English title:
Strategic Foresight and Leaders’ Future-Making Capability: How AI-Assisted Foresight Enhances Organizational Strategy Quality
NGUYỄN VĂN HÙNG
HIGHLIGHTS
- Conceptualizes Leaders’ Future-Making Capability (LFMC) as a distinct dynamic managerial capability.
- Explains how AI-Assisted Foresight Capability (AIFC) is converted into organizational strategy quality.
- Distinguishes organizational Strategic Foresight Capability (SFC) from leaders’ future-making agency.
- Introduces Human–AI Foresight Complementarity (HAFC) as a boundary condition of AI-enabled foresight.
- Proposes a sequential mechanism: AIFC → SFC → LFMC → OSQ.
TÓM TẮT
Sự phát triển nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang tái cấu trúc cách thức các tổ chức nhận diện tín hiệu môi trường, phát hiện xu hướng mới nổi, thách thức các giả định chiến lược, xây dựng kịch bản và khám phá các tương lai khả dĩ. Tuy nhiên, năng lực tính toán ngày càng mạnh và khả năng tạo ra nhiều kịch bản tương lai không đồng nghĩa với việc tổ chức có thể xây dựng chiến lược chất lượng cao hơn. Khoảng trống lý thuyết cốt lõi nằm ở cơ chế chuyển hóa trí tuệ dự báo được AI tăng cường thành phán đoán, lựa chọn, cam kết và hành động chiến lược có chủ đích của con người.
Nghiên cứu này phát triển khái niệm Năng lực Kiến tạo Tương lai của Nhà lãnh đạo (Leaders’ Future-Making Capability – LFMC) như một năng lực quản trị động, phản ánh khả năng của nhà lãnh đạo trong việc nhận diện các khả thể tương lai, hình dung các trạng thái tương lai thay thế, diễn giải ý nghĩa chiến lược của chúng, lựa chọn tương lai mong muốn, huy động cam kết tập thể và triển khai các hành động hiện tại nhằm tác động đến quỹ đạo tương lai của tổ chức. Trên cơ sở tích hợp lý thuyết tầm nhìn chiến lược, năng lực động, năng lực quản trị động, hiểu biết về tương lai và tăng cường năng lực Người–AI, nghiên cứu đề xuất cơ chế tuần tự:
Năng lực Tầm nhìn Chiến lược được AI Hỗ trợ (AIFC) → Năng lực Tầm nhìn Chiến lược (SFC) → Năng lực Kiến tạo Tương lai của Nhà lãnh đạo (LFMC) → Chất lượng Chiến lược Tổ chức (OSQ).
Đồng thời, Tính Bổ trợ Người–AI trong Tầm nhìn Chiến lược (Human–AI Foresight Complementarity – HAFC) được đề xuất như điều kiện biên quyết định liệu AI đóng vai trò tăng cường hay thay thế năng lực diễn giải bối cảnh, tưởng tượng, phán đoán và quyền chủ thể chiến lược của con người. Chương trình nghiên cứu gồm bốn nghiên cứu liên kết: phát triển cấu trúc khái niệm định tính, phát triển thang đo, kiểm định độc lập mô hình đo lường và nghiên cứu thực địa đa thời điểm; một thực nghiệm bổ sung được đề xuất nhằm kiểm định nhân quả giữa các cấu hình tầm nhìn Người–AI khác nhau.
Nghiên cứu đóng góp bằng cách phân biệt khám phá tương lai với kiến tạo tương lai, tái khái niệm hóa AI hỗ trợ tầm nhìn từ việc sử dụng công nghệ thành một năng lực tổ chức, đồng thời xác lập LFMC như cơ chế quản trị chuyển hóa trí tuệ dự báo thành cam kết và hành động chiến lược. Luận điểm trung tâm của nghiên cứu là: AI mở rộng không gian của những tương lai khả dĩ, nhưng năng lực lãnh đạo mới chuyển hóa các khả thể đó thành quyền chủ thể và hành động chiến lược.
Từ khóa: tầm nhìn chiến lược; năng lực kiến tạo tương lai; trí tuệ nhân tạo tạo sinh; AI hỗ trợ tầm nhìn; năng lực quản trị động; bổ trợ Người–AI; chất lượng chiến lược tổ chức; lãnh đạo chiến lược.
ABSTRACT
Artificial intelligence (AI), particularly generative artificial intelligence (GenAI), is transforming organizational foresight by expanding environmental scanning, weak-signal detection, pattern recognition, scenario generation, and alternative-future exploration. Yet greater computational capacity to generate possible futures does not necessarily translate into higher-quality organizational strategy. The unresolved theoretical problem concerns the mechanism through which AI-augmented anticipatory intelligence becomes purposive strategic action.
This study develops Leaders’ Future-Making Capability (LFMC) as a distinct dynamic managerial capability through which leaders interpret emerging possibilities, imagine alternative futures, evaluate their strategic significance, select desirable future states, mobilize collective commitment, and enact present actions intended to influence future organizational trajectories. Integrating strategic foresight, dynamic capabilities, dynamic managerial capabilities, futures literacy, and human–AI augmentation, we develop a sequential framework in which AI-Assisted Foresight Capability (AIFC) strengthens Strategic Foresight Capability (SFC), which subsequently develops LFMC and ultimately enhances Organizational Strategy Quality (OSQ). We further theorize Human–AI Foresight Complementarity (HAFC) as a boundary condition determining whether AI extends rather than substitutes human contextual interpretation, imagination, judgment, and strategic agency.
A multi-study research program is proposed, comprising qualitative construct development, scale development, independent measurement validation, and a multi-wave field study, complemented by an experimental test of alternative human–AI foresight configurations. The study contributes by distinguishing future exploration from future making, repositioning AI-assisted foresight from technology adoption to organizational capability, and identifying LFMC as the managerial mechanism connecting anticipatory intelligence with strategic commitment. The central proposition is that AI expands the space of possible futures, whereas leadership converts possibility into strategic agency.
Keywords: strategic foresight; future-making capability; generative AI; AI-assisted foresight; dynamic managerial capabilities; human–AI complementarity; organizational strategy quality; strategic leadership.
- GIỚI THIỆU
1.1. Tầm nhìn chiến lược trong kỷ nguyên AI tạo sinh
Các tổ chức đương đại ngày càng phải xây dựng chiến lược trong môi trường không chỉ chứa đựng rủi ro mà còn đặc trưng bởi bất định sâu, đứt gãy công nghệ, biến động địa chính trị, chuyển đổi thể chế và sự gia tốc của đổi mới. Trong điều kiện này, các phương pháp dự báo truyền thống dựa chủ yếu trên dữ liệu lịch sử và ngoại suy xác suất ngày càng bộc lộ giới hạn. Ngược lại, tầm nhìn chiến lược (strategic foresight) mở rộng sự chú ý của tổ chức tới tín hiệu yếu, xu hướng mới nổi, các điểm gián đoạn, kịch bản thay thế và nhiều trạng thái tương lai khả dĩ.
AI làm thay đổi đáng kể cơ sở công nghệ của quá trình này. Các hệ thống AI hiện đại có thể xử lý khối lượng lớn dữ liệu không đồng nhất, phát hiện mô thức trong những nguồn thông tin phân tán, nhận diện tín hiệu yếu, tổng hợp các cách diễn giải cạnh tranh, tạo lập kịch bản phản thực và nhanh chóng xây dựng nhiều biểu diễn khác nhau về tương lai.
Theo đó, tầm nhìn chiến lược ngày càng chuyển từ hoạt động chủ yếu dựa trên nhận thức con người sang một hệ thống tầm nhìn lai Người–AI, trong đó AI tham gia vào quét môi trường, phát hiện tín hiệu yếu, phân tích xu hướng, nhận diện mô thức, tạo lập kịch bản và khám phá các phương án chiến lược. Đây cũng là cấu trúc nền tảng được xác định trong bản thảo nghiên cứu ban đầu.
Tuy nhiên, sự mở rộng khả năng tạo lập thông tin về tương lai đồng thời làm xuất hiện một vấn đề chiến lược mới:
Khả năng tạo ra các tương lai khả dĩ không đồng nghĩa với năng lực kiến tạo tương lai.
AI có thể tạo ra hàng chục hoặc hàng trăm kịch bản, nhưng việc xác định tương lai nào đáng mong muốn, đánh đổi chiến lược nào có thể chấp nhận, nguồn lực nào cần cam kết và hành động nào phải được triển khai vẫn đòi hỏi phán đoán, trách nhiệm và quyền chủ thể của con người.
Do đó, cần phân biệt về mặt lý thuyết giữa khám phá tương lai (future exploration) và kiến tạo tương lai (future making).
1.2. Nghịch lý AI–tầm nhìn chiến lược
AI tạo ra một nghịch lý quan trọng đối với quản trị chiến lược.
Một mặt, AI có thể tăng cường năng lực tầm nhìn thông qua tốc độ xử lý, khả năng tìm kiếm, nhận diện mô thức, tổng hợp thông tin và tạo sinh các khả thể. Những năng lực này giúp mở rộng không gian tìm kiếm chiến lược và phát hiện các tín hiệu mà nhận thức quản trị truyền thống có thể bỏ qua.
Mặt khác, phụ thuộc quá mức vào AI có thể dẫn đến thiên lệch tự động hóa (automation bias), chuyển giao nhận thức (cognitive offloading), ảo tưởng về độ chính xác, cố định kịch bản, khóa chặt vào dữ liệu lịch sử và đồng nhất hóa tư duy chiến lược.
Đặc biệt, nếu nhà quản trị chuyển giao không chỉ việc xử lý thông tin mà cả hoạt động diễn giải, đánh giá và lựa chọn cho thuật toán, sự gia tăng trí tuệ tính toán có thể đồng thời dẫn đến suy giảm quyền chủ thể chiến lược của con người (human strategic agency).
Do đó, vấn đề lý thuyết quan trọng không còn đơn giản là:
AI có cải thiện tầm nhìn chiến lược hay không?
Mà là:
Trong những điều kiện nào AI hỗ trợ tầm nhìn có thể tăng cường trí tuệ dự báo của tổ chức mà vẫn duy trì năng lực diễn giải, tưởng tượng, phán đoán và kiến tạo tương lai của nhà lãnh đạo?
- KHOẢNG TRỐNG NGHIÊN CỨU
Nghiên cứu xác định bốn khoảng trống có quan hệ chặt chẽ.
2.1. Khoảng trống công nghệ – năng lực
Nhiều nghiên cứu tiếp cận AI như một tập hợp công cụ phục vụ phân tích, dự báo hoặc tạo lập kịch bản. Tuy nhiên, sở hữu hoặc sử dụng AI không đồng nghĩa với sở hữu năng lực tổ chức.
Hai tổ chức sử dụng cùng một mô hình AI vẫn có thể tạo ra giá trị chiến lược rất khác nhau do khác biệt về dữ liệu, quy trình, chuyên môn con người, cơ chế kiểm chứng, nhận thức quản trị và cấu trúc quản trị AI.
Vì vậy, nghiên cứu chuyển đơn vị phân tích từ AI use sang AI-Assisted Foresight Capability – AIFC.
2.2. Khoảng trống tầm nhìn – hành động
Tầm nhìn chiến lược giúp tổ chức hiểu rõ hơn điều gì có thể xảy ra, nhưng không tự động giải thích tổ chức nên kiến tạo tương lai nào.
Một tổ chức có thể sở hữu hệ thống quét môi trường và hoạch định kịch bản tinh vi nhưng vẫn không có khả năng chuyển tri thức đó thành quyết định, cam kết nguồn lực và hành động chiến lược.
2.3. Khoảng trống về quyền chủ thể lãnh đạo
Đây là khoảng trống lý thuyết trọng tâm.
Nghiên cứu về strategic foresight giải thích khá tốt quá trình anticipation, nhưng chưa giải thích đầy đủ quá trình chuyển từ:
nhận biết tương lai → lựa chọn tương lai → kiến tạo tương lai.
Nghiên cứu này giải quyết khoảng trống đó thông qua cấu trúc LFMC.
2.4. Khoảng trống cấu hình Người–AI
Tác động của AI không chỉ phụ thuộc vào năng lực công nghệ mà còn phụ thuộc vào cách nhiệm vụ nhận thức và quyền ra quyết định được phân bổ giữa con người và AI.
Do đó, HAFC cần được xem là điều kiện biên (boundary condition) thay vì mặc định rằng AI luôn cải thiện tầm nhìn chiến lược.
Câu hỏi nghiên cứu trung tâm
Năng lực Tầm nhìn Chiến lược được AI Hỗ trợ cải thiện Chất lượng Chiến lược Tổ chức thông qua Năng lực Tầm nhìn Chiến lược và Năng lực Kiến tạo Tương lai của Nhà lãnh đạo như thế nào, và Tính Bổ trợ Người–AI trong Tầm nhìn Chiến lược tác động đến quá trình này ra sao?
- CƠ SỞ LÝ THUYẾT
3.1. Từ xác suất đến khả thể và quyền chủ thể
Ba logic về tương lai cần được phân biệt:
| Tiếp cận | Câu hỏi trung tâm | Logic |
| Forecasting | Điều gì có khả năng xảy ra? | Probability – Xác suất |
| Strategic Foresight | Những điều gì có thể xảy ra? | Possibility – Khả thể |
| Future-Making | Tương lai nào chúng ta muốn tác động để hình thành? | Agency – Quyền chủ thể |
Sự chuyển dịch từ probability → possibility → agency là cơ sở lý thuyết để phân biệt strategic foresight với future-making.
3.2. Năng lực động và năng lực quản trị động
Lý thuyết năng lực động giải thích khả năng thích ứng của tổ chức thông qua ba quá trình:
Sensing → Seizing → Transforming.
Strategic foresight chủ yếu tăng cường sensing bằng cách giúp tổ chức nhận diện các cơ hội, nguy cơ, xu hướng và đứt gãy mới nổi.
Tuy nhiên, sensing không đủ.
Nhà lãnh đạo phải lựa chọn phương án, cam kết nguồn lực và chuyển đổi tổ chức.
Theo logic này:
SFC ≈ Sensing được tăng cường
trong khi:
LFMC ≈ Interpretation + Seizing + Future-oriented Transforming.
LFMC vì vậy được định vị như một vi nền tảng quản trị động (dynamic managerial microfoundation) kết nối năng lực dự báo với hành động chiến lược có chủ đích.
- CÁC CẤU TRÚC NGHIÊN CỨU
4.1. Năng lực Tầm nhìn Chiến lược được AI Hỗ trợ – AIFC
Nghiên cứu định nghĩa:
AIFC là năng lực của tổ chức trong việc phối hợp có chủ đích AI với chuyên môn con người nhằm nhận diện tín hiệu mới nổi, phát hiện mô thức thay đổi, thách thức các giả định chiến lược, tạo lập những tương lai thay thế và nâng cao năng lực dự báo chiến lược.
AIFC gồm năm miền:
- Quét môi trường được AI hỗ trợ;
- Phát hiện tín hiệu yếu;
- Phân tích mô thức và xu hướng;
- Tạo lập kịch bản bằng AI;
- Thách thức giả định chiến lược bằng AI.
Điểm quan trọng là:
AI adoption ≠ AI use ≠ AIFC.
AIFC phản ánh năng lực phối hợp và khai thác AI, không đơn thuần phản ánh mức độ sử dụng công nghệ.
4.2. Năng lực Tầm nhìn Chiến lược – SFC
SFC được định nghĩa là:
Năng lực của tổ chức trong việc nhận diện có hệ thống những thay đổi mới nổi, diễn giải bất định, xây dựng các tương lai thay thế, thách thức các giả định hiện hữu và tích hợp tri thức dự báo vào quá trình chiến lược.
Cần phân biệt:
AIFC = tổ chức phối hợp AI và con người hiệu quả đến mức nào để hỗ trợ foresight.
SFC = tổ chức thực hiện foresight tốt đến mức nào.
Do đó:
Công nghệ AI → AIFC → SFC
là ba cấp độ khái niệm khác nhau.
- NĂNG LỰC KIẾN TẠO TƯƠNG LAI CỦA NHÀ LÃNH ĐẠO – LFMC
Đây là đóng góp lý thuyết trung tâm của nghiên cứu.
LFMC được định nghĩa là:
Năng lực quản trị động thông qua đó nhà lãnh đạo nhận diện các khả thể mới nổi, hình dung các tương lai tổ chức thay thế, diễn giải ý nghĩa chiến lược và chuẩn tắc của chúng, lựa chọn các trạng thái tương lai mong muốn, huy động cam kết tập thể và khởi tạo các hành động hiện tại nhằm tác động đến quỹ đạo tương lai của tổ chức.
LFMC bao gồm năm thành phần:
(1) Future Possibility Sensing – Nhận diện khả thể tương lai
Khả năng nhận biết những khả thể có ý nghĩa chiến lược thay vì chỉ quan sát xu hướng.
(2) Alternative Future Imagination – Tưởng tượng tương lai thay thế
Khả năng vượt khỏi ngoại suy tuyến tính để hình dung các trạng thái tương lai khác biệt về chất.
(3) Strategic Meaning-Making – Kiến tạo ý nghĩa chiến lược
Khả năng diễn giải ý nghĩa của các tương lai khác nhau đối với bản sắc, mục tiêu, năng lực, các bên liên quan và vị thế chiến lược của tổ chức.
(4) Preferred-Future Choice – Lựa chọn tương lai mong muốn
Khả năng thực hiện phán đoán quản trị để xác định tương lai nào đáng mong muốn, hợp pháp và xứng đáng để tổ chức theo đuổi.
(5) Future Enactment – Hiện thực hóa tương lai
Khả năng chuyển tương lai mong muốn thành thử nghiệm, đầu tư, phân bổ nguồn lực, sáng kiến chiến lược và hành động tập thể.
5.1. Phân biệt SFC và LFMC
Đây là phép kiểm định quan trọng nhất đối với tính mới của nghiên cứu.
SFC hỏi:
Những tương lai nào có thể xuất hiện và chúng hàm ý điều gì?
LFMC hỏi:
Chúng ta muốn tác động để hình thành tương lai nào và phải cam kết điều gì ngay từ hiện tại?
Vì vậy:
SFC → Tri thức dự báo (anticipatory knowledge)
LFMC → Quyền chủ thể chiến lược (strategic agency)
SFC mang tính tổ chức – nhận thức – dự báo, trong khi LFMC mang tính lãnh đạo – phán đoán – lựa chọn – hành động.
Đây cũng là vấn đề mà bản thảo nguồn xác định phải chứng minh bằng giá trị phân biệt giữa SFC và LFMC.
- CHẤT LƯỢNG CHIẾN LƯỢC TỔ CHỨC – OSQ
OSQ được định nghĩa là:
Mức độ mà chiến lược của tổ chức thể hiện sự phù hợp với môi trường, tính vững chắc trước nhiều tương lai khả dĩ, khả năng thích ứng, tính nhất quán nội tại, tính khác biệt và khả năng triển khai trong điều kiện bất định.
OSQ gồm sáu thành phần:
Environmental Fit + Future Robustness + Adaptability + Strategic Coherence + Distinctiveness + Implementability.
Việc sử dụng OSQ thay vì hiệu quả tài chính tức thời giúp mô hình duy trì tính gần gũi nhân quả giữa foresight, future-making và kết quả chiến lược.
- TÍNH BỔ TRỢ NGƯỜI–AI TRONG TẦM NHÌN CHIẾN LƯỢC – HAFC
HAFC được định nghĩa là:
Mức độ tổ chức chủ đích kết hợp thế mạnh của AI về tìm kiếm, tính toán, nhận diện mô thức, tổng hợp và tạo sinh với thế mạnh của con người về diễn giải bối cảnh, tưởng tượng, phán đoán chuẩn tắc, trách nhiệm và quyền chủ thể chiến lược.
Cấu trúc phân công nhận thức có thể được mô tả:
AI: tìm kiếm → phát hiện → tổng hợp → tạo sinh → mô phỏng.
Con người: đặt vấn đề → diễn giải → phản biện → phán đoán → lựa chọn → cam kết → hành động.
Do đó:
Human-in-the-loop không mặc nhiên đồng nghĩa với Human–AI Complementarity.
Nếu con người chỉ xác nhận đầu ra AI, tính bổ trợ thực chất vẫn thấp.
- MÔ HÌNH VÀ GIẢ THUYẾT NGHIÊN CỨU
Mô hình cốt lõi
AIFC → SFC → LFMC → OSQ
với:
SFC → OSQ
và điều tiết:
AIFC × HAFC → SFC
Cấu trúc này bảo toàn kiến trúc bảy giả thuyết của bản nghiên cứu ban đầu.
H1: Năng lực Tầm nhìn Chiến lược được AI Hỗ trợ tác động tích cực đến Năng lực Tầm nhìn Chiến lược.
H2: Năng lực Tầm nhìn Chiến lược tác động tích cực đến Năng lực Kiến tạo Tương lai của Nhà lãnh đạo.
H3: Năng lực Kiến tạo Tương lai của Nhà lãnh đạo tác động tích cực đến Chất lượng Chiến lược Tổ chức.
H4: Năng lực Tầm nhìn Chiến lược tác động tích cực đến Chất lượng Chiến lược Tổ chức.
H5: LFMC đóng vai trò trung gian trong mối quan hệ giữa SFC và OSQ.
H6: AIFC có tác động gián tiếp tích cực đến OSQ thông qua chuỗi trung gian SFC → LFMC.
H7: HAFC điều tiết tích cực mối quan hệ giữa AIFC và SFC; tác động của AIFC lên SFC mạnh hơn khi HAFC ở mức cao.
Trong đó, H6 nên được xác định là giả thuyết trung tâm, bởi nó biểu diễn toàn bộ logic chuyển hóa năng lực:
AI augmentation → Foresight → Human strategic agency → Strategy quality.
Bản thảo nguồn cũng xác định H6 là giả thuyết quan trọng nhất của kiến trúc nghiên cứu.
- PHƯƠNG PHÁP NGHIÊN CỨU
Để đáp ứng tiêu chuẩn của một nghiên cứu phát triển cấu trúc mới, không nên kiểm định AIFC, LFMC và HAFC chỉ bằng một khảo sát cắt ngang.
Nghiên cứu 1 – Phát triển miền khái niệm
Thực hiện khoảng 25–35 phỏng vấn bán cấu trúc với lãnh đạo cấp cao, giám đốc chiến lược, chuyên gia foresight, đổi mới, chuyển đổi số và chiến lược AI.
Mục tiêu là xác định miền nội dung của AIFC, LFMC và HAFC, đặc biệt nhận diện các hành vi phân biệt “nhìn thấy tương lai” với “kiến tạo tương lai”.
Nghiên cứu 2 – Phát triển thang đo
Quy trình:
Xác định miền khái niệm → tạo biến quan sát → hội đồng chuyên gia → đánh giá giá trị nội dung → cognitive interviews → pilot → EFA → tinh lọc thang đo.
Cỡ mẫu khuyến nghị:
N = 250–350 nhà quản trị cấp trung và cấp cao.
Nghiên cứu 3 – Kiểm định độc lập mô hình đo lường
Cỡ mẫu:
N = 350–450.
Kiểm định:
CFA, α, McDonald’s ω, CR, AVE, HTMT, CFI, TLI, RMSEA và SRMR.
Đặc biệt phải so sánh:
M1: SFC + LFMC = một nhân tố;
M2: SFC và LFMC = hai nhân tố tương quan;
M3: mô hình bậc cao nếu có cơ sở lý thuyết.
Nếu M2 không vượt trội rõ ràng, giá trị lý thuyết của LFMC phải được xem xét lại trước khi kiểm định mô hình cấu trúc.
- NGHIÊN CỨU THỰC ĐỊA ĐA THỜI ĐIỂM
Nghiên cứu 4
Cỡ mẫu đề xuất:
N = 450–650 nhà quản trị cấp cao, ưu tiên nhiều người trả lời trong cùng tổ chức.
Thiết kế:
T1: AIFC + HAFC + biến kiểm soát
↓
T2: SFC
↓
T3: LFMC
↓
T4: OSQ
Thiết kế này tiếp tục và củng cố cấu trúc multi-wave đã được đề xuất trong bản thảo nguồn.
Nên sử dụng multi-source design nếu điều kiện cho phép nhằm giảm common method bias.
- CHIẾN LƯỢC PHÂN TÍCH
CB-SEM phù hợp hơn PLS-SEM nếu mục tiêu chính là kiểm định lý thuyết và xác nhận cấu trúc.
Tác động gián tiếp tuần tự:
AIFC → SFC → LFMC → OSQ
nên được kiểm định bằng bootstrap confidence intervals.
H7 nên được kiểm định bằng latent interaction, tránh chia mẫu tùy tiện thành nhóm “cao/thấp”.
Đồng thời cần so sánh các mô hình cạnh tranh:
Mô hình A: AIFC → OSQ
Mô hình B: AIFC → SFC → OSQ
Mô hình C: AIFC → LFMC → OSQ
Mô hình D: AIFC → SFC → LFMC → OSQ.
Việc so sánh này giúp chứng minh mô hình tuần tự tạo ra giá trị giải thích gia tăng chứ không chỉ làm mô hình phức tạp hơn.
- THỰC NGHIỆM BỔ SUNG
Một thực nghiệm có thể phân ngẫu nhiên nhà quản trị vào ba điều kiện:
Nhóm 1 – Human-only Foresight
Nhóm 2 – AI-dominant Foresight
Nhóm 3 – Human–AI Complementary Foresight
Các nhóm cùng xử lý một tình huống gián đoạn chiến lược.
Biến kết quả gồm:
scenario diversity, novelty, plausibility, contextual relevance, assumption diversity, strategic-option quality, strategy robustness và actionability.
Đặc biệt:
Số lượng kịch bản không nên được sử dụng như bằng chứng về chất lượng foresight.
Có thể sử dụng semantic/conceptual distance để đo mức độ khác biệt thực chất giữa các kịch bản thay vì chỉ đếm số lượng.
- ĐÓNG GÓP LÝ THUYẾT
13.1. Từ khám phá tương lai đến kiến tạo tương lai
Nghiên cứu phân biệt:
Strategic Foresight → mở rộng không gian khả thể
với:
Future-Making → chuyển khả thể thành cam kết và hành động.
Do đó:
Foresight tạo ra khả thể.
Future-making tạo ra quyền chủ thể chiến lược.
13.2. LFMC như một năng lực quản trị động
LFMC bổ sung vi nền tảng quản trị cho chuỗi:
Sensing → Seizing → Transforming.
Điều này giúp giải thích tại sao hai tổ chức có năng lực foresight tương đương vẫn có thể khác biệt đáng kể về khả năng chuyển tầm nhìn thành chiến lược.
13.3. Từ sử dụng AI sang năng lực AI
Nghiên cứu thay câu hỏi:
“Tổ chức sử dụng AI nhiều đến mức nào?”
bằng:
“Tổ chức phối hợp AI và chuyên môn con người hiệu quả đến mức nào để nâng cao trí tuệ dự báo?”
Đây là sự dịch chuyển từ technology adoption sang organizational capability.
13.4. Bổ trợ Người–AI như điều kiện biên
Nghiên cứu không chấp nhận hai cực:
AI determinism: AI tốt hơn tất yếu tạo ra chiến lược tốt hơn.
Human exceptionalism: tư duy chiến lược phải hoàn toàn thuộc về con người.
Thay vào đó:
Giá trị chiến lược phát sinh từ cấu hình bổ trợ phù hợp giữa năng lực máy và năng lực con người.
- NGHỊCH LÝ ĐỒNG NHẤT HÓA TƯƠNG LAI DO AI
Một mở rộng lý thuyết đáng chú ý là khả năng AI làm tăng số lượng kịch bản nhưng giảm tính khác biệt chiến lược của chúng.
Cơ chế có thể là:
Các tổ chức sử dụng foundation models tương tự
↓
Tiếp cận các biểu diễn thông tin tương tự
↓
Tạo ra các kịch bản tương tự
↓
Hình thành các lựa chọn chiến lược tương tự
↓
Hội tụ chiến lược
Từ đó đề xuất:
Nghịch lý Đồng nhất hóa Tương lai do AI – AI Future-Homogenization Paradox
AI có thể mở rộng số lượng tương lai được hình dung nhưng đồng thời thu hẹp mức độ đa dạng của những tương lai thực sự khác biệt về chiến lược.
Đây là một hướng nghiên cứu độc lập có tiềm năng phát triển từ mô hình hiện tại.
- HÀM Ý QUẢN TRỊ
Các tổ chức không nên đánh giá AI-assisted foresight bằng số lượng công cụ AI hoặc số kịch bản được tạo ra.
Câu hỏi phù hợp hơn là AI có giúp tổ chức cải thiện chu trình:
Phát hiện → Phản biện → Tưởng tượng → Diễn giải → Lựa chọn → Hành động → Học hỏi
hay không.
Có thể phát triển khung thực hành:
AI-FORESEE
F – Find signals: Phát hiện tín hiệu
O – Observe patterns: Quan sát mô thức
R – Reframe assumptions: Tái định khung giả định
E – Explore alternative futures: Khám phá tương lai thay thế
S – Select desirable futures: Lựa chọn tương lai mong muốn
E – Enact strategic pathways: Hiện thực hóa con đường chiến lược
E – Evaluate and learn: Đánh giá và học hỏi
AI có lợi thế đặc biệt ở Find – Observe – Explore.
Con người cần giữ vai trò quyết định ở Reframe – Select – Enact – Evaluate.
Vì vậy, câu hỏi của lãnh đạo cần chuyển từ:
“AI dự đoán điều gì sẽ xảy ra?”
sang:
“Giả định nào của chúng ta có thể sai?”
“Tương lai nào chúng ta đang bỏ sót?”
“Bằng chứng nào có thể bác bỏ kịch bản này?”
“Hành động không hối tiếc nào cần thực hiện ngay?”
và cuối cùng:
“Chúng ta muốn góp phần kiến tạo tương lai nào?”
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Thứ nhất, AIFC nằm trong một miền công nghệ thay đổi nhanh, do đó cấu trúc đo lường cần được tái kiểm định theo thời gian.
Thứ hai, LFMC là cấu trúc mới và cần được kiểm định lặp lại, kiểm định bất biến đo lường và so sánh với các cấu trúc gần như strategic thinking, visionary leadership, managerial cognition và entrepreneurial orientation.
Thứ ba, OSQ có thể chịu ảnh hưởng của thiên lệch nhận thức quản trị. Các nghiên cứu tiếp theo nên kết hợp đánh giá chuyên gia độc lập và dữ liệu khách quan.
Thứ tư, thiết kế đa thời điểm cải thiện thứ tự thời gian nhưng chưa đủ để khẳng định quan hệ nhân quả; nghiên cứu thực nghiệm và longitudinal design vẫn cần thiết.
Cuối cùng, cần nghiên cứu một nghịch lý năng lực dài hạn: liệu phụ thuộc liên tục vào AI có thể nâng cao hiệu quả foresight ngắn hạn nhưng đồng thời làm suy giảm khả năng tưởng tượng, phản biện và foresight độc lập của con người trong dài hạn hay không.
- KẾT LUẬN
Sự xuất hiện của GenAI đang thay đổi căn bản cấu trúc khan hiếm của tầm nhìn chiến lược. Trước đây, thách thức lớn của tổ chức là thiếu thông tin và hạn chế khả năng hình dung những tương lai thay thế. Trong kỷ nguyên AI, vấn đề có thể đảo chiều: tổ chức có khả năng tạo ra nhiều tín hiệu, phân tích, kịch bản, phản thực và lựa chọn chiến lược hơn khả năng con người có thể diễn giải một cách có ý nghĩa.
Do đó, thách thức chiến lược đang chuyển từ tạo lập tương lai sang phân biệt, lựa chọn và hiện thực hóa tương lai.
Nghiên cứu đề xuất cơ chế:
AIFC → SFC → LFMC → OSQ
dưới điều kiện biên:
Human–AI Foresight Complementarity.
Luận điểm trung tâm là:
AI mở rộng không gian của những tương lai khả dĩ; năng lực lãnh đạo chuyển hóa các khả thể đó thành quyền chủ thể và hành động chiến lược.
AI có thể mở rộng những gì tổ chức có thể nhìn thấy.
Strategic foresight mở rộng những gì tổ chức có thể hình dung là khả dĩ.
Nhưng cả hai đều không tự quyết định tổ chức nên theo đuổi tương lai nào.
Trách nhiệm đó thuộc về năng lực kiến tạo tương lai của nhà lãnh đạo: khả năng diễn giải các khả thể, thực hiện phán đoán, lựa chọn hướng đi mong muốn, chấp nhận đánh đổi, huy động cam kết tập thể và chuyển ý định chiến lược thành hành động hiện tại.
Vì vậy, khi AI ngày càng mạnh trong dự báo, phân tích và tạo sinh, giá trị đặc thù của lãnh đạo không biến mất mà dịch chuyển lên một cấp độ cao hơn:
từ thông tin → kiến tạo ý nghĩa;
từ dự báo → phán đoán;
từ phương án → lựa chọn;
từ khả thể → cam kết;
và từ những tương lai có thể xảy ra → những tương lai được chủ đích kiến tạo.
Đây chính là nền tảng để định vị Leaders’ Future-Making Capability (LFMC) không phải như một cách gọi mới của strategic foresight, mà như một năng lực quản trị động riêng biệt, đóng vai trò cầu nối giữa trí tuệ dự báo được AI tăng cường và chất lượng chiến lược của tổ chức.
TÀI LIỆU THAM KHẢO
- Amara, R. (1981). The futures field: Searching for definitions and boundaries. The Futurist, 15(1), 25–29.
- Bennett, N., & Lemoine, G. J. (2014). What VUCA really means for you. Harvard Business Review, 92(1/2), 27.
- Bingham, C. B., & Eisenhardt, K. M. (2011). Rational heuristics: The “simple rules” that strategists learn from process experience. Strategic Management Journal, 32(13), 1437–1464. https://doi.org/10.1002/smj.965
- Chermack, T. J. (2004). Improving decision-making with scenario planning. Futures, 36(3), 295–309. https://doi.org/10.1016/S0016-3287(03)00156-3
- Chermack, T. J. (2011). Scenario planning in organizations: How to create, use, and assess scenarios. Berrett-Koehler.
- Daft, R. L., & Weick, K. E. (1984). Toward a model of organizations as interpretation systems. Academy of Management Review, 9(2), 284–295. https://doi.org/10.5465/amr.1984.4277657
- Dufva, M., Könnölä, T., & Koivisto, R. (2015). Multi-layered foresight: Lessons from regional foresight in Chile. Futures, 73, 100–111. https://doi.org/10.1016/j.futures.2015.08.010
- Eisenhardt, K. M. (1989). Making fast strategic decisions in high-velocity environments. Academy of Management Journal, 32(3), 543–576. https://doi.org/10.2307/256434
- Fuller, T., & Loogma, K. (2009). Constructing futures: A social constructionist perspective on foresight methodology. Futures, 41(2), 71–79. https://doi.org/10.1016/j.futures.2008.07.039
- Gavetti, G. (2012). Toward a behavioral theory of strategy. Organization Science, 23(1), 267–285. https://doi.org/10.1287/orsc.1110.0644
- George, G., Haas, M. R., & Pentland, A. (2014). Big data and management. Academy of Management Journal, 57(2), 321–326. https://doi.org/10.5465/amj.2014.4002
- Greenblott, J. M., O’Farrell, T., Olson, R., & Burchard, B. (2019). Strategic foresight in the federal government: A survey of methods, resources, and institutional arrangements. World Futures Review, 11(3), 245–266. https://doi.org/10.1177/1946756718814908
- Helfat, C. E., & Peteraf, M. A. (2015). Managerial cognitive capabilities and the microfoundations of dynamic capabilities. Strategic Management Journal, 36(6), 831–850. https://doi.org/10.1002/smj.2247
- Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human–AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586. https://doi.org/10.1016/j.bushor.2018.03.007
- Kanis, T., Mann, J. E., & Stumpf-Wollersheim, J. (2026). AI-augmented strategic decision-making under time constraints: An experimental study on mental representations and strategic foresight. Strategy Science, 11(1), 75–92. https://doi.org/10.1287/stsc.2025.0442
- Krakowski, S., Luger, J., & Raisch, S. (2023). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, 44(6), 1425–1452. https://doi.org/10.1002/smj.3387
- Makridakis, S., Kirkham, R., Wakefield, A., Papadaki, M., Kirkham, J., & Long, L. (2023). Forecasting, uncertainty and risk; perspectives on clinical decision-making in preventive and curative medicine. International Journal of Forecasting, 39(1), 1–20.
- March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87. https://doi.org/10.1287/orsc.2.1.71
- Miller, C. C., & Ireland, R. D. (2005). Intuition in strategic decision making: Friend or foe in the fast-paced 21st century? Academy of Management Executive, 19(1), 19–30. https://doi.org/10.5465/ame.2005.15841948
- Miller, R. (Ed.). (2018). Transforming the future: Anticipation in the 21st century. UNESCO/Routledge.
- Mintzberg, H. (1994). The rise and fall of strategic planning. Free Press.
- Ocasio, W. (1997). Towards an attention-based view of the firm. Strategic Management Journal, 18(S1), 187–206. https://doi.org/10.1002/(SICI)1097-0266(199707)18:1+%3C187::AID-SMJ936%3E3.0.CO;2-K
- Picavet, M. E. B., Maroni, P., Sandhu, A., & Desouza, K. C. (2026). Human–machine collaboration for strategy foresight: The case of generative AI. Public Administration Review, 86(2), 299–310. https://doi.org/10.1111/puar.70048
- 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
- Rohrbeck, R. (2012). Exploring value creation from corporate-foresight activities. Futures, 44(5), 440–452. https://doi.org/10.1016/j.futures.2012.03.006
- Rohrbeck, R., & Gemünden, H. G. (2011). Corporate foresight: Its three roles in enhancing the innovation capacity of a firm. Technological Forecasting and Social Change, 78(2), 231–243. https://doi.org/10.1016/j.techfore.2010.06.019
- Rohrbeck, R., & Kum, M. E. (2018). Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change, 129, 105–116. https://doi.org/10.1016/j.techfore.2017.12.013
- Rohrbeck, R., Battistella, C., & Huizingh, E. (2015). Corporate foresight: An emerging field with a rich tradition. Technological Forecasting and Social Change, 101, 1–9. https://doi.org/10.1016/j.techfore.2015.11.002
- Rohrbeck, R., Szuppa, S., & Schmidt, J. (2026). Artificial intelligence in strategic foresight: Evidence from a longitudinal case at Siemens Professional Education. Futures, 183, 103883. https://doi.org/10.1016/j.futures.2026.103883
- Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.
- Schwartz, P. (1991). The art of the long view: Planning for the future in an uncertain world. Doubleday.
- Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4), 66–83. https://doi.org/10.1177/0008125619862257
- Slaughter, R. A. (1995). The foresight principle: Cultural recovery in the 21st century. Adamantine Press.
- Suddendorf, T., & Corballis, M. C. (2007). The evolution of foresight: What is mental time travel, and is it unique to humans? Behavioral and Brain Sciences, 30(3), 299–313. https://doi.org/10.1017/S0140525X07001975
- Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
- Teece, D. J. (2018). Business models and dynamic capabilities. Long Range Planning, 51(1), 40–49. https://doi.org/10.1016/j.lrp.2017.06.007
- Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.
- Vecchiato, R. (2012). Environmental uncertainty, foresight and strategic decision making: An integrated study. Technological Forecasting and Social Change, 79(3), 436–447. https://doi.org/10.1016/j.techfore.2011.07.010
- Vecchiato, R. (2015). Strategic planning and organizational flexibility in turbulent environments. Foresight, 17(3), 257–273.
- Weick, K. E. (1995). Sensemaking in organizations. Sage.
