Ảnh hưởng của trải nghiệm tương tác với trợ lý mua sắm ứng dụng GenAI đến ý định mua hàng lặp lại của Gen Z trên các sàn thương mại điện tử tại Việt Nam
Trần Minh San; Email: [email protected]
Nguyễn Ngọc Tú (Tác giả liên hệ)
Email: [email protected]
Nguyễn Đình Tân; Email: [email protected]
Trần Đình Kiên; Email: [email protected]
Sinh viên, Đại học Kinh tế Thành phố Hồ Chí Minh
Tóm tắt
Nghiên cứu đánh giá trải nghiệm trợ lý mua sắm trí tuệ nhân tạo tạo sinh (GenAI) tác động đến ý định mua hàng lặp lại của Gen Z trên các sàn thương mại điện tử Việt Nam. Phương pháp hỗn hợp được áp dụng gồm định tính và định lượng qua khảo sát 280 người dùng, phân tích bằng Cronbach’s Alpha, EFA, Pearson và hồi quy bội. Kết quả cho thấy, mô hình 5 yếu tố giải thích 22% biến thiên của Ý định mua lặp lại. Bốn yếu tố tác động tích cực theo hệ số Beta giảm dần gồm: Trải nghiệm tương tác, Cá nhân hóa, Niềm tin và Dễ sử dụng; Nhận thức hữu ích không mang ý nghĩa thống kê; đồng thời không phát hiện khác biệt về ý định mua theo nhân khẩu học. Từ đó, nghiên cứu đưa ra hàm ý quản trị cho các sàn thương mại điện tử và chính sách minh bạch thuật toán, bảo vệ dữ liệu.
Từ khóa: GenAI, trải nghiệm tương tác, ý định mua hàng lặp lại, Gen Z, thương mại điện tử
Abstract
This study examines the impact of generative artificial intelligence (GenAI) shopping assistant experiences on Gen Z consumers’ repurchase intention on e-commerce platforms in Viet Nam. A mixed-methods approach combining qualitative and quantitative methods was employed, including a survey of 280 users. The data were analyzed using Cronbach’s Alpha reliability testing, exploratory factor analysis (EFA), Pearson correlation analysis, and multiple regression. The results indicate that the five-factor model explains 22% of the variance in repurchase intention. Four factors have positive effects, ranked by descending standardized beta coefficients: Interactive Experience, Personalization, Trust, and Ease of Use. Perceived Usefulness is not statistically significant. Furthermore, no demographic differences in repurchase intention were identified. Based on these findings, the study proposes managerial implications for e-commerce platforms and policy recommendations on algorithmic transparency and data protection.
Keywords: GenAI, interactive experience, repurchase intention, Gen Z, e-commerce
GIỚI THIỆU
Chuyển đổi số và AI đang tái định hình thương mại điện tử (TMĐT) Việt Nam - thị trường dự kiến đạt 31-32 tỷ USD vào năm 2025 (Metric.vn, 2025; Hiệp hội Thương mại điện tử Việt Nam, 2025). Giai đoạn 2026-2030, ngành chuyển dịch mạnh sang minh bạch, chuyên nghiệp hóa và ứng dụng công nghệ sâu rộng (Ngọc Châm, 2026). Trong bối cảnh đó, Gen Z - nhóm tiếp cận sớm các công nghệ mới nhưng cũng dễ rời bỏ nền tảng nếu trải nghiệm không đạt kỳ vọng - là lực lượng tiêu dùng số nòng cốt.
Sự xuất hiện của trợ lý mua sắm GenAI tạo ra bối cảnh tương tác khác biệt hoàn toàn so với chatbot quy tắc truyền thống (Cheng và cộng sự, 2023). Với khả năng phản hồi bằng ngôn ngữ tự nhiên, duy trì ngữ cảnh hội thoại nhiều lượt và cá nhân hóa tư vấn theo thời gian thực, GenAI biến trải nghiệm tương tác thành yếu tố then chốt thúc đẩy niềm tin và ý định tiếp tục mua sắm. Do đó, các mô hình lý thuyết truyền thống như TAM dần bộc lộ hạn chế khi giải thích hành vi người dùng đối với thế hệ AI mới này.
Tuy nhiên, hiệu lực của các yếu tố từ nghiên cứu chatbot truyền thống chưa chắc được duy trì trong môi trường GenAI. Dù GenAI gia tăng cảm nhận hữu ích, công nghệ này chưa giúp cải thiện đáng kể niềm tin và vẫn làm gia tăng lo ngại về riêng tư. Bên cạnh đó, tác động của cá nhân hóa và trải nghiệm tương tác đến ý định mua hàng lặp lại vẫn chưa được làm rõ. Tại Việt Nam, nghiên cứu về Gen Z chủ yếu xoay quanh mua sắm qua livestream, bỏ ngỏ mảng trợ lý AI dạng hội thoại (Duong và Ta, 2024; Phạm và Nguyễn, 2026). Do đó, nghiên cứu này được thực hiện nhằm kiểm định ảnh hưởng của 5 yếu tố: Cá nhân hóa, Nhận thức hữu ích, Nhận thức dễ sử dụng, Niềm tin và Trải nghiệm tương tác đến Ý định mua hàng lặp lại của Gen Z khi dùng trợ lý GenAI trên các sàn TMĐT tại Việt Nam.
Nghiên cứu giải quyết 3 câu hỏi: các yếu tố tác động là gì? mức độ ảnh hưởng ra sao? và hàm ý điều chỉnh cần thiết cho doanh nghiệp cùng cơ quan quản lý? Về mặt học thuật, nghiên cứu bổ sung bằng chứng thực nghiệm về hành vi tiêu dùng công nghệ mới tại một thị trường mới nổi. Về thực tiễn, kết quả giúp các doanh nghiệp tối ưu hóa đầu tư vào sản phẩm số, đồng thời đóng góp cơ sở dữ liệu quan trọng cho các chính sách về bảo vệ dữ liệu cá nhân và minh bạch thuật toán.
CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT NGHIÊN CỨU
Khái niệm và lý thuyết nền
Cá nhân hóa bằng AI (AIP) là mức độ trợ lý điều chỉnh nội dung, gợi ý và ưu đãi theo dữ liệu hành vi, lịch sử mua sắm và sở thích của từng người dùng. Nhận thức hữu ích (PU) và nhận thức dễ sử dụng (PEU) là mức độ người dùng tin rằng công nghệ nâng cao hiệu quả thực hiện nhiệm vụ và không đòi hỏi nhiều nỗ lực (Davis, 1989). Niềm tin vào trợ lý AI (TR) là sự sẵn lòng chấp nhận tính dễ bị tổn thương dựa trên kỳ vọng tích cực về năng lực và độ tin cậy của hệ thống. Trải nghiệm tương tác (IE) là mức độ người dùng cảm nhận việc trao đổi với trợ lý là liền mạch, tự nhiên và có ý nghĩa, gồm tốc độ phản hồi, khả năng hiểu đúng ý, tính linh hoạt và quyền kiểm soát hội thoại. Ý định mua hàng lặp lại (RI) là khả năng khách hàng tiếp tục chọn một nền tảng cho các lần mua sau, dựa trên sự hài lòng và trải nghiệm tích lũy (Oliver, 1980).
Nghiên cứu sử dụng Mô hình chấp nhận công nghệ (TAM) và Lý thuyết xác nhận kỳ vọng (ECT) làm nền tảng lý thuyết chính. Mô hình TAM (Davis, 1989) cho rằng, nhận thức hữu ích và nhận thức dễ sử dụng là 2 yếu tố cốt lõi trong việc người dùng tiếp nhận công nghệ, và là cơ sở của 2 biến PU và PEU. Lý thuyết ECT (Oliver, 1980) cho rằng, ý định tiếp tục của khách hàng hình thành từ việc so sánh giữa kỳ vọng ban đầu và trải nghiệm thực tế. Trong nghiên cứu này, ECT được dùng làm cơ sở để xác định biến phụ thuộc là ý định mua hàng lặp lại, tức ý định tiếp tục chọn nền tảng sau khi đã trải nghiệm trợ lý AI. Hai nền tảng này giải thích các khía cạnh khác nhau: TAM giải thích việc tiếp nhận công nghệ, còn ECT giải thích việc tiếp tục sử dụng sau trải nghiệm.
Trợ lý mua sắm GenAI tương tác với người dùng bằng ngôn ngữ tự nhiên, trao đổi nhiều lượt và phản hồi theo ngữ cảnh (Arce-Urriza và cộng sự, 2025). Vì vậy, nghiên cứu sử dụng thêm CASA và SRAM để giải thích vai trò của trải nghiệm tương tác và niềm tin. CASA (Nass và Moon, 2000) cho rằng người dùng áp dụng các chuẩn mực xã hội vào tương tác với máy; SRAM (Arce-Urriza và cộng sự, 2025) bổ sung 2 yếu tố là tính giống người và sự quen thuộc của chatbot. Trên cơ sở đó, nghiên cứu xem xét đồng thời các yếu tố nhận thức công nghệ, cá nhân hóa, niềm tin và trải nghiệm tương tác trong một mô hình tác động trực tiếp đến ý định mua hàng lặp lại.
Biến cá nhân hóa (AIP) không có lý thuyết nền riêng và được xây dựng dựa trên bằng chứng thực nghiệm (Liu và Tao, 2022).
Giả thuyết và mô hình nghiên cứu
Dựa trên các lý thuyết và nghiên cứu thực nghiệm, mô hình đề xuất gồm 5 yếu tố tác động đến Ý định mua hàng lặp lại. Cá nhân hóa giúp nâng cao mức độ phù hợp của gợi ý và giảm chi phí tìm kiếm (Liu và Tao, 2022). Theo TAM, Nhận thức hữu ích và Nhận thức dễ sử dụng giúp nâng cao hiệu quả và giảm nỗ lực khi sử dụng công nghệ (Davis, 1989). Niềm tin được củng cố thông qua chất lượng phản hồi và độ tin cậy của hệ thống (Chakraborty và cộng sự, 2024). Trong khi đó, Trải nghiệm tương tác thể hiện khả năng giao tiếp tự nhiên, linh hoạt và liền mạch, góp phần nâng cao sự gắn kết với nền tảng (Chong và cộng sự, 2021). Các giả thuyết nghiên cứu sau được đề xuất:
H1: Trải nghiệm cá nhân hóa từ trợ lý AI tác động dương đến Ý định mua hàng lặp lại.
H2: Nhận thức hữu ích tác động dương đến Ý định mua hàng lặp lại.
H3: Nhận thức dễ sử dụng tác động dương đến Ý định mua hàng lặp lại.
H4: Niềm tin vào trợ lý AI tác động dương đến Ý định mua hàng lặp lại.
H5: Trải nghiệm tương tác tác động dương đến Ý định mua hàng lặp lại.
Hình: Mô hình nghiên cứu đề xuất
![]() |
Nguồn: Nhóm tác giả đề xuất
PHƯƠNG PHÁP NGHIÊN CỨU
Thiết kế nghiên cứu và thang đo
Nghiên cứu sử dụng phương pháp hỗn hợp. Giai đoạn định tính gồm thảo luận nhóm với 8 sinh viên Gen Z có kinh nghiệm dùng trợ lý AI khi mua sắm, cùng tham vấn 1 giảng viên về logistics, nhằm hiệu chỉnh từ ngữ và kiểm tra giá trị nội dung. Sau khảo sát thử nghiệm với 30 phản hồi để kiểm tra sơ bộ độ tin cậy, bảng câu hỏi chính thức được hoàn thiện.
Quy trình gồm 9 bước: xác định vấn đề từ tổng quan tài liệu; xây dựng mô hình và thang đo nháp; thảo luận nhóm định tính; khảo sát thử nghiệm; hiệu chỉnh bảng câu hỏi; khảo sát chính thức; làm sạch dữ liệu; phân tích bằng SPSS; thảo luận kết quả và đề xuất hàm ý.
Sáu khái niệm được đo bằng thang Likert 5 mức (1 = hoàn toàn không đồng ý, 5 = hoàn toàn đồng ý) với 24 biến quan sát (Bảng 1). Thang đo gốc tiếng Anh được dịch sang tiếng Việt, dịch ngược độc lập để đối chiếu, rồi hiệu chỉnh cho bối cảnh trợ lý GenAI thay vì chatbot rule-based và cho văn phong của Gen Z Việt Nam.
Bảng 1: Thang đo nghiên cứu
| Khái niệm | Ký hiệu | Số biến | Nội dung đo lường và cơ sở xây dựng |
|---|---|---|---|
| Trải nghiệm cá nhân hóa từ trợ lý AI | AIP | 4 | Mức độ phù hợp, đúng của gợi ý và ưu đãi, hiểu nhu cầu, tiết kiệm thời gian tìm kiếm |
| Nhận thức hữu ích | PU | 4 | Davis (1989); đối tượng đo được chuyển từ hệ thống thông tin sang trợ lý AI |
| Nhận thức dễ sử dụng | PEU | 4 | Davis (1989); đối tượng đo được chuyển sang trợ lý AI và tính năng AI |
| Niềm tin vào trợ lý AI | TR | 4 | Năng lực (TR1, TR3), tính chính trực (TR4), bảo mật dữ liệu (TR2) |
| Trải nghiệm tương tác | IE | 4 | Sự thích thú (IE1), tương tác đa phương thức hình ảnh/giọng nói (IE2), tính liền mạch (IE3), mức thu hút (IE4) |
| Ý định mua hàng lặp lại | RI | 4 | Oliver (1980); mua lại và ưu tiên sàn (RI1, RI2), giới thiệu (RI3), tiếp tục dùng tính năng AI (RI4) |
Nguồn: Nhóm tác giả thu thập và nghiên cứu
Mẫu và thu thập dữ liệu
Mẫu được chọn theo phương pháp thuận tiện kết hợp quả cầu tuyết. Đối tượng là người tiêu dùng Gen Z tại TP. Hồ Chí Minh đã từng dùng trợ lý AI trên sàn TMĐT. Cỡ mẫu tối thiểu là 120 theo quy tắc 5 quan sát cho mỗi biến của EFA với 24 biến (Hair và cộng sự, 2010) và 90 theo công thức 50 + 8m cho hồi quy bội với m = 5 biến độc lập (Tabachnick và Fidell, 2013).
Nghiên cứu định tính sơ bộ thông qua thảo luận nhóm với 8 sinh viên Gen Z (4 nam, 4 nữ) đã từng sử dụng trợ lý mua sắm AI trên Shopee/TikTok Shop/Lazada. Thảo luận về trải nghiệm với trợ lý AI, kết hợp rà soát và đóng góp ý kiến cho bảng câu hỏi nháp để hiệu chỉnh từ ngữ, đảm bảo tính rõ ràng và phù hợp văn hóa của các phát biểu. Hiệu chỉnh các gọi “AI” thành trợ lý AI hoặc “Trợ lý mua sắm AI” để tránh nhầm lẫn với các công cụ AI khác.
Phương pháp phân tích dữ liệu
Dữ liệu được xử lý bằng SPSS. Độ tin cậy được đánh giá bằng Cronbach’s Alpha ≥ 0,6 và tương quan biến - tổng ≥ 0,3 (Nunnally và Bernstein, 1994). EFA được chấp nhận khi 0,5 ≤ KMO ≤ 1, kiểm định Bartlett có p < 0,05, hệ số tải ≥ 0,5, tổng phương sai trích ≥ 50% và không có tải chéo đáng kể (Hair và cộng sự, 2010). Tương quan Pearson được dùng để sàng lọc quan hệ giữa các biến. Hồi quy tuyến tính bội ước lượng mô hình RI = β0 + β1AIP + β2PU + β3PEU + β4TR + β5IE + ε, với các chỉ số R² hiệu chỉnh, kiểm định F, hệ số Beta chuẩn hóa, VIF (ngưỡng < 2) và Durbin-Watson. Khác biệt theo nhân khẩu học được kiểm định bằng t-test độc lập (giới tính) và ANOVA một yếu tố (độ tuổi, năm học, sàn TMĐT, tần suất mua sắm), kèm kiểm định Levene.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Đặc điểm mẫu và thống kê mô tả
Mẫu gồm 280 phiếu hợp lệ. Nữ chiếm 58,2% (163) và nam 41,8% (117); nhóm 21-23 tuổi chiếm 51,8%, nhóm 18-20 tuổi 32,5% và nhóm trên 23 tuổi 15,7%; sinh viên từ năm 1 đến năm 4 phân bố tương đối đều (20,7-28,2%). Shopee (40,7%) và TikTok Shop (34,3%) là 2 sàn được dùng nhiều nhất, tiếp theo là Lazada (17,5%) và các sàn khác (7,5%); 69,6% mua sắm từ 3 lần/tháng trở lên, cho thấy mức gắn kết với TMĐT cao, phù hợp với mục tiêu đo lường ý định mua lặp lại.
Giá trị trung bình của 24 biến quan sát dao động từ 3,26 đến 3,74 (độ lệch chuẩn 0,81-0,97): cao nhất là PEU2 (thao tác không đòi hỏi nhiều nỗ lực, 3,74) và RI1 (tiếp tục mua sắm trên sàn, 3,65), thấp nhất là PEU3 (nhanh chóng thành thạo tính năng AI mới, 3,26). Nhóm biến niềm tin (3,44-3,54) ở mức trung bình khá, cho thấy Gen Z còn thận trọng với trợ lý AI.
Độ tin cậy thang đo và phân tích nhân tố khám phá
Cả 6 thang đo đạt độ tin cậy tốt (Cronbach’s Alpha 0,796-0,823; tương quan biến - tổng 0,587-0,678) và không có biến nào bị loại (Bảng 2). EFA trên 20 biến của năm biến độc lập cho KMO = 0,794 và kiểm định Bartlett có χ²(190) = 1.981,752, p < 0,001. Năm nhân tố có eigenvalue > 1 (4,298; 2,721; 2,271; 1,883; 1,759; nhân tố thứ sáu là 0,677) giải thích 64,66% biến thiên, tương ứng đúng 5 khái niệm lý thuyết; hệ số tải từ 0,746 đến 0,831 và không có tải chéo lớn hơn 0,3. Thang đo vì vậy đạt giá trị hội tụ và phân biệt.
Bảng 2: Thống kê mô tả, độ tin cậy và hệ số tải nhân tố của các thang đo
| Khái niệm | Số biến | Trung bình (khoảng) | SD (khoảng) | Cronbach’s Alpha | Hệ số tải |
|---|---|---|---|---|---|
| AIP | 4 | 3,42-3,48 | 0,87-0,89 | 0,818 | 0,779-0,806 |
| PU | 4 | 3,31-3,58 | 0,85-0,92 | 0,817 | 0,767-0,808 |
| PEU | 4 | 3,26-3,74 | 0,81-0,90 | 0,796 | 0,746-0,808 |
| TR | 4 | 3,44-3,54 | 0,85-0,88 | 0,807 | 0,769-0,819 |
| IE | 4 | 3,29-3,47 | 0,91-0,97 | 0,818 | 0,755-0,831 |
| RI | 4 | 3,34-3,65 | 0,86-0,91 | 0,823 | - |
Ghi chú: n = 280; thang Likert 5 mức. RI chỉ được kiểm định độ tin cậy; EFA thực hiện với 20 biến của 5 biến độc lập.
Nguồn: Kết quả xử lý dữ liệu của nhóm tác giả
Tương quan và hồi quy tuyến tính bội
RI tương quan dương có ý nghĩa với cả 4 biến độc lập, mạnh nhất với IE (r = 0,322) và TR (r = 0,304), yếu nhất với PU (r = 0,183) (Bảng 3). Các biến độc lập tương quan thấp với nhau (r từ 0,009 đến 0,251); 2 cặp AIP-IE (r = 0,092; p = 0,124) và PEU-IE (r = 0,009; p = 0,882) không có ý nghĩa thống kê. Mức tương quan thấp này vừa gợi ý mỗi yếu tố đóng góp riêng vào RI, vừa phù hợp với kết quả không có đa cộng tuyến ở phần hồi quy.
Bảng 3: Ma trận tương quan Pearson
|
| AIP | PU | PEU | TR | IE |
|---|---|---|---|---|---|
| PU | 0,232** |
|
|
|
|
| PEU | 0,240** | 0,145* |
|
|
|
| TR | 0,137* | 0,158** | 0,191** |
|
|
| IE | 0,092 | 0,251** | 0,009 | 0,196** |
|
| RI | 0,293** | 0,183** | 0,212** | 0,304** | 0,322** |
Ghi chú: n = 280. *p < 0,05; **p < 0,01 (2 phía).
Nguồn: Kết quả xử lý dữ liệu của nhóm tác giả
Mô hình hồi quy phù hợp với dữ liệu: R = 0,483; R² = 0,234; R² hiệu chỉnh = 0,220; F(5, 274) = 16,709; p < 0,001. Mô hình giải thích 22,0% biến thiên của RI, tương ứng f² ≈ 0,31, nằm giữa mức trung bình (0,15) và mức lớn (0,35) theo Cohen (1988), dù 78,0% còn lại thuộc về các yếu tố ngoài mô hình. VIF từ 1,093 đến 1,138 (< 2) cho thấy không có đa cộng tuyến; Durbin-Watson = 1,847 cho thấy không có sự tương quan. Phần dư phân phối xấp xỉ chuẩn (Kolmogorov-Smirnov hiệu chỉnh Lilliefors D = 0,025, p = 0,200; độ lệch = -0,069; độ nhọn = -0,128) và phân tán ngẫu nhiên quanh 0, thỏa giả định phương sai không đổi. Phương trình chuẩn hóa: RI = 0,257IE + 0,209AIP + 0,199TR + 0,118PEU + 0,022PU. Bốn trong 5 yếu tố có ý nghĩa thống kê (Bảng 4).
Bảng 4: Kết quả hồi quy và kiểm định giả thuyết
| Biến | B | SE | Beta | t | p | Kết luận |
|---|---|---|---|---|---|---|
| Hằng số | 0,627 | 0,327 | - | 1,917 | 0,056 | - |
| AIP (H1) | 0,215 | 0,057 | 0,209 | 3,744 | < 0,001 | Chấp nhận |
| PU (H2) | 0,022 | 0,057 | 0,022 | 0,388 | 0,699 | Bác bỏ |
| PEU (H3) | 0,124 | 0,058 | 0,118 | 2,127 | 0,034 | Chấp nhận |
| TR (H4) | 0,210 | 0,058 | 0,199 | 3,602 | < 0,001 | Chấp nhận |
| IE (H5) | 0,248 | 0,054 | 0,257 | 4,630 | < 0,001 | Chấp nhận |
Ghi chú: Biến phụ thuộc: RI; n = 280; B = hệ số hồi quy chưa chuẩn hóa; SE = sai số chuẩn.
Nguồn: Kết quả xử lý dữ liệu của nhóm tác giả
Khác biệt theo đặc điểm nhân khẩu học
RI của nữ (M = 3,465; SD = 0,687; n = 163) và nam (M = 3,432; SD = 0,777; n = 117) không khác biệt có ý nghĩa (Levene p = 0,299; t(278) = 0,377; p = 0,707). ANOVA cũng không cho thấy khác biệt theo độ tuổi, năm học, sàn TMĐT hay tần suất mua sắm, với Levene p > 0,05 ở mọi trường hợp (Bảng 5). Như vậy, Ý định mua lặp lại tương đối đồng nhất giữa các nhóm nhân khẩu học trong mẫu.
Bảng 5: Kết quả ANOVA của RI theo các biến phân nhóm
| Biến phân nhóm | Trung bình cao nhất | Trung bình thấp nhất | F | P |
|---|---|---|---|---|
| Độ tuổi | Trên 23 tuổi (3,483) | 18-20 tuổi (3,387) | 0,517 | 0,597 |
| Năm học | Năm 4 (3,527) | Năm 1 (3,349) | 0,828 | 0,479 |
| Sàn TMĐT | Khác (3,583) | TikTok Shop (3,414) | 0,319 | 0,812 |
| Tần suất mua sắm | 3-5 lần/tháng (3,512) | Trên 5 lần/tháng (3,393) | 0,812 | 0,445 |
Nguồn: Kết quả xử lý dữ liệu của nhóm tác giả
Thảo luận
Trải nghiệm tương tác là yếu tố có hệ số Beta chuẩn hóa lớn nhất (β = 0,257), khác với kỳ vọng đặt cá nhân hóa ở vị trí trung tâm. Kết quả phù hợp với quan điểm xem tương tác là cấp độ thiết kế then chốt của chatbot (Chong và cộng sự, 2021) và với CASA, theo đó người dùng phản hồi tích cực khi hội thoại với AI diễn ra tự nhiên (Nass và Moon, 2000). Đáng chú ý, trong livestream commerce, yếu tố tác động mạnh nhất đến niềm tin lại là sự chuyên nghiệp của người bán (Phạm và Nguyễn, 2026); với trợ lý AI, chính chất lượng trao đổi người - máy đóng vai trò nổi bật, gợi ý rằng tương tác với AI có thể đáp ứng nhu cầu xã hội hóa của Gen Z.
Cá nhân hóa (β = 0,209) quan trọng nhưng không áp đảo, nhất quán với vai trò trực tiếp của cá nhân hóa trong chấp nhận dịch vụ AI (Liu và Tao, 2022).
Niềm tin (β = 0,199) đứng thứ ba, cho thấy Gen Z dù tiếp cận công nghệ nhanh vẫn quan tâm đến an toàn dữ liệu và độ tin cậy của gợi ý, phù hợp với việc lo ngại về quyền riêng tư gia tăng khi GenAI được triển khai (Arce-Urriza và cộng sự, 2025).
Nhận thức dễ sử dụng có tác động có ý nghĩa dù khiêm tốn (β = 0,118; p = 0,034); điều này có thể liên quan đến việc người dùng vẫn gặp khó khăn với tính năng AI mới (PEU3 có giá trị trung bình thấp nhất, 3,26).
Bên cạnh đó, Nhận thức hữu ích (PU) chưa được ghi nhận có ý nghĩa (beta = 0,022; p = 0,699). Một khả năng cần được kiểm chứng trong các nghiên cứu tiếp theo là khi Gen Z đã quen với các tính năng hỗ trợ mua sắm, nhận thức hữu ích có thể chỉ đóng vai trò như một điều kiện nền thay vì yếu tố tạo khác biệt trong ý định mua lặp lại; tuy nhiên, giả thuyết này cần được kiểm định thêm trong các nghiên cứu sau.
KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
Kết luận và đóng góp
Khảo sát người dùng Gen Z n = 280 xác nhận mô hình giải thích 22,0% biến thiên của Ý định mua lặp lại (RI). Bốn yếu tố tác động tích cực có ý nghĩa thống kê gồm: Trải nghiệm tương tác (β = 0,257), Cá nhân hóa (β = 0,209), Niềm tin (β = 0,199) và Nhận thức dễ sử dụng (β = 0,118); Nhận thức hữu ích không có ý nghĩa thống kê (p = 0,699).
Về mặt lý thuyết, nghiên cứu mở rộng TAM trong bối cảnh GenAI, chứng minh trải nghiệm tương tác là biến độc lập có tác động mạnh nhất (vượt cá nhân hóa) và nhận thức hữu ích không còn là yếu tố tạo sự phân hóa ý định. Về mặt thực tiễn, nghiên cứu cung cấp bộ thang đo chuẩn hóa và bằng chứng thực nghiệm giúp doanh nghiệp tối ưu hóa nguồn lực đầu tư AI.
Hàm ý quản trị
Thứ tự ưu tiên phân bổ nguồn lực của doanh nghiệp được xác định trực tiếp theo hệ số tác độngbeta đã kiểm định:
Thứ nhất, Trải nghiệm tương tác (IE), (beta = 0,257 - Ưu tiên 0-6 tháng): Nâng cấp khả năng xử lý ngôn ngữ tự nhiên (NLP) để phản hồi đúng ngữ cảnh, giảm độ trễ và hỗ trợ tương tác đa phương thức (hình ảnh/giọng nói) nhằm tối ưu tính liền mạch hội thoại.
Thứ hai, Cá nhân hóa (AIP), (beta = 0,209 - Ưu tiên 3-9 tháng): Tối ưu thuật toán gợi ý sản phẩm và ưu đãi theo dữ liệu hành vi thời gian thực.
Thứ ba, Niềm tin (TR), (beta = 0,199 - Ưu tiên 6-12 tháng): Minh bạch chính sách dữ liệu cá nhân, cho phép người dùng kiểm soát lịch sử trò chuyện và tích hợp tính năng giải thích gợi ý (XAI).
Thứ tư, Nhận thức dễ sử dụng (PEU), (beta = 0,118 - Ưu tiên 9-18 tháng): Đơn giản hóa giao diện và quy trình thao tác khi triển khai các tính năng AI nâng cao.
Cuối cùng, Nhận thức hữu ích (PU), (p = 0,699 - Ưu tiên 12-24 tháng): Duy trì hiệu năng kỹ thuật cơ bản như một điều kiện nền tảng (baseline), không tập trung nguồn lực cải thiện riêng lẻ.
Hàm ý chính sách theo hướng đồng kiến tạo
Để bảo vệ người tiêu dùng số và thúc đẩy thị trường TMĐT phát triển bền vững, các sàn TMĐT cần phối hợp với cơ quan quản lý (Bộ Công Thương, Cục TMĐT và Kinh tế số), hiệp hội ngành hàng (VECOM) và đại diện người tiêu dùng theo 3 định hướng:
Một là, ban hành bộ tiêu chuẩn/hướng dẫn tham chiếu về minh bạch thuật toán đối với trợ lý AI và tổ chức thí điểm.
Hai là, đẩy mạnh truyền thông nâng cao nhận thức số và quyền kiểm soát dữ liệu cá nhân cho giới trẻ Gen Z.
Ba là, thực thi nghiêm ngặt các quy định bảo vệ dữ liệu cá nhân gắn liền với Luật Thương mại điện tử số 122/2025/QH15 có hiệu lực từ 1/7/2026 (Quốc hội, 2025).
Hạn chế và hướng nghiên cứu tiếp theo
Nghiên cứu tồn tại một số hạn chế: (1) Mẫu thuận tiện tập trung sinh viên tại TP. Hồ Chí Minh; (2) Mô hình mới giải thích 22,0% biến thiên; (3) Thiết kế nghiên cứu cắt ngang; (4) Chưa phân biệt theo ngành hàng; (5) Chưa kiểm định tác động trung gian/điều tiết và câu hỏi gạn lọc chưa phân tách tuyệt đối giữa GenAI với chatbot kịch bản.
Các nghiên cứu tiếp theo nên mở rộng chọn mẫu xác suất toàn quốc; áp dụng mô hình SEM/PLS-SEM kiểm định các biến trung gian (sự hài lòng, gắn kết thương hiệu) và điều tiết (am hiểu công nghệ, loại sản phẩm); thực hiện nghiên cứu dọc; và tập trung đo lường chuyên biệt các công cụ GenAI thế hệ mới.
Tài liệu tham khảo:
1. Arce-Urriza, M., Chocarro, R., Cortiñas, M., & Marcos-Matás, G. (2025). From familiarity to acceptance: The impact of generative artificial intelligence on consumer adoption of retail chatbots. Journal of Retailing and Consumer Services, 84, Article 104234. https://doi.org/10.1016/j.jretconser.2025.104234
2. Chakraborty, D., Kar, A. K., Patre, S., & Gupta, S. (2024). Enhancing trust in online grocery shopping through generative AI chatbots. Journal of Business Research, 180, Article 114737. https://doi.org/10.1016/j.jbusres.2024.114737
3. Cheng, X., Cohen, J., & Mou, J. (2023). AI-enabled technology innovation in e-commerce. Journal of Electronic Commerce Research, 24(1), 1-6. https://www.jecr.org/node/674
4. Chong, T., Yu, T., Keeling, D. I., & de Ruyter, K. (2021). AI-chatbots on the services frontline addressing the challenges and opportunities of agency. Journal of Retailing and Consumer Services, 63, Article 102735. https://doi.org/10.1016/j.jretconser.2021.102735
5. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
6. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
7. Duong, N. T. H., & Ta, M. Q. (2024). Investigating online purchase intention of Gen Z on TikTok live stream shopping. Ho Chi Minh City Open University Journal of Science - Economics and Business Administration, 15(4), 71-89. https://doi.org/10.46223/HCMCOUJS.econ.en.15.4.3416.2025
8. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson.
9. Hiệp hội Thương mại điện tử Việt Nam. (2025). Báo cáo Chỉ số Thương mại điện tử Việt Nam 2025 (EBI 2025). https://vecom.vn/bao-cao-chi-so-thuong-mai-dien-tu-viet-nam-2025
10. Liu, K., & Tao, D. (2022). The roles of trust, personalization, loss of privacy, and anthropomorphism in public acceptance of smart healthcare services. Computers in Human Behavior, 127, Article 107026. https://doi.org/10.1016/j.chb.2021.107026
11. Metric.vn. (2025). Báo cáo thị trường TMĐT Việt Nam Q3/2025. https://ecommerce.metric.vn/report-q3-2025
12. Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81-103. https://doi.org/10.1111/0022-4537.00153
13. Ngọc Châm. (2026). VECOM nỗ lực kiến tạo hệ sinh thái thương mại điện tử minh bạch và chuyên nghiệp. Tạp chí Công Thương. https://tapchicongthuong.vn/vecom-no-luc-kien-tao-he-sinh-thai-thuong-mai-dien-tu-minh-bach-va-chuyen-nghiep-408833.htm
14. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
15. Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460-469. https://doi.org/10.1177/002224378001700405
16. Phạm, Thi Hoa Mai, & Nguyễn, Khac Hieu (2026). The impact of TikTok live streaming on the purchase intention of Gen Z consumers: An SOR model approach. Journal of Technical Education Science, 21(3V), 46-55. https://doi.org/10.54644/jte.2026.2122
17. Quốc hội (2025). Luật Thương mại điện tử số 122/2025/QH15 ngày 10/12/2025.
18. Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.
| Ngày nhận bài: 3/10/2026; Ngày hoàn thiện biên tập: 10/11/2026; Ngày duyệt đăng: 19/11/2026 |
Các tin khác
Tăng cường hoạt động tham gia nghiên cứu khoa học của sinh viên Trường Công nghệ, Đại học Kinh tế Quốc dân
Ảnh hưởng của trải nghiệm du lịch tâm linh đến sự hài lòng và ý định quay lại của du khách tại Đồng bằng sông Cửu Long
Đẩy mạnh phát triển kinh tế tư nhân tại TP. Đà Nẵng
Mô hình tích hợp phát triển du lịch và giáo dục cộng đồng gắn với bảo tồn và phát huy giá trị di sản Thành Hoàng Đế
Lợi ích và rủi ro trên hành trình hình thành thu nhập thụ động
Các biện pháp huy động vốn trong lĩnh vực hydrogen để phát triển ngành công nghiệp du lịch biển bền vững tại Việt Nam
Khung lý thuyết tích hợp về các yếu tố ảnh hưởng đến thăng tiến quản lý của lao động nữ tại khách sạn 5 sao ở TP. Hồ Chí Minh
Mối quan hệ giữa sở hữu quản lý và hiệu quả kinh doanh của các công ty sau cổ phần hoá niêm yết trên Sàn Giao dịch chứng khoán TP. Hồ Chí Minh
Quan hệ giữa kế toán quản trị chiến lược và hiệu quả doanh nghiệp du lịch: Vai trò trung gian của năng lực kiểm soát chi phí
