TỰ LÃNH ĐẠO VÀ NĂNG LỰC PHÁN ĐOÁN CỦA NHÀ QUẢN TRỊ TRONG MÔI TRƯỜNG AI: VAI TRÒ CỦA HUMAN AGENCY VÀ AUTOMATION BIAS

English title:

Self-Leadership and Managerial Judgment in AI-Enriched Environments: The Roles of Human Agency and Automation Bias

NGUYỄN VĂN HÙNG

HIGHLIGHTS

• Develops an integrated model linking Self-Leadership, Human Agency, Automation Bias, and Managerial Judgment Capability in AI-enriched managerial environments.
• Positions Human Agency as the explanatory mechanism through which Self-Leadership is translated into higher-quality managerial judgment.
• Conceptualizes Automation Bias as both a negative predictor of judgment capability and a cognitive boundary condition weakening the Human Agency–judgment relationship.
• Introduces Agency-Preserving AI-Augmented Judgment as a human-centered principle for managerial decision-making with AI.
• Proposes a mixed-method scale-development and validation strategy combining CFA/SEM with behavioral decision experiments.

 

TÓM TẮT

Trí tuệ nhân tạo (AI), đặc biệt là AI tạo sinh và các hệ thống hỗ trợ quyết định dựa trên thuật toán, đang làm thay đổi cách nhà quản trị thu thập thông tin, diễn giải bằng chứng và hình thành phán đoán. Mặc dù AI có thể mở rộng năng lực xử lý thông tin và hỗ trợ dự báo, lợi ích của công nghệ không tất yếu chuyển hóa thành phán đoán quản trị tốt hơn. Khi nhà quản trị dựa quá mức vào khuyến nghị thuật toán, cognitive offloading và automation bias có thể làm suy giảm phản biện độc lập, quyền chủ thể và trách nhiệm giải trình. Nghiên cứu này phát triển một mô hình lý thuyết tích hợp nhằm giải thích cách Self-Leadership (SL) ảnh hưởng đến Managerial Judgment Capability (MJC) trong môi trường quản trị tăng cường bởi AI. Dựa trên Self-Leadership Theory và Social Cognitive Theory, nghiên cứu định vị Human Agency (HA) như cơ chế trung gian chuyển hóa các chiến lược tự điều chỉnh thành năng lực phán đoán. Automation Bias (AB) được khái niệm hóa vừa là yếu tố dự báo tiêu cực đối với MJC, vừa là điều kiện biên làm suy yếu quan hệ HA → MJC. Mô hình đề xuất vì vậy có cấu trúc SL → HA → MJC, đồng thời kiểm định đường trực tiếp SL → MJC, tác động AB → MJC và hiệu ứng tương tác HA × AB. Nghiên cứu phát triển khái niệm Agency-Preserving AI-Augmented Judgment, nhấn mạnh rằng giá trị của AI trong quyết định quản trị phụ thuộc vào khả năng duy trì intentionality, evaluative authority, contextual reasoning, contestability và decisional accountability của con người. Về phương pháp, bài viết đề xuất quy trình hỗn hợp tuần tự gồm xác định miền khái niệm, phỏng vấn chuyên gia, phát triển thang đo, EFA/CFA, SEM và behavioral validation. Khung này đóng góp cho nghiên cứu về leadership, human–AI decision-making và responsible AI bằng cách chuyển trọng tâm từ mức độ sử dụng AI sang điều kiện giúp nhà quản trị tận dụng AI mà không đánh mất quyền chủ thể và năng lực phán đoán độc lập.

Từ khóa: self-leadership; managerial judgment capability; human agency; automation bias; AI-augmented decision-making; human oversight; responsible AI.

ABSTRACT

Artificial intelligence (AI), particularly generative AI and algorithmic decision-support systems, is reshaping how managers acquire information, interpret evidence, and form judgment. Although AI can expand information-processing and forecasting capacity, technological augmentation does not automatically translate into better managerial judgment. Excessive reliance on algorithmic recommendations may foster cognitive offloading and automation bias, weakening independent evaluation, human agency, and decisional accountability. This study develops an integrated theoretical model explaining how Self-Leadership (SL) contributes to Managerial Judgment Capability (MJC) in AI-enriched managerial environments. Drawing on Self-Leadership Theory and Social Cognitive Theory, Human Agency (HA) is positioned as the mediating mechanism through which self-regulatory strategies are translated into managerial judgment. Automation Bias (AB) is conceptualized both as a negative predictor of MJC and as a cognitive boundary condition that weakens the HA–MJC relationship. The proposed model therefore specifies SL → HA → MJC, while retaining the direct SL → MJC path and testing AB → MJC and HA × AB effects. The study further introduces Agency-Preserving AI-Augmented Judgment, which holds that the value of AI-supported decision-making depends on managers’ capacity to preserve intentionality, evaluative authority, contextual reasoning, contestability, and decisional accountability. Methodologically, the paper proposes a sequential mixed-method design combining construct-domain specification, expert interviews, scale development, EFA/CFA, SEM, and behavioral validation. The framework contributes to leadership, human–AI decision-making, and responsible AI research by shifting attention from AI use per se toward the human capabilities and cognitive conditions under which AI augmentation can improve judgment without eroding meaningful human agency.

Keywords: self-leadership; managerial judgment capability; human agency; automation bias; artificial intelligence; human–AI decision-making; responsible AI.

1. GIỚI THIỆU

1.1. Bối cảnh và vấn đề nghiên cứu

AI đang chuyển dịch từ vai trò một công nghệ tự động hóa tác vụ sang vai trò của một hệ thống hỗ trợ nhận thức và ra quyết định. Trong quản trị, các hệ thống AI hiện có khả năng tổng hợp khối lượng dữ liệu lớn, nhận diện những mẫu khó quan sát, dự báo xu hướng, đánh giá rủi ro, xây dựng kịch bản, đề xuất phương án và hỗ trợ một phần quá trình ra quyết định. Sự thay đổi này đang làm xuất hiện một cấu trúc quản trị mới:

Manager → AI-Assisted Manager → Human–AI Decision System.

Trong cấu trúc đó, vấn đề quản trị không còn giới hạn ở câu hỏi nhà quản trị có biết sử dụng AI hay không. Câu hỏi quan trọng hơn là liệu họ có duy trì được năng lực phán đoán độc lập, quyền chủ thể nhận thức và trách nhiệm khi AI trở thành một nguồn tư vấn có ảnh hưởng ngày càng lớn hay không.

Iansiti và Lakhani (2020) cho rằng AI đang làm thay đổi kiến trúc vận hành và logic tạo giá trị của doanh nghiệp. Tuy nhiên, khi năng lực phân tích, dự báo và đề xuất được chuyển một phần sang hệ thống thuật toán, việc phân bổ quyền nhận thức giữa con người và máy trở thành một vấn đề quản trị quan trọng.

Do đó, năng lực lãnh đạo trong môi trường AI không nên được đánh giá đơn thuần bằng mức độ sử dụng hoặc thành thạo công nghệ. Một nhà quản trị có thể sử dụng AI thường xuyên nhưng vẫn có phán đoán yếu nếu họ không đánh giá các giả định, giới hạn và bằng chứng đứng sau đầu ra của hệ thống. Ngược lại, AI có thể tạo ra giá trị đáng kể khi được sử dụng như một nguồn bổ trợ nhận thức thay vì một cơ chế thay thế phán đoán. Bằng chứng tại nơi làm việc cho thấy GenAI có thể cải thiện năng suất và hỗ trợ học tập, đặc biệt đối với người lao động ít kinh nghiệm, nhưng tác động khác biệt theo kỹ năng và mức độ tuân theo khuyến nghị của hệ thống (Brynjolfsson et al., 2025). Vì vậy, câu hỏi trung tâm không phải là AI “tốt” hay “xấu” cho quyết định, mà là những điều kiện cá nhân và nhận thức nào quyết định việc AI augmentation chuyển hóa thành judgment augmentation thay vì cognitive dependence.

1.2. Nghịch lý AI–Managerial Judgment

AI tạo ra hai logic có thể tồn tại đồng thời.

Logic thứ nhất là augmentation:

AI Capability → Information Processing → Decision Support → Potentially Better Judgment.

AI có thể mở rộng phạm vi thông tin mà nhà quản trị có thể xử lý, giảm chi phí tìm kiếm, phát hiện những quan hệ khó quan sát và hỗ trợ xây dựng nhiều phương án hơn.

Logic thứ hai là automation dependence:

AI Reliance → Cognitive Offloading → Reduced Verification → Automation Bias → Potential Judgment Deterioration.

Hai logic này hình thành nghịch lý automation–augmentation được Raisch và Krakowski (2021) phân tích trong nghiên cứu về AI và quản trị. Vì vậy, không thể mặc nhiên giả định rằng nhiều AI hơn đồng nghĩa với phán đoán quản trị tốt hơn.

Vấn đề quyết định nằm ở appropriate reliance: nhà quản trị phải biết khi nào có thể dựa vào AI, khi nào cần kiểm tra AI, khi nào cần bác bỏ khuyến nghị và khi nào quyền quyết định cuối cùng bắt buộc phải được duy trì ở con người.

1.3. Khoảng trống nghiên cứu và định vị đóng góp

Nghiên cứu hiện có về AI và quyết định đã phát triển mạnh quanh các chủ đề như algorithmic accuracy, trust in automation, algorithmic appreciation, algorithmic aversion, AI adoption và human–AI performance. Tuy nhiên, ba vấn đề vẫn chưa được kết nối đầy đủ.

Thứ nhất, chưa có đủ giải thích về những năng lực nội tại nào giúp nhà quản trị duy trì phán đoán chất lượng trong môi trường AI.

Thứ hai, chưa rõ Human Agency đóng vai trò như thế nào trong quá trình chuyển hóa các năng lực tự điều chỉnh của nhà quản trị thành phán đoán thực tế.

Thứ ba, ngay cả một cá nhân có năng lực chuyên môn cao vẫn có thể chấp nhận lời khuyên thuật toán không chính xác. Automation bias vì vậy cần được nghiên cứu không chỉ như lỗi giao diện hoặc vấn đề human factors mà còn như một cognitive boundary condition of managerial judgment.

Nghiên cứu này giải quyết khoảng trống đó bằng cách kết nối bốn construct ở cấp độ cá nhân:

Self-Leadership → Human Agency → Managerial Judgment Capability

dưới điều kiện:

Automation Bias.

Đóng góp của mô hình không nằm ở việc khẳng định đơn giản rằng Self-Leadership “cải thiện” judgment. Thay vào đó, bài viết giải thích cơ chế chuyển hóa và điều kiện biên của mối quan hệ này. Human Agency trả lời câu hỏi how and why Self-Leadership có thể chuyển thành phán đoán quản trị, trong khi Automation Bias trả lời câu hỏi when this conversion weakens. Cách định vị này giúp mô hình vượt ra ngoài logic tương quan trực tiếp và tiến tới một cấu trúc moderated mediation có khả năng kiểm định.

1.4. Mục tiêu nghiên cứu

Nghiên cứu hướng tới năm mục tiêu.

Thứ nhất, tái định vị Self-Leadership trong môi trường Human–AI decision systems.

Thứ hai, khái niệm hóa Human Agency như cơ chế nhận thức–chủ thể kết nối Self-Leadership với Managerial Judgment Capability.

Thứ ba, phát triển khái niệm Managerial Judgment Capability phù hợp với môi trường AI-enriched management.

Thứ tư, kiểm định tác động trực tiếp và điều tiết của Automation Bias.

Thứ năm, phát triển logic lý thuyết Agency-Preserving AI-Augmented Judgment.

1.5. Câu hỏi nghiên cứu

RQ1. Self-Leadership ảnh hưởng như thế nào đến Human Agency của nhà quản trị trong môi trường AI?

RQ2. Human Agency ảnh hưởng như thế nào đến Managerial Judgment Capability?

RQ3. Self-Leadership có ảnh hưởng trực tiếp đến Managerial Judgment Capability hay không?

RQ4. Human Agency có trung gian hóa quan hệ giữa Self-Leadership và Managerial Judgment Capability hay không?

RQ5. Automation Bias ảnh hưởng như thế nào đến Managerial Judgment Capability?

RQ6. Automation Bias có làm suy yếu mối quan hệ giữa Human Agency và Managerial Judgment Capability hay không?

Câu hỏi nghiên cứu trung tâm là:

How does self-leadership enable managers to preserve human agency and exercise sound judgment when managerial decision-making is increasingly augmented by artificial intelligence?

2. CƠ SỞ LÝ THUYẾT VÀ KHOẢNG TRỐNG NGHIÊN CỨU

2.1. Self-Leadership

Self-Leadership được Manz (1986) xây dựng như một quá trình tự ảnh hưởng, trong đó cá nhân chủ động định hướng nhận thức và hành vi nhằm đạt kết quả mong muốn. Các nghiên cứu sau đó phân loại Self-Leadership thành ba nhóm chiến lược: behavior-focused strategies, natural reward strategies và constructive thought pattern strategies (Houghton & Neck, 2002; Neck et al., 2020).

Trong môi trường truyền thống, các chiến lược này chủ yếu giúp cá nhân quản lý mục tiêu, động lực, nhận thức và hành vi. Trong môi trường AI, phạm vi của Self-Leadership cần được mở rộng sang việc tự quản trị tương tác nhận thức với AI.

Nhà quản trị phải quyết định: vấn đề nào nên giao cho AI; thông tin nào cần xác minh; đầu ra nào cần phản biện; bằng chứng nào cần bổ sung; và khi nào cần override lời khuyên của hệ thống.

Vì vậy, Self-Leadership trong môi trường AI có thể được hiểu như khả năng tự định hướng và tự điều chỉnh cả hành vi của bản thân lẫn cách phân bổ hoạt động nhận thức giữa bản thân và AI.

2.2. Human Agency

Theo Bandura (2001), con người không chỉ là sản phẩm thụ động của môi trường mà còn có khả năng chủ động ảnh hưởng đến hành động và hoàn cảnh của chính mình. Human Agency bao gồm bốn thuộc tính quan trọng: intentionality, forethought, self-reactiveness và self-reflectiveness.

Trong môi trường AI, Human Agency không đồng nghĩa với việc giảm hoặc từ chối sử dụng AI. Một cá nhân có agency cao vẫn có thể sử dụng AI thường xuyên. Điểm phân biệt nằm ở việc họ có duy trì quyền xác định mục tiêu, quyền đánh giá, quyền lựa chọn, quyền bác bỏ và trách nhiệm đối với quyết định hay không.

Theo đó, nghiên cứu định nghĩa:

Human Agency in AI-enriched managerial decision-making is the capacity to retain meaningful intentionality, evaluative authority, reflective choice and responsibility while interacting with AI-supported decision systems.

Định nghĩa này đặc biệt quan trọng bởi sự hiện diện hình thức của con người trong vòng quyết định không tự động bảo đảm meaningful human control. Một nhà quản trị có thể vẫn là người bấm nút “approve” nhưng về thực chất đã chuyển toàn bộ quá trình đánh giá cho hệ thống.

2.3. Managerial Judgment Capability

Managerial Judgment khác với decision performance. Một quyết định có kết quả tốt có thể xuất phát từ may mắn, trong khi một quá trình phán đoán hợp lý đôi khi vẫn tạo ra kết quả không mong muốn do bất định môi trường.

Nghiên cứu đề xuất:

Managerial Judgment Capability is a manager’s capacity to interpret incomplete and ambiguous information, critically evaluate human- and AI-generated recommendations, integrate contextual and ethical considerations, make defensible choices, and retain accountability for consequential decisions.

MJC gồm năm chiều.

Interpretive Judgment phản ánh khả năng chuyển dữ liệu và đầu ra AI thành ý nghĩa quản trị.

Evaluative Judgment phản ánh khả năng kiểm tra độ tin cậy, giả định, giới hạn và bằng chứng của khuyến nghị.

Contextual Judgment phản ánh khả năng tích hợp kiến thức ngầm, điều kiện tổ chức và những yếu tố không được mô hình hóa đầy đủ.

Ethical Judgment phản ánh khả năng cân nhắc quyền lợi, công bằng, giá trị và hệ quả đối với các bên liên quan.

Decisional Accountability phản ánh khả năng duy trì quyền quyết định và trách nhiệm giải trình thay vì chuyển trách nhiệm sang AI.

Cấu trúc năm chiều này cho phép MJC được phân biệt rõ hơn với decision quality, AI literacy và general decision competence.

2.4. Automation Bias

Automation Bias được Skitka et al. (1999) mô tả như khuynh hướng dựa quá mức vào hệ thống tự động. Hai biểu hiện kinh điển là commission errors, khi con người thực hiện hành động sai do tuân theo lời khuyên tự động, và omission errors, khi con người bỏ qua vấn đề vì hệ thống không đưa ra cảnh báo.

Trong môi trường GenAI, automation bias có thể trở nên tinh vi hơn vì hệ thống không chỉ đưa ra tín hiệu hoặc dự báo mà còn tạo ra các lập luận có ngôn ngữ tự nhiên, cấu trúc mạch lạc và vẻ ngoài thuyết phục.

Chuỗi nhận thức có thể là:

AI Recommendation → Perceived Competence → Cognitive Offloading → Reduced Verification → Overreliance → Weakened Independent Judgment.

Điều quan trọng là automation bias không hoàn toàn đồng nhất với trust in AI. Trust có thể được hiệu chỉnh hợp lý; automation bias xuất hiện khi mức độ reliance vượt quá mức được biện minh bởi chất lượng thực tế của hệ thống. Bằng chứng thực nghiệm gần đây trong bối cảnh GenAI cho thấy người dùng có thể chấp nhận đầu ra AI sai một cách thiếu phản tư, dẫn đến kết quả thấp hơn đáng kể; warning nudges có thể giảm bớt tác động này, trong khi AI literacy tự báo cáo không nhất thiết ngăn chặn automation bias (Wingerter et al., 2025). Hơn nữa, Kim và Ryoo (2026) cho thấy AI literacy trong một số bối cảnh có thể khuếch đại automation bias thay vì luôn đóng vai trò bảo vệ. Những kết quả này củng cố lập luận rằng automation bias cần được nghiên cứu như một cognitive risk mechanism, không thể được thay thế bằng các biến tổng quát như AI literacy hoặc trust.

2.5. Tổng hợp khoảng trống và theoretical positioning

Tổng quan lý thuyết cho thấy năm khoảng trống.

Leadership–AI gap: nghiên cứu lãnh đạo và AI chủ yếu nhấn mạnh AI literacy, digital leadership hoặc adoption, trong khi Self-Leadership ở cấp độ tương tác nhận thức người–AI chưa được khai thác tương xứng.

Judgment gap: decision performance không đồng nhất với managerial judgment, nhất là đối với quyết định chiến lược, đạo đức và không cấu trúc.

Human Agency gap: Human Agency chưa được sử dụng đầy đủ như cơ chế giải thích giữa self-regulation và managerial judgment.

Automation Bias gap: Automation Bias chủ yếu được nghiên cứu trong human factors, y tế, hàng không hoặc HCI hơn là như một rủi ro nhận thức có ý nghĩa đối với lý thuyết lãnh đạo.

Integrated theoretical gap: còn thiếu mô hình tích hợp:

Self-Leadership → Human Agency → Managerial Judgment Capability

dưới tác động của:

Automation Bias.

Từ năm khoảng trống này, nghiên cứu định vị ở giao điểm của ba dòng lý thuyết: self-regulation and leadership, human agency, và human–AI judgment. Logic tích hợp của bài viết là: Self-Leadership cung cấp nền tảng tự điều chỉnh; Human Agency chuyển nền tảng đó thành quyền chủ động nhận thức trong hệ thống Human–AI; Managerial Judgment Capability phản ánh năng lực đầu ra; còn Automation Bias xác định khi nào quá trình chuyển hóa agency thành judgment bị suy yếu. Theo đó, novelty của nghiên cứu nằm ở cấu trúc cơ chế, không phải ở việc ghép bốn biến đã tồn tại vào một mô hình thống kê.

3. KHUNG LÝ THUYẾT TÍCH HỢP

3.1. Self-Leadership Theory và Social Cognitive Theory

Self-Leadership Theory giải thích các chiến lược mà cá nhân sử dụng để tự điều chỉnh, trong khi Social Cognitive Theory cung cấp nền tảng để giải thích khả năng chủ thể của con người.

Hai lý thuyết có tính bổ trợ.

Self-Leadership trả lời câu hỏi:

Nhà quản trị tự điều chỉnh như thế nào?

Human Agency trả lời:

Nhà quản trị duy trì quyền chủ thể để làm gì và bằng cơ chế nào?

Trong môi trường AI, sự kết hợp này cho phép chuyển từ cách hiểu Self-Leadership như self-management sang self-regulation within Human–AI cognitive systems.

3.2. Human–AI Augmentation

Daugherty và Wilson (2018) nhấn mạnh tiềm năng bổ trợ giữa năng lực người và máy. Theo logic này, AI có lợi thế về tốc độ, quy mô tính toán và pattern recognition, trong khi con người có lợi thế tương đối về bối cảnh, giá trị, mục đích, diễn giải và trách nhiệm.

Có thể biểu diễn:

AI: Scale + Speed + Computation + Pattern Recognition

Human: Context + Purpose + Values + Reflection + Accountability

Do đó:

Human Agency × AI Capability → Augmented Managerial Judgment.

Tuy nhiên, augmentation chỉ tạo giá trị khi năng lực con người không bị thay thế bởi reliance thiếu phản biện.

3.3. Agency Preservation

Nghiên cứu đề xuất Agency Preservation Principle:

AI augmentation creates sustainable managerial value only when technological augmentation is accompanied by the preservation of meaningful human agency.

Nguyên tắc này không yêu cầu con người thực hiện mọi công đoạn. Thay vào đó, nó yêu cầu con người duy trì quyền xác định mục tiêu, đánh giá bằng chứng, contest đầu ra, override khuyến nghị và chịu trách nhiệm cuối cùng.

3.4. Automation Bias như Cognitive Boundary Condition

Automation Bias được đặt ở vị trí điều kiện biên bởi agency không tự động chuyển thành judgment.

Một nhà quản trị có ý thức mạnh về quyền chủ thể nhưng nếu thường xuyên chấp nhận đầu ra AI vì áp lực thời gian, perceived objectivity hoặc convenience thì năng lực chủ thể đó có thể không được chuyển hóa đầy đủ thành hành vi phán đoán.

Do đó:

High HA + Low AB → Strong HA–MJC conversion

nhưng:

High HA + High AB → Weakened HA–MJC conversion.

Đây là cơ sở của cơ chế moderated mediation trong mô hình. Về mặt lý thuyết, AB không phủ định Human Agency; thay vào đó, nó làm giảm khả năng agency được biểu hiện thành hành vi xác minh, phản biện và override. Sự phân biệt này quan trọng vì một nhà quản trị có thể báo cáo mức agency cao nhưng vẫn thể hiện overreliance trong tình huống AI đưa ra khuyến nghị có vẻ tự tin, phù hợp với trực giác hoặc xuất hiện dưới áp lực thời gian.

4. PHÁT TRIỂN GIẢ THUYẾT

4.1. Self-Leadership → Human Agency

Các chiến lược self-observation, self-goal setting và constructive thought giúp cá nhân chủ động xác định mục tiêu và kiểm soát quá trình tương tác với AI. Người có Self-Leadership cao có khả năng ít trở thành người tiếp nhận thụ động hơn bởi họ có xu hướng giám sát hành vi, đánh giá giả định và điều chỉnh chiến lược.

Do đó:

H1. Self-Leadership is positively associated with Human Agency in AI-enriched managerial environments.

4.2. Human Agency → Managerial Judgment Capability

Agency tạo điều kiện để nhà quản trị chủ động diễn giải, phản biện và bối cảnh hóa lời khuyên của AI. Intentionality giúp xác định mục tiêu; forethought hỗ trợ đánh giá hệ quả; self-reactiveness hỗ trợ điều chỉnh hành động; self-reflectiveness giúp đánh giá cả phán đoán của bản thân lẫn AI.

Do đó:

H2. Human Agency is positively associated with Managerial Judgment Capability.

4.3. Self-Leadership → Managerial Judgment Capability

Self-Leadership thúc đẩy self-monitoring, reflective cognition và adaptive self-regulation. Các quá trình này có liên hệ trực tiếp với việc kiểm tra giả định và điều chỉnh phán đoán khi xuất hiện bằng chứng mới.

Do đó:

H3. Self-Leadership is positively associated with Managerial Judgment Capability.

4.4. Vai trò trung gian của Human Agency

Self-Leadership cung cấp các chiến lược tự ảnh hưởng, nhưng Human Agency chuyển các chiến lược đó thành khả năng chủ động kiểm soát quá trình ra quyết định.

Cơ chế được đề xuất là:

Self-Leadership → Self-Regulation → Human Agency → Judgment Exercise.

Do đó:

H4. Human Agency mediates the positive relationship between Self-Leadership and Managerial Judgment Capability.

4.5. Automation Bias → Managerial Judgment Capability

Automation Bias làm giảm hoạt động kiểm tra bằng chứng và tăng khả năng chấp nhận lời khuyên sai.

Do đó:

H5. Automation Bias is negatively associated with Managerial Judgment Capability.

4.6. Automation Bias × Human Agency

Khi AB thấp, Human Agency có khả năng được chuyển hóa mạnh hơn thành hành vi phản biện và phán đoán. Khi AB cao, cognitive offloading và overreliance làm giảm quá trình chuyển hóa này.

Do đó:

H6. Automation Bias negatively moderates the relationship between Human Agency and Managerial Judgment Capability, such that the positive relationship is weaker when Automation Bias is high.

Từ H1, H4 và H6, mô hình dự báo một hiệu ứng gián tiếp có điều kiện:

H7. The indirect positive effect of Self-Leadership on Managerial Judgment Capability through Human Agency is conditional on Automation Bias, such that the indirect effect becomes weaker at higher levels of Automation Bias.

H7 chuyển mô hình từ mediation và moderation rời rạc sang moderated mediation. Đây là giả thuyết tích hợp quan trọng nhất vì nó kiểm định trực tiếp lập luận rằng lợi ích của Self-Leadership đối với judgment thông qua Human Agency phụ thuộc vào mức độ Automation Bias.

5. MÔ HÌNH KHÁI NIỆM

Mô hình chuẩn hóa:

SELF-LEADERSHIP → HUMAN AGENCY → MANAGERIAL JUDGMENT CAPABILITY

Trong đó:

SL → HA: H1 (+)
HA → MJC: H2 (+)
SL → MJC: H3 (+)
SL → HA → MJC: H4 mediation
AB → MJC: H5 (–)
HA × AB → MJC: H6 negative moderation
SL → HA → MJC conditional on AB: H7 moderated mediation.

Cấu trúc lý thuyết:

Leadership Antecedent: Self-Leadership

↓

Agentic Mechanism: Human Agency

↓

Capability Outcome: Managerial Judgment Capability

với:

Cognitive Boundary Condition: Automation Bias.

Logic tổng quát:

SELF-LEADERSHIP → AGENCY PRESERVATION → JUDGMENT PRESERVATION

trong điều kiện rủi ro:

AUTOMATION BIAS → COGNITIVE OVERRELIANCE → WEAKENED AGENCY–JUDGMENT CONVERSION.

6. KIẾN TRÚC ĐO LƯỜNG

6.1. Self-Leadership

Self-Leadership nên kế thừa Revised Self-Leadership Questionnaire của Houghton và Neck (2002) thay vì xây dựng thang đo hoàn toàn mới.

Ba chiều cốt lõi gồm:

1. Behavior-Focused Strategies;
2. Natural Reward Strategies;
3. Constructive Thought Pattern Strategies.

Việc điều chỉnh item cho bối cảnh AI phải thận trọng để không làm construct drift từ Self-Leadership sang AI literacy hoặc AI self-efficacy.

6.2. Human Agency

Human Agency có thể được vận hành hóa dựa trên bốn thuộc tính của Bandura:

Intentionality: duy trì mục tiêu của con người khi sử dụng AI.

Forethought: đánh giá hệ quả trước khi chấp nhận khuyến nghị.

Self-reactiveness: chủ động điều chỉnh hành vi và quyết định.

Self-reflectiveness: phản tư về phán đoán của bản thân và mức độ reliance vào AI.

Các item phải đo agency, không đo AI competence.

6.3. Automation Bias

Đây là cấu trúc cần đặc biệt thận trọng.

Self-report chỉ phản ánh propensity toward automation bias, không chứng minh người trả lời thực sự phạm automation bias.

Có thể sử dụng các item như:

• Tôi thường ưu tiên khuyến nghị AI khi nó khác với đánh giá ban đầu của mình.
• Khi AI thể hiện mức độ chắc chắn cao, tôi ít tìm kiếm thông tin thay thế hơn.
• Khi chịu áp lực thời gian, tôi có xu hướng dựa nhiều hơn vào khuyến nghị AI.
• Tôi ít tìm kiếm bằng chứng phản bác khi đầu ra AI có vẻ hợp lý.

Tuy nhiên, nghiên cứu chính nên bổ sung behavioral validation.

6.4. Managerial Judgment Capability

MJC là construct có tiềm năng đóng góp mới lớn nhất và nên trải qua quy trình scale development đầy đủ.

Năm chiều đề xuất:

MJC1 – Interpretive Judgment

Khả năng diễn giải dữ liệu và đầu ra AI thành ý nghĩa quản trị.

MJC2 – Evaluative Judgment

Khả năng đánh giá độ tin cậy, giả định, giới hạn và thiên lệch của khuyến nghị.

MJC3 – Contextual Judgment

Khả năng tích hợp kiến thức ngầm, điều kiện tổ chức và thông tin ngoài mô hình.

MJC4 – Ethical Judgment

Khả năng cân nhắc giá trị, công bằng, quyền lợi và hệ quả đối với con người.

MJC5 – Decisional Accountability

Khả năng duy trì quyền quyết định cuối cùng và chịu trách nhiệm đối với quyết định.

MJC có thể được kiểm định như một higher-order construct nếu năm chiều thể hiện cấu trúc nhân tố phù hợp.

7. PHƯƠNG PHÁP NGHIÊN CỨU ĐỀ XUẤT

7.1. Thiết kế nghiên cứu và logic kiểm định

Nghiên cứu phù hợp với thiết kế Sequential Exploratory Mixed-Methods, trong đó phát triển và xác nhận thang đo được tách khỏi kiểm định mô hình cấu trúc. Thiết kế này đặc biệt cần thiết vì MJC được đề xuất như một construct mới, còn Automation Bias có nguy cơ bị đo lường thiếu chính xác nếu chỉ dựa trên self-report.

Giai đoạn 1: Conceptual domain specification

Thực hiện systematic hoặc scoping review nhằm:

• xác định domain của MJC;
• phân biệt MJC với decision competence, decision quality và AI literacy;
• xác định domain của AI-contextualized Human Agency;
• xây dựng item pool.

Giai đoạn 2: Qualitative content validation

Phỏng vấn khoảng 15–25 chuyên gia và nhà quản trị có kinh nghiệm sử dụng AI.

Mục tiêu gồm content validity, contextual relevance, wording refinement và khám phá các biểu hiện mới của automation bias trong GenAI.

Giai đoạn 3: Scale purification

Thực hiện pilot khoảng 100–200 người.

Đánh giá:

• item distribution;
• corrected item–total correlation;
• EFA;
• reliability;
• preliminary dimensionality.

Giai đoạn 4: Main quantitative study

Khuyến nghị 400–600 nhà quản trị có kinh nghiệm sử dụng AI trong quyết định quản trị.

Nếu phát triển MJC mới, nên chia dữ liệu hoặc thu hai mẫu độc lập:

Sample A → EFA

Sample B → CFA + SEM.

7.2. Mẫu, tiêu chí lựa chọn và đơn vị phân tích

Đối tượng có thể gồm middle managers, senior managers, functional managers, project managers và executives.

Tiêu chuẩn sàng lọc quan trọng là người tham gia phải thực sự sử dụng ít nhất một hệ thống AI trong hoạt động ra quyết định, chẳng hạn GenAI assistants, predictive analytics, business intelligence tích hợp AI hoặc decision-support systems. Đơn vị phân tích là cá nhân nhà quản trị, không phải tổ chức. Để giảm heterogeneity không kiểm soát, bảng hỏi cần ghi nhận loại quyết định chủ yếu, mức độ phức tạp của quyết định, tần suất sử dụng AI và kinh nghiệm quản trị; các biến này chỉ được đưa vào mô hình kiểm soát khi có cơ sở lý thuyết rõ ràng.

7.3. Phát triển và xác nhận mô hình đo lường

CFA cần kiểm tra:

• standardized factor loadings;
• Cronbach’s α;
• Composite Reliability;
• AVE;
• HTMT;
• discriminant validity;
• model fit.

Đối với MJC, cần so sánh mô hình một nhân tố, correlated five-factor model và higher-order model. Nếu cấu trúc bậc hai không cải thiện độ phù hợp hoặc thiếu cơ sở phân biệt giữa năm chiều, MJC không nên bị ép thành higher-order construct. Validity cần được đánh giá không chỉ thống kê mà còn về mặt khái niệm, đặc biệt khi phân biệt MJC với decision competence, critical thinking, AI literacy và decision quality.

7.4. Kiểm định mô hình cấu trúc và moderated mediation

SEM kiểm định:

H1: SL → HA
H2: HA → MJC
H3: SL → MJC
H4: SL → HA → MJC
H5: AB → MJC
H6: HA × AB → MJC.

H4 nên sử dụng bootstrap confidence intervals.

H6 cần simple slope analysis và Johnson–Neyman analysis nếu thích hợp.

H7 cần được kiểm định bằng index of moderated mediation với bootstrap confidence intervals. Hiệu ứng tương tác nên được giải thích bằng simple slopes tại các mức AB thấp, trung bình và cao; Johnson–Neyman analysis có thể được sử dụng để xác định vùng giá trị AB mà quan hệ HA → MJC còn có ý nghĩa. Ngoài mô hình đầy đủ, nên so sánh ít nhất ba mô hình cạnh tranh: direct-effects model, mediation model và moderated-mediation model.

7.5. Common method variance và procedural remedies

Không nên chỉ dựa vào Harman’s single-factor test.

Nên sử dụng cả biện pháp procedural và statistical remedies, chẳng hạn bảo đảm anonymity, tách tâm lý giữa predictor và outcome, randomization item order, temporal separation nếu khả thi, marker variable hoặc latent common method factor khi thiết kế cho phép. Harman’s single-factor test chỉ nên được báo cáo như kiểm tra bổ trợ và không được sử dụng như bằng chứng duy nhất để loại trừ common method variance.

7.6. Behavioral validation of Automation Bias

Đây là cải tiến quan trọng nhất so với thiết kế ban đầu.

Có thể xây dựng thí nghiệm:

AI Advice Accuracy: Correct vs. Incorrect

×

AI Confidence: High vs. Low

×

Time Pressure: High vs. Low.

Biến hành vi có thể gồm:

• tỷ lệ chấp nhận khuyến nghị AI sai;
• tỷ lệ override AI;
• thời gian xác minh;
• số nguồn bằng chứng được kiểm tra;
• số câu hỏi phản biện;
• calibration giữa confidence và accuracy.

Thiết kế này cho phép phân biệt propensity toward automation bias được đo bằng self-report với observed automation bias được thể hiện qua hành vi. Đây là bước quan trọng để tăng construct validity, vì automation bias về bản chất là sai lệch trong reliance behavior khi con người đối mặt với khuyến nghị tự động đúng hoặc sai.

7.7. Đạo đức nghiên cứu và minh bạch AI

Nghiên cứu cần được phê duyệt bởi cơ chế đạo đức nghiên cứu phù hợp tại đơn vị chủ trì trước khi thu thập dữ liệu. Người tham gia phải được cung cấp thông tin về mục đích nghiên cứu, quyền rút lui và cách dữ liệu được bảo mật. Nếu AI được sử dụng để hỗ trợ xây dựng tình huống thí nghiệm, hiệu chỉnh ngôn ngữ hoặc xử lý dữ liệu, phạm vi sử dụng phải được khai báo minh bạch theo chính sách của tạp chí mục tiêu. AI không được xem là tác giả và mọi diễn giải, kiểm định, trích dẫn và kết luận khoa học vẫn thuộc trách nhiệm của nhóm tác giả.

8. THẢO LUẬN DỰ KIẾN

Nếu các giả thuyết được hỗ trợ, kết quả sẽ cho thấy Self-Leadership không chỉ có tác động trực tiếp đến phán đoán mà còn vận hành thông qua một cơ chế chủ thể cụ thể. Một hiệu ứng SL → HA → MJC có ý nghĩa sẽ củng cố quan điểm rằng self-regulation chỉ trở thành judgment capability khi nhà quản trị duy trì intentionality, reflective choice và evaluative authority trong tương tác với AI. Nếu H6 và H7 được hỗ trợ, Automation Bias sẽ không chỉ là một antecedent tiêu cực mà còn là yếu tố làm thay đổi hiệu quả của Human Agency. Điều này sẽ cung cấp bằng chứng cho lập luận trung tâm của bài viết: agency is necessary but not always sufficient for sound AI-augmented judgment.

Ngược lại, nếu đường trực tiếp SL → MJC trở nên không có ý nghĩa khi đưa HA vào mô hình, kết quả sẽ ủng hộ full mediation và làm nổi bật vai trò trung tâm của Human Agency. Nếu đường trực tiếp vẫn có ý nghĩa, partial mediation sẽ gợi ý rằng Self-Leadership còn ảnh hưởng đến MJC thông qua các cơ chế khác, chẳng hạn metacognitive calibration, epistemic humility hoặc self-efficacy. Nếu H6 không được hỗ trợ, điều này sẽ đặt lại câu hỏi liệu Automation Bias thực sự là moderator hay phù hợp hơn khi được mô hình hóa như mediator, competing cognitive mechanism hoặc outcome của các đặc điểm thiết kế hệ thống.

Các kết quả hành vi cũng cần được đối chiếu với self-report. Sự không tương thích giữa propensity scores và observed automation bias sẽ là một phát hiện lý thuyết có giá trị, vì nó cho thấy nhận thức của nhà quản trị về mức độ độc lập của bản thân có thể khác với hành vi thực tế khi AI đưa ra lời khuyên sai hoặc có độ tự tin cao.

9. ĐÓNG GÓP LÝ THUYẾT

9.1. Mở rộng Self-Leadership Theory

Đóng góp thứ nhất là chuyển Self-Leadership từ:

self-influence

sang:

self-regulation within Human–AI cognitive systems.

Trong môi trường AI, tự lãnh đạo bao gồm việc quản trị cách phân bổ nhận thức giữa con người và máy.

9.2. Human Agency như Explanatory Mechanism

Đóng góp thứ hai là đưa Human Agency từ một giá trị chuẩn tắc thành một cơ chế có thể kiểm định:

Self-Leadership → Human Agency → Managerial Judgment Capability.

Điều này giải thích tại sao Self-Leadership có thể cải thiện judgment thay vì chỉ chứng minh hai construct có tương quan.

9.3. Tái khái niệm hóa Managerial Judgment

Đóng góp thứ ba là chuyển từ:

Managerial Judgment as purely human cognition

sang:

Managerial Judgment within Human–AI Decision Systems.

Điểm quan trọng là AI tham gia vào hệ thống nhận thức nhưng con người vẫn duy trì evaluative authority và accountability.

9.4. Automation Bias như Leadership-Relevant Cognitive Risk

Automation Bias được chuyển từ một hiện tượng human factors thành một rủi ro nhận thức liên quan trực tiếp đến năng lực lãnh đạo.

Điều này mở ra một hướng nghiên cứu mới: leadership capability for calibrated reliance on AI.

9.5. Agency-Preserving AI-Augmented Judgment

Đóng góp tổng hợp có thể được phát biểu:

The value of AI augmentation in managerial decision-making depends not merely on the capability of AI, but on managers’ capacity to preserve meaningful human agency while calibrating reliance on algorithmic advice.

Đây là nền tảng cho khái niệm rộng hơn:

Agency-Preserving AI-Augmented Leadership.

10. HÀM Ý QUẢN TRỊ

Tổ chức không nên giới hạn đào tạo AI cho nhà quản trị ở:

“How to use AI.”

Chương trình phát triển lãnh đạo cần chuyển sang:

“How to lead oneself, preserve agency and exercise judgment while using AI.”

Các năng lực trọng tâm gồm critical evaluation, verification behavior, metacognitive reflection, calibrated reliance, ethical reasoning, independent judgment, meaningful human oversight và accountability.

Một protocol có thể được phát triển:

AI recommends
→ Manager interrogates
→ Evidence is triangulated
→ Context is incorporated
→ Alternatives are considered
→ Human decides
→ Human remains accountable.

AI vì vậy là input to judgment, không phải substitute for judgment.

11. HÀM Ý ĐỐI VỚI RESPONSIBLE AI

Responsible AI không nên chỉ được đánh giá bằng:

Accuracy + Fairness + Transparency + Privacy.

Trong hệ thống quyết định quản trị, cần bổ sung:

Human Agency + Meaningful Human Oversight + Contestability + Accountability.

Mục tiêu không phải AI avoidance.

Cũng không phải AI overreliance.

Mục tiêu là:

Appropriate Reliance.

Nhà quản trị cần dựa vào AI khi hệ thống có lợi thế tương đối nhưng phải có khả năng kiểm tra, contest và override khi bằng chứng hoặc bối cảnh yêu cầu.

12. GIỚI HẠN VÀ HƯỚNG NGHIÊN CỨU

Thứ nhất, mô hình ban đầu chủ yếu hoạt động ở cấp cá nhân; các yếu tố tổ chức như AI governance, AI maturity, accountability climate và organizational culture có thể tạo ra các điều kiện biên cấp cao hơn.

Thứ hai, nghiên cứu survey cắt ngang không đủ mạnh để suy luận nhân quả.

Thứ ba, self-reported Automation Bias có nguy cơ chịu social desirability bias và metacognitive limitation.

Thứ tư, MJC là construct mới nên cần scale development nghiêm ngặt trước khi sử dụng rộng rãi.

Thứ năm, tác động của AI có thể phụ thuộc vào loại quyết định. Structured operational decisions và ambiguous strategic decisions không nhất thiết tạo ra cùng một cấu trúc Human–AI judgment.

Các nghiên cứu tiếp theo nên sử dụng longitudinal studies, controlled experiments, decision simulations, behavioral measures, multi-source data và multi-level modeling.

Đặc biệt, hai biến mở rộng đáng chú ý là metacognitive calibration và epistemic humility. Hai construct này có thể giải thích tại sao một số nhà quản trị vừa đủ tự tin để quyết định nhưng đồng thời đủ khiêm tốn nhận thức để kiểm tra cả AI lẫn chính mình.

13. KẾT LUẬN

Khi AI ngày càng tham gia sâu vào nhận thức và ra quyết định quản trị, năng lực lãnh đạo không thể chỉ được đánh giá bằng mức độ thành thạo công nghệ. Một nhà quản trị có thể sử dụng AI thường xuyên và hiệu quả về mặt thao tác nhưng vẫn có phán đoán yếu nếu họ chuyển giao quá nhiều quyền đánh giá cho thuật toán.

Ngược lại, bảo vệ phán đoán con người không có nghĩa là từ chối AI. Vấn đề cốt lõi là thiết kế một mối quan hệ bổ trợ trong đó năng lực tính toán của AI mở rộng khả năng nhận thức của nhà quản trị mà không thay thế intentionality, evaluative authority, contextual reasoning, ethical judgment và accountability của con người.

Mô hình:

Self-Leadership → Human Agency → Managerial Judgment Capability

với:

Automation Bias

như một cognitive boundary condition cung cấp một cách giải thích tích hợp cho nghịch lý này.

Self-Leadership tạo năng lực tự điều chỉnh. Human Agency duy trì quyền chủ thể. Managerial Judgment Capability chuyển quyền chủ thể đó thành khả năng diễn giải, phản biện, bối cảnh hóa và chịu trách nhiệm. Automation Bias giải thích tại sao ngay cả những nhà quản trị có năng lực vẫn có thể chuyển từ AI augmentation sang cognitive dependence.

Theo đó, câu hỏi quan trọng đối với lãnh đạo trong kỷ nguyên AI không còn đơn giản là:

“How much managerial decision-making can AI automate?”

Câu hỏi có ý nghĩa hơn là:

“How can managers augment their judgment with AI without surrendering the human agency required to question, contest, override, decide, and remain accountable?”

Từ lập luận này, nghiên cứu đề xuất một hướng lý thuyết rộng hơn: Agency-Preserving AI-Augmented Leadership. Theo cách tiếp cận này, năng lực lãnh đạo trong kỷ nguyên AI không được xác định bởi việc con người cạnh tranh với máy về tốc độ xử lý thông tin, mà bởi khả năng con người sử dụng năng lực của máy trong khi vẫn bảo toàn những chức năng nhận thức và đạo đức không nên bị chuyển giao một cách vô điều kiện.

Trong môi trường mà AI ngày càng mạnh hơn, lợi thế bền vững của nhà quản trị vì vậy có thể không nằm ở việc AI có thể suy nghĩ thay họ bao nhiêu, mà ở việc họ có thể sử dụng AI nhiều đến đâu mà vẫn duy trì khả năng tự suy nghĩ, phản biện, quyết định và chịu trách nhiệm.

TÀI LIỆU THAM KHẢO

1. Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26. https://doi.org/10.1146/annurev.psych.52.1.1
2. Bandura, A. (2002). Social cognitive theory in cultural context. Applied Psychology, 51(2), 269–290. https://doi.org/10.1111/1464-0597.00092
3. Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
4. Daugherty, P. R., & Wilson, H. J. (2018). Human + machine: Reimagining work in the age of AI. Harvard Business Review Press.
5. De Cremer, D. (2020). Leadership by algorithm: Who leads and who follows in the AI era? Harriman House.
6. Houghton, J. D., & Neck, C. P. (2002). The revised self-leadership questionnaire: Testing a hierarchical factor structure for self-leadership. Journal of Managerial Psychology, 17(8), 672–691. https://doi.org/10.1108/02683940210450484
7. 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.
8. Kim, W. J., & Ryoo, Y. (2026). The literacy paradox: How AI literacy amplifies biases in evaluating AI-generated news articles. International Journal of Information Management, 86, Article 102992. https://doi.org/10.1016/j.ijinfomgt.2025.102992
9. 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
10. Manz, C. C. (1986). Self-leadership: Toward an expanded theory of self-influence processes in organizations. Academy of Management Review, 11(3), 585–600. https://doi.org/10.2307/258312
11. Neck, C. P., Manz, C. C., & Houghton, J. D. (2020). Self-leadership: The definitive guide to personal excellence (2nd ed.). SAGE.
12. Nguyễn, V. H., Thái, V. L., Nguyễn, V. T., & Lê, V. L. (2026). Giáo trình nghệ thuật lãnh đạo trong kỷ nguyên AI. AITECHBOOK.
13. 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
14. Skitka, L. J., Mosier, K. L., & Burdick, M. (1999). Does automation bias decision-making? International Journal of Human-Computer Studies, 51(5), 991–1006. https://doi.org/10.1006/ijhc.1999.0252
15. Vallor, S. (2024). The AI mirror: How to reclaim our humanity in an age of machine thinking. Oxford University Press.
16. Walsh, M. (2020). The algorithmic leader: How to be smart when machines are smarter than you. Page Two Books.
17. Wingerter, T., Straub, T., & Schweitzer, S. (2025). Mitigating automation bias in generative AI through nudges: A cognitive reflection test study. Procedia Computer Science, 270, 2106–2114. https://doi.org/10.1016/j.procs.2025.09.331