Các nhân tố ảnh hưởng đến việc áp dụng “AI” trong quản lý chuỗi cung ứng của các doanh nghiệp Việt Nam
NCS, ThS. Nguyễn Quỳnh Phương, Email: phuongnq@vaa.edu.vn
Học viện Hàng không Việt Nam
TS. Đỗ Đoan Trang, Khoa Kinh tế - Trường Đại học Bình Dương
PGS, TS. Hồ Thị Thu Hòa, Email: hthoa@hcmiu.edu.vn (tác giả liên hệ)
Trường Đại học Quốc tế - Đại học Quốc gia TP. Hồ Chí Minh
Tóm tắt
Nghiên cứu thực nghiệm dựa trên khảo sát 280 phản hồi từ doanh nghiệp (DN) và khách hàng trong ngành logistics tại TP. Hồ Chí Minh và tỉnh Bình Dương để phân tích các yếu tố ảnh hưởng đến việc áp dụng trí tuệ nhân tạo (AI) trong quản lý chuỗi cung ứng của DN Việt Nam. Kết quả nghiên cứu cho thấy, 2 nhân tố ảnh hưởng xếp theo mức độ giảm dần là: Chi phí đầu tư và lợi nhuận; Sự đổi mới và thay đổi tổ chức; đồng thời phản ánh những thách thức mà DN phải đối mặt trong quá trình ứng dụng công nghệ AI vào quản lý chuỗi cung ứng. Từ kết quả phân tích, nhóm tác giả đề xuất các hàm ý chính sách nhằm thúc đẩy việc áp dụng AI trong quản lý chuỗi cung ứng, góp phần nâng cao hiệu quả hoạt động logistics và sự phát triển bền vững của DN.
Từ khóa: trí tuệ nhân tạo, AI, quản lý chuỗi cung ứng, logistics, doanh nghiệp
Summary
The empirical study is based on a survey of 280 responses from businesses and customers in the logistics industry in Ho Chi Minh City and Binh Duong Province to analyze factors affecting the application of artificial intelligence (AI) in the supply chain management of Vietnamese enterprises. The research results show that the two influencing factors are ranked in decreasing order: Investment costs and profits; Innovation and organizational change; at the same time, it reflects the challenges businesses face in applying AI technology to supply chain management. From the results of the analysis, the authors propose policy implications to promote the application of AI in supply chain management, contributing to improving the efficiency of logistics operations and the sustainable development of businesses.
Keywords: artificial intelligence, AI, supply chain management, logistics, businesses
GIỚI THIỆU
AI đang trở thành một trong những công nghệ tiên tiến nhất, đóng vai trò quan trọng trong việc thay đổi cách thức quản lý và vận hành của DN ở phạm vi toàn cầu. Đặc biệt, trong lĩnh vực quản lý chuỗi cung ứng, AI được kỳ vọng mang lại những cải tiến vượt bậc, như: dự đoán chính xác nhu cầu; tối ưu hóa hàng tồn kho; cải thiện hiệu suất vận chuyển; giảm thiểu rủi ro. Tuy nhiên, việc áp dụng AI trong quản lý chuỗi cung ứng tại Việt Nam, đặc biệt ở các khu vực công nghiệp trọng điểm như Bình Dương và TP. Hồ Chí Minh, vẫn đang đối mặt với nhiều thách thức về chi phí đầu tư, đào tạo nhân lực và sự đổi mới trong tổ chức.
Theo số liệu thống kê, Bình Dương và TP. Hồ Chí Minh là 2 trung tâm công nghiệp và logistics lớn nhất cả nước, với mật độ DN và nhu cầu vận tải ngày càng gia tăng. Tuy nhiên, sự thiếu hụt trong việc áp dụng công nghệ hiện đại, cùng với các hạn chế về nguồn nhân lực và cơ sở hạ tầng, đang là rào cản lớn khiến các DN chưa thể khai thác tối đa tiềm năng mà AI mang lại. Việc triển khai ứng dụng AI hiệu quả trong quản lý chuỗi cung ứng không chỉ giúp các DN nâng cao hiệu quả hoạt động mà còn đóng góp quan trọng vào việc tăng cường khả năng cạnh tranh trên thị trường quốc tế.
Chính vì vậy, nghiên cứu các nhân tố ảnh hưởng đến việc áp dụng AI trong quản lý chuỗi cung ứng của các DN tại Việt Nam, đặc biệt tại Bình Dương và TP. Hồ Chí Minh là hết sức cần thiết. Kết quả nghiên cứu sẽ cung cấp cơ sở khoa học và thực tiễn cho việc xây dựng chính sách, quy hoạch và triển khai các giải pháp công nghệ AI trong lĩnh vực cung ứng, hướng tới mục tiêu phát triển bền vững và hiện đại hóa ngành công nghiệp Việt Nam.
CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở lý thuyết
Chuỗi cung ứng và quản lý chuỗi cung ứng
Chuỗi cung ứng được hiểu là hệ thống gồm: các tổ chức, hoạt động, thông tin con người và nguồn lực liên quan trực tiếp hoặc gián tiếp đến vận chuyển hàng hóa hoặc dịch vụ từ nhà sản xuất và nhà cung cấp đến tay người tiêu dùng cuối cùng. Như vậy, một chuỗi cung ứng hoàn chỉnh được xây dựng từ nhiều bộ phận khác nhau và hoạt động cùng nhau để đưa sản phẩm từ nhà cung cấp nguyên liệu thô đến khách hàng cuối cùng. Cụ thể, một chuỗi cung ứng gồm có 5 thành phần cơ bản: nhà cung cấp nguyên liệu thô, nhà sản xuất, nhà phân phối, đại lý bán lẻ và khách hàng.
Chuỗi cung ứng đóng vai trò vô cùng quan trọng trong sản xuất - kinh doanh, bởi nó tạo ra sự liên kết giữa các thành phần khác nhau trong quá trình sản xuất, từ nhà cung cấp nguyên liệu thô cho đến khách hàng cuối cùng. Trong đó, chuỗi cung ứng giúp tối ưu hoá quy trình sản xuất và phân phối, giảm thiểu thời gian và chi phí cho các bên liên quan; đồng thời, còn giúp tăng tính linh hoạt trong sản xuất và đáp ứng nhanh chóng nhu cầu của thị trường. Nếu chuỗi cung ứng được hoạt động hiệu quả, sản phẩm sẽ đến tay khách hàng một cách nhanh chóng, chất lượng cao và giá cả hợp lý. Ngoài ra, chuỗi cung ứng còn đóng vai trò quan trọng trong việc quản lý rủi ro và tối đa hóa lợi nhuận; những phân tích về sự biến động của chuỗi cung ứng có thể giúp các DN đưa ra quyết định thông minh. Do đó, việc xây dựng và quản lý một chuỗi cung ứng hiệu quả sẽ giúp các DN tối ưu hoá sản xuất, tăng tính cạnh tranh và đạt được mục tiêu kinh doanh.
Quản lý chuỗi cung ứng (Supply chain management - SCM) là quá trình tích hợp quản lý cung và cầu (điều này bao gồm việc lập kế hoạch và quản lý các hoạt động, như: tìm nguồn cung ứng, sản xuất, hoạt động logistics... để biến đổi từ nguyên liệu thô thành sản phẩm và giao cho khách hàng), nhằm đảm bảo mang lại giá trị cho DN, khách hàng và đạt lợi thế cạnh tranh trên thị trường. Mục tiêu của việc quản trị chuỗi cung ứng là để tối đa tổng giá trị của chuỗi (tối ưu chi phí ở các khâu phân phối, lao động, lưu trữ, đồng thời giữ mức chi phí chuỗi cung ứng ở mức tối thiểu) được tạo ra bằng cách làm hài lòng khách hàng thông qua việc sử dụng hiệu quả nguồn lực.
AI trong quản lý chuỗi cung ứng
Trong lĩnh vực sản xuất - kinh doanh, sử dụng AI là việc ứng dụng phần mềm máy tính (có thể phân tích thông tin và dự báo về cách các mẫu tương tự phát triển) để ra quyết định và tương tác với khả năng của con người. Đó là sự kết hợp của những phép tính song song, dữ liệu lớn và những phân tích của thuật toán. Những lĩnh vực của AI, như: hệ chuyên gia (expert systems) và giải thuật di truyền (Genetic Algorithms - GAs), được sử dụng để giải quyết các vấn đề: quản trị hàng tồn kho, lên kế hoạch thu mua, sắp đặt trang thiết bị, hợp nhất vận tải và sắp xếp lịch trình. AI có tiềm năng tăng cường tính hiệu quả của toàn chuỗi cung ứng bằng cách phân tích bộ dữ liệu tương đối lớn, dự báo xu hướng, tối ưu hóa hoạt động và tự động hóa các tác vụ hoạt động thường ngày. Điều này không chỉ giảm thiểu rủi ro sai sót, mà còn cho phép nguồn nhân lực tập trung vào các hoạt động mang tính chiến lược, mang lại giá trị gia tăng hơn (Chi, Huang và George, 2020). Hơn nữa, khả năng xử lý thông tin theo thời gian thực của AI cho phép các tổ chức phản ứng kịp thời với sự gián đoạn, giảm thiểu thời gian ngừng hoạt động và nâng cao sự hài lòng chung của khách hàng (Collins và cộng sự, 2019). Như vậy, AI trong chuỗi cung ứng có thể cung cấp khả năng tối ưu hóa mạnh mẽ giúp cho việc lập kế hoạch năng lực chính xác hơn, dự báo nhu cầu tốt hơn, nâng cao năng suất, giảm chi phí chuỗi cung ứng và tăng sản lượng, đồng thời thúc đẩy điều kiện làm việc an toàn hơn.
Mô hình nghiên cứu
Nghiên cứu kế thừa các kết quả nghiên cứu trước đây và tích hợp có chọn lọc từ lý thuyết hành vi có kế hoạch (TPB), lý thuyết hành vi tiêu dùng xanh và mô hình chấp nhận công nghệ (TAM) trong xây dựng mô hình nghiên cứu các nhân tố ảnh hưởng đến việc áp dụng AI trong quản lý chuỗi cung ứng của các DN tại TP. Hồ Chí Minh và tỉnh Bình Dương như Hình.
Hình: Mô hình nghiên cứu đề xuất
![]() |
Nguồn: Nhóm tác giả nghiên cứu đề xuất
Các giả thuyết nghiên cứu được đưa ra như sau:
H1: Chi phí đầu tư và lợi nhuận có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Đánh giá chi phí đầu tư (gồm: đầu tư ban đầu, chi phí phát triển, triển khai và duy trì) và tiềm năng lợi nhuận từ triển khai AI trong quản lý chuỗi cung ứng là điều kiện để DN chủ động trong việc sử dụng ứng dụng AI.
H2: Sự đổi mới và thay đổi tổ chức có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Tác động của việc tích hợp AI vào chuỗi cung ứng đối với sự thay đổi tổ chức và quy trình làm việc của tổ chức, bao gồm khả năng đổi mới và thích nghi với công nghệ mới.
H3: Đào tạo và nguồn nhân lực có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng đào tạo và thu hút nhân lực có kỹ năng và kiến thức cần thiết để làm việc với AI trong việc quản lý chuỗi cung ứng.
H4: Dự đoán chính xác nâng cao có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng của AI trong phân tích dữ liệu lớn để tạo ra dự báo chính xác về nhu cầu sản phẩm, biến đổi thị trường và điều kiện chuỗi cung ứng, hỗ trợ tối ưu hóa việc lập kế hoạch và phân bổ nguồn lực.
H5: Dự báo sự cố và rủi ro có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng của AI trong xác định tình huống có thể dẫn đến sự cố hoặc rủi ro trong chuỗi cung ứng, cho phép các biện pháp phòng ngừa hoặc ứng phó kịp thời.
H6: Tối ưu hóa hàng tồn kho có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng của AI trong dự đoán mức tồn kho tối ưu dựa trên dữ liệu lịch sử và dự báo nhu cầu, giảm thiểu rủi ro thiếu hụt hoặc dư thừa hàng hóa.
H7: Khả năng phản hồi theo thời gian thực có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng của AI trong xử lý dữ liệu nhanh chóng và cung cấp thông tin chi tiết về quản lý theo thời gian thực, hỗ trợ quyết định nhanh hơn và linh hoạt hơn.
H8: Tối ưu hóa định tuyến vận chuyển có tác động tích cực (+) đến Ý định sử dụng AI trong quản lý chuỗi cung ứng của DN Việt Nam tại TP. Hồ Chí Minh và tỉnh Bình Dương. Khả năng của AI trong tìm kiếm lộ trình vận chuyển tối ưu để giảm thời gian, tiết kiệm năng lượng và tối ưu hóa chi phí vận chuyển.
Phương pháp nghiên cứu
Nghiên cứu định lượng được thực hiện thông qua thu thập dữ liệu sơ cấp từ khảo sát 300 DN và khách hàng trong ngành logistics tại TP. Hồ Chí Minh và tỉnh Bình Dương, bằng bảng câu hỏi thiết kế theo thang đo Likert 5 mức độ và thực hiện chọn mẫu ngẫu nhiên khảo sát theo 2 hình thức gửi biểu mẫu qua Google Form và phát bảng hỏi trực tiếp. Khảo sát được tiến hành trong tháng 08/2024. Sau khi sàng lọc các mẫu không hợp lệ, 280 quan sát hợp lệ được đưa vào phân tích với sự hỗ trợ của phần mềm phân tích dữ liệu SPSS 27.
KẾT QUẢ NGHIÊN CỨU
Kết quả kiểm định độ tin cậy của thang đo
Kết quả phân tích Bảng 1 cho thấy, các thang đo đều có hệ số tin cậy Cronbach’s Alpha > 0,8, đồng thời hệ số tương quan biến tổng của các biến quan sát đều > 0,3. Vì vậy các thang đo sử dụng nghiên cứu đảm độ tin cậy và có thể sử dụng vào các phân tích nhân tố khám phá (EFA).
Bảng 1: Kết quả kiểm định Cronbach’s Alpha biến độc lập và biến phụ thuộc
Thang đo | Ký hiệu | Số biến quan sát | Hệ số Cronbach’s Alpha | Hệ số tương quan biến tổng nhỏ nhất | |
1 | Chi phí đầu tư và lợi nhuận | CPLN | 7 | 0,890 | 0,574 |
2 | Sự đổi mới và thay đổi tổ chức | TC | 3 | 0,773 | 0,547 |
3 | Đào tạo và nguồn nhân lực | DTNL | 3 | 0,833 | 0,633 |
4 | Dự đoán chính xác nâng cao | DĐ | 3 | 0,821 | 0,644 |
5 | Dự báo sự cố và rủi ro | SCRR | 3 | 0,883 | 0,749 |
6 | Tối ưu hóa hàng tồn kho | HTK | 4 | 0,760 | 0,528 |
7 | Khả năng phản hồi theo thời gian thực | TTT | 3 | 0,843 | 0,691 |
8 | Tối ưu hóa định tuyến vận chuyển | VC | 4 | 0,870 | 0,679 |
9 | Ý định áp dụng AI trong quản lý chuỗi cung ứng | SD | 2 | 0,738 | 0,597 |
Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả trên SPSS
Phân tích EFA
Kết quả phân tích EFA các biến độc lập và phụ thuộc cho thấy, giá trị KMO = 0,792 > 0,5, khẳng định dữ liệu hoàn toàn phù hợp để phân tích nhân tố. Kiểm định Barlett có hệ số Sig. = 0,000 (< 0,05), cho biết các biến quan sát có tương quan chặt chẽ với nhau trong nhóm nhân tố. Tổng phương sai trích của các nhân tố đạt 61,44% (> 50%), nghĩa là 8 nhân tố của biến độc lập giải thích được 61,44% sự biến thiên của dữ liệu. Tất cả các biến quan sát đều đạt hệ số tải nhân tố (> 0,5) và không có biến nào bị loại bỏ. Tất cả các biến đều đạt yêu cầu và được đưa vào bước phân tích tiếp theo.
Kết quả kiểm định tương quan Pearson cho thấy cả 8 biến độc lập đều có mối tương quan thuận chiều với biến phụ thuộc Ý định áp dụng AI (hệ số Sig. < 0,05) và có tương quan tuyến tính mạnh, chặt chẽ.
Phân tích hồi quy tuyến tính
Kiểm định sự phù hợp của mô hình
Bảng 2: Tóm tắt mô hình
Mô hình | R | R2 | R2 hiệu chỉnh | Sai số chuẩn |
1 | ,485a | ,236 | ,212 | ,50185 |
Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả trên SPSS
Hệ số R2 điều chỉnh = 0,212, nghĩa là 8 biến độc lập giải thích được 21,2% sự biến thiên của biến phụ thuộc (Bảng 2), mức độ giải thích này được đánh giá là thấp. Tuy nhiên, mức ý nghĩa của giá trị kiểm định F (Sig. = 0,000) < 0,05, nên giả thuyết H0 bị bác bỏ; nghĩa là kết hợp của các biến hiện có trong mô hình có thể giải thích được sự thay đổi của Ý định áp dụng AI trong quản lý chuỗi cung ứng. Do đó, có thể kết luận, mô hình xây dựng phù hợp với tập dữ liệu.
Phân tích phương sai ANOVA
Bảng 3: Phân tích phương sai ANOVAa
Mô hình | Tổng bình phương | Df | Trung bình bình phương | F | Sig. | |
| Hồi quy | 19,874 | 8 | 2,484 | 9,864 | ,000b |
Phần dư | 64,475 | 256 | ,252 |
|
| |
Tổng | 84,349 | 264 |
|
|
|
Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả trên SPSS
Kết quả Bảng 3 cho thấy, giá trị thống kê F = 9,864 và giá trị Sig.(F) = 0,000 < 0,05, do đó mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu hay các biến độc lập có quan hệ tuyến tính với biến phụ thuộc và mô hình phù hợp.
Phân tích hệ số hồi quy
Bảng 4: Kết quả hồi quy của mô hình
Mô hình | Hệ số hồi quy chưa chuẩn hóa | Hệ số hồi quy chuẩn hóa |
t |
Sig. | Thống kê đa cộng tuyến | |||
B | Sai số chuẩn | Beta | Tolerance | VIF | ||||
1 | Hằng số | 1,687 | ,346 |
| 4,868 | ,000 |
|
|
CPLN | ,283 | ,057 | ,286 | 4,974 | ,000 | ,904 | 1,106 | |
TC | ,188 | ,059 | ,202 | 3,190 | ,002 | ,748 | 1,337 | |
DTNL | ,104 | ,053 | ,113 | 1,941 | ,053 | ,876 | 1,141 | |
DĐ | -,019 | ,038 | -,027 | -,490 | ,625 | ,966 | 1,035 | |
SCRR | ,060 | ,032 | ,107 | 1,857 | ,064 | ,905 | 1,105 | |
| HTK | ,096 | ,055 | ,108 | 1,732 | ,084 | ,772 | 1,296 |
| TTT | -,060 | ,036 | -,097 | -1,679 | ,094 | ,891 | 1,123 |
| CPLN | -,027 | ,054 | -,029 | -,501 | ,617 | ,889 | 1,125 |
Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả trên SPSS
Kết quả Bảng 4 cho thấy, 2 biến Chi phí đầu tư và lợi nhuận (CPLN) và Sự đổi mới và thay đổi tổ chức (TC) có mức ý nghĩa của giá trị kiểm định Sig. < 0,05, nên bác bỏ giả thuyết H0, đồng nghĩa với 2 nhân tố Chi phí đầu tư và lợi nhuận; Sự đổi mới và thay đổi tổ chức có tác động dương đến Ý định áp dụng AI trong quản lý chuỗi cung ứng; đồng thời hệ số phóng đại phương sai (VIF) của 2 biến độc lập đủ điều kiện hồi quy đều < 2, do vậy dữ liệu không vi phạm giả định đa cộng tuyến. Trong khi, 6 biến còn lại là: Đào tạo và nguồn nhân lực (DTNL); Dự đoán chính xác nâng cao (DĐ); Dự báo sự cố và rủi ro (SCRR), Tối ưu hóa hàng tồn kho (HTK); Khả năng phản hồi theo thời gian thực (TTT); Tối ưu hóa định tuyến vận chuyển (VC) đều có Sig. > 0,05, nên chấp nhận giả thuyết H0, nghĩa là 6 biến độc lập này và biến phụ thuộc không có quan hệ tuyến tính với nhau.
THẢO LUẬN
Kết quả phân tích hồi quy đã chỉ ra những nhân tố quan trọng ảnh hưởng đến ý định áp dụng AI trong quản lý chuỗi cung ứng của các DN tại Việt Nam. Trong số đó, có những nhân tố tác động tích cực và cả những nhân tố có tác động tiêu cực, phản ánh những thách thức mà DN phải đối mặt trong quá trình ứng dụng công nghệ mới. Các vấn đề nhận thấy qua nghiên cứu như sau:
Một là, Chi phí đầu tư và lợi nhuận (PHT) là nhân tố có tác động tích cực mạnh nhất (Beta = 0,286, Sig. = 0,000). Điều này cho thấy, khi DN nhận thấy lợi ích tài chính vượt trội so với chi phí đầu tư ban đầu, họ sẽ có xu hướng cao hơn trong việc áp dụng AI. Đây là một yếu tố then chốt, bởi quyết định đầu tư thường dựa trên khả năng hoàn vốn và hiệu quả kinh tế mà công nghệ mang lại.
Hai là, Sự đổi mới và thay đổi tổ chức (HT) cũng đóng vai trò quan trọng (Beta = 0,202, Sig. = 0,002). Kết quả này phản ánh rằng, những DN sẵn sàng thay đổi và sáng tạo trong cách thức quản lý, tổ chức sẽ dễ dàng tích hợp AI vào chuỗi cung ứng của mình. Đây là minh chứng cho sự cần thiết của một tư duy cởi mở và thích nghi trong bối cảnh công nghệ phát triển nhanh chóng.
Ba là, Đào tạo và nguồn nhân lực (DT) có tác động tích cực nhưng ở mức thấp hơn (Beta = 0,113, Sig. = 0,053). Điều này cho thấy, việc xây dựng năng lực nội tại, thông qua đào tạo nhân sự, có ảnh hưởng tích cực đến ý định sử dụng AI. Tuy nhiên, DN cần đầu tư nhiều hơn vào việc nâng cao kỹ năng cho đội ngũ lao động để tận dụng tối đa lợi ích mà AI mang lại.
Bốn là, Khả năng dự báo sự cố và rủi ro (CTDT) và tối ưu hóa hàng tồn kho (TKCCDG) đều có tác động tích cực (Beta lần lượt là 0,107 và 0,108). AI hỗ trợ dự đoán và quản lý rủi ro, giúp DN cải thiện hiệu suất vận hành, đồng thời tối ưu hóa tồn kho, giảm chi phí lưu trữ.
Tuy nhiên, một số nhân tố lại cho thấy, tác động tiêu cực đến ý định sử dụng AI. Dự đoán chính xác nâng cao (TC) có Beta âm (-0,027, Sig. = 0,625), cho thấy rằng, khi việc dự đoán trở nên quá phức tạp hoặc không chính xác, DN có thể gặp khó khăn trong việc áp dụng thực tế. Điều này nhấn mạnh sự cần thiết của việc hoàn thiện các thuật toán dự đoán và cải thiện độ chính xác của mô hình AI.
Tương tự, khả năng phản hồi theo thời gian thực (QM) (Beta = -0,097, Sig. = 0,094) và tối ưu hóa định tuyến vận chuyển (CSVC) (Beta = -0,029, Sig. = 0,617) đều mang dấu âm. Nguyên nhân có thể xuất phát từ sự không đồng bộ giữa công nghệ AI và điều kiện hạ tầng hiện tại. Điều này đòi hỏi DN phải đầu tư nhiều hơn vào nâng cấp cơ sở hạ tầng và tạo sự liên kết chặt chẽ giữa các bộ phận để đảm bảo hiệu quả.
KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ
Kết luận
Kết quả nghiên cứu cho thấy, việc áp dụng AI trong quản lý chuỗi cung ứng chịu ảnh hưởng bởi nhiều yếu tố khác nhau, phản ánh sự phức tạp trong việc tích hợp công nghệ vào thực tế. Điều đáng chú ý, dù AI mang lại tiềm năng lớn trong việc cải thiện hiệu suất, không phải mọi khía cạnh đều có tác động tích cực. Nghiên cứu cho thấy, 2 nhân tố là Chi phí đầu tư và lợi nhuận (PHT) có β = 0,286 và Sự đổi mới và thay đổi tổ chức (TC) có β = 0,202 tác động dương đến Ý định áp dụng AI trong quản lý chuỗi cung ứng. Đồng thời, nghiên cứu còn chỉ ra, việc triển khai AI không chỉ đơn thuần là vấn đề kỹ thuật, mà còn đòi hỏi sự thay đổi toàn diện về tư duy, chiến lược và cách tiếp cận của DN để đạt được hiệu quả mong muốn; các nhân tố tích cực cần được khai thác triệt để, trong khi các nhân tố tiêu cực cần được xem xét và khắc phục thông qua các chiến lược cụ thể.
Hàm ý quản trị
Tiềm năng của AI trong thúc đẩy tối ưu hóa chuỗi cung ứng là không thể bàn cãi. Nhưng, để xây dựng chuỗi cung ứng sử dụng AI thành công, thì đòi hỏi DN Việt Nam phải vượt qua những thách thức đến từ cả yếu tố bên trong lẫn bên ngoài. Với mục đích sử dụng AI trong quản trị chuỗi cung ứng để tối đa tổng giá trị của chuỗi cung ứng (tối ưu chi phí ở các khâu phân phối, lao động, lưu trữ, đồng thời giữ mức chi phí chuỗi cung ứng ở mức tối thiểu), trên cơ sở phân tích các nhân tố ảnh hưởng, nghiên cứu đề xuất một số hàm ý quản trị theo mức độ ảnh hưởng của các nhân tố như sau:
Một là, DN cần lập kế hoạch chi tiết, bắt đầu bằng việc phân tích chi phí đầu tư và lợi nhuận tiềm năng khi ứng dụng AI vào quản lý chuỗi cung ứng. Việc này đòi hỏi DN phải xác định rõ các mục tiêu ngắn hạn và dài hạn, phân bổ ngân sách hợp lý cho từng giai đoạn triển khai. Chẳng hạn, việc xây dựng lộ trình áp dụng cần có sự ưu tiên cụ thể cho các khâu quan trọng trong chuỗi cung ứng, như: dự báo nhu cầu nhằm giảm thiểu sai lệch giữa cung và cầu, hay tối ưu hóa hàng tồn kho để giảm chi phí lưu trữ và nâng cao hiệu quả sử dụng vốn. Kế hoạch chi tiết không chỉ giúp DN tận dụng tối đa nguồn lực hiện tại mà còn hạn chế rủi ro trong quá trình triển khai công nghệ.
Hai là, DN cần đặc biệt chú trọng tăng cường năng lực nội tại thông qua đào tạo và phát triển nguồn nhân lực. AI là một công nghệ phức tạp, đòi hỏi đội ngũ nhân viên không chỉ có kiến thức nền tảng về công nghệ mà còn hiểu rõ cách vận hành chuỗi cung ứng để tận dụng tối đa hiệu quả. Các chương trình đào tạo cần được thiết kế phù hợp với nhu cầu thực tế của từng bộ phận, từ cấp quản lý đến nhân viên vận hành, nhằm đảm bảo mỗi cá nhân đều có đủ kỹ năng để làm việc hiệu quả với các công cụ và giải pháp AI. Bên cạnh đó, DN cũng cần đầu tư vào việc thu hút nhân tài, hợp tác với các trường đại học hoặc tổ chức đào tạo để phát triển lực lượng lao động chất lượng cao.
Ba là, DN cần thúc đẩy sự phối hợp chặt chẽ với các đối tác trong chuỗi cung ứng, nhằm xây dựng một nền tảng dữ liệu chung. Sự kết nối dữ liệu giữa các DN trong chuỗi cung ứng sẽ giúp cải thiện khả năng dự đoán và phản hồi theo thời gian thực, từ đó nâng cao hiệu quả hoạt động. Chẳng hạn, dữ liệu về dự báo nhu cầu, hàng tồn kho, vận chuyển, và lịch trình sản xuất cần được chia sẻ một cách minh bạch và đồng bộ giữa các bên liên quan. Điều này không chỉ giảm thiểu tình trạng dư thừa hoặc thiếu hụt hàng hóa mà còn giúp DN kịp thời điều chỉnh các chiến lược khi có sự thay đổi trong thị trường hoặc chuỗi cung ứng.
Bốn là, để ứng dụng AI hiệu quả trong chuỗi cung ứng, DN cần đầu tư mạnh mẽ vào nghiên cứu và phát triển các giải pháp AI phù hợp với điều kiện thực tiễn của mình. Điều kiện hạ tầng công nghệ và đặc điểm thị trường nội địa có thể ảnh hưởng lớn đến tính khả thi và hiệu quả của các giải pháp AI. Do đó, DN cần đánh giá kỹ lưỡng trước khi triển khai, đảm bảo các giải pháp được tùy chỉnh để phù hợp với từng giai đoạn phát triển. Đồng thời, DN cần chú trọng việc liên tục cải tiến hệ thống AI, cập nhật công nghệ mới để bắt kịp với những thay đổi trong môi trường kinh doanh. Điều này sẽ giúp giảm thiểu tác động tiêu cực từ các nhân tố hạn chế, như thiếu nguồn lực công nghệ hoặc sự không đồng bộ trong hệ thống chuỗi cung ứng./.
TÀI LIỆU THAM KHẢO
1. Abubakar, A. M., Behravesh, E., and Rezapouraghda, H. (2019), Applying artificial intelligence technique to predict knowledge hiding behavior, International Journal of Information Management, 49, 45-57.
2. Ajzen, I. (1991), The theory of planned behavior, Organizational Behavior and Human Decision Processes, 50(2), 179-211.
3. Agarwal, S., Kumar, S., and Goel, U. (2019), Stock market response to information diffusion through internet sources: A literature review, International Journal of Information Management, 45, 118-131.
4. Ali, O., Shrestha, A., Soar, J., and Wamba, S. F. (2018), Cloud Computing-Enabled Healthcare Opportunities, Issues, and Applications: A Systematic Review, International Journal of Information Management, 43, 146-158, https://doi.org/10.1016/j.ijinfomgt.2018.07.009.
5. Allen, J. F. (1998), AI growing up: The changes and opportunities, Artificial Intelligence, 19(4), 13-23.
6. Chi, M., Huang, R., and George, J. F. (2020), Collaboration in demand-driven supply chain: Based on a perspective of governance and IT-business strategic alignment, International Journal of Information Management, 52, Article 102062.
7. Collins, J. Y., Jamison, S., Mobasher, B., and Gini, M. (2019), A market architecture for multi-agent contracting, Journal of Multi-Agent Systems, 47, 175-189.
8. Coombs, C. (2020), Will Covid-19 be the tipping point for the intelligent automation of work? A review of the debate and implications for research, International Journal of Information Management, 55, Article 102182.
9. Cross, S. (2003), Agency, contract and intelligent software agents, AI & Society, 18(2), 175-189.
10. Davenport, T. H., and Ronanki, R. (2018), Artificial intelligence for the real world, Harvard Business Review, 96(1), 108-116.
11. DeCanio, S. J. (2016), Robots and humans - complements or substitutes? Journal of Macroeconomics, 49, 280-291.
12. Dejoux, C. (2018), Métamorphose des managers (1st ed.), France: Pearson.
13. Dennehy, D. (2020), Ireland post-pandemic: Utilizing AI to kick-start economic recovery, Cutter IT Journal, 33(8), 4-12.
14. Deng, L. (2014), Deep learning: Methods and applications, Foundations and Trends in Signal Processing, 7(3-4), 197-387.
Ngày nhận bài: 18/11/2024; Ngày phản biện: 02/01/2025; Ngày duyệt đăng: 18/01/2025 |
Bình luận