Tác động của trí tuệ nhân tạo (AI) đến việc làm của chuyên viên quảng cáo trực tuyến trong ngành tiếp thị số tại Thành phố Hồ Chí Minh

TÓM TẮT:

Nghiên cứu này phân tích tác động của trí tuệ nhân tạo (AI) đến việc làm của chuyên viên quảng cáo trực tuyến trong ngành tiếp thị số tại TP. Hồ Chí Minh. Bằng phương pháp định lượng và công cụ SmartPLS 4, nghiên cứu xây dựng mô hình ảnh hưởng của AI đến kỹ năng, công cụ và hiệu quả công việc. Kết quả cho thấy, AI giúp tự động hóa, thay đổi yêu cầu kỹ năng và nâng cao hiệu suất làm việc. Nghiên cứu cũng đưa ra các chiến lược quản trị phù hợp cho doanh nghiệp trong bối cảnh chuyển đổi số mạnh mẽ hiện nay.

Từ khóa: trí tuệ nhân tạo, quảng cáo trực tuyến, chuyên viên quảng cáo, tiếp thị số, TP. Hồ Chí Minh.

1. Đặt vấn đề

AI đã và đang tác động mạnh mẽ đến ngành tiếp thị số, đặc biệt là quảng cáo trực tuyến. Công nghệ mới này giúp tối ưu hóa hiệu quả chiến dịch và tối giảm chi phí. Tuy nhiên, chưa có nhiều nghiên cứu phân tích sâu về tác động của AI đến việc làm của chuyên viên quảng cáo trực tuyến tại TP. Hồ Chí Minh. Mục tiêu nghiên cứu là khám phá ảnh hưởng của AI đối với công việc của các chuyên viên quảng cáo trong bối cảnh thị trường Việt Nam và đưa ra các khuyến nghị cho doanh nghiệp trong ngành.

2. Cơ sở lý thuyết và mô hình nghiên cứu

2.1. Trí tuệ nhân tạo (AI) trong tiếp thị số

AI là công nghệ quan trọng của Cách mạng công nghiệp lần thứ tư, giúp hệ thống máy móc mô phỏng khả năng tư duy và học hỏi của con người. Trong tiếp thị kỹ thuật số, trí tuệ nhân tạo (AI) được áp dụng rộng rãi, đặc biệt trong quảng cáo trực tuyến, để tối ưu hóa hiệu quả các chiến dịch và dự đoán hành vi của khách hàng. Theo nghiên cứu của Chaffey & Ellis-Chadwick (2019), AI hỗ trợ tự động hóa quảng cáo, cá nhân hóa nội dung và ra quyết định nhanh chóng, ảnh hưởng lớn đến công việc của nhân viên trong ngành này.

2.2. Tác động của AI đến cấu trúc việc làm

AI có tác động kép đối với thị trường lao động: tự động hóa các công việc lặp lại và nâng cấp kỹ năng lao động (Brynjolfsson & McAfee, 2014). Trong ngành quảng cáo trực tuyến, AI có thể thay thế một số nhiệm vụ như sáng tạo, quản lý chiến dịch, và phân tích dữ liệu. Lý thuyết Technology Substitution Theory (Autor, 2015) cho rằng công nghệ thay đổi bản chất công việc, phân phối lại vai trò giữa con người và máy móc, trong khi theo Skill-biased Technological Change (SBTC) (Goldin & Katz, 1998) AI tạo ra nhu cầu cao hơn về lao động có kỹ năng cao và giảm vai trò lao động kỹ năng thấp.

2.3. Mô hình nghiên cứu

Từ các lý thuyết và thực tiễn cập nhật, mô hình nghiên cứu được nhóm tác giả đề xuất như sau:

2.3.1. Biến độc lập

Ứng dụng AI trong quảng cáo trực tuyến gồm 4 thành phần:

- Mức độ sử dụng AI để tự động hóa việc phân phối, định giá, lựa chọn đối tượng quảng cáo.

- Ứng dụng AI vào phân tích hành vi khách hàng và hiệu quả chiến dịch.

- Khả năng sử dụng AI để tối ưu hóa thời gian, chi phí và hiệu suất quảng cáo.

- AI hỗ trợ trong quá trình tạo nội dung, hình ảnh, video quảng cáo.

2.3.2. Biến trung gian

- Yêu cầu kỹ năng mới: phản ánh mức độ thay đổi kỹ năng chuyên môn và kỹ năng công nghệ mà nhân viên cần thích ứng.

2.3.3. Biến phụ thuộc

Việc làm của nhân viên quảng cáo trực tuyến được đo lược qua 4 khía cạnh:

- Mức độ sẵn có và mở rộng cơ hội nghề nghiệp.

- Độ phức tạp, sáng tạo và linh hoạt của công việc.

- Tính bền vững nghề nghiệp trong dài hạn.

- Tổng thu nhập và các chính sách phúc lợi.

2.3.4. Giả thuyết nghiên cứu

Nhóm 1: Ứng dụng AI → Yêu cầu kỹ năng mới:

H1: AI trong tự động hóa quảng cáo ảnh hưởng tích cực đến yêu cầu kỹ năng mới.

H2: AI trong phân tích dữ liệu khách hàng ảnh hưởng tích cực đến kỹ năng mới.

H3: AI trong tối ưu hóa chiến dịch ảnh hưởng tích cực đến kỹ năng mới.

H4: AI trong sáng tạo nội dung ảnh hưởng tích cực đến kỹ năng mới.

Nhóm 2: Yêu cầu kỹ năng mới → Việc làm:

H5: Kỹ năng mới ảnh hưởng tích cực đến cơ hội việc làm.

H6: Kỹ năng mới ảnh hưởng tích cực đến tính chất công việc.

H7: Kỹ năng mới ảnh hưởng tích cực đến khả năng giữ việc.

H8: Kỹ năng mới ảnh hưởng tích cực đến thu nhập và phúc lợi.

3. Phương pháp nghiên cứu

Giai đoạn 1: Nghiên cứu định tính nhằm làm rõ các khái niệm, điều chỉnh mô hình và hoàn thiện thang đo ban đầu. Phương pháp thực hiện phỏng vấn sâu 8-10 chuyên gia trong lĩnh vực tiếp thị số và nhân sự. Phương pháp chọn mẫu: mẫu phi xác suất (mẫu mục tiêu). Kết quả dự kiến là hiệu chỉnh thang đo và xác nhận tính phù hợp của các biến quan sát.

Giai đoạn 2: Nghiên cứu định lượng nhằm kiểm định mô hình lý thuyết và các giả thuyết nghiên cứu. Bảng khảo sát được xây dựng từ thang đo đã điều chỉnh và các nghiên cứu trước, sử dụng thang đo Likert 5 mức. Đối tượng khảo sát là nhân viên quảng cáo trực tuyến tại TP. Hồ Chí Minh, với phương pháp chọn mẫu là mẫu thuận tiện kết hợp snowball sampling. Nhóm tác giả đã gửi bảng câu hỏi đến 350 nhân viên quảng cáo trực tuyến tại TP. Hồ Chí Minh thu về được 325 bảng khảo sát hợp lệ, đảm bảo độ tin cậy.

3.1 Mô hình nghiên cứu đề xuất (Xem Hình)

3.2. Phương pháp xử lý và phân tích dữ liệu

Phần mềm sử dụng: SmartPLS 4.0 (dùng trong mô hình SEM tuyến tính từng phần PLS-SEM), kết hợp với SPSS 26.0 để xử lý thống kê mô tả.

Các bước phân tích chính:

- Kiểm định độ tin cậy thang đo.

- Phân tích mô hình cấu trúc (SEM).

4. Kết quả nghiên cứu

4.1. Đánh giá toàn diện chất lượng thang đo

Bảng 1. Tổng kết đánh giá chất lượng thang đo

Tiêu chí	Chỉ số đo lường	Ngưỡng yêu cầu	Kết quả đạt được	Tỷ lệ đạt yêu cầu	Đánh giá tổng thể
Độ tin cậy	Cronbach's Alpha	≥ 0.70	0.731 - 0.879	100% (9/9)	Tốt
	Composite Reliability	≥ 0.70	0.842 - 0.909	100% (9/9)	Rất tốt
Giá trị hội tụ	AVE	≥ 0.50	0.550 - 0.691	100% (9/9)	Tốt
	Outer Loadings	≥ 0.708	0.704 - 0.867	97.2% (35/36)	Rất tốt
Giá trị phân biệt	Fornell-Larcker	√AVE > tương quan	Đạt tất cả	100% (36/36)	Rất tốt
	HTMT	< 0.85	0.075 - 0.716	100% (36/36)	Rất tốt
Đa cộng tuyến	VIF	< 3.0	1.319 - 2.383	100% (36/36)	Tốt
Độ phù hợp	SRMR	< 0.08	0.068	Đạt	Tốt
	GoF	Large ≥ 0.36	0.381	Đạt mức "Large"	Rất tốt

Sau quá trình đánh giá chi tiết qua nhiều tiêu chí khắt khe, thang đo trong nghiên cứu này đã chứng minh được chất lượng cao về mặt đo lường. Cụ thể:

Độ tin cậy cao: Tất cả nhân tố đều đạt hoặc vượt ngưỡng tin cậy, với Composite Reliability đặc biệt cao.

Giá trị hội tụ tốt: Mặc dù PTD có AVE ở ngưỡng tối thiểu và PTD3 có outer loading hơi thấp, nhưng vẫn trong giới hạn chấp nhận.

Giá trị phân biệt rõ ràng: Cả hai phương pháp Fornell-Larcker và HTMT đều khẳng định các nhân tố có tính phân biệt tốt.

Không có vấn đề đa cộng tuyến: Tất cả VIF đều dưới ngưỡng cảnh báo.

Độ phù hợp mô hình cao: SRMR và GoF đều cho thấy mô hình phù hợp tốt với dữ liệu thực nghiệm.

Những kết quả này tạo nền tảng vững chắc cho việc tiến hành phân tích mô hình cấu trúc và kiểm định các giả thuyết nghiên cứu trong các bước tiếp theo. Thang đo được khẳng định là công cụ đáng tin cậy và hợp lệ để đo lường tác động của AI đến việc làm của chuyên viên quảng cáo trực tuyến tại TP. Hồ Chí Minh. (Bảng 1)

4.2. Phân tích mô hình cấu trúc (SEM)

Sau khi đã xác nhận chất lượng tốt của mô hình đo lường, nghiên cứu tiến hành phân tích mô hình cấu trúc để kiểm định các giả thuyết nghiên cứu. Phân tích SEM trong PLS-SEM tập trung vào 3 khía cạnh chính, gồm: tác động trực tiếp, tác động gián tiếp và khả năng dự báo của mô hình.

4.2.1. Tác động trực tiếp (Direct Effects)

Các mối quan hệ trực tiếp giữa các biến được kiểm định thông qua Bootstrapping với 5.000 lần lặp lại. Kết quả cho thấy tất cả các giả thuyết đều có ý nghĩa thống kê (p < 0.001), xác nhận sự tác động mạnh mẽ của các ứng dụng AI đối với yêu cầu kỹ năng mới và các kết quả việc làm. (Bảng 2)

Bảng 2. Kết quả phân tích tác động trực tiếp

Giả thuyết	Mối quan hệ	Hệ số đường dẫn (β)	Trung bình mẫu	Độ lệch chuẩn	Giá trị t	Giá trị p	Kết quả kiểm định
H1	TDH → YCKN	0.416***	0.416	0.061	6.785	0.000	Chấp nhận
H2	PTD → YCKN	0.333***	0.332	0.052	6.368	0.000	Chấp nhận
H3	TUC → YCKN	0.141**	0.142	0.045	3.142	0.002	Chấp nhận
H4	STN → YCKN	0.113**	0.118	0.038	2.966	0.003	Chấp nhận
H5	YCKN → CHVL	0.451***	0.452	0.056	8.052	0.000	Chấp nhận
H6	YCKN → TCCV	0.399***	0.402	0.054	7.455	0.000	Chấp nhận
H7	YCKN → KNGV	0.494***	0.497	0.049	10.029	0.000	Chấp nhận
H8	YCKN → TNPL	0.242***	0.248	0.053	4.601	0.000	Chấp nhận

*Ghi chú: ***p < 0.001; **p < 0.01; p < 0.05

4.2.2. Tác động gián tiếp (Indirect Effects)

Kết quả phân tích tác động gián tiếp thông qua biến trung gian YCKN cho thấy các ứng dụng AI (TDH, PTD, TUC, STN) đều có tác động gián tiếp mạnh mẽ đến các yếu tố việc làm như cơ hội việc làm (CHVL), khả năng giữ việc (KNGV) và tính chất công việc (TCCV). (Bảng 3)

Bảng 3. Kết quả phân tích tác động gián tiếp

Đường dẫn gián tiếp	Hệ số tác động (β)	Trung bình mẫu	Độ lệch chuẩn	Giá trị t	Giá trị p	Ý nghĩa thống kê
TDH → YCKN → CHVL	0.188***	0.189	0.041	4.574	0.000	Có ý nghĩa
TDH → YCKN → KNGV	0.206***	0.206	0.035	5.828	0.000	Có ý nghĩa
TDH → YCKN → TCCV	0.166***	0.167	0.033	4.981	0.000	Có ý nghĩa
TDH → YCKN → TNPL	0.101***	0.103	0.025	3.987	0.000	Có ý nghĩa
PTD → YCKN → CHVL	0.150***	0.150	0.027	5.617	0.000	Có ý nghĩa
PTD → YCKN → KNGV	0.165***	0.166	0.034	4.798	0.000	Có ý nghĩa
PTD → YCKN → TCCV	0.133***	0.134	0.028	4.707	0.000	Có ý nghĩa
PTD → YCKN → TNPL	0.081***	0.083	0.024	3.309	0.001	Có ý nghĩa
TUC → YCKN → CHVL	0.063**	0.064	0.022	2.895	0.004	Có ý nghĩa
TUC → YCKN → KNGV	0.069**	0.070	0.023	3.066	0.002	Có ý nghĩa
TUC → YCKN → TCCV	0.056**	0.057	0.020	2.768	0.006	Có ý nghĩa
TUC → YCKN → TNPL	0.034*	0.035	0.014	2.445	0.015	Có ý nghĩa
STN → YCKN → CHVL	0.051**	0.054	0.019	2.684	0.007	Có ý nghĩa
STN → YCKN → KNGV	0.056**	0.059	0.019	2.908	0.004	Có ý nghĩa
STN → YCKN → TCCV	0.045**	0.048	0.017	2.699	0.007	Có ý nghĩa
STN → YCKN → TNPL	0.027*	0.029	0.011	2.481	0.013	Có ý nghĩa

*Ghi chú: ***p < 0.001; **p < 0.01; p < 0.05

4.2.3. Hệ số dự báo f², R² và Q²

f² đo lường mức độ tác động của các yếu tố đến biến phụ thuộc. Các hệ số f² cho thấy YCKN → KNGV (0.323) và TDH → YCKN (0.251) có tác động mạnh nhất. (Bảng 4)

Bảng 4. Hệ số f² và đánh giá mức độ tác động

Mối quan hệ	Hệ số f²	Mức độ tác động	Đánh giá chi tiết
PTD → YCKN	0.161	Trung bình	Tác động thực chất đáng kể
TDH → YCKN	0.251	Lớn	Tác động thực chất mạnh
TUC → YCKN	0.038	Nhỏ	Tác động thực chất hạn chế
STN → YCKN	0.024	Nhỏ	Tác động thực chất hạn chế
YCKN → CHVL	0.256	Lớn	Tác động thực chất mạnh
YCKN → KNGV	0.323	Lớn	Tác động thực chất rất mạnh
YCKN → TCCV	0.189	Trung bình	Tác động thực chất đáng kể
YCKN → TNPL	0.062	Nhỏ	Tác động thực chất hạn chế

R² thể hiện mức độ giải thích phương sai của các biến phụ thuộc. YCKN có R² = 0.486, cho thấy mô hình giải thích tốt yêu cầu kỹ năng mới. Các biến khác như KNGV và CHVL có R² ở mức yếu đến trung bình. (Bảng 5)

Bảng 5. Phân tích chi tiết R² các biến phụ thuộc

Biến phụ thuộc	R²	R² điều chỉnh	Mức độ giải thích	Đánh giá	Phân tích
YCKN	0.486	0.480	Trung bình-Mạnh	Tốt	48.6% phương sai được giải thích bởi 4 ứng dụng AI
KNGV	0.244	0.242	Yếu-Trung bình	Chấp nhận	24.4% phương sai được giải thích bởi YCKN
CHVL	0.204	0.201	Yếu-Trung bình	Chấp nhận	20.4% phương sai được giải thích bởi YCKN
TCCV	0.159	0.157	Yếu	Yếu	15.9% phương sai được giải thích bởi YCKN
TNPL	0.059	0.056	Rất yếu	Rất yếu	5.9% phương sai được giải thích bởi YCKN

Q² đánh giá khả năng dự báo của mô hình. YCKN có Q² = 0.328, cho thấy mô hình có khả năng dự báo tốt đối với yêu cầu kỹ năng mới. (Bảng 6)

Bảng 6. Phân tích chi tiết Q² và khả năng dự báo

Biến	SSO	SSE	Q²	Mức độ dự báo
YCKN	1300	873.774	0.328	Trung bình-Mạnh
KNGV	975	824.863	0.154	Nhỏ-Trung bình
CHVL	975	843.423	0.135	Nhỏ-Trung bình
TCCV	1300	1184.293	0.089	Nhỏ
TNPL	975	942.728	0.033	Rất nhỏ
PTD	1625	1625.000	0.000	-
STN	1625	1625.000	0.000	-
TDH	1300	1300.000	0.000	-
TUC	1300	1300.000	0.000	-

Kết luận về chất lượng mô hình cấu trúc:

Mô hình SEM cho thấy chất lượng dự báo tốt đối với biến trung gian YCKN, chấp nhận được đối với KNGV và CHVL, nhưng còn hạn chế đối với TCCV và TNPL. Điều này phù hợp với tính phức tạp của các yếu tố ảnh hưởng đến việc làm trong thực tế, nơi nhiều biến số bên ngoài mô hình cũng có tác động quan trọng.

Tất cả 8 giả thuyết nghiên cứu đều được chấp nhận với mức ý nghĩa thống kê cao, khẳng định vai trò quan trọng của AI trong việc tạo ra yêu cầu kỹ năng mới và tác động tích cực của những kỹ năng này đến các khía cạnh khác nhau của việc làm trong ngành quảng cáo trực tuyến.

5. Hàm ý quản trị và khuyến nghị

5.1. Hàm ý quản trị

Kết quả nghiên cứu cho thấy việc ứng dụng trí tuệ nhân tạo (AI) trong các hoạt động quảng cáo trực tuyến như tự động hóa, phân tích dữ liệu khách hàng, tối ưu hóa chiến dịch, và sáng tạo nội dung có ảnh hưởng đáng kể đến việc làm của nhân viên quảng cáo - thông qua biến trung gian là yêu cầu kỹ năng mới. Từ đó, có thể rút ra một số hàm ý quản trị như sau:

- AI không thay thế hoàn toàn con người, mà đang tái định nghĩa vai trò của người làm quảng cáo.

Các công cụ AI giúp tăng tốc độ và độ chính xác trong quá trình triển khai chiến dịch, nhưng vẫn cần con người ở các khâu mang tính chiến lược và sáng tạo cao.

- Yêu cầu kỹ năng mới đóng vai trò trung gian quan trọng.

Khi AI được ứng dụng rộng rãi, doanh nghiệp cần chú trọng đào tạo lại đội ngũ để thích nghi với những thay đổi về công nghệ, quy trình và công việc.

- Chuyển đổi kỹ năng trở thành điều kiện để duy trì thu nhập và giữ việc.

Nhân viên có khả năng cập nhật và ứng dụng công nghệ AI sẽ có lợi thế cạnh tranh trong môi trường lao động mới.

5.2. Khuyến nghị đối với doanh nghiệp

Đầu tư vào chương trình đào tạo nội bộ để nâng cao kỹ năng về dữ liệu, sử dụng công cụ AI trong sáng tạo nội dung, lập kế hoạch và phân tích hiệu suất chiến dịch.

Xây dựng lộ trình chuyển đổi nghề nghiệp cho nhân sự marketing theo hướng “tăng cường bởi AI” thay vì “bị thay thế bởi AI”.

Ứng dụng AI như một trợ lý chiến lược, không phải là thay thế toàn bộ đội ngũ: sử dụng AI để tăng năng suất, nhưng vẫn duy trì kiểm soát sáng tạo và bản sắc thương hiệu.

5.3. Khuyến nghị đối với người lao động

Chủ động học tập và thích ứng với AI thông qua các khóa học về digital marketing automation, phân tích dữ liệu, AI-based content creation,…

Phát triển tư duy chiến lược, sáng tạo và kỹ năng mềm - những lĩnh vực mà AI chưa thể thay thế hoàn toàn.

Tập trung xây dựng năng lực số (digital literacy) như sử dụng các công cụ hỗ trợ quảng cáo (Google Ads AI, Meta Advantage+, ChatGPT, Canva AI,…) để tạo lợi thế cạnh tranh.

5.4. Khuyến nghị cho nhà hoạch định chính sách

Hỗ trợ chương trình đào tạo lại (reskilling) và nâng cao kỹ năng số cho lực lượng lao động trong lĩnh vực quảng cáo và marketing.

Khuyến khích doanh nghiệp vừa và nhỏ (SMEs) ứng dụng AI theo từng giai đoạn, đồng thời ban hành các chính sách thuế, tín dụng, chuyển giao công nghệ phù hợp.

TÀI LIỆU THAM KHẢO:

Chaffey, D., & Ellis-Chadwick, F. (2019). Digital Marketing. Pearson Education.

Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach (3rd ed.).

Wilson, H. J., & Daugherty, P. R. (2018). Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review.

Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2020). How AI Will Change the Future of Marketing. Journal of the Academy of Marketing Science.

Kietzmann, J., & Paschen, J. (2020). AI in Advertising. Business Horizons.

Tuten, T. L., & Solomon, M. R. (2020). Social Media Marketing (4th ed.).

Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age.

Autor, D. H. (2015). Why Are There Still So Many Jobs? Journal of Economic Perspectives.

Arntz, M., Gregory, T., & Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries. OECD Social, Employment and Migration Working Papers.

Frey, C. B., & Osborne, M. (2017). The Future of Employment. Technological Forecasting and Social Change.

Goldin, C., & Katz, L. F. (1998). The Origins of Technology-Skill Complementarity. The Quarterly Journal of Economics.

World Economic Forum (2020). Future of Jobs Report.

McKinsey Global Institute (2020). The Future of Work in the Age of AI.

Deloitte (2020). Digital Transformation 2020.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM).

Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables. Journal of Marketing Research.

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The Use of PLS Path Modeling. Advances in International Marketing.

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences.

McStay, A. (2018). Emotional AI: The Rise of Empathic Media.

Sundar, S. S. (2020). Theoretical Foundations for Human–AI Interaction. Human–Computer Interaction.

Elkins, A. C., & Paternoster, J. L. (2019). When AI Writes the Copy. Journal of Advertising Research.

Faraj, S., Pachidi, S., & Sayegh, K. (2018). Working and Organizing in the Age of AI. Academy of Management Annals.

Marinchak, C., Forrest, E., & Hoanca, B. (2018). The Impact of Artificial Intelligence on Marketing. Atlantic Marketing Journal.

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence.

Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? Business Horizons.

Cockburn, I. M., Henderson, R., & Stern, S. (2018). The Impact of AI on Innovation. NBER Working Paper.

Nga ThiDang & Toan MinhNguyen (2022). Impact of Artificial Intelligence on E-Commerce Businesses in Ho Chi Minh City. Global Academic Journal of Economics and Business.

Chu Ba Quyet, Nguyen Binh Minh & Nguyen Phan Anh (2024). Using Artificial Intelligence Tool in Studying English Skills in Vietnam – An Experimental Research for Vietnamese High School Students. Journal of Ecohumanism.

Bui Quoc Khoa, Nguyen Van Toai, Do Thi Thu Hien & Tran Quang Thuan (2024). Influential factors of Artificial Intelligence (AI) in the digital transformation of the human resources recruitment process sector in Vietnam. International Journal of Multidisciplinary Research and Growth Evaluation.

Nguyen Van Toai, Do Thi Thu Hien & Tran Quang Thuan (2024). Influential factors of artificial intelligence in digital transformation in Vietnam education industry. International Journal of Social Science Exceptional Research.

Truong Vu Long & Tong Thi Phuong Thao (2025). Employment Opportunities Created By Artificial Intelligence (Ai). International Journal of Advances in Engineering and Management.

Nguyen Quang Trung (2025). The Influence of Artificial Intelligence on Marketing Activities of Businesses in the Marketing - Communication - Events Industry in Ho Chi Minh City: Literature Review. Journal of Information Systems Engineering & Management.

The impact of artificial intelligence on employment in digital marketing: A case study of online advertising specialists in Ho Chi Minh City

Nguyen Hoang Phuoc¹

Pham Quang Thang²

Nguyen Bao Khuong³

¹University of Finance and Marketing, Ho Chi Minh City

²University of Industry, Ho Chi Minh City

³Western Sydney University

Abstract:

This study examines the impact of artificial intelligence (AI) on the employment of online advertising specialists in the digital marketing industry in Ho Chi Minh City. Using quantitative research methods and SmartPLS 4 for structural equation modeling, the study develops a framework to assess how AI influences required skill sets, tool usage, and work efficiency. The findings reveal that AI not only enhances automation and work productivity but also reshapes the skill requirements for digital marketing professionals. Based on these insights, the study proposes strategic recommendations for businesses to effectively adapt their workforce and management practices in the context of rapid digital transformation.

Keywords: artificial intelligence, online advertising, advertising specialist, digital marketing, Ho Chi Minh City.