Tôi từng có thời gian nghiên cứu ứng dụng Digital Twin trong sản xuất và đô thị thông minh, nên khá thích thú khi đọc những kết quả ban đầu về Consumer Digital Twin (CDT), hay bản sao số của người tiêu dùng, của nhóm TS. Nick Nguyễn qua bài giới thiệu của chị Vũ Kim Hạnh, Chủ tịch Hiệp hội Doanh nghiệp Hàng Việt Nam Chất lượng cao (HVNCLC). Tôi dành thêm thời gian tìm hiểu một số nghiên cứu liên quan và trao đổi với chị Hạnh về khả năng ứng dụng của hướng nghiên cứu này trong doanh nghiệp.
Tôi không nghiên cứu chuyên sâu về Consumer Digital Twin hay hành vi người tiêu dùng, nên những chia sẻ dưới đây chủ yếu từ góc nhìn ứng dụng AI. Trong bối cảnh GenAI đang giúp doanh nghiệp tạo ra nội dung, ý tưởng và nhiều phương án mới với tốc độ chưa từng có, kết quả thử nghiệm của nhóm gợi cho tôi một câu hỏi: liệu CDT có thể trở thành một mắt xích giúp doanh nghiệp sàng lọc những gì GenAI tạo ra trước khi đưa vào thử nghiệm với người tiêu dùng và thị trường thực tế?
Những kết quả ban đầu đáng chú ý
Theo bài chia sẻ của chị Kim Hạnh, từ đầu năm 2026, HVNCLC đã hợp tác với nhóm chuyên gia từ University of South Florida và University of Miami để thử nghiệm Consumer Digital Twin. Mô hình được xây dựng từ dữ liệu khảo sát người tiêu dùng thực tế, kết hợp với các thang đo tâm lý được sử dụng trong nghiên cứu hành vi người tiêu dùng.
Một thử nghiệm được thực hiện với 334 người tiêu dùng tại TP.HCM, phân tầng thành 24 nhóm theo giới tính, độ tuổi và thu nhập. Mỗi người hoàn thành 19 bộ thang đo tâm lý như Big Five, Regulatory Focus, Spendthrift–Tightwad, Consumer Skepticism Toward Advertising và Need for Cognition, sau đó đánh giá quảng cáo Facebook thuộc 11 ngành hàng theo 3 tiêu chí: mức độ hấp dẫn, ý định mua và độ tin cậy của thông điệp. Tổng cộng hơn 12.000 lượt đánh giá đã được thu thập để huấn luyện và kiểm chứng mô hình.
Khi so sánh phản ứng của bản sao số với người tiêu dùng thật, nhóm báo cáo hệ số tương quan Pearson đạt 0,64, trong đó kết quả vẫn được duy trì đối với câu hỏi về ý định mua sau khi xem quảng cáo. Đây mới là kết quả pilot và cần tiếp tục được kiểm chứng với quy mô lớn hơn cũng như qua các thử nghiệm thực tế. Tuy vậy, kết quả ban đầu cho thấy một khả năng đáng quan tâm: sử dụng bản sao số để mô phỏng phản ứng của các nhóm người tiêu dùng trước nhiều phương án, qua đó sàng lọc một số phương án để tiếp tục kiểm chứng với người thật.
Khi GenAI làm cho việc tạo ra phương án trở nên quá dễ
Kết quả này có một liên hệ khá rõ với khảo sát về ứng dụng AI trong doanh nghiệp Việt Nam mà chúng tôi đang thực hiện. Khảo sát tìm hiểu doanh nghiệp đang ứng dụng AI ở đâu, triển khai đến mức độ nào, và AI đang tạo ra những giá trị gì cho hoạt động, cũng như định hướng phát triển. Các doanh nghiệp tham gia sẽ nhận được báo cáo kết quả để có thêm cơ sở đối chiếu cách tiếp cận và mức độ ứng dụng AI của mình với bức tranh chung của thị trường. Khảo sát vẫn đang tiếp tục và chúng tôi rất mong có thêm sự tham gia, chia sẻ từ các doanh nghiệp đang ứng dụng AI ở bất kỳ mức độ nào.
Những kết quả ban đầu của khảo sát cho thấy GenAI đã được doanh nghiệp sử dụng khá rộng rãi trong nhiều loại công việc. Khả năng tạo nội dung, tổng hợp thông tin, phát triển ý tưởng và xây dựng các phương án mới là những ứng dụng phổ biến. Một nhóm marketing trước đây có thể phát triển vài concept cho một chiến dịch, thì với GenAI, họ có thể tạo ra hàng chục thông điệp, cách định vị hoặc phương án sản phẩm trong cùng một khoảng thời gian.
Việc tạo ra nhiều phương án với chi phí thấp hơn cũng dẫn đến một vấn đề khác: chi phí và thời gian để xác định phương án nào thực sự tốt không giảm theo tốc độ tương ứng. Nếu doanh nghiệp có thể tạo 50 phương án thay vì 5 nhưng vẫn phải consumer test hoặc A/B test từng phương án, lợi thế về tốc độ mà GenAI mang lại sẽ bị hạn chế đáng kể. Khi đó, khả năng thử nghiệm và lựa chọn có thể trở thành bottleneck mới trong quá trình chuyển hóa năng lực sáng tạo của GenAI thành giá trị kinh doanh.
Mắt xích giữa GenAI và thị trường?
Tôi cho rằng đây là một vị trí phù hợp để thử nghiệm Consumer Digital Twin. CDT có thể được đặt như một lớp mô phỏng giữa quá trình tạo phương án bằng GenAI và quá trình kiểm chứng với người tiêu dùng thật, theo một vòng tương đối đơn giản: GenAI tạo nhiều phương án → CDT hỗ trợ sàng lọc → lựa chọn các phương án tiềm năng → thử nghiệm với người tiêu dùng thật → triển khai trên thị trường → sử dụng kết quả thực tế để tiếp tục kiểm chứng và cải thiện mô hình.
Ví dụ, thay vì phát triển 5 thông điệp quảng cáo rồi mang cả 5 đi consumer test, doanh nghiệp có thể sử dụng GenAI để tạo ra 30–50 phương án. CDT mô phỏng phản ứng của các nhóm người tiêu dùng khác nhau để giúp chọn ra một số phương án đáng thử, sau đó doanh nghiệp vẫn kiểm chứng chúng bằng consumer test hoặc A/B testing trước khi đầu tư ở quy mô lớn hơn. Cách tiếp cận tương tự có thể được thử nghiệm với concept sản phẩm hoặc với cách định vị.
Với vai trò này, CDT không cần phải dự đoán hoàn hảo hành vi của người tiêu dùng hay thay thế cho nghiên cứu thị trường. Giá trị thực tế sẽ nằm ở việc mô hình có đủ tốt để thu hẹp không gian thử nghiệm và nâng cao chất lượng của những phương án được đưa sang bước kiểm chứng tiếp theo hay không. Vì vậy, kết quả thực tế của những thử nghiệm sau bước sàng lọc bằng CDT cũng quan trọng không kém việc tiếp tục cải thiện độ chính xác của chính mô hình.
Từ độ chính xác của mô hình đến hiệu quả của cả quy trình
Theo tôi, hướng tiếp cận này cũng mở ra một cơ hội nghiên cứu khác cho nhóm TS. Nick Nguyễn. Bên cạnh câu hỏi Digital Twin mô phỏng người tiêu dùng chính xác đến đâu, nhóm có thể kiểm chứng liệu việc kết hợp GenAI, Consumer Digital Twin và thử nghiệm thực tế có giúp doanh nghiệp lựa chọn được những phương án tốt hơn và rút ngắn quá trình từ ý tưởng đến thị trường hay không.
Cách kiểm chứng có thể khá trực tiếp. Nếu CDT xếp hạng một số concept quảng cáo cao hơn các concept khác, doanh nghiệp có thể đưa các phương án này vào A/B testing và so sánh với kết quả thực tế. Sau nhiều thử nghiệm, nhóm có thể đánh giá liệu CDT có thực sự làm tăng khả năng lựa chọn đúng phương án hay không, đồng thời sử dụng dữ liệu kết quả để tiếp tục kiểm chứng và cải thiện mô hình. Nếu làm được như vậy, nghiên cứu sẽ đi thêm một bước từ việc chứng minh khả năng mô phỏng của CDT sang đánh giá giá trị của nó khi được đưa vào một quy trình thực tế của doanh nghiệp.
Việt Nam có thể là một “living lab”
HVNCLC có một lợi thế khá đặc biệt để thực hiện những thử nghiệm như vậy. Hiệp hội đã tích lũy nguồn dữ liệu từ các chương trình khảo sát người tiêu dùng trong nhiều năm, đồng thời có mạng lưới doanh nghiệp hàng tiêu dùng Việt Nam, trong đó có nhiều doanh nghiệp quy mô vừa và lớn với sản phẩm, thương hiệu và các hoạt động marketing đang diễn ra trên thị trường. Sự kết hợp này tạo điều kiện để nhóm nghiên cứu không chỉ phát triển mô hình từ dữ liệu người tiêu dùng mà còn có thể kiểm chứng trên các bài toán thực tế.
Nhóm nghiên cứu có thể cùng doanh nghiệp lựa chọn một bài toán cụ thể, sử dụng GenAI để tạo các phương án, dùng CDT hỗ trợ sàng lọc rồi kiểm chứng bằng consumer test, A/B testing hoặc kết quả kinh doanh thực tế. Dữ liệu thu được từ các thử nghiệm được sử dụng trong các vòng kiểm chứng và cải thiện tiếp theo. Nếu xây dựng được quá trình này trên nhiều doanh nghiệp và nhiều bài toán, Việt Nam có thể trở thành một “living lab” khá thú vị cho hướng nghiên cứu về Consumer Digital Twin.
Ở các thị trường phát triển, các nhóm nghiên cứu có thể tiếp cận nguồn lực và công nghệ lớn hơn, nhưng việc xây dựng quan hệ với doanh nghiệp, tiếp cận các bài toán thực tế và thu nhận dữ liệu kết quả qua nhiều vòng thử nghiệm thường đòi hỏi nhiều thời gian. Mạng lưới doanh nghiệp cùng nguồn dữ liệu người tiêu dùng mà HVNCLC đã xây dựng trong nhiều năm có thể là một lợi thế đáng khai thác, giúp rút ngắn khoảng cách giữa nghiên cứu và thử nghiệm trong môi trường kinh doanh thực tế.
Từ sử dụng GenAI đến tạo ra giá trị với GenAI
Khi GenAI ngày càng dễ tiếp cận, khả năng tạo ra nội dung và ý tưởng sẽ dần trở thành một năng lực phổ biến. Thách thức với doanh nghiệp sẽ dịch chuyển nhiều hơn sang những bước tiếp theo: lựa chọn phương án nào, kiểm chứng như thế nào và tổ chức quy trình ra sao để những gì AI tạo ra có thể dẫn đến kết quả kinh doanh.
Nếu có thể kết nối GenAI → Consumer Digital Twin → thử nghiệm thực tế → dữ liệu kết quả → cải thiện mô hình thành một vòng học hỏi liên tục, CDT có thể trở thành một mắt xích hữu ích trong quá trình đó. Những kết quả pilot hiện nay vẫn cần được tiếp tục kiểm chứng, nhưng việc có sẵn dữ liệu người tiêu dùng và khả năng kết nối với các bài toán thực tế của doanh nghiệp tạo ra một cơ hội tốt để nhóm nghiên cứu thực hiện các bước kiểm chứng tiếp theo ngay tại Việt Nam.
Đây cũng là một trong những câu hỏi chúng tôi muốn tiếp tục tìm hiểu qua khảo sát về ứng dụng AI trong doanh nghiệp Việt Nam: khi việc sử dụng GenAI ngày càng phổ biến, điều gì giúp một số doanh nghiệp đi xa hơn việc chỉ sử dụng công cụ và thực sự chuyển năng lực mới của AI thành giá trị kinh doanh?