The Effects of Perceived Usefulness and Perceived Ease of Use on the Purchase Intention of the Artificial Intelligence Services of Employees in Northeast of Thailand
Keywords:
Perceived usefulness, Perceived ease of use, Purchase intention, Generative AIAbstract
This study aimed to: 1) analyze the direct effects of perceived usefulness and perceived ease of use on the purchase intention of employed individuals in the northeastern region of Thailand toward generative artificial intelligence services, and 2) examine the indirect effects of e-service quality, trust, and enjoyment on purchase intention through the mediating variables of perceived usefulness and perceived ease of use. The sample consisted of 260 employed individuals in Nakhon Ratchasima and Khon Kaen who were interested in or had used generative artificial intelligence services at least once. A multistage sampling technique was employed, and data were collected using a questionnaire and analyzed using structural equation modeling.
The results showed that the proposed model demonstrated a good fit with the empirical data (= 258.45,
/df = 244, p-value = 0.25,= 1.06, CFI = 1.00, NFI = 0.95, GFI = 0.93, TLI = 1.00, AGFI = 0.90 RMSEA = 0.02, RMR = 0.02). Perceived usefulness (
= 0.71) and perceived ease of use (
= 0.35) had significant positive direct effects on purchase intention. Additionally, e-service quality and enjoyment indirectly influenced purchase intention through the mediating roles of perceived usefulness and perceived ease of use. These findings suggest that providers of generative artificial intelligence services should enhance system quality to strengthen users’ perceptions of usefulness and ease of use, as well as create enjoyable user experiences to support long-term commercial.
References
กรมการปกครอง กระทรวงมหาดไทย. (2567). ข้อมูลประชากร วัยทำงาน จำแนกรายเพศ แบ่งตามช่วงอายุ วัยทำงานตอนต้น/ ตอนกลาง/ตอนปลาย. กรมการปกครอง. https://dashboard.anamai.moph.go.th/population/pop-workingage
กระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัยและนวัตกรรม และกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม. (2565). แผนปฏิบัติการด้าน ปัญญาประดิษฐ์แห่งชาติเพื่อการพัฒนาประเทศไทย (พ.ศ.2565–2570). https://ai.in.th/about-ai-thailand/
กระทรวงแรงงาน. (2568). นโยบาย/ วิสัยทัศน์/ พันธกิจ. กระทรวงแรงงาน. https://www.mol.go.th/แนะนำกระทรวงแรงงาน/policy_vision_mission
จิรนันท์ แสงเรือง, วัชรพงศ์ อยู่ขวัญ, กฤษณะ ชินสาร, และครรชิต มาลัยวงศ์. (2567). พัฒนาการของปัญญาประดิษฐ์ในประเทศไทย. จุลสารสำนักวิทยาศาสตร์ ราชบัณฑิตยสภา, 3(2), น.43-49.
ณัฐฐา ถิรโสภี และชัยวัฒน์ อุตตมากร. (2562). ปัจจัยที่มีอิทธิพลต่อความตั้งใจเชิงพฤติกรรมในการใช้เทคโนโลยีเว็บพอร์ทัลของการเรียนการสอนในระบบเปิด Thai MOOC. วารสารมหาวิทยาลัยศิลปากร, 39(5), 96-116.
บิวณิชา พุทธเกิด. (2565). ผลกระทบของคุณภาพบริการอิเล็กทรอนิกส์และความไว้วางใจต่อการรับรู้ประโยชน์ในการซื้อสินค้า ออนไลน์ในประเทศไทยผ่านช่องทางอิเล็กทรอนิกส์มาร์เก็ตเพลส. วารสารปัญญาภิวัฒน์, 14(1), 12-23.
บีดีโอ กรุงเทพ จำกัด. (2563). คนไทย 73.84% ใช้ AI ในชีวิตประจำวัน ยิ่งรายได้สูง ยิ่งใช้ AI เยอะ. บีดีโอ กรุงเทพ จำกัด. https://www.uni.net.th/index.php/uncategorized/8012/
ประพันธ์ วงศ์บางโพ. (2566). ความตั้งใจซื้อและบุพปัจจัยที่มีผลต่อการซื้อสินค้าออนไลน์ของผู้บริโภคกลุ่ม Silver Generation ในเขตกรุงเทพมหานคร. วารสารดุษฎีบัณฑิตทางสังคมศาสตร์, 13(2), 542-556.
ปาริชาติ ปัญญาประชุม และกาญจนา หินเธาว. (2565). การยอมรับเทคโนโลยีและพฤติกรรมผู้บริโภคออนไลน์ที่มีผลต่อการตัดสินใจ ซื้อกาแฟเพื่อสุขภาพแบบออนไลน์ของกลุ่ม Gen X ในประเทศไทย. วารสารมหาวิทยาลัยภาคตะวันออกเฉียงเหนือ, 12(4), 225-237.
พิสิฐ ทางธนกุล. (2567). PwC ประเทศไทย ชี้พนักงานขาดทักษะเป็นอุปสรรคสำคัญในการนำ AI มาใช้กับธุรกิจ. ThaiPR. https://www.ryt9.com/s/prg/3521665
วรรณิดา กอเงินกลาง, ศรัณย์ธร ศศิธนากรแก้ว, และภานนท์ คุ้มสุภา. (2567). ปัจจัยที่มีอิทธิพลต่อการยอมรับและพฤติกรรมการใช้ งานปัญญาประดิษฐ์แชทจีพีทีอย่างต่อเนื่อง. วารสารมหาจุฬานาครทรรศน์, 11(2), 120-129.
สปริงนิวส์ คอร์ปอเรชั่น จำกัด (2567). 10 อันดับ Gen AI ทั้ง Web และ Mobile App ปัญญาประดิษฐ์ตัวไหนฮิต ปี 2024. https://www.springnews.co.th/digital-tech/technology/848651
สุมนา บุษบก, ณัฐพร เพ็ชรพงษ์ และจีรนุช สิงโตแก้ว. (2563). การพัฒนาแอปพลิเคชัน Chatbot สำหรับงานบริการนักศึกษา กรณีศึกษากองพัฒนา นักศึกษา มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ. วารสารมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ, 19(2), 85-94.
สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์. (2564). ปัญญาประดิษฐ์ในการให้บริการของภาครัฐ. https://www.etda.or.th/th/Useful- Resource/Knowledge-Sharing/Articles/AI-in-Government-Services.aspx
สำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ. (2566) รายงานประจำปี 2566. https://www.mhesi.go.th/images/THANWARAT/เอกสารเผยเเพร่ภายนอก/รายงานประจำปี_2566_ของสำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ.pdf
อังคาร คะชาวังศรี, อนพัทย์ พัฒนวงศ์วรัณ และวรลักษณ์ เขียวมีส่วน (2568). แนวทางการประยุกต์ใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ เพื่อการสร้างความได้เปรียบทางการแข่งขันในธุรกิจพาณิชอิเล็กทรอนิกส์. วิทยาการจัดการวไลยอลงกรณ์ปริทัศน์, 6(1), 1-22.
Abdalla, R. A. M. (2024). Examining awareness, social influence, and perceived enjoyment in the TAM framework as determinants of ChatGPT: Personalization as a moderator. Journal of Open Innovation, Technology, Market, and Complexity, 10(3), 1-11.
Al Shamsi, J. H., Al-Emran, M., & Shaalan, K. (2022). Understanding key drivers affecting students’ use of artificial intelligence-based voice assistants. Education and Information Technologies, 27, 8071–8091.
Arora, S., & Babu Damarla, R. (2025). A review on generative AI‑powered talent management, employee engagement and retention strategies: Applications, benefits, and challenges. Procedia Computer Science, 260, 683-691.
Athapaththu, J. C., & Kulathunga, K. (2018). Factors affecting online purchase intention: Effects of technology and social commerce. International Business Research, 11(10), 111-128.
Browne, W. S., Anita, E., & Cudeck, R. (1993). Alternative ways of asses fit. In K.AA. Bollen and J. S. Long (Eds.), Testing structural equation models. (pp. 136-162). Sage.
Carol, K., & Joe, P. (2009). The web experience: Trends in eService. Cranfield School of Management.
Chen, S., & Ye, J. (2023). Understanding consumers’ intentions to purchase smart clothing using PLS-SEM and fsQCA. Plos One, 18(9), 1-25.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13, 319-340.
Davis, F., Bagozzi, R., & Warshaw, P. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management Science, 35, 982-1003.
Fakhri, M. M., Fadhilatunisa, D., Yuanita, B., Nur Rahmah Sari, & Rosidah. (2022). The use of the extended Technology Acceptance Model (TAM) to measure behavioral intention users of Zahir accounting software. Assets: Jurnal Ekonomi, Manajemen dan Akuntansi, 12(1), 107–123.
Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2023). Generative AI. Bus Inf Syst Eng, 66(1), 111-126.
Foster, G. M. (1973). Tradition Societies and Technological Change. Harper and Row Publishers.
Gefen, D., Karahanna, E., & Straub, D. W. (2003). Inexperience and experience with online stores: the importance of TAM and trust. IEEE Transactions on Engineering Management, 50(3), pp.307-321.
George, D., & Mallery, P. (2003). SPSS for windows step by step: A Simple Guide and Reference (4th ed.). Allyn & Bacon.
Gillespie, N., Lockey, S., Curtis, C., Pool, J., & Akbari, N. A. (2023). Trust in artificial intelligence: A global study. The University of Queensland and KPMG Australia.
Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (2025). Trust, attitudes and use of artificial intelligence: A global study 2025. The University of Melbourne and KPMG.
Guo, L., & Cai, Y. (2024). An analysis of the impact of text‑based AI chatbot on consumer purchase intentions in online shopping platforms. International Journal of Sociologies and Anthropologies Science Reviews, 4(6), 399-416.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Jerez-Jerez, M. J. (2025). A study of employee attitudes towards AI, its effect on sustainable development goals and non-financial performance in independent hotels. International Journal of Hospitality Management, 124, 1-9.
Johnson, D. S., & Lowe, B. (2015). Emotional support, perceived corporate ownership and skepticism toward out-groups in virtual communities. Journal of Interactive Marketing, 29, 1-10.
Kim, S., & Pysarchik, D. T. (2000). Predicting purchase intentions for uni-national and Binational products. International Journal of Retail & Distribution Management, 28(6), 280-292.
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson.
Lee, V., Park, S., & Lee, D. (2022). The effect of e‑commerce service quality factors on customer satisfaction, purchase intention, and actual purchase in Uzbekistan. Global Business & Finance Review, 27(3), 56-74.
Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant, J. I., & Pechenkina, E. (2023). Generative AI and the future of education: Ragnarök or reformation? A paradoxical perspective from management educators. The International Journal of Management Education, 21(2), 1-13.
Mujiyati, M., & Achyari, D. (2008). The Role of Perceived Enjoyment on Motivating the Internet Use. Benefit: Jurnal Manajemen dan Bisnis, 12(1), 132-145.
Nguyen, C. D. (2024). The Impact of AI Adoption on Consumer Purchase Intention and Marketing Effectiveness in Vietnam’s Online Retail Industry. International of Education, Business and Economics Research (IJEBER), 4(6), 33-59.
Nguyen, T. T., Truong, H. T. T., & Le-Anh, T. (2023). Online purchase intention under the integration of theory of planned behavior and Technology Acceptance Model. SAGE Open, 13(4), 1-16.
Noonpakdee, W. (2024). User Adoption of Generative AI for Government Information Services in Thailand. Rajapark Journal, 18(60), 1-20.
Octavia, A. C. B., & Nugraha, J. (2024). Influence of Enjoyment and Trust on the Use of Artificial Intelligence-based Voice Assistant in Vocational Students Using Technology Acceptance Model (TAM). Journal of Information Technology Education, 4(1), 10-23.
Oluwagbenro, M. B. (2024). Generative AI: definition, concepts, applications, and future prospects. TechRxiv.
Parasuraman, A., Zeithaml, V. A., & Malhotra, A. (2005). E-S-QUAL: A multiple-item scale for assessing electronic service quality. Journal of Service Research, 7(3), 213–233.
Primanda, R., Setyaning, A. N. A., Hidayat, A., & EkaSari, S. R. (2020) The Role of Trust on Perceived Usefulness and Perceived Ease of Use toward Purchase Intention among Yogyakarta’s Students. Jurnal Inovasi Bisnis dan Manajemen Indonesia, 3(3), 316-326.
Reuters. (2025). 2025 Generative AI in Professional Services Report. Thomson Reuters Institute. https://www.thomsonreuterscom/en/reports/2025-generative-ai-in-professional-services-report
Sharma, V., Jangir, K., Gupta, M., & Rupeika-Apoga, R. (2024). Does service quality matter in FinTech payment services? An integrated SERVQUAL and TAM approach. International Journal of Information Management Data Insights, 4(2), 1-16.
Namahoot, K. S. (2024). Adoption and impact of Chat-GPT in Thailand: Analyzing service quality and technology acceptance through a structural equation modeling approach. SSRN. https://ssrn.com/abstract=4898056
Takyar, A. (2025). Creative AI in e-commerce: Use cases, solutions, and implement actions. LeewayHertz. https://www.leewayhertz.com/generative-ai-in-ecommerce/
Tırpan, C. E., & Bakırtaş H. (2020). Technology Acceptance Model 3 in Understanding Employee’s Cloud Computing Technology. Global Business Review, 25(1), 117-136.
Turner, R. C., & Carlson, L. (2003). Indexes of item-objective congruence for multidimensional items. International Journal of Testing, 3(2), 163-171.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
United Nations Development Programme (2019). Using AI to help achieve Sustainable Development Goals. https://www.undp.org/blog/using-ai-help-achieve-sustainable-development-goals
Vasquez L. (2024). Workplace adoption of generative AI. NBER working paper 32966. https://www.nber.org/digest/202412/workplace-adoption-generative-ai
Venkatesh, V., & Davis, F. (2000). A theoretical extension of the Technology Acceptance Model: Four longitudinal field studies. Management Science, 46, 186-204.
Wang, C., Ahmad, S. F., Ayassrah, A. Y. A. B. A., Awwad, E. M., Irshad, M., Ali, Y. A., Al-Razgan, M., Khan, Y., & Han, H. (2023). An empirical evaluation of Technology Acceptance Model for Artificial Intelligence in E-commerce. Heliyon, 9(8), 1-20.
Tilahun, M., Berhan, E., & Tesfaye, M. (2023). Determinants of consumers’ purchase intention on digital business model platform: Evidence from Ethiopia using partial least square structural equation model (PLS-SEM) technique. Journal of Innovation and Entrepreneurship, 12(1), 1-28.
Youn, S.-Y., & Lee, K.-H. (2019). Proposing value-based technology acceptance model: testing on paid mobile media service. Fashion and Textiles, 6(1), 13.
Zhang, Y., Ahmad, A., Azman, N., & Mingxia, W. (2023). The effect of perceived usefulness, perceived ease of use, and social influence toward purchase intention mediated by trust in live streaming platform. Journal of Law and Sustainable Development, 11(9), 1-22.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Interdisciplinary Journal of Buriram Rajabhat University
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ ในการตีพิมพ์บทความ
จะโชว์ตอนที่ ผู้ส่งบทความ ตีพิมพ์ ต้องกด accept
