Examining Users' Behavioural Intention to Use OpenClaw Through the Cognition--Affect--Conation Framework

Este estudio analiza la intención conductual de los usuarios hacia OpenClaw mediante el marco Cognición-Afecto-Conación, revelando que las percepciones positivas fortalecen la actitud y la intención de uso, mientras que las negativas generan desconfianza y reducen la adopción del agente autónomo.

Lo esencial

¡Hola! Imagina que acabas de conocer a un nuevo asistente digital llamado OpenClaw. No es un simple chatbot que solo responde preguntas; es como un "robot de acción" que puede abrir archivos, enviar correos, navegar por internet y hacer tareas complejas por ti.

Este estudio de investigación quiere responder a una pregunta sencilla: ¿Por qué la gente decide usar (o no usar) a este robot?

Para entenderlo, los investigadores usaron una receta mental llamada Cognición-Afecto-Conación. Piensa en esto como un proceso de tres pasos que ocurre en tu cerebro cuando conoces algo nuevo:

1. Cognición (Pensar): "¿Qué pienso de esto?" (Mis creencias).
2. Afecto (Sentir): "¿Cómo me hace sentir?" (Mis emociones).
3. Conación (Actuar): "¿Qué voy a hacer al respecto?" (Mi intención de usarlo).

Aquí te explico los hallazgos con analogías de la vida real:

1. Lo que nos hace amar al robot (Los "Factores Habilitadores")

Imagina que OpenClaw es un nuevo empleado en tu oficina. Para que te caiga bien y quieras trabajar con él, necesita tener tres cualidades:

• Personalización (Saber quién eres): Si el robot se adapta a tus gustos, como un barista que sabe exactamente cómo te gusta tu café sin que se lo pidas, te sientes especial. El estudio dice que cuando OpenClaw se siente "hecho a tu medida", te gusta más.
• Inteligencia (Ser listo): Si el robot entiende lo que quieres y no comete tonterías, confías en él. Es como tener un copiloto que sabe conducir mejor que tú. Si parece inteligente, tu actitud hacia él mejora.
• Ventaja Relativa (Hacerlo mejor): Si este robot hace el trabajo más rápido y fácil que tus herramientas actuales (como cambiar de un martillo viejo a un taladro eléctrico), te sientes atraído por él.

El resultado: Cuando piensas que es personalizado, inteligente y útil, te sientes bien (tienes una actitud positiva). Y cuando te sientes bien, quieres usarlo.

2. Lo que nos asusta del robot (Los "Factores Inhibidores")

Ahora, imagina que ese mismo empleado tiene algunos comportamientos que te ponen nervioso. Estos son los "frenos" que nos detienen:

• Preocupación por la privacidad (El espía): Si sientes que el robot está leyendo tus cartas privadas o guardando tus secretos, te pones a la defensiva. Es como dejar que un extraño revise tu diario.
• Opacidad Algorítmica (La caja negra): Si el robot toma decisiones pero no te explica por qué lo hizo, es como un mago que hace trucos sin decirte cómo. No sabes si es magia o si te está estafando. Esa falta de transparencia genera desconfianza.
• Riesgo Percibido (El peligro): Si crees que el robot podría borrar tus archivos por error o hacer algo peligroso, sientes miedo. Es como dejar las llaves de tu coche en manos de un niño.

El resultado: Cuando piensas en estos riesgos, desconfías del robot. Y cuando desconfías, no quieres usarlo, aunque sea muy inteligente.

3. La Gran Conclusión: El Puente entre Pensar y Hacer

El estudio descubrió algo muy importante: No es solo lo que piensas lo que decide si usas el robot, sino cómo te hace sentir.

• Si piensas que es genial (Cognición), te sientes feliz y entusiasta (Afecto), y entonces decides usarlo (Conación).
• Si piensas que es peligroso o secreto (Cognición), te sientes inseguro y desconfiado (Afecto), y entonces decides dejarlo de lado (Conación).

En resumen:
Para que la gente adopte estos nuevos "robots de acción" como OpenClaw, los creadores deben hacer dos cosas:

1. Hacerlos más útiles y personalizados (para que nos encanten).
2. Hacerlos más transparentes y seguros (para que no nos asusten).

Es como construir un puente: necesitas buenos cimientos (seguridad y transparencia) para que la gente se atreva a cruzar hacia el otro lado (la adopción de la tecnología). Si el puente parece inestable, nadie cruzará, por muy bonito que sea el paisaje al otro lado.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo de investigación en español, estructurado según los componentes solicitados:

Resumen Técnico: Intención Conductual de Uso de OpenClaw a través del Marco Cognición–Afecto–Conación

1. Planteamiento del Problema

El estudio aborda la adopción de OpenClaw, un marco de código abierto para agentes de IA autónomos diseñado para ejecutar tareas reales (gestión de archivos, APIs, comandos del sistema) en lugar de limitarse a generar texto conversacional. A diferencia de los asistentes conversacionales tradicionales, estos agentes operan con un alto grado de autonomía, lo que introduce desafíos únicos en la interacción humano-IA.

El problema central radica en la falta de evidencia empírica sobre cómo los usuarios evalúan y aceptan estos agentes de IA autónomos. La literatura previa se ha centrado en la IA conversacional, pero no ha explorado suficientemente los factores psicológicos que impulsan o inhiben la adopción de sistemas que toman acciones independientes. El estudio busca identificar los determinantes cognitivos y afectivos que moldean la intención conductual de los usuarios hacia OpenClaw, considerando tanto los facilitadores (ventajas funcionales) como los inhibidores (riesgos de seguridad y privacidad).

2. Metodología

La investigación emplea un enfoque cuantitativo basado en el marco teórico Cognición–Afecto–Conación (CAC), que postula que las intenciones conductuales surgen de una secuencia: evaluaciones cognitivas $\rightarrow$ reacciones afectivas $\rightarrow$ intención de acción.

• Muestra: Se recolectaron datos mediante una encuesta en línea a través de la plataforma Credamo y comunidades de herramientas de IA. Tras filtrar respuestas incompletas, se analizaron 436 cuestionarios válidos de usuarios que ya habían utilizado OpenClaw. La muestra estaba compuesta mayoritariamente por hombres (63.3%), con edades entre 18 y 29 años (53.2%) y un alto nivel educativo (59.2% con posgrado).
• Instrumento: Se utilizaron ítems adaptados de literatura establecida en sistemas de información, medidos en una escala Likert de 5 puntos.
  • Variables Cognitivas (Enabling): Personalización percibida, Inteligencia percibida, Ventaja relativa.
  • Variables Cognitivas (Inhibiting): Preocupación por la privacidad, Opacidad algorítmica, Riesgo percibido.
  • Variables Afectivas: Actitud (positiva) y Desconfianza (negativa).
  • Variable Dependiente: Intención Conductual de uso.
• Análisis de Datos: Se aplicó un Modelo de Ecuaciones Estructurales (SEM) para probar las hipótesis, evaluar la validez del modelo de medición (análisis factorial confirmatorio, fiabilidad, validez convergente y discriminante) y estimar las relaciones estructurales.

3. Contribuciones Clave

• Aplicación del Marco CAC a Agentes Autónomos: Es uno de los primeros estudios que aplica el modelo Cognición–Afecto–Conación específicamente a la adopción de agentes de IA que ejecutan acciones en el mundo real, diferenciándolos de los chatbots pasivos.
• Modelo Dual de Factores: Integra simultáneamente factores facilitadores (que generan actitudes positivas) e inhibidores (que generan desconfianza) en un solo modelo estructural, ofreciendo una visión más matizada que los modelos tradicionales de aceptación tecnológica (como TAM) que a menudo se centran solo en la utilidad percibida.
• Mecanismos Psicológicos: Desglosa cómo las percepciones técnicas (como la opacidad o la personalización) se traducen en respuestas emocionales (actitud o desconfianza) antes de influir en la intención de uso.

4. Resultados Principales

El modelo estructural mostró un ajuste adecuado a los datos ($\chi^2/df = 2.26$, CFI = 0.93, RMSEA = 0.054). Los hallazgos estadísticos apoyaron todas las hipótesis planteadas:

A. Ruta de la Adopción (Factores Positivos):

• Actitud $\rightarrow$ Intención: La actitud favorable tiene un efecto positivo significativo sobre la intención de uso ($\beta = 0.49, p < .001$).
• Cognición $\rightarrow$ Actitud: Tres factores cognitivos impulsan la actitud positiva:
  • Ventaja Relativa: Es el predictor más fuerte ($\beta = 0.32$). Los usuarios valoran la mejora en eficiencia y productividad.
  • Inteligencia Percibida: La capacidad del agente para entender y decidir correctamente influye positivamente ($\beta = 0.27$).
  • Personalización Percibida: La adaptación a necesidades individuales también fomenta una actitud favorable ($\beta = 0.21$).

B. Ruta de la Resistencia (Factores Negativos):

• Desconfianza $\rightarrow$ Intención: La desconfianza tiene un efecto negativo significativo sobre la intención de uso ($\beta = -0.22, p < .01$).
• Cognición $\rightarrow$ Desconfianza: Tres factores cognitivos aumentan la desconfianza:
  • Riesgo Percibido: Es el factor más influyente en la desconfianza ($\beta = 0.28$). El miedo a errores o consecuencias no deseadas es crítico.
  • Preocupación por la Privacidad: La gestión de datos personales genera desconfianza ($\beta = 0.24$).
  • Opacidad Algorítmica: La falta de transparencia en cómo el agente toma decisiones contribuye a la desconfianza ($\beta = 0.19$).

5. Significado e Implicaciones

• Teóricas: El estudio valida que la adopción de IA autónoma no es un proceso lineal simple, sino que está mediado por una tensión entre la atracción hacia las capacidades del sistema (personalización, inteligencia) y la repulsión hacia sus riesgos inherentes (privacidad, opacidad). Confirma que la "desconfianza" es un constructo afectivo distinto y crucial, no simplemente la ausencia de confianza.
• Prácticas (Diseño y Desarrollo):
  • Para fomentar la adopción, los desarrolladores deben priorizar la transparencia explicativa (reduciendo la opacidad) y fortalecer los mecanismos de protección de datos.
  • La comunicación de la ventaja relativa (eficiencia, automatización de flujos complejos) es vital para generar actitudes positivas.
  • Es necesario diseñar interfaces que mitiguen el riesgo percibido, permitiendo a los usuarios mantener el control sobre las acciones autónomas del agente.

En conclusión, el estudio demuestra que para que tecnologías como OpenClaw sean adoptadas masivamente, deben equilibrar la innovación funcional con la gestión proactiva de la confianza, abordando tanto la capacidad del sistema como la seguridad y la ética de su operación.