Tái định hình trải nghiệm du lịch: AI tạo sinh và cuộc đối đầu nền tảng

Phần 1: Bối cảnh Chuyển dịch Hệ thống và Đặt vấn đề Nghiên cứu

1.1. Bùng nổ AI Tạo sinh và Chuyển dịch Tương tác Nền tảng trong Ngành Du lịch

Nền kinh tế dịch vụ toàn cầu đang trải qua một cuộc đại phẫu về mặt cấu trúc. Phương thức tương tác vốn đặt con người làm trung tâm lịch sử đang nhường chỗ cho các mô hình tương tác người - máy chuyên sâu. Sự trỗi dậy của Trí tuệ Nhân tạo (AI) không còn dừng lại ở cấp độ thử nghiệm kỹ thuật mà đã trở thành động cơ sinh tồn cốt lõi của doanh nghiệp. Theo các báo cáo thị trường từ Grand View Research (năm 2025) và Rabiaza (năm 2023), quy mô thị trường AI toàn cầu dự kiến chạm mốc 1,8 nghìn tỷ USD vào năm 2030, trong đó 91% các tổ chức hàng đầu thế giới đã và đang đổ những nguồn lực tài chính khổng lồ để đầu tư vào công nghệ này. Những con số thực chứng từ thực tế vận hành thương mại cho thấy: các doanh nghiệp tiên phong nhúng AI vào quy trình bán hàng ghi nhận mức tăng 50% lượng khách hàng tiềm năng và cuộc hẹn, cắt giảm từ 60% đến 70% thời gian cuộc gọi, đồng thời tối ưu hóa chi phí vận hành từ 40% đến 60% (Zapanta, 2023).

Trong bức tranh chung đó, ngành du lịch và lữ hành trở thành chiến trường thử lửa khốc liệt nhất của các ứng dụng AI hẹp (Artificial Narrow Intelligence - ANI) và đặc biệt là AI tạo sinh (Generative AI). Sự tiến hóa từ Học máy (Machine Learning), Mạng thần kinh nhân tạo đến các Mô hình ngôn ngữ lớn (LLM) kết hợp với kỹ thuật Học tăng cường từ phản hồi con người (RLHF) đã giải phóng AI khỏi giới hạn của các thuật toán dự báo thụ động, đưa công nghệ này đạt tới năng lực tự tổng hợp và sáng tạo các đầu ra văn bản, lịch trình linh hoạt theo thời gian thực (Hu, 2022; Kravchenko, 2025; Kalota, 2024). Cuộc đua tích hợp diễn ra với tốc độ chóng mặt: Trip.com mở màn vào tháng 02/2023, Expedia nhanh chóng tung ra Expedia ChatGPT Plugin vào tháng 03/2023, nối tiếp bởi Booking.com với AI Trip Planner Beta cùng trợ lý ảo Penny giai đoạn năm 2023–2025, bên cạnh sự nhập cuộc quyết liệt của Priceline và Tripadvisor.

Động thái can thiệp của AI vào Marketing Tương tác (Peltier và cộng sự, 2024) không chỉ dừng lại ở chiêu trò quảng bá mà đã tạo ra giá trị kinh tế trực tiếp. Tripadvisor ghi nhận người dùng lập kế hoạch chuyến đi bằng công cụ AI Trip Planner mang lại doanh thu bình quân cao gấp 3 lần so với thành viên thông thường; các trang nội dung trải nghiệm được gia cố bởi AI đạt mức tăng trưởng doanh thu hai chữ số (Ali, 2023; du Preez, 2023).

Tuy nhiên, dưới góc nhìn hệ thống, sự bùng nổ này phát sinh từ một nghịch lý sâu sắc của kỷ nguyên số: nút thắt "Nhiễu loạn thông tin" (Information Overload) và sự kiệt sức nhận thức (cognitive fatigue) của du khách. Báo cáo từ Tripadvisor (năm 2023) chỉ ra rằng có đến 93% du khách toàn cầu bắt buộc phải kiểm tra các đánh giá trực tuyến trước khi quyết định đặt phòng. Nền tảng OTA truyền thống với giao diện tìm kiếm tĩnh, thanh lọc phân mảnh và bộ lọc hiển thị cơ học đã vô tình bắt người dùng phải tự đóng vai một "máy xử lý dữ liệu thô". Người tiêu dùng bị kiệt sức khi phải mở hàng chục tab trình duyệt, tự so sánh giá cả, đối chiếu thời gian di chuyển và tổng hợp các mảnh ghép dịch vụ rời rạc. Bản chất rào cản của hệ thống cũ nằm ở chỗ: nó cung cấp quá nhiều dữ liệu nhưng lại thiếu năng lực tích hợp ngữ cảnh, đẩy người dùng vào trạng thái hoang mang và không thể đưa ra lựa chọn tối ưu trong giai đoạn tiền mua sắm (pre-purchase).

1.2. Khoảng trống Lý thuyết và Mục tiêu So sánh Đối đầu (AI vs. Web)

Dù dòng vốn đầu tư mạo hiểm hàng triệu USD đang chảy mạnh mẽ vào các công cụ AI Trip Planner, nền tảng lý luận quản trị du lịch lại bộc lộ một khoảng trống ngập tràn rủi ro. Phần lớn các công trình nghiên cứu trước đây sa lầy vào việc đánh giá sự chấp nhận ban đầu (adoption) hoặc niềm tin sơ khai của người dùng đối với AI (Ali và cộng sự, 2023; Shi và cộng sự, 2021; Zhu và cộng sự, 2023), hoặc chỉ dừng lại ở việc so sánh phản hồi của AI với lời khuyên từ chuyên gia con người (Jang và cộng sự, 2023). Thiếu hụt nghiêm trọng các nghiên cứu thực chứng đánh giá tác động của AI tạo sinh ở giai đoạn hậu chấp nhận (post-adoption), đặc biệt là khả năng kích hoạt Mức độ gắn kết (Engagement) và quá trình Đồng tạo lập giá trị (Value Co-creation) giữa người dùng và nền tảng (Dogru và cộng sự, 2025; Dwivedi và cộng sự, 2024).

Xét trên Khung Hành trình Khách hàng (Customer Journey Framework) của Lemon và Verhoef (2016), giai đoạn Tiền mua sắm (Pre-purchase stage) đóng vai trò quyết định đến toàn bộ trải nghiệm cảm xúc và nhận thức hành vi nối tiếp. Việc các doanh nghiệp vội vã triển khai Giao diện Hội thoại AI mà thiếu một mô hình đối đầu thực chứng để chứng minh tính vượt trội của AI so với giao diện Website/App truyền thống là một bước đi phiêu lưu. Liệu một công cụ Chatbot AI có thực sự làm gia tăng Ý định đặt phòng (Booking Intention) hay chỉ tạo ra sự hào hứng thoáng qua về mặt công nghệ?

Việc trả lời sòng phẳng những câu hỏi này không chỉ giải quyết bài toán lý luận về "Thống trị Nhận thức" của công nghệ, mà còn là thước đo bản lĩnh cho các nhà quản trị nền tảng trong việc định hình lại hạ tầng tương tác du lịch tương lai.

Phần 2: Khung lý thuyết trải nghiệm và phương pháp luận thực chứng

2.1. Khung lý thuyết tích hợp: EHM và Logic dịch vụ chủ đạo (S-D Logic)

Sự sụp đổ về mặt hiệu quả của các giao diện tĩnh truyền thống không đơn thuần là một thất bại kỹ thuật, mà là sự phá sản của một tư duy quản trị lỗi thời. Trong suốt nhiều thập kỷ, nền tảng thương mại điện tử nói chung và các trang dịch vụ du lịch trực tuyến (OTA) nói riêng đã bị giam hãm trong "Logic hàng hóa chủ đạo" (Goods-Dominant Logic). Tư duy này nhìn nhận người tiêu dùng như những cỗ máy tiếp nhận thông tin thụ động, coi giá trị thương mại chỉ xuất hiện tại mốc giao dịch "Giá trị trong trao đổi" (Value-in-exchange). Các doanh nghiệp biến giao diện web thành những kho bãi chứa dữ liệu khổng lồ, bắt du khách phải tự mình đào xới, sàng lọc và tự gánh chịu toàn bộ chi phí kiệt sức nhận thức.

Để đập tan giới hạn hẹp hòi đó, nghiên cứu này thiết lập một khung lý thuyết tích hợp đanh thép, kết hợp giữa Mô hình thứ bậc trải nghiệm (Experiential Hierarchy Model - EHM) do Holbrook & Hirschman khởi xướng năm 1982 (được gia cố bởi Kowalczuk và cộng sự năm 2021) và Logic dịch vụ chủ đạo (Service-Dominant Logic - S-D Logic) của Prahalad & Ramaswamy (2004) cùng Vargo & Lusch (2016).

Mô hình khái niệm tích hợp được cấu trúc theo 3 tầng tiến trình chặt chẽ:

1. Lớp thuộc tính công nghệ (Inputs): Bao gồm Tính cá nhân hóa (Personalization), Tính tương tác (Interactivity) và Tính tiện lợi (Convenience).
2. Lớp phản ứng trung gian (Intervening System): Chia tách thành tầng phản ứng cảm xúc với đại diện cốt lõi là Mức độ gắn kết cảm xúc (Engagement) và tầng phản ứng nhận thức bao gồm Độ hữu ích phương tiện (Media Usefulness) cùng Độ tự tin lựa chọn (Choice Confidence).
3. Lớp phản ứng hành vi (Outputs): Hướng trực tiếp đến sự Đồng tạo lập giá trị (Value Co-creation) và Ý định đặt phòng (Booking Intention) ở giai đoạn tiền mua sắm.

2.2. Thiết kế nghiên cứu thực nghiệm kịch bản và mẫu khảo sát

Nhằm loại bỏ hoàn toàn các biến nhiễu từ môi trường tự nhiên và cô lập tác động thực sự của giao diện công nghệ, nghiên cứu áp dụng Phương pháp thực nghiệm dựa trên kịch bản (Scenario-based Survey) chuẩn hóa – một chuẩn mực đã được chứng minh tính hữu hiệu bởi Park & Jang (2013) và Shi và cộng sự (2021).

Thực nghiệm xây dựng một tình huống thực tế đầy áp lực nhận thức: Người tham gia phải lập kế hoạch cho chuyến đi đến đảo Santorini (Hy Lạp) vào mùa hè – một điểm đến nổi tiếng nhưng luôn đối mặt với tình trạng quá tải du khách và chi phí đắt đỏ. Mẫu khảo sát được phân bổ ngẫu nhiên tuyệt đối vào một trong hai kịch bản đối đầu:

• Kịch bản 1 (Môi trường AI tạo sinh): Người dùng trực tiếp tương tác hội thoại với Chatbot AI Trip Planner trên ứng dụng BookingTravel.com. Trợ lý AI chủ động đưa ra lời khuyên về thời điểm tối ưu (tháng 5), gợi ý khách sạn có bể bơi riêng dưới 150 USD/đêm và tự động thiết lập lịch trình chi tiết 3 ngày theo thời gian thực.
• Kịch bản 2 (Môi trường Web/App truyền thống): Người dùng phải tự thao tác thủ công qua thanh công cụ, bộ lọc ngân sách, danh mục tìm kiếm tĩnh và các bài viết đánh giá phân mảnh trên giao diện OTA thông thường.

Dữ liệu thực nghiệm được thu thập trong tháng 10 năm 2024 từ nền tảng Prolific đối với công dân cư trú tại Hoa Kỳ trên 18 tuổi. Quy trình sàng lọc dữ liệu được thực hiện khắt khe với hai câu hỏi kiểm tra sự chú ý (Attention-check) nhằm loại bỏ những phản hồi hời hợt. Trong tổng số 805 người tham gia, có 105 mẫu bị loại bỏ do trượt kiểm tra chú ý, thu về đúng N = 700 mẫu hợp lệ (chia đều n = 350 cho kịch bản AI và n = 350 cho kịch bản Web). Quy mô mẫu này vượt xa tiêu chuẩn Nunnally (1978) về yêu cầu tối thiểu 10 mẫu trên một biến quan sát đối với mô hình cấu trúc bao gồm 29 chỉ báo thuộc 8 biến ẩn. Mỗi người tham gia nhận khoản đền bù 1,5 USD cho sự đóng góp nghiêm túc của mình.

Toàn bộ dữ liệu sau đó được xử lý qua kỹ thuật Mô hình cấu trúc bình phương tối thiểu một phần (PLS-SEM) và Phân tích đa nhóm (PLS-MGA) với quy trình Bootstrapping lặp lại 5.000 mẫu (Hair và cộng sự, 2023; Becker và cộng sự, 2022). Đây là công cụ thuật toán tối ưu nhất để bóc tách các mối quan hệ phức hợp đa tầng và so sánh sự khác biệt đường dẫn mang tính thống kê giữa hai môi trường nền tảng.

Phần 3: Kết quả Phân tích Thực chứng và So sánh Đối đầu (AI vs. Web)

3.1. Đánh giá Mô hình Đo lường và Mô hình Cấu trúc

Để thiết lập tính chính xác khoa học trước khi tiến hành các lập luận quản trị vĩ mô, nghiên cứu tiến hành kiểm định độc lập mô hình đo lường đối với 8 biến ẩn phản xạ trên cả 2 tập dữ liệu thử nghiệm. Kết quả phân tích nhân tố cho thấy toàn bộ các chỉ báo còn lại sau khi sàng lọc đều đạt hệ số tải nhân tố (factor loadings) vượt ngưỡng 0,70.

Về độ tin cậy nội hàm, chỉ số Cronbach’s α đạt mức cao vượt trội, dao động từ 0,92 đến 0,96 ở nhóm công cụ Trí tuệ Nhân tạo (AI) và từ 0,89 đến 0,95 ở nhóm Website truyền thống. Độ tin cậy tổng hợp (Composite Reliability - CR) của cả 2 môi trường đạt trong khoảng 0,94 đến 0,98, vượt xa tiêu chuẩn thiết yếu 0,70. Chỉ số Phương sai trích bình quân (Average Variance Extracted - AVE) nằm trong khoảng 0,82 đến 0,93 đối với AI và 0,78 đến 0,91 đối với Web, khẳng định giá trị hội tụ hoàn hảo khi mọi giá trị AVE đều lớn hơn 0,50 và thấp hơn giá trị CR tương ứng.

Năng lực giải thích của mô hình được chứng minh qua hệ số xác định R² và chỉ số năng lực dự báo cross-validated redundancy (Q²) qua kỹ thuật blindfolding đều mang giá trị dương cao vượt trội (AI đạt > 0,59; Web đạt > 0,50), xác nhận mô hình sở hữu độ chính xác dự báo tuyệt vời.

Xét theo luồng liên kết cấu trúc trong toàn bộ hệ thống tương tác, các thuộc tính công nghệ đã tạo nên những bước sóng tác động dây chuyền rõ rệt:

• Tính tương tác: Thể hiện vai trò đòn bẩy khi tác động tích cực đanh thép lên Mức độ gắn kết cảm xúc ở cả 2 nền tảng (β = 0,62, t = 11,29 ở AI và β = 0,51, t = 10,95 ở Web), đồng thời thúc đẩy Độ hữu ích phương tiện (β = 0,31 ở AI và β = 0,17 ở Web).
• Tính tiện lợi: Duy trì vị thế nhân tố ảnh hưởng mạnh mẽ nhất đến Độ hữu ích nhận thức khi đạt cùng hệ số tác động β = 0,56 (t = 8,66 đối với AI và t = 8,96 đối với Web).
• Phản ứng trung gian: Độ hữu ích phương tiện bộc lộ sức ảnh hưởng toàn diện khi kích hoạt Độ tự tin lựa chọn (β = 0,77 ở AI và β = 0,69 ở Web); kích hoạt Đồng tạo lập giá trị (β = 0,60 ở AI và β = 0,45 ở Web); đồng thời tác động trực tiếp lên Ý định đặt phòng (β = 0,25 ở AI và β = 0,20 ở Web).
• Đầu ra hành vi: Đồng tạo lập giá trị trở thành lực đẩy quyết định Ý định đặt phòng (β = 0,33 ở AI và β = 0,40 ở Web), kết hợp với Độ tự tin lựa chọn (β = 0,31 ở AI và β = 0,26 ở Web).

Nghịch lý này vạch trần một bi kịch về mặt trải nghiệm: Người tiêu dùng hiện đại đang đặt một kỳ vọng "siêu cá nhân hóa" (Hyper-personalization) mang tính thấu cảm sâu sắc vào các công cụ AI hội thoại. Khi một Chatbot AI chỉ dừng lại ở việc chuyển đổi các bộ lọc tìm kiếm cơ học thành văn bản hội thoại giả tạo, du khách lập tức rơi vào trạng thái "hẫng hụt kỳ vọng". Họ không coi những phản hồi lặp lại công thức đó là giải pháp hữu ích, mà nhìn nhận nó như một sự phung phí năng lực công nghệ.

3.2. Phân tích So sánh Đa nhóm (PLS-MGA): Sự Thống trị Nhận thức của AI

Để trả lời sòng phẳng câu hỏi nghiên cứu cốt lõi về sự vượt trội hệ thống giữa AI tạo sinh và Website OTA truyền thống, nghiên cứu triển khai Phân tích đa nhóm phi tham số (PLS-MGA) qua Bootstrapping 5.000 mẫu không đổi dấu. Kết quả so sánh đối đầu hé lộ một bức tranh phân hóa sâu sắc về mặt bản chất tương tác người - máy.

Trái với những kỳ vọng lạc quan thái quá của giới đầu tư mạo hiểm cho rằng AI tạo sinh sẽ tạo ra cuộc bứt phá thần tốc ở mọi mắt xích hành vi, kết quả PLS-MGA chỉ ra rằng: trong số 11 đường dẫn tác động của mô hình cấu trúc, chỉ có đúng 2 đường dẫn tạo ra sự khác biệt mang ý nghĩa thống kê (p < 0,05) giữa 2 môi trường.

Sự bứt phá thứ nhất: Ghi nhận ở đường dẫn từ Độ hữu ích phương tiện → Độ tự tin lựa chọn. Trong khi hệ số đường dẫn ở môi trường Web dừng lại ở mức β = 0,69, thì ở môi trường AI, chỉ số này vọt lên mốc β = 0,77. Kiểm định MGA xác nhận sự chênh lệch có ý nghĩa thống kê giữa AI và Web đạt +0,08 với p = 0,036.

Sự bứt phá thứ hai: Xuất hiện ở đường dẫn từ Độ hữu ích phương tiện → Quá trình Đồng tạo lập giá trị. Hệ số đường dẫn ở môi trường AI đạt β = 0,60, áp đảo hoàn toàn so với mức β = 0,45 ở môi trường Web. Mức chênh lệch +0,14 đạt giá trị ý nghĩa thống kê đanh thép với p = 0,029.

Tất cả 9 đường dẫn còn lại trong mô hình, bao gồm các tác động từ thuộc tính công nghệ lên Mức độ gắn kết cảm xúc, Độ hữu ích nhận thức, cũng như tác động trực tiếp và gián tiếp lên Ý định đặt phòng cuối cùng, đều không cho thấy sự khác biệt có ý nghĩa thống kê (p > 0,05). Sự ngang bằng về mặt Ý định đặt phòng cuối cùng (R²_AI = 0,68 so với R²_Web = 0,60) phản ánh một thực tế vận hành thương mại: Trong giai đoạn tiền mua sắm, giao diện Web tĩnh vẫn nắm giữ lợi thế hạ tầng thanh toán mượt mà và thói quen thao tác cố hữu của du khách.

Tuy nhiên, ẩn sau sự cân bằng về mặt hành vi bề nổi là sự trỗi dậy của hiện tượng "Thống trị Nhận thức" (Cognitive Dominance) từ phía AI tạo sinh. Sự vượt trội có ý nghĩa thống kê của AI ở 2 đường dẫn trung gian cốt lõi đã vạch trần căn bệnh mãn tính của nền tảng Web OTA truyền thống: Khác với việc du khách phải tự biến mình thành một "nô lệ xử lý dữ liệu thô", công cụ AI tạo sinh đã thực hiện một cuộc giải phóng nhận thức đúng nghĩa, làm gia tăng độ tự tin lựa chọn và kích hoạt hành vi đồng sáng tạo mạnh mẽ.

Phần 4: Hàm ý Quản trị, Rào cản Thực thi và Hướng Phát triển Mô hình Lai

4.1. Đột phá Chiến lược Quản trị OTA: Khắc phục Lỗ hổng Trải nghiệm

Kết quả thực nghiệm từ mẫu 700 người dùng đã vạch trần một thực tế phũ phàng đối với các nhà quản trị nền tảng du lịch trực tuyến (OTA): Việc đổ hàng triệu USD vào công cụ Trí tuệ Nhân tạo (AI) tạo sinh sẽ trở thành một khoản đầu tư lãng phí nếu doanh nghiệp tiếp tục mắc kẹt trong tư duy thiết kế bề nổi. Các doanh nghiệp OTA bắt buộc phải thực hiện cuộc tái cấu trúc toàn diện dựa trên nguyên lý "Cá nhân hóa Đồng cảm" (Empathic Personalization) và hệ thống quản trị quan hệ khách hàng vận hành bởi AI (AI-driven CRM) (Iyelolu và cộng sự, 2024).

Bên cạnh đó, các nhà quản trị cần tích hợp sâu 3 giải pháp kỹ thuật mang tính bước ngoặt:

1. Tóm tắt Đánh giá Tích hợp AI (AI-generated review summaries): Cô đọng toàn bộ ưu-nhược điểm của điểm đến hay khách sạn từ hàng triệu phản hồi thành những lát cắt thông tin minh bạch, đa chiều, giúp người dùng ra quyết định nhanh chóng.
2. Tri thức Chuyên ngành Tự động (Domain-specific expertise): Cung cấp dữ liệu chuyên sâu theo thời gian thực như dự báo mật độ đám đông, hướng dẫn văn hóa bản địa, và lộ trình dịch chuyển đa phương thức.
3. Cơ chế "Prompt phản hồi chủ động" (Prompting users after task execution): Chủ động tham vấn du khách sau mỗi tác vụ phức tạp để xác nhận mức độ hài lòng hoặc tinh chỉnh, tái lập cảm giác kiểm soát (active control) cho người dùng.

Cuối cùng, sự minh bạch hóa nền tảng đóng vai trò yếu tố then chốt (Kim và cộng sự, 2025). Việc công khai tuyên bố ứng dụng các mô hình ngôn ngữ lớn (LLM) đột phá như OpenAI GPT-4 giúp xác lập lại niềm tin hệ thống và chuyển hóa sự tin tưởng nhận thức thành hành vi đặt phòng.

4.2. Giới hạn Nghiên cứu và Định hướng Mô hình Tương tác Lai (Human-AI Hybrid Collaboration)

Mặc dù mang lại những đóng góp nền tảng, nghiên cứu này cần được nhìn nhận qua các giới hạn phương pháp luận: Thực nghiệm cô lập ở giai đoạn Tiền mua sắm, tập trung vào nhóm du khách Hoa Kỳ với điểm đến giả định là Santorini, chưa đo lường ý định tiếp tục sử dụng dài hạn cũng như các biến tâm lý cá nhân.

Tuy nhiên, chính từ những giới hạn thực chứng đó, một bài học triết học vĩ mô về quản trị dịch vụ trong kỷ nguyên số đã được gợi mở: Sự trỗi dậy của AI tạo sinh không đồng nghĩa với sự cáo chung của nhân tố con người. Thuật toán vĩnh viễn không thể thay thế sự thấu cảm, sự tinh tế và đạo đức nghề nghiệp của con người trong các biến cố thực địa.