Nhân tố ảnh hưởng đến quyết định sử dụng AI của nhân viên văn phòng tại TP. Hồ Chí Minh

Lê Thị Ngọc Huyền

Học viên Cao học, Trường Đại học Công nghệ Thành phố Hồ Chí Minh

Email: [email protected]

Tóm tắt

Nghiên cứu xem xét các nhân tố ảnh hưởng đến quyết định sử dụng trí tuệ nhân tạo của nhân viên văn phòng tại TP. Hồ Chí Minh, nhằm đề xuất hàm ý quản trị nguồn nhân lực số. Khung phân tích dựa trên Lý thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT), có tham chiếu Mô hình chấp nhận công nghệ (TAM), Khung Công nghệ - Tổ chức - Môi trường (TOE) và Lý thuyết khuếch tán đổi mới (DOI). Dữ liệu khảo sát từ 464 người đã hoặc đang sử dụng trí tuệ nhân tạo được phân tích bằng PLS-SEM trên phần mềm SmartPLS 3.0. Kết quả cho thấy, Kỳ vọng hiệu quả, Kỳ vọng nỗ lực, Ảnh hưởng xã hội, Điều kiện thuận lợi và Lợi thế tương đối đều có mối quan hệ cùng chiều với Quyết định sử dụng trí tuệ nhân tạo. Mô hình giải thích 61,7% phương sai của biến phụ thuộc; trong đó, Điều kiện thuận lợi và Kỳ vọng nỗ lực có hệ số ước lượng cao nhất, lần lượt là 0,317 và 0,311. Kết quả gợi ý các doanh nghiệp cần kết hợp sự hỗ trợ từ tổ chức với các chương trình đào tạo thực hành trí tuệ nhân tạo phù hợp.

Từ khóa: Nhân viên văn phòng, PLS-SEM, quyết định sử dụng, trí tuệ nhân tạo, UTAUT

Abstract

This study examines the factors influencing office workers’ decisions to use artificial intelligence (AI) in Ho Chi Minh City and proposes managerial implications for digital human resource management. The analytical framework is based on the Unified Theory of Acceptance and Use of Technology (UTAUT), with reference to the Technology Acceptance Model (TAM), the Technology-Organization-Environment (TOE) framework, and Diffusion of Innovations (DOI) theory. Survey data from 464 respondents who had used or were currently using AI were analyzed using partial least squares structural equation modeling (PLS-SEM) with SmartPLS 3.0. The results show that performance expectancy, effort expectancy, social influence, facilitating conditions, and relative advantage are all positively associated with the decision to use AI. The model explains 61.7% of the variance in the dependent variable, with facilitating conditions and effort expectancy having the largest estimated coefficients, at 0.317 and 0.311, respectively. These findings suggest that businesses should combine organizational support with appropriate hands-on AI training programs.

Keywords: Office workers, PLS-SEM, adoption decision, artificial intelligence, UTAUT

GIỚI THIỆU

Trí tuệ nhân tạo (AI) đang tạo ra những thay đổi sâu sắc trong môi trường làm việc hiện đại, giúp mở rộng khả năng hỗ trợ soạn thảo văn bản, tổng hợp thông tin và phân tích dữ liệu trong công việc văn phòng. Việc ứng dụng AI một cách hiệu quả trong tổ chức đòi hỏi sự hiểu biết sâu sắc về nhận thức của người lao động và các điều kiện hỗ trợ tại nơi làm việc.

Các nghiên cứu gần đây đã xem xét sự chấp nhận công nghệ AI trong nhiều bối cảnh cụ thể như doanh nghiệp nhỏ và vừa (Badghish và Soomro, 2024), ngành bảo hiểm (Xu và cộng sự, 2025) hay lĩnh vực báo chí truyền thông (Tạ Thị Nguyệt Trang và cộng sự, 2024). Tuy nhiên, các kết quả này chưa thể suy rộng trực tiếp sang đối tượng nhân viên văn phòng đa ngành tại một trung tâm kinh tế lớn như TP. Hồ Chí Minh. Nghiên cứu này được thực hiện nhằm bổ sung bằng chứng thực nghiệm thông qua việc kiểm định đồng thời 5 nhân tố tác động ở cấp độ cá nhân.

Câu hỏi nghiên cứu đặt ra là: Nhận thức cá nhân và các điều kiện hỗ trợ của tổ chức có liên hệ như thế nào với quyết định sử dụng AI của nhân viên văn phòng và từ đó doanh nghiệp có thể rút ra những hàm ý quản trị nguồn nhân lực số nào? Do đối tượng khảo sát là những người đã hoặc đang sử dụng AI trong công việc, nghiên cứu tập trung xem xét quyết định sử dụng trong bối cảnh sau chấp nhận.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết và khung phân tích

Nghiên cứu sử dụng Lý thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT) của Venkatesh và cộng sự (2003) làm khung lý thuyết nền tảng chính, bao gồm 4 cấu phần: Kỳ vọng hiệu quả, Kỳ vọng nỗ lực, Ảnh hưởng xã hội và Điều kiện thuận lợi. Mô hình chấp nhận công nghệ (TAM) của Davis (1989) hỗ trợ củng cố cơ sở nhận thức về tính hữu ích và tính dễ sử dụng. Bên cạnh đó, nghiên cứu tích hợp cấu trúc Lợi thế tương đối từ Lý thuyết khuếch tán đổi mới (DOI) của Rogers (2003) và khía cạnh Tổ chức trong khung Công nghệ - Tổ chức - Môi trường (TOE) của Tornatzky và Fleischer (1990). Khác với việc áp dụng cơ học khung TOE ở cấp độ doanh nghiệp, nghiên cứu tiếp cận yếu tố tổ chức dưới góc nhìn nhận thức của cá nhân nhân viên thông qua biến Điều kiện thuận lợi (đo lường sự sẵn sàng về hạ tầng thiết bị, tính tương thích hệ thống, quy chế khuyến khích và hỗ trợ kỹ thuật kịp thời từ doanh nghiệp).

Giả thuyết và mô hình nghiên cứu

Kỳ vọng hiệu quả thể hiện niềm tin của cá nhân rằng AI giúp nâng cao năng suất, chất lượng và tốc độ hoàn thành công việc (Davis, 1989; Venkatesh và cộng sự, 2003; Tạ Thị Nguyệt Trang và cộng sự, 2024). Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H1: Kỳ vọng hiệu quả có tác động cùng chiều (+) đến Quyết định sử dụng AI.

Kỳ vọng nỗ lực thể hiện mức độ dễ học và dễ thao tác (Davis, 1989). Với công cụ AI, khả năng diễn đạt yêu cầu và tương tác thuận tiện có thể giảm công sức sử dụng. Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H2: Kỳ vọng nỗ lực có tác động cùng chiều (+) đến Quyết định sử dụng AI.

Ảnh hưởng xã hội xuất phát từ sự ủng hộ của cấp trên, đồng nghiệp và nhóm tham chiếu. Theo UTAUT, những đánh giá này có thể củng cố nhận thức về sự phù hợp của công nghệ tại nơi làm việc (Venkatesh và cộng sự, 2003). Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H3: Ảnh hưởng xã hội có tác động cùng chiều (+) đến Quyết định sử dụng AI.

Điều kiện thuận lợi gồm nguồn lực, khả năng tương thích, chính sách và hỗ trợ kỹ thuật mà nhân viên cảm nhận. Các điều kiện này có thể giúp họ đưa AI vào nghiệp vụ; nghiên cứu trong lĩnh vực báo chí Việt Nam cũng ghi nhận mối liên hệ tích cực của yếu tố hỗ trợ với việc áp dụng AI (Tạ Thị Nguyệt Trang và cộng sự, 2024). Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H4: Điều kiện thuận lợi có tác động cùng chiều (+) đến Quyết định sử dụng AI.

Lợi thế tương đối phản ánh ưu thế của AI so với phương thức trước đây, phù hợp với DOI và bằng chứng trong lĩnh vực bảo hiểm (Xu và cộng sự, 2025). Khái niệm này nhấn mạnh đối chuẩn giữa các phương thức, trong khi kỳ vọng hiệu quả tập trung vào kết quả công việc kỳ vọng. Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H5: Lợi thế tương đối có tác động cùng chiều (+) đến Quyết định sử dụng AI.

Dựa trên khung phân tích và giả thuyết nghiên cứu, tác giả đề xuất mô hình nghiên cứu các nhân tố ảnh hưởng đến quyết định sử dụng AI của nhân viên văn phòng TP. Hồ Chí Minh như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

Phương pháp nghiên cứu

Nghiên cứu được tiến hành qua 2 giai đoạn:

Giai đoạn định tính: phỏng vấn sâu với 5 chuyên gia tại TP. Hồ Chí Minh (1 giảng viên quản trị kinh doanh, 3 nhà quản lý cấp cao/kiểm toán và 1 trưởng phòng pháp lý nhân sự). Kết quả giúp điều chỉnh thuật ngữ, cách diễn đạt cho phù hợp bối cảnh văn phòng và bổ sung 2 chỉ báo về khả năng tìm kiếm thông tin và mức độ hỗ trợ từ tổ chức. Thang đo chính thức gồm 26 chỉ báo thuộc 6 cấu trúc phản xạ, sử dụng thang đo Likert 5 mức độ (từ 1: Rất không đồng ý đến 5: Rất đồng ý).

Giai đoạn định lượng: Khảo sát trực tuyến qua Google Forms dành cho nhân viên văn phòng tại TP. Hồ Chí Minh đã hoặc đang sử dụng các công cụ AI trong công việc. Phương pháp lấy mẫu phi xác suất (thuận tiện kết hợp phán đoán) được áp dụng. Tổng số phiếu thu về là 502; sau khi làm sạch và loại bỏ 38 phiếu không hợp lệ, mẫu nghiên cứu chính thức còn 464 quan sát (tỷ lệ hợp lệ đạt 92,43%).

Dữ liệu được phân tích bằng PLS-SEM trên SmartPLS 3.0 gồm kiểm định mô hình đo lường và mô hình cấu trúc bằng Bootstrapping (5.000 mẫu lặp) kết hợp PLSpredict để thẩm định năng lực dự báo ngoài mẫu (Hair và cộng sự, 2019; Shmueli và cộng sự, 2019).

KẾT QUẢ VÀ THẢO LUẬN

Kết quả nghiên cứu

Đặc điểm mẫu nghiên cứu

Bảng 1 cho thấy cơ cấu mẫu khảo sát (n = 464) thể hiện sự cân bằng về giới tính với 50,65% nữ (235 người) và 49,35% nam (229 người). Độ tuổi tập trung phần lớn ở nhóm lao động trẻ dưới 36 tuổi (chiếm 79,31%, trong đó nhóm 25-35 tuổi chiếm 58,19%). Về trình độ học vấn, 93,54% đáp viên có trình độ từ đại học trở lên (Đại học: 62,72%; Sau đại học: 30,82%).

Đáp viên phân bổ đa dạng ở nhiều phòng/ban: Kinh doanh/Bán hàng/Chăm sóc khách hàng (29,53%), Kế toán/Tài chính (20,91%), Marketing/Truyền thông (20,69%), Hành chính/Nhân sự (14,44%), Công nghệ thông tin/Kỹ thuật (13,15%) và lĩnh vực khác (1,29%). Các công cụ AI được sử dụng nhiều nhất là ChatGPT (56,25%), Gemini (54,09%), Canva AI (31,90%), Claude (29,31%) và Gamma (28,45%).

Bảng 1: Đặc điểm nhân khẩu học của mẫu khảo sát (n = 464)

Nguồn: Kết quả phân tích dữ liệu trên phần mềm SmartPLS 3.0

Kết quả đánh giá mô hình đo lường

Bảng 2 cho thấy, các thang đo đều đạt độ tin cậy nhất quán nội tại. Cronbach’s Alpha dao động từ 0,802-0,830; rho_A từ 0,806-0,832; độ tin cậy tổng hợp (CR) từ 0,871-0,881. Hệ số tải ngoài của 26 biến quan sát nằm trong khoảng 0,710-0,838 và AVE từ 0,578-0,647. Như vậy, các chỉ số vượt ngưỡng khuyến nghị và không có biến quan sát nào bị loại khỏi mô hình.

Bảng 2: Kết quả đánh giá độ tin cậy và giá trị hội tụ của thang đo

Nguồn: Kết quả phân tích dữ liệu trên phần mềm SmartPLS 3.0

Giá trị phân biệt được xác nhận bằng 2 tiêu chuẩn. Căn bậc hai AVE của mỗi thang đo lớn hơn tương quan của thang đo đó với các khái niệm còn lại. Bảng 3 cho thấy, các tỷ số HTMT dao động từ 0,133-0,585, thấp hơn ngưỡng 0,85. Tuy nhiên, Kỳ vọng hiệu quả và Lợi thế tương đối có nội hàm lý thuyết gần nhau; vì vậy, việc phân biệt 2 khái niệm được duy trì dựa trên khác biệt giữa kỳ vọng về kết quả và sự so sánh trực tiếp với phương thức cũ, không chỉ dựa trên chỉ số thống kê.

Bảng 3: Ma trận HTMT

Nguồn: Kết quả phân tích dữ liệu trên phần mềm SmartPLS 3.0

Kết quả đánh giá mô hình cấu trúc và kiểm định giả thuyết

Hệ số VIF nội bộ (Inner VIF) của 5 biến độc lập dao động 1,049-1,083 và VIF bên ngoài (Outer VIF) của 26 biến quan sát dao động tư 1,501-1,804, cho thấy không vi phạm hiện tượng đa cộng tuyến và CMB (< 3,0). Chỉ số SRMR đạt 0,050 (< 0,08). Hệ số xác định R² = 0,617 (R² điều chỉnh = 0,612), chứng minh 5 nhân tố giải thích được 61,7% sự biến thiên của Quyết định sử dụng AI. Hệ số Blindfolding Q² = 0,387 (> 0,35) khẳng định năng lực dự báo ngoài mẫu lớn. Kết quả kiểm định Bootstrapping với 5.000 mẫu con (Bảng 4) xác nhận toàn bộ 5 giả thuyết từ H1 đến H5 đều được chấp nhận ở mức ý nghĩa thống kê p < 0,001 với t > 8,3.

Bảng 4: Kết quả kiểm định các giả thuyết nghiên cứu

Ghi chú: R² = 0,617; R² điều chỉnh = 0,612; Q² = 0,387; SRMR = 0,050; n = 464.

Nguồn: Kết quả phân tích dữ liệu trên phần mềm SmartPLS 3.0

Phương trình cấu trúc chuẩn hóa của mô hình được xác định như sau:

QDINH = 0,270×KVHQ + 0,311×KVNL + 0,254×AHXH + 0,317×DKTLOI + 0,250×LTTD

Kiểm định PLSpredict (Bảng 5) cho thấy Q²predict của 4 chỉ báo đo lường biến QDINH đều > 0, đồng thời sai số RMSE và MAE của mô hình PLS đều thấp hơn mô hình hồi quy tuyến tính (LM), xác nhận năng lực dự báo ngoài mẫu tin cậy.

Bảng 5: Kết quả PLSpredict

Nguồn: Tổng hợp kết quả phân tích bằng SmartPLS của nghiên cứu.

Thảo luận kết quả nghiên cứu

Thứ tự mức độ tác động của các nhân tố đến Quyết định sử dụng AI giảm lần lượt như sau: Điều kiện thuận lợi (β = 0,317; f² = 0,242) > Kỳ vọng nỗ lực (β = 0,311; f² = 0,240) > Kỳ vọng hiệu quả (β = 0,270; f² = 0,181) > Ảnh hưởng xã hội (β = 0,254; f² = 0,158) > Lợi thế tương đối (β = 0,250; f² = 0,152). Cả 5 nhân tố đều đạt kích thước tác động f² ở mức trung bình theo Cohen (1988).

Điều kiện thuận lợi có tác động mạnh nhất, cho thấy việc ứng dụng AI không chỉ là tự phát mà phụ thuộc mật thiết vào hạ tầng công nghệ thông tin, chính sách nội bộ và hỗ trợ kỹ thuật từ doanh nghiệp, tương đồng với Tạ Thị Nguyệt Trang và cộng sự (2024).

Kỳ vọng nỗ lực giữ vị trí thứ hai với có hệ số β = 0,311, phản ánh kỹ năng ra lệnh (Prompt) và thao tác dễ dàng giúp nhân viên văn phòng giảm áp lực nhận thức, từ đó duy trì tần suất sử dụng.

Kỳ vọng hiệu quả, Ảnh hưởng xã hội và Lợi thế tương đối cũng có tác động tích cực đến Quyết định sử dụng AI. Mặc dù Kỳ vọng hiệu quả và Lợi thế tương đối có thứ hạng thấp hơn, giá trị trung bình cao lần lượt là 4,180 và 4,130 phản ánh nhân viên đã nhận thức rõ giá trị của AI.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu đã kiểm định thành công mô hình biểu diễn các nhân tố tác động đến quyết định sử dụng AI của 464 nhân viên văn phòng tại TP. Hồ Chí Minh. Mô hình giải thích được 61,7% phương sai Quyết định sử dụng AI, trong đó Điều kiện thuận lợi và Kỳ vọng nỗ lực là 2 điểm can thiệp trọng tâm nhất.

Hàm ý quản trị

Từ kết quả nghiên cứu, tác giả đề xuất một số hàm ý quản trị dành cho các nhà quản trị tổ chức và bộ phận nhân sự như sau:

Thứ nhất, doanh nghiệp cần quy định rõ công cụ được phép sử dụng, phạm vi dữ liệu đầu vào và trách nhiệm kiểm chứng đầu ra. Bộ phận nhân sự phối hợp với công nghệ thông tin thiết lập đầu mối hỗ trợ, hướng dẫn xử lý sự cố và bảo đảm khả năng tiếp cận tài nguyên phù hợp với từng vị trí. Nội dung này cụ thể hóa hỗ trợ tổ chức mà nhân viên cảm nhận.

Thứ hai, đào tạo nên tập trung vào tác vụ thực tế như: soạn thảo, tổng hợp thông tin và phân tích dữ liệu. Doanh nghiệp có thể mời chuyên gia hoặc cử nhân sự nòng cốt học trước, sau đó hướng dẫn nội bộ. Xây dựng thư viện câu lệnh mẫu, bài tập có phản hồi và hướng dẫn kiểm tra kết quả nhằm giúp giảm công sức học và thao tác.

Thứ ba, lựa chọn tình huống ứng dụng có mục tiêu rõ ràng để đánh giá kỳ vọng hiệu quả và lợi thế tương đối. Các phòng/ban nên so sánh thời gian, chất lượng đầu ra và tổng chi phí giữa quy trình có AI với phương thức hiện hành. Kết quả thử nghiệm là căn cứ mở rộng ứng dụng; mức đầu tư cần phù hợp nguồn lực doanh nghiệp.

Thứ tư, quản lý cấp trung và nhân viên có kinh nghiệm nên chia sẻ cách sử dụng phù hợp, cả trường hợp thành công lẫn lỗi thường gặp. Hoạt động trao đổi theo nhóm nghiệp vụ có thể củng cố ảnh hưởng xã hội và hỗ trợ học tập. Hiệu quả của các biện pháp này cần được đánh giá sau triển khai, vì khảo sát hiện tại chưa kiểm định tác động của từng can thiệp.

Hạn chế và hướng nghiên cứu tiếp theo

Nghiên cứu tồn tại một số hạn chế: (i) Phương pháp chọn mẫu phi xác suất tập trung tại địa bàn TP. Hồ Chí Minh và chỉ khảo sát người đã sử dụng AI cũng như tập trung vào nhóm trẻ, học vấn cao; Dữ liệu tự báo cáo tại một thời điểm chưa cho phép suy luận nhân quả; (iii) VIF thông thường không loại trừ thiên lệch phương pháp chung; (iv) Biến phụ thuộc kết hợp hành vi, ý định và đánh giá sau sử dụng. Các nghiên cứu tiếp theo nên tách các khái niệm này, bổ sung dữ liệu sử dụng thực tế và theo dõi người dùng theo thời gian.

Tài liệu tham khảo:

1. Badghish, S., & Soomro, Y. A. (2024). Artificial intelligence adoption by SMEs to achieve sustainable business performance: Application of technology – organization -environment framework. Sustainability, 16(5), 1864.

2. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.

3. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

4. Nguyen-Dong, M. (2026). An empirical study of UTAUT model on the adoption of AI technologies in Vietnamese higher education. Studies in Educational Management, 19, 56-77.

5. Nguyễn Thị My My (2022). Nhân tố ảnh hưởng đến việc sử dụng AI của nhân viên trong các doanh nghiệp tại Đà Nẵng. Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng, 20(6), 34-39.

6. Rogers, E. M. (2003). Diffusion of Innovations (5th ed.). New York: Free Press. https://teddykw2.wordpress.com/wp-content/uploads/2012/07/everett-m-rogers-diffusion-of-innovations.pdf

7. Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J., Ting, H., Vaithilingam, S. et al. (2019). Predictive Model Assessment in PLS-SEM: Guidelines for Using PLSpredict. European Journal of Marketing, 53, 2322-2347. https://doi.org/10.1108/ejm-02-2019-0189

8. Tạ Thị Nguyệt Trang, Phạm Chiến Thắng, Lê Đình Hải, Vi Thị Phương, & Trần Quang Quý. (2024). Understanding the adoption of artificial intelligence in journalism: An empirical study in Vietnam. SAGE Open, 14(2), 1-16.

9. Tornatzky, L. G., & Fleischer, M. (1990). The Processes of Technological Innovation. Lexington Books.

10. Xu, Z., Ramayah, T., & Shi, Y. (2025). Determinants of generative artificial intelligence adoption in insurance companies: A TOE-based PLS-SEM approach. International Journal of Business and Society, 26(1), 272-291.

11. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.