommend → monitor → execute. Nhưng AI càng có năng lực không có nghĩa rằng nhà lãnh đạo càng nên chuyển giao quyền lực. Cũng không có nghĩa họ phải giữ mọi quyền ở con người.

Vấn đề thực sự là calibration of authority.

Quá ít Algorithmic Power khiến tổ chức không tận dụng được prediction, pattern recognition và computational scale. Quá nhiều Algorithmic Power có nguy cơ biến chuyên gia thành những người bổ sung bối cảnh sau khi quyết định về cơ bản đã được algorithm định hình.

Giữa hai cực đó là không gian của:

Accountable Human–AI Decision Orchestration

Mô hình:

Algorithmic Power → Expert–Data–AI Epistemic Integration Quality → Leadership Decision Quality

dưới điều kiện:

Human Decision Accountability

đề xuất một logic quản trị rõ ràng.

AI nên mở rộng analytical capacity. Data nên tạo evidence. Expert nên cung cấp context và professional judgment. Leader phải duy trì quyền: question, contest, override, decide, và remain accountable.

Sự hội tụ của các khung quốc tế củng cố lập luận này. UNESCO (2021) đặt ultimate accountability ở con người/tổ chức. OECD (2024) yêu cầu human agency và oversight. NIST (2023) xem human judgment là thành phần thiết yếu của trustworthiness. EU AI Act (European Commission, 2024) đưa human oversight thành yêu cầu đối với high-risk AI. WEF (2025) cho thấy dù AI và big data trở thành nhóm kỹ năng tăng nhanh nhất, analytical thinking, leadership, resilience và các năng lực con người vẫn giữ vai trò cốt lõi.

Vì vậy, câu hỏi trung tâm của quản trị trong kỷ nguyên AI không phải:

“Should AI make more organizational decisions?”

Mà là:

“How should organizations distribute epistemic and decisional authority among experts, data, and AI systems so that artificial intelligence augments leadership judgment without becoming an unchallengeable substitute for it?”

Câu trả lời của nghiên cứu này là:

AI nên có đủ quyền lực để mở rộng nhận thức, nhưng không đủ quyền lực để loại bỏ phản biện. Data nên đủ mạnh để thách thức trực giác, nhưng không đủ mạnh để xóa bỏ bối cảnh. Expertise nên đủ mạnh để cung cấp judgment, nhưng không đủ đặc quyền để miễn kiểm chứng.

Và cuối cùng: human leaders must retain meaningful authority precisely because they retain responsibility for real-world consequences.

TÀI LIỆU THAM KHẢO

1. Autor, D. H., Mindell, D. A., & Reynolds, E. B. (2022). The work of the future: Building better jobs in an age of intelligent machines. MIT Press.
2. 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
3. Daugherty, P. R., & Wilson, H. J. (2024). Human + machine: Reimagining work in the age of AI(New and expanded ed.). Harvard Business Review Press.
4. De Cremer, D. (2020). Leadership by algorithm: Who leads and who follows in the AI era?Harriman House.
5. De Cremer, D. (2024). The AI-savvy leader: Nine ways to take back control and make AI work. Harvard Business Review Press.
6. European Commission. (2024, August 1). European Artificial Intelligence Act comes into force. https://digital-strategy.ec.europa.eu/en/news/eu-ai-act-comes-force
7. Ghasemaghaei, M., & Kordzadeh, N. (2024). Understanding how algorithmic injustice leads to making discriminatory decisions: An obedience to authority perspective. Information & Management, 61(2), 103921. https://doi.org/10.1016/j.im.2024.103921
8. 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.
9. Kotzian, P., Bauch, K. A., & Weißenberger, B. E. (2025). Accountability and managerial advice-taking: Comparing human and algorithmic advisers. Management Decision. https://doi.org/10.1108/MD-07-2024-1618
10. Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90–103. https://doi.org/10.1016/j.obhdp.2018.12.005
11. Meijerink, J., & Bondarouk, T. (2023). The duality of algorithmic management: Toward a research agenda on HRM algorithms, autonomy and value creation. Human Resource Management Review, 33(1), 100876. https://doi.org/10.1016/j.hrmr.2021.100876
12. MIT Task Force on the Work of the Future. (2020). The work of the future: Building better jobs in an age of intelligent machines. Massachusetts Institute of Technology.
13. National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0)(NIST AI 100-1). U.S. Department of Commerce.
14. Noponen, N., Feshchenko, P., Auvinen, T., Luoma-aho, V., & Abrahamsson, P. (2024). Taylorism on steroids or enabling autonomy? A systematic review of algorithmic management. Management Review Quarterly, 74, 1695–1721. https://doi.org/10.1007/s11301-023-00345-5
15. (2024). Recommendation of the Council on Artificial Intelligence. Organisation for Economic Co-operation and Development.
16. 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
17. Thủ tướng Chính phủ. (2021). Quyết định số 127/QĐ-TTg ngày 26 tháng 01 năm 2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.
18. (2021). Recommendation on the ethics of artificial intelligence. United Nations Educational, Scientific and Cultural Organization.
19. Vallor, S. (2024). The AI mirror: How to reclaim our humanity in an age of machine thinking. Oxford University Press.
20. Wang, Y. (2026). Algorithmic decision-making in organizations: A systematic review toward an integrated tension alignment framework. Organization Management Journal, 23(1), 115–131. https://doi.org/10.1108/OMJ-11-2024-2342
21. World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
22. World Economic Forum. (2026, June 22). What is the future of work? Defining roles for humans and AI. https://www.weforum.org/stories/2026/06/future-of-work-defining-roles-humans-ai/