AI đang chạm vào chỗ ra tiền nào của một store Shopify

Báo cáo này làm theo cách chậm. Mỗi bài LinkedIn và X trong kho đều được model đọc và chấm từng bài một — tổng cộng 5.328 bài — giữ lại 1.000 bài đúng chủ đề và có nội dung. Mọi con số trong 1.000 bài đó được tách ra kèm nguồn, rồi 711 con số thô được gom thành 329 fact riêng biệt: một con số bốn mươi tài khoản cùng đăng chỉ tính là một. Mỗi fact ghi rõ tổ chức công bố đầu tiên và một mức độ tin cậy, chấm theo cùng một thước cho tất cả, nên số vendor tự công bố lúc ra mắt vẫn bị xếp mức thấp kể cả khi đó là vendor mình quý.

Thứ quy trình này liên tục lôi ra là khoảng cách giữa chuyện đã xảy ra và chuyện người ta kể về nó. Shopify công bố con số 13 lần cho một quý khi nền còn nhỏ, quý sau là 3 lần; con số còn chạy khắp nơi vẫn là 13 lần. Mức chi trội của trợ lý Walmart là phép so giữa hai nhóm tự chọn, nhưng được dẫn như mức tăng. Adobe công bố 42% hồi tháng Ba và 60% hồi tháng Bảy; con số lan nhanh nhất lại là 54%, thứ không ai công bố.

Nên các chương được xếp theo đường đi của tiền — khách tìm ra bạn, tác nhân AI, bộ công cụ Shopify, trải nghiệm trên store, phễu, quảng cáo, giữ chân, chăm sóc, nội dung — và mỗi chương nói rõ cái gì đang chạy thật, cái gì đã ra mắt nhưng chưa có bằng chứng, cái gì còn là demo. Chương 11 liệt kê những con số báo cáo này từ chối dùng, kèm cách để bạn tự đo ra số của mình thay vì đi mượn.

Đọc cột bằng chứng trước. Ba khâu có số từ nguồn gốc hoặc hãng nghiên cứu đứng sau; ba khâu chỉ có lời vendor. Chính chỗ lệch đó mới là thứ dùng được trên trang này — nó chỉ cho bạn chỗ nào nên dồn tiền, chỗ nào phải tự chạy thử trước khi tin bất kỳ ai.

Bảng này để lộ hai điều. Một, AI bám chặt nhất ở hai đầu phễu — khâu khách tìm ra bạn và khâu giữ chân — còn yếu nhất đúng ở khúc giữa, tức mấy trang mà người bán bỏ nhiều thời gian ngồi sửa nhất. Hai, những khâu có bằng chứng tốt lại là khâu mà nền tảng chịu công bố số, vì họ đang bán chính cái kênh đó cho bạn; còn khâu không có bằng chứng nào lại là khâu mua công cụ rẻ nhất. Hai điều đó không phải không liên quan tới nhau.

Goldman Sachs theo dõi tỷ trọng traffic mà gen AI đẩy về năm sàn thương mại điện tử lớn nhất thế giới: Alibaba, Amazon, JD, Coupang và MercadoLibre. Suốt 2024 và 2025, các đường đều nằm quanh hoặc dưới 1%. Từ tháng 3/2026 chúng dựng đứng lên. Và vẫn nằm quanh hoặc dưới 1%. Đó là vạch xuất phát trung thực của báo cáo này: tốc độ tăng có thật, nền tính vẫn nhỏ, và rất nhiều con số đang được chuyền tay năm nay là lấy cái này nói thay cho cái kia.

Nhìn biểu đồ này thì nhìn độ dốc, đừng nhìn độ cao. Chỗ gấp khúc từ tháng 3/2026 là thứ đáng đưa vào kế hoạch; độ cao thì đang nói rằng bạn vẫn kịp lập kế hoạch. Một lưu ý đi kèm: nguồn Goldman chỉ nêu trong bài đăng, tấm ảnh không ghi nguồn, nên xếp vào loại trích lại.

Đo thật thì được bao nhiêu

Con số cấp thị trường đáng tin nhất đến từ Similarweb và Statista: AI xuất hiện trong 11,4% hành trình mua sắm tại Mỹ năm 2026, so với 4,5% năm 2024, đo trên desktop. Cùng bộ dữ liệu đó có một chi tiết hay bị bỏ rơi khi trích lại: 89% hành trình có AI thì đồng thời cũng có Search, chỉ 11% là có AI mà không có Search. AI đang được cộng thêm vào hành trình chứ chưa thay thế khâu nào. Phân biệt được chỗ này mới biết ngân sách search của mình bị đe doạ thật, hay chỉ đang bị đo thiếu.

Con số 23% chuyển đổi trên cùng tấm ảnh là tỷ lệ tính trên hành trình, không phải trên phiên. Nó không đặt cạnh được số liệu theo phiên của Adobe hay Shopify. Chương 11 cho thấy chuyện gì xảy ra khi người ta vẫn cứ đặt cạnh.

Hỏi thẳng người mua thì kết quả cũng cùng hướng. Semrush bắt chọn duy nhất một nguồn để giữ lại trước khi mua: 19,4% chọn chatbot AI, sau review (37,1%) và công cụ tìm kiếm (36,7%). Một phần năm người mua gọi tên trợ lý AI là nguồn không thể thiếu, đó là kết quả thật. Nhưng đây là câu hỏi giả định, và nó về thứ ba.

Cắt theo thế hệ thì rõ hơn nữa. PYMNTS Intelligence ghi nhận 41% millennial Mỹ dùng ChatGPT để tìm hiểu sản phẩm trong tháng 7/2026, sau Google (57%) nhưng đã vượt Amazon (37%). Còn khâu xuống tiền thì phần lớn vẫn ở cửa hàng. Khám phá chạy nhanh hơn thanh toán, và đó là lý do chương khám phá (02) có gần bốn chục dữ kiện độ tin cậy cao, còn chương checkout (06) chỉ có một.

Con số "tỷ lệ dùng AI" phụ thuộc hoàn toàn vào câu hỏi

Mọi con số tiêu đề trong kho bài đều không sai, và không con số nào so sánh được với con số nào. Cùng một hiện tượng, sáu cách đo:

Đầu bảng và cuối bảng lệch nhau hơn ba lần, mà lệch gần như hoàn toàn ở cách đặt câu hỏi. Ngưỡng 56% của Deloitte quá dễ vượt: từng một lần, bất kỳ lúc nào. Con số 57% của Accenture không nói về mua sắm. Khoảng một phần ba của BCG dùng được nhất trong sáu số, vì nó nêu rõ cả mẫu lẫn mốc thời gian, và vì cùng báo cáo đó có con số quan trọng hơn: 13% người tiêu dùng nói họ mua đúng thứ công cụ AI gợi ý. Có mặt trong hành trình là khoảng một phần ba. Giao hẳn quyền quyết định là 13%.

Lệch nhau ba lần, giải thích bằng đúng một chữ

Thương mại qua tác nhân AI ở Mỹ đến 2030: các dự báo chênh nhau hơn 3 lần

Mỗi bên định nghĩa thị trường một kiểu: tiền mà tác nhân AI trực tiếp chốt, so với tiền mà nó chỉ điều phối.

Có nguồn, trích lạiBain & Company; McKinsey; một dự báo không rõ nguồn trên báo (độ tin cậy thấp). Hai hãng đều công bố khoảng; đây là hai đầu của khoảng đó.

Xem bảng số liệu

McKinsey — cận trên	1,000 tỷ USD
McKinsey — cận dưới	900 tỷ USD
Bain — cận trên	500 tỷ USD
Dự báo không rõ nguồn	385 tỷ USD
Bain — cận dưới	300 tỷ USD

Số của McKinsey và số của Bain nói về cùng một nước, cùng một năm, cùng một công nghệ, mà lệch nhau hơn ba lần. Giải thích nằm ở một chữ: điều phối. Mức 900–1.000 tỷ USD của McKinsey đếm doanh thu bán lẻ mà agent có tham gia dẫn dắt. Mức 300–500 tỷ USD của Bain đếm một thị trường hẹp hơn. Còn con số toàn cầu tương ứng của McKinsey, 3.000–5.000 tỷ USD thương mại tiêu dùng vào 2030, là một khoảng kịch bản, và chữ "tối đa" thường rụng mất trong các bài trích lại.

Dự báo dạng tỷ trọng cũng vỡ ra y hệt, mà mẹo luôn nằm ở mẫu số. Mức 20% của Gartner vào 2030 là 20% của mọi giao dịch. Mức 15–25% của McKinsey và Rye là của giao dịch thương mại điện tử. Mức 15,8% của EMARKETER là của doanh số thương mại điện tử Mỹ, theo kịch bản cơ sở, tăng từ 3,2% năm 2026. Ba tỷ trọng trông như cùng một mệnh đề, ba mẫu số khác nhau, cùng rơi vào một năm.

Đường của EMARKETER dùng được nhất cho người vận hành, vì một lý do chẳng liên quan tới điểm cuối của nó: nó khởi đầu ở 3,2% năm 2026, tức cho biết cái thứ hôm nay bạn được yêu cầu chi tiền đuổi theo thực ra đang to cỡ nào. Người viết báo cáo còn thêm một chi tiết làm đổi cách nhìn cả nhóm này: phần lớn doanh số do AI dẫn dắt được dự báo đến từ trợ lý của chính nhà bán như Alexa for Shopping hay Sparky của Walmart, còn ChatGPT và Gemini chiếm chưa tới một nửa. Nếu đúng vậy thì bề mặt nhà bán tự kiểm soát mới là bề mặt quan trọng, chứ không phải bề mặt họ đang lo sốt vó. Chương 05 mổ kỹ bề mặt đó.

Tuyên bố thì rẻ, đưa vào chạy thật mới đắt

Doanh nghiệp tiêu dùng: tham vọng tác nhân AI so với mức sẵn sàng thật

Tỉ lệ doanh nghiệp được khảo sát. Khoảng cách giữa cột đầu và phần còn lại mới là điều đáng nói.

Nguồn gốc / nghiên cứuDeloitte, State of AI in the Consumer Industry 2026.

Xem bảng số liệu

Định triển khai tác nhân AI trong 2 năm	73%
Hiện đã dùng ở mức trung bình trở lên	24%
Từ 40% thử nghiệm AI trở lên đã chạy thật	23%
Có quy chế quản trị chín cho tác nhân tự hành	20%

Khảo sát doanh nghiệp hàng tiêu dùng của Deloitte là bức ảnh rõ nhất về khoảng cách này. 73% dự định triển khai agentic AI trong hai năm. 24% nói hiện đã dùng ở mức trung bình trở lên. 23% đã đưa từ 40% thử nghiệm AI trở lên vào chạy thật. 20% có khung quản trị hoàn chỉnh cho agent tự hành. Và 82% chưa thiết kế lại vị trí công việc nào quanh năng lực AI. Đây mới là con số dự đoán được bốn con số kia: agent mà không ai đổi phần việc để đón thì cũng là agent không ai chịu trách nhiệm.

65% người mua định dùng AI cho mùa mua sắm cuối năm. 8% nhà bán lẻ nói mình đã sẵn sàng. Tôi phải đọc lại khoảng cách đó hai lần.

Sarah Willersdorf, Kinship AI — LinkedIn, 2/9/2026

Khảo sát Narvar đằng sau câu đó có mẫu phía nhà bán khá mỏng, 100 lãnh đạo so với 1.348 người mua, nên đọc 8% như một chỉ dấu về hướng, đừng đọc như phép đo chính xác. Hướng đó được xác nhận lại bởi chỗ tiền AI đang chảy tới trong các đội marketing.

Tỷ lệ của Epsilon là chi tiết ít ai để ý nhất chương này: 71% marketer hướng AI vào năng suất, 9% hướng vào tăng doanh thu. Khảo sát QuickBooks của Intuit với doanh nghiệp nhỏ, tháng 1/2026, ra cùng một chỗ từ phía ngược lại: 78% báo có cải thiện năng suất, 43% báo tăng doanh thu. Doanh nghiệp đang mua AI để làm công việc hiện tại nhanh hơn, rồi báo cáo kết quả như thể đã mua được tăng trưởng.

Ai đang thật sự chạy

Trong sổ dẫn chứng có bốn cái tên đã qua giai đoạn thử nghiệm, và không ai đi tới đó bằng một con trợ lý mua sắm. Thương mại điện tử Mỹ của Walmart tăng 24% trong quý 2 FY27, trong khi doanh số cửa hàng so sánh được chỉ tăng 2,6%; khoảng cách này có thật, nhưng chính Walmart không quy nó cho AI, dù các bài tổng hợp có viết gì đi nữa. Nhóm AI agent phục vụ nhà bán của Alibaba thu hơn 60.000 người dùng trả phí trong năm tháng, con số người trả tiền rõ ràng duy nhất trong chương. Compass, mô hình thương mại 245 tỷ tham số Shopee tự làm, đi từ 3 tỷ lên 340 tỷ token API mỗi tháng trong tám tháng. Tesco gom 250 sáng kiến AI rời rạc về một chiến lược tập đoàn, có đội công nghệ 6.000 người đứng sau: mục kém hào nhoáng nhất danh sách và có lẽ dễ học theo nhất.

Đối lại, những con số "tăng gấp bao nhiêu lần" trên tiêu đề đang nhỏ dần, đúng như quy luật của một cái nền còn nhỏ. Shopify công bố đơn hàng đến từ AI tăng khoảng 13 lần so với cùng kỳ trong quý 1/2026, và khoảng 3 lần trong quý 2/2026. Cả hai đều chính thức, đều đúng cho quý của nó, và không cái nào cho thấy sản lượng thật đang giảm. Chương 02 và 04 sẽ tách bạch hai con số này.

89% nhà bán nói họ đang tích cực chuẩn bị cho agentic commerce. Agent hiện có mặt trong khoảng 3% giao dịch. Khoảng cách đó đang được lấp bằng một canh bạc.

Nikki Baird, chuyên gia phân tích bán lẻ — LinkedIn, 8/9/2026

Cả hai con số của Baird đều không truy được về một nguồn có tên trong kho bài này, nên đừng trích như số đo. Hãy trích câu cuối. Việc chuẩn bị là thật, tỷ trọng giao dịch thì nhỏ, và canh bạc ở giữa đang được đặt bằng tiền rót theo những dự báo lệch nhau ba lần.

Thật ra đang có bao nhiêu traffic ở đây

Bài nào về AI discovery cũng mở bằng một con số tăng trưởng, và các con số đó to thật. Chúng cũng nhỏ dần từng quý, vì nền để so không còn gần bằng không. Adobe đo cùng một chỉ số — lượt truy cập từ AI về site bán lẻ Mỹ, so cùng kỳ — qua các mốc: lên tới 4.700% (T7/2025), 693% (mùa lễ 2025), 393% (quý 1/2026), 125% (T4–T6/2026), 62% (T7/2026). Lấy con số 2025 đem nói chuyện 2026 là lỗi phổ biến nhất trong kho bài này.

Nhìn số tuyệt đối thì tỉnh ra ngay. Bernstein đọc dữ liệu Similarweb: lượt giới thiệu từ gen AI mới chiếm 0,8–1,4% tổng traffic của các nhà bán lẻ lớn tại Mỹ, tính đến T8/2026. Cũng phân tích đó cho ra 22–39% nếu mẫu số là traffic giới thiệu, tức đã loại direct, organic và paid ra ngoài. Khác mẫu số nên hai con số không đá nhau: một shop vừa có thể đúng với mức "15–20% traffic giới thiệu đến từ AI chat" mà Bessemer đưa ra, vừa gần như không thấy AI đâu trong bảng tổng.

Số do chính nhà bán công bố cũng nằm trong khoảng đó. John Lewis nói lượt tìm sản phẩm đến từ AI agent tăng từ 0,3% lên 2,5% tổng lượt tìm sản phẩm sau một năm. CEO Target nói ở buổi công bố kết quả quý 2/2026: traffic từ nền tảng AI bên ngoài tăng nhanh gấp 3,5 lần trung bình ngành, nhưng vẫn nhỏ và không kèm con số tuyệt đối nào. Đầu kia, Ethercycle soi mười store Shopify: AI mang về 75.000 USD trên tổng 76,5 triệu USD doanh thu, tức 0,10%, giai đoạn T1–T6/2026 — đo theo last-click, nên chắc chắn tính thiếu phần AI tác động vào đơn nó không trực tiếp chốt.

Khách đó đáng giá bao nhiêu

Lý do phải để mắt tới 2% lượt tìm là vì đó không phải 2% trung bình. Dữ liệu thương mại quý 1/2026 của Shopify: phiên vào thẳng trang sản phẩm từ nền tảng AI chuyển đổi cao hơn khoảng 50% so với cùng loại phiên đến từ organic search — chênh trung bình 56%, đúng ở 23 trong 25 ngành hàng — và giá trị đơn trung bình cao hơn 14%. Khoảng một nửa số phiên từ AI vào thẳng trang sản phẩm, trong khi organic chỉ khoảng 20%. Con số cuối giải thích hai con số đầu: trợ lý lượn hết cửa hàng giùm khách, rồi bàn giao một người đã chọn xong.

Adobe đo thứ khác và ra kết quả cùng chiều: traffic AI về bán lẻ chuyển đổi cao hơn traffic không phải AI 42% ở T3/2026, 60% ở T7/2026, doanh thu mỗi lượt truy cập cao hơn 53%. Đọc mốc so sánh, đừng đọc cái tít. Shopify so AI với organic search, và chỉ trên phiên vào trang sản phẩm. Adobe so AI với mọi kênh khác mà site bán lẻ theo dõi, ở cấp toàn site. Cả hai đều lấy nhóm AI là những người tự chọn mua qua trợ lý: chênh lệch do tự chọn mẫu, không phải mức tăng đo được. Cả kho bài này không ai chia nhóm ngẫu nhiên.

Khi ngồi lên kế hoạch, con số đáng dùng nhất lại là con số không so kênh với kênh. Hành trình dùng cả AI lẫn search chuyển đổi 23%, so với 12,5% nếu chỉ dùng AI — và dù sao thì 89% hành trình có AI cũng có search. AI xuất hiện trong 11,4% hành trình mua năm 2026, so với 4,5% năm 2024, và thường rơi vào khúc giữa: 76% số phiên đó có AI ở giữa hành trình, chỉ 23% có AI ở điểm bắt đầu.

Đây mới là chỗ đứng thật của kênh này. AI ít khi là điểm chạm đầu, cũng ít khi là điểm chạm cuối. Nó là khâu nghiên cứu mà trước kia gồm một bài so sánh, một thread Reddit và bốn tab mở sẵn, giờ nén thành một câu trả lời. Khách đến đã có ý định sẵn, và đo theo last-click thì luôn tính thiếu kênh này.

Trợ lý nào đẩy khách về

Trên thực tế, nói kênh AI là nói ChatGPT — nhưng nó đang mất dần ở rìa. Theo bảng AI1000 của ReFiBuy và Digital Commerce 360, số nhà bán trong top 1.000 tại Mỹ có ChatGPT là nguồn giới thiệu AI lớn nhất giảm từ 844 xuống 722 giữa quý 1 và quý 2/2026, trong khi Gemini đi 16 → 32, Perplexity 8 → 21, Claude 1 → 15. Đây là đếm số nhà bán, không phải tỷ trọng traffic.

Cũng bảng đó có một ý bền hơn, về chuyện ai thắng. Chỉ 10 trong 100 nhà bán online lớn nhất lọt top 100 của AI1000, và quán quân mới là Nixon — xếp thứ 722 nếu tính theo doanh thu online. 71% đơn Shopify quy cho AI trong năm 2025 rơi vào nhóm hàng ngách, hàng chuyên. Cỡ lớn trên kệ cũ không mang sang kệ mới được.

Ngày 10/7/2026: khâu truy xuất dời vào feed

Rồi cách máy đi lấy dữ liệu đổi, đổi ngay dưới chân mọi người. Profound phân tích khoảng 1,75 triệu prompt mua sắm trên ChatGPT và thấy tỷ lệ gợi ý sản phẩm lấy từ feed tích hợp đi từ 8,26% lên 61,54% trong đúng một ngày, trùng đợt phát hành ChatGPT 5.6. Sau đó là dồn cục: phần của 10 nhà bán lớn nhất trong tổng gợi ý tăng từ 22,5% lên 41,8%, số nhà bán khác nhau được hiển thị giảm từ 13.524 xuống 10.607, và trong mấy ngày quanh 10/7, 450 thương hiệu Profound theo dõi mất ít nhất một phần ba độ hiện diện trên ChatGPT Shopping, 67 thương hiệu được thêm một phần ba.

Profound đo trên tệp khách của chính họ, nên cách đọc thứ hai về cùng sự kiện cũng đáng nghe không kém. Novi chạy 1.500 truy vấn trên 13 ngành hàng và kết luận: feed quyết định việc hiển thị, không quyết định việc chọn. Model chọn sản phẩm nào vẫn dựa trên cách nó hiểu sản phẩm đó qua thông tin khắp web; feed cung cấp giá đã xác thực, mã biến thể, ảnh và tồn kho — đủ để món đã chọn được vẽ ra thành một thẻ sản phẩm.

Với nhà bán, hai cách đọc dẫn về cùng một chỗ: sản phẩm không nằm trong feed mà ChatGPT nạp thì khá lắm cũng chỉ được nhắc bằng chữ, bên cạnh đối thủ có hẳn một thẻ kèm giá. Catalog Shopify và Etsy đã tích hợp sẵn, không phải nộp đơn, và Profound tính Shopify chiếm khoảng 35% toàn bộ lượt truy xuất qua feed — lý do cụ thể khiến một shop Shopify nhỏ chưa bị loại khỏi cái kệ vừa co lại.

Kệ hàng ngắn lại, và đắt lên

Phía Google thì đổi cách bày kệ, không đổi đường dẫn dữ liệu. Productrise theo dõi 2 triệu listing trong 23 ngày của T8/2026: AI Mode hiện 3,9 sản phẩm mỗi câu trả lời, so với 27,8 ở dải shopping thường; chỉ 1,28% listing trùng nhau theo ngày giữa hai bề mặt; và ở 49,6% sản phẩm xuất hiện cả hai nơi, người bán đứng đầu là hai bên khác nhau. Chào giá dẫn đầu trong AI Mode đắt hơn trung bình 21,6% so với search thường, cùng một sản phẩm. Đây là nghiên cứu của một công ty nhỏ, chỉ soi listing đứng đầu, phải nói kèm cái ngoặc đó mỗi lần trích — nhưng hướng của nó khớp với Ahrefs: chỉ còn 38% trích dẫn trong AI Overviews đến từ top 10 organic.

Với một cái kệ vỏn vẹn bốn sản phẩm, chọn theo tiêu chí không ai công bố, đọc như vậy là sòng phẳng. Thương hiệu xưa nay chỉ thắng nhờ rẻ vừa mất vũ khí; thương hiệu có đánh giá, có thuộc tính điền đủ, có người ngoài nhắc tới thì vừa có cửa mà hồi còn dải 28 sản phẩm xếp theo giá họ chưa từng có.

Nhà bán nắm được cái gì

Nắm được rất ít phần xếp hạng, nhưng nắm gần hết phần đầu vào. Báo cáo AI performance trong Google Merchant Center — đang beta và mở rộng dần trong 2026 — gọi tên các nhóm ý định mua sắm qua AI mà shop có xuất hiện, kèm những thuộc tính khách hay hỏi mà feed đang thiếu.

Sửa feed là việc duy nhất trong chương này có đo trước–sau hẳn hoi, và kết quả đo không đều: trong một đợt audit bốn feed, bổ sung ảnh sản phẩm còn thiếu kéo click organic tăng 18 đến 23 điểm phần trăm; sửa mô tả màu mơ hồ không tạo khác biệt nào đo được; sửa danh mục thì quá ít ca để kết luận. Nên xem "điền đủ feed" là một rổ phép thử, không phải một phép thử.

Cũng nên nhìn tận mắt thứ trợ lý thực sự nhận được. Bóc từ luồng truy xuất của ChatGPT, một trang sản phẩm về tới nơi chỉ còn meta tag thô cộng bản markdown dẹp phẳng — không bố cục, không alt text, không link. Mọi quyết định thiết kế rụng dọc đường. Chữ trong tiêu đề, giá trị thuộc tính và structured data thì sống sót.

Kết luận nhỏ và cụ thể hơn nhiều so với không khí bàn tán hiện nay. AI discovery không thay thế search: search vẫn kéo khoảng một phần ba số phiên trên storefront Shopify và tăng 1,3 lần trong hai năm, mà gần như hành trình có AI nào cũng đi qua search. Cái AI lấy mất là khâu so sánh — chỗ khách quyết định mình muốn món nào.

Ba thứ rất khác nhau đang bị gộp chung vào chữ "agentic commerce". AI gợi ý, người bấm mua. AI dựng giỏ, người bấm trả tiền. AI cầm phương tiện thanh toán và tự mua. Cái đầu đã là một kênh thật, cái thứ hai đang ra bản chạy được, cái thứ ba tính theo giao dịch thì gần bằng không. Chương này nói về khoảng cách giữa ba cái đó.

Agent đang ảnh hưởng tới quyết định mua nhanh hơn nhiều so với tốc độ agent thật sự đứng ra thanh toán.

Molly Schonthal, tư vấn agentic commerce — LinkedIn, 18/08/2026

Hôm nay chỗ nào thật sự nhận được đơn

Câu hỏi có ích cho merchant không phải giao thức nào thắng, mà quý này kênh nào nhận được đơn. Xếp theo tiêu chí đó thì danh sách ngắn đi rất nhanh.

Cái nút đã chết

OpenAI và Stripe mở Instant Checkout T9/2025 rồi đóng ngày 04/03/2026. Con số của Shopify, kể lại qua bên thứ ba, là khoảng 12 merchant thật sự dùng; một bài không nguồn nói chừng 30 merchant đã tích hợp mà doanh số gần bằng không. Hai con số này không mâu thuẫn — "đã tích hợp" và "đang dùng" là hai phép đếm khác nhau. Nó được cho là thu khoảng 4% của merchant. Một tuần trước khi tắt, OpenAI và Amazon công bố hợp tác 50 tỷ USD; suy ra nhân quả từ trình tự đó là diễn giải, không phải dữ kiện.

Màn hình trên là một đơn agentic chạy thật: chai nước hoa Glossier mua gọn trong khung chat, Glossier vẫn là bên bán. Nó chạy được, và vẫn thua một cú redirect. Bài toán kỹ thuật đã giải xong từ một năm trước; bài toán chuyển đổi thì chưa. Giờ ChatGPT lo khâu tìm kiếm rồi đẩy khách về cho merchant — một người làm ngành thời trang gọi đó là affiliate marketing khoác thêm giao diện chat.

Bản đồ giao thức, bỏ chữ "chiến tranh" đi

UCP do Google và Shopify cùng làm, phủ từ tìm kiếm, giỏ hàng, checkout, trạng thái đơn tới liên kết danh tính, qua bốn kênh truyền; Tech Council của nó đón thêm Amazon, Meta, Microsoft, Salesforce và Stripe vào T4/2026. ACP của OpenAI và Stripe giờ chủ yếu là định dạng cho khâu tìm kiếm rồi bàn giao. AP2 lo thanh toán theo luật đặt trước. Muse nói được vài thứ tiếng cùng lúc.

Sơ đồ này đáng để bỏ ra mười phút, vì nó chỉ rõ nghĩa vụ của merchant nằm ở đâu: năng lực nào bắt buộc phải mở ra, kênh truyền nào được chọn. Nó không nói gì về mức độ ai đang dùng — và đó mới là chân yếu.

UCP có 51 merchant đang chạy. Tăng trưởng thì đứng. Hạ tầng là thật. Còn người dùng thì không.

Philip Qiu, đồng sáng lập Henry Labs — LinkedIn, 05/05/2026

Con số đó không nguồn và đã cũ bốn tháng — đọc như ảnh chụp một thời điểm, đừng đọc như số luỹ kế. Bằng chứng cứng hơn để bác chữ "chiến tranh giao thức" nằm ở lượng tiền thật sự chảy qua đường ray máy-với-máy.

Bernstein đọc số liệu Artemis: khối lượng thanh toán agent–agent thật trên x402 đạt đỉnh 5,1 triệu USD vào 11/2025, cả năm 2026 dưới 1 triệu USD/tháng, MPP gần bằng 0. Chính mấy bài agency đếm ra mười giao thức agentic đang tranh nhau đã đếm chúng trên một dòng tiền nhỏ hơn doanh thu một năm của một store tầm trung.

Phí, và ai là người ôm rủi ro

Chỗ nào có công ty đứng tên công bố phí thì mức phí đều dễ chịu. Square thu đúng mức chuẩn ~2,9% + 0,30 USD cho đơn nhà hàng đặt trong ChatGPT và Claude, không thêm hoa hồng sàn, so với 15–30% các nền tảng giao đồ ăn đang lấy. Instacart chạy trong Gemini hiện phí dịch vụ 4% cho người mua ngay ở bước bàn giao.

Để ý màn hình Gemini đó làm gì: dựng giỏ ngay trong Google, rồi bật sang "Checkout on Instacart". Mức phí công bố là giá của cú bàn giao, không phải giá của checkout. Agent dựng giỏ, ai giữ quan hệ thanh toán thì người đó chốt — đó mới là mô hình ra tiền trong 2026.

Trách nhiệm pháp lý không đi theo giao diện. ACP ghi rõ merchant vẫn là merchant of record và vẫn ôm hoàn tiền, chargeback, tuân thủ; UCP giữ đúng lập trường đó. Thứ đã đổi: người mua bây giờ là một hệ thống xác suất, còn bản ghi đơn hàng của hầu hết store chưa bao giờ được dựng để lưu lại người thật đã cho phép agent làm những gì.

Khi khách khiếu nại món mà agent của họ đã mua, ai là người đưa ra bằng chứng?

Richard Emanuel, đối tác triển khai Claude và n8n — LinkedIn, 09/09/2026

Trần niềm tin có thật, chỉ là các khảo sát cãi nhau xem nó nằm ở đâu

Riêng kho bài này có hơn một chục con số năm 2026 cho câu "bạn có để agent mua hộ không", trải từ 7% tới 85%. Chúng không đo cùng một hành vi. Bảy con số, kèm câu hỏi thật sự đã hỏi:

Người mua dùng AI để tìm hiểu, chưa dùng để trả tiền

Hai khảo sát, giữ nguyên theo cặp. Cặp của Visa hỏi cùng một nhóm về cùng một việc, khác nhau ở chỗ có nêu tên thương hiệu thanh toán hay không.

Nguồn gốc / nghiên cứuIpsos "Shopping with AI" (người biết đến AI); Visa Trust Index về thương mại tác nhân (2.065 người Mỹ, 2026).

Xem bảng số liệu

Visa · chấp nhận khi nêu rõ Visa đứng ra xử lý	61%
Ipsos · dùng AI để tìm hiểu sản phẩm	27%
Visa · tin AI tự trả tiền (không nêu thương hiệu)	23%
Ipsos · để AI tự chốt mua	9%

Đọc theo từng cặp, đừng đọc cả dải. Cặp của Visa là dòng đáng giá nhất chương này: cùng nhóm người, cùng một hành vi, 23% lên 61% chỉ nhờ nêu tên một thương hiệu thanh toán. Bain đo được mức tin cậy cao gấp 3 lần cho agent của chính nhà bán lẻ so với bot bên thứ ba, cùng một hướng. Niềm tin bám vào bên cầm tiền, không bám vào agent.

Trang App Store của Muse cho thấy chỗ cả ngành đang dừng lại: agent đề xuất, người bấm Allow, rồi Link trả tiền. Stripe nói Muse thanh toán ngay được ở hơn 1 triệu doanh nghiệp nhận Link — nhưng cái nào cũng nằm sau một cú bấm của người. Đó là mức thật của công nghệ hiện giờ, và cũng là lý do "3% giao dịch" với "89% merchant đang chuẩn bị" cùng đúng một lúc.

Nối ngay cái gì, khoan cái gì

Merchant Center của Microsoft nói thẳng cái giá vào cửa: khai chính sách đổi trả và đầu mối hỗ trợ là đủ điều kiện hiện trên các kênh mua sắm AI. Việc phải làm là dọn dữ liệu, không phải tích hợp.

1. Làm ngay: đường ray miễn phí, bật sẵn

   UCP qua Shopify Catalog không tốn phí và mặc định đang bật; seller Square được bật sẵn kênh đặt hàng trong ChatGPT và Claude. Việc thật nằm ở catalog đầy đủ, tồn kho và giá cập nhật, chính sách đổi trả, đầu mối hỗ trợ.

2. Làm ngay: hồ sơ để đối chất khi có tranh chấp

   Mỗi đơn agentic phải lưu danh tính agent, sự kiện duyệt và ràng buộc khách đặt ra. Một người trong nghề nối hai mốc thời gian này: ngưỡng chargeback vượt mức VAMP của Visa đã hạ từ 2,2% xuống 1,5% ngày 01/04/2026 cho merchant Mỹ, Canada, EU và APAC. Chỗ thở cho một nhóm tranh chấp mới đã hẹp lại trong năm nay.

3. Khoan: các gói tích hợp bán bằng chênh lệch phí

   Mọi thứ chào giá dựa trên khung "7,2% so với 0%" không nguồn, hoặc hứa thêm 40% đơn nếu chạy cả hai. Nền tảng của bạn đã nói được UCP thì một tích hợp trực tiếp thứ hai gần như không mua thêm được gì ở mức 3% giao dịch.

4. Khoan: đường ray thanh toán agent–agent

   Cả mạng x402 dưới 1 triệu USD/tháng trong 2026. Quay lại xem khi có một merchant đứng tên công bố con số khối lượng.

Số của vendor để nguyên ở cột vendor

Tài liệu của Anthropic nói các nhà bán lẻ chạy shopping agent trên Claude thấy giỏ lớn hơn tới 35% và người mua hoàn tất đơn nhiều hơn 60%. Hai mươi bài trong kho này chép lại; phần lớn đánh rơi chữ "tới", vài bài đổi "hoàn tất" thành "chuyển đổi". Phần công bố gốc là một đối tác đầu tiên tự khai 30–35%, không cỡ mẫu, không nêu nhóm đối chứng. Một case +40% chuyển đổi khác trong cùng bộ tài liệu ghi công cho startup tên Vambe.

Họ nói chuyển đổi tăng 40%, rồi lần ra nguồn thì là một startup vô danh tên "Vambe", mà website của nó lúc này đang hiện "404: NOT_FOUND Code: DEPLOYMENT_NOT_FOUND."

Kelly Goetsch, President, Pipe17 — LinkedIn, 03/09/2026

Nói vậy không phải để bác cái blueprint — nó là phần kỹ thuật tử tế, miễn phí, fork về dùng được. Nguyên tắc đó áp cho cả hai phía: mấy bài không nguồn nói Buy for Me của Amazon phủ 100 triệu sản phẩm của 400.000 merchant, hơn 170 merchant đang rủ nhau kiện, chargeback tăng 28%. Không chỗ nào dẫn nguồn. Cả hai bộ số đều đang bán một thứ gì đó.

Không ai đi cài cả

T3/2026 Shopify bắt đầu bật Agentic Storefronts cho các store đủ điều kiện. Aleyda Solis viết ngay lúc đó: kênh này mặc định bật, quyền nằm ở Settings → Sales channels (X, 25/3/2026). Tức là một màn hình để tắt, không phải một luồng cài đặt. Sáu tháng sau, màn hình đó liệt kê ChatGPT, Microsoft Copilot, Google, Shop, và từ 8/9 thêm Meta.

Cái mặc định đó đứng được là nhờ tầng bên dưới. Shopify Catalog đẩy dữ liệu sản phẩm có cấu trúc sang các kênh AI, và tài liệu của chính Shopify nói thẳng: chặn crawler trong robots.txt không ngăn được luồng này — hai đường khác nhau. Mọi store cũng tự có sẵn /agents.md, /llms.txt và /llms-full.txt mà không ai ngồi tạo. Đọc ảnh tài liệu dưới đây như danh sách những thứ merchant không tắt được bằng công cụ họ quen tay.

Bên ngoài Shopify cũng đo được cái mặc định đó. Profound phân tích lượt lấy sản phẩm trong ChatGPT Shopping từ T7 đến T9/2026, thấy tích hợp Shopify chiếm khoảng 35% số lượt lấy từ nguồn feed. Còn con số Shopify tự nói — tìm kiếm AI dựa trên dữ liệu Catalog có cấu trúc chuyển đổi gấp 2 lần tìm kiếm AI dựa trên dữ liệu web cào về hoặc đã cũ, giai đoạn Quý 1–Quý 2/2026 — thì chưa bao giờ công bố nhóm đối chứng (bài gốc).

Kênh mới nào cũng lặp lại đúng kiểu này. Meta hồi tháng 9 là ví dụ gọn nhất: sản phẩm mặc định được chia sẻ sang Meta qua Catalog, nên quyết định của merchant là tắt — với điều kiện họ nhìn thấy nó trước đã.

Con số 13 lần là của Quý 1/2026

Quý 1/2026, Shopify nói traffic từ AI về store merchant tăng hơn 8 lần, đơn từ AI tăng gần 13 lần so với cùng kỳ. Ba tháng sau, trong buổi công bố kết quả Quý 2/2026 ngày 5/8, hai dòng đó còn khoảng 3 lần mỗi bên. Đặt cạnh nhau thì trông như sụp. Không phải.

Bội số so với cùng kỳ là lấy quý này chia cho quý cùng kỳ năm trước. Quý 1/2025 gần như bằng không, nên lượng đơn nào của Quý 1/2026 chia ra cũng thành một con số to. Đến Quý 2/2025 thì nền đã dày, nên Quý 2/2026 chia cho một mẫu số lớn hơn hẳn. Bội số rơi từ 13 xuống 3 hoàn toàn có thể đi kèm lượng tuyệt đối vẫn đang tăng. Đó là hình dạng của năm đầu tiên ở bất kỳ kênh mới nào, sau khi mẫu số đuổi kịp.

Nói cho gọn: một slide tháng 9 ghi "đơn từ AI tăng 13 lần" mà không kèm "Quý 1/2026" là đang lấy số của một quý đã cũ ra dùng như số hiện tại. Trong kho bài còn ba dị bản nữa — 15 lần cho cả năm 2025 (trích lại, không link), 7 lần traffic và 11 lần đơn từ một công bố cũ không ghi kỳ, và một con số 385% cho Sidekick không rõ nguồn, nằm chông chênh ngay cạnh con số 4 lần Shopify công bố. Chỉ những con số có gắn kỳ mới sống sót qua khâu kiểm.

Một cái dashboard thật

Shopify công bố toàn bội số với tỷ lệ. Không con số nào nói kênh đó đáng bao nhiêu trên một store. Tấm ảnh Agentic Storefronts lan truyền sau lần ra mắt tháng 6 cũng không giúp được gì: tên store và con số $103.813 trên đó nhìn là biết dữ liệu mẫu trong ảnh ra mắt. Dashboard thật duy nhất trong kho bài là của một store khách hàng, do Kurt Elster đăng T5/2026 — ChatGPT $5.673,68 trong 30 ngày, Copilot $301,79, bên cạnh $52.483,10 qua kênh Shop. Đọc theo từng dòng kênh, đừng đọc con số tổng in to ở đầu ô vì nó không khớp với hai dòng dưới; còn "0,27% doanh thu" trong caption của Elster thì không kiểm được từ ảnh.

Ở quy mô này, khác biệt giữa các kênh đáng quan tâm hơn con số tổng. Google, Copilot và Meta chốt đơn ngay trong khung chat, chỗ đó pixel trình duyệt, bundle và subscription không chạy; ChatGPT thì đẩy người mua về checkout Shopify của chính merchant (Stack Architect, X, 24/8/2026). Store nào sống nhờ upsell sau mua thì "đã lên AI" ở năm kênh không có cùng một nghĩa. Đợt rollout cũng không êm: tháng 3, Ben Kennedy thử store nào cũng ra lỗi "Product not available" sau khi Shopify tuyên bố đã live.

Việc Sidekick làm nhiều nhất là viết meta tag

Sidekick tăng 4 lần so với cùng kỳ ở Quý 1/2026, theo COO Shopify và bản Spring '26 Edition; số merchant dùng hằng ngày tăng 3,6 lần ở Quý 2. Tại DotDev 2026, Shopify chiếu cơ cấu câu hỏi trong 30 ngày, và hình dạng của nó nói được nhiều hơn tốc độ tăng.

SEO và meta tag đứng đầu với 1,1 triệu lượt, trên giao vận (716 nghìn) và tồn kho (646 nghìn). Merchant không hỏi trợ lý chuyện chiến lược. Họ ném cho nó phần chữ nghĩa lặp đi lặp lại mà lâu nay vẫn làm qua loa — kiểu dùng đó mới sống sót qua một kỳ cắt ngân sách. Thay đổi về cấu trúc nằm ở app intents: Sidekick giờ với sang được AfterShip, Consentmo, Klaviyo, Judge.me, Loop, xin phép trước mỗi lần đọc dữ liệu. Từ một changelog hồi tháng 8, khi gọi app intent thì admin mở luôn trang của app ở chế độ toàn màn hình — chỗ merchant đi tìm app đang dời dần từ App Store sang trợ lý (bài gốc). Bên làm app phản ứng ngay: thời gian duyệt App Store rút từ 40 ngày xuống 4 (Atlee Clark, VP Partnerships, Shopify), riêng T5/2026 có hơn 2.000 app mới, 27% nhắc tới AI (App Store Pulse). Thứ mấy con số tăng trưởng đó không nói ra là chỗ Sidekick làm không nổi.

Cái connector thực ra là một màn hình phân quyền

T5/2026 Shopify phát hành connector app cho ChatGPT và Claude, để merchant điều hành store ngay trong cửa sổ chat họ vẫn mở sẵn. Harley Finkelstein dẫn một khảo sát nội bộ: 83% merchant đã dùng ChatGPT (LinkedIn, 4/5/2026) — khảo sát của Shopify, không công bố cách làm, nên đọc như xu hướng chứ đừng đọc như phép đo. Thứ đáng ngồi xem không phải bản demo, mà là những gì connector mở ra.

19 tool tương tác, 4 tool chỉ đọc, riêng GraphQL mutation và đổi shop thì chặn sau cửa "cần duyệt". Danh sách đó mới là bề mặt quản trị thật của cả bộ máy: nó quyết định một agent được sửa gì trên store đang chạy khi không có người ngồi cạnh. Bỏ thời gian vào màn hình đó và phần duyệt app intent; trang giới thiệu để sau.

Mặt trận AI duy nhất còn nằm trong tay người bán

Ba chương trước nói về những nơi người khác xếp hạng giùm bạn. Domain của chính bạn thì không. Bạn quyết search trả về cái gì, bạn nhìn thấy trọn phiên của khách, hồ sơ khách ở lại với bạn, và không có phần nào của trải nghiệm phải chờ một protocol được chốt. Dự báo của EMARKETER cũng đặt tiền ở đó: trợ lý của chính nhà bán lẻ — Rufus, Sparky và đồng dạng — được kỳ vọng gánh 54,1% doanh số bán lẻ online do AI dẫn dắt tại Mỹ năm 2026, nhiều hơn tất cả chatbot phổ thông cộng lại. Người mua cũng nói y vậy: khảo sát Evercore ISI thấy 55% khách dùng trợ lý AI gắn sẵn trên site nhà bán lẻ so với 48% dùng công cụ AI phổ thông, và 66% hài lòng so với 3% không hài lòng.

Nhìn thực tế thì thứ này đỡ kỳ ảo hơn video ra mắt nhiều. Ask Cleo của Constructor nằm ngay trên trang kết quả tìm kiếm của Rugs Direct, trả lời câu "cái nào giặt máy được", rồi đưa ra thẻ sản phẩm kèm gợi ý lọc tiếp theo hình dáng. Đó là hình hài thật của nó: một lớp truy xuất có thêm cái miệng, cắm vào đúng catalog người bán vẫn đang nuôi.

Bốn con số đang được trích đi trích lại

Bốn công bố dưới đây là thứ cả ngành đem ra trích trong quý này. CEO Walmart John Furner nói ở cuộc gọi quý 2 FY27 tháng 8/2026 rằng khách dùng Sparky chi nhiều hơn khoảng 40% mỗi đơn so với khách không dùng, và số người dùng Sparky tăng 70% so với cùng kỳ. Andy Jassy của Amazon nói ở quý 2/2026 rằng khách Mỹ dùng trợ lý mua sắm chi nhiều hơn trên 40% so với người không dùng, và 350 triệu người đã dùng nó trong 12 tháng qua. Lowe's nói khách có tương tác với Mylow chuyển đổi gấp khoảng 3 lần khách không tương tác, trên nền 25 triệu câu hỏi đã trả lời. Williams-Sonoma nói trợ lý Olive chuyển đổi gấp 3 lần mức thường, doanh thu đi qua nó tăng 620% và mức tương tác tăng 700% kể từ tháng 1/2026.

Xuống khỏi nhóm doanh nghiệp lớn, vẫn kiểu công bố đó nhưng bội số to hơn và nguồn mỏng hơn. Constructor nói khách của Rugs Direct và Lightopia có dùng Ask Cleo thêm giỏ với tỉ lệ cao gấp 8–9 lần khách khác. Nosto công bố chuyển đổi tăng 92% trong các thử nghiệm A/B khi nối trợ lý LLM vào mô hình ý định của họ; Loops AI công bố chuyển đổi +83% và thêm giỏ +77%.

Trợ lý AI của nhà bán lẻ: người dùng chi nhiều hơn người không dùng bao nhiêu

Đây là so người tự chọn dùng trợ lý với người không dùng. Là chênh lệch giữa hai nhóm, không phải mức tăng đo được.

Có nguồn, trích lạiBuổi công bố kết quả Q2/2026 của Walmart và Amazon; Albertsons theo một bản tin (độ tin cậy thấp).

Xem bảng số liệu

Walmart Sparky (mỗi đơn, Q2 FY27)	40%
Trợ lý AI Amazon (Mỹ, Q2/2026)	40%
Albertsons (giá trị đơn, trích lại)	26%

Đọc biểu đồ trên như biểu đồ của một cách đo, không phải của ba kết quả. Mọi cột đều là cùng một phép trừ: trung bình nhóm có dùng trợ lý trừ trung bình nhóm không dùng. Cột Albertsons yếu nhất: trích lại, không rõ chỉ số định nghĩa thế nào, và ít nhất một bài trong kho mô tả nó là so trải nghiệm với trải nghiệm chứ không phải người dùng với người không dùng.

Khoảng cách đó thực ra đo cái gì

Người mở trợ lý AI để lên thực đơn cả tuần vốn đã là người có giỏ to: sâu trong phễu hơn, nhiều khả năng đã đăng nhập, đang đi một chuyến mua trữ chứ không tạt vào lấy một món. Trợ lý không tạo ra người khách đó, nó hút người khách đó về. Con số 40% là hiệu ứng tự chọn cộng phần công cụ đóng góp, và không công bố nào tách được hai phần ấy ra.

Cả hai đều có thể đúng. Nhưng không con số nào là mức tăng do công cụ tạo ra. Hai nhóm đó không phải cùng một tập khách. Ai mở trợ lý AI để lên thực đơn cả tuần thì vốn đã là giỏ to. Con số ấy mô tả ai dùng công cụ, chứ không phải công cụ gây ra điều gì.

Manish Sharma, lãnh đạo thương mại đa kênh — LinkedIn, 9/9/2026

Con số của chính Walmart còn dạy thêm một bài nữa. Mức 40% là bước tiếp của mức 35% mà công ty đưa ra ở quý 1 FY27, ba tháng trước đó. Ai trích một con số lẻ là đánh rơi cả xu hướng, và không ít bài kể lại mức quý 1 thành "giỏ hàng to hơn 35%" — đó lại là chỉ số khác với chi tiêu mỗi đơn. Một công bố đi qua ba lần kể lại thì phải tra lại: nó xuất phát từ quý nào, và mẫu số là gì.

Walmart Sparky: mức chi trội của người dùng, theo từng quý

Hai lần công bố cách nhau ba tháng. Bài chỉ trích một con số là bỏ mất xu hướng.

Nguồn gốc / nghiên cứuPhát biểu với nhà đầu tư và buổi công bố kết quả Q2 FY27 của Walmart. Người dùng tự chọn dùng trợ lý.

Xem bảng số liệu

Quý 1 FY27	35%
Quý 2 FY27	40%

Minh hoạ rõ nhất cho cái bẫy này nằm ngay trên slide của một vendor. Loops AI công bố khách A101 Ekstra có dùng trợ lý chuyển đổi 37%, trải nghiệm thường 21%. In cả hai con số là thẳng thắn hơn phần lớn vendor khác, và nhờ vậy mà bấm máy tính kiểm lại được: từ 21% lên 37% là tăng 76%, không phải +83% như chỗ khác trong cùng chiến dịch, còn một tấm đi kèm lại gọi phiên có trợ lý là gấp 2 lần. Ba con số, một bộ dữ liệu.

Bằng chứng khảo sát tiến gần nhân quả hơn, nhưng vẫn chưa chạm. Evercore thấy 57% người dùng trợ lý của Amazon đã mua một món trước đó họ không hề tính mua. Hiệu ứng khám phá này có thật, nhưng do người dùng tự khai. Nhưng cũng trong khảo sát đó, chỉ 36,4% nói trợ lý làm họ chi nhiều hơn trên Amazon, còn 44,5% nói mức chi không đổi. Khám phá thì dịch chuyển. Tổng chi thì phần lớn đứng yên. Đó là thay đổi ở chỗ món nào được mua, không phải ở chỗ mua bao nhiêu. Với một thương hiệu, hai chuyện đó ngược nhau.

Hỏi thẳng người mua: cái gì quyết định họ mua ở đâu

Có một con số đi ngược tiền đề của cả ngành hàng này. Báo cáo mùa lễ 2026 của Digital Commerce 360 hỏi người mua điều gì ảnh hưởng tới chuyện họ mua ở đâu mùa này. Gợi ý và cá nhân hoá xếp chót, 9,9%. Giá và khuyến mãi đứng đầu với 81,8%, giao nhanh hoặc miễn phí ship 54,6%; ngay cả "trải nghiệm website" cũng nhỉnh hơn, 10,3%. Đây là thứ người ta nói ra chứ không phải thứ đo được từ hành vi — chẳng ai để ý trang danh mục vừa được xếp lại. Nhưng nó là thứ cần nhớ khi đem việc này đi thuyết phục nội bộ: store biên lợi mỏng, giao hàng chậm thì chỗ hỏng không nằm ở cá nhân hoá. Cứ nhét chữ AI vào câu hỏi là câu trả lời ấm lên ngay — một khảo sát mùa lễ do vendor làm cùng eTail Insights cho thấy 65% người mua định dùng AI cho một phần việc mua sắm dịp lễ, 78% sẽ dùng nếu nó cá nhân hoá hơn. Nhưng chỉ câu hỏi đầu mới gắn với một lần rút ví thật (bài gốc, bài gốc).

Có lẽ cá nhân hoá làm tốt là thứ khách không cần nhận ra. Nó chỉ làm mấy câu hỏi kia dễ có lời đáp hơn.

Liliia Maliutina, tư vấn ecommerce — LinkedIn, 2/9/2026

Nghiên cứu bình duyệt còn đi xa hơn một bước. Một nghiên cứu trên 299 khách mua thời trang online, đăng ở Journal of Retailing and Consumer Services, không tìm ra liên hệ trực tiếp nào giữa chất lượng gợi ý và mức hài lòng sau khi mua. Cái nối hai đầu lại là giá trị cảm nhận; còn thứ dự báo chuyện trả hàng là sự bất mãn, chứ không phải chất lượng gợi ý. Với ngành mà trả hàng ăn sạch biên lợi, kết luận này đẩy bài toán về cuối phễu: con số cần nhìn là tỉ lệ trả hàng, không phải tỉ lệ bấm.

Hiệu ứng có đối chứng lớn nhất trong cả chương này lại không đến từ gợi ý sản phẩm. Một thí nghiệm thực địa ngẫu nhiên trên 35.625 người, do Wang, Zhang, Gao và Tan công bố tháng 9/2026, chỉ đổi đúng một thứ trong đoạn AI tóm tắt review khách hàng: mức độ quả quyết khi nó nói rằng các review đang đồng thuận với nhau. Lượt bấm vào sản phẩm tăng 24%, thời gian đọc giảm 10%. Đây là bản thảo trên SSRN, chưa qua bình duyệt, nên đừng vội tin độ lớn — nhưng nó là thiết kế mà không ai khác trong chương này chịu làm, và thứ tạo ra khác biệt là câu chữ, không phải thứ tự xếp hạng. Store nào đang hiện đoạn AI tóm tắt review trên trang sản phẩm thì đang chạy đúng thí nghiệm đó trên khách của mình, mà không có nhóm đối chứng (bài gốc).

Cá nhân hoá không cần cửa sổ chat

Kết quả ở quy mô cửa hàng bình thường đến từ xếp hạng và gợi ý, không phải từ hội thoại, và chúng nhỏ hơn nên đáng tin hơn. DFS thêm gợi ý sản phẩm bằng AI và tìm kiếm bằng ảnh, báo cáo chuyển đổi online +10%, AOV +8%, tỉ lệ thoát giảm 3%. Bộ chọn tông kem nền của THG cho LOOKFANTASTIC báo doanh thu tăng 5%, với 96% người mua qua đó chọn một sản phẩm họ chưa từng mua. Anphonic báo upsell cá nhân hoá nâng AOV của Vocca thêm 14,49%. Dr. Squatch gắn gợi ý vào trang tra cứu vận đơn và báo tỉ lệ bấm 31,89% cùng 32.978 USD doanh thu trong quý 1/2026 — một con số nhỏ, nhưng là một trong số hiếm hoi ở chương này có cả đơn vị tiền lẫn mốc thời gian.

Mọi con số trong đoạn trên đều do vendor hoặc agency công bố, không nêu nhóm đối chứng. Coi chúng là khoảng hợp lý cho những gì một đợt làm merchandising tử tế mang lại — một chữ số đến hơn chục phần trăm — chứ đừng coi là chuẩn để so.

Phiên bản ít được nhắc nhất thì lặng lẽ. Tính năng sắp xếp trang danh mục của Cooee cho Shopify chấm điểm từng SKU trên hơn một trăm tín hiệu rồi xếp lại trang: hàng nổi bật và hàng mới lên trên, hàng hết kho xuống dưới. Không chat, không nhân vật, khách không phải bấm vào đâu để bật — nghĩa là cũng không có con số "người dùng so với người không dùng" nào để đem đi khoe, vì ai vào trang cũng nhận. Đó là điểm mạnh chứ không phải thiếu sót, và cũng chính là lý do loại thay đổi này dễ đo đàng hoàng hơn hẳn.

Có một người bán đã công bố phép thử của mình. Matthew Bertulli của Pela kể anh thức mấy đêm với Claude Code để dựng một bản tí hon của trang For You bên TikTok, đắp lên một trang danh mục: nó nhìn cách khách cuộn rồi xếp lại thứ hiện ra tiếp theo. Một split test, bản tĩnh để nguyên làm đối chứng, lợi nhuận mỗi phiên tăng 28%. Chính anh đặt sẵn lời cảnh báo: "Một phép thử không phải là chuẩn. Trên store của bạn nó có thể chẳng ra gì." Con số chưa ai kiểm — nhưng vẫn là một trong số rất ít con số ở chương này có nhóm đối chứng đứng sau, và là con số duy nhất mà mẫu số được chốt trước khi chạy (bài gốc).

Bản production lớn nhất của kiểu lặng lẽ này cũng không có cửa sổ chat nào. RecGPT — của Alibaba Group và Đại học Nhân dân Trung Quốc, bài đã được ACM Transactions on Information Systems nhận đăng — đang chạy trên feed trang chủ "Guess What You Like" của Taobao. Nó bỏ hẳn những cú click đơn thuần vì coi đó là nhiễu, chỉ giữ lượt mua, lượt lưu, thêm giỏ, xem kỹ và tìm kiếm; một LLM nén lịch sử đó thành hồ sơ sở thích viết bằng ngôn ngữ tự nhiên, khớp vào bộ phân loại 169 nhóm sở thích và làm mới hai tuần một lần. Mọi khâu LLM chạy offline theo lô; đường online chỉ còn một model truy xuất trả lời trong khoảng 25 mili giây. Không có con số doanh thu nào công bố kèm, và phần mang đi được là kiến trúc: model không nằm trên đường request, còn đầu vào là hành vi có chủ đích chứ không phải click (bài gốc).

Cái nền mà phần lớn store chưa đổ

Barometer của Algolia và The Retail Hive thấy 52% nhà bán lẻ vẫn dựa vào công cụ search cài sẵn của bên thứ ba, và chỉ 8% thấy mình sẵn sàng cho agent AI tự đi trong site thay khách. Mô hình không phải chỗ nghẽn; catalog, thuộc tính và khả năng hiểu câu hỏi nằm dưới nó mới là.

Gần một nửa nói sẽ mua nhiều hơn ở siêu thị nào dùng AI tử tế. Nhưng AI không cứu được bạn nếu gõ "bánh sinh nhật" mà ra nến sinh nhật. Nó chỉ làm cái sai đến nhanh hơn thôi.

John A. Stewart, Algolia — X, 8/9/2026

Cũng nghiên cứu đó cho thấy 44% người mua hàng tạp hoá không có cửa hàng ruột — đây mới là lý do kinh doanh để bận tâm: khách không trung thành, nên một trang kết quả tệ là một lần mất khách ngay tại chỗ. Về phía nền tảng, công cụ đang tới nhanh: mô hình 0,8 tỉ tham số Shopify tự huấn luyện đã đưa việc sinh hồ sơ người mua từ 2 triệu lên 72 triệu hồ sơ mỗi ngày. Nhưng với đa số người bán, thứ này tới qua Shopify App Store — nơi gõ "personalization" ra 4.008 app, và trong một tuần của tháng 9/2026 thì 5 trong 10 app mới leo hạng nhanh nhất là công cụ upsell. Nguồn cung không hề thiếu.

Cách tự lấy một con số dùng được

1. Sửa phần truy xuất trước khi lắp cái miệng

   Trợ lý đọc đúng cái index mà ô search của bạn đang đọc. Hôm nay gõ "bánh sinh nhật" còn ra nến thì trợ lý chỉ nói sai trôi chảy hơn. Thuộc tính, từ đồng nghĩa, tồn kho đúng — làm trước.

2. Giữ lại một nhóm, đừng đem hai nhóm ra so

   Chặn tính năng với một phần traffic chọn ngẫu nhiên rồi so hai phần đó với nhau, đừng so người dùng với người không dùng. Mọi con số hoành tráng ở chương này đều ra đời từ kiểu so đó; con số khiêm tốn thì đã gần một phép thử có đối chứng hơn.

3. Chốt mẫu số trước khi chạy

   Chuyển đổi trên mỗi phiên, trên mỗi người, hay trên mỗi khách đã vào tới trang sản phẩm là ba con số khác nhau. Mức 35% của Walmart trôi thành "giỏ to hơn 35%" đúng vì không ai mang mẫu số đi theo.

4. Đo cả phần thay thế, không chỉ phần cộng thêm

   57% mua món không định mua, đặt cạnh 44,5% có mức chi không đổi, là toàn bộ rủi ro gói trong một dòng: trợ lý có thể chỉ đang đổi SKU nào của bạn được bán, chứ không làm bán được nhiều hơn. Mang tỉ lệ trả hàng đi kèm: nghiên cứu 299 khách cho thấy thứ dự báo một kiện hàng quay về là sự bất mãn, không phải chất lượng gợi ý.

Mười dữ kiện trông như thế nào

Các chương khác trong báo cáo này còn cãi nhau xem nên tin con số đo nào. Chương này không có gì để cãi. Cả sổ chứng cứ vẫn nhét vừa một cái bảng, và cả ba dòng mới đều không đạt mức nguồn gốc.

Để ý dòng duy nhất đạt mức cao. Walmart hạ giá hơn 11.000 lần trong quý, so với 7.200 lần quý trước, công bố trên chính earnings call của họ. Đó là một con số thật về áp lực khuyến mãi năm 2026, và nó không nói gì về AI. Hai dòng trung bình là khảo sát hỏi người ta sẽ làm gì; ba dòng mới thì mỗi dòng chỉ đứng trên đúng một nguồn. Bốn dòng thấp gồm một vendor bán phần mềm định giá, hai case của agency, một mớ benchmark không nguồn, và case study khách hàng đầu tiên của một startup.

Cả hai con số khảo sát đều là ý định khai báo, do chính các công ty đang bán giải pháp cho vấn đề đó đi hỏi. Không cái nào là tỷ lệ chuyển đổi. Dùng đúng cách thì chúng chỉ nói một điều: site vẫn là chỗ chốt đơn, kể cả khi gợi ý đến từ nơi khác.

Dựng trang đã rẻ. Bằng chứng thì chưa.

Gần như mọi bài viết ra đều xoay quanh chuyện dựng trang nhanh hơn. ScaleBot ship một page builder viết được lander đúng brand từ đầu, hoặc như lời tác giả, "rip" nguyên trang đối thủ bằng một cú click, bê theo cả font, logo và màu.

Nhìn ảnh này thì phải tách rõ nó chứng minh được gì. Nó chứng minh khâu dựng trang giờ tính bằng phút. Nó không nói gì về chuyện trang đó có bán được hay không: không số session, không CVR, không nhóm đối chứng. Mọi bài về page builder AI trong kho đều dừng đúng ở chỗ đó.

Phía audit cũng vậy, chỉ khác là đo đạc kỹ hơn. Một workflow n8n kéo nội dung landing page về, chuyển sang Markdown rồi để Gemini 2.5 Flash trả lại danh sách sửa CRO đã xếp ưu tiên.

Lượt chạy trong ảnh mất 29 giây, hết 2.381 token. Đó là chỗ lệch pha của 2026: chi phí cho một ý kiến CRO thì biết tới từng token, còn nó đúng tới đâu thì không ai đo. Một app bundle làm chuyện này cẩn thận hơn — mỗi prompt tiếng tự nhiên được áp thành một nhóm thay đổi cấu trúc và cài đặt có ghi log, nên merchant nhìn được model đã đụng vào đâu.

Phần ghi log mới là thứ đáng chép lại. AI sửa trang của bạn thì bộ thay đổi phải đọc lại được. Không thì sau này có chạy test cũng chẳng quy được kết quả về cho nó.

Có một store đã chạy test thật

Ngoại lệ không nằm ở page builder. Matthew Bertulli, đồng sáng lập Pela, thức hai đêm với Claude Code dựng thứ anh gọi là bản ngớ ngẩn của For You page bên TikTok, gắn vào trang bestsellers: nó nhìn khách lướt qua cái gì, dừng ở cái gì, mở cái gì, rồi xếp lại phần hiện ra tiếp theo. Đem đi split test với trang tĩnh, lợi nhuận trên mỗi phiên tăng 28%. Mấy chỗ yếu thì chính anh liệt kê ra trước: một lần test, một store, không công bố số phiên lẫn khung thời gian, và người đưa con số là chủ công ty. Thứ khiến nó đáng được nhắc không phải con số 28% mà là cách dựng test — dữ kiện duy nhất trong chương có nhóm đối chứng, lại chốt sẵn chỉ số trước khi chạy. Và nó rơi đúng vào bề mặt không ai đụng tới. Thứ tự sản phẩm trên trang collection của phần lớn store không đổi từ ngày cài theme.

Nhóm đối chứng thứ hai thuộc về một nghiên cứu không ai nêu tên: thí nghiệm hiện trường ngẫu nhiên trên 35.625 người, chỉ đổi một biến duy nhất là bản tóm tắt review do AI viết nhấn mạnh mức đồng thuận của khách tới đâu, và lượt click vào sản phẩm tăng 24% (Agnes Kaczmarek, X, 14/9/2026). Thiết kế chắc nhất chương, nguồn mỏng nhất chương. Click không phải đơn hàng, và cái núm được vặn ở đây là mức tự tin mà máy dùng để tóm tắt ý kiến của người khác.

A/B test với một model đứng giữa

Shopify Winter '26 Editions đưa hai thứ liên quan vào admin: Rollouts, A/B test native kèm hẹn giờ đổi theme, và SimGym, thả người mua AI mô phỏng đi qua storefront trước khi khách thật nhìn thấy. Coi hai thứ này là đã ship, chưa chứng minh. Chưa merchant nào trong kho công bố kết quả từ chúng, và một bản mô phỏng vẫn chỉ là dự đoán, chưa phải số đo.

Riêng với người mua mô phỏng thì phải cẩn thận. Một bài tóm tắt nghiên cứu cho thấy LLM đoán được ý định mua ở độ chính xác khoảng 90% khi được yêu cầu nhập vai khách hàng, nhưng "hỏng hoàn toàn" nếu hỏi thẳng kiểu chấm sản phẩm từ 1 đến 5, vì model có xu hướng trả về phân phối an toàn (CrazyShyyt, X, 8/9/2026). Cách hỏi quyết định câu trả lời. Mua tool về là nhận luôn cách hỏi nó đã chọn sẵn, mà thường không ai nói cho bạn biết là cách nào. Con số 70–90% của Amazon là bản mạnh nhất của ý này, và vẫn chỉ đáng dùng ở khâu sàng lọc: nó đoán bên nào thắng chứ không đoán thắng bao nhiêu, và cứ năm lần thì sai một. Chĩa nó vào đúng cái nút thắt nói ngay dưới đây — chọn biến thể nào trong năm mươi cái được ăn traffic tháng này — đừng chĩa vào chính phép test.

Checkout: những con số cứng vẫn chỉ xuống

Con số gần nhất với một kết quả conversion đo được của AI ở khúc này lại là số âm, và nó thuộc về một kênh chứ không phải một trang: sau khi thử khoảng 200.000 mặt hàng, Walmart thấy đơn chốt ngay trong ChatGPT có CVR thấp hơn khoảng 3 lần so với khách click ra site của họ (Gagan Ghotra, X, 20/3/2026). Chuyện đó thuộc Chương 03. Điều đáng nói ở đây là con số phễu duy nhất có người đo thật lại đi ngược hướng, và phải cỡ Walmart mới đo nổi.

Tháng 9 có thêm con số thứ hai, nhìn từ đầu kia của đường ống. Dữ liệu lưu lượng của HUMAN Security cho thấy 87% lượt agent AI vào site bán lẻ dừng lại ở trang sản phẩm, chỉ khoảng 2% chạm tới checkout (Sreekant Vijayakumar, LinkedIn, 8/9/2026). Đặt cạnh con số Shopify mà Chương 02 giữ — khoảng một nửa phiên đến từ AI vào thẳng trang sản phẩm, so với chừng 20% của organic — thì hình dạng khớp nhau: traffic AI rơi thẳng xuống gần đáy phễu rồi nằm im ở đó. Hai nhóm khách có ý định trái ngược cùng đáp xuống một trang sản phẩm, mà gần như store nào cũng đọc cả hai bằng đúng một tỷ lệ chuyển đổi. Tách CVR trang sản phẩm theo nguồn traffic trước đã, rồi hẵng mua gì đó về sửa (Bharti Prasad, LinkedIn, 25/8/2026).

Ở phía ngược lại là một case study do chính vendor công bố: agent gọi điện bằng AI của Ava gọi lại cho khách đã bỏ dở checkout ở một store tên pet&home.

Tự đo lấy

Một lần split test chưa phải benchmark, nên con số trung thực duy nhất vẫn là con số của chính bạn. Đây là bản rẻ nhất mà vẫn ra bằng chứng, gọn trong hai tuần.

Năm 2026 có hai chuyện xảy ra với quảng cáo, và người làm nghề hay gộp chúng làm một. Vị trí trả tiền bắt đầu nằm ngay trong câu trả lời AI — đúng cái bề mặt mà merchant vừa được khuyên đi giành bằng nội dung. Chuyện thứ hai: làm một mẫu quảng cáo rẻ tới mức số lượng creative hết là câu hỏi ngân sách. Chuyện đầu có doanh thu đứng sau nhưng gần như không có bằng chứng từ phía merchant; chuyện sau thì bằng chứng đầy, phần lớn do chính người bán công cụ viết ra.

Hàng bày ra trước, bằng chứng tính sau

Cuối T8/2026 OpenAI nói ChatGPT Ads đã vượt run rate 1 tỷ USD/năm sau chưa đầy 200 ngày. Đọc đúng chữ: run rate là lấy một giai đoạn gần đây nhân lên thành năm, không phải tiền đã ghi nhận. Cùng năm đó, eMarketer dự báo toàn bộ chatbot cộng lại — gồm cả ChatGPT lẫn Google AI Mode — thu dưới 1 tỷ USD quảng cáo trong 2026, trong khi OpenAI tự đặt mục tiêu 2,5 tỷ USD. Hai câu đều có thể đúng; chỉ một câu nói về hoá đơn.

Với merchant, hình dạng của vị trí quảng cáo đáng quan tâm hơn con số doanh thu. Trong Google AI Mode, listing tài trợ nằm bên trong câu trả lời, trình bày y hệt phần gợi ý tự nhiên, ngay cạnh khối trích dẫn mà cả quý qua thương hiệu tìm cách chen vào. Có nhãn Sponsored, và không có khối quảng cáo riêng để người đọc lướt qua: nó ăn cùng một lượng chú ý với gợi ý tự nhiên vì nó được vẽ y như gợi ý tự nhiên. Không phải bề mặt nào cũng vẽ như thế. Tới hết T8/2026, ChatGPT mới có đúng một vị trí, nằm ngay dưới câu trả lời, gắn nhãn sponsored, bày ra như một kết quả tìm kiếm — kề bên, chưa lồng vào trong.

Quảng cáo đang lấp dần câu trả lời của AI: vị trí trả tiền trong kết quả khách sạn của ChatGPT

Tỉ lệ câu trả lời có vị trí trả tiền. Đo trên truy vấn du lịch; chưa đo mật độ quảng cáo ở bán lẻ.

Có nguồn, trích lạiComscore, mùa xuân 2026. Bối cảnh: OpenAI báo doanh thu quảng cáo quy năm đạt 1 tỷ USD trong chưa đầy 200 ngày.

Xem bảng số liệu

	Câu trả lời có vị trí trả tiền
T3/2026	6%
T4/2026	14%
T5/2026	24%

Chuỗi số khách sạn của Comscore là phép đo công khai duy nhất về mật độ quảng cáo bên trong câu trả lời AI. Đó là du lịch chứ không phải bán lẻ, và ba điểm dữ liệu là một chuỗi ngắn — lấy độ dốc làm kết luận, đừng lấy mức. Một bề mặt ra mắt sạch quảng cáo, sau một quý đã có vị trí tài trợ ở khoảng một trên bốn câu trả lời.

Giờ mua được trong một buổi chiều

Cửa vào mở nhanh hơn bằng chứng. T2/2026, chạy ChatGPT Ads nghĩa là CPM 60 USD và cam kết tối thiểu 200.000 USD; tới T5 đã là đấu CPC tự phục vụ, bỏ mức tối thiểu. Ngày 31/08/2026 Ads Manager mở mua trực tiếp ở 31 thị trường châu Âu, rồi tới Ấn Độ ngày 04/09. Amazon Ads mở thử nghiệm cho một số advertiser ở Mỹ mua inventory trong ChatGPT qua Amazon DSP — tức đội retail media vào được mà không cần nói chuyện với OpenAI.

Giao diện cố tình làm cho quen tay — campaign, ad group, ad; conversions, feeds, audiences. Đội đang chạy Google Shopping vận hành phiên đấu giá chạy bằng feed thứ hai này trong một buổi chiều. Bẫy nằm đúng ở chỗ quen tay: console chín chắn làm người ta tưởng kênh cũng đã chín.

Nó chưa được chứng minh ở quy mô lớn. Bằng chứng công khai duy nhất của OpenAI là một advertiser ecommerce ẩn danh đạt ROAS gấp 3 trong 28 ngày. Lời của vendor, không có phương pháp đo.

Ingvar Kraatz, Co-Founder / COO tại Bidnamic — LinkedIn, 04/09/2026

Cảnh báo thứ hai của Bidnamic mới là cái đắt tiền. Theo chính tài liệu của OpenAI, pixel đo chuyển đổi mặc định đặt consent = true nếu không cấu hình khác, và tự nhận diện rồi hash thông tin khách từ form trên site. Gắn vào mà chưa nối với nền tảng consent thì đó là rủi ro GDPR/PECR đính kèm một ngân sách test.

Nó trả lại gì, nói thẳng

Trước khi xem hai bài test đó, hãy nhìn mức kỳ vọng mà người mua quảng cáo đang được dặn. Bộ số cụ thể nhất tới giờ do Nina Welt, một chuyên viên paid, đăng T8/2026: CPM khoảng 25–45 USD ở các nhóm đã scale tại Mỹ, giảm từ mức 60 USD thời đầu; CPC benchmark quanh 1,72 USD trong khi OpenAI khuyên đặt giá khởi điểm 3–5 USD; CTR khoảng 0,7% tính gộp, vài chiến dịch chạm 1–2,5%; tỷ lệ chuyển đổi trải từ 0,2% đến 5,8%. Đây là kỳ vọng do một người làm nghề gom lại — Vendor hoặc không nguồn — chứ không phải phép đo: không nói bao nhiêu tài khoản, giai đoạn nào, đo ra sao. Phần đáng giữ là cách đọc: với CTR như vậy, vị trí này chạy giống display, còn bối cảnh người dùng lại giống search. Ai mang kỳ vọng của search vào đây thì một tháng sau tắt nó.

Bằng chứng từ phía merchant là hai bài test nhỏ, chỉ về hai hướng ngược nhau. Windmill Strategy chạy ChatGPT Ads 30 ngày nhắm nhóm mua hàng công nghiệp và sản xuất: CPC thấp hơn dự tính, tương tác ổn, không có chuyển đổi nào. Planit nhìn ba thương hiệu ẩn danh thì thấy traffic ChatGPT tự nhiên tăng 42% trong lúc quảng cáo chạy (+10%, +41%, +164% theo từng brand) — so trước với sau, không có nhóm đối chứng, lại đo đúng giai đoạn traffic từ AI đang tăng ở khắp nơi. Cả hai vẫn đáng tin hơn con số 3 lần của vendor, vì cả hai nói rõ cách đo.

Số của Amazon mạnh nhất trong chương này, và vẫn phải đọc cẩn thận. Chúng nằm trong buổi công bố Q2/2026, phía sau tiêu đề 19,8 tỷ USD doanh thu quảng cáo. Con số 48% nói về người mua nhiều hơn là nói về vị trí quảng cáo — ai đã hỏi trợ lý một câu rồi bấm vào câu trả lời thì đã đi sâu vào quyết định mua. Nó chứng minh nhu cầu và lưu lượng trên bề mặt đó là thật, chứ không chứng minh quảng cáo tạo ra đơn hàng. Đây cũng là vị trí seller ít quyền can thiệp nhất. Sponsored Products Prompts ra khỏi beta ngày 25/03/2026, tính tiền theo CPC, chỉ chiến dịch automatic và broad match mới đủ điều kiện; seller xem được mình đang hiện ở prompt nào và tắt từng prompt, nhưng không tự viết prompt, không đặt giá riêng, không cấp ngân sách riêng — mức hiển thị chỉ xem được sau, trong báo cáo Prompts. Không có vùng đối chứng, không có dòng chi tiêu nào để tạm dừng: merchant không có cách nào biến con số 48% của Amazon thành số của chính mình.

Ad load ăn đúng phần hiển thị tự nhiên mà ai cũng vừa bảo bạn đi giành

Trên mobile, giá tài trợ của merchant nằm ngay dưới gợi ý tự nhiên — cùng một câu trả lời, cùng một lần cuộn, hàng trả tiền nằm dưới hàng giành được. Mỗi điểm phần trăm ad load là một phần diện tích câu trả lời mà không feed, schema hay chiến lược citation nào đòi lại được. Sau AI Overviews, Smarter Ecommerce đo impression trung vị của Google Shopping rơi từ khoảng 1,85 triệu xuống khoảng 1,4 triệu, còn CTR trung vị tăng từ khoảng 1,20% lên khoảng 1,55%: ít hiển thị hơn, nhưng đúng người hơn. Phân tích của vendor trên khoảng 175 tỷ impression, lẫn với mọi thay đổi khác Google đẩy ra năm đó.

Amazon lấy tiền của công ty tôi để trả lời câu hỏi của khách, rồi đẩy chính khách đó sang sản phẩm đối thủ kém hơn nhưng đã trả tiền cho Amazon. Chúng tôi chưa bao giờ đăng ký chạy quảng cáo Rufus.

Molson Hart, Founder và CEO của Viahart — X, 21/04/2026

Creative: chi phí sập, tỷ lệ trúng thì không

Ở mảng này mức độ dùng AI là đo được chứ không phải hô. IAB ghi 62% bên mua quảng cáo dùng AI tạo sinh cho video creative trong T7/2026, tăng từ 51%. XR Extreme Reach thấy 26% marketer dùng digital replica và 22% dùng diễn viên AI tổng hợp. ADWEEK dẫn một nghiên cứu nói 88% advertiser đã dùng AI ở khâu sản xuất creative; nghiên cứu đó không nêu tên.

Bài toán chi phí của việc test thì không đổi. Motion phân tích 578.750 creative và 1,29 tỷ USD chi tiêu, thấy khoảng 5% creative là hàng thắng và nhóm đó nuốt 55% ngân sách, kèm kết luận đáng dùng: tỷ lệ trúng thấp là đặc tính thống kê, không phải dấu hiệu chất lượng. Sản xuất rẻ đi làm mẫu số phình ra, không làm tỷ lệ đẹp lên. Nó chỉ dời nút thắt từ chỗ làm ra mẫu quảng cáo sang chỗ phán xử mẫu nào đáng sống.

Đánh bằng số lượng có chỗ ăn thật. Một tài khoản TikTok Shop ở Brazil chạy thứ mà người đăng cho là một gương mặt dẫn do AI tạo, dùng cho hàng chục sản phẩm, video mạnh nhất đạt 1,3–4,1 triệu view; chuyện "do AI tạo" là nhận định của người đăng, chưa ai kiểm chứng. Đó là kiểu ăn chênh lệch lưu lượng, không có thương hiệu nào để mất, và giờ kèm thêm nghĩa vụ công bố: luật GBL §396-b của New York có hiệu lực từ T6/2026, tháng sau đó Amazon bắt seller gắn nhãn người do AI tạo trong ảnh và video sản phẩm.

Có hai phát hiện cắt ngang lối đánh bằng số lượng, từ hai phía ngược nhau. Nghiên cứu của IAB công bố T9/2026 cho thấy 56% người vừa mua hàng có AI hỗ trợ thích gợi ý mang góc nhìn của creator, và 65% thấy yên tâm hơn khi câu trả lời dựa trên review creator đáng tin — số này trích lại, và là điều người ta nói mình thích chứ chưa phải hành vi đo được. Chiều ngược lại, một thử nghiệm mù cỡ nhỏ của Kristie Marsela ghép ảnh AI với chính ảnh chụp gốc của một brand D2C: tỷ lệ đoán đúng trung bình chỉ 51,08%, ảnh AI còn được chấm chất lượng cao hơn ảnh thật; cỡ mẫu không nêu. Thứ đang thiếu trong câu trả lời là góc nhìn con người, không phải pixel.

Nền tảng đang sửa đúng cái mình đem đi test

Thay đổi lớn nhất của việc test creative năm nay không đến từ một công cụ sinh ảnh. T7/2026 Meta bật mặc định mười chỉnh sửa AI trong Advantage+ Creative — sinh nền, template ảnh, nhạc, hoạt hoạ 3D, phủ chữ và vài thứ nữa — không hỏi, không báo, theo ghi nhận của Kody Nordquist khi thấy chúng đang chạy trên tài khoản khách hàng. Đó là lời anh ta; Meta không công bố con số nào về việc các chỉnh sửa đó làm gì. Phần còn lại là số học: nếu nền tảng thêm được nhạc, đổi được nền, chèn được chữ sau khi mình upload, thì mẫu quảng cáo thắng không còn là file mình gửi lên, và kết luận rút ra về hook hay định dạng là kết luận về một biến thể mình chưa từng nhìn thấy.

Một lô 30 video mà mỗi cái khác nhau ở 6 điểm thì không phải là test. Đó là xổ số kèm một cái bảng tính. Bạn có mẫu thắng, và không biết vì sao nó thắng.

Michael Godzic — X, 01/08/2026

Phía mua media cũng vậy. AI Max của Google mở rộng vùng khớp và viết lại asset ngay trong chiến dịch Search có sẵn; agency Mabo bật nó trên 40 tài khoản khách đang chạy, trong bảy tuần, rồi báo 9% chi tiêu tạo ra 14% giá trị chuyển đổi, ROAS toàn tài khoản tăng 43% trong giai đoạn thử — khách của chính họ, không nhóm đối chứng, và bảy tuần đó mọi thứ khác cũng đang đổi. Google còn bán luôn phần đo: Data Manager nay nối thẳng vào Analytics và DV360, kèm lời khẳng định nhà quảng cáo nối được dữ liệu offline và app vào thì ROAS incremental tăng trung bình 26% Vendor hoặc không nguồn. Số của chính Google, và chọn lọc nằm sẵn trong đó — ai nối được doanh số offline là người có sẵn doanh số offline đáng nối.

Thứ sống sót qua chuyện này là kỷ luật test, không phải một cỗ máy sinh creative to hơn. Có một khung của vendor ít ra đếm đúng thứ cần đếm: Creative Testing Velocity đo số ý tưởng khác nhau được test trên mỗi đồng chi tiêu, thay vì đếm bản render hay giá mỗi video. Ý tưởng đó không mất tiền mua: nếu không nói được tháng rồi ngân sách mang về bao nhiêu ý tưởng riêng biệt, con số thật luôn nhỏ hơn số file.

Đây là bề mặt đáng dồn công nhất

Retention là chương duy nhất trong báo cáo mà mức nền đã được đo kỹ từ trước khi AI bước vào. Benchmark email 2026 của Klaviyo, lấy từ hơn 183.000 brand, cho thấy flow tự động chiếm 41% doanh thu email mà chỉ tốn 5,3% lượt gửi — trên mỗi người nhận là gấp 18 lần campaign quảng bá. Đáng nhớ là tỉ lệ chứ không phải con số 41%. Flow thắng vì nó nổ ngay sau một hành vi vừa xảy ra, nên đây là chỗ đầu tiên nên rót ngân sách personalization: ngữ cảnh có sẵn, lượng gửi đủ nhỏ để làm nội dung tử tế không tốn bao nhiêu.

Klaviyo: luồng tự động mang về 41% doanh thu email chỉ từ 5,3% lượt gửi

Luồng chạy theo hành vi người mua, nên đây là chỗ cá nhân hoá bằng AI sinh lời trước tiên.

Tỉ lệ lượt gửiTỉ lệ doanh thu email

Nguồn gốc / nghiên cứuKlaviyo 2026 Email Benchmarks, hơn 183.000 thương hiệu.

Xem bảng số liệu

	Tỉ lệ lượt gửi	Tỉ lệ doanh thu email
Luồng tự động	5,3%	41%

Biểu đồ này nói về phân bổ công sức, không phải chất lượng: brand dồn gần hết lượt gửi vào campaign là đang đổ công sức vào nửa ít sinh lời hơn của sổ sách. Mọi lời chào hàng AI cho retention ở đây, bóc ra, đều là một lời hứa: cỗ máy cũ giờ chĩa được sang nửa sinh lời cao mà không cần tuyển thêm người.

Headless, và ai tới trước

Tại K:BOS T9/2026, Klaviyo mở CRM cho agent: hơn 260 tool MCP và hơn 490 API chạy trên dữ liệu profile sống, tức người làm marketing hay một agent đọc, ghi và gửi được mà không cần mở Klaviyo. Cũng tuần đó, CEO nói con số là hơn 400 API — làm tròn xuống chứ không mâu thuẫn, nhưng là kiểu trôi số đáng ghim về đúng bản công bố và ngày của nó.

An agent can read, write, and go live on its own. No need to open Klaviyo at all.

Christopher Di Censo, Klaviyo — LinkedIn, 10/09/2026

Ảnh trên là hình minh hoạ luồng làm việc, không phải ảnh chụp thật — đọc như một sơ đồ. Thứ kiểm chứng được là bề mặt tool và ngày công bố, mà bề mặt đó không còn là lợi thế riêng của ai: Salesforce ra Headless 360 từ T4/2026 rồi thêm hơn 60 tool MCP ngày 19/08. Điều khiển ESP từ khung chat giờ ai cũng có. Câu hỏi dành cho vendor không phải "có MCP server chưa" mà "agent của các anh được phép làm gì khi không có người duyệt".

Ai là người chịu trách nhiệm nút gửi

Bản beta StoreCRM ở trên là ảnh chụp thật, chi tiết đáng chép lại nằm ở bước cuối. Merchant mô tả kịch bản sau đăng ký bằng lời thường — chờ một hay hai ngày tuỳ khách đã chi bao nhiêu — rồi hệ thống trả ra một bản nháp, lưu ở trạng thái chưa bật, để người thật soát trước khi có gì đó được gửi đi — hàng rào rẻ nhất dựng được trước một agent có quyền ghi lên danh sách cả trăm nghìn người.

Sơ đồ tổ chức phía trên là một đề xuất, chưa phải hệ đang chạy: phòng retention bảy agent do một người tự dựng để xem làm được tới đâu. Phần đáng đọc là chú thích: con người giữ chiến lược, hướng sáng tạo và quyền duyệt từng lượt gửi, còn agent bị neo vào dữ liệu warehouse để không tự chế ra chỉ số. Trong cả kho bài, không ai chạy một chương trình lifecycle không người trông, và cũng không ai nói mình chạy được.

Một nhóm holdout thay đổi điều gì

Câu đáng giá nhất tuần K:BOS không nói về tool.

Personalization is getting a new layer, in preview, to coordinate audiences, content, product recommendations, timing and channels. With holdout testing to measure whether it makes a difference.

Einar Thor, Pipar\TBWA — LinkedIn, 10/09/2026

Lớp này hẹp hơn cái tên của nó. Một phần vốn là Marketing Analytics cũ đổi tên; phần thật sự mới là mỗi quyết định có một model dự đoán riêng — gửi cho ai, hiện cái gì, gửi lúc nào, kênh nào — rồi ghi kết quả trở lại hồ sơ khách, nên người làm marketing đọc được hệ thống đang nghĩ gì về một người. Dự đoán thời điểm mua lại thành trigger nằm ngay trong flow. Một số phần, kể cả lớp segment mới, chưa chạy vào ngày công bố (bản tổng hợp K:BOS của Jordan O'Connor, 12/09/2026).

Holdout là nhóm khách được giữ lại ngẫu nhiên, không nhận thứ đang đem ra thử, nên phép so sánh diễn ra với đúng nhóm người lẽ ra cũng bị nhắm tới y hệt. Đó là ranh giới giữa doanh thu quy về và doanh thu thật sự tăng thêm — phép đo mà gần như mọi lời quảng cáo AI marketing trong báo cáo này còn thiếu. Qua mười một chương, đây là lần duy nhất một vendor lắp sẵn dụng cụ đo vào tính năng thay vì để khách tự dựng. Cũng phải gọi đúng tên: một tính năng preview, chưa phải kết quả. Chưa có gì được công bố về việc holdout của lớp đó cho ra số bao nhiêu.

Trong kho bài có hai kết quả dùng đúng thiết kế đó. Ở Fellow, test 50/50 trong 30 ngày với email được AI cá nhân hoá ngay trong flow Klaviyo sẵn có báo doanh thu browse cao hơn 70% và ROI tăng thêm 9 lần. Trên tài khoản khác, 30 ngày dùng thử một tool AI lo inbox placement và tiêu đề báo 19.700 USD tăng thêm.

The lift is measured against a holdout group, so this isn't platform attribution. It's a real incremental number.

Justin Guimera, agency retention — LinkedIn, 16/03/2026

Cả hai đều do bên bán tool công bố: thiết kế thì đúng, mẫu thì không — chẳng ai đăng cái test 30 ngày cho ra kết quả bằng không. Đọc như bằng chứng rằng chuyện đó làm được trên ít nhất vài tài khoản, đừng đọc như con số để lên kế hoạch.

Vòng lặp trong hình là thứ đáng lấy ra khỏi mấy bài chào hàng: sinh nhiều biến thể, chấm mù theo doanh thu trên mỗi lượt gửi chứ không theo cảm giác đẹp xấu, rồi đem bản thắng ra thử với 5–10% holdout trước khi cho thành mặc định. Có mấy agent trong đó không quan trọng; cái holdout ở cuối mới làm phần còn lại có nghĩa.

Còn lại là những con số không có holdout

Đợt cào thứ tư nhắm đúng chương này, mang về 15 bài đạt chuẩn, ít hơn mọi mảng khác của phễu. Không bài nào có nhóm đối chứng. Chính chỗ lệch đó mới là phát hiện: gọn trong một quý, Klaviyo tung ra agent, một bề mặt MCP và một lớp dự đoán — còn người chịu kể chuyện đó làm doanh thu đổi ra sao thì gần như chỉ còn bên đi bán.

Con số giãn rộng nhất trong kho bài cho thấy rõ hình dạng ấy. Email win-back cả ngành được tính khoảng 0,11 USD mỗi lượt gửi; flow win-back có AI liên tục cập nhật sản phẩm và câu chữ thì được nêu là 5–10 USD mỗi email. Chênh 45–90 lần, không kỳ đo, không nói bao nhiêu tài khoản, cũng không có mức nền của nhóm được đem ra thử — và người đưa ra con số là đồng sáng lập chính công ty bán dịch vụ tối ưu đó, thuật lại trên LinkedIn (Pietro Saccomani, 04/05/2026). Giữ nó lại như cái trần của những gì một vendor dám nói ra miệng, chỉ vậy thôi.

Nhóm số về thu hồi giỏ hàng cũng đúng một kiểu: +73% doanh thu giỏ bỏ quên trong 30 ngày ở một brand thiết bị y tế không nêu tên (CustomersAI, 03/06/2026), 20% giỏ được thu hồi ở một merchant rượu vang qua WhatsApp, 4.157,70 USD trong 14 ngày nhờ agent gọi điện. Lần nào cũng vậy: một kênh mới vào cùng lúc với AI, và không ai tách hai thứ đó ra.

Hai bài audit trong đợt này chỉ ra nút thắt nằm ở khúc sớm hơn. Một cửa hàng cỡ vừa — Shopify Plus, Klaviyo, flow tự động đang chạy — mà chỉ 36,7% database còn hoạt động, mọi khách nhận cùng một thông điệp cùng một lúc; thứ tự tác giả đề ra là phân khúc trước, marketing dự đoán sau cùng (Olimpia Valentina Chiriacescu, 06/07/2026). Một agency chuyên soát tài khoản Klaviyo ước tài khoản điển hình mới dùng chừng 30% những gì nền tảng đã có: ba tới năm flow, một campaign mỗi tuần, phần tối ưu bằng agent chưa bao giờ bật. Cả hai đều là lời kể của một người, và cả hai dẫn về đúng chỗ mà khoảng cách predicted CLV ở trên đã dẫn.

Tốc độ sản xuất là chỗ AI trong retention ít bị cãi nhất, và cũng ít thú vị nhất. Kết quả audit như ảnh trên giờ là chuyện thường: nạp 90 ngày dữ liệu flow, nhả ra danh sách lỗ hổng đã xếp hạng. Lưu ý mấy con số tiền trên màn hình là phần cơ hội do model tự ước trên một tài khoản không rõ là ai, không phải doanh thu đã vào sổ — mà nó vẫn lan đi như thể đã vào sổ. Lời kể rằng dựng một flow giờ mất 5–10 phút thay vì 2–3 tiếng nhiều khả năng đúng, nhưng đó là chuyện chi phí: một người trong nghề kể các agency đang báo lại giá retention từ 4.100 USD xuống dưới 3.000 USD mỗi tháng. Nếu AI chỉ làm cùng một chương trình rẻ hơn, phần tiết kiệm rơi về phía khách hàng.

Tốc độ cũng là chỗ có tiếng phản bác gắt nhất. Một agency email bỏ một năm thử gần hết danh mục — tool viết copy, trợ lý thiết kế, model phân khúc, tối ưu giờ gửi — rồi viết ra một câu không bộ slide bán hàng nào có.

AI is incredibly good at making you faster. It's terrible at making you interesting.

eCom Email Marketer — LinkedIn, 15/04/2026

Mười biến thể tiêu đề trong vài giây, họ kể, và cả mười nghe như cùng một khuôn. Đó là nhận định của người làm nghề, không phải phép đo — nhưng đến từ người không có tool nào để bán, và khớp với phép so sánh có kiểm soát duy nhất mà đợt cào này tìm được. Digital Applied ghép cặp 100.000 email cold, một nửa AI viết một nửa người viết, T10/2025 đến T4/2026: thứ làm tỉ lệ vào inbox đổi không phải là ai viết. Giãn ba ngày giữa các lượt gửi đạt 93%, giãn một ngày còn 71%, câu chữ giữ nguyên (William Doom thuật lại, 09/09/2026). Email cold không phải email khách đã đồng ý nhận, nên đừng bê con số đó vào flow. Cái bê được là hình dạng: máy viết nhanh hơn, nhưng thứ làm kết quả đổi là cái lịch gửi quanh nó.

Thứ mà tất cả những cái trên không sửa được

Có một ước tính của chuyên gia tư vấn trong kho bài đáng giữ lại đúng vì nó chưa được chứng minh: khoảng 7 trong 10 người mua lần đầu không quay lại trong vòng một năm, tần suất đặt hàng của Zalando đứng quanh 5 đơn mỗi khách mỗi năm suốt sáu năm, còn SHEIN quanh 4. Đó là cách nhìn của người trong nghề, không phải nghiên cứu, nhưng nó vẫn đứng vững kể cả khi mấy con số kia không đứng: không phần nào trong đống việc AI ở trên cho khách một lý do để mua lần thứ hai. Nó làm lời mời thứ hai nhanh hơn, rẻ hơn, đúng lúc hơn, viết khéo hơn. Có ra tiền, nhưng không phải cùng một bài toán.

Con số ROI, và nó đang đo cái gì

Gartner phân tích 432 trường hợp dùng AI trong chăm sóc khách hàng: 25% có lãi rõ, 42% chưa rõ. Cũng nghiên cứu đó cho biết mỗi công ty đang chạy gần năm use case, dành 13% ngân sách dịch vụ khách hàng cho AI, và 42% không nói được hệ thống ấy tạo ra giá trị gì. Vậy mà 56% lãnh đạo bộ phận dịch vụ nghĩ thưởng phạt của họ năm nay sẽ gắn với kết quả AI: gắn lương vào một con số mà bốn trên mười tổ chức không làm ra nổi.

Phần còn lại của 432 không được công bố nên không vẽ vào. Biểu đồ chỉ nói một điều: phần lớn AI chăm sóc khách hàng đang nằm ở ô chưa chấm, chứ không phải đã bị chứng minh là dở.

Khoảng cách thường mở ra từ trước lúc triển khai: mục tiêu chỉ là "thêm AI" · use case chọn theo số lượng ticket · containment thành chỉ số treo đầu bảng · đo lường dừng lại ở chỗ chặn được bao nhiêu.

Alexander Abstreiter, vendor AI — LinkedIn, 4/9/2026

Anh này bán đúng loại phần mềm đó và nói thẳng trong bài. Chẩn đoán vẫn đứng, và mấy con số merchant hay trích cho nhau nghe cho thấy vì sao.

"Xử lý" không phải là "giải quyết xong"

Playbook ASOS công bố giữ con số lớn nhất trong kho bài này về AI đang chạy thật: khoảng 50% yêu cầu CSKH gửi vào do agent AI xử lý, cùng 90% nhân sự toàn công ty dùng Copilot. Họ đi theo từng giai đoạn, không bật một phát. Công ty tự công bố, nhưng đúng chữ chịu lực nhất thì bỏ ngỏ. Một ticket agent có đụng vào, một ticket agent chặn lại, một ticket khách thấy đã xong — ba mẫu số khác nhau.

Dưới đó là các case do vendor công bố. Trang use case agentic của Shopify kể Customer Agent của Klaviyo giải quyết 75% câu hỏi của LifeStraw mà không cần người, doanh số do agent gợi ý tăng 111% trong 90 ngày. Không có mốc trước khi dùng AI, cũng không nói rõ loại câu hỏi nào nằm trong phạm vi. Max Wallace, brand ambassador của Gorgias, kể 20% hội thoại đã tự động hoá trong vài tuần đầu ở Tommy John, và khai quan hệ thương mại ngay dòng đầu. Thấp hơn nữa là mấy con số tròn trịa được chuyền tay như kiến thức phổ thông: ~30% ticket là "đơn của tôi đang ở đâu", AI chặn được ~80% số đó, vendor nào cũng nói ~60% resolution.

Bảng xếp hạng trên là gáo nước lạnh. Trên 107 tác vụ thương mại có thật, model tốt nhất trong 13 model làm xong 61,7% — trên một leaderboard do chính Accio chạy, và số tác vụ cộng theo lĩnh vực ra 117 trong khi đề bài ghi 107. Xem là chỉ dấu, đừng xem là số đo chính xác; dù vậy nó vẫn nói: agent mạnh nhất vẫn trượt khoảng 4 trên 10 việc vận hành. Nên một tỷ lệ resolution trên 70% là phát biểu về rổ ticket, không phải về năng lực agent.

Mấy mẩu chuyện từ người làm cũng xoay quanh đúng lỗ hổng đó. Một agency kể email CSKH của shop giảm một nửa, 100 xuống 50 mỗi ngày. Một chủ shop thấy chi phí mỗi lượt tương tác rơi từ 6 USD xuống 0,5 USD, rồi mở phần đánh giá ra đọc: khách đang giận dữ. Một vendor nói con agent "dốt hơn", con chuyển cho người khi độ tự tin dưới 70%, nhận 0 khiếu nại trong 14 ngày; con khôn hơn nhận 3. Cả ba đều tự báo, mẫu bé tí. Vẫn đáng đọc, vì cả ba cùng chạm vào thứ hầu hết dự án không đo: khách ra sao sau khi bị chặn lại.

Tính tiền theo ca giải quyết làm đổi cả bài toán

Gorgias tính theo ticket phát sinh — 10 USD/tháng cho 50 ticket, lên tới 900 USD cho 5.000 — và AI Agent cộng thêm 0,90 đến 1,00 USD mỗi ca giải quyết, nên một cuộc chat do AI đóng bị tính tiền hai lần. Đó là hướng cả ngành đang đi, và nó đẩy một con số ít ai có lên thành yếu tố quyết định: chi phí thật cho mỗi ca xử lý xong của bạn hôm nay là bao nhiêu. Một nghìn ca AI giải quyết mỗi tháng là khoảng 1.000 USD phí resolution cộng phí ticket, đặt cạnh số giờ nhân sự thật sự bớt được. Cái đồng hồ tính tiền này đang lan: T9/2026 Salesforce hoàn tất thương vụ mua Fin, tức Intercom cũ, hơn 30.000 khách hàng.

Khuôn vận hành: agent soạn, người duyệt

Những bản triển khai chạy rõ nhất trong kho bài này không phải chatbot, mà là agent làm phần việc lặp đi lặp lại rồi dừng ở cổng duyệt.

Hai ảnh trên là cùng một vòng của Cortex, agent Gorgias nằm trong Slack: nó rà khoảng một trăm ticket do người xử lý, thấy AI đang bỏ sót một bước giữ chân khách, soạn bản cập nhật Skill kèm bằng chứng và mức rủi ro — rồi đứng chờ. Ảnh thứ hai, nó duyệt lại đống rule tự động hoá và bài help center đang treo, gợi ý nên bật cái nào, và tự nó không sửa gì. Polar Operator bán đúng cam kết đó — "nó hành động khi bạn duyệt" — còn con số 3.000 USD/ngày tiền Meta chạy vào URL hỏng là vendor tự kể về thứ một vòng như vậy bắt được.

Ảnh trên là bản cho shop nhỏ, do một chủ shop đăng miễn phí: luật phân loại ticket, AI soạn câu trả lời, code kiểm lại những lời hứa trong đó, một AI thứ hai rà lại toàn bộ câu trả lời trong ngày. Mọi khoản hoàn tiền phải có người bấm duyệt. Tỷ lệ tranh chấp 0,45% trên hơn 9.000 ticket nằm trong bài viết, không nằm trong ảnh. Chép cái kiến trúc, đừng chép con số.

Cổng duyệt chỉ mở rộng được chừng nào hành động vừa hiếm vừa đắt. AI của Albert Heijn cho ra hơn một tỷ dự báo nhu cầu tự động mỗi ngày — 17.000 sản phẩm, 1.200 cửa hàng, nhìn trước 50 ngày — và không ai duyệt một tỷ dự báo. Ở đầu đó, người duyệt đơn đặt hàng, duyệt ngoại lệ, duyệt chính sách. Có người trích lại rằng Amazon báo giảm 35% số lần hết hàng nhờ công cụ tồn kho AI; podcast trích nó đặt đúng câu hỏi còn để ngỏ — khi nào thì người nên duyệt đơn đặt hàng.

Đổi trả, tồn kho, gian lận: số sạch nhất, và ai công bố

Trang use case agentic của Shopify giữ mấy kết quả gọn gàng nhất chương này: agent chống gian lận của Signifyd đưa Cymbiotika lên 98% đơn được duyệt và giảm 93% chargeback; Prediko tiết kiệm cho Kuppa Joy 10 giờ mỗi tuần và giảm 90% lỗi đặt hàng. Case do vendor chọn, đăng trên trang marketing của chính nền tảng, không nêu mốc so sánh. Còn con số Salling Group của SAP — rút tới 66% thời gian từ nhà cung cấp lên kệ — chính SAP ghi rõ là dự phóng, đừng bao giờ trích như kết quả đã đo.

Đổi trả là quy trình hợp với khuôn duyệt nhất và được đo ít nhất. AfterShip Returns là một trong những app đầu tiên gắn vào Sidekick, merchant hỏi ngay trong Shopify admin: "cho tôi xem các đơn đổi trả đang chờ tôi duyệt". Đó là SHIPPED, chưa phải đã chứng minh: chưa có con số giờ tiết kiệm hay tỷ lệ giải quyết nào được công bố. Mức giảm 25% câu hỏi WISMO của Dr. Squatch nhờ dự đoán ngày giao cũng không có nguồn.

Hàng đợi cũng đang đổi từ phía bên kia: ảnh trên là agent của người mua tự mở chat CSKH của Amazon và đòi bằng được khoản hoàn 70 USD mà một supervisor đã hứa. Khách bấm một cái; đội bạn nhận lại vô số lượt hỏi han lịch sự không biết mệt. Chính sách nào đọc rõ với người mà mơ hồ với máy thì máy sẽ là bên thử trước.

Cái gì tách bản triển khai có lãi khỏi phần còn lại

Bằng chứng mỏng thì phải nói là mỏng

Trên toàn kho bài, 87 trong 329 con số truy được về một công bố gốc có tên hoặc một hãng nghiên cứu nêu rõ cách đo. Ở ledger ban đầu của chương này, con số đó là 0. Ảnh, mô tả sản phẩm và thử đồ ảo là chỗ người bán bỏ tiền thật trong năm 2026, cũng là chỗ ngành công bố ít số đo nhất. Đó là phát hiện của chương; đọc mọi đoạn dưới trên cái nền đó.

Chúng tôi đem phát hiện đó ra thử lại. Vòng cào thứ tư, sàng bằng đúng bộ tiêu chí cũ, nhắm thẳng vào các mảng này. Tìm try-on có chủ đích, thu về đúng bốn bài đạt chuẩn: một vendor báo tin Zara nhảy vào, một bài tổng hợp về L'Oréal, một ghi chép về mấy startup giữ lịch sử size, và quan sát người dùng do chính một vendor kể. Không bài nào có đối chứng — ít nhất trong mọi mảng đã quét.

Chỉ có một thí nghiệm có đối chứng, và nó nói về chữ

Vòng quét mang về một thứ chương này chưa từng có: một thí nghiệm hiện trường ngẫu nhiên. Nhóm nghiên cứu cho 35.625 người dùng đọc bản tóm tắt review do AI viết, và chỉ đổi đúng một biến: bản tóm tắt khẳng định mạnh tới đâu rằng khách đang đồng ý với nhau. Cách viết nhấn đồng thuận đẩy click vào sản phẩm lên 24%, đồng thời rút 10% thời gian khách ngồi đọc. Bài là Wang, Zhang, Gao & Tan, "When AI Speaks for the Crowd", T9/2026, working paper SSRN chưa bình duyệt, và bài đăng dẫn lại là dấu vết duy nhất của nó trong kho bài (bài gốc). Độ lớn của hiệu ứng thì cứ coi là tạm tính, cái đáng lấy là cách họ dựng phép đo. Mọi con số khác trong chương đều so nhóm tự chọn dùng tính năng với phần còn lại — phép đo này giữ nguyên người mua, chỉ đổi câu chữ của máy, và nhánh khiến khách đọc ít hơn lại bán nhiều hơn. Bản tóm tắt ấy là nội dung sản phẩm do người khác viết về bạn, bằng ngôn từ bạn không đặt.

Giá một tấm ảnh giảm. Giá một tấm ảnh được duyệt thì không.

Phần đáng tin nhất ở đây là sản xuất, vì người kể là người trực tiếp làm. Một designer của Every Man Jack ra 2.800 ảnh sản phẩm trong khoảng hai tháng, từ ảnh nền trắng tới ảnh lifestyle dựng bằng AI, qua PIM đẩy sang Amazon, Walmart.com, Target.com, Kroger.com. Một người khác kể kèm vế thứ hai: 5.000 lượt chỉnh ảnh bằng AI tốn khoảng 200 USD, cộng một tuần người ngồi soát. Vế thứ hai mới là con số để lập kế hoạch: sinh ảnh gần như miễn phí, duyệt ảnh vẫn là một tuần lương.

Lỗi thường gặp không phải một tấm ảnh xấu. Nó là cả bộ ảnh trôi dần.

Đến tư thế thứ bảy là có gì đó lệch. Đường quai hàm mềm đi. Tỷ lệ người dài ra. Một trang sản phẩm ghép từ mười người phụ nữ khác nhau thì không phải catalog. Đó là lỗi casting mà không ai bắt được.

Walid M Samuel, sản xuất hình ảnh tại Pixofix — LinkedIn, 09/09/2026

Ở mảng CPG, VP marketing của Every Man Jack nói cùng ý: model vẫn chật vật với mấy dòng chữ nhỏ in trên bao bì, nên designer vẫn ngồi trong quy trình chứ không bị thay bằng một lần upload.

Thử đồ ảo: số kêu to nhất lại là số yếu nhất

Lý do kinh doanh thì dễ nói. Trả hàng thời trang online chạy 20-40%, nguyên nhân đứng đầu là sai size; hàng trả lại của bán lẻ Mỹ khoảng 816 tỷ USD (NRF) và ăn 20-30% doanh thu. Chỉ 816 tỷ USD và phần chi phí là có nguồn; phần còn lại chuyền tay nhau không ai dẫn nguồn.

Nhưng đổi lại được gì thì đúng chỗ đó bằng chứng hết. Công nghệ là thật, giờ một người rảnh cuối tuần cũng dựng được, như nguyên mẫu ở trên. Kết quả gán cho nó thì không. Một bài được chia sẻ rộng dẫn nghiên cứu 2026 trên 1,2 triệu người mua thời trang, nói nhóm dùng thử đồ ảo có chuyển đổi cao hơn 50% và thêm giỏ gấp 3 lần; một nghiên cứu khác trên 577 store Shopify cho thêm giỏ gấp 3,1 lần, 90% lượt thử trên mobile. Không chỗ nào trong kho bài nêu ai công bố hai nghiên cứu đó, và cả hai đều so người tự chọn dùng tính năng với người bỏ qua nó — người chịu khó tải ảnh mình lên để xem cái váy mặc lên ra sao thì trước đó đã muốn mua nó rồi.

Năm 2026 đổi quy mô triển khai, không đổi chất lượng bằng chứng. Zara nhảy vào thử đồ ảo, tín hiệu rõ nhất cho thấy thứ này thành phổ thông. Số của L'Oréal to nhất trong đám — 1 tỷ lượt thử đồ ảo, 20 triệu lượt chẩn đoán da, chuyển đổi gấp 3 lần — và tới tay người đọc qua một bài tổng hợp kiểu marketing trên X: không kỳ đo, không mốc so sánh, không văn bản nào của L'Oréal đứng sau (bài gốc). Irisphera, đăng ngay sau nước cờ Zara, kể 45.000+ sản phẩm đã xử lý, render 5-15 giây, chuyển đổi tới 3,5 lần — và "20.000+ đơn mua thành công, không có đơn trả lại nào" (bài gốc). Hai mươi nghìn đơn thời trang không đơn nào bị trả lại thì không phải phép đo. Con số nổi nhất của vendor đã bất khả thi thì mấy con số cạnh nó cũng đọc như quảng cáo.

Chỗ duy nhất có kết quả kiểm được

Có một chỗ công sức này cho ra kết quả tự kiểm được, không phải tin nghiên cứu của ai: khâu truy xuất. Chương 02 ghi lại bước ngoặt — ngày 10/07/2026, tỷ lệ gợi ý sản phẩm trong ChatGPT Shopping lấy từ feed merchant nhảy từ 8,26% lên 61,54% trong một ngày (Profound, khoảng 1,75 triệu prompt), và Shopify cho biết truy vấn AI đi qua Catalog chuyển đổi gấp đôi truy vấn dựa vào dữ liệu cào về. Máy lấy hàng ra bằng thuộc tính có cấu trúc, không bằng art direction.

Adobe đặt được một con số lên chỗ hụt đó: công cụ Content Visibility Checker của họ đo trang sản phẩm bán lẻ trung bình chỉ hiện ra 66% với mô hình ngôn ngữ (bài gốc) — một phần ba thứ bạn viết, chụp và niêm yết không tới được phần mềm đang lọc danh sách. Phía người mua có khảo sát State of Product Experience 2026 của Syndigo, 8.736 người ở sáu nước: 83% bỏ sang đối thủ khi thiếu thông tin họ cần, 26% dễ mua hơn nếu AI gợi ý, trong khi chỉ 8% tin AI hơn tự tìm hiểu (bài gốc). Đó là độ phủ và thái độ, không phải mức tăng: đo được chỗ rò, không định giá được miếng vá.

Điều đó đổi luôn nghĩa hai chữ "ảnh đẹp". Hướng dẫn của Google hiếm khi cụ thể như lần này: ảnh sắc nét, nhiều góc, đổi lại tối đa 6% click; sàn 500x500 px thay mức cũ 100x100, không đạt thì bị từ chối duyệt từ 31/01/2027; khuyến nghị 1.500x1.500 và góc phụ đẩy qua additional_image_link. Alt text là đúng việc đó nhưng bằng chữ, và mấy ca rà catalog cũng vậy — kể cả cái tật bằng chứng. Một người làm thương hiệu thả vài trang sản phẩm đang chạy vào một công cụ rà bằng AI, nhận về 511 điểm bất nhất: trang kem Caudalie thiếu video, ảnh mờ và giá lệch ở London Victorian Ring Co, mô tả sai ở vài trang LG — thứ không đội merchandising nào ngồi đọc hết nổi ở quy mô catalog. Còn mấy con số thu hồi dẫn kèm (Caudalie thu hồi 700.000 EUR, LVR +7% chuyển đổi, LG giữ được 900.000 USD doanh thu) là số của chính vendor làm công cụ, trong một bài mời người đọc dùng thử miễn phí. ELEMIS kể một agent của Akeneo rút việc tra cứu thủ công 3 tiếng của một lần ra hàng xuống 30 phút, người vẫn duyệt trước khi lên live; nguồn là nhân viên Akeneo. Cứ rà. Nhưng số đi kèm thì đọc như quảng cáo.

Nó buộc chúng tôi phải mổ xẻ lại ảnh của mình — và chuyển trọng tâm từ thẩm mỹ sang thông tin đủ để máy lôi ra và đối chiếu. Tốt cho agent, mà cũng tốt cho người mua.

Nicklaus Hasselberg, VP Marketing & Omnichannel, Every Man Jack — LinkedIn, 18/08/2026

Năm 2026, khai báo ảnh AI thành chuyện pháp lý

Hai quy định rơi xuống trong lúc câu hỏi đo lường còn bỏ ngỏ. Luật bang New York (GBL §396-b) hiệu lực từ T6/2026; tháng sau Amazon bắt seller gắn nhãn người do AI sinh ra trong ảnh và video sản phẩm, còn TikTok và Meta tự dán nhãn nội dung AI trông như thật. Ở châu Âu, AI Act xếp ảnh và video do AI tạo hoặc chỉnh vào diện phải khai báo, phần đăng trước 02/08 được miễn; MANGO, Adidas và Boozt nằm trong nhóm storefront đầu tiên làm đúng. Mức chịu đựng của người mua là biến riêng: một người làm performance viết rằng thấy model AI trên trang bán áo là anh ta "bỏ luôn ý định cân nhắc brand đó".

Chín con số, chín phép so khác nhau

"Traffic từ AI chuyển đổi tốt hơn" là câu kéo được nhiều ngân sách nhất năm 2026, và cũng là câu ít đồng thuận nhất về nghĩa. Chín phiên bản đã lưu hành, từ +31% đến +100%, không phiên bản nào đo cùng một thứ.

Adobe +42% (T3/2026) và +60% (T7/2026) lấy traffic từ AI so với toàn bộ traffic không từ AI — gồm cả paid search, email và affiliate, tức một rổ trộn có chứa loại traffic tệ nhất mà nhà bán phải mua. Shopify ~50% (Q1/2026) chỉ so với organic search, và chỉ tính phiên vào thẳng trang sản phẩm: mốc so khó hơn hẳn, nên con số nhỏ hơn mới là con số đáng nể hơn. 31% của Visibility Labs là ChatGPT so với organic không thương hiệu. +46% của Ethercycle đo trên 10 store, ~2 lần của Netalico đo trên 9 store.

Một đơn vị đo đúng một thứ cũng chưa ra được con số ổn định. Ba lần đọc cùng phép so của Adobe: -38% (T3/2025), +42% (T3/2026), +54% (T5/2026). Đổi dấu trong vòng một năm. Ai lập kế hoạch theo lần đo T3/2025 thì đã gạch traffic AI khỏi danh sách kênh đáng đầu tư. Ba điểm chưa thành xu hướng, còn đoạn ở giữa thì không ai biết.

Những con số báo cáo này từ chối dùng

Bảy con số được chia sẻ rộng nhưng không trụ được khi kiểm. Gọi tên ra thay vì lặng lẽ bỏ, vì cả bảy vẫn đang chạy ngoài kia.

Tương quan khoác áo hiệu quả

Kiểu sai thứ hai kín tiếng hơn, vì nguồn thì không chê vào đâu được. Walmart nói với nhà đầu tư rằng khách dùng Sparky chi nhiều hơn khoảng 40% mỗi đơn so với khách không dùng (bài gốc); Amazon báo trên 40% cho trợ lý của họ; Lowe's nói khách dùng Mylow chuyển đổi gấp khoảng 3 lần (bài gốc). Cả ba đều là công bố thật, người phát ngôn có tên. Và không con số nào là hiệu quả tăng thêm.

Khách mở trợ lý khi giỏ đã có hàng thì vốn đã đi sâu hơn khách không mở, và một cuộc họp nhà đầu tư không tách được nhân với quả. Chỗ đáng đọc trong hình là phép so ngược lại: Albertsons lấy +26% và +10% để so trải nghiệm này với trải nghiệm kia — loại so sánh có thể ra kết quả xấu. Case study so người dùng với người không dùng chỉ cho bạn thấy một tệp khách, chưa phải một kết quả.

Nền nhỏ thì tăng nhanh, rồi đứng

Hai lần công bố năm 2026 của Shopify đặt cạnh nhau trông rất khó chịu: blog Q1 báo hơn 8 lần phiên từ AI và khoảng 13 lần đơn từ AI, rồi cuộc gọi Q2 báo cả hai chỉ còn khoảng 3 lần. Cả hai đều chính thức và giữa hai mốc không có gì hỏng — Q1 đo trên nền gần bằng không của một năm trước. Số lần tăng co lại ngay cả khi sản lượng tuyệt đối vẫn lên. Còn tỷ trọng tuyệt đối thì không ai trích.

Ở một store bên tôi đang làm: ChatGPT chiếm 0,27% doanh thu, tăng 42% so với tháng trước. Phần này còn bé nhưng đường tăng thì dốc. Việc cần làm ở đây là "theo dõi hằng tháng", không phải "đập đi làm lại".

Kurt Elster, chuyên gia Shopify — X, 12/05/2026

Thước đo đổi ngay dưới chân dashboard

Thứ hạng không còn dự báo được chuyện có được trích dẫn hay không. Đo trên 863.000 lượt tìm kiếm và 4 triệu link trong AI Overviews, Ahrefs thấy tỷ lệ trích dẫn đến từ trang vốn đã nằm trong top 10 rơi từ 76% xuống 38% (bài gốc). Đội nào còn báo cáo "mình đang giữ hạng 3" là đang báo cáo một chỉ báo đã mất một nửa sức dự đoán.

Nhãn trong analytics cũng đổi. Giữa T6/2026, phiên từ ChatGPT trên website này không còn được xếp vào referral và (not set) nữa mà nhảy sang một medium mới tên ai-assistant; mọi báo cáo đã lưu sẵn bộ lọc referral đều thấy traffic AI tự dưng sụp trong một ngày giữa tuần. Không có gì sụp cả. Rồi còn câu hỏi ai đang ở đầu bên kia: Cloudflare đo được bot đã vượt người, chiếm 57,5% traffic website; báo cáo 2026 của Lunio cho tỷ lệ traffic quảng cáo không hợp lệ là 24,2% trên TikTok và 7,6% trên Google — con số sau nên trừ hao, vì Lunio bán dịch vụ chống gian lận click.

Niềm tin là một cái thang, không phải một con số

Các số liệu về niềm tin trông mâu thuẫn cho tới khi nhận ra mỗi khảo sát đang hỏi về một bậc khác nhau. Hỏi AI để tìm hiểu, để nó dựng giỏ hàng, và để nó tiêu tiền là ba quyết định riêng, và rơi từ bậc này xuống bậc kia rất sâu.

Visa Trust Index đặt bậc dưới cùng ở mức 23% trong 2.065 người Mỹ được hỏi sẵn sàng tin GenAI đứng ra thanh toán — và lên 61% khi Visa được nêu tên là bên xử lý. Niềm tin chuyển được sang một tổ chức có tên tuổi, chứ không chuyển sang mô hình AI. Nên đọc câu này như một chỉ dẫn thiết kế: để trợ lý lo phần tìm hiểu, còn bước thanh toán phải mang cái tên mà khách vốn đã gửi tiền ở đó.

Những khoản chi phí không hiện trên dashboard nào

Thanh toán qua agent dịch chuyển trách nhiệm trước khi dịch chuyển doanh số: theo Agentic Commerce Protocol, nhà bán vẫn là merchant of record và vẫn ôm hoàn tiền, chargeback, tuân thủ. Mà ngưỡng chịu đựng thì đang siết lại. Ngày 01/04/2026, ngưỡng tranh chấp quá mức trong VAMP của Visa hạ từ 2,2% xuống 1,5% cho nhà bán ở Mỹ, Canada, EU và APAC, phí khoảng 8 USD mỗi giao dịch bị tranh chấp — con số này là trích lại từ một bài tường thuật hội thảo, nên hãy đối chiếu bản tin chính thức của Visa trước khi đưa vào mô hình tài chính.

Khi khách khiếu nại món mà agent của họ đã mua, ai là người đưa ra bằng chứng?

Richard Emanuel, sau một buổi của Anthropic về agentic commerce — LinkedIn, 09/09/2026

Tự làm ra con số của mình

Lối ra không nằm ở một nguồn tốt hơn, mà ở một phép đo do chính mình chạy. Việc hiệu chỉnh thường trông như thế này: mức tăng click 68–112% trên dashboard co lại còn +18 đến +80 điểm phần trăm sau khi bóc yếu tố mùa vụ và đặt cạnh một thị trường đối chứng không can thiệp. Hai phần ba con số đẹp là do lịch. Cứ giả định sai số cỡ đó nằm trong mọi phép so trước–sau không có đối chứng, kể cả phép so của mình.

Dây chuyền hiện được ráp như thế nào

Không ai bắt đầu từ chỗ tạo video. Phiên bản nào làm nghiêm túc cũng mở màn bằng thư viện quảng cáo của đối thủ.

Nó bắt đầu ở Meta ad library, lôi hết quảng cáo đang thắng trong ngách ra đã, rồi mới viết dòng đầu tiên.

Machina, người chạy ads AI — X, 09/09/2026

MAX làm y hệt: đưa model thông tin sản phẩm, tệp khách, offer và vài quảng cáo mẫu, mở quyền duyệt web rồi bảo nó vào Meta ad library tra đúng năm đối thủ. Bản của Mike Futia thì cào trang đối thủ, cho model xem từng video rồi trả về brief kèm mười concept viết theo giọng thương hiệu; bản TikTok biến video đang thắng thành brief quay được ngay. Bước một là nghiên cứu, và đó đúng là bước phần lớn nhãn hàng bỏ qua.

Có brief rồi thì phần sau ngắn. Kịch bản và shot list ra trong cùng một cuộc hội thoại; ảnh storyboard được sinh trước để làm mốc — một ảnh tham chiếu chi phối mọi nhịp và mọi góc máy — nhờ vậy các cảnh không trôi mỗi cảnh một kiểu, thứ khiến người xem nhận ra ngay là video AI. Sau đó chỉ còn là một lệnh gọi model: Seedance đặt trong một skill của Claude, Higgsfield qua MCP để nghiên cứu, viết, sinh ảnh và làm chuyển động trong một cuộc hội thoại, Gemini Omni cho quảng cáo nhiều cảnh mà nhân vật vẫn giữ nguyên một người, Kling qua MCP cho cảnh nói, cảnh sản phẩm, lời đọc và nhạc nền trong một lượt. Theo lời họ, một biến thể mất vài phút; một concept mới mất một ngày làm việc, tính cả khâu nghiên cứu.

Hai chi tiết phân biệt người làm hằng ngày với người quay demo. Một là kỷ luật prompt: Stephen Bishop gắn ba mệnh đề cố định vào mọi lần sinh, đầu tiên là mệnh đề về da, và nói thẳng rằng người ta hay đổi model trong khi lẽ ra phải sửa prompt. Hai là khả năng sửa lại: Higgsfield Motion Designer trả về project After Effects còn chỉnh được camera, ánh sáng và chữ — tức là một file sửa được, thay vì sinh lại rồi cầu may.

Bước không ai chụp màn hình là bước Shann Holmberg vẽ ra: agent chỉ tạo ra được thứ tương xứng với dữ liệu mình được đưa. Số liệu hiệu quả, cách khách nói, luật thương hiệu, bối cảnh đối thủ — gom về một chỗ có cấu trúc, nạp trước khi viết bất cứ chữ nào. Bỏ bước này thì nhận về nội dung chung chung, rồi quay ra trách model.

Người thật còn ngồi ở đâu

Ba chỗ: chọn góc tiếp cận, duyệt bản dựng, và đứng tên tài khoản đẩy biến thể lên. Bằng chứng rõ nhất cho chuyện sinh nội dung không phải phần khó lại đến từ một công ty đi ngược dòng. Icon gọi 9,2 triệu USD để làm máy tạo quảng cáo AI, rồi quay sang chạy quy trình UGC người thật — tìm creator, gửi hàng, viết kịch bản, kèm cặp, dựng — bán sáu video quay thật giá 999 USD, phần AI để làm mọi việc bao quanh buổi quay.

Một công ty vốn đi làm máy tạo quảng cáo AI, cuối cùng lại đưa người thật trở về đúng cái khâu sinh ra creative.

Divyanshi Sharma — LinkedIn, 25/08/2026

Ảnh sản phẩm lặp lại đúng kiểu đó, và chương 10 có nguồn chắc hơn: 5.000 ảnh sửa bằng AI tốn khoảng 200 USD, đằng sau là một tuần người ngồi soát.

Định dạng nào đang giành được chú ý

Phần này là ý kiến người làm nghề, ghi rõ như vậy. Song ad đang là format của mùa này, và người chạy nó cũng là người chê nó nặng nhất.

Nó giữ được người xem. Nó kéo click rẻ. Nó đạp CPA xuống thật. Nhưng mua khách rẻ và mua khách tốt là hai chuyện khác nhau.

Franky Shaw, người làm thương mại điện tử — X, 12/09/2026

Thứ hai là claymation, lý lẽ là chênh lệch thông tin: nhìn có vẻ tốn kém, gần như không ai chạy, mà một quy trình tám bước đã thay được cả studio. Ba tháng sau, đúng kỹ thuật đó được dạy bằng tiếng Pháp và đóng gói vào công cụ bán hàng xuyên biên giới của Trung Quốc — chừng đó là tuổi thọ của một khoảng chênh về creative. Thứ ba là nhân vật AI: một tài khoản TikTok Shop chạy một người dẫn ảo cho hàng chục sản phẩm, video mạnh nhất đạt 1–4 triệu view theo cách đếm của người đăng. Thứ tư là video dài chạy tự động. Thứ năm ít được bàn nhất là remix ảnh tĩnh, dù đây mới là thứ đa số nhà bán làm được ngay ngày mai: hơn 45 ảnh tĩnh đúng brand từ một sản phẩm và một góc tiếp cận, hoặc bản gọn hơn của Oliver Kenyon, sáu ảnh carousel mà mỗi ảnh gánh một nhiệm vụ. Cái này nằm trên trang sản phẩm chứ không nằm ngoài feed, và là phép thử phễu rẻ nhất trong danh sách.

Phễu nằm dưới định dạng cũng đang đổi. Meta giờ trả lời khách ngay trong ô quảng cáo bằng các câu hỏi gợi ý, rồi dắt cuộc trò chuyện sang Messenger, WhatsApp hoặc website của nhãn. Nếu kiểu đó thành nếp, việc của mẩu quảng cáo đổi từ "nói trọn bài chào hàng" thành "mở được một cuộc trò chuyện cho chỗ khác chốt" — nghĩa là hook, chứ không phải đoạn chốt, mới là phần đáng sinh ra năm chục bản.

Kinh tế của việc này, theo lời người làm

Nó thay cái gì, theo cách họ tính: tiền creator 150–500 USD một video, hoặc 300–2.000 USD một video với 30–50 video mỗi tháng; phí agency 5.000–20.000 USD mỗi tháng cho 15–20 video; và một dàn công cụ mà một bài định giá hơn 10.000 USD mỗi tháng. Không con số nào có người ngoài kiểm. Chúng khớp nhau chỉ cho biết giá thị trường, không cho biết hiệu quả. Có một người làm hơn thế: anh chạy cùng một đề bài listing theo ba đường rồi tự chấm kết quả. Hãy chép cách làm đó, đừng chép kết luận của anh ta.

Nửa bền hơn: chấm creative, không phải đẻ creative

Bỏ phần video ra, cái còn lại là một dàn công cụ nghiên cứu. Phần đó ít lỗi thời hơn hẳn. Bản mổ xẻ tài khoản do dân chạy ads tự code để chấm mọi creative từng chạy và nói vì sao. Hệ thống cào video Instagram và TikTok rồi xếp hạng theo ý định mua. Vendor biến Meta ad library thành một khung chat trên ba triệu quảng cáo. Workspace dùng chung để mọi agent của nhãn xài chung một kho bối cảnh thay vì năm ốc đảo, như Shadow. Và các bộ skill: một gói skill marketing cho agent lập trình, bài đăng ghi hơn 48.000 sao GitHub, cùng một quy trình chụp ảnh sản phẩm mà một người bỏ 15 giờ và 478 USD để dò ra, rồi phát miễn phí.

Thứ đáng chú ý nhất là vòng tự chấm: mười lượt chạy đối chiếu với một bộ tiêu chí viết sẵn, sửa prompt, chạy lại, giữ bản thắng. Một skill viết hook từ 32/50 lên 47/50. Tiêu chí của anh ta, thang điểm của anh ta, không ai ngoài kiểm. Nhưng hướng thì đúng: nếu khoảng 5% creative gánh 55% ngân sách, thứ hiếm không phải máy sản xuất, mà là bộ tiêu chí đoán được 5% đó.

Tiêu chí còn có thứ mà máy sản xuất không có: nó công nghiệp hoá được. Ở ca này, một model nhỏ sau chưng cất đạt 84,6 điểm so với 83,0 của model thầy to hơn nhiều khi dựng hồ sơ người mua, prompt ngắn hơn 8 lần, sản lượng từ 2 triệu lên 72 triệu hồ sơ mỗi ngày. Khi phán đoán đã viết được thành chữ, nó rẻ tới mức chạy cho mọi thứ. Việc gán ca này cho Shopify là do bài đăng nói, không có trên slide — hãy đọc nó như một khuôn mẫu, đừng đọc như một công bố.

Chỗ nó gãy

Tỷ lệ, không phải sản lượng. Làm 500 quảng cáo thay vì 50 chỉ nhân mẫu số lên. Không gắn thẻ được từng biến thể để biết bản nào đang ngốn ngân sách thì nhiều creative chỉ là hoá đơn to hơn.

Nội dung rác. Một người trong nghề xếp hạng các format quảng cáo thương mại điện tử và đặt AI UGC ở hạng F, dưới cả TikTok cắt lại, đúng tuần mà người khác coi nó là cả một mô hình kinh doanh. Cả hai đều là quan điểm; chỗ họ cãi nhau mới là phát hiện.

Rủi ro thương hiệu cộng dồn. Một người dẫn ảo chạy cho hàng chục sản phẩm chẳng liên quan là ăn chênh lệch, chẳng có thương hiệu nào để mất. Một thương hiệu mà quý sau khách vẫn gặp đúng gương mặt bịa đó thì khác hẳn. Còn vendor rao bán "quảng cáo đầu tiên trên đời mà không ai biết là quảng cáo" thì đang bán một rắc rối về công bố thông tin.

Công bố đã là luật. EU AI Act xem ảnh do AI sinh là deepfake và muốn nhãn hàng ghi rõ cho người mua ở EU; tới giữa T8/2026 Linda Bustos chỉ tìm được ba site thương mại điện tử làm việc đó — MANGO, adidas, Boozt. Đưa nhãn đó vào template tài sản ngay từ bây giờ; gắn ngược cho 500 file mới là bản đắt tiền.

Nhà bán nên chép lại gì

1. Dựng lớp đầu vào trước

   Một chỗ chứa số liệu hiệu quả quảng cáo, cách khách nói khi họ mua, luật thương hiệu và quảng cáo đang chạy của năm đối thủ.

2. Lo khâu chấm trước khâu sinh

   Gắn thẻ mọi biến thể ngay lúc upload để trả lời được 5% nào đang gánh ngân sách. Chưa làm được thì dừng ở đây.

3. Bắt đầu bằng ảnh tĩnh, chưa vội video

   Sáu ảnh carousel trên trang sản phẩm, mỗi ảnh một nhiệm vụ, là phép thử chạy trong tuần và đọc được kết quả.

4. Chạy một đề bài cố định theo ba đường

   Cùng brief, cùng đầu vào, ba công cụ, bảng chấm của chính mình — so sánh chi phí kiểu đó mới có nghĩa với catalog của bạn.

5. Giữ người ở khâu chọn góc và duyệt bản dựng

   Model giỏi đẻ hai chục biến thể cho một góc đã chọn. Chọn góc nào đáng hai chục biến thể vẫn là việc của người.

Từ cú click: landing page và trang sản phẩm

Thứ rẻ nhất dựng được lúc này là một bài soát trang. Yumna Aziz công bố nguyên đường ống trên n8n ngày 19/08/2026: form nhận URL, node HTTP kéo HTML về, đổi sang Markdown, rồi Gemini 2.5 Flash trả lại danh sách sửa CRO đã xếp thứ tự kèm câu viết lại từng dòng. Theo lời chị, một lượt chạy mất 29 giây và 2.381 token Vendor hoặc không nguồn. Mike Futia làm đúng ý đó thành plugin cho Claude Code — SEO kỹ thuật, product schema, Core Web Vitals, mức sẵn sàng cho AI search, chấm điểm 0–100 — và nói nó thay được gói Ahrefs 200 USD/tháng Vendor hoặc không nguồn.

Không cái nào nói cho bạn biết nên sửa cái nào trước. Chúng đọc chữ, không đọc hành vi, nên thứ tự ưu tiên chúng đưa ra chỉ là ý kiến có gắn con số. Ai từng sai agent đi làm việc marketing đều gặp đúng chỗ này: câu trả lời "không sai, nhưng cũng chẳng dùng được". Thế nên thứ đang được chuyền tay là một bộ skill marketing (marketingskills, khoảng 50 skill, hơn 48.000 sao GitHub) chứ không phải model to hơn. Người làm nghề bỏ tiền mua ngữ cảnh, không mua năng lực. Và trang vẫn là chỗ chốt đơn: Contentsquare đo được 97% người mua sẽ nghĩ lại món hàng AI vừa gợi ý nếu website của brand đuối Có nguồn, trích lại — khảo sát hỏi chuyện giả định, nên đọc như một chiều hướng, đừng đọc như một tỉ lệ.

Ca trang sản phẩm được ghi chép kỹ nhất trong kho bài là tuần làm việc của Connor Gillivan với Glara: agent đọc thẳng catalog Shopify đang sống chứ không đọc file export, không có ai duyệt thì không có gì lên, và sửa gì cũng lùi lại được.

Glara had already drafted the fix, and it wasn't a rewrite. It was one line: "when to use." Mist onto face, pat in, don't rub. I read it, changed a word, approved it. That was the whole job.

Connor Gillivan — LinkedIn, 08/09/2026

Trên site: trợ lý, bộ chọn sản phẩm và chỗ bàn giao

Bộ chọn sản phẩm là nửa già dặn hơn và cũng được đo kỹ hơn. Foundation Finder mà THG làm cho LOOKFANTASTIC báo doanh thu tăng 5% Có nguồn, trích lại — đằng sau nó là 3.400 mẫu kem nền soi dưới máy đo quang phổ, đối chiếu với 6.100 tông màu. Một bộ chọn chạy được thì cái giá phải trả đúng là như vậy.

Phần còn lại của nhóm này trông giống ảnh trên: đưa vào một tấm selfie, nhận lại lời khuyên phối đồ kèm ảnh dựng sẵn. Đó là bản demo của vendor, chưa phải cửa hàng đang chạy, và chưa ai công bố con số chuyển đổi nào cho nó. Ở mảng này ảnh chụp đi trước bằng chứng khá xa.

Ảnh này thì chụp thật, và rơi đúng vào chỗ ăn thua: trợ lý hỏi lại màu trước khi bỏ áo fleece vào giỏ, rồi hiện giỏ 2 món, 290 USD. Khi trợ lý đã ghi được vào giỏ hàng thì câu hỏi không còn là trả lời hay dở, mà là nó được phép làm gì và khi nào phải chuyển cho người. Max Wallace — anh nói trước rằng mình là brand ambassador của Gorgias — cho biết 20% hội thoại đã tự động hoá sau vài tuần bật AI Agent và Shopping Assistant Vendor hoặc không nguồn. Chọn model nào đứng sau cái quyền đó là chuyện mua sắm, không phải chuyện chất lượng. COLIBRIX ONE chấm hơn 20 agent ecommerce qua 2,4 triệu lượt chạy: model đứng đầu bảng đắt gấp 14 lần, trả lời chậm gấp 8 lần model hạng nhì, đổi lại vỏn vẹn 3 điểm chất lượng; còn ở bài thử nhét câu lệnh lạ vào nội dung để xui agent chạy lệnh không được phép, chỉ một model trong số hai mươi chịu từ chối Vendor hoặc không nguồn. Bảng xếp hạng là của họ, nhưng thứ họ đem ra đo mới đáng đọc: trên một bề mặt ghi được vào giỏ hàng, độ trễ và khả năng chống chèn lệnh mới là yêu cầu kỹ thuật. Josh Gonsalves tự dựng bản nhỏ bằng Notion Custom Agents: trợ lý bán hàng và agent chăm sóc khách vốn là một cỗ máy, chỉ nhìn từ hai đầu của phễu.

Lifecycle: tuần làm việc đổi ở chỗ nào

Retention đi xa nhất, đơn giản vì công cụ mở cửa trước. Jordan O'Connor bỏ bốn ngày thử kết nối Klaviyo × Claude trên một khách doanh thu hơn 10 triệu USD/năm, và cách anh tóm lại mới là chỗ nên nhớ: model không còn ngồi phân tích tài khoản nữa, nó dựng thẳng bên trong. Bản chép lại được nằm ở bài của Tyler Phillips ngày 21/04/2026: nạp brand guide, tài liệu sản phẩm và link ảnh trên CDN trước đã; nối Klaviyo qua MCP; rồi bảo nó dựng flow bỏ giỏ ba email cho một tệp cụ thể, để nó tự tạo template và gắn đúng flow ID. Lịch cả tháng xong trong chưa tới một tiếng, mỗi campaign chỉ test một biến. Bài Omnisend của Kumud Deepali Rudraraju là bài quảng cáo; chỗ đáng lấy là kết nối MCP giờ có quyền chỉ-đọc, tức là chạy được một bài soát mà không cần đưa quyền ghi vào danh sách khách. Bài tổng kết K:BOS ngày 12/09/2026 của chính O'Connor cho thấy chuyện đó đã thành tính năng bán ra: Klaviyo mở hơn 260 công cụ MCP, agent đẩy một flow lên live mà không ai phải mở app, và phần đoán thời điểm nằm hẳn trong flow — trigger bắn khi khách có khả năng mua lại, thay cho hẹn cứng số ngày. Canh đúng thời điểm gửi là phần không ai ngồi soạn tay được.

Thứ đổi trong tuần làm việc là sản lượng, không phải khả năng phán đoán. Agency của Chase Dimond giao 40 email flow cho khách trong một tuần mà không tuyển thêm retention strategist — "hàng đợi thôi không còn là trần nữa". Chĩa sản lượng đó vào cái flow đang chết, đừng chĩa vào lịch campaign: doanh thu bình quân mỗi lượt gửi của flow kéo khách cũ quay lại là 0,11 USD, trong khi brand làm tử tế thu 5–17 USD Vendor hoặc không nguồn.

Bản demo trên trả lời câu "vì sao retention thấp" bằng cách gom 90 ngày dữ liệu huỷ từ Shopify, Recharge, Klaviyo và Gorgias trong khoảng bốn phút. Số trên màn hình là dữ liệu demo — đọc cái hình, đừng đọc kết quả. Một model dùng chung không làm được việc này, vì như một người chạy email nói, nó "không biết welcome flow của bạn đang chạy tốt còn flow kéo khách cũ thì chết âm thầm". Bài hướng dẫn làm email của Shann Holmberg bắt đầu từ open rate và doanh thu mỗi lượt gửi có thật của tài khoản. Trình tự đó mới là cái nên chép.

Sau khi bán vẫn là phễu

Chăm sóc khách là một bề mặt chốt đơn, chỉ có điều nó hiện ra ở dòng retention. Dr. Squatch được dẫn lại là đã cắt 25% lượt hỏi "đơn tôi tới đâu", với độ chính xác ngày giao 94%, bằng cách đoán trước trục trặc từ dữ liệu vận chuyển thay vì ngồi trả lời (Malik Usman, 07/09/2026) Vendor hoặc không nguồn. Cũng thương hiệu đó khai thác nốt mặt kia của trang: gợi ý sản phẩm đặt thẳng trên trang theo dõi đơn, 31,89% khách bấm vào, quý 1/2026 ghi được 32.978 USD và 766 đơn (Jalpesh Patel, 10/09/2026) Có nguồn, trích lại. Có mẫu số, có kỳ đo — hơn hẳn phần lớn con số trong chương này — nhưng không giữ lại nhóm đối chứng nào, nên nó đo độ lớn của bề mặt chứ chưa đo được phần tăng thêm.

Chặn bớt ticket chưa phải là hết chuyện: chính câu trả lời cũng là chỗ bán được hàng. Agency của Zak Cassady-Dorion để Customer Agent của Klaviyo xử xong yêu cầu sửa địa chỉ rồi gợi ý luôn một món dựa trên chính đơn đó. Anh này kể flow bỏ giỏ tăng khoảng 10% sau khi bỏ mã giảm giá, thay bằng một câu trả lời thật cho "điều gì làm bạn dừng lại?" Vendor hoặc không nguồn. Bài Shopify viết về LifeStraw có số cho cả hai nửa: 75% yêu cầu được giải quyết không cần người, doanh số do agent gợi ý tăng 111% trong 90 ngày Vendor hoặc không nguồn. Tỉ lệ tự giải quyết là con số vendor nào cũng khoe, và là con số không nên nhìn một mình. Từ 25/04/2025 đến 31/01/2026, ecommerce đứng đầu trong 31 nhóm khiếu nại ở tổng đài người tiêu dùng quốc gia Ấn Độ, với 47.743 vụ đòi hoàn tiền — và đằng sau một phần ngày càng lớn trong đó là con bot không chừa lối nào để gặp người thật Có nguồn, trích lại. Đóng ticket nhanh và giải quyết xong việc của khách là hai chuyện khác nhau.

Trên sân của người khác thì còn tệ hơn, và ảnh trên là lời cảnh báo: một nhà bán phản ánh bị tính tiền khi khách bấm vào các câu hỏi gợi ý của trợ lý ngay trên listing của chính mình — 1.815 lượt, 2.941 USD, khoảng 70% không kèm đơn nào. Trên site của mình, bạn định giá một cuộc hội thoại với trợ lý. Trên sàn, người khác định giá hộ.

Merchandising, giá và catalog

AI Toolkit của Shopify đưa hẳn một agent có quyền ghi vào terminal. Bản của Mike Futia là một prompt: đọc catalog, viết lại mô tả, đẩy lên live. Danh sách bảy đầu việc của Edward Deng đi xa hơn: xếp lại collection theo cái gì đang chốt đơn, viết chuỗi email sau mua dựa trên lịch sử đơn. Trong đó có một việc nguy hiểm: câu chữ hối thúc dựa trên tồn kho, để AI tự viết lại, là một lời khẳng định về hàng còn hay hết — nói sai là chuyện khác. Người chạy thật xử chỗ này bằng cách thu hẹp những gì agent được đụng vào. Trong đường ống nhập hàng của Maxim Lazovsky, model chuẩn hoá tên, bóc khối lượng, viết mô tả rồi đổ vào bản nháp Shopify, nhưng SKU, barcode, giá, tồn kho và ID biến thể thì khoá cứng, còn thay đổi bất thường thì tự động treo lại chờ người xem. ELEMIS chia việc y hệt trên Akeneo — agent đề xuất bản sửa kèm tác động dự kiến, người duyệt — và theo họ, một lượt rà soát trước ngày ra mắt rút từ ba tiếng xuống ba mươi phút Vendor hoặc không nguồn.

Đây mới là chỗ kiểm chứng được, và nó nối thẳng về cú xoay feed ở chương 02. Google Merchant Center là sản phẩm đầu tiên của Google mở dữ liệu truy vấn cho AI Overviews và AI Mode, chia theo giai đoạn mua và loại truy vấn; merchant trong ảnh giữ 1,0% share of voice trong khi một đối thủ giữ 8,3%. Đó là con số hành động được mà không cần tin case study của ai. Trên sàn có bản rẻ hơn: bài soát của Ruben Alikhanyan chỉ tốn năm câu hỏi của người mua và mười lăm phút — anh gõ chúng vào Rufus cho SKU chủ lực của một brand doanh thu 4 triệu USD, kết quả là không được trích lần nào. Riêng giá thì chưa có thước nào như vậy: chuyện AI Mode hiện cùng sản phẩm với giá cao hơn 21,6% nên coi là lời nhắc đi soi lại feed của mình, đừng trích lại như một con số — nó là bản tóm tắt lại, còn nghiên cứu gốc không nêu tên đơn vị công bố.

Người bán nên cầm chuyện này thế nào

Phần lớn lời chào hàng quý này trông đúng như tấm ảnh trên: một case study của agency, ba con số phần trăm gọn ghẽ, một brand có tên, không nhóm đối chứng, không mẫu số. Không gian dối, nhưng cũng chưa phải bằng chứng. Thứ không bao giờ có trong bộ slide chào hàng là một dự án bị khai tử. Starbucks cho iPad Pro gắn computer vision đi đếm kho sau quầy suốt chín tháng, rồi dừng chương trình bằng một bản tin nội bộ Có nguồn, trích lại: mặt kệ phản chiếu làm đếm trùng, nhân viên bị kỷ luật vì cái máy đếm sai, còn hệ thống kho bên dưới là AS/400 từ thập niên 1990, không đưa nổi dữ liệu sạch cho nó. Không chỗ nào trong đó là lỗi của model. Chia làm ba rổ.

1. Làm ngay

   Mọi thứ chỉ ra bản nháp để người duyệt, và lùi lại được: soát trang, soát listing, dựng flow và tệp khách qua MCP, viết lại catalog với các trường dính tiền đã khoá, đoán trước trục trặc giao hàng, và gợi ý sản phẩm trên chính những trang mình đã có — bắt đầu từ trang theo dõi đơn. Hỏng nhất là mất một tiếng. Bộ 50 agent vận hành store của Simon Jackson đứng trên tiền đề đúng — "phần lớn là checklist, không phải chuyện cần phán đoán" — và anh kể lượt chạy đầu tiên đã lôi ra 17 SKU chết cùng 2.300 USD rò rỉ vì giảm giá Vendor hoặc không nguồn. Bắt đầu từ đó.

2. Thử, nhưng giữ lại một nhóm đối chứng

   Mọi thứ hứa hẹn doanh thu. Retention là bề mặt duy nhất mà chuyện giữ lại một nhóm đã thành thường lệ; chép thiết kế đo trước, rồi mới tính tới con số. Con số trên trang theo dõi đơn của Dr. Squatch đúng là dạng nên chạy lại kiểu này: có mẫu số, chưa có đối chứng, chỉ cần giữ lại một nhóm là ngã ngũ. Chia 50/50 trong 30 ngày chỉ tốn kiên nhẫn, và đó là cách duy nhất biến case study của người khác thành số của mình.

3. Kệ nó cho tới khi có ai công bố số có đối chứng

   Hiệu quả của trợ lý trên site, mức tăng biên lợi nhuận nhờ AI định giá, và mọi phép so người dùng với người không dùng trong báo cáo này — quý này có thêm hai cái nữa, Loops ở A101 Ekstra, chuyển đổi +83% và Ask Cleo của Constructor, thêm giỏ cao gấp 8–9 lần, cả hai đều đem nhóm khách tự chọn nói chuyện với agent ra so với nhóm không nói. Mua trợ lý để giảm tải chăm sóc khách thì cứ mua nếu bài toán có lãi; đừng mua vì một khoảng cách giữa nhóm tự chọn dùng và nhóm không dùng.

Mốc thời gian

Chỉ lấy sự kiện có ngày mà người bán kiểm chứng được. Số liệu theo quý xếp vào ngày công bố, không xếp vào quý mà nó nói tới.

Thuật ngữ

Chỗ nào hai nguồn trong báo cáo dùng một chữ theo hai nghĩa, mình ghi rõ chỗ vênh.

Agentic commerce (thương mại qua tác nhân AI)

Mua sắm mà phần mềm làm thay người mua: nó tìm, so sánh, gom giỏ hàng, và ở mức mạnh nhất là trả tiền luôn. Các dự báo chênh nhau dữ dội vì mỗi bên vạch ranh giới một chỗ — McKinsey đếm phần tiền mà tác nhân AI điều phối (tới 1.000 tỷ USD ở Mỹ vào 2030), Bain đếm phần tiền tác nhân trực tiếp chốt (300–500 tỷ USD). Đọc con số nào cũng phải hỏi: nó đang đếm cái nào trong hai cái đó.

Traffic từ AI

Lượt truy cập đến từ một bề mặt AI: ChatGPT, AI Mode, Gemini, Perplexity, Copilot. Cách đo không thống nhất: tính theo phần của lượt giới thiệu (Bessemer: 15–20%) hay theo phần của toàn bộ traffic (Bernstein: 0,8–1,4%). Cùng một hiện tượng, hai mẫu số lệch nhau 15 lần.

Lấy dữ liệu từ feed (feed-integrated retrieval)

Trợ lý AI trả lời câu hỏi mua sắm bằng feed sản phẩm có cấu trúc của nhà bán, thay vì đi đọc trang web. Từ 10/07/2026, phần lớn gợi ý của ChatGPT Shopping lấy theo đường này.

GEO / AEO / AI SEO

Tối ưu để được trích dẫn hoặc được gợi ý bên trong câu trả lời AI. Những việc trụ được qua kiểm chứng trong kho bài này đều không hào nhoáng: dữ liệu sản phẩm có cấu trúc và đầy đủ, thực thể rõ ràng, được bên thứ ba nhắc tên. Thứ hạng search giờ dự báo việc được trích dẫn kém hẳn trước — tỉ lệ trích dẫn trong AI Overviews đến từ top 10 rơi từ 76% xuống 38% trong một năm.

UCP · ACP · AP2 · MCP

Phần đường ống. UCP (Universal Commerce Protocol, Google dẫn dắt) và ACP (Agentic Commerce Protocol, OpenAI/Stripe) cho phép tác nhân đọc catalog và đặt đơn; AP2 lo phần cấp quyền thanh toán cho tác nhân; MCP là chuẩn kết nối chung để model gọi được công cụ — chính là chuẩn mà Shopify và Klaviyo mở admin của họ ra ngoài.

Agentic Storefront

Bề mặt Shopify dựng cho traffic từ tác nhân: đẩy catalog đi, chính sách cho tác nhân đọc được, quy đơn hàng về đúng kênh. Cửa hàng đủ điều kiện được bật mặc định; chặn crawler trong robots.txt không ngăn được Catalog đẩy dữ liệu đi.

AI UGC

Creative quảng cáo mang dáng dấp một lời chứng của khách, nhưng do AI dựng chứ không quay. Rẻ tới mức câu hỏi sản xuất đổi từ "làm nổi một cái không" thành "chấm nổi năm mươi cái không" — xem Chương 10.

Holdout (nhóm đối chứng bị giữ lại)

Một phần khách được cố tình không cho nhận thay đổi, để đo xem thay đổi đó tạo ra khác biệt gì. Gần như không thứ gì trong kho bài này có nhóm đối chứng — đó là lý do phần lớn con số ở đây là phép so, không phải mức tăng.

Tự chọn mẫu (self-selection)

Là lý do "người dùng trợ lý chi nhiều hơn 40%" không đồng nghĩa "trợ lý làm tăng 40%". Người chủ động mở trợ lý vốn đã đi xa hơn trong ý định mua. Chương 11 gần như nói về đúng chuyện này.

Thu thập

Ba đợt cào LinkedIn và X trong khoảng 14/03–14/09/2026, với 58 truy vấn phủ mọi mặt trận thương mại: khách tìm ra sản phẩm và AI search, thanh toán qua tác nhân, cá nhân hoá, gợi ý sản phẩm, phễu và CRO, email và SMS, quảng cáo và creative, giá, chăm sóc khách, nội dung sản phẩm, thử đồ ảo, trưng bày hàng, tồn kho, cùng bộ tính năng AI của Shopify. Kết quả là 6.840 bài thô, còn 5.328 bài sau khi bỏ bài đăng lại và bài trùng chữ.

Lọc bài

Không có bộ lọc từ khoá nào quyết định bài nào ở lại. Mỗi bài đều được đọc và trả lời bốn câu: bài có thực sự nói về AI áp dụng vào bán hàng online không; có mang một cách làm, một case hay một con số cụ thể không; có phải crypto, tuyển dụng, quảng bá sự kiện hay chào hàng suông không; và thuộc mặt trận thương mại nào. Crypto bị loại thẳng — 177 bài, nhiều bài mượn đúng từ ngữ "agentic commerce" để bán token. Lạc đề 1.369 bài, quảng cáo bản thân nhạt 442 bài, hype rỗng 339 bài, tuyển dụng 100 bài. Phần còn lại được xếp hạng và lấy 1.000 bài đầu.

Để kiểm lại khâu lọc, 21 kết quả chấm được rút ngẫu nhiên và đọc tay đối chiếu với nội dung bài; cả 21 đều đúng. Đó là mẫu nhỏ. Nó bắt được lỗi thô, không bắt được sai lệch nhẹ.

Sổ dẫn chứng

Mọi con số trong 1.000 bài được tách ra kèm nguồn được nêu, kỳ đo, tập người và mốc so sánh: tổng 711 con số thô. Sau đó gom lại thành 329 fact, vì một con số bốn mươi tài khoản cùng đăng vẫn chỉ là một bằng chứng, không phải bốn mươi. Mỗi fact ghi tổ chức công bố đầu tiên, các bài đã dẫn nó, và một mức tin cậy chấm theo cùng một thước:

• Nguồn gốc / nghiên cứu công ty tự công bố có nêu tên (buổi báo cáo kết quả, bản công bố dữ liệu chính thức, tài liệu sản phẩm), hoặc hãng nghiên cứu / khảo sát có nêu tên kèm cách đo và cỡ mẫu.
• Có nguồn, trích lại nguồn có tên nhưng bài chỉ thuật lại, hoặc là case của agency / nhà bán có số cụ thể nhưng chưa ai kiểm độc lập.
• Vendor hoặc không nguồn số do vendor tự công bố lúc ra mắt hay trong tài liệu bán hàng, chuyện kể cá nhân, hoặc số không ghi nguồn nào.

Chỗ nào các fact đá nhau thì giữ cả hai và nối lại với nhau, kèm lý do vì sao khác: khác quý, khác mốc so, khác tập người, hoặc trích sai. Có 99 fact mang liên kết kiểu này.

Hình ảnh

Mọi ảnh đính kèm trong các bài được giữ đều được mở ra xem và phân loại — 1.099 ảnh — rồi 382 ảnh có khả năng dùng được đem soi lại theo năm phép: ảnh có chứa thông tin thật không, in ra còn đọc được không, số trong ảnh có nguồn và có khớp với bài không, đây là ảnh chụp thật hay ảnh dựng, và có phải bản yếu của một ảnh khác không. Còn lại 161 ảnh. Những ảnh hoá ra là hình minh hoạ do AI vẽ kèm số bịa đều bị loại, cùng với các biểu đồ mà chú thích chữ mâu thuẫn với chính phần vẽ.

Đợt hai: kho bài agentic commerce (Chương 12–13a)

Ba chương 12, 13 và 13a dựng sau, từ một đợt cào riêng ngày 14/09/2026, vì ở kho đầu agentic commerce chỉ là một bề mặt trong mười lăm bề mặt, mà chủ đề này thì đã lớn hơn phần chia đó. Ba lượt cào LinkedIn và X mang về 11.908 mục thô, còn 9.105 bài sau khi bỏ trùng. Chia làm hai nhóm: bài mà chính chữ của nó có cụm "agentic commerce", và bài không có cụm đó nhưng thuật lại một động thái cụ thể của nền tảng lớn trong mua sắm bằng AI, thanh toán qua agent hoặc công cụ AI cho nhà bán. Chỉ xét bài có kèm ít nhất một ảnh, nên còn 3.780 ứng viên.

Số ứng viên đó được đọc từng bài một — 2.728 bài — và chấm theo hai trục: bài hoặc tác giả có đang quảng bá crypto không, và bài có bàn thực chất về agentic commerce hay chỉ quẹt qua. 249 bài bị loại vì crypto, 587 bài bị loại vì chỉ nhắc lướt (tin tuyển dụng, quảng bá sự kiện, nhồi hashtag, bàn giá cổ phiếu, và một họ bài rất đông theo khuôn "tôi dựng store bằng Claude trong một giờ"). Phần còn lại được xếp hạng rồi cắt lấy 1.500 bài: mỗi mạng 500 bài có cụm từ và 250 bài động thái nền tảng.

Toàn bộ 1.840 ảnh đính kèm được mở ra xem và phân loại từng tấm; 1.032 tấm có đủ thông tin đọc được để dùng, và 31 tấm được in trong ba chương này. Câu trích trong ba chương được máy đối chiếu lại với chữ trong bài gốc: 26 câu hoá ra là diễn giải chứ không phải nguyên văn nên bị trả về viết lại, và một nhận định mang con số không có trong bài được dẫn thì bị gỡ hẳn.

Hai điểm khác với đợt đầu cần nói thẳng. Crypto bị loại gắt hơn nhiều, vì trên X khoảng một phần ba số bài dùng cụm từ này là để bán token — luật gắt đó cũng khiến kho mất vài bài hợp lệ mà tác giả đang làm ở công ty thanh toán gốc crypto. Và số bài theo tháng trong kho thứ hai này không đọc được thành khối lượng thị trường: lượt cào X lấy bài nổi nhất mỗi tháng còn lượt cào LinkedIn xếp theo độ liên quan, nên hình dạng biểu đồ phản ánh cách lấy mẫu chứ không phản ánh thị trường.

Cách làm này không làm được gì

• Nó đo lời bàn, không đo thị trường. Kho bài thiên về người hay đăng: vendor, agency, nhà tư vấn, người có thứ để bán. Người làm thật mà ít nói thì không có mặt.
• Nó lấy tiếng Anh làm gốc. Bài tiếng khác vẫn được giữ nếu đúng chủ đề, nhưng truy vấn là tiếng Anh, nên phần Trung Quốc, Nhật, Hàn và Đông Nam Á còn mỏng.
• Nó không kiểm chứng được số do chính công ty công bố. Khi Walmart nói người dùng trợ lý chi nhiều hơn 40%, báo cáo này ghi lại ai nói, nói khi nào, và đang so với cái gì. Nó không kiểm toán được con số đó.
• Sáu tháng là ngắn. Vài phát hiện mạnh nhất — cú chuyển sang feed hồi tháng Bảy, quảng cáo dọn vào câu trả lời — mới xảy ra được vài tuần tính đến lúc xuất bản và có thể không giữ nguyên.

Công cụ

Khâu thu thập chạy qua các actor Apify cho LinkedIn và X. Toàn bộ khâu lọc bài, tách số, phân loại ảnh và viết do Claude (Opus 5) làm theo đúng các quy tắc trên, kết quả được đối chiếu lại với bài gốc. Hai bản ngôn ngữ viết độc lập từ cùng một sổ dẫn chứng, không dịch qua lại.

Sổ dẫn chứng

Toàn bộ fact từ nguồn gốc và hãng nghiên cứu đã dùng trong báo cáo, kèm nguồn, kỳ đo, số bài từng dẫn, và một đường dẫn tới bài.