Artificial Intelligence in Online Shopping and its Impact on Customer Loyalty: An Integration of TAM and TPB

Resumen Técnico: La Inteligencia Artificial en las compras en línea y su impacto en la lealtad del cliente

Planteamiento del problema y brecha de investigación
La rápida integración de la Inteligencia Artificial (IA) en el comercio minorista en línea —que abarca desde motores de recomendación y agentes conversacionales hasta analítica predictiva— ha redefinado el comportamiento del consumidor. Sin embargo, la literatura sigue estando teóricamente desarticulada respecto a los mecanismos específicos mediante los cuales el uso de la IA se traduce en lealtad del cliente a largo plazo, particularmente en mercados emergentes como la India. Los estudios existentes tienden a aislar ya sea la aceptación tecnológica (centrándose en los constructos del TAM) o los antecedentes generales de la lealtad, sin lograr integrar las percepciones específicas de la IA (inteligencia, personalización, interactividad, confianza) en un modelo estructural unificado. Además, la vía cognitiva-actitudinal-volitiva secuencial que vincula las percepciones de la IA con la lealtad a través de la utilidad percibida, la actitud y la intención de compra no ha sido probada empíricamente. Este estudio aborda estas brechas mediante el desarrollo y la validación de un marco integrado del Modelo de Aceptación Tecnológica (TAM) y la Teoría del Comportamiento Planificado (TPB) dentro del contexto del comercio electrónico en la India.

Metodología
El estudio emplea un diseño de encuesta transversal deductivo fundamentado en una postura filosófica post-positivista.

• Recolección de datos: Los datos primarios se recopilaron mediante una encuesta electrónica (Google Forms) entre febrero y abril de 2025. La población objetivo consistió en adultos (18+) en ciudades metropolitanas y no metropolitanas de la India que habían utilizado funciones basadas en IA (recomendaciones, chatbots, asistentes virtuales) al menos dos veces en los tres meses anteriores.
• Muestreo: Se utilizó un método de muestreo no probabilístico por conveniencia estratificado con respecto a los niveles de ciudad y género. De 641 respuestas iniciales, se retuvieron 512 respuestas válidas para el análisis, cumpliendo con los requisitos para el Modelado de Ecuaciones Estructurales Basado en Covarianza (CB-SEM).
• Instrumento: El estudio utilizó escalas reflectivas de múltiples ítems basadas en herramientas previas validadas, medidas en una escala de Likot de siete puntos. El instrumento fue evaluado profesionalmente por seis académicos y un estudio piloto (n=48).
• Análisis: Los datos fueron analizados utilizando IBM AMOS 26. La estrategia analítica siguió un protocolo de dos pasos: (1) Análisis Factorial Confirmatorio (CFA) para evaluar la confiabilidad, la validez convergente (AVE > 0.50) y la validez discriminante (HTMT < 0.85); y (2) Estimación del Modelo Estructural con análisis de mediación por bootstrapping (5,000 remuestreos) para probar efectos indirectos secuenciales. El sesgo de método común se evaluó mediante la prueba de factor único de Harman y un enfoque de factor latente.

Resultados Clave
El modelo estructural demostró índices de ajuste excelentes (CFI = 0.945, TLI = 0.940, RMSEA = 0.042) y explicó el 34.3% de la varianza de la lealtad del cliente directamente, mientras que el modelo integrado explicó el 68.3% de la varianza del constructo de lealtad en su totalidad.

• Antecedentes de la Utilidad Percibida: La inteligencia percibida emergió como el predictor más fuerte de la utilidad percibida ($\beta$ = 0.217), seguida de la confianza impulsada por la IA y la calidad de la personalización. Esto sugiere que los consumidores evalúan la utilidad funcional de la IA principalmente basándose en su capacidad cognitiva para comprender el contexto y aprender las preferencias.
• Antecedentes de la Actitud: La calidad de la personalización, la interactividad percibida, la confianza impulsada por la IA y la utilidad percibida influyeron significativamente en la actitud hacia las compras con IA. Notablemente, la confianza impulsada por la IA fue un predictor robusto de la actitud, lo que indica que la confianza en la integridad del sistema es crucial para formar disposiciones afectivas positivas.
• Predictores de la Intención y la Lealtad: La actitud hacia las compras con IA fue identificada como el predictor más fuerte de la intención de compra ($\beta$ = 0.163) y un fuerte predictor directo de la lealtad del cliente ($\beta$ = 0.335). La intención de compra también influyó significativamente en la lealtad.
• Mediación Secuencial: El análisis de bootstrapping confirmó la cadena de mediación secuencial hipotetizada: Antecedentes de la IA $\rightarrow$ Utilidad Percibida $\rightarrow$ Actitud hacia las Compras con IA $\rightarrow$ Intención de Compra $\rightarrow$ Lealtad del Cliente. Las vías específicas, tales como Inteligencia Percibida $\rightarrow$ Utilidad Percibida $\rightarrow$ Actitud $\rightarrow$ Intención $\rightarrow$ Lealtad, fueron estadísticamente significativas. El estudio valida que tanto la utilidad percibida como la actitud actúan como mediadores secuenciales necesarios en lugar de factores aislados.

Contribuciones Clave
El artículo reclama cuatro contribuciones teóricas primarias:

1. Modelo de Antecedentes Multidimensional: Extiende el díada tradicional del TAM (utilidad/facilidad de uso) al introducir y validar un modelo de antecedentes de IA de cuatro dimensiones (Inteligencia Percibida, Calidad de la Personalización, Interactividad Percibida y Confianza Impulsada por la IA) específico para las interacciones minoristas.
2. Arquitectura Secuencial TAM-TPB: Proporciona la primera prueba empírica de una arquitectura de mediación secuencial en un contexto minorista mediado por IA, resolviendo la ambigüedad sobre el orden de los mediadores cognitivos (utilidad) y actitudinales (actitud) en la formación de la lealtad.
3. Papel Pivotal de la Actitud: El estudio identifica la "Actitud hacia las Compras con IA" como el mediador pivotal, demostrando que es más próxima a la formación de la lealtad que la utilidad percibida o la intención de compra de forma individual.
4. Sensibilidad Contextual: Al situar el modelo en la India, la investigación contribuye con conocimiento contextualmente sensible a una literatura dominada por muestras occidentales y de Asia Oriental, documentando los mecanismos de IA-lealtad en un mercado emergente de alta incertidencia, orientado a dispositivos móviles y sensible al precio.

Significancia y Afirmaciones
Los autores afirman que el estudio ofrece una base teórica validada para futuras investigaciones sobre la relación IA-lealtad en diversos entornos culturales. Prácticamente, los hallazgos sugieren que los desarrolladores de plataformas y los especialistas en marketing deben priorizar la inversión en la sofisticación cognitiva de la IA (para impulsar la utilidad percibida) y en la calidad relacional de las interacciones (transparencia, explicabilidad e interactividad) para fomentar actitudes positivas. El artículo concluye que, en contextos mediados por IA, la lealtad del cliente se moldea principalmente por factores cognitivos y actitudinales derivados de la calidad de la experiencia con la IA, más que por incentivos transaccionales únicamente. El estudio reconoce modestamente las limitaciones relativas a su diseño transversal (que impide la inferencia causal), el potencial sesgo de método común residual y la representación desproporcionada de consumidores urbanos/educados, sugiriendo futuras investigaciones longitudinales y enfocadas en zonas rurales.