ThS. Đào Xuân Thủy

Trường Đại học Intracom

Email: thuydx@intracomuni.edu.vn

Tóm tắt

Nghiên cứu này phân tích tác động của nội dung được tạo bởi trí tuệ nhân tạo (AI-generated content) đến hành vi mua hàng của người tiêu dùng trên các nền tảng thương mại điện tử. Dữ liệu được thu thập từ 291 người tiêu dùng và phân tích bằng phương pháp PLS-SEM thông qua phần mềm SPSS và SmartPLS 4.0. Kết quả cho thấy Chất lượng nội dung AI và Tính cá nhân hóa có tác động tích cực đến Niềm tin vào nội dung AI, trong khi Tính minh bạch không có ảnh hưởng đáng kể. Bên cạnh đó, Niềm tin vào nội dung AI làm gia tăng Giá trị cảm nhận, từ đó thúc đẩy Hành vi mua hàng của người tiêu dùng. Nghiên cứu góp phần bổ sung cơ sở lý luận về hành vi người tiêu dùng trong bối cảnh ứng dụng AI và cung cấp hàm ý quản trị cho doanh nghiệp trong việc ứng dụng AI vào hoạt động marketing.

Từ khóa: Nội dung do AI tạo ra, niềm tin, giá trị cảm nhận, hành vi mua hàng, thương mại điện tử

Abstract

This study examines the impact of AI-generated content on consumer purchasing behavior in e-commerce platforms. Data were collected from 291 consumers and analyzed using the partial least squares structural equation Modeling (PLS-SEM) approach with SPSS and SmartPLS 4.0. The results indicate that AI content quality and Personalization have significant positive effects on Trust in AI-generated content, whereas Transparency does not exert a statistically significant influence. Furthermore, Trust in AI-generated content enhances perceived value, which, in turn, positively influences consumer purchasing behavior. This study contributes to the literature on consumer behavior in the context of artificial intelligence applications and offers managerial implications for businesses seeking to leverage AI in their marketing strategies.

Keywords: AI-generated content, trust, perceived value, consumer purchasing behavior, e-commerce

GIỚI THIỆU

Trong những năm gần đây, trí tuệ nhân tạo (AI) đã trở thành một trong những công nghệ có tốc độ phát triển nhanh nhất và có tác động sâu rộng đến nhiều lĩnh vực kinh tế - xã hội. Sự phát triển của các công cụ AI tạo sinh như ChatGPT, Gemini hay Claude đang làm thay đổi đáng kể hoạt động marketing số của doanh nghiệp (Glikson và Woolley, 2020). Nội dung do AI tạo ra ngày càng được ứng dụng rộng rãi trong quảng cáo, thương mại điện tử và quản trị quan hệ khách hàng (Choung và cộng sự, 2023). Sự xuất hiện của các công cụ AI tạo sinh như ChatGPT, Gemini, Claude, Midjourney hay Canva AI đã giúp doanh nghiệp tiết kiệm thời gian, chi phí sản xuất nội dung và nâng cao khả năng cá nhân hóa thông điệp marketing.

Tại Việt Nam, mặc dù việc ứng dụng AI trong marketing đang phát triển mạnh mẽ, nhưng các nghiên cứu về hành vi người tiêu dùng đối với nội dung marketing do AI tạo ra vẫn còn tương đối hạn chế. Đặc biệt, chưa có nhiều nghiên cứu xem xét đồng thời tác động của chất lượng nội dung, tính cá nhân hóa và tính minh bạch đến niềm tin, giá trị cảm nhận và hành vi mua hàng của người tiêu dùng.

Xuất phát từ thực tiễn đó, nghiên cứu này được thực hiện nhằm đánh giá tác động của nội dung do AI tạo ra trong hoạt động marketing đến hành vi mua hàng của người tiêu dùng tại Việt Nam. Kết quả nghiên cứu góp phần bổ sung bằng chứng thực nghiệm về hành vi người tiêu dùng trong môi trường số, đồng thời cung cấp các hàm ý quản trị cho doanh nghiệp trong quá trình ứng dụng AI vào hoạt động marketing.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Mô hình chấp nhận công nghệ (Technology Acceptance Model - TAM)

Mô hình TAM là một trong những lý thuyết được sử dụng phổ biến để giải thích hành vi chấp nhận công nghệ của người dùng. Theo mô hình này, quyết định sử dụng một công nghệ mới phụ thuộc chủ yếu vào nhận thức về tính hữu ích và nhận thức về tính dễ sử dụng của công nghệ đó (Davis, 1989). Trong bối cảnh nghiên cứu này, nội dung marketing được tạo bởi AI có thể được xem là một ứng dụng công nghệ mới. Khi người tiêu dùng nhận thấy nội dung AI hữu ích, chất lượng cao và phù hợp với nhu cầu cá nhân, họ sẽ có xu hướng tin tưởng và chấp nhận nội dung đó nhiều hơn.

Lý thuyết niềm tin (Trust Theory)

Niềm tin được hiểu là mức độ mà một bên tin tưởng vào độ tin cậy, tính trung thực và năng lực của bên còn lại. Niềm tin được xem là yếu tố trung tâm quyết định sự thành công của các mối quan hệ trao đổi giữa doanh nghiệp và khách hàng (Morgan và Hunt, 1994). Đối với nội dung do AI tạo ra, người tiêu dùng sẽ đánh giá độ tin cậy, tính chính xác và mức độ đáng tin của nội dung trước khi đưa ra quyết định mua hàng. Trong nghiên cứu này, niềm tin vào nội dung AI được xem là biến trung gian giữa các đặc điểm của nội dung AI (chất lượng nội dung, tính cá nhân hóa và tính minh bạch) với giá trị cảm nhận của khách hàng

Lý thuyết giá trị cảm nhận (Perceived Value Theory)

Giá trị cảm nhận là sự đánh giá tổng thể của người tiêu dùng về tính hữu ích của một sản phẩm hoặc dịch vụ dựa trên sự so sánh giữa những lợi ích nhận được và những chi phí phải bỏ ra (Zeithaml, 1988). Khi lợi ích cảm nhận lớn hơn chi phí cảm nhận, khách hàng sẽ hình thành đánh giá tích cực và có xu hướng thực hiện hành vi mua hàng. Khi nội dung AI mang lại nhiều lợi ích cho khách hàng, giá trị cảm nhận sẽ tăng lên và từ đó thúc đẩy hành vi mua hàng.

Các khái niệm nghiên cứu

Chất lượng nội dung AI (Content Quality) được hiểu là mức độ mà nội dung cung cấp thông tin chính xác, đầy đủ, hữu ích và đáp ứng nhu cầu thông tin của người tiêu dùng. Chất lượng nội dung là một trong những yếu tố quan trọng quyết định nhận thức và hành vi của người dùng đối với hệ thống thông tin (DeLone và McLean, 2003). Các nội dung, đề xuất, hoặc tương tác do AI tạo ra được người tiêu dùng xem xét và có ảnh hưởng mạnh đến quyết định mua hàng (Khan, 2022).

Trong nghiên cứu này, chất lượng nội dung AI được hiểu là mức độ chính xác, rõ ràng, hữu ích và hấp dẫn của nội dung marketing do AI tạo ra.

Tính cá nhân hóa (Personalization) là quá trình điều chỉnh sản phẩm, dịch vụ hoặc thông tin để phù hợp với nhu cầu và sở thích riêng của từng khách hàng (Vesanen, 2005). Cá nhân hóa làm tăng tương tác, sự tin tưởng, hài lòng của người tiêu dùng và thúc đẩy quyết định mua hàng (Wang và cộng sự, 2025). Cá nhân hóa và tối ưu hóa nội dung giúp tăng nhận thức về thương hiệu và sản phẩm bằng cách cung cấp thông tin chính xác, kịp thời và phù hợp với sở thích cá nhân (Beyari và Hashem, 2025). Nội dung từ AI sử dụng dữ liệu khách hàng để đề xuất sản phẩm phù hợp dựa trên sở thích và lịch sử mua sắm cá nhân, giúp người tiêu dùng tiếp cận những ưu đãi tốt nhất, tối ưu trải nghiệm ở từng điểm tương tác, từ đó tăng sự gắn kết và trung thành (Chowdhury và cộng sự, 2024). AI giúp tự động hóa, phân tích dữ liệu lớn, nhận diện mẫu để cá nhân hóa trải nghiệm khách hàng, từ đó nâng cao giá trị và sự hài lòng (Kumar và cộng sự, 2019).

Tính minh bạch (Transparency) là mức độ mà thông tin được công khai, dễ tiếp cận và dễ hiểu đối với các bên liên quan (Schnackenberg và Tomlinson, 2016). Trong bối cảnh AI, tính minh bạch thể hiện việc doanh nghiệp công khai và giải thích rõ ràng việc sử dụng AI trong hoạt động marketing

Niềm tin vào nội dung AI (Trust in AI) là sự sẵn lòng dựa vào một đối tượng mà cá nhân tin rằng đối tượng đó đáng tin cậy và có năng lực thực hiện cam kết (Morgan và Hunt, 1994). Trong nghiên cứu này, niềm tin vào nội dung AI được hiểu là mức độ người tiêu dùng tin tưởng vào tính chính xác, độ tin cậy và chất lượng của nội dung được tạo bởi AI.

Giá trị cảm nhận (Perceived Value) là sự đánh giá tổng thể của người tiêu dùng về lợi ích nhận được so với chi phí phải bỏ ra khi sử dụng sản phẩm hoặc dịch vụ (Zeithaml, 1988). Trong nghiên cứu này, giá trị cảm nhận phản ánh những lợi ích mà khách hàng cảm nhận được từ nội dung marketing do AI tạo ra.

Hành vi mua hàng (Purchase Behavior) là một quá trình bao gồm nhận diện nhu cầu, tìm kiếm thông tin, đánh giá các lựa chọn, quyết định mua và hành vi sau mua của người tiêu dùng (Karemani và Memeti, 2023). Trong nghiên cứu này, hành vi mua hàng phản ánh xu hướng lựa chọn và quyết định mua sản phẩm sau khi tiếp xúc với nội dung marketing do AI tạo ra.

Phát triển giả thuyết nghiên cứu

Mối quan hệ giữa chất lượng nội dung AI và niềm tin vào nội dung tạo bởi AI

Chất lượng nội dung được xem là một trong những yếu tố quan trọng quyết định nhận thức và đánh giá của người tiêu dùng đối với thông tin mà họ tiếp nhận. Trong khi chất lượng thông tin được thể hiện thông qua tính chính xác, đầy đủ, rõ ràng và hữu ích của nội dung (DeLone và McLean, 2003).

Đối với nội dung do AI tạo ra, khi người tiêu dùng nhận thấy nội dung có tính chính xác, dễ hiểu và hữu ích, họ sẽ có xu hướng tin tưởng hơn vào khả năng của AI trong việc cung cấp thông tin đáng tin cậy. Do đó, giả thuyết nghiên cứu được đề xuất:

H1: Chất lượng nội dung AI có tác động tích cực đến Niềm tin vào nội dung tạo bởi AI.

Mối quan hệ giữa tính cá nhân hóa và niềm tin vào nội dung tạo bởi AI

Tính cá nhân hóa đề cập đến khả năng cung cấp nội dung phù hợp với nhu cầu, sở thích và đặc điểm riêng của từng khách hàng. Cá nhân hóa là việc điều chỉnh sản phẩm, dịch vụ và thông điệp cho từng khách hàng dựa trên dữ liệu được thu thập về sở thích và hành vi của họ (Arora và cộng sự, 2008). Khi người tiêu dùng nhận thấy nội dung AI phản ánh đúng nhu cầu và sở thích của mình, họ sẽ đánh giá cao khả năng của hệ thống AI và hình thành niềm tin đối với nội dung được tạo ra.

Từ những lập luận trên, giả thuyết nghiên cứu được đề xuất:

H2: Tính cá nhân hóa có tác động tích cực đến Niềm tin vào nội dung tạo bởi AI.

Mối quan hệ giữa tính minh bạch và niềm tin vào nội dung tạo bởi AI

Tính minh bạch phản ánh mức độ công khai và rõ ràng của doanh nghiệp trong việc sử dụng AI để tạo ra nội dung marketing. Hơn nữa, tính minh bạch giúp giảm sự bất cân xứng thông tin, tăng cường sự hiểu biết và củng cố niềm tin của các bên liên quan (Schnackenberg và Tomlinson, 2016). Khi doanh nghiệp công khai việc sử dụng AI và minh bạch về cách thức vận hành của công nghệ này, người tiêu dùng sẽ cảm thấy an tâm hơn và dễ dàng hình thành niềm tin đối với nội dung được cung cấp. Do đó, nghiên cứu đề xuất giả thuyết:

H3: Tính minh bạch có tác động tích cực đến Niềm tin vào nội dung tạo bởi AI.

Mối quan hệ giữa niềm tin vào nội dung tạo bởi AI và giá trị cảm nhận

Niềm tin giúp giảm sự không chắc chắn trong quá trình trao đổi, đồng thời thúc đẩy nhận thức tích cực của khách hàng về lợi ích họ nhận được. Khi khách hàng tin tưởng, họ có xu hướng đánh giá cao hơn giá trị của nguồn thông tin đó (Morgan và Hunt, 1994). Khi người tiêu dùng tin tưởng vào nền tảng hoặc thông tin trực tuyến, họ cảm nhận được nhiều lợi ích hơn trong việc tìm kiếm thông tin và ra quyết định mua hàng (Kim và cộng sự, 2008). Ngoài ra, niềm tin là tiền đề quan trọng giúp người dùng nhận thức rõ hơn về lợi ích mà AI mang lại (Glikson và Woolley, 2020). Niềm tin vào nội dung AI giúp người tiêu dùng nhận thấy giá trị lớn hơn, như tiết kiệm thời gian, hỗ trợ ra quyết định và nâng cao trải nghiệm mua sắm. Do đó, nghiên cứu đề xuất giả thuyết:

H4: Niềm tin vào nội dung tạo bởi AI có tác động tích cực đến Giá trị cảm nhận.

Mối quan hệ giữa giá trị cảm nhận và hành vi mua hàng.

Giá trị cảm nhận là sự đánh giá tổng thể của khách hàng về lợi ích nhận được so với chi phí bỏ ra (Zeithaml, 1988). Cả giá trị cảm nhận có tác động tích cực lớn đến ý định mua hang của khách hàng (Luo và cộng sự, 2025). Nội dung từ AI không trực tiếp làm tăng ý định mua hàng, mà tác động thông qua việc làm gia tăng giá trị cảm nhận của người tiêu dùng (Yin và Qiu, 2021).

Khi khách hàng nhận thấy nội dung AI mang lại giá trị hữu ích trong việc tìm kiếm thông tin, đánh giá sản phẩm và hỗ trợ quyết định mua hàng, họ sẽ có xu hướng lựa chọn và mua sản phẩm nhiều hơn. Do đó, giá trị cảm nhận được kỳ vọng đóng vai trò thúc đẩy hành vi mua hàng trong môi trường marketing ứng dụng AI. Giả thuyết nghiên cứu được đề xuất:

H5: Giá trị cảm nhận có tác động tích cực đến Hành vi mua hàng.

Mô hình nghiên cứu đề xuất

Từ cơ sở lý thuyết và các giả thuyết trên, tác giả đề xuất mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu

Nguồn: Đề xuất của tác giả

PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế nghiên cứu

Nghiên cứu được thực hiện theo phương pháp định lượng nhằm kiểm định các mối quan hệ giữa Chất lượng nội dung AI, Tính cá nhân hóa, Tính minh bạch, Niềm tin vào nội dung AI, Giá trị cảm nhận và Hành vi mua hàng của người tiêu dùng trên các nền tảng thương mại điện tử.

Quy trình nghiên cứu được triển khai qua 3 giai đoạn: (i) Tác giả tổng quan lý thuyết và các nghiên cứu trước để xây dựng mô hình và các giả thuyết nghiên cứu; (ii) Xây dựng bảng hỏi khảo sát dựa trên các thang đo đã được kiểm định trong các nghiên cứu trước và điều chỉnh cho phù hợp với bối cảnh nghiên cứu; (iii) Dữ liệu thu thập được xử lý bằng phần mềm SPSS 32.0 và SmartPLS 4.0 để kiểm định mô hình nghiên cứu.

Xây dựng thang đo

Mô hình nghiên cứu bao gồm 6 biến với tổng cộng 24 biến quan sát (Bảng 1), trong đó có 3 biến độc lập (Chất lượng nội dung AI - CQ; Tính cá nhân hóa - PC, Tính minh bạch - TP), 2 biến trung gian (Niềm tin vào nội dung AI - TR, Giá trị cảm nhận - PV) và 1 biến phụ thuộc (Hành vi mua hàng - PB). Bảng khảo sát được thiết kế cho phù hợp với bối cảnh nghiên cứu tại Việt Nam. Thang đo Likert 5 mức được sử dụng, trong đó 1 là “Hoàn toàn không đồng ý” và 5 là “Hoàn toàn đồng ý”. Các biến quan sát được điều chỉnh cho phù hợp với bối cảnh nội dung marketing do AI tạo ra tại Việt Nam.

Bảng 1: Danh sách các biến quan sát

Mã quan sát	Nội dung quan sát	Biến tiềm ẩn
CQ1	Nội dung mô tả sản phẩm do AI tạo có độ chính xác cao	Chất lượng nội dung AI
CQ2	Nội dung do AI tạo rõ ràng và dễ hiểu	Chất lượng nội dung AI
CQ3	Nội dung AI cung cấp thông tin đầy đủ và hữu ích về sản phẩm	Chất lượng nội dung AI
CQ4	Nội dung AI hấp dẫn, làm tôi chú ý khi mua sắm trên nền tảng TMĐT	Chất lượng nội dung AI
PC1	Nội dung và gợi ý sản phẩm do AI cung cấp phù hợp với sở thích của tôi	Tính cá nhân hóa
PC2	Nội dung AI phù hợp với nhu cầu cá nhân của tôi	Tính cá nhân hóa
PC3	Tôi cảm thấy nội dung AI được cá nhân hóa riêng cho tôi	Tính cá nhân hóa
PC4	Nội dung AI giới thiệu các sản phẩm phù hợp với mối quan tâm của tôi	Tính cá nhân hóa
TR1	Tôi tin rằng nội dung AI tạo ra đáng tin cậy và chính xác	Niềm tin vào nội dung AI
TR2	Tôi cảm thấy an tâm khi tiếp nhận các nội dung quảng cáo do AI tạo	Niềm tin vào nội dung AI
TR3	Nội dung AI giúp tôi yên tâm khi đưa ra quyết định mua hàng	Niềm tin vào nội dung AI
TR4	Tôi tin rằng AI có khả năng tạo ra nội dung chất lượng cao	Niềm tin vào nội dung AI
TP1	Tôi muốn biết rõ khi nào nội dung được tạo bởi AI	Tính minh bạch
TP2	Doanh nghiệp nên công khai việc sử dụng AI trong marketing	Tính minh bạch
TP3	Doanh nghiệp cần minh bạch về cách thức sử dụng AI trong hoạt động marketing	Tính minh bạch
TP4	Tôi đánh giá cao các doanh nghiệp minh bạch về việc sử dụng AI	Tính minh bạch
PV1	Nội dung AI giúp tôi tiết kiệm thời gian tìm hiểu sản phẩm trên TMĐT	Giá trị cảm nhận
PV2	AI góp phần nâng cao trải nghiệm mua sắm của tôi trên các nền tảng TMĐT	Giá trị cảm nhận
PV3	Tôi cảm nhận nội dung AI có giá trị thực sự đối với quyết định mua hàng của tôi	Giá trị cảm nhận
PV4	Nội dung AI làm rõ hơn lợi ích của sản phẩm/dịch vụ đối với tôi	Giá trị cảm nhận
PB1	Tôi có ý định mua sản phẩm được giới thiệu qua nội dung AI trên nền tảng TMĐT	Hành vi mua hàng
PB2	Nội dung AI làm tăng khả năng tôi quyết định mua hàng	Hành vi mua hàng
PB3	Tôi sẵn sàng tiếp nhận và cân nhắc sản phẩm được quảng bá qua nội dung AI	Hành vi mua hàng
PB4	Tôi có xu hướng lựa chọn thương hiệu sử dụng nội dung AI hiệu quả	Hành vi mua hàng

Nguồn: Tác giả tổng hợp

Thu thập dữ liệu và mẫu nghiên cứu

Dữ liệu được thu thập thông qua khảo sát từ biểu mẫu Google form từ ngày 3/3-26/3/2026 đối với người tiêu dùng Việt Nam đã từng tiếp xúc với các nội dung marketing được tạo bởi AI trên các nền tảng mạng xã hội như Facebook, TikTok, YouTube cũng như các website và các ứng dụng thương mại điện tử.

Kích thước mẫu tối thiểu được xác định bằng phân tích công suất thống kê Power Analysis sử dụng phần mềm G*Power 3.1.9.7 theo khuyến nghị theo Sarstedt và cộng sự (Sarstedt và cộng sự, 2023). Với mức ý nghĩa α = 0,05, công suất kiểm định 1-β = 0,95, kích thước ảnh hưởng trung bình f² = 0,15 và số biến dự báo lớn nhất là 3 (Biến TR có số biến độc lập tác động trực tiếp là CQ, PC, TP), kết quả phân tích cho thấy kích thước mẫu tối thiểu cần đạt là 119 quan sát. Nghiên cứu thu thập được 291 bảng khảo sát hợp lệ, vượt đáng kể yêu cầu tối thiểu và đảm bảo độ tin cậy cho phân tích PLS-SEM.

Phương pháp nghiên cứu

Dữ liệu thu thập được xử lý bằng phần mềm SPSS 32.0 và SmartPLS 4.0 thông qua các bước sau:

< >Thống kê mô tả nhằm phân tích đặc điểm mẫu nghiên cứu.Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach's Alpha và đánh giá hệ số tương quan biến - tổng. Đánh giá mô hình đo lường bằng phương pháp PLS-SEM thông qua các tiêu chí: hệ số tải ngoài, độ tin cậy tổng hợp, phương sai trích trung bình và giá trị phân biệt theo tiêu chí Fornell-Larcker và HTMT.Kiểm định mô hình cấu trúc và các giả thuyết nghiên cứu bằng kỹ thuật Bootstrapping với 5.000 mẫu lặp. Các giả thuyết được chấp nhận khi giá trị p nhỏ hơn 0,05.Đánh giá khả năng giải thích của mô hình thông qua các chỉ tiêu R² và kích thước ảnh hưởng f².Nghiên cứu thu thập được 291 bảng khảo sát hợp lệ và được sử dụng cho phân tích chính thức. Mẫu nghiên cứu bao gồm các nhóm đối tượng có đặc điểm nhân khẩu học khác nhau về giới tính, độ tuổi, nghề nghiệp có sử dụng nền tảng thương mại điện tử (Bảng 2). Việc phân bố đa dạng về đặc điểm nhân khẩu học góp phần nâng cao tính đại diện của mẫu nghiên cứu.

Bảng 2: Đặc điểm mẫu nghiên cứu

Đặc điểm	Số lượng	Tỷ lệ %
Giới tính
Nam	99	34,02
Nữ	192	65.98
Tổng	291	100,00
Độ tuổi
Dưới 18	16	5,50
Từ 18 đến 24	87	29,90
Từ 25 đến 34	88	30,24
Từ 35 đến 44	90	30,93
Trên 45	10	3,44
Tổng	291	100,00
Nghề nghiệp
Học sinh/Sinh viên	103	35,40
Nhân viên văn phòng/Giáo viên	153	52,58
Lao động tự do	31	10,65
Khác	4	1,37
Tổng	291	100,00

Nguồn: Kết quả khảo sát và tính toán trên phần mềm SPSS

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

Độ tin cậy của các thang đo được đánh giá thông qua hệ số Cronbach's Alpha. Thang đo được chấp nhận khi Cronbach's Alpha lớn hơn 0,7 và hệ số tương quan biến tổng (Corrected Item-Total Correlation) lớn hơn 0,3 (Sarstedt và cộng sự, 2023).

Kết quả phân tích (Bảng 3) cho thấy tất cả các thang đo đều đạt yêu cầu về độ tin cậy với hệ số Cronbach's Alpha dao động từ 0,849 đến 0,887.

Bảng 3: Hệ số tin cậy Cronbach's Alpha

STT	Thang đo	Số biến quan sát	Cronbach's Alpha
1	Chất lượng nội dung AI (CQ)	4	0,849
2	Tính cá nhân hóa (PC)	4	0,870
3	Tính minh bạch (TP)	4	0,850
4	Niềm tin vào nội dung AI (TR)	4	0,887
5	Giá trị cảm nhận (PV)	4	0,868
6	Hành vi mua hàng (PB)	4	0,870

Nguồn: Kết quả khảo sát và tính toán trên phần mềm SPSS

Bảng 4: Hệ số tương quan biến - tổng (Corrected Item-Total Correlation)

Mã biến	Tên biến	Hệ số tương quan biến - tổng
CQ1	Nội dung mô tả sản phẩm do AI tạo có độ chính xác cao	0,763
CQ2	Nội dung do AI tạo rõ ràng và dễ hiểu	0,715
CQ3	Nội dung AI cung cấp thông tin đầy đủ và hữu ích về sản phẩm	0,711
CQ4	Nội dung AI hấp dẫn, làm tôi chú ý khi mua sắm trên nền tảng TMĐT	0,700
PC1	Nội dung và gợi ý sản phẩm do AI cung cấp phù hợp với sở thích của tôi	0,766
PC2	Nội dung AI phù hợp với nhu cầu cá nhân của tôi	0,726
PC3	Tôi cảm thấy nội dung AI được cá nhân hóa riêng cho tôi	0,762
PC4	Nội dung AI giới thiệu các sản phẩm phù hợp với mối quan tâm của tôi	0,710
TR1	Tôi tin rằng nội dung AI tạo ra đáng tin cậy và chính xác	0,750
TR2	Tôi cảm thấy an tâm khi tiếp nhận các nội dung quảng cáo do AI tạo	0,779
TR3	Nội dung AI giúp tôi yên tâm khi đưa ra quyết định mua hàng	0,750
TR4	Tôi tin rằng AI có khả năng tạo ra nội dung chất lượng cao	0,738
TP1	Tôi muốn biết rõ khi nào nội dung được tạo bởi AI	0,615
TP2	Doanh nghiệp nên công khai việc sử dụng AI trong marketing	0,608
TP3	Doanh nghiệp cần minh bạch về cách thức sử dụng AI trong hoạt động marketing	­0,610
TP4	Tôi đánh giá cao các doanh nghiệp minh bạch về việc sử dụng AI	0,612
PV1	Nội dung AI giúp tôi tiết kiệm thời gian tìm hiểu sản phẩm trên TMĐT	0,725
PV2	AI góp phần nâng cao trải nghiệm mua sắm của tôi trên các nền tảng TMĐT	0,733
PV3	Tôi cảm nhận nội dung AI có giá trị thực sự đối với quyết định mua hàng của tôi	0,744
PV4	Nội dung AI làm rõ hơn lợi ích của sản phẩm/dịch vụ đối với tôi	0,769
PB1	Tôi có ý định mua sản phẩm được giới thiệu qua nội dung AI trên nền tảng TMĐT	0,766
PB2	Nội dung AI làm tăng khả năng tôi quyết định mua hàng	0,745
PB3	Tôi sẵn sàng tiếp nhận và cân nhắc sản phẩm được quảng bá qua nội dung AI	0,724
PB4	Tôi có xu hướng lựa chọn thương hiệu sử dụng nội dung AI hiệu quả	0,760

Nguồn: Kết quả khảo sát và tính toán trên phần mềm SPSS

Các biến quan sát đều có hệ số tương quan biến tổng lớn hơn 0,6 (Bảng 4) được xem là đạt yêu cầu và phản ánh tốt khái niệm nghiên cứu. Do đó, toàn bộ 24 biến quan sát được giữ lại để tiếp tục phân tích mô hình bằng SmartPLS.

Đánh giá mô hình đo lường bằng PLS-SEM

Đánh giá độ tin cậy và giá trị hội tụ

Độ tin cậy và giá trị hội tụ của mô hình đo lường được đánh giá thông qua hệ số tải ngoài, Cronbach's Alpha, Độ tin cậy tổng hợp (CR) và Phương sai trích trung bình (AVE). Các thang đo đạt yêu cầu khi hệ số tải ngoài lớn hơn 0,7; CR lớn hơn 0,7; đồng thời AVE lớn hơn 0,5.

Kết quả (Bảng 5, Bảng 6) cho thấy tất cả các biến quan sát đều có hệ số tải ngoài lớn hơn 0,8. Bên cạnh đó, CR dao động từ 0,899 đến 0,922 và AVE dao động từ 0,690 đến 0,748. Do đó, các thang đo đều đạt độ tin cậy và giá trị hội tụ.

Bảng 5: Kết quả đánh giá độ tin cậy tổng hợp và giá trị hội tụ

Thang đo	Độ tin cậy tổng hợp (CR)	Phương sai trích trung bình (AVE)
CQ	0,902	0,697
PB	0,912	0,720
PC	0,912	0,722
PV	0,911	0,718
TP	0,899	0,690
TR	0,922	0,748

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Bảng 6: Hệ số tải ngoài của các biến quan sát

Biến tiềm ẩn	Biến quan sát	Hệ số tải ngoài (Outer Loading)
Chất lượng nội dung AI (CQ)	CQ1	0,874
	CQ2	0,839
	CQ3	0,815
	CQ4	0,809
Tính cá nhân hóa (PC)	PC1	0,863
	PC2	0,855
	PC3	0,859
	PC4	0,821
Tính minh bạch (TP)	TP1	0,834
	TP2	0,836
	TP3	0,826
	TP4	0,826
Niềm tin vào nội dung AI (TR)	TR1	0,866
	TR2	0,873
	TR3	0,866
	TR4	0,854
Giá trị cảm nhận (PV)	PV1	0,843
	PV2	0,859
	PV3	0,836
	PV4	0,852
Hành vi mua hàng (PB)	PB1	0,866
	PB2	0,832
	PB3	0,837
	PB4	0,859

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Đánh giá giá trị phân biệt

Giá trị phân biệt của mô hình được đánh giá thông qua tiêu chí Fornell-Larcker. Mô hình đạt giá trị phân biệt khi căn bậc hai của phương sai trích trung bình (AVE) của mỗi biến tiềm ẩn lớn hơn hệ số tương quan giữa biến đó với các biến tiềm ẩn còn lại (Fornell và Larcker, 1981).

Kết quả phân tích cho thấy giá trị căn bậc hai AVE của các biến tiềm ẩn dao động từ 0,830 đến 0,865 và đều lớn hơn các hệ số tương quan tương ứng với các biến còn lại trong cùng hàng và cột. Cụ thể, biến Chất lượng nội dung AI (CQ) có căn bậc hai AVE là 0,835, lớn hơn hệ số tương quan cao nhất với các biến khác là 0,780; biến Hành vi mua hàng (PB) có căn bậc hai AVE đạt 0,849, lớn hơn hệ số tương quan cao nhất là 0,818. Tương tự, các biến PC, PV, TP và TR đều đáp ứng tiêu chuẩn Fornell-Larcker (Bảng 7).

Bảng 7: Giá trị phân biệt theo tiêu chuẩn Fornell-Larcker

Biến	CQ	PB	PC	PV	TP	TR
CQ	0,835
PB	0,776	0,849
PC	0,771	0,794	0,850
PV	0,780	0,806	0,768	0,848
TP	0,651	0,612	0,642	0,660	0,830
TR	0,775	0,818	0,788	0,776	0,582	0,865

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Bảng 8: Chỉ số HTMT

Biến	CQ	PB	PC	PV	TP	TR
CQ
PB	0,901
PC	0,893	0,911
PV	0,905	0,925	0,881
TP	0,763	0,712	0,745	0,769
TR	0,889	0,929	0,895	0,883	0,668

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Giá trị phân biệt được đảm bảo khi: HTMT < 0,900. Giá trị phân biệt tiếp tục được đánh giá thông qua chỉ số HTMT (Henseler và cộng sự, 2015). Kết quả (Bảng 8) cho thấy phần lớn các giá trị HTMT đều nhỏ hơn ngưỡng 0,90, chứng tỏ các khái niệm nghiên cứu có sự phân biệt tương đối tốt. Tuy nhiên, một số cặp biến như PB-TR (0,929), PB-PV (0,925) và PC-PB (0,911) có giá trị HTMT vượt nhẹ ngưỡng khuyến nghị. Điều này phản ánh mức độ liên hệ chặt chẽ giữa các khái niệm trong mô hình nghiên cứu. Mặc dù vậy, mô hình vẫn đáp ứng tiêu chuẩn Fornell-Larcker cùng các chỉ tiêu độ tin cậy và giá trị hội tụ.

Kiểm định mô hình cấu trúc và giả thuyết nghiên cứu

Kết quả Bootstrapping với 5.000 mẫu lặp được sử dụng để kiểm định các giả thuyết nghiên cứu.

Kết quả (Bảng 9) cho thấy chất lượng nội dung AI có ảnh hưởng tích cực đến niềm tin vào nội dung AI (β = 0,405; p < 0,001), do đó giả thuyết H1 được chấp nhận. Tương tự, tính cá nhân hóa có tác động tích cực đến niềm tin vào nội dung AI (β = 0,462; p < 0,001), qua đó giả thuyết H2 được chấp nhận.

Ngược lại, tính minh bạch không có ảnh hưởng có ý nghĩa thống kê đến niềm tin vào nội dung AI (β = 0,021; p = 0,693 > 0,05), vì vậy giả thuyết H3 bị bác bỏ.

Ngoài ra, niềm tin vào nội dung AI có tác động tích cực đến giá trị cảm nhận (β = 0,776; p < 0,001), do đó H4 được chấp nhận. Giá trị cảm nhận cũng có tác động tích cực đến hành vi mua hàng (β = 0,806; p < 0,001), do đó giả thuyết H5 được chấp nhận.

Bảng 9: Kết quả kiểm định giả thuyết nghiên cứu

Giả thuyết	Mối quan hệ	Original sample (β)	Sample mean (M)	Standard deviation (STDEV)	T statistics (|O/STDEV|)	P values
H1	CQ → TR	0,405	0,407	0,062	6,561	0,000
H2	PC → TR	0,462	0,460	0,054	8,489	0,000
H3	TP → TR	0,021	0,023	0,053	0,395	0,693
H4	TR → PV	0,776	0,777	0,031	25,375	0,000
H5	PV → PB	0,806	0,806	0,025	32,168	0,000

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Đánh giá mức độ giải thích của mô hình

Kết quả phân tích (Bảng 10) cho thấy hệ số xác định R² của biến Niềm tin vào nội dung AI đạt 0,690, nghĩa là các biến chất lượng nội dung AI, Tính cá nhân hóa và Tính minh bạch giải thích được 69,0% sự biến thiên của Niềm tin. Đồng thời, Niềm tin giải thích được 60,3% sự biến thiên của Giá trị cảm nhận (R² = 0,603), trong khi Giá trị cảm nhận giải thích được 65,0% sự biến thiên của Hành vi mua hàng (R² = 0,650).

Bảng 10: Hệ số xác định của mô hình

Biến phụ thuộc	R2
PB	0,650
PV	0,603
TR	0,690

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Bảng 11: Kích thước ảnh hưởng của các biến

Mối quan hệ	f2
CQ → TR	0,194
PC → TR	0,256
PV → PB	1,857
TP → TR	0,001
TR → PV	1,518

Nguồn: Kết quả tính toán và xử lý dữ liệu bằng SmartPLS

Kết quả phân tích kích thước ảnh hưởng (f²) (Bảng 11) cho thấy Chất lượng nội dung AI (CQ) và Tính cá nhân hóa (PC) đều có mức ảnh hưởng trung bình đến Niềm tin vào nội dung AI (TR) với giá trị (f²) lần lượt là 0,194 và 0,256. Trong đó, Tính cá nhân hóa có mức ảnh hưởng mạnh hơn so với Chất lượng nội dung AI đối với việc hình thành niềm tin của người tiêu dùng.

Ngược lại, Tính minh bạch (TP) có kích thước ảnh hưởng rất nhỏ (f² = 0,001), cho thấy biến này hầu như không tạo ra tác động thực tế đến Niềm tin vào nội dung AI (TR). Kết quả này cũng phù hợp với kiểm định giả thuyết, khi mối quan hệ TP với TR không có ý nghĩa thống kê (p > 0,05).

Bên cạnh đó, Niềm tin vào nội dung AI (TR) có ảnh hưởng rất lớn đến Giá trị cảm nhận (PV) (f²=1,518), trong khi Giá trị cảm nhận (PV) cũng tạo ra ảnh hưởng rất lớn đến Hành vi mua hàng (PB) (f²=1,857). Điều này cho thấy Niềm tin và Giá trị cảm nhận là 2 yếu tố trung tâm quyết định Hành vi mua hàng của người tiêu dùng trong bối cảnh sử dụng nội dung do AI tạo ra trên các nền tảng thương mại điện tử.

KẾT LUẬN VÀ HÀM Ý

Kết luận

Nghiên cứu được thực hiện nhằm đánh giá tác động của nội dung do AI tạo ra đến hành vi mua hàng của người tiêu dùng trên các nền tảng thương mại điện tử. Trên cơ sở khảo sát 291 người tiêu dùng và sử dụng phương pháp PLS-SEM, nghiên cứu đã kiểm định mối quan hệ giữa Chất lượng nội dung AI, Tính cá nhân hóa, Tính minh bạch, Niềm tin vào nội dung AI, Giá trị cảm nhận và Hành vi mua hàng của người tiêu dùng tại Việt Nam.

Kết quả nghiên cứu cho thấy, Chất lượng nội dung AI và Tính cá nhân hóa có tác động tích cực và có ý nghĩa thống kê đến Niềm tin vào nội dung AI. Trong đó, Tính cá nhân hóa có ảnh hưởng mạnh hơn so với Chất lượng nội dung. Điều này cho thấy người tiêu dùng có xu hướng tin tưởng hơn vào các nội dung AI khi những nội dung này phù hợp với nhu cầu, sở thích và bối cảnh cá nhân của họ.

Ngoài ra, kết quả nghiên cứu cũng chỉ ra rằng, Tính minh bạch không có tác động đáng kể đến Niềm tin vào nội dung AI. Kết quả này cho thấy mặc dù người tiêu dùng quan tâm đến tính minh bạch trong việc sử dụng AI, song yếu tố này chưa thực sự trở thành tiêu chí quyết định niềm tin trong bối cảnh thương mại điện tử hiện nay. Niềm tin vào nội dung AI có ảnh hưởng tích cực mạnh mẽ đến Giá trị cảm nhận, và Giá trị cảm nhận tiếp tục tác động tích cực đến Hành vi mua hàng của người tiêu dùng. Điều này khẳng định vai trò trung gian quan trọng của niềm tin và giá trị cảm nhận trong việc chuyển hóa tác động của nội dung AI thành hành vi mua hàng thực tế.

Kết quả nghiên cứu góp phần bổ sung cơ sở lý thuyết về hành vi người tiêu dùng trong môi trường số, đồng thời cung cấp bằng chứng thực nghiệm về vai trò của nội dung do AI tạo ra đối với hoạt động marketing trên các nền tảng thương mại điện tử.

Hàm ý quản trị

Từ các kết quả nghiên cứu, một số hàm ý quản trị được đề xuất đối với doanh nghiệp kinh doanh trên nền tảng thương mại điện tử, cụ thể:

Chú trọng nâng cao chất lượng nội dung do AI tạo ra. Kết quả nghiên cứu cho thấy chất lượng nội dung AI có ảnh hưởng tích cực đến niềm tin của người tiêu dùng. Do đó, doanh nghiệp cần đầu tư vào các công cụ AI có khả năng tạo ra nội dung chính xác, đầy đủ, hấp dẫn và phù hợp với đặc điểm sản phẩm. Nội dung quảng bá cần đảm bảo tính hữu ích, dễ hiểu, phản ánh đúng đặc tính sản phẩm nhằm hạn chế tình trạng thông tin sai lệch hoặc gây hiểu nhầm cho khách hàng.

Tăng cường khả năng cá nhân hóa nội dung marketing. Tính cá nhân hóa được xác định là yếu tố có tác động mạnh nhất đến niềm tin vào nội dung AI. Việc ứng dụng AI trong phân tích hành vi, sở thích, lịch sử mua sắm và nhu cầu của khách hàng sẽ giúp doanh nghiệp đề xuất sản phẩm phù hợp hơn, từ đó nâng cao trải nghiệm và gia tăng niềm tin của người tiêu dùng.

Xây dựng và củng cố niềm tin của khách hàng đối với nội dung AI. Kết quả nghiên cứu cho thấy niềm tin đóng vai trò trung gian quan trọng trong việc thúc đẩy giá trị cảm nhận và hành vi mua hàng. Do đó, doanh nghiệp cần cung cấp thông tin rõ ràng về sản phẩm, kết hợp đánh giá của khách hàng thực tế, công khai nguồn thông tin và thường xuyên cập nhật nội dung.

Tập trung gia tăng giá trị cảm nhận của khách hàng. Kết quả nghiên cứu cho thấy giá trị cảm nhận có ảnh hưởng rất mạnh đến hành vi mua hàng. Do đó, doanh nghiệp phải tạo ra những trải nghiệm mua sắm tích cực cho khách hàng thông qua việc tối ưu hóa giao diện, cải thiện dịch vụ chăm sóc khách hàng, rút ngắn thời gian phản hồi và cá nhân hóa trải nghiệm mua sắm.

Hạn chế của nghiên cứu và hướng nghiên cứu tiếp theo

Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện nên khả năng khái quát hóa kết quả còn hạn chế.

Nghiên cứu chỉ xem xét một số yếu tố liên quan đến nội dung AI, trong khi hành vi mua hàng còn chịu ảnh hưởng của nhiều yếu tố khác như nhận thức rủi ro, sự gắn kết thương hiệu, ảnh hưởng xã hội hay đặc điểm cá nhân của người tiêu dùng.

Nghiên cứu được thực hiện tại một thời điểm nhất định nên chưa phản ánh được sự thay đổi trong nhận thức và hành vi của người tiêu dùng theo thời gian.

Do đó, các nghiên cứu trong tương lai có thể mở rộng phạm vi khảo sát, áp dụng phương pháp lấy mẫu xác suất, đồng thời bổ sung các biến nghiên cứu mới như nhận thức rủi ro, sự hài lòng, ảnh hưởng xã hội hoặc kiểm định vai trò điều tiết của độ tuổi, giới tính và kinh nghiệm mua sắm trực tuyến nhằm nâng cao khả năng giải thích của mô hình nghiên cứu.

Tài liệu tham khảo:

1. Arora, N., Dreze, X., Ghose, A., Hess, J. D., Iyengar, R., Jing, B., Joshi, Y., Kumar, V., Lurie, N., & Neslin, S. (2008). Putting one-to-one marketing to work: Personalization, customization, and choice. Marketing Letters, 19(3), 305-321.

2. Beyari, H., & Hashem, T. (2025). The role of artificial intelligence in personalizing social media marketing strategies for enhanced customer experience. Behavioral Sciences, 15(5), 700.

3. Choung, H., David, P., & Ross, A. (2023). Trust in AI and its role in the acceptance of AI technologies. International Journal of Human-Computer Interaction, 39(9), 1727-1739.

4. Chowdhury, S., Basu, S., Ashoka, N., & Singh, P. K. (2024). Influence of AI driven digital marketing on consumer purchase intention: An empirical study. Journal of Informatics Education and Research, 4(2), 575-582.

5. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3), 319-340.

6. DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: a ten-year update. Journal of management information systems, 19(4), 9-30.

7. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50.

8. Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of management annals, 14(2), 627-660.

9. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the academy of marketing science, 43(1), 115-135.

10. Karemani, S. M., & Memeti, E. (2023). Market competition determinants of consumer behavior. Corporate and Business Strategy Review, 4(2), 208-224.

11. Kim, D. J., Ferrin, D. L., & Rao, H. R. (2008). A trust-based consumer decision-making model in electronic commerce: The role of trust, perceived risk, and their antecedents. Decision support systems, 44(2), 544-564.

12. Kumar, V., Rajan, B., Venkatesan, R., & Lecinski, J. (2019). Understanding the role of artificial intelligence in personalized engagement marketing. California management review, 61(4), 135-155.

13. Khan, S. I. (2022). Impact of artificial intelligence on consumer buying behaviors: Study about the online retail purchase. International journal of health sciences(II), 8121-8129.

14. Luo, J., Zhang, K., & Du, J. (2025). Exploring the Impact Mechanism of AIGC-Driven Social Media Marketing Content on Consumer Decision-Making Behavior: A Two-Stage Hybrid Approach. IEEE Access.

15. Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of marketing, 58(3), 20-38.

16. Sarstedt, M., Hair Jr, J. F., & Ringle, C. M. (2023). “PLS-SEM: indeed a silver bullet”-retrospective observations and recent advances. Journal of Marketing theory and Practice, 31(3), 261-275.

17. Schnackenberg, A. K., & Tomlinson, E. C. (2016). Organizational transparency: A new perspective on managing trust in organization-stakeholder relationships. Journal of management, 42(7), 1784-1810.

18. Vesanen, J. (2005). What is personalization?: a literature review and framework.

19. Wang, L., Jing, Z., Li, H., Li, C., & Su, Y. (2025). The influence of AI-driven personalization in social media marketing on consumer purchase decisions and behavior. International Journal of Accounting and Economics Studies, 12(5), 438-444.

20. Yin, J., & Qiu, X. (2021). AI technology and online purchase intention: Structural equation model based on perceived value. Sustainability, 13(10), 5671.

21. Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: a means-end model and synthesis of evidence. Journal of marketing, 52(3), 2-22.

Ngày nhận bài: 20/4/2026; Ngày hoàn thiện biên tập: 28/6/2026; Ngày nhận: 20/6/2026