Tác động của năng lực hiểu biết về trí tuệ nhân tạo đối với hành mua sắm của Gen Z trên các nền tảng thương mại điện tử có ứng dụng AI tại Việt Nam
Published: August 3, 2026
Abstract
Nghiên cứu này xem xét ảnh hưởng của năng lực hiểu biết về trí tuệ nhân tạo (Artificial Intelligence Literacy - AIL) đối với hành vi mua sắm của Gen Z trên các nền tảng thương mại điện tử có ứng dụng AI tại Việt Nam. Dựa trên khung lý thuyết Kích thích - Chủ thể - Hành vi - Hệ quả (SOBC) và mở rộng Mô hình chấp nhận công nghệ (TAM), AIL được khái niệm hóa như một cấu trúc đa chiều bao gồm kiến thức và hiểu biết về AI, khả năng sử dụng và ứng dụng AI, cùng năng lực đánh giá – phản biện. Dữ liệu thu thập từ khảo sát trực tuyến với 810 người tiêu dùng tại miền Bắc Việt Nam được phân tích bằng mô hình cấu trúc tuyến tính bình phương tối thiểu từng phần (PLS-SEM). Kết quả cho thấy kiến thức và khả năng ứng dụng AI có tác động tích cực đến nhận thức về tính dễ sử dụng và tính hữu ích, trong khi năng lực đánh giá – phản biện chỉ ảnh hưởng đáng kể đến nhận thức về tính dễ sử dụng mà không ảnh hưởng đến tính hữu ích. Cả hai yếu tố nhận thức này đều góp phần gia tăng niềm tin, từ đó cùng nhau thúc đẩy ý định mua và hành vi mua thực tế. Đáng chú ý, niềm tin và nhận thức về tính dễ sử dụng đóng vai trò là các biến trung gian mạnh nhất trong mối liên hệ giữa AIL và kết quả hành vi. Nhìn chung, nghiên cứu cung cấp bằng chứng thực nghiệm vững chắc về các cơ chế mà qua đó năng lực hiểu biết AI định hình hành vi người tiêu dùng trong môi trường thương mại điện tử tích hợp AI.
Keywords
kiến thức về trí tuệ nhân tạonền tảng thương mại điện tử có ứng dụng AIGen Zcảm nhận về tính dễ sử dụngcảm nhận về tính hữu íchlòng tiný định mua hànghành vi mua hàngSOBCTAM
References
1.
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Attar, R. W. (2025). Predicting Trends and Maximizing Sales: AI’s Role in Saudi E-Commerce Decision-Making. Journal of Theoretical and Applied Electronic Commerce Research, 20(4), 311. https://doi.org/10.3390/jtaer20040311
Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74-94. https://doi.org/10.1007/BF02723327
Bunea, O.-I., Corboș, R.-A., Mișu, S. I., Triculescu, M., & Trifu, A. (2024). The Next-Generation Shopper: A Study of Generation-Z Perceptions of AI in Online Shopping. Journal of Theoretical and Applied Electronic Commerce Research, 19(4). https://doi.org/10.3390/jtaer19040125
Damerji, H., & Salimi, A. (2021). Mediating Effect of Use Perceptions on Technology Readiness and Adoption of Artificial Intelligence in Accounting. Accounting Education, 30, 107-130. https://doi.org/10.1080/09639284.2021.1872035
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
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.2307/3151312
Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS Quarterly, 27(1), 51-90. https://doi.org/10.2307/30036519
Goundar, S., Lal, K., Chand, A., & Vyas, P. (2021). Consumer perception of electronic commerce - Incorporating trust and risk with the Technology Acceptance Model. In S. Goundar (Ed.), E-Services (pp. 1-24). IntechOpen. https://doi.org/10.5772/intechopen.98419
Guerra-Tamez, C. R., Flores, M. R. E., & Mendez, L. O. (2024). Decoding Gen Z: AI's influence on brand trust and purchasing behavior. Frontiers in Artificial Intelligence, 7, Article 1323512. https://doi.org/10.3389/frai.2024.1323512
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
13.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139-152. https://doi.org/10.2753/MTP1069-6679190202
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2013). Partial least squares structural equation modeling: Rigorous applications, better results and higher acceptance. Long Range Planning, 46(1-2), 1-12. https://doi.org/10.1016/j.lrp.2012.08.011
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. https://doi.org/10.1007/s11747-014-0403-8
Huang, Y., & Liu, L. (2025). The impact of algorithm awareness on the acceptance of personalized social media content recommendation based on the technology acceptance model. Acta Psychologica, 259, 105383. https://doi.org/10.1016/j.actpsy.2025.105383
Ibrahim, F., Münscher, J.-C., Daseking, M., & Telle, N.-T. (2025). The technology acceptance model and adopter type analysis in the context of artificial intelligence. Frontiers in Artificial Intelligence, 7, 1496518. https://doi.org/10.3389/frai.2024.1496518
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. https://doi.org/10.1016/j.dss.2007.07.001
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10. https://doi.org/10.4018/ijec.2015100101
Kozak, J., & Fel, S. (2024). How sociodemographic factors relate to trust in artificial intelligence among students in Poland and the United Kingdom. Scientific Reports, 14, Article 28776. https://doi.org/10.1038/s41598-024-80305-5
Laupichler, M. C., Aster, A., Schirch, J., & Raupach, T. (2022). Artificial intelligence literacy in higher and adult education: A scoping literature review. Computers and Education: Artificial Intelligence, 3, 100101. https://doi.org/10.1016/j.caeai.2022.100101
Ma, S., et al. (2024). The Development and Validation of the Artificial Intelligence Literacy Scale for Chinese College Students (AILS-CCS). ResearchGate Preprint.
23.
Ng, D. T. K., Wu, W., Leung, J. K. L., Chiu, T. K. F., & Chu, S. K. W. (2024). Design and validation of the AI literacy questionnaire: The affective, behavioural, cognitive and ethical approach. British Journal of Educational Technology, 55(3), 1082-1104. https://doi.org/10.1111/bjet.13411
Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.
25.
Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879-903. https://doi.org/10.1037/0021-9010.88.5.879
Polyportis, A. (2026). Exploring the intention-behaviour gap in artificial intelligence adoption: The case study of students' ChatGPT usage in Dutch higher education. Computers in Human Behavior: Artificial Humans, 3(1), Article 100266. https://doi.org/10.1016/j.chbah.2026.100266
Rohden, S. F., & Espartel, L. B. (2024). Consumer reactions to technology in retail: Choice uncertainty and reduced perceived control in decisions assisted by recommendation agents. Electronic Commerce Research, 24, 901-923. https://doi.org/10.1007/s10660-024-09808-7
Shamim, K., & Misra, S. C. (2025). Leveraging AI to drive online impulse buying: A SOBC perspective. International Journal of Retail & Distribution Management, 53(10-11), 1040-1056. https://doi.org/10.1108/IJRDM-07-2024-0334
Singh, C., & Dash, G. (2024). Investigating the acceptance intentions of online shopping assistants in E-commerce interactions: Mediating role of trust and effects of consumer demographics. Heliyon, 10(3), e24851. https://doi.org/10.1016/j.heliyon.2024.e24851
Talwar, S., Jabeen, F., Tandon, A., Sakashita, M., & Dhir, A. (2021). What drives willingness to purchase and stated buying behavior toward organic food? A Stimulus-Organism-Behavior-Consequence (SOBC) perspective. Journal of Cleaner Production, 293, 125882. https://doi.org/10.1016/j.jclepro.2021.125882
Tian, S., Zhang, B., & He, H. (2024). Role of Algorithm Awareness in Privacy Decision-Making Process: A Dual Calculus Lens. Journal of Theoretical and Applied Electronic Commerce Research, 19(2), 899-920. https://doi.org/10.3390/jtaer19020047
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204. https://doi.org/10.1287/mnsc.46.2.186.11926
Wang, B., Rau, P. L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: validity and reliability of artificial intelligence literacy scale. Behaviour & Information Technology, 42(9), 1324-1337. https://doi.org/10.1080/0144929X.2022.2072768
Wang, W., & Benbasat, I. (2005). Trust in and adoption of online recommendation agents. Journal of the Association for Information Systems, 6(3), 72-101. https://doi.org/10.17705/1jais.00065
Webb, T. L., & Sheeran, P. (2006). Does changing behavioral intentions engender behavior change? A meta-analysis of the experimental evidence. Psychological Bulletin, 132(2), 249-268. https://doi.org/10.1037/0033-2909.132.2.249
Zhang, S. (2024). How AI Literacy Affects the Intention to Use AIGC: An Empirical TAM-Based Study. Journal of Big Data and Computing.
37.
Zhao, J. (2018). Modeling and quantifying user acceptance of personalized business modes based on TAM, trust and attitude. Sustainability, 10(2), 356. https://doi.org/10.3390/su10020356
Zhao, L., Wu, X., Luo, H., Zhang, Y., & Yu, G. (2025). Navigating the landscape of AI literacy education: Insights from a decade of research (2014-2024). Humanities and Social Sciences Communications, 12, Article 458. https://doi.org/10.1057/s41599-025-04583-8
