Nghiên cứu tác động của AI đến hoạt động marketing truyền thông xã hội: Vai trò trung gian của sự gắn kết khách hàng

ThS. Trần Thanh Phong

TS. Nguyễn Tiến Thành (Tác giả liên hệ)

Email: nt.thanh92@hutech.edu.vn

ThS. Mạnh Ngọc Hùng

Trường Đại học Công nghệ Thành phố Hồ Chí Minh (HUTECH)

Tóm tắt

Trí tuệ nhân tạo (AI) đang tạo ra những tác động chiến lược mạnh mẽ trong ngành dịch vụ, đặc biệt là ảnh hưởng sâu sắc đến sự gắn kết của khách hàng và hoạt động marketing. Tuy nhiên tại Việt Nam, các nghiên cứu chuyên sâu và chi tiết nhằm làm rõ cơ chế tác động này vẫn còn khá hạn chế. Dựa trên sự kết hợp giữa Lý thuyết nguồn lực và Lý thuyết xử lý thông tin xã hội, nghiên cứu này xây dựng mô hình lý thuyết gồm 5 nhân tố năng lực AI cốt lõi (Xử lý ngôn ngữ tự nhiên, Học máy, Sáng tạo nội dung tự động, Phân tích dự báo và Cá nhân hóa nội dung) tác động đến Sự gắn kết khách hàng, từ đó đóng vai trò trung gian giúp nâng cao hoạt động marketing trong truyền thông xã hội của doanh nghiệp tại Việt Nam.

Từ khóa: Hoạt động marketing, trí tuệ nhân tạo, truyền thông xã hội, sự gắn kết của khách hàng

Abstract

Artificial intelligence (AI) is generating significant strategic impacts across the service sector, particularly by profoundly influencing customer engagement and marketing activities. However, in Viet Nam, in-depth research clarifying the mechanisms underlying these effects remains limited. Drawing on a combination of Resource-Based Theory and Social Information Processing Theory, this study develops a theoretical model comprising five core AI capabilities: Natural Language Processing, Machine Learning, Automated Content Generation, Predictive Analytics, and Content Personalization, that influence Customer Engagement, which in turn serves as a mediating mechanism for enhancing the marketing performance of businesses on social media in Viet Nam.

Keywords: Marketing performance, artificial intelligence, social media, customer engagement

GIỚI THIỆU

Sự bùng nổ mạnh mẽ của AI trong kỷ nguyên số đang định hình lại toàn bộ bối cảnh chiến lược của quản trị marketing. Không còn là công cụ hỗ trợ vận hành thông thường, AI đã dần trở thành một năng lực chiến lược đa chiều. Điều này cho phép doanh nghiệp tái cấu trúc nguồn lực, xác định các cơ hội thị trường và duy trì lợi thế cạnh tranh bền vững (Haenlein và Kaplan, 2019). Đặc biệt, đối với các ngành thiên về dịch vụ, nhất là trong hoạt động truyền thông xã hội, chất lượng thông tin truyền thông và phương pháp tiếp cận xã hội là rất quan trọng, nên việc áp dụng các năng lực marketing tích hợp AI có thể tạo ra bước ngoặt lớn. Phương thức này hỗ trợ các tổ chức xử lý những luồng thông tin phức tạp, cung cấp nội dung siêu cá nhân hóa ở quy mô lớn, đồng thời đạt được mức độ phản hồi linh hoạt trước những thay đổi liên tục từ nhu cầu của người tiêu dùng (Yusuf và cộng sự, 2024).

Mặc dù AI trong marketing đang thu hút sự quan tâm sâu sắc từ cả giới học thuật lẫn các nhà điều hành, song marketing tích hợp AI vẫn còn tồn tại nhiều khoảng trống lý thuyết. Đáng chú ý, các nghiên cứu hiện tại phần lớn vẫn nhìn nhận AI như một khối đồng nhất mà bỏ qua đóng góp chiến lược riêng biệt từ các khía cạnh chiến lược cụ thể như: xử lý ngôn ngữ tự nhiên, học máy, mô hình hóa dự báo, tự động hóa nội dung và các công cụ cá nhân hóa. Đây chính là một bối cảnh nghiên cứu giàu tính lý thuyết nhưng lại chưa được khai phá thực nghiệm nhiều.

Để giải quyết các khoảng trống nghiên cứu trên, nghiên cứu này đã xây dựng một mô hình lý thuyết cụ thể, xác định Sự gắn kết của khách hàng là cơ chế trung gian then chốt, với sự tác động của 5 nhân tố tích hợp AI cụ thể bao gồm: Xử lý ngôn ngữ tự nhiên, Học máy, Nội dung tạo lập tự động, Phân tích dự báo và Cá nhân hóa nội dung thành các kết quả hoạt động Marketing. Về mặt lý luận, mô hình được phát triển dựa trên việc tích hợp chặt chẽ 2 nền tảng kinh điển là Lý thuyết dựa trên nguồn lực và Lý thuyết xử lý thông tin xã hội. Sự kết hợp 2 lý thuyết này không chỉ làm sáng tỏ giá trị chiến lược của AI, mà còn làm rõ mối quan hệ giúp nuôi dưỡng sự gắn kết của khách hàng thông qua các hoạt động truyền thông xã hội.

CƠ SỞ LÝ THUYẾT

Lý thuyết xử lý thông tin xã hội (Social Information Processing Theory - SIPT)

Lý thuyết SIPT của Walther (1996), giải thích cách cá nhân xây dựng ấn tượng, hình thành thái độ và phát triển mối quan hệ trong bối cảnh truyền thông qua máy tính. Nguyên lý chính của SIPT chỉ ra rằng, dù giao tiếp kỹ thuật số thiếu đi các tín hiệu phi ngôn ngữ trực tiếp như nét mặt hay tông giọng, người dùng vẫn có thể bù đắp thiếu hụt này bằng cách tích lũy và diễn giải các tín hiệu văn bản, ngữ cảnh qua những tương tác lặp lại theo thời gian.

Trong marketing, SIPT là khung lý thuyết giải thích rất tốt cách các tín hiệu thông tin do AI hỗ trợ định hình niềm tin và sự gắn kết của người tiêu dùng. Cụ thể, hiệu quả xử lý thông tin tích hợp AI phụ thuộc lớn vào nhận thức của khách hàng về quyền riêng tư dữ liệu và tính minh bạch của thuật toán, để quyết định việc hình thành niềm tin (Martin và Murphy, 2017). Đặc biệt, với các ứng dụng xử lý ngôn ngữ tự nhiên, hệ thống AI đóng vai trò như tác nhân khuếch đại sự đa dạng thông tin. SIPT làm sáng tỏ các cơ chế tâm lý mà qua đó những tín hiệu thông tin từ AI, bao gồm tương tác ngôn ngữ, đề xuất cá nhân hóa hay nội dung dự báo, thúc đẩy niềm tin và duy trì gắn kết của khách hàng trong hệ sinh thái dịch vụ số (Tien và cộng sự, 2025).

Lý thuyết dựa trên nguồn lực (Resource-Based View - RBV)

Lý thuyết RBV của Barney (1991) cho rằng, lợi thế cạnh tranh bền vững được hình thành từ việc sở hữu các nguồn lực hội đủ tiêu chuẩn VRIN, gồm: tính giá trị, sự hiếm có, độ khó bắt chước và không thể thay thế.

Trong tiếp thị hiện nay, AI được xem là một nguồn lực động về chiến lược điển hình. Chen và cộng sự (2022) chỉ ra rằng, các năng lực tích hợp AI giúp thúc đẩy hiệu quả tổ chức thông qua khả năng phục hồi và sự linh hoạt trong vận hành. Mikalef và Gupta (2021) còn khẳng định công nghệ AI khi kết hợp với sức sáng tạo nội bộ và nguồn vốn nhân lực sẽ tạo thành một cấu trúc nguồn lực đặc thù mà đối thủ cực kỳ khó sao chép.

Tóm lại, khung lý thuyết tích hợp giữa RBV và SIPT tạo ra lý luận vững chắc để định vị 5 nhân tố năng lực của AI như một tổ hợp nguồn lực chiến lược. Tập hợp này đồng thời thúc đẩy mạnh mẽ sự gắn kết của khách hàng và nâng cao toàn diện hiệu quả hoạt động Marketing trong truyền thông.

Khái niệm AI trong Marketing

Về lý thuyết, AI thể hiện khả năng của các hệ thống máy tính trong việc thực hiện những nhiệm vụ yêu cầu chức năng nhận thức của con người, từ giải quyết vấn đề phức tạp, học tập thích ứng đến nhận diện mô hình tinh vi (Russell và Norvig, 1995). Ban đầu, công nghệ này được định hình qua năng lực phân tích dữ liệu môi trường để đạt các mục tiêu cụ thể (Haenlein và Kaplan, 2019). Tuy nhiên, khi cấu trúc công nghệ phát triển hơn, giới học thuật đã mở rộng phạm vi nghiên cứu sang tác động của AI đối với chất lượng truyền thông thông tin xã hội, cá nhân hóa dịch vụ, song hành cùng những đánh giá về đạo đức dữ liệu và rủi ro quyền riêng tư.

Trong tiếp thị hiện đại, AI không còn là công cụ bổ trợ cơ bản nữa, mà đã vươn tầm thành một chiến lược mang tính chuyển đổi, tái cấu trúc toàn diện bối cảnh công nghiệp và thương mại (Martínez-López và Casillas, 2013). Các xu hướng tiếp cận hiện nay nhấn mạnh việc AI hiện thực hóa trí tuệ trong các kiến trúc máy tính có khả năng mô phỏng. Minh chứng rõ nét nhất là trong thương mại điện tử, các hệ thống AI được triển khai để giải quyết các bài toán tiếp thị và quảng cáo đặc thù với độ chính xác phân tích vượt trội khả năng của con người (Qin và Jiang, 2019).

Điều này mang ý nghĩa lớn đối với các doanh nghiệp khi thực hiện hoạt động truyền thông xã hội và quyết định sự thành công của hoạt động này.

ĐỀ XUẤT MÔ HÌNH NGHIÊN CỨU

Dựa vào cơ sở lý thuyết nêu trên, nhóm tác giả xây dựng mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu

Nguồn: Nhóm tác giả đề xuất

Các giả thuyết nghiên cứu

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)

NLP là phần chuyên sâu hơn của AI, trang bị cho máy tính khả năng diễn giải, tạo lập và phản hồi ngôn ngữ con người phù hợp với ngữ cảnh ở cả dạng văn bản và giọng nói (Mashaabi và cộng sự, 2022). Một số nghiên cứu ghi nhận sự chuyển dịch chuẩn mực quan trọng khi các kiến trúc chuỗi truyền thống dần bị thay thế bởi các mô hình ngôn ngữ tiền huấn luyện quy mô lớn thống nhất, có khả năng quản lý nhiều nhiệm vụ phức tạp một cách nhất quán, nhằm giải mã cảm xúc của người tiêu dùng, đồng thời thúc đẩy các tương tác cá nhân hóa (Sun và cộng sự, 2022).

Trong quản trị truyền thông, các ứng dụng NLP, bao gồm: chatbot hội thoại, giám sát cảm xúc tự động và phân tích phản hồi thời gian thực, đóng vai trò cốt lõi để tối ưu hóa trải nghiệm người tham dự và làm sâu sắc sợi dây liên kết. Nhiều bằng chứng thực nghiệm đã củng cố năng lực của NLP trong việc nâng cao sự gắn kết khách hàng và thúc đẩy sự xuất sắc trong vận hành (Gerling và Lessmann, 2024). Do đó, nghiên cứu đề xuất giả thuyết:

H1: Xử lý ngôn ngữ tự nhiên có tác động tích cực đáng kể đến Sự gắn kết của khách hàng.

Học máy (Machine Learning - ML)

ML là khả năng tự chủ tiếp thu kiến thức và nâng cao độ chính xác dự báo của hệ thống AI từ dữ liệu kinh nghiệm mà không cần lập trình lại thuật toán (Ameri Sianaki, 2019). Vận dụng các mô hình học có giám sát, không giám sát và học tăng cường, ML giải quyết triệt để bài toán phân tích hoạt động truyền thông thời gian thực và mô hình hóa hành vi động (Capatina và cộng sự, 2020).

Trong tiếp thị và truyền thông xã hội, ML giúp doanh nghiệp tiên liệu chính xác các kết quả thị trường, từ đó củng cố hiệu quả thương mại điện tử và năng lực cạnh tranh (Tiến và cộng sự, 2025). Dưới góc nhìn của của RBV, ML chính là năng lực tổ chức động giúp biến tài sản dữ liệu thành trí tuệ chiến lược đáp ứng tiêu chuẩn VRIN, tạo lợi thế cạnh tranh khó bắt chước. Do đó, nghiên cứu đề xuất giả thuyết:

H2: Học máy có tác động tích cực đáng kể đến Sự gắn kết của khách hàng.

Nội dung tạo lập tự động (Auto-generated Content - AGC)

AGC đã thay đổi rất nhanh từ một công cụ tối ưu vận hành thành động lực chiến lược thúc đẩy sự gắn kết khách hàng số. Chan-Olmsted (2019) định vị AGC là tài sản chiến lược giúp gia tăng năng lực sáng tạo và tương tác nhờ các thông điệp mới mẻ, cá nhân hóa sâu sắc. Sự bứt phá của AI tiếp tục mở rộng phạm vi của AGC sang sản xuất nội dung giải trí và tương tác phức tạp.

Nhờ các thuật toán học sâu, AI có thể tự chủ sản xuất nội dung chất lượng cao và nhất quán ngữ cảnh (Wessel và cộng sự, 2023). Dù vậy, giá trị lâu dài của AGC phụ thuộc lớn vào niềm tin và tính chân thực trong cảm nhận của người dùng. Do đó, nghiên cứu đề xuất giả thuyết:

H3: Nội dung tạo lập tự động có tác động tích cực đáng kể đến Sự gắn kết của khách hàng.

Phân tích dự báo (Predictive Analytics - PAT)

PAT là một lĩnh vực tích hợp đa ngành, tổng hợp thống kê, các kỹ thuật học máy và tối ưu hóa toán học nhằm đưa ra các dự báo xác suất về tương lai dựa trên dữ liệu hiện tại và quá khứ (Kumar và Garg, 2018). Khác với phân tích mô tả thuần túy, PAT mang tính chủ động cao khi khai thác lịch sử giao dịch để gán điểm số khả năng cho các kết quả tương lai, từ đó trang bị cho tổ chức năng lực phòng ngừa rủi ro đón đầu và nhận diện các cơ hội cạnh tranh mới (Kumar và Garg, 2018).

Trong hoạt động truyền thông xã hội, PAT dịch chuyển căn bản mô hình cung ứng dịch vụ từ phản ứng sang tiên liệu nhờ khả năng dự báo chính xác sở thích của người tham dự và tối ưu hóa nguồn lực trước khi nhu cầu xuất hiện (Van Hoang và cộng sự, 2025). Do đó, nghiên cứu đề xuất giả thuyết:

H4: Phân tích dự báo có tác động tích cực đáng kể đến Sự gắn kết của khách hàng.

Cá nhân hóa nội dung (Content Personalization - COP)

Sự thay đổi của COP phản ánh mạnh mẽ sự thay đổi từ phân khúc nhân khẩu học thô sơ sang các hệ sinh thái nội dung động, theo thời gian thực dựa trên nền tảng AI. Lúc đầu, giới học thuật tập trung ứng dụng NLP để trích xuất cảm xúc nhằm cá nhân hóa truyền thông ở quy mô lớn. Hiện nay, các hệ thống này đã đạt hiệu quả lớn nhờ triển khai kiến trúc học sâu để mô hình hóa những hành vi người dùng phức tạp theo thời gian thực (Bhuiyan, 2024), đồng thời kết hợp mạng thần kinh dự báo để tiên liệu sở thích cá nhân trước khi họ tự biểu hiện (Nandanavanam, 2025).

Trong quản trị, việc nhúng COP vào các nền tảng công nghệ tiếp thị giúp thích ứng nội dung linh hoạt, tối ưu hóa tỷ lệ chuyển đổi và nâng cao khả năng giữ chân khách hàng lâu dài (Kumar và cộng sự, 2019). Dù vậy, thách thức đặt ra là doanh nghiệp cần cân bằng giữa siêu cá nhân hóa và việc bảo vệ quyền tự chủ của người tiêu dùng để duy trì lòng trung thành bền vững (Shin và Park, 2019). Do đó, nghiên cứu đề xuất giả thuyết:

H5: Cá nhân hóa nội dung có tác động tích cực đáng kể đến Sự gắn kết của khách hàng.

Sự gắn kết của khách hàng (Customer Engagement - CUSE)

CUSE đã chuyển từ một cấu trúc quan hệ ngoại vi thành một yêu cầu chiến lược trung tâm trong quản trị tiếp thị, bước chuyển dịch mạnh mẽ từ giao dịch thuần túy sang các mô hình quan hệ giàu giá trị. Đây là cấu trúc đa chiều bao gồm các khoản đầu tư về nhận thức, cảm xúc và hành vi của khách hàng trong suốt quá trình tương tác với thương hiệu (Hollebeek và cộng sư, 2019). Đặc biệt trong hoạt động truyền thông xã hội, CUSE đóng vai trò là cơ chế giúp chuyển hóa các tương tác tích hợp AI quả hữu hình như cường độ ủng hộ thương hiệu, khả năng giữ chân người tham dự và lòng trung thành lâu dài.

Nhiều bằng chứng thực nghiệm đã chứng minh CUSE giúp doanh nghiệp tối ưu hóa năng suất tiếp thị và biến nguồn lực công nghệ thành lợi thế cạnh tranh bền vững. Do đó, nghiên cứu đề xuất giả thuyết:

H6: Sự gắn kết của khách hàng có tác động tích cực đáng kể đến Hoạt động marketing truyền thông xã hội.

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

Kết quả nghiên cứu cho thấy, AI không chỉ đóng vai trò của một công cụ hỗ trợ vận hành thuần túy, mà còn là một năng lực chiến lược cốt lõi để đo lường, tối ưu hóa trải nghiệm và giữ chân khách hàng nhờ duy trì mức độ tương tác. Trong bối cảnh các nền kinh tế mới nổi năng động tại Đông Nam Á, tiêu biểu như Việt Nam, nhu cầu nghiên cứu và ứng dụng AI đang ngày càng trở nên mạnh mẽ. Vì vậy, nghiên cứu này đã xây dựng một mô hình lý thuyết 5 nhân tố năng lực AI, gồm: Xử lý ngôn ngữ tự nhiên, Học máy, Nội dung tạo lập tự động, Phân tích dự báo và Cá nhân hóa nội dung tác động tích cực đến Hoạt động marketing truyền thông xã hội thông qua nhân tố Sự gắn kết của khách hàng.

Mặc dù đã xây dựng được khung lý thuyết ban đầu, nhưng để chứng minh được sự ảnh hưởng của những nhân tố trên, trong giai đoạn tiếp theo, nghiên cứu định hướng tiến hành khảo sát thực nghiệm trên diện rộng nhằm thu thập nguồn dữ liệu khách quan. Bằng việc ứng dụng phương pháp mô hình hóa phương trình cấu trúc (PLS-SEM) qua phần mềm SmartPLS, nhóm tác giả sẽ phân tích định lượng chính xác mối quan hệ giữa 7 nhân tố (gồm 5 độc lập, 1 trung gian và 1 phụ thuộc) trong mô hình. Sau khi xác định rõ các chỉ số thống kê, nghiên cứu sẽ đúc kết các hàm ý quản trị quan trọng, cung cấp cơ sở khoa học giúp các doanh nghiệp đưa ra quyết định chiến lược truyền thông phù hợp.

Tài liệu tham khảo:

1. Ameri Sianaki, O. (2019). Machine learning applications: The past and current research trend in diverse industries. Inventions, 4(1), 8.

2. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.

3. Bhuiyan, M. (2024). AI-driven personalization in marketing. Journal of Digital Marketing and Communication, 4(2), 45-59.

4. Capatina, A., Kachour, M., Lichy, J., Micu, A., Micu, A. E., and Codignola, F. (2020). Matching the future capabilities of an artificial intelligence-based software for social media marketing with potential users' expectations. Technological Forecasting and Social Change, 151, 119794.

5. Chan-Olmsted, S. M. (2019). A review of artificial intelligence adoptions in the media industry. International Journal on Media Management, 21(3-4), 193-215.

6. Chen, D., Esperança, J. P., and Wang, S. (2022). The impact of artificial intelligence on firm performance: An application of the resource-based view to e-commerce firms. Frontiers in Psychology, 13, 884830.

7. Gerling, V., and Lessmann, S. (2024). Natural language processing in marketing: A systematic review. Journal of Interactive Marketing, 59(1), 1-22.

8. Haenlein, M., and Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5-14.

9. Hollebeek, L. D., Srivastava, R. K., and Chen, T. (2019). S-D logic-informed customer engagement: Integrative framework and revised propositions. Journal of the Academy of Marketing Science, 47(1), 161-185.

10. Islam, J. U., Hollebeek, L. D., Rahman, Z., Khan, I., and Rasool, A. (2019). Customer engagement in the service context: An empirical investigation of the construct, its antecedents and consequences. Journal of Retailing and Consumer Services, 50, 277-285.

11. Kumar, V., and Garg, M. L. (2018). Predictive analytics: A review of trends and techniques. International Journal of Computer Applications, 182(1), 31-37.

12. Kumar, V., Dixit, A., Javalgi, R. G., and Dass, M. (2019). Digital transformation of customer services: The use of AI and big data. Journal of Business Research, 100, 400-409

13. Martin, K. D., and Murphy, P. E. (2017). The role of data privacy in marketing. Journal of the Academy of Marketing Science, 45(2), 135-155.

14. Mashaabi, M., Alotaibi, A., Qudaih, H., Alnashwan, R., and Al-Khalifa, H. (2022). Natural language processing in customer service: A systematic review. International Journal of Computing and Digital Systems, 12(1), 1-15.

15. Martínez-López, F. J., and Casillas, J. (2013). Artificial intelligence-based systems applied in industrial marketing. Industrial Marketing Management, 42(4), 489-495.

16. Mikalef, P., and Gupta, M. (2021). Artificial intelligence capability and firm performance: The role of organizational learning. Information and Management, 58(3), 103434.

17. Nandanavanam, S. (2025). AI-powered predictive personalization in digital marketing. Journal of Marketing Technology, 3(1), 12-28.

18. Qin, X., and Jiang, Z. (2019). The impact of AI on the advertising process: The Chinese experience. Journal of Advertising, 48(3), 338-346.

19. Russell, S. J., and Norvig, P. (1995). Artificial intelligence: A modern approach. Prentice Hall.

20. Shin, D., and Park, Y. J. (2019). Role of fairness, accountability and transparency in algorithmic affordance. Computers in Human Behavior, 98, 277-284.

21. Sun, H., Zafar, M. Z., and Hasan, N. (2022). Employing natural language processing as AI for analyzing consumer opinion and boosting marketing strategies. Frontiers in Psychology, 13, 856663.

22. Tien, N. H., Tuan, N. V. A., and Thy, N. N. A. (2025). Impact of AI on e-commerce performance in Vietnam: Quantitative forecasting and big data analytics. Cuestiones de Fisioterapia, 54(5), 465-474.

23. Van Hoang, D., Thi Hien, N., Van Thang, H., Nguyen Truc Phuong, P., and Thi-Thuy Duong, T. (2025). Digital capabilities and sustainable competitive advantages of SMEs. SAGE Open, 15(2).

24. Walther, J. B. (1996). Computer-mediated communication: Impersonal, interpersonal, and hyperpersonal interaction. Communication Research, 23(1), 3-43.

25. Wessel, M., Adam, M., Benlian, A., and Thies, F. (2023). Generative AI and its transformative value for digital platforms. Journal of Management Information Systems, 40(3), 900-927.

26. Yusuf, S. O., Durodola, R. L., Ocran, G., Abubakar, J. E., Echere, A. Z., and Paul-Adeleye, A. H. (2024). Challenges and opportunities in AI adoption for SMEs in emerging economies. World Journal of Advanced Research and Reviews, 23(3), 668-678.