Tóm tắt:Bài viết khám phá cách các nhà quản trị ngân hàng tại Việt Nam nhận thức, triển khai và khai thác trí tuệ nhân tạo (AI) trong hoạt động marketing, đặc biệt trong bối cảnh truyền thông cá nhân hóa đang trở thành năng lực cạnh tranh cốt lõi. Dưới góc tiếp cận hiện tượng học, bài viết sử dụng khảo sát bán cấu trúc với 20 nhà quản trị cấp cao tại các ngân hàng thương mại, phân tích bằng mã hóa chủ đề kết hợp định hướng lý thuyết từ 3 khung nền tảng: Truyền thông tích hợp (IMC), tiếp thu công nghệ (TAM/UTAUT), năng lực số. Kết quả cho thấy 5 phát hiện chính: (1) AI được xem là yếu tố chiến lược tái định hình toàn bộ hoạt động marketing; (2) tồn tại rào cản trong tích hợp AI vào hệ thống quản lý quan hệ khách hàng (CRM) hiện hữu; (3) AI nâng cao khả năng cá nhân hóa và trải nghiệm khách hàng đa kênh; (4) mức độ trưởng thành số phân hóa rõ nét giữa các ngân hàng; (5) văn hóa tổ chức cùng năng lực dữ liệu đóng vai trò nền tảng cho thành công chuyển đổi số. Bài viết góp phần làm rõ đặc thù thị trường Việt Nam, mở rộng lý thuyết tiếp thu công nghệ và truyền thông cá nhân hóa trong bối cảnh ngân hàng số, đồng thời đề xuất khung chính sách 3 tầng nhằm thúc đẩy ứng dụng AI trong chiến lược marketing ngành tài chính - ngân hàng.
Từ khoá:Trí tuệ nhân tạo (AI), marketing ngân hàng số, truyền thông cá nhân hóa, năng lực số, hệ thống CRM, chiến lược chuyển đổi số
AI adoption in bank marketing in Vietnam: Management perspective and personalized communication
Abstract:The article explores how bank managers in Vietnam perceive, deploy and exploit artificial intelligence (AI) in marketing activities, especially in the context personalized communication is becoming a core competitive capability. Under the approach of a phenomenological perspective, the article uses a semi-structured survey with 20 senior managers of commercial banks, analyzed by thematic coding combined with theoretical orientation from 3 foundational frameworks: Integrated Marketing Communications (IMC), Technology Adoption (TAM/UTAUT), and Digital Capability. The results reveal 5 key findings: (1) AI is seen as a strategic enabler that reshapes the entire marketing landscape; (2) there are barriers in integrating AI into existing customer relationship management (CRM) systems; (3) AI enhances the capacity of personalization and omnichannel customer experience; (4) digital maturity levels vary widely across banks; (5) organizational culture and data capabilities play a fundamental role in digital transformation success. The article aims to clarify the characteristics of Vietnam market, expanding the theory of technology adoption and personalized communication in the context of digital banking, and proposing a 3-tier policy framework to promote the application of AI in marketing strategies in the finance - banking sector.
Keywords:Artificial Intelligence (AI), digital bank marketing, personalized communication, digital capabilities, CRM system, digital transformation strategy
1. Giới thiệu
Trong bối cảnh chuyển đổi số diễn ra mạnh mẽ trên toàn cầu, ngành Ngân hàng đang đối mặt với áp lực ngày càng lớn trong việc cá nhân hóa trải nghiệm khách hàng và tái định hình cách thức tiếp cận thị trường. Người tiêu dùng hiện đại không chỉ kỳ vọng được phục vụ nhanh chóng và chính xác, mà còn mong muốn được thấu hiểu sâu sắc qua từng điểm chạm số – từ email tự động, nội dung hiển thị trên ứng dụng di động, đến khuyến nghị sản phẩm phù hợp với hành vi và nhu cầu cá nhân (Boufounou và cộng sự, 2022; Mushtaq và cộng sự, 2022). Trong bối cảnh đó, truyền thông cá nhân hóa không còn là một xu hướng marketing mà đã trở thành một năng lực cạnh tranh cốt lõi của các ngân hàng số (Gaudio và cộng sự, 2020).
Sự bùng nổ của trí tuệ nhân tạo (AI), cùng với các công nghệ nền tảng như học máy, phân tích dữ liệu lớn (big data) và xử lý ngôn ngữ tự nhiên (NLP), đang mở ra những khả năng chưa từng có cho ngành Ngân hàng trong việc triển khai chiến lược marketing thông minh. AI giúp ngân hàng không chỉ tối ưu hóa quy trình vận hành mà còn cá nhân hóa thông điệp marketing theo thời gian thực, từ đó gia tăng mức độ tương tác, sự hài lòng và lòng trung thành của khách hàng (Khan và cộng sự, 2023; Pham, 2023). Hơn nữa, nghiên cứu gần đây tại thị trường đang phát triển cho thấy, AI đóng vai trò như chất xúc tác cho chiến lược marketing linh hoạt, đặc biệt khi kết hợp cùng năng lực công nghệ thông tin và truyền thông (ICT) (Fuseini, 2025).
Tuy nhiên, khả năng ứng dụng AI trong lĩnh vực marketing ngân hàng không chỉ phụ thuộc vào công nghệ, mà còn chịu ảnh hưởng sâu sắc từ nhận thức quản trị, năng lực tổ chức, định hướng chiến lược truyền thông của từng ngân hàng (Annor và cộng sự, 2024; Dutta và Saha, 2021). Chính sự khác biệt về tư duy và mức độ chấp nhận đổi mới giữa các ngân hàng là yếu tố quyết định hiệu quả của các chiến lược truyền thông ứng dụng AI.
Mặc dù đã có nhiều nghiên cứu quốc tế phân tích vai trò của AI và ICT trong marketing dịch vụ, tại Việt Nam – một thị trường đang chuyển mình mạnh mẽ trong lĩnh vực ngân hàng số, vẫn còn thiếu vắng các nghiên cứu định tính sâu, tập trung vào góc nhìn của nhà quản trị ngân hàng về ứng dụng AI trong truyền thông cá nhân hóa (Nguyen và Le, 2025; Phạm, 2025). Khoảng trống này đặc biệt đáng chú ý khi Việt Nam đang bước vào giai đoạn đẩy mạnh chuyển đổi số toàn diện trong hệ thống ngân hàng, với nhiều ngân hàng đầu tư mạnh vào công nghệ, nhưng kết quả marketing vẫn còn phân hóa rõ rệt. Xuất phát từ thực tiễn đó, nghiên cứu này hướng đến 3 mục tiêu chính:
(i) Khám phá nhận thức, kỳ vọng và trải nghiệm thực tiễn của nhà quản trị ngân hàng Việt Nam trong quá trình ứng dụng AI và công nghệ thông tin vào hoạt động marketing;
(ii) Phân tích vai trò và giá trị của truyền thông cá nhân hóa trong chiến lược tiếp thị ngân hàng số;
(iii) Đề xuất khung chiến lược triển khai ứng dụng AI trong marketing ngân hàng phù hợp với điều kiện thực tế tại Việt Nam.
Bài viết kỳ vọng sẽ cung cấp những hàm ý học thuật và thực tiễn quan trọng trong việc định hình tư duy chiến lược marketing ngân hàng thời đại AI, đồng thời đóng góp vào việc xây dựng nền tảng lý thuyết về marketing số trong môi trường tài chính đang biến đổi nhanh chóng.
2. Cơ sở lý thuyết
Việc ứng dụng trí tuệ nhân tạo (AI) và công nghệ số trong hoạt động marketing ngân hàng hiện đại không chỉ là một xu hướng công nghệ, mà còn là một sự chuyển dịch căn bản trong tư duy truyền thông và chiến lược tương tác với khách hàng. Để phân tích hiện tượng này một cách toàn diện và có chiều sâu, nghiên cứu kế thừa và tích hợp 3 nền tảng lý thuyết quan trọng: (i) Lý thuyết Truyền thông tích hợp (IMC) với trọng tâm vào cá nhân hóa; (ii) Lý thuyết Tiếp thu công nghệ (TAM/UTAUT) trong bối cảnh AI; (iii) Khung năng lực số (Digital Capability Framework) trong marketing ngân hàng.
2.1. Lý thuyết Truyền thông tích hợp và cá nhân hóa thông điệp (IMC)
Lý thuyết Truyền thông marketing tích hợp (Integrated Marketing Communications – IMC) nhấn mạnh tầm quan trọng của việc phối hợp các công cụ truyền thông một cách nhất quán và có định hướng chiến lược nhằm tối ưu hóa tác động đến khách hàng mục tiêu (Kliatchko, 2008). Trong bối cảnh ngân hàng số, IMC không chỉ đề cập đến đa kênh, mà còn mở rộng sang cá nhân hóa nội dung, dựa trên hành vi, nhu cầu và kỳ vọng cụ thể của từng khách hàng (Bruhn và Schnebelen, 2017).
Với sự hỗ trợ của AI và dữ liệu lớn (big data), thông điệp truyền thông ngày nay có thể được “thiết kế riêng” theo thời gian thực, giúp tăng đáng kể mức độ tương tác và mức độ hài lòng của khách hàng (Gaudio và cộng sự, 2020). Điều này mở ra một hướng tiếp cận mới cho ngân hàng: từ truyền thông đại chúng sang truyền thông cá nhân hóa theo hành vi - được xem là một trong những nhân tố then chốt tạo nên lợi thế cạnh tranh trong thời đại ngân hàng số.
2.2. Lý thuyết Chấp nhận công nghệ trong bối cảnh AI (TAM/UTAUT)
Lý thuyết chấp nhận công nghệ (Technology Acceptance Model – TAM) và mô hình hợp nhất UTAUT (Unified Theory of Acceptance and Use of Technology) cung cấp khung lý thuyết vững chắc để lý giải cách người dùng – bao gồm cả tổ chức và cá nhân – tiếp cận và chấp nhận các công nghệ mới như AI (Davis, 1989; Venkatesh và cộng sự, 2003).
Trong lĩnh vực ngân hàng, sự chấp nhận AI trong marketing phụ thuộc vào nhiều yếu tố: từ nhận thức về tính hữu ích (perceived usefulness), độ dễ sử dụng (ease of use), cho đến ảnh hưởng xã hội và điều kiện tổ chức sẵn có (Annor và cộng sự, 2024). Đặc biệt, ở cấp độ quản trị, tư duy chiến lược và mức độ sẵn sàng đổi mới (innovation readiness) có thể là yếu tố quyết định việc AI có được triển khai hiệu quả hay không trong truyền thông ngân hàng.
Tích hợp TAM/UTAUT trong nghiên cứu này giúp làm rõ các động lực thúc đẩy hoặc cản trở quá trình ứng dụng AI vào chiến lược marketing, không chỉ từ góc nhìn người tiêu dùng mà quan trọng hơn – từ góc nhìn nhà quản trị ngân hàng.
2.3. Khung năng lực số trong marketing ngân hàng (Digital Capability Framework)
Khả năng triển khai hiệu quả chiến lược marketing ứng dụng AI không thể tách rời khỏi năng lực số (digital capabilities) của tổ chức. Theo khung lý thuyết của Teece (2018) và Wade & Hulland (2004), năng lực số bao gồm 3 thành phần chính: (i) Hạ tầng công nghệ; (ii) Năng lực phân tích dữ liệu; (iii) Văn hóa đổi mới và khả năng thích ứng.
Trong bối cảnh ngân hàng Việt Nam, các nghiên cứu gần đây cho thấy sự chênh lệch đáng kể về mức độ sẵn sàng số giữa các ngân hàng – từ những tổ chức tiên phong với hệ sinh thái số hoàn chỉnh, đến những đơn vị mới bắt đầu số hóa một phần quy trình marketing (Pham, 2023; Nguyen và Le, 2025). Do đó, việc phân tích và đối chiếu năng lực số với chiến lược truyền thông cá nhân hóa sẽ giúp làm sáng tỏ mối quan hệ giữa hạ tầng – con người – chiến lược trong hành trình triển khai AI vào thực tiễn.
Tổng hợp 3 nền tảng lý thuyết trên cho phép nghiên cứu tiếp cận hiện tượng một cách đa chiều, vừa ở cấp độ công nghệ, vừa ở cấp độ hành vi quản trị và năng lực tổ chức – từ đó tạo cơ sở lý luận vững chắc để xây dựng mô hình khái niệm và khung phân tích trong các phần tiếp theo.
3. Phương pháp nghiên cứu
Để đạt được mục tiêu khám phá toàn diện về nhận thức và chiến lược truyền thông cá nhân hóa ứng dụng AI trong ngành Ngân hàng, tác giả sử dụng phương pháp nghiên cứu định tính, tiếp cận theo hướng hiện tượng học. Cách tiếp cận này phù hợp nhằm hiểu sâu sắc kinh nghiệm cá nhân, tư duy chiến lược và bối cảnh tổ chức từ góc nhìn của nhà quản trị ngân hàng – những người trực tiếp ra quyết định triển khai AI trong hoạt động marketing (Creswell và Poth, 2018; Moustakas, 1994).
3.1. Thiết kế nghiên cứu
Phương pháp thu thập dữ liệu chủ yếu là khảo sát sâu bán cấu trúc với 20 nhà quản trị cấp cao, phụ trách khối marketing hoặc chuyển đổi số tại các ngân hàng thương mại tại Việt Nam. Các đối tượng được lựa chọn bằng kỹ thuật lấy mẫu có chủ đích (purposive sampling) kết hợp lấy mẫu “snowball”, nhằm tiếp cận các chuyên gia có trải nghiệm thực tiễn với ứng dụng AI trong truyền thông ngân hàng (Etikan và cộng sự, 2016).
Câu hỏi khảo sát được xây dựng dựa trên 3 trụ cột lý thuyết: IMC, TAM/UTAUT và khung năng lực số. Nội dung khảo sát xoay quanh 4 nhóm chủ đề: (i) Mức độ hiểu biết và kỳ vọng về AI trong marketing; (ii) Trải nghiệm thực tế trong triển khai cá nhân hóa truyền thông; (iii) Yếu tố ảnh hưởng đến quyết định áp dụng; (iv) Định hướng chiến lược trong tương lai.
Bảng 1. Mô tả mẫu nghiên cứu
Trong đó, mức độ trưởng thành số của các ngân hàng trong Bảng 1 được đánh giá dựa trên 3 tiêu chí chính: (i) mức độ số hóa quy trình marketing và CRM; (ii) năng lực hạ tầng công nghệ và phân tích dữ liệu; (iii) mức độ tích hợp các công cụ AI trong chiến lược truyền thông. Dữ liệu được thu thập qua khảo sát chuyên sâu và đối chiếu với các tài liệu nội bộ (nếu có), sau đó được phân loại thành 3 nhóm: Cao (đã triển khai toàn diện AI và có hệ sinh thái số đồng bộ), Trung bình (đang trong giai đoạn chuyển đổi, triển khai từng phần), Thấp (mới bắt đầu ứng dụng AI ở quy mô thử nghiệm hoặc hạn chế công nghệ).
3.2. Phân tích dữ liệu
Toàn bộ khảo sát thực hiện thông qua hình thức gửi phiếu đánh giá online để phục vụ cho phân tích nội dung. Dữ liệu được xử lý theo phương pháp mã hóa theo chủ đề (thematic coding) và phân tích nội dung hướng dẫn bởi lý thuyết (theory-driven content analysis) (Braun và Clarke, 2006). Quá trình mã hóa được thực hiện thủ công kết hợp với phần mềm NVivo 12 nhằm đảm bảo tính hệ thống và minh bạch trong xử lý dữ liệu.
Nhằm tăng độ tin cậy và độ xác thực của nghiên cứu, nhóm tác giả tiến hành kiểm tra chéo liên mã hóa (inter-coder reliability) giữa các nhà nghiên cứu độc lập, đồng thời gửi lại một số phát hiện sơ bộ cho người tham gia để xác nhận tính chính xác (member checking) (Lincoln & Guba, 1985). Nghiên cứu tuân thủ 4 tiêu chí đánh giá chất lượng trong nghiên cứu định tính gồm: tính tin cậy (credibility), khả năng chuyển giao (transferability), độ phụ thuộc (dependability) và tính xác thực (confirmability) (Guba và Lincoln, 1994). Tất cả dữ liệu được ẩn danh hoàn toàn và chỉ được sử dụng cho mục đích học thuật.
4. Kết quả và thảo luận
Phân tích dữ liệu khảo sát theo phương pháp mã hóa chủ đề đã làm nổi bật 5 chủ đề trung tâm phản ánh chân thực cách mà các ngân hàng tại Việt Nam đang tiếp cận và vận hành chiến lược marketing số dưới sự hỗ trợ của trí tuệ nhân tạo (AI). Những chủ đề này không tồn tại rời rạc mà gắn kết chặt chẽ với nhau, phản ánh quá trình chuyển đổi kép: từ tiếp thị truyền thống sang tiếp thị dựa trên dữ liệu và từ truyền thông đại trà sang truyền thông cá nhân hóa theo thời gian thực.
4.1. Nhận thức về giá trị chiến lược của AI trong marketing ngân hàng
Phần lớn các nhà quản trị đều có nhận thức rõ ràng rằng, AI không chỉ là một công cụ công nghệ, mà là một yếu tố chiến lược định hình lại toàn bộ triết lý và quy trình marketing. AI giúp ngân hàng thấu hiểu khách hàng ở mức độ sâu hơn thông qua phân tích dữ liệu hành vi, tự động hóa ra quyết định và tối ưu hóa phân bổ nguồn lực marketing. Các thuật toán học máy không chỉ dự đoán nhu cầu mà còn hỗ trợ tạo lập thông điệp phù hợp, đúng thời điểm và đúng đối tượng – điều mà các phương pháp truyền thống không thể đạt được. Nhận thức này phù hợp với các nghiên cứu quốc tế nhấn mạnh rằng, AI đang chuyển vai trò marketing từ bị động sang chủ động, từ trực giác sang phân tích dữ liệu (Chatterjee và cộng sự, 2020; Wamba-Taguimdje và cộng sự, 2020; Huang và Rust, 2021).
4.2. Thách thức trong tích hợp AI vào hệ thống CRM hiện hữu
Tuy nhiên, hành trình ứng dụng AI không hề bằng phẳng. Một số ngân hàng đối mặt với hệ thống CRM cũ kỹ, phân mảnh, thiếu tích hợp, và dữ liệu khách hàng không đầy đủ hoặc không chuẩn hóa. Sự bất cập về hạ tầng công nghệ, đặc biệt là khả năng kết nối dữ liệu xuyên suốt các phòng ban, gây cản trở đáng kể cho việc khai thác sức mạnh AI. Hơn nữa, sự ngần ngại thay đổi từ đội ngũ nhân sự và thiếu hiểu biết về công nghệ cũng là những rào cản quan trọng. Những khó khăn này cho thấy việc tích hợp AI đòi hỏi không chỉ đổi mới về mặt kỹ thuật mà còn là chuyển đổi văn hóa tổ chức và năng lực vận hành (Davenport và Ronanki, 2018; Annor và cộng sự, 2024).
4.3. AI như đòn bẩy cá nhân hóa truyền thông và nâng cao trải nghiệm khách hàng
Tại các ngân hàng đã triển khai AI vào marketing, một trong những kết quả rõ rệt nhất là khả năng cá nhân hóa sâu sắc trong truyền thông khách hàng. AI cho phép phân khúc vi mô (micro-segmentation) đề xuất nội dung, sản phẩm và kênh tương tác phù hợp theo thời gian thực. Các nhà quản trị cho biết, nhờ cá nhân hóa mà tỷ lệ tương tác (click-through rate), tỷ lệ chuyển đổi (conversion rate) và mức độ hài lòng của khách hàng đã tăng đáng kể. Đây là minh chứng sinh động cho lập luận rằng AI không chỉ là một công cụ vận hành, mà là chìa khóa kiến tạo trải nghiệm khách hàng xuất sắc (Kumar và cộng sự, 2019; Liew và cộng sự, 2021; Gaudio và cộng sự, 2020).
4.4. Sự phân tầng chiến lược theo quy mô và mức độ trưởng thành số của ngân hàng
Một trong những phát hiện nổi bật là sự khác biệt rõ rệt trong cách tiếp cận AI giữa các ngân hàng. Các ngân hàng lớn – vốn có năng lực công nghệ mạnh và đội ngũ dữ liệu chuyên sâu – thường xây dựng chiến lược dài hạn, đầu tư toàn diện vào nền tảng dữ liệu và hệ sinh thái AI. Trong khi đó, các ngân hàng vừa và nhỏ thường tiếp cận theo hướng thận trọng, thử nghiệm từng phần và tập trung vào các ứng dụng dễ đo lường như chatbot, email marketing hay quảng cáo tự động. Sự phân tầng này phản ánh rõ quá trình tiến hóa công nghệ – từ tiếp cận chiến thuật sang hoạch định chiến lược – như đã được mô tả trong mô hình chuyển đổi số của Bughin và cộng sự (2017) và Lee và Shin (2018).
4.5. Vai trò nền tảng của văn hóa tổ chức và năng lực dữ liệu
Cuối cùng, một điểm hội tụ trong tất cả các kết quả khảo sát là tầm quan trọng của văn hóa tổ chức trong việc thúc đẩy hoặc kìm hãm quá trình ứng dụng AI. Các ngân hàng có văn hóa đổi mới, chấp nhận rủi ro và khuyến khích thử nghiệm thường linh hoạt hơn trong việc tích hợp công nghệ mới. Bên cạnh đó, năng lực dữ liệu – bao gồm khả năng thu thập, làm sạch, phân tích và bảo mật dữ liệu – là điều kiện tiên quyết để AI phát huy hiệu quả. Mối quan hệ giữa văn hóa – dữ liệu – công nghệ được xem là tam giác chiến lược trong chuyển đổi số ngân hàng (Westerman và cộng sự, 2014; Margherita, 2021; Pham, 2023).
Phân tích cho thấy, việc ứng dụng AI trong marketing ngân hàng tại Việt Nam đang diễn ra với tốc độ khác nhau tùy thuộc vào tầm nhìn chiến lược, mức độ trưởng thành công nghệ và văn hóa tổ chức. AI không chỉ là công nghệ hỗ trợ, mà là hạt nhân kiến tạo giá trị mới cho truyền thông cá nhân hóa và trải nghiệm khách hàng. Tuy nhiên, để hiện thực hóa tiềm năng này, ngân hàng cần vượt qua rào cản về hạ tầng, dữ liệu và con người – những yếu tố then chốt để AI thực sự “thấm vào dòng máu” của chiến lược marketing.
5. Kết luận và kiến nghị chính sách
5.1. Kết luận
Nghiên cứu cung cấp một bức tranh toàn cảnh và thực tiễn về hành trình ứng dụng AI trong marketing ngân hàng tại Việt Nam, từ góc nhìn chiến lược của các nhà quản trị. Thay vì chỉ tập trung vào khía cạnh công nghệ, kết quả nhấn mạnh vai trò quyết định của văn hóa tổ chức, năng lực dữ liệu và tầm nhìn quản trị trong chuyển đổi từ truyền thông đại chúng sang truyền thông cá nhân hóa theo thời gian thực.
Trên nền tảng tích hợp 3 lý thuyết học thuật – IMC, TAM/UTAUT và Digital Capability – nghiên cứu đã mở rộng phạm vi lý luận theo 3 hướng: (1) Tái định nghĩa cá nhân hóa trong truyền thông tích hợp từ cấp độ chiến dịch sang cấp độ tổ chức; (2) Mở rộng mô hình TAM/UTAUT bằng cách đưa vào yếu tố “mức độ trưởng thành số”; (3) Định vị AI không đơn thuần là công cụ hỗ trợ, mà là năng lực chiến lược định hình lại toàn bộ chuỗi giá trị marketing trong ngành Ngân hàng số.
Từ đó, nghiên cứu không chỉ bổ sung khung phân tích học thuật cho lĩnh vực fintech marketing, mà còn đưa ra hàm ý chính sách cấp hệ thống để thúc đẩy chuyển đổi số đồng bộ – công bằng – bền vững trong ngành tài chính - ngân hàng Việt Nam.
5.2. Kiến nghị hàm ý chính sách
Nghiên cứu đề xuất mô hình khung chính sách tích hợp AI vào marketing ngân hàng tại Việt Nam, gồm 3 tầng phối hợp, được trình bày tại Hình 1.
Hình 1. Mô hình khung chính sách tích hợp AI trong marketing ngân hàng
Mô hình này không chỉ mang tính chất đề xuất chính sách vĩ mô cho Ngân hàng Nhà nước và các cơ quan quản lý, mà còn có thể được nội bộ hóa thành bộ tiêu chí chiến lược tại từng ngân hàng thương mại, đặc biệt trong bối cảnh chuyển đổi số diễn ra không đồng đều. Dựa trên mô hình, các hàm ý chính sách đề xuất theo 5 trụ cột được phát triển dựa trên 3 tầng phối hợp, bao gồm:
Thứ nhất, nhận thức AI trong marketing: Từ công cụ hỗ trợ sang trụ cột chiến lược
Nhận thức của nhà quản trị ngân hàng cho thấy một chuyển biến đáng kể: AI không còn bị xem như một công cụ phụ trợ, mà đã trở thành nền tảng chiến lược định hình cách ngân hàng thiết kế, triển khai và tối ưu hóa hoạt động truyền thông. Tuy nhiên, vẫn tồn tại khoảng cách giữa nhận thức và hành động – nhiều ngân hàng đồng thuận về tiềm năng của AI nhưng chưa có chiến lược dài hạn, dẫn đến ứng dụng còn rời rạc và thiếu bền vững.
Khuyến nghị chính sách:Ngân hàng Nhà nước nên ban hành Bộ chỉ số năng lực đổi mới số (Digital Innovation Index) áp dụng cho toàn hệ thống ngân hàng, giúp đo lường mức độ trưởng thành số, khả năng tích hợp AI và từ đó có chính sách hỗ trợ phân tầng phù hợp giữa ngân hàng lớn – vừa – nhỏ.
Thứ hai, vượt qua rào cản tích hợp AI vào CRM hiện hữu
Việc tích hợp AI vào hệ thống CRM cũ là thách thức lớn, đặc biệt tại các ngân hàng chưa có hệ thống dữ liệu tập trung. Thiếu chuẩn hóa dữ liệu, phân mảnh nền tảng và chậm cập nhật hạ tầng công nghệ khiến nhiều tổ chức không khai thác được hiệu quả AI, thậm chí tạo ra “hệ sinh thái dữ liệu câm” – nơi dữ liệu không thể chuyển hóa thành hành động.
Khuyến nghị chính sách:Cần thiết lập hướng dẫn kỹ thuật tích hợp AI vào hệ thống CRM dưới dạng khung chuẩn quốc gia (AI-CRM Integration Framework), bao gồm tiêu chuẩn hóa dữ liệu, yêu cầu bảo mật, và quy trình đảm bảo tính tương thích giữa các tầng công nghệ.
Thứ ba, tăng cường cá nhân hóa trải nghiệm khách hàng bằng AI
AI đang đóng vai trò đòn bẩy trong việc thúc đẩy truyền thông cá nhân hóa, từ đó nâng cao trải nghiệm khách hàng và xây dựng lòng trung thành thương hiệu. Tuy nhiên, các ngân hàng vẫn chủ yếu cá nhân hóa ở cấp độ giao tiếp, chưa đồng bộ hóa được trên toàn bộ hành trình khách hàng (omni-channel personalization).
Khuyến nghị chính sách:Ngân hàng Nhà nước cần thúc đẩy việc xây dựng bộ nguyên tắc đạo đức và bảo vệ dữ liệu cá nhân trong truyền thông AI (AI Marketing Ethics Code), giúp định hướng phát triển các giải pháp cá nhân hóa nhưng vẫn đảm bảo quyền riêng tư và an toàn dữ liệu người tiêu dùng.
Thứ tư, đồng bộ hóa chiến lược theo từng tầng phát triển ngân hàng
Nghiên cứu cho thấy, có sự phân tầng chiến lược rõ rệt giữa các ngân hàng tiên phong và ngân hàng mới tiếp cận AI. Nhóm ngân hàng lớn chủ động phát triển nền tảng AI tích hợp trong toàn bộ chuỗi giá trị marketing, trong khi nhóm ngân hàng nhỏ mới chỉ dừng lại ở mức ứng dụng lẻ tẻ (chatbot, email tự động). Nếu không có chính sách hỗ trợ điều phối, sự phân hóa này sẽ ngày càng sâu rộng, tạo ra khoảng cách năng lực công nghệ đáng kể.
Khuyến nghị chính sách:Cần triển khai chương trình hỗ trợ chuyển đổi số theo mô hình bậc thang, trong đó, Ngân hàng Nhà nước đóng vai trò hỗ trợ kỹ thuật, tài chính và kết nối tri thức cho các ngân hàng nhỏ thông qua sandbox công nghệ, quỹ đổi mới sáng tạo và cơ chế chia sẻ dữ liệu an toàn.
Thứ năm, văn hóa tổ chức và năng lực dữ liệu là nền móng chuyển đổi
Năng lực AI không chỉ phụ thuộc vào hạ tầng kỹ thuật mà gắn chặt với yếu tố con người – đặc biệt là văn hóa tổ chức và tư duy ra quyết định dựa trên dữ liệu. Một số ngân hàng trong nghiên cứu có văn hóa “an toàn”, ngại thay đổi, dẫn đến trì trệ trong ứng dụng công nghệ dù có tiềm lực đầu tư.
Khuyến nghị chính sách:Khuyến khích các ngân hàng tích hợp chỉ số “văn hóa đổi mới” và “năng lực phân tích dữ liệu” vào KPI đánh giá hiệu quả nội bộ. Đồng thời, cần có chương trình đào tạo lãnh đạo số cấp cao (executive AI leadership program) nhằm trang bị tư duy chiến lược và năng lực dẫn dắt chuyển đổi công nghệ cho các cấp điều hành ngân hàng.
AI đang mở ra kỷ nguyên mới cho marketing ngân hàng – nơi dữ liệu, công nghệ và chiến lược hội tụ để kiến tạo trải nghiệm khách hàng xuất sắc. Tuy nhiên, hành trình này đòi hỏi nhiều hơn là công nghệ: cần thiết lập các chính sách vi mô và vĩ mô song hành, nhằm xây dựng một hệ sinh thái đổi mới đồng bộ, bền vững và công bằng cho toàn hệ thống ngân hàng Việt Nam.
5.3. Một số hạn chế và hướng nghiên cứu tiếp theo
Mặc dù nghiên cứu này mang lại những phát hiện giá trị và cập nhật trong lĩnh vực ứng dụng AI trong marketing ngân hàng tại Việt Nam, vẫn tồn tại một số hạn chế nhất định, bao gồm:
Thứ nhất, nghiên cứu sử dụng phương pháp định tính với quy mô mẫu hạn chế (20 người tham gia), tập trung vào các ngân hàng thương mại tại Việt Nam, do đó các kết luận khó có thể khái quát cho toàn ngành tài chính - ngân hàng, đặc biệt là các tổ chức tín dụng phi ngân hàng hoặc ngân hàng nước ngoài đang hoạt động tại Việt Nam.
Thứ hai,dữ liệu thu thập chủ yếu dựa trên quan điểm của các nhà quản trị cấp cao, chưa bao quát được các góc nhìn từ cấp chuyên viên vận hành, đội ngũ kỹ thuật hoặc khách hàng – những tác nhân quan trọng trong quá trình triển khai và đánh giá hiệu quả AI trong thực tiễn.
Thứ ba,nghiên cứu hiện chưa triển khai phân tích định lượng nhằm kiểm định các mối quan hệ nhân quả giữa các biến số được đề xuất trong mô hình khái niệm, điều này hạn chế khả năng đưa ra kết luận khái quát có tính dự báo cao.
Dựa trên những hạn chế đã nêu và các đóng góp lý thuyết của nghiên cứu hiện tại, có thể đề xuất 3 hướng nghiên cứu tiếp theo nhằm tiếp tục phát triển lĩnh vực ứng dụng trí tuệ nhân tạo trong marketing ngân hàng:
Thứ nhất,cần thực hiện các nghiên cứu định lượng quy mô lớn nhằm kiểm định mối quan hệ giữa các biến số chính trong mô hình đề xuất như: năng lực số, nhận thức chiến lược về AI, mức độ cá nhân hóa truyền thông và sự hài lòng của khách hàng. Việc lượng hóa các khái niệm này sẽ tạo tiền đề cho các mô hình dự báo và tối ưu hóa hiệu quả ứng dụng AI trong thực tiễn.
Thứ hai,nên mở rộng phạm vi nghiên cứu sang các nhóm đối tượng khác trong hệ sinh thái ngân hàng như chuyên viên công nghệ, cán bộ vận hành CRM, hoặc khách hàng sử dụng dịch vụ số. Việc này sẽ cung cấp góc nhìn toàn diện hơn về chuỗi giá trị ảnh hưởng bởi AI, đồng thời giúp phát hiện các “điểm nghẽn” không được nhìn thấy từ cấp quản trị.
Thứ ba,khuyến khích triển khai các nghiên cứu so sánh xuyên quốc gia (cross-country comparative studies) trong khu vực ASEAN hoặc nhóm các nền kinh tế mới nổi, nhằm đối chiếu mô hình chuyển đổi số và chiến lược ứng dụng AI giữa các hệ thống ngân hàng khác nhau. Đây sẽ là nền tảng quan trọng để xây dựng khung chính sách khu vực, đồng thời củng cố vai trò tiên phong của Việt Nam trong lĩnh vực ngân hàng số tại Đông Nam Á.
Những hướng đi này không chỉ giúp làm sâu sắc thêm khung lý luận học thuật, mà còn góp phần tạo ra nền tảng khoa học dữ liệu – chiến lược hỗ trợ hoạch định chính sách số ngành Ngân hàng một cách bài bản và bền vững hơn.
Tài liệu tham khảo:
- Annor, L. D. J., Agyapong, E. K., Robaina, M., Vieira, E., & Anarfo, E. B. (2024). Information technology investment and rural bank performance in Ghana: The moderating role of ICT diffusion and financial development. Journal of Economic and Administrative Sciences, Advance online publication. https://doi.org/10.1108/JEAS-07-2023-0171 .
- Boufounou, P., Mavroudi, M., Toudas, K., & Georgakopoulos, G. (2022). Digital transformation of the Greek banking sector in the COVID era. Sustainability, 14(19), 11855.
- Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa .
- Bruhn, M., & Schnebelen, S. (2017). Integrated marketing communication – from an instrumental to a customer-centric perspective. European Journal of Marketing, 51(3), 464–489. https://doi.org/10.1108/EJM-08-2015-0611 .
- Bughin, J., Catlin, T., Hirt, M., & Willmott, P. (2017). Why digital strategies fail. McKinsey Quarterly. https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/why-digital-strategies-fail .
- Chatterjee, S., Rana, N. P., Tamilmani, K., & Sharma, A. (2020). The adoption of artificial intelligence in banking: An empirical study of consumer perspectives. International Journal of Information Management, 54, 102170. https://doi.org/10.1016/j.ijinfomgt.2020.102170 .
- Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
- Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116. https://hbr.org/2018/01/artificial-intelligence-for-the-real-world .
- 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 .
- Dutta, K. D., & Saha, M. (2021). Nonlinearity of competition-stability nexus: Evidence from Bangladesh. Etikonomi, 20(1), 55–66. https://doi.org/10.15408/etk.v20i1.15984 .
- Etikan, I., Musa, S. A., & Alkassim, R. S. (2016). Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics, 5(1), 1–4. https://doi.org/10.11648/j.ajtas.20160501.11 .
- Fuseini, E. I. (2025). Institutional quality–banking efficiency nexuses in Africa: How does ICT moderate? Information Technology for Development, Advance online publication. https://doi.org/10.1080/02681102.2025.2460157 .
- Gaudio, B. L. D., Porzio, C., Sampagnaro, G., & Verdoliva, V. (2020). How do mobile, internet and ICT diffusion affect the banking industry? An empirical analysis. European Management Journal. https://doi.org/10.1016/j.emj.2020.07.003 .
- Guba, E. G., & Lincoln, Y. S. (1994). Competing paradigms in qualitative research. In N. K. Denzin & Y. S. Lincoln (Eds.), Handbook of qualitative research (pp. 105–117). SAGE Publications.
- Huang, M.-H., & Rust, R. T. (2021). Artificial intelligence in service. Journal of Service Research, 24(1), 3–20. https://doi.org/10.1177/1094670520902266 .
- Khan, H. H., Khan, S., & Ghafoor, A. (2023). Fintech adoption, the regulatory environment, and bank stability: An empirical investigation from GCC economies. Borsa Istanbul Review, 23(6), 1263–1281.
- Kliatchko, J. (2008). Revisiting the IMC construct. International Journal of Advertising, 27(1), 133–160. https://doi.org/10.1080/02650487.2008.11073043 .
- Kumar, V., Dixit, A., Javalgi, R. G., & Dass, M. (2019). Digital transformation of customer services: The use of AI-based technologies. Journal of Business Research, 100, 366–380. https://doi.org/10.1016/j.jbusres.2018.10.015 .
- Lee, I., & Shin, Y. J. (2018). Fintech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), 35–46. https://doi.org/10.1016/j.bushor.2017.09.003 .
- Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
- Liew, C., Goh, S. K., & Mohd-Ramly, A. (2021). Artificial intelligence and customer experience in banking: A review and research agenda. Technological Forecasting and Social Change, 173, 121011. https://doi.org/10.1016/j.techfore.2021.121011 .
- Margherita, A. (2021). Business process management in the digital era: A systematic literature review. Business Process Management Journal, 27(2), 414–440. https://doi.org/10.1108/BPMJ-06-2020-0262 .
- Moustakas, C. (1994). Phenomenological research methods. SAGE Publications.
- Mushtaq, R., Gull, A. A., & Usman, M. (2022). ICT adoption, innovation, and SMEs’ access to finance. Telecommunications Policy, 46(3), 102275. https://doi.org/10.1016/j.telpol.2021.102275 .
- Nguyen, D. T., & Le, T. D. Q. (2025). Does information and communication technology affect bank stability efficiency? Evidence from Vietnam. Total Quality Management & Business Excellence, Advance online publication. https://doi.org/10.1080/14783363.2025.2472962 .
- Pham, K.-D. (2023). The role of digital transformation in the Vietnamese banking sector. Communications in Computer and Information Science, 1808, 163–175. https://doi.org/10.1007/978-3-031-26834-6_13 .
- Phạm, T. T. (2025). Mối quan hệ giữa phát triển công nghệ thông tin và truyền thông với hiệu quả kinh doanh ngân hàng: Nghiên cứu tại thị trường mới nổi Việt Nam. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh – Kinh tế và Quản trị Kinh doanh, 20(3), 79–96. https://doi.org/10.46223/HCMCOUJS.econ.vi.20.3.3703.2025 .
- Teece, D. J. (2018). Business models and dynamic capabilities. Long Range Planning, 51(1), 40–49. https://doi.org/10.1016/j.lrp.2017.06.007 .
- Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540 .
- Wade, M., & Hulland, J. (2004). Review: The resource-based view and information systems research: Review, extension, and suggestions for future research. MIS Quarterly, 28(1), 107–142. https://doi.org/10.2307/25148626 .
- Wamba-Taguimdje, S.-L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893–1924. https://doi.org/10.1108/BPMJ-10-2019-0411 .
- Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading digital: Turning technology into business transformation. Harvard Business Review Press.
Bài đã đăng trên Tạp chí Thị trường Tài chính Tiền tệ số 5 năm 2025
