Ảnh hưởng của marketing dựa trên trí tuệ nhân tạo đến ý định tiếp tục sử dụng thương hiệu của khách hàng

Hoàng Lệ Chi

Email: [email protected]

Nguyễn Thị Xuân Trang

Trường Đại học Nguyễn Tất Thành; Email: [email protected]

Tóm tắt

Nghiên cứu phân tích ảnh hưởng của marketing dựa trên trí tuệ nhân tạo (AIDM) đến ý định tiếp tục sử dụng thương hiệu của khách hàng, thông qua vai trò trung gian của cảm nhận cá nhân hoá phù hợp, tính minh bạch, hưởng thụ và rủi ro quyền riêng tư. Dữ liệu khảo sát từ 379 người tiêu dùng tại TP. Hồ Chí Minh được xử lý bằng phương pháp mô hình hoá cấu trúc tuyến tính dựa trên hiệp phương sai. Kết quả cho thấy AIDM, làm gia tăng Cảm nhận cá nhân hoá phù hợp, Tính minh bạch và Hưởng thụ, qua đó tác động tích cực đến Ý định tiếp tục sử dụng thương hiệu; AIDM cũng làm tăng Cảm nhận rủi ro quyền riêng tư, nhưng yếu tố này không tác động có ý nghĩa đến Ý định tiếp tục sử dụng thương hiệu. Kết quả góp phần làm rõ phản ứng tâm lý của người tiêu dùng đối với AIDM và gợi ý doanh nghiệp cần cân bằng giữa cá nhân hoá, minh bạch, trải nghiệm cảm xúc và bảo vệ dữ liệu khách hàng.

Từ khoá: Marketing dựa trên AI, cá nhân hoá, rủi ro quyền riêng tư, ý định tiếp tục sử dụng thương hiệu

Abstract

This study analyzes the effects of artificial intelligence-driven marketing (AIDM) on customers’ intention to continue using a brand, through the mediating roles of perceived personalization fit, transparency, enjoyment, and privacy risk. Survey data from 379 consumers in Ho Chi Minh City were analyzed using covariance-based structural equation modeling (CB-SEM). The results show that AIDM increases perceived personalization fit, transparency, and enjoyment, thereby positively affecting brand continuance intention. AIDM also increases perceived privacy risk; however, this factor does not have a statistically significant effect on brand continuance intention. The findings contribute to clarifying consumers’ psychological responses to AIDM and suggest that firms need to balance personalization, transparency, emotional experience, and customer data protection.

Keywords: Artificial intelligence-driven marketing, personalization, privacy risk, brand continuance intention

ĐẶT VẤN ĐỀ

Trong bối cảnh Cách mạng công nghiệp lần thứ tư và kinh tế số, việc ứng dụng trí tuệ nhân tạo (AI) trong marketing ngày càng phổ biến và được xem là chiến lược quan trọng giúp doanh nghiệp nâng cao lợi thế cạnh tranh. Nhiều thương hiệu lớn đã dùng AI để phân tích dữ liệu khách hàng, đưa ra đề xuất cá nhân hoá và tự động hoá trải nghiệm, qua đó gia tăng sự gắn kết của khách hàng với thương hiệu (Poddar và Poddar, 2024).

Tại Việt Nam, thị trường marketing số phát triển nhanh cùng nhóm khách hàng trẻ, am hiểu công nghệ, nhưng doanh nghiệp vẫn đối mặt với thách thức về rủi ro quyền riêng tư, tính minh bạch thuật toán và khả năng duy trì gắn bó lâu dài của khách hàng với thương hiệu ứng dụng AI.

Trong bối cảnh đó, nghiên cứu ảnh hưởng của marketing dựa trên AI (AIDM) đến ý định tiếp tục sử dụng thương hiệu là cần thiết, qua đó đề xuất hàm ý giúp nhà quản trị marketing Việt Nam ứng dụng AI hiệu quả hơn trong các chương trình tiếp thị.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu này dựa trên khung lý thuyết Kích thích - Chủ thể - Phản ứng (S-O-R) của Mehrabian và Russell (1974), được ứng dụng rộng rãi trong lĩnh vực hành vi người tiêu dùng để lý giải quá trình tác động của kích thích bên ngoài đến phản ứng hành vi thông qua các yếu tố tâm lý bên trong. Trong bối cảnh marketing dựa trên AIDM, khung lý thuyết này giả định rằng các yếu tố kích thích từ môi trường tác động đến trạng thái nhận thức hoặc cảm xúc của cá nhân, từ đó dẫn đến hành vi hoặc ý định cụ thể.

Marketing dựa trên AI - nhân tố kích thích trong khung S-O-R

Sự phát triển của AI đã thay đổi căn bản cách thức doanh nghiệp triển khai hoạt động marketing. AI giúp doanh nghiệp hiểu rõ hành vi, nhu cầu, cảm xúc và xu hướng của khách hàng thông qua phân tích dữ liệu lớn, từ đó cung cấp thông điệp và trải nghiệm phù hợp hơn (Chatterjee và cộng sự, 2023). Marketing dựa trên AI được định nghĩa là việc sử dụng các thuật toán học máy, phân tích dữ liệu lớn và mô hình dự đoán để tự động hoá, tối ưu hoá và cá nhân hoá các hoạt động marketing (Chatterjee và cộng sự, 2023). Từ các nền tảng lý thuyết và nghiên cứu đi trước, có thể đúc kết 4 khía cạnh chính của marketing dựa trên AI: (i) Phân tích dự đoán, dựa trên dữ liệu lịch sử để dự đoán hành vi tiêu dùng, giúp người làm marketing đưa ra chiến lược phù hợp (Zhang và cộng sự, 2025); (ii) Tự động hoá nội dung, sử dụng AI để tạo ra hoặc tuỳ biến thông điệp marketing theo từng nhóm khách hàng (Masnita và cộng sự, 2024); (iii) Cá nhân hoá, xây dựng đề xuất, email hoặc quảng cáo phù hợp với sở thích cá nhân (Bleier và Eisenbeiss, 2015); và (iv) Chatbot cùng trợ lý ảo, giúp tăng khả năng tương tác, phản hồi tức thời và cải thiện trải nghiệm dịch vụ (Ngo và Nguyen, 2024).

Các biến trung gian tâm lý trong cơ chế nội tại của khung S-O-R

Những khía cạnh của marketing dựa trên AI trên chính là các tác nhân kích thích, tác động trực tiếp đến cảm nhận của khách hàng về thương hiệu, hình thành nên các đánh giá chủ quan như cảm nhận cá nhân hoá phù hợp, tính minh bạch, sự thích thú hoặc mối lo ngại. Khi vận hành AIDM, thương hiệu có thể kích hoạt các cơ chế phản ứng nội tại nơi người tiêu dùng thông qua những nhận thức sau:

Cảm nhận cá nhân hoá phù hợp: là mức độ mà người tiêu dùng cảm nhận các thông điệp, sản phẩm hoặc trải nghiệm thương hiệu được điều chỉnh phù hợp với nhu cầu và sở thích của họ (Bleier và Eisenbeiss, 2015). Theo Masnita và cộng sự (2024), AIDM làm tăng khả năng cá nhân hoá nhờ khả năng phân tích dữ liệu người dùng một cách chi tiết, từ đó cải thiện cảm nhận phù hợp và gắn kết của khách hàng.

Cảm nhận tính minh bạch: phản ánh mức độ người tiêu dùng hiểu được cách thức hoạt động, mục đích và nguồn dữ liệu của hệ thống AI (Rosenberger và cộng sự, 2024). Tính minh bạch chính là cơ chế tạo dựng niềm tin của người tiêu dùng đối với thương hiệu.

Cảm nhận hưởng thụ: là mức độ vui vẻ, thú vị hoặc thoả mãn cảm xúc mà người tiêu dùng nhận được khi tương tác với thương hiệu hoặc công nghệ (Venkatesh và Bala, 2008). Trong môi trường AIDM, yếu tố này xuất phát từ trải nghiệm công nghệ thông minh hoặc các đề xuất thú vị, làm tăng động lực duy trì sử dụng (Teepapal, 2025).

Cảm nhận rủi ro quyền riêng tư (PERR): được hiểu là mức độ lo ngại của khách hàng về khả năng dữ liệu cá nhân bị thu thập, lạm dụng hoặc tiết lộ ngoài ý muốn (Dinev và Hart, 2006). Trong môi trường AIDM, khi mức độ cá nhân hoá càng cao, cảm nhận lo ngại về quyền riêng tư càng có xu hướng gia tăng (Victor-Nyebuchi, 2025). Đây là yếu tố mang tính tiêu cực trong cơ chế nội tại, có thể làm suy giảm niềm tin và ý định tiếp tục sử dụng thương hiệu.

Ý định tiếp tục sử dụng thương hiệu - phản ứng hành vi trong khung S-O-R

Khái niệm ý định tiếp tục sử dụng bắt nguồn từ Mô hình kỳ vọng - xác nhận của Bhattacherjee (2001), mô tả ý định của người tiêu dùng tiếp tục sử dụng một sản phẩm hoặc dịch vụ dựa trên trải nghiệm trước đó. Đối với thương hiệu, ý định tiếp tục sử dụng thương hiệu phản ánh mong muốn của khách hàng được tiếp tục gắn bó, mua lại hoặc tương tác với thương hiệu (Ruangkanjanases và cộng sự, 2024). Trong bối cảnh AIDM, khi khách hàng cảm nhận sự cá nhân hoá phù hợp, tính minh bạch và sự thích thú, đồng thời ít lo ngại về quyền riêng tư, họ có xu hướng duy trì mối quan hệ với thương hiệu trong dài hạn.

Giả thuyết và mô hình nghiên cứu

Trên cơ sở tổng hợp các lý thuyết, nhóm tác giả đề xuất giả thuyết nghiên cứu như sau:

H1: Marketing dựa trên AI có ảnh hưởng tích cực đến Cảm nhận cá nhân hoá phù hợp của khách hàng.

H2: Cảm nhận cá nhân hoá phù hợp có ảnh hưởng tích cực đến Ý định tiếp tục sử dụng thương hiệu của khách hàng.

H3: Marketing dựa trên AI có ảnh hưởng tích cực đến Cảm nhận tính minh bạch của khách hàng.

H4: Cảm nhận tính minh bạch có ảnh hưởng tích cực đến Ý định tiếp tục sử dụng thương hiệu của khách hàng.

H5: Marketing dựa trên AI có ảnh hưởng tích cực đến Cảm nhận hưởng thụ của khách hàng.

H6: Cảm nhận hưởng thụ có ảnh hưởng tích cực đến Ý định tiếp tục sử dụng thương hiệu của khách hàng.

H7: Marketing dựa trên AI có ảnh hưởng thuận chiều đến Cảm nhận rủi ro quyền riêng tư của khách hàng.

H8: Cảm nhận rủi ro quyền riêng tư có ảnh hưởng nghịch chiều đến Ý định tiếp tục sử dụng thương hiệu của khách hàng.

Mô hình nghiên cứu được đề xuất như Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

PHƯƠNG PHÁP NGHIÊN CỨU

Để kiểm định thực nghiệm mô hình nghiên cứu, một nghiên cứu định lượng đã được triển khai thông qua bảng hỏi trực tuyến. Phương pháp chọn mẫu phi xác suất (thuận tiện) được áp dụng. Đối tượng khảo sát là những khách hàng đã từng mua sắm hoặc trải nghiệm sản phẩm, dịch vụ của các thương hiệu có ứng dụng AI trong hoạt động tiếp thị tại TP. Hồ Chí Minh. Đối tượng khảo sát được sàng lọc thông qua các câu hỏi như: người tiêu dùng đã từng trải nghiệm gợi ý mua hàng thông minh từ thương hiệu, đã tiếp xúc với chatbot thông minh, hoặc đã trải nghiệm sản phẩm/dịch vụ được tuỳ biến theo nhu cầu cá nhân.

Bảng hỏi khảo sát được thiết kế dựa trên các thang đo nêu trên. Nhóm tác giả đã gửi đi 400 phiếu khảo sát và thu về được 379 phiếu trả lời hợp lệ, đạt tỷ lệ phản hồi 94,75%.

Nghiên cứu sử dụng các phương pháp phân tích như: Đánh giá độ tin cậy thang đo bằng hệ số Cronbach's Alpha; mô hình đo lường được kiểm định bằng phân tích nhân tố khẳng định (CFA); mô hình lý thuyết và các kiểm định trung gian được thực hiện bằng phương pháp mô hình hoá cấu trúc tuyến tính dựa trên hiệp phương sai (CB-SEM), ước lượng hợp lý cực đại (ML); kiểm định vai trò trung gian được thực hiện bằng phương pháp Bootstrap với 2.000 lần lặp lại, sử dụng khoảng tin cậy hiệu chỉnh sai lệch ở độ tin cậy 95%.

KẾT QUẢ NGHIÊN CỨU

Kiểm định độ tin cậy thang đo bằng Cronbach's Alpha

Bảng 1: Kết quả kiểm định độ tin cậy thang đo

Nhân tố	Mã hoá	Cronbach's Alpha lần 1	Biến bị loại	Cronbach's Alpha lần 2	Số biến đưa vào CFA
Marketing dựa trên trí tuệ nhân tạo	AIDM	0,897	—	—	5
Cảm nhận cá nhân hoá phù hợp	PERF	0,914	—	—	5
Cảm nhận tính minh bạch	PERT	0,672	PERT2 (r biến tổng = 0,154)	0,841	3
Cảm nhận rủi ro quyền riêng tư	PERR	0,708	PERR4 (r biến tổng = 0,028)	0,873	3
Cảm nhận hưởng thụ	HEDE	0,898	—	—	4
Ý định tiếp tục sử dụng thương hiệu	CONI	0,929	—	—	3

Nguồn: Tính toán của nhóm tác giả từ dữ liệu khảo sát

Kết quả Bảng 1 cho thấy, ở lần kiểm định thứ nhất, các thang đo trong mô hình nghiên cứu đều đạt hệ số Cronbach's Alpha lớn hơn 0,7 và hệ số tương quan biến tổng của các biến quan sát đều lớn hơn 0,3, ngoại trừ 2 biến PERT2 (thuộc thang đo PERT) và PERR4 (thuộc thang đo PERR) có hệ số tương quan biến tổng nhỏ hơn 0,3, cho thấy 2 biến này có mối liên hệ rất thấp với khái niệm tiềm ẩn mà chúng đo lường. Do đó, nghiên cứu loại 2 biến này và thực hiện kiểm định Cronbach's Alpha lần 2. Kết quả cho thấy toàn bộ các thang đo đã đạt độ tin cậy cần thiết để tiếp tục đưa vào phân tích nhân tố khẳng định.

Phân tích nhân tố khẳng định (CFA)

Mô hình đo lường tới hạn (bao gồm toàn bộ 6 khái niệm nghiên cứu với các biến quan sát tương ứng) được kiểm định bằng phân tích nhân tố khẳng định. Kết quả cho thấy mô hình có 215 bậc tự do; Chi-square = 641,184 (p < 0,001); Chi-square/df = 2,982 (< 3); CFI = 0,933; TLI = 0,922 (đều xấp xỉ hoặc lớn hơn ngưỡng 0,90); GFI = 0,904; AGFI = 0,887; RMSEA = 0,072 (< 0,08). Các chỉ số này cho thấy mô hình đo lường phù hợp khá tốt với dữ liệu thị trường. Toàn bộ hệ số tải chuẩn hoá của các biến quan sát đều có ý nghĩa thống kê (p < 0,001) và dao động từ 0,663 đến 0,984, đều lớn hơn ngưỡng 0,5, cho thấy các biến quan sát đều phản ánh tốt khái niệm tiềm ẩn mà chúng đo lường (Bảng 2).

Bảng 2: Hệ số tải nhân tố, độ tin cậy tổng hợp (CR) và phương sai trích trung bình (AVE)

Nhân tố	Biến quan sát	Hệ số tải chuẩn hoá	CR	AVE	Căn bậc hai AVE
AIDM	AIDM2, AIDM3, AIDM4, AIDM5, AIDM6	0,663 - 0,894	0,899	0,643	0,802
PERF	PERF1, PERF2, PERF3, PERF4, PERF5	0,769 - 0,849	0,915	0,683	0,826
PERT	PERT1, PERT3, PERT4	0,767 - 0,848	0,843	0,641	0,801
PERR	PERR1, PERR2, PERR3	0,780 - 0,868	0,874	0,699	0,836
HEDE	HEDE1, HEDE2, HEDE3, HEDE4	0,748 - 0,895	0,899	0,691	0,831
CONI	CONI1, CONI2, CONI3	0,802 - 0,984	0,938	0,837	0,915

Nguồn: Tính toán của nhóm tác giả

Kết quả Bảng 2 cho thấy toàn bộ các khái niệm nghiên cứu đều đạt giá trị tin cậy tổng hợp (CR đều lớn hơn 0,7) và giá trị hội tụ (AVE đều lớn hơn 0,5).

Bảng 3: Kiểm định giá trị phân biệt (Fornell - Larcker)

	AIDM	PERF	PERT	PERR	HEDE	CONI
AIDM	0,802
PERF	0,450	0,826
PERT	0,365	0,402	0,801
PERR	0,336	0,372	0,572	0,836
HEDE	0,308	0,316	0,165	0,096	0,831
CONI	0,514	0,427	0,304	0,240	0,446	0,915

Nguồn: Tính toán của nhóm tác giả

Kết quả nghiên cứu Bảng 3 cho thấy, căn bậc hai của AVE của từng khái niệm (đường chéo) đều lớn hơn hệ số tương quan giữa khái niệm đó với các khái niệm còn lại trong mô hình. Điều này khẳng định mô hình đo lường đạt giá trị phân biệt theo tiêu chuẩn Fornell - Larcker.

Kiểm định mô hình lý thuyết bằng mô hình cấu trúc tuyến tính (SEM)

Bảng 4: Kết quả kiểm định mô hình cấu trúc (hệ số hồi quy chuẩn hoá)

Giả thuyết	Đường dẫn	β (chuẩn hoá)	Sai số chuẩn	p	Kết luận
H1	AIDM → PERF	0,478	0,055	< 0,001	Ủng hộ
H3	AIDM → PERT	0,399	0,043	< 0,001	Ủng hộ
H7	AIDM → PERR	0,363	0,051	< 0,001	Ủng hộ
H5	AIDM → HEDE	0,327	0,061	< 0,001	Ủng hộ
H2	PERF → CONI	0,272	0,068	< 0,001	Ủng hộ
H4	PERT → CONI	0,129	0,095	0,011	Ủng hộ
H8	PERR → CONI	0,058	0,075	0,239	Không ủng hộ
H6	HEDE → CONI	0,349	0,064	< 0,001	Ủng hộ

Nguồn: Tính toán của nhóm tác giả

Mô hình cấu trúc có 222 bậc tự do; Chi-square = 794,436 (p < 0,001); Chi-square/df = 3,579; CFI = 0,911; TLI = 0,898; GFI = 0,881; AGFI = 0,864; RMSEA = 0,083. Các chỉ số CFI, GFI đạt ngưỡng chấp nhận được, riêng TLI và RMSEA nằm sát ranh giới ngưỡng khuyến nghị (TLI ≈ 0,90; RMSEA hơi vượt 0,08), cho thấy mô hình phù hợp với dữ liệu ở mức chấp nhận được, không phải mức xuất sắc.

Kết quả Bảng 4 cho thấy, 7 trong 8 giả thuyết nghiên cứu được ủng hộ ở độ tin cậy 95%. Riêng giả thuyết H8, phản ánh mối quan hệ giữa Cảm nhận rủi ro quyền riêng tư và Ý định tiếp tục sử dụng thương hiệu có p = 0,239 > 0,05, do đó không được chấp nhận.

Hệ số R² của CONI trong mô hình đạt 0,283, cho thấy các biến độc lập và trung gian trong mô hình giải thích được 28,3% biến thiên của Ý định tiếp tục sử dụng thương hiệu của người tiêu dùng.

Kiểm định vai trò trung gian bằng phương pháp Bootstrap

Vai trò trung gian của 4 nhân tố tâm lý (PERF, PERT, PERR, HEDE) trong mối quan hệ giữa AIDM và CONI được kiểm định bằng phương pháp Bootstrap với 2.000 mẫu lặp lại, sử dụng khoảng tin cậy hiệu chỉnh sai lệch (bias-corrected) ở độ tin cậy 95%. Một hiệu ứng gián tiếp được xem là có ý nghĩa thống kê khi khoảng tin cậy 95% của hiệu ứng đó không chứa giá trị 0.

Bảng 5: Kết quả kiểm định vai trò trung gian (Bootstrap, 2.000 lần lặp)

Cơ chế trung gian	A	b	Hiệu ứng gián tiếp (a×b)	Khoảng tin cậy 95% (BC)	Kết luận
AIDM → PERF → CONI	0,478***	0,272***	0,130	[0,074 ; 0,198]	Trung gian được xác nhận
AIDM → PERT → CONI	0,399***	0,129*	0,051	[-0,001 ; 0,120]	Chưa đủ cơ sở khẳng định
AIDM → PERR → CONI	0,363***	0,058 (ns)	0,021	[-0,019 ; 0,073]	Không được xác nhận
AIDM → HEDE → CONI	0,327***	0,349***	0,114	[0,061 ; 0,182]	Trung gian được xác nhận
Tổng hiệu ứng gián tiếp			0,316

Ghi chú: *** p < 0,001; * p < 0,05; ns: không có ý nghĩa thống kê. (a) là hệ số hồi quy chuẩn hoá của đường dẫn AIDM → biến trung gian; (b) là hệ số hồi quy chuẩn hoá của đường dẫn biến trung gian → CONI)

Nguồn: Tính toán của nhóm tác giả

Kết quả Bảng 5 cho thấy, 2 cơ chế trung gian AIDM → PERF → CONI và AIDM → HEDE → CONI có khoảng tin cậy 95% hoàn toàn dương, không chứa giá trị 0, do đó vai trò trung gian của PERF và HEDE trong mối quan hệ giữa AIDM và CONI được xác nhận rõ ràng.

Đối với cơ chế AIDM → PERT → CONI, mặc dù đường dẫn PERT → CONI có ý nghĩa thống kê khi xét riêng lẻ trong mô hình cấu trúc (β = 0,129; p = 0,011), khoảng tin cậy Bootstrap của hiệu ứng gián tiếp lại nằm sát ranh giới và chạm giá trị 0 (từ 0,001đến 0,120). Điều này có nghĩa là vai trò trung gian của Cảm nhận tính minh bạch trong mối quan hệ giữa AIDM và CONI chưa có đủ cơ sở thống kê để khẳng định chắc chắn, dù tác động trực tiếp của PERT lên CONI (giả thuyết H4) vẫn được ủng hộ.

Riêng cơ chế AIDM → PERR → CONI có khoảng tin cậy chứa giá trị 0 (từ -0,019 đến 0,073), do đó vai trò trung gian của Cảm nhận rủi ro quyền riêng tư không được xác nhận, kết quả này nhất quán với việc giả thuyết H8 không được ủng hộ.

Như vậy, trong 4 nhân tố tâm lý thuộc cơ chế nội tại của khung S-O-R, Cảm nhận cá nhân hoá phù hợp và Cảm nhận hưởng thụ đóng vai trò trung gian rõ ràng và vững chắc trong mối quan hệ giữa Marketing dựa trên AI và Ý định tiếp tục sử dụng thương hiệu; vai trò của Cảm nhận tính minh bạch mang tính gợi mở nhưng cần thêm bằng chứng để khẳng định chắc chắn; còn Cảm nhận rủi ro quyền riêng tư không thể hiện vai trò trung gian trong dữ liệu nghiên cứu này.

Thảo luận

Kết quả nghiên cứu cho thấy, AIDM tác động đến Ý định tiếp tục sử dụng thương hiệu chủ yếu qua con đường gián tiếp, thông qua các trạng thái tâm lý mà nó tạo ra ở người tiêu dùng, đúng như logic của khung S-O-R. Trong đó, Cá nhân hoá phù hợp và Hưởng thụ nổi lên là 2 cơ chế trung gian vững chắc nhất, củng cố quan điểm rằng giá trị của AI trong marketing không chỉ nằm ở việc “làm đúng” mà còn ở việc tạo ra trải nghiệm dễ chịu, mang tính cảm xúc (Childers và cộng sự, 2001; Huang và Rust, 2021).

Phát hiện đáng chú ý nhất là vai trò của Tính minh bạch, dù có tác động trực tiếp đến Ý định tiếp tục sử dụng thương hiệu, nhưng lại không thể hiện rõ vai trò trung gian khi kiểm định chặt chẽ bằng Bootstrap. Điều này gợi ý Tính minh bạch có thể vận hành như một “điều kiện nền” (yếu tố cần để khách hàng an tâm) hơn là một kênh truyền dẫn chủ động thúc đẩy hành vi, một sắc thái mà các nghiên cứu trước, vốn thường mặc định minh bạch là biến trung gian, chưa phân biệt rõ.

Kết quả về Rủi ro quyền riêng tư cũng phản ánh một nghịch lý quen thuộc trong tài liệu về công nghệ và niềm tin. Người tiêu dùng có thể ý thức được rủi ro nhưng vẫn ưu tiên lợi ích trải nghiệm tức thời hơn, hành vi này gần với “nghịch lý quyền riêng tư” đã được ghi nhận ở các bối cảnh công nghệ khác (Dinev và Hart, 2006), cho thấy nhận thức về rủi ro không tự động chuyển thành hành vi né tránh.

Nhìn chung, đóng góp chính của nghiên cứu là làm rõ rằng, không phải mọi trạng thái tâm lý do AI tạo ra đều có trọng số như nhau trong việc giữ chân khách hàng, yếu tố cảm xúc và trải nghiệm có sức nặng lớn hơn các yếu tố nhận thức thuần tuý như minh bạch hay rủi ro, ít nhất trong bối cảnh thị trường Việt Nam.

HÀM Ý QUẢN TRỊ

Phát hiện quan trọng nhất của nghiên cứu đó là Cá nhân hoá và Hưởng thụ là 2 trung gian vững chắc, còn Minh bạch chỉ là điều kiện nền chứ không phải kênh thúc đẩy, gợi ý một cách phân bổ nguồn lực khác với thực hành phổ biến hiện nay của nhiều doanh nghiệp, vốn thường dồn ngân sách cho việc quảng bá tính minh bạch của công nghệ AI như một điểm khác biệt cạnh tranh. Kết quả này cho thấy nỗ lực đó dễ đạt điểm bão hoà nhanh khi minh bạch giúp khách hàng không rời bỏ, nhưng không thực sự khiến họ chọn gắn bó lâu dài. Ngân sách cận biên nên dịch chuyển về 2 hướng có tác động lớn hơn, cá nhân hoá và trải nghiệm cảm xúc.

Với Cá nhân hoá, hàm ý không dừng ở việc “đầu tư hệ thống đề xuất” một cách chung chung, mà nằm ở việc lựa chọn đúng mức độ cá nhân hoá. Vì cá nhân hoá càng sâu thì rủi ro quyền riêng tư cảm nhận cũng tăng theo, doanh nghiệp đang vận hành trên một đường cong đánh đổi, đẩy cá nhân hoá quá xa có thể đồng thời kích hoạt lo ngại quyền riêng tư ở một bộ phận khách hàng nhạy cảm hơn mức trung bình của mẫu nghiên cứu này, ngay cả khi tác động trung bình của rủi ro lên ý định tiếp tục sử dụng chưa rõ ràng. Điều này gợi ý nên phân khúc mức độ cá nhân hoá theo khẩu vị rủi ro của từng nhóm khách hàng, thay vì áp một chuẩn cá nhân hoá tối đa cho toàn bộ tệp khách hàng.

Với Minh bạch, chiến lược hợp lý là duy trì ở mức “đủ để không mất niềm tin” thay vì cố gắng tối đa hoá nó như một lợi thế cạnh tranh riêng biệt. Cụ thể, minh bạch nên được thiết kế như một lớp thông tin nền tảng, luôn sẵn có khi khách hàng cần tra cứu, thay vì trở thành nội dung truyền thông chủ đạo.

Với Rủi ro quyền riêng tư, việc hệ số tác động lên Ý định tiếp tục sử dụng không có ý nghĩa thống kê không nên bị hiểu là “khách hàng không quan tâm quyền riêng tư”, mà chính xác hơn là nhận thức rủi ro chưa đủ mạnh để thắng được lợi ích trải nghiệm, một trạng thái cân bằng có thể đảo chiều bất kỳ lúc nào, đặc biệt sau một sự cố rò rỉ dữ liệu hoặc khi khung pháp lý bảo vệ dữ liệu tại Việt Nam siết chặt hơn. Do đó, đầu tư vào bảo vệ dữ liệu nên được nhìn nhận như một khoản chi phí phòng ngừa rủi ro danh tiếng và pháp lý dài hạn, tách biệt hoàn toàn khỏi bài toán tối ưu hoá ý định tiếp tục sử dụng thương hiệu trong ngắn hạn, 2 mục tiêu này không nên bị đánh đổi lẫn nhau khi phân bổ ngân sách.

Cuối cùng, vì Hưởng thụ là trung gian có trọng số cao nhất, doanh nghiệp có một cơ hội thường bị bỏ qua, do đó thiết kế lại chính giao diện và tương tác AI (chatbot, hệ thống gợi ý) như một trải nghiệm mang tính giải trí, chứ không chỉ như một công cụ xử lý tác vụ hiệu quả. Đây là hướng đi khác với xu hướng phổ biến hiện nay là tối ưu AI theo hướng “nhanh và chính xác”, trong khi dữ liệu cho thấy yếu tố cảm xúc mới là đòn bẩy mạnh nhất để giữ chân khách hàng.

Tài liệu tham khảo:

1. Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351-370. https://doi.org/10.2307/3250921

2. Bleier, A., & Eisenbeiss, M. (2015). The importance of personalization in online advertising: A field experiment. Journal of Marketing Research, 52(1), 86-101. https://doi.org/10.1509/jmr.13.0209

3. Chatterjee, S., Rana, N. P., & Sharma, A. (2023). Artificial intelligence in marketing: A bibliometric and thematic analysis. Journal of Business Research, 162, 113784. https://doi.org/10.1016/j.jbusres.2023.113784

4. Childers, T. L., Carr, C. L., Peck, J., & Carson, S. (2001). Hedonic and utilitarian motivations for online retail shopping behavior. Journal of Retailing, 77(4), 511-535.

5. 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

6. Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30-50.

7. Masnita, Y., Ali, J. K., Zahra, A., Wilson, N., & Murwonugroho, W. (2024). Artificial intelligence in marketing: A systematic literature review and future research agenda. Journal of System and Management Sciences, 14(1), 120-140. https://doi.org/10.33168/JSMS.2024.0108

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

9. Ngo, T. T. A., & Nguyen, P. T. (2024). Understanding continuance intention toward the use of AI chatbots in customer service among Generation Z in Vietnam. Journal of Asian Business and Economic Studies. https://www.researchgate.net/publication/395005309

10. Poddar, A., & Poddar, S. (2024). Artificial intelligence in marketing: A systematic literature review and future research agenda. Journal of Global Marketing, 37(1), 45-63. https://doi.org/10.1080/08911762.2023.2297811

11. Rosenberger, M., Maier, C., & Benlian, A. (2024). The impact of transparency in AI systems on users' data-sharing intentions: A scenario-based experiment. Computers in Human Behavior, 155, 108131. https://doi.org/10.1016/j.chb.2024.108131

12. Ruangkanjanases, A., Chaiyasoonthorn, W., & Chaveesuk, S. (2024). Exploring the antecedents of customers' continuance intention to use AI-driven retail applications. Sustainability, 16(3), 1452. https://doi.org/10.3390/su16031452

13. Teepapal, N. (2025). AI-driven personalization and social media engagement: The moderating role of perceived authenticity. Computers in Human Behavior, 156, 108345. https://doi.org/10.1016/j.chb.2025.108345

14. Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273-315. https://doi.org/10.1111/j.1540-5915.2008.00192.x

15. Victor-Nyebuchi, C. (2025). Personalization and privacy paradox in AI marketing: The mediating role of trust. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5385173

16. Zhang, Y., Li, J., & Kang, H. (2025). The effect of perceived interactivity on continuance intention to use AI conversational agents: A two-stage hybrid PLS-ANN approach. Journal of Theoretical and Applied Electronic Commerce Research, 20(4), 255. https://doi.org/10.3390/jtaer20040255

Ngày nhận bài: 30/7/2026; Ngày hoàn thiện biên tập: 15/9/2026; Ngày duyệt đăng: 25/9/2026