Ảnh hưởng của cá nhân hóa bởi AI đến trải nghiệm số và niềm tin của người tiêu dùng thời trang tại TP. Hồ Chí Minh: Vai trò điều tiết của quan ngại quyền riêng tư

ThS. Lê Thị Tường Vi (Tác giả liên hệ)

Giảng viên, FPT Education; Email: viltt13@fpt.edu.vn

TS. Mai Xuân Đào

Giảng viên, Trường Đại học Tài chính - Marketing; Email: xuandao@ufm.edu.vn

TS. Nguyễn Phạm Hạnh Phúc

Giảng viên, Trường Đại học Tài chính - Marketing; Email: phucnguyen_kdl@ufm.edu.vn

Tóm tắt

Nghiên cứu phân tích ảnh hưởng của cá nhân hóa bởi AI đến trải nghiệm số và niềm tin của người tiêu dùng trong mua sắm thời trang trực tuyến tại TP. Hồ Chí Minh; đồng thời xem xét vai trò điều tiết của quan ngại quyền riêng tư. Trên nền tảng khung Kích thích - Chủ thể - Phản ứng, Lý thuyết Cam kết - Niềm tin và Lý thuyết Tính toán Quyền riêng tư, mô hình nghiên cứu gồm 4 cấu trúc: Cá nhân hóa bởi AI, Trải nghiệm số, Niềm tin và Quan ngại quyền riêng tư. Nghiên cứu sử dụng cách tiếp cận định lượng, thang Likert 5 mức và mô hình cấu trúc tuyến tính. Quy trình được kiểm thử trên bộ dữ liệu mô phỏng gồm 300 quan sát nhằm đánh giá tính khả thi của thang đo và phương pháp phân tích trước khi khảo sát thực địa. Kết quả cho thấy, Cá nhân hóa bởi AI có tác động tích cực đến Trải nghiệm số và Niềm tin; trong khi Quan ngại quyền riêng tư làm suy yếu cả hai mối quan hệ này. Phát hiện nhấn mạnh yêu cầu doanh nghiệp thời trang trực tuyến phải đồng thời nâng cao chất lượng cá nhân hóa và tăng tính minh bạch, khả năng kiểm soát dữ liệu của người dùng.

Từ khóa: Cá nhân hóa bởi AI, trải nghiệm số, niềm tin, quan ngại quyền riêng tư, thương mại điện tử thời trang

Abstract

This study analyzes the effects of AI-enabled personalization on the digital experience and consumer trust in online fashion shopping in Ho Chi Minh City, and examines the moderating role of privacy concerns. Drawing on the Stimulus-Organism-Response framework, Commitment-Trust Theory, and Privacy Calculus Theory, the research model comprises four constructs: AI-enabled Personalization, Digital Experience, Trust, and Privacy Concerns. The study adopts a quantitative approach, using a five-point Likert scale and structural equation modeling. The research procedure was tested on a simulated dataset of 300 observations to assess the feasibility of the measurement scales and analytical approach prior to field data collection. The results indicate that AI-enabled Personalization has positive effects on Digital Experience and Trust, while Privacy Concerns weaken both relationships. The findings highlight the need for online fashion businesses to simultaneously enhance the quality of personalization and strengthen transparency and users’ control over their data.

Keywords: AI-enabled Personalization, digital experience, trust, privacy concerns, fashion e-commerce

ĐẶT VẤN ĐỀ

Sự phát triển nhanh của thương mại điện tử (TMĐT) và trí tuệ nhân tạo đang làm thay đổi đáng kể cách người tiêu dùng tìm kiếm, đánh giá và lựa chọn sản phẩm thời trang. Theo Báo cáo Chỉ số TMĐT Việt Nam 2026 của Hiệp hội TMĐT Việt Nam, quy mô TMĐT Việt Nam năm 2025 ước đạt khoảng 38,5 tỷ USD, tăng 21% so với năm trước. Trước đó, năm 2024 thị trường đạt khoảng 32 tỷ USD, tăng 27% so với năm 2023; trong đó doanh thu bán lẻ trực tuyến đạt khoảng 22,5 tỷ USD, chiếm gần 12% tổng mức bán lẻ hàng hóa và doanh thu dịch vụ tiêu dùng của cả nước (VECOM, 2025; 2026). Xét theo Chỉ số TMĐT Việt Nam năm 2025, TP. Hồ Chí Minh đạt 73,5 điểm, đứng thứ hai cả nước sau Hà Nội, phản ánh mức độ phát triển cao của hạ tầng và hoạt động TMĐT tại địa phương. Bên cạnh đó, theo báo cáo e-Conomy SEA 2025 của Google, Temasek và Bain & Company (2025), quy mô nền kinh tế số Việt Nam được dự báo đạt khoảng 39 tỷ USD trong năm 2025, tăng từ 34 tỷ USD năm 2024. Trong đó, GMV của lĩnh vực TMĐT ước đạt khoảng 25 tỷ USD, tăng khoảng 17%, tiếp tục là động lực tăng trưởng lớn nhất của nền kinh tế số.

Cùng với sự mở rộng của TMĐT, trí tuệ nhân tạo (AI) ngày càng được tích hợp vào các nền tảng mua sắm trực tuyến nhằm thực hiện cá nhân hóa bởi AI (AI-powered personalization - AIP) trong toàn bộ hành trình khách hàng. Trong lĩnh vực thời trang, các ứng dụng phổ biến bao gồm gợi ý sản phẩm theo hành vi, tìm kiếm bằng hình ảnh, dự đoán kích cỡ, thử đồ ảo và chatbot tư vấn. Thông qua việc phân tích lịch sử tìm kiếm, sản phẩm đã xem, giao dịch trước đây và phản hồi của khách hàng, hệ thống AI có thể cung cấp những đề xuất phù hợp hơn với sở thích và nhu cầu cá nhân. Nhờ đó, cá nhân hóa có khả năng giảm tình trạng quá tải thông tin, rút ngắn thời gian tìm kiếm và nâng cao sự thuận tiện trong quá trình mua sắm.

Tuy nhiên, cá nhân hóa bởi AI thường phụ thuộc vào việc thu thập và phân tích lượng lớn dữ liệu cá nhân. Dữ liệu này có thể bao gồm lịch sử tìm kiếm, hành vi nhấp chuột, vị trí, thiết bị, thông tin giao dịch và các suy luận về sở thích hoặc khả năng chi tiêu. Việc người tiêu dùng không biết rõ dữ liệu nào đang được thu thập, được sử dụng cho mục đích gì và được chia sẻ với những chủ thể nào có thể làm phát sinh lo ngại về quyền riêng tư, tính minh bạch và khả năng kiểm soát dữ liệu.

Mối quan hệ này phản ánh nghịch lý cá nhân hóa - quyền riêng tư: người tiêu dùng mong muốn nhận được các đề xuất phù hợp nhưng đồng thời lo ngại về mức độ thu thập và sử dụng dữ liệu cần thiết để tạo ra những đề xuất đó. Các nghiên cứu về quản trị dữ liệu khách hàng cho thấy, cảm nhận dữ liệu cá nhân dễ bị tổn thương có thể làm giảm niềm tin, trong khi tính minh bạch và quyền kiểm soát có khả năng hạn chế tác động tiêu cực này (Martin và cộng sự, 2017). Trong các hệ thống bán lẻ ứng dụng AI, quyền riêng tư và sự công bằng cũng được xác định là những vấn đề có ảnh hưởng đáng kể đến lòng tin của người tiêu dùng (Adanyin, 2024).

Mặc dù các nghiên cứu trước đã ghi nhận tác động tích cực của cá nhân hóa đối với trải nghiệm, sự hài lòng, niềm tin và ý định mua, vẫn còn một số khoảng trống cần tiếp tục làm rõ. Thứ nhất, nhiều nghiên cứu xem cá nhân hóa là yếu tố tác động trực tiếp nhưng chưa phân tích đầy đủ những điều kiện có thể làm suy yếu tác động này. Thứ hai, quan ngại quyền riêng tư thường được xem xét như một biến độc lập, trong khi vai trò điều tiết của nó đối với mối quan hệ giữa cá nhân hóa bởi AI , trải nghiệm số và niềm tin chưa được kiểm định nhất quán. Thứ ba, bằng chứng thực nghiệm trong lĩnh vực thời trang trực tuyến tại Việt Nam còn hạn chế, mặc dù đây là ngành hàng phụ thuộc mạnh vào sở thích cá nhân, hình ảnh và trải nghiệm tương tác số.

Từ khoảng trống trên, nghiên cứu này hướng đến 2 mục tiêu: Thứ nhất, kiểm định tác động của cá nhân hóa bởi AI đến trải nghiệm số và niềm tin của người tiêu dùng thời trang trực tuyến; Thứ hai, xác định liệu quan ngại quyền riêng tư có điều tiết theo hướng làm suy yếu 2 tác động này hay không. Về mặt lý thuyết, nghiên cứu kết hợp khung Kích thích - Chủ thể - Phản ứng với Lý thuyết Tính toán Quyền riêng tư để giải thích đồng thời lợi ích và rủi ro của cá nhân hóa bởi AI trong một mô hình thống nhất. Về mặt thực tiễn, kết quả nghiên cứu cung cấp cơ sở để doanh nghiệp thời trang trực tuyến nâng cao chất lượng cá nhân hóa, đồng thời tăng cường minh bạch và quyền kiểm soát dữ liệu nhằm duy trì trải nghiệm và niềm tin của khách hàng.

CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT NGHIÊN CỨU

Cá nhân hóa bởi AI và trải nghiệm số

Cá nhân hóa bởi AI là quá trình nền tảng sử dụng thuật toán và dữ liệu hành vi để điều chỉnh nội dung, đề xuất sản phẩm và hình thức tương tác phù hợp với nhu cầu của từng người dùng. Trong lĩnh vực thời trang trực tuyến, cá nhân hóa bởi AI được thể hiện qua gợi ý sản phẩm theo sở thích, tìm kiếm bằng hình ảnh, tư vấn bằng chatbot, dự đoán kích cỡ và thử đồ ảo. Những công cụ này giúp người tiêu dùng giảm thời gian tìm kiếm, hạn chế tình trạng quá tải thông tin và nâng cao hiệu quả lựa chọn sản phẩm.

Mối quan hệ giữa cá nhân hóa bởi AI và trải nghiệm số có thể được giải thích bằng khung Kích thích - Chủ thể - Phản ứng (Stimulus-Organism-Response = SOR). Theo đó, các kích thích từ môi trường tác động đến trạng thái nhận thức và cảm xúc của cá nhân, từ đó hình thành phản ứng tiếp cận hoặc né tránh (Mehrabian và Russell, 1974). Trong nghiên cứu này, cá nhân hóa bởi AI được xem là kích thích công nghệ, còn trải nghiệm số là trạng thái tâm lý phản ánh đánh giá tổng thể của người tiêu dùng về tính thuận tiện, sự liền mạch, khả năng tương tác và cảm xúc phát sinh trong quá trình mua sắm.

Khi nền tảng cung cấp các đề xuất phù hợp với sở thích và nhu cầu, người tiêu dùng có thể giảm công sức sàng lọc sản phẩm, cảm nhận nền tảng dễ sử dụng hơn và đưa ra quyết định nhanh hơn. Cá nhân hóa vì vậy tạo ra cả giá trị chức năng, thông qua việc tiết kiệm thời gian; và giá trị cảm xúc, thông qua cảm giác được thấu hiểu và phục vụ theo nhu cầu riêng. Tuy nhiên, tác động này phụ thuộc vào mức độ chính xác, phù hợp và khả năng thích ứng của các đề xuất. Những gợi ý thiếu liên quan hoặc lặp lại quá mức có thể làm gián đoạn thay vì cải thiện trải nghiệm. Từ những lập luận trên, nghiên cứu đề xuất giả thuyết:

H1: Cá nhân hóa bởi AI có tác động tích cực đến Trải nghiệm số của người tiêu dùng thời trang trực tuyến.

Cá nhân hóa bởi AI và niềm tin

Niềm tin giữ vai trò quan trọng trong TMĐT vì người tiêu dùng không thể trực tiếp kiểm tra đầy đủ chất lượng sản phẩm, độ tin cậy của người bán và quy trình giao dịch trước khi đưa ra quyết định mua. Theo Thuyết Cam kết - Niềm tin (Commitment-Trust Theory), niềm tin được hình thành khi khách hàng nhận thức rằng đối tác có năng lực, trung thực và thiện chí trong quá trình trao đổi; đồng thời đây cũng là nền tảng để xây dựng và duy trì mối quan hệ lâu dài giữa doanh nghiệp và khách hàng (Morgan và Hunt, 1994). Trong nghiên cứu này, thang đo niềm tin (Trust - TR) được kế thừa từ nghiên cứu của McKnight và cộng sự (2002), bao gồm 3 thành phần chính là năng lực (competence), thiện chí (benevolence) và tính chính trực (integrity). Thang đo này đã được kiểm định và sử dụng rộng rãi trong các nghiên cứu về TMĐT, do đó phù hợp để đánh giá niềm tin của người tiêu dùng trong bối cảnh mua sắm thời trang trực tuyến.

Trong bối cảnh cá nhân hóa bởi AI, chất lượng của các đề xuất có thể được xem là tín hiệu phản ánh năng lực công nghệ cũng như khả năng thấu hiểu nhu cầu khách hàng của nền tảng. Khi các gợi ý sản phẩm có tính liên quan, chính xác và hữu ích, người tiêu dùng có xu hướng đánh giá nền tảng có đủ năng lực xử lý dữ liệu, cung cấp thông tin phù hợp và quan tâm đến lợi ích của khách hàng. Điều này góp phần làm giảm sự không chắc chắn trong quá trình mua sắm và củng cố niềm tin đối với nền tảng TMĐT.

Ngược lại, các đề xuất thiếu chính xác, mang tính áp đặt hoặc quá thiên về mục tiêu thương mại có thể khiến người tiêu dùng cảm thấy bị thao túng, từ đó làm suy giảm niềm tin. Do đó, tác động tích cực của cá nhân hóa bởi AI không chỉ phụ thuộc vào độ chính xác của thuật toán mà còn chịu ảnh hưởng bởi cách người tiêu dùng cảm nhận về tính minh bạch, thiện chí và sự công bằng trong việc thu thập, xử lý và sử dụng dữ liệu cá nhân. Đối với mua sắm thời trang trực tuyến, nơi khách hàng chủ yếu dựa vào hình ảnh, mô tả sản phẩm và các công cụ tư vấn số để đưa ra quyết định, những đề xuất phù hợp còn có thể làm giảm rủi ro cảm nhận, hỗ trợ lựa chọn sản phẩm và thu hẹp khoảng cách giữa kỳ vọng với trải nghiệm thực tế. Vì vậy, nghiên cứu đề xuất giả thuyết:

H2: Cá nhân hóa bởi AI có tác động tích cực đến Niềm tin của người tiêu dùng thời trang trực tuyến.

Vai trò điều tiết của quan ngại quyền riêng tư

Quan ngại quyền riêng tư phản ánh mức độ người tiêu dùng lo lắng về việc dữ liệu cá nhân bị thu thập, lưu trữ, phân tích hoặc sử dụng ngoài mục đích mong đợi. Cá nhân hóa bởi AI càng chính xác thường càng đòi hỏi nền tảng phải thu thập và xử lý nhiều dữ liệu hơn. Điều này làm phát sinh nghịch lý cá nhân hóa - quyền riêng tư: người tiêu dùng mong muốn nhận được nội dung phù hợp nhưng đồng thời lo ngại về mức độ theo dõi và kiểm soát dữ liệu.

Lý thuyết Tính toán Quyền riêng tư cho rằng, người tiêu dùng cân nhắc giữa lợi ích nhận được từ việc cung cấp dữ liệu và rủi ro quyền riêng tư cảm nhận trước khi chấp nhận tham gia giao dịch số (Dinev và Hart, 2006). Khi lợi ích cá nhân hóa được đánh giá cao và nền tảng được xem là đáng tin cậy, người dùng có thể chấp nhận chia sẻ thông tin. Ngược lại, khi quan ngại quyền riêng tư gia tăng, các lợi ích của cá nhân hóa có thể bị đánh giá thấp hơn.

Trong nghiên cứu này, quan ngại quyền riêng tư được xem là biến điều tiết làm thay đổi độ mạnh của mối quan hệ giữa cá nhân hóa bởi AI với trải nghiệm số và niềm tin. Người có mức quan ngại thấp thường chú trọng đến sự thuận tiện và tính hữu ích của đề xuất. Trong khi đó, người có mức quan ngại cao có thể tập trung nhiều hơn vào nguồn dữ liệu, mục đích sử dụng và khả năng kiểm soát thông tin cá nhân.

Vai trò điều tiết đối với trải nghiệm số

Cá nhân hóa có thể nâng cao trải nghiệm bằng cách tăng mức độ liên quan của nội dung và giảm chi phí tìm kiếm. Tuy nhiên, khi người dùng cảm thấy bị theo dõi hoặc không kiểm soát được dữ liệu, cùng một đề xuất cá nhân hóa có thể tạo ra cảm giác khó chịu thay vì thuận tiện. Việc thiếu minh bạch về dữ liệu được sử dụng và nguyên nhân sản phẩm được đề xuất có thể làm giảm quyền kiểm soát cảm nhận, gia tăng lo lắng và phá vỡ sự liền mạch của hành trình mua sắm.

Các nghiên cứu về quản trị dữ liệu cho thấy tính minh bạch và khả năng kiểm soát có thể làm giảm cảm giác dữ liệu cá nhân bị xâm phạm, trong khi cảm nhận dữ liệu dễ bị tổn thương có thể ảnh hưởng tiêu cực đến trải nghiệm và niềm tin của khách hàng (Martin và cộng sự, 2017). Vì vậy, tác động tích cực của cá nhân hóa bởi AI đến trải nghiệm số được kỳ vọng sẽ yếu hơn khi quan ngại quyền riêng tư ở mức cao. Từ đó, nghiên cứu đề xuất giả thuyết:

H3: Quan ngại quyền riêng tư điều tiết theo hướng làm suy yếu tác động tích cực của Cá nhân hóa bởi AI đến Trải nghiệm số của người tiêu dùng thời trang trực tuyến.

Vai trò điều tiết đối với niềm tin

Cá nhân hóa có thể củng cố niềm tin khi các đề xuất được xem là bằng chứng về năng lực và sự thấu hiểu khách hàng. Tuy nhiên, trong điều kiện quan ngại quyền riêng tư cao, những đề xuất quá chính xác có thể bị diễn giải như dấu hiệu cho thấy nền tảng đang thu thập hoặc suy luận quá nhiều thông tin.

Khi người tiêu dùng không biết dữ liệu được thu thập như thế nào, sử dụng cho mục đích gì hoặc có được chia sẻ với bên thứ ba hay không, họ có thể nghi ngờ tính trung thực và thiện chí của nền tảng. Khi đó, lợi ích từ các đề xuất phù hợp có thể không đủ để bù đắp cảm nhận rủi ro. Minh bạch và quyền kiểm soát dữ liệu vì vậy là những điều kiện quan trọng giúp hạn chế tác động tiêu cực của quan ngại quyền riêng tư đối với niềm tin (Martin và cộng sự, 2017). Từ đó, nghiên cứu đề xuất giả thuyết:

H4: Quan ngại quyền riêng tư điều tiết theo hướng làm suy yếu tác động tích cực của Cá nhân hóa bởi AI đến Niềm tin của người tiêu dùng thời trang trực tuyến.

Mô hình nghiên cứu

Từ cơ sở lý thuyết và giả thuyết trên, mô hình nghiên cứu được trình bày như Hình.

Hình 1: Mô hình nghiên cứu

Nguồn: Đề xuất của tác giả

PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế và mẫu nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng với thiết kế cắt ngang. Đối tượng khảo sát dự kiến là người tiêu dùng từ 16 tuổi trở lên, đang sinh sống hoặc làm việc tại TP. Hồ Chí Minh, đã mua sắm thời trang trực tuyến và từng sử dụng ít nhất một tính năng cá nhân hóa bởi AI trong 6 tháng gần nhất. Cỡ mẫu mục tiêu từ 250 đến 300 quan sát, đáp ứng yêu cầu ước lượng mô hình cấu trúc tuyến tính với 20 biến quan sát. Mẫu được tiếp cận qua khảo sát trực tuyến, cộng đồng mua sắm trên mạng xã hội và các điểm mua sắm tập trung.

Trong phiên bản hiện tại, quy trình phân tích được kiểm thử trên bộ dữ liệu mô phỏng gồm 300 quan sát. Việc sử dụng dữ liệu mô phỏng chỉ nhằm đánh giá tính khả thi của thang đo, mô hình và câu lệnh phân tích; không được xem là bằng chứng thực nghiệm về hành vi người tiêu dùng tại TP. Hồ Chí Minh.

Thang đo

Bốn khái niệm nghiên cứu được đo lường bằng 20 biến quan sát, sử dụng thang Likert 5 mức từ 1 “Hoàn toàn không đồng ý” đến 5 “Hoàn toàn đồng ý”. Thang đo AIP kế thừa từ Jasim và cộng sự (2026); thang đo DE kế thừa từ Rose và cộng sự (2012); thang đo TR kế thừa từ McKnight và cộng sự (2002); thang đo PC kế thừa từ Dinev và Hart (2006). Các thang đo gốc sau đó được hiệu chỉnh cho bối cảnh thời trang trực tuyến tại Việt Nam.

Bảng 1: Thang đo và biến quan sát

Thang đo	Ký hiệu	Số biến quan sát	Nội dung đo lường chính
Cá nhân hóa bởi AI	AIP	5	Mức độ phù hợp, thích ứng, tiết kiệm thời gian và đáp ứng kỳ vọng
Trải nghiệm số	DE	5	Thẩm mỹ giao diện, tính liền mạch, cảm xúc và mức độ tương tác
Niềm tin	TR	5	Tính trung thực, năng lực công nghệ, sự an tâm và thiện chí
Quan ngại quyền riêng tư	PC	5	Lo ngại thu thập, sử dụng, minh bạch và quyền kiểm soát dữ liệu

Nguồn: Tổng hợp và đề xuất của tác giả

Phương pháp phân tích dữ liệu

Dữ liệu được xử lý bằng phần mềm Stata theo 4 bước. Thứ nhất, độ tin cậy của các thang đo được đánh giá thông qua hệ số Cronbach’s Alpha. Thứ hai, phân tích nhân tố khẳng định (CFA) được sử dụng nhằm kiểm định giá trị hội tụ, giá trị phân biệt và mức độ phù hợp của mô hình đo lường. Thứ ba, mô hình cấu trúc tuyến tính (SEM) được ước lượng bằng phương pháp Maximum Likelihood (ML) để kiểm định các giả thuyết H1 và H2. Thứ tư, nhằm kiểm định vai trò điều tiết của quan ngại quyền riêng tư, biến tương tác giữa cá nhân hóa bởi AI và quan ngại quyền riêng tư được xây dựng từ các biến đã chuẩn hóa theo phương pháp mean-centering (chuẩn hóa giá trị trung bình) nhằm hạn chế hiện tượng đa cộng tuyến. Hiệu ứng điều tiết được kiểm định thông qua biến tương tác để đánh giá các giả thuyết H3 và H4; đồng thời, phân tích hiệu ứng đơn giản được thực hiện tại hai mức quan ngại quyền riêng tư thấp và cao để làm rõ bản chất của mối quan hệ điều tiết.

KẾT QUẢ NGHIÊN CỨU

Độ tin cậy và thống kê mô tả

Kết quả kiểm thử trên dữ liệu mô phỏng cho thấy các thang đo có độ tin cậy nội tại cao. Cronbach’s Alpha của AIP, DE, TR và PC lần lượt đạt 0,902; 0,907; 0,908 và 0,908, đều vượt ngưỡng 0,70.

Bảng 2: Kết quả kiểm định độ tin cậy

Chỉ số	AIP	DE	TR	PC
Cronbach’s Alpha	0,902	0,907	0,908	0,908
Giá trị trung bình	3,69	3,53	3,46	3,38
Độ lệch chuẩn	0,77	0,80	0,80	0,88

Nguồn: Kết quả nghiên cứu

Mô hình đo lường

Mô hình CFA 4 nhân tố đạt hệ số tải chuẩn hóa từ 0,77 đến 0,87 và đều có ý nghĩa thống kê ở mức p < 0,001. Các chỉ số phù hợp mô hình, cho thấy mô hình đo lường phù hợp tốt với dữ liệu mô phỏng.

Bảng 3: Kết quả phân tích CFA

Chỉ số	Giá trị	Ngưỡng tham khảo
χ² (df = 164)	187,97 (p = 0,097)	p > 0,05
RMSEA	0,022	≤ 0,06
CFI	0,994	≥ 0,95
TLI	0,994	≥ 0,95
SRMR	0,029	≤ 0,08

Nguồn: Kết quả nghiên cứu

Kiểm định giả thuyết

Mô hình cấu trúc đạt mức độ phù hợp tốt: χ²(181) = 201,99; p = 0,136; RMSEA = 0,020; CFI = 0,995; TLI = 0,994; SRMR = 0,029. Kết quả cho thấy, Cá nhân hóa bởi AI tác động tích cực đến cả Trải nghiệm số và Niềm tin. Đồng thời, hệ số tương tác giữa Cá nhân hóa bởi AI và Quan ngại quyền riêng tư mang dấu âm và có ý nghĩa thống kê đối với cả hai biến kết quả.

Bảng 4: Kết quả kiểm định giả thuyết

Giả thuyết	Quan hệ	Hệ số β chuẩn hóa	Mức ý nghĩa	Kết luận
H1	AIP → DE	0,915	p < 0,001	Ủng hộ
H2	AIP → TR	0,918	p < 0,001	Ủng hộ
H3	AIP × PC → DE	-0,175	p < 0,001	Ủng hộ
H4	AIP × PC → TR	-0,197	p < 0,001	Ủng hộ

Nguồn: Kết quả nghiên cứu

Phân tích hiệu ứng đơn giản cho thấy, khi Quan ngại quyền riêng tư ở mức thấp, tác động của AIP đến DE đạt 1,012; khi Quan ngại quyền riêng tư ở mức cao, tác động này giảm còn 0,670. Kết quả minh họa rõ vai trò làm suy yếu của Quan ngại quyền riêng tư đối với lợi ích của Cá nhân hóa bởi AI.

Thảo luận

Kết quả cho thấy, Cá nhân hóa bởi AI có tác động tích cực đến cả Trải nghiệm số và Niềm tin của người tiêu dùng thời trang trực tuyến. Điều này củng cố lập luận của khung SOR, theo đó Cá nhân hóa bởi AI đóng vai trò là kích thích công nghệ có khả năng làm thay đổi trạng thái nhận thức và cảm xúc của người dùng. Khi nền tảng cung cấp các đề xuất phù hợp với sở thích, thích ứng với hành vi và hỗ trợ rút ngắn thời gian tìm kiếm, người tiêu dùng có xu hướng đánh giá cao hơn tính thuận tiện, sự liền mạch và chất lượng tổng thể của quá trình tương tác số (Mehrabian và Russell, 1974).

Tác động tích cực của Cá nhân hóa bởi AI đến niềm tin cũng cho thấy chất lượng đề xuất có thể được người tiêu dùng diễn giải như một tín hiệu về năng lực công nghệ và khả năng thấu hiểu khách hàng của nền tảng. Khi các gợi ý được cung cấp chính xác, nhất quán và hữu ích, mức độ không chắc chắn trong giao dịch có thể giảm xuống, qua đó củng cố đánh giá của khách hàng về năng lực, tính đáng tin cậy và thiện chí của nền tảng. Kết quả này phù hợp với Thuyết Cam kết - Niềm tin, trong đó niềm tin được xem là nền tảng của quan hệ trao đổi bền vững giữa doanh nghiệp và khách hàng (Morgan và Hunt, 1994).

Tuy nhiên, kết quả cũng cho thấy lợi ích của Cá nhân hóa bởi AI phụ thuộc đáng kể vào mức độ Quan ngại quyền riêng tư của người tiêu dùng. Hệ số tương tác âm trong cả hai mối quan hệ cho thấy khi Quan ngại quyền riêng tư gia tăng, tác động tích cực của Cá nhân hóa bởi AI đến Trải nghiệm số và Niềm tin đều suy giảm. Nói cách khác, người tiêu dùng có thể đánh giá cao sự phù hợp của các đề xuất nhưng đồng thời cảm thấy lo lắng nếu không biết dữ liệu nào đang được thu thập, sử dụng cho mục đích gì hoặc được chia sẻ với những chủ thể nào.

Phát hiện này phù hợp với Lý thuyết Tính toán Quyền riêng tư, theo đó người tiêu dùng cân nhắc đồng thời lợi ích của cá nhân hóa và rủi ro liên quan đến dữ liệu cá nhân trước khi hình thành đánh giá và phản ứng đối với nền tảng (Dinev và Hart, 2006). Khi lợi ích cảm nhận lớn hơn rủi ro, cá nhân hóa có thể tạo ra trải nghiệm tích cực và củng cố niềm tin. Ngược lại, khi người dùng cảm thấy bị theo dõi, mất quyền kiểm soát hoặc thiếu thông tin về quá trình xử lý dữ liệu, lợi ích của cá nhân hóa có thể bị chiết giảm. Kết quả này cũng tương đồng với nhận định rằng tính minh bạch và khả năng kiểm soát dữ liệu có vai trò quan trọng trong việc hạn chế cảm giác dữ liệu cá nhân bị tổn thương và suy giảm niềm tin (Martin và cộng sự, 2017).

Về mặt lý thuyết, nghiên cứu cho thấy việc kết hợp khung SOR với Lý thuyết Tính toán Quyền riêng tư giúp giải thích đầy đủ hơn cơ chế tác động của cá nhân hóa bởi AI. Trong khi khung SOR làm rõ cách kích thích công nghệ ảnh hưởng đến trạng thái tâm lý của người tiêu dùng, Lý thuyết Tính toán Quyền riêng tư xác định điều kiện biên có thể làm thay đổi độ mạnh của các tác động này. Qua đó, nghiên cứu bổ sung bằng chứng cho thấy cá nhân hóa không mặc nhiên tạo ra kết quả tích cực mà còn phụ thuộc vào cách người dùng nhận thức về việc thu thập, sử dụng và bảo vệ dữ liệu.

Về mặt quản trị, doanh nghiệp không nên chỉ gia tăng cường độ cá nhân hóa mà cần ưu tiên chất lượng và tính phù hợp của đề xuất. Nội dung cá nhân hóa phải hữu ích, có khả năng thích ứng với nhu cầu hiện tại và hạn chế tình trạng lặp lại hoặc xuất hiện quá mức, vì những biểu hiện này có thể tạo cảm giác bị giám sát. Đồng thời, nền tảng cần công khai rõ mục đích thu thập dữ liệu, phạm vi xử lý, thời gian lưu trữ và khả năng chia sẻ với bên thứ ba bằng ngôn ngữ ngắn gọn, dễ hiểu.

Bên cạnh đó, người dùng cần được trao quyền lựa chọn và kiểm soát mức độ cá nhân hóa thông qua các chức năng như đồng ý từng phần, điều chỉnh loại dữ liệu được sử dụng hoặc tắt đề xuất cá nhân hóa. Doanh nghiệp cũng có thể phân nhóm khách hàng theo mức độ nhạy cảm về quyền riêng tư để thiết kế cường độ cá nhân hóa và thông điệp truyền thông phù hợp. Đối với nhóm có mức quan ngại cao, cần nhấn mạnh tính minh bạch, an toàn dữ liệu và quyền kiểm soát; trong khi đối với nhóm có mức quan ngại thấp, có thể tập trung nhiều hơn vào tính thuận tiện và giá trị sử dụng của cá nhân hóa.

KẾT LUẬN

Nghiên cứu xây dựng và kiểm thử mô hình giải thích tác động của Cá nhân hóa bởi AI đến Trải nghiệm số và Niềm tin của người tiêu dùng thời trang trực tuyến; đồng thời xem xét vai trò điều tiết của Quan ngại quyền riêng tư. Kết quả trên dữ liệu mô phỏng cho thấy Cá nhân hóa bởi AI có tác động tích cực đến Trải nghiệm số và Niềm tin, trong khi Quan ngại quyền riêng tư làm suy yếu cả hai mối quan hệ này.

Kết quả nghiên cứu cho thấy, hiệu quả của cá nhân hóa không chỉ phụ thuộc vào độ chính xác và mức độ phù hợp của đề xuất mà còn chịu ảnh hưởng bởi cách người tiêu dùng đánh giá hoạt động thu thập và sử dụng dữ liệu. Do đó, doanh nghiệp cần tiếp cận cá nhân hóa bởi AI theo hướng cân bằng giữa giá trị trải nghiệm và bảo vệ quyền riêng tư. Việc nâng cao tính minh bạch, tăng quyền kiểm soát của người dùng và hạn chế thu thập dữ liệu không cần thiết có thể giúp duy trì niềm tin và bảo toàn lợi ích của cá nhân hóa.

Nghiên cứu vẫn tồn tại một số hạn chế. Thứ nhất, kết quả được xây dựng trên dữ liệu mô phỏng nên chưa thể khái quát cho hành vi của người tiêu dùng thực tế. Thứ hai, thiết kế cắt ngang dự kiến sử dụng trong giai đoạn khảo sát chỉ phản ánh mối liên hệ giữa các biến tại một thời điểm và chưa cho phép suy luận nhân quả một cách chặt chẽ. Thứ ba, mô hình hiện mới tập trung vào trải nghiệm số và niềm tin, chưa xem xét các kết quả hành vi tiếp theo như ý định mua lại, truyền miệng tích cực hoặc lòng trung thành thương hiệu.

Các nghiên cứu tiếp theo cần kiểm định mô hình bằng dữ liệu khảo sát thực địa với cỡ mẫu đủ lớn và mở rộng phạm vi nghiên cứu sang các địa phương hoặc nhóm ngành hàng khác. Việc áp dụng thiết kế nghiên cứu theo thời gian, nghiên cứu thực nghiệm hoặc kết hợp phương pháp định tính có thể giúp làm rõ hơn quan hệ nhân quả và cơ chế tâm lý của người tiêu dùng. Ngoài ra, mô hình nên được mở rộng bằng cách bổ sung các biến kết quả hành vi và kiểm định vai trò trung gian của trải nghiệm số hoặc niềm tin để hoàn thiện chuỗi tác động trong khung SOR.

Tài liệu tham khảo:

1. Adanyin, A. (2024). Ethical AI in retail: Consumer privacy and fairness. arXiv.

2. Dinev, T., & Hart, P. (2006). An extended privacy calculus model for e-commerce transactions. Information Systems Research, 17(1), 61-80. https://doi.org/10.1287/isre.1060.0080

3. Google, Temasek, & Bain & Company. (2025). e-Conomy SEA 2025: From digital decade to AI reality: Accelerating the future in ASEAN.

4. Hiệp hội Thương mại điện tử Việt Nam (VECOM) (2025). Báo cáo Chỉ số Thương mại điện tử Việt Nam 2025. https://vecom.vn/bao-cao-chi-so-thuong-mai-dien-tu-viet-nam-2025

5. Hiệp hội Thương mại điện tử Việt Nam (VECOM) (2026). Báo cáo Chỉ số Thương mại điện tử Việt Nam 2026. https://vecom.vn/bao-cao-chi-so-thuong-mai-dien-tu-viet-nam-2026

6. Jasim, K. M., Puthineedi, V. B., & Jha, A. K. (2026). AI-powered personalization in online fashion stores: Exploring the impact on shoppers' perceived risk and intention to buy and recommend. Information & Management, 63(4), 104347. https://doi.org/10.1016/j.im.2026.104347

7. Martin, K. D., Borah, A., & Palmatier, R. W. (2017). Data privacy: Effects on customer and firm performance. Journal of Marketing, 81(1), 36-58. https://doi.org/10.1509/jm.15.0497

8. McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334-359. https://doi.org/10.1287/isre.13.3.334.81

9. Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.

10. Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20-38. https://doi.org/10.1177/002224299405800302

11. Rose, S., Clark, M., Samouel, P., & Hair, N. (2012). Online customer experience in e-retailing: An empirical model of antecedents and outcomes. Journal of Retailing, 88(2), 308-322. https://doi.org/10.1016/j.jretai.2012.03.001

Ngày nhận bài: 18/7/2026; Ngày hoàn thiện biên tập: 20/8/2026; Ngày duyệt đăng: 28/8/2026