Behavioral Pathways Behind Students’ Willingness to Pay for GenAI in Higher Education

Resumen Técnico: Vías de Comportamiento detrás de la Disposición de los Estudiantes a Pagar por la IA Generativa en la Educación Superior

Planteamiento del Problema
Si bien la Inteligencia Artificial Generativa (IA Gen) se está integrando rápidamente en la educación superior, la literatura existente se centra predominantemente en las intenciones de uso o en la adopción autoinformada. Estas métricas no logran capturar la profundidad del compromiso del estudiante, particularmente en lo que respecta a la inversión financiera. A diferencia de las tecnologías con licencia institucional (por ejemplo, los Sistemas de Gestión de Aprendizaje) o las herramientas complementarias, la IA Gen ocupa un espacio ambiguo caracterizado por la adaptabilidad generativa, la opacidad algorítmica y los ecosistemas de doble nivel (gratuito frente a premium). En consecuencia, existe una brecha crítica en la comprensión de los mecanismos que traducen las percepciones de los estudiantes sobre la IA Gen en una disposición a pagar (WTP, por sus siglas en inglés). Este estudio aborda la falta de evidencia sistemática sobre cómo los estudiantes evalúan el valor económico de las herramientas de IA Gen y si sus intenciones de comportamiento para usar estas herramientas se traducen en un compromiso financiero real.

Metodología
El estudio emplea un diseño cuantitativo de corte transversal utilizando el Modelo de Aceptación de la Tecnología (TAM) extendido para incluir resultados económicos.

• Muestra: Los datos se recolectaron mediante una encuesta en línea a 121 estudiantes de pregrado de una gran universidad pública en los Estados Unidos. La muestra incluyó una mayoría de participantes mujeres (72.7%) con una edad media de 20.78 años. La mayoría de los participantes (93.4%) tenía experiencia previa con la IA Gen, principalmente ChatGPT.
• Instrumento: La encuesta midió cuatro constructos latentes basados en el TAM: Percepción de Facilidad de Uso (PEU), Percepción de Utilidad (PU), Intención de Comportamiento (BI) y Disposición a Pagar (WTP). El PEU, el PU y el BI se midieron utilizando escalas Likert de 5 puntos de múltiples ítems adaptadas de la literatura previa. El WTP se midió como un valor monetario concreto de ítem único (USD mensuales), planteado como la cantidad máxima que los estudiantes pagarían si se eliminara el acceso gratuito.
• Análisis: Los datos fueron analizados mediante el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM). Este enfoque fue seleccionado por su idoneidad en el modelado predictivo y su capacidad para manejar vías de mediación complejas con el tamaño de la muestra dado. El análisis evaluó la confiabilidad del indicador, la consistencia interna, la validez convergente y la validez discriminante (usando los criterios de Fornell-Larcker y las razones HTMT) antes de probar el modelo estructural mediante bootstrapping (5,000 remuestreos).

Resultados Clave
El análisis del modelo estructural arrojó hallazgos significativos que respaldan las hipótesis propuestas:

1. Efectos Directos:
   • PEU $\to$ PU: La percepción de facilidad de uso predijo de manera positiva y significativa la percepción de utilidad ($\beta = 0.61, p < .01$).
   • PU $\to$ BI: La percepción de utilidad predijo fuertemente la intención de comportamiento de usar la IA Gen ($\beta = 0.73, p < .01$).
   • BI $\to$ WTP: La intención de comportamiento predijo positivamente la disposición a pagar ($\beta = 0.45, p < .01$).
2. Efectos de Mediación:
   • El estudio confirmó que el PEU no influye directamente en el WTP. En cambio, su efecto está totalmente mediado a través del PU y el BI.
   • H4: El PU media la relación entre el PEU y el BI.
   • H5: El BI media la relación entre el PU y el WTP.
   • H6: Existe una vía de mediación serial donde el PEU influye en el WTP a través de la cadena de PU y BI ($\beta = 0.20, p < .01$).
3. Ajuste del Modelo y Poder Explicativo:
   • El modelo demostró un buen ajuste (SRMR = 0.062).
   • El PEU explicó el 35.2% de la varianza del PU.
   • El PU explicó el 53.4% de la varianza del BI.
   • El BI explicó el 20.4% de la varianza del WTP.
   • Todos los constructos endógenos mostraron relevancia predictiva positiva ($Q^2 > 0$).
4. Hallazgos Descriptivos:
   • A pesar de las altas tasas de uso, solo el 43% de los participantes expresó una disposición a pagar.
   • El WTP medio fue de $5.71 por mes, significativamente inferior al costo acumulado de las versiones premium de herramientas comunes (por ejemplo, ChatGPT Plus, Grammarly, Copilot), lo que indica una dependencia de los niveles gratuitos o de subsidios institucionales.

Contribuciones Clave

• Extensión Teórica: El estudio extiende el Modelo de Aceptación de la Tecnología (TAM) al incorporar la Disposición a Pagar como un resultado conductual derivado en el contexto de la IA Gen. Valida la lógica secuencial del TAM (PEU $\to$ PU $\to$ BI $\to$ WTP) incluso cuando el resultado cambia de la adopción al compromiso económico.
• Clarificación de Mecanismos: Elucidar que la facilidad de uso por sí sola es insuficiente para impulsar el pago; primero debe mejorar las percepciones de utilidad, lo que luego fomenta la intención de comportamiento, conduciendo finalmente al compromiso financiero.
• Evidencia Empírica: Proporciona uno de los primeros exámenes empíricos de la brecha entre el uso de la IA Gen y la disposición de pago en la educación superior, destacando las dinidades económicas específicas de los ecosistemas de IA de doble nivel.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos ofrecen una guía crítica para las universidades, los proveedores de servicios de IA y los desarrolladores con respecto a las políticas de precios y gobernanza.

• Para las Instituciones: Los resultados sugieren que las suscripciones institucionales deben negociarse antes de que los estudiantes desarrollen dependencias de pago individuales. Depender de que los estudiantes paguen individualmente tras la adopción puede fallar debido al bajo WTP y al "efecto de anclaje" del acceso gratuito. Además, las instituciones deben proporcionar directrices claras sobre el uso ético, ya que los marcos de uso responsable pueden influir en la decisión de pagar por versiones premium y confiables.
• Para los Desarrolladores: Los modelos de precios deben alinearse con las realidades económicas de los estudiantes. El estudio indica que los estudiantes están dispuestos a pagar solo cuando las herramientas demuestran un valor académico claro y sostenido que justifique el costo más allá de las alternativas gratuitas. Son necesarias mejoras en la precisión, la personalización y la integración del flujo de trabajo para convertir la intención de uso en pago.
• Implicaciones de Equidad: Los autores advierten que, sin una acción institucional deliberada para abordar la desalineación de precios, la transición a las funciones de pago de la IA Gen corre el riesgo de ampliar las desigualdades educativas, ya que los niveles gratuitos pueden estancarse mientras que las capacidades premium ofrecen un soporte de aprendizaje superior.

El estudio concluye que, si bien el TAM sigue siendo un marco robusto para comprender la adopción de la IA Gen, las características únicas de la IA Gen (generatividad, opacidad y acceso de doble nivel) requieren intervenciones de política específicas para asegurar un acceso equitativo y una adopción sostenible.