When AI personalisation becomes persuasive: the roles of trust and consumer response in digital advertising

Resumen Técnico: Cuando la personalización de la IA se vuelve persuasiva

Planteamiento del problema y brecha de investigación
Si bien la literatura existente establece que la personalización impulsada por la IA mejora la relevancia y la eficacia de la publicidad, trata la personalización principalmente como una capacidad técnica de segmentación en lugar de un motor psicológico de persuasión. Los modelos actuales suelen pasar por alto la "caja negra" de cómo la calidad percibida de la personalización se traduce en influencia persuasiva y en las subsiguientes respuestas conductuales. Además, existe una comprensión limitada de las condiciones de contorno bajo las cuales la persuasión mediada por IA tiene éxito o fracasa, específicamente en lo que respecta al papel de la confianza del consumidor en los sistemas algorítmicos opacos. Este estudio aborda estas brechas investigando cómo las dimensiones de la personalización impulsada por la IA moldean la calidad de la personalización percibida, la persuasión y la intención de compra, y cómo la confianza en la publicidad de IA modera estas relaciones.

Marco Teórico
El estudio integra cuatro lentes teóricos:

1. Modelo Estímulo–Organismo–Respuesta (S–O–R): Posiciona las dimensiones de la personalización de la IA (relevancia, precisión, control, puntualidad, adecuación contextual) como estímulos ambientales que influyen en los estados cognitivos internos (calidad percibida, persuasión) y en las respuestas conductuales (intención de compra).
2. Modelo de Probabilidad de Elaboración (ELM): Sugiere que una personalización de alta calidad aumenta la elaboración cognitiva, haciendo que los consumidores sean más receptivos a los mensajes persuasivos a través de la ruta central.
3. Teoría de la Confianza: Propone que la confianza reduce la incertidumbre respecto a los algoritmos opacos, actuando como una condición de contorno que fortalece el vínculo entre la persuasión y la intención conductual.
4. Modelo de Conocimiento de la Persuasión (PKM): Utilizado conceptualmente para interpretar cómo los consumidores navegan la segmentación algorítmica, aunque no se operacionaliza directamente como un constructo en el modelo empírico.

Metodología

• Diseño: Diseño de encuesta cuantitativa transversal.
• Muestra: 401 respuestas válidas de consumidores con experiencia previa interactuando con anuncios personalizados generados por IA en plataformas digitales y redes sociales (por ejemplo, Facebook, TikTok, Shopee, Lazada). La muestra es predominantemente joven (18–34 años) y digitalmente hábil.
• Mediciones: Los constructos se midieron utilizando escalas adaptadas y validadas de la literatura previa (por ejemplo, Bleier & Eisenbeiss, 2015; Shin, 2021) mediante una escala Likert de 5 puntos. Las variables clave incluyen cinco dimensiones de personalización, calidad de la personalización percibida (PPQ), persuasión, confianza en la publicidad de IA e intención de compra.
• Análisis: Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM) utilizando el software SmartPLS. El análisis incluyó la evaluación del modelo de medición (fiabilidad, validez convergente y discriminante vía HTMT) y del modelo estructural (coeficientes de trayectoria, bootstrapping con 5,000 remuestreos, mediación y efectos de moderación).

Resultados Clave

1. Impulsores de la Calidad de la Personalización Percibida (PPQ): Las cinco dimensiones de personalización influyen de manera positiva y significativa en la PPQ. La Relevancia ($\beta=0.312$) y la Adecuación Contextual ($\beta=0.287$) surgieron como los predictores más fuertes, seguidas de la Precisión, el Control del Consumidor y la Puntualidad.
2. Impacto en la Persuasión y la Intención de Compra:
   • La PPQ tiene un efecto directo muy fuerte sobre la Persuasión ($\beta=0.763$).
   • La PPQ también tiene un efecto directo significativo sobre la Intención de Compra ($\beta=0.464$).
   • La Persuasión influye significativamente en la Intención de Compra ($\beta=0.233$).
3. Mediación: La persuasión media parcialmente la relación entre la Calidad de la Personalización Percibida y la Intención de Compra, confirmando que la calidad de la personalización debe ser procesada cognitivamente como persuasiva para impulsar plenamente la intención conductual.
4. Moderación por Confianza: La confianza en la publicidad de IA modera significamente la relación entre la Persuasión y la Intención de Compra. El efecto de interacción es fuerte ($\beta=0.399$), indicando que el impacto positivo de la persuasión en la intención de compra se amplifica significativamente cuando los consumidores confían en el sistema de IA.
5. Poder Explicativo del Modelo: El modelo explica el 58.2% de la varianza de la Persuasión y el 72.6% de la varianza de la Intención de Compra.

Contribuciones Clave y Significado
Los autores reclaman tres contribuciones primarias a la literatura:

1. Reconceptualización de la Personalización: El estudio desplaza el enfoque de la personalización como una mera capacidad de recomendación tecnológica hacia la Calidad de la Personalización Percibida como un proceso de evaluación del consumidor multidimensional que activa el procesamiento persuasivo.
2. Mecanismo de Persuasión: Extiende la literatura de la persuasión al identificar la persuasión como un mecanismo de traducción psicológica central. Los hallazgos sugieren que la personalización por IA funciona cada vez más no solo como soporte informativo, sino como una arquitectura de comunicación persuasiva adaptativa que moldea las evaluaciones cognitivas y las respuestas conductuales.
3. El Papel de la Confianza como Condición de Contorno: El estudio posiciona la confianza no meramente como un facilitador de la adopción tecnológica, sino como un mecanismo de legitimación para la influencia algorítmica. La alta confianza amplifica la efectividad de los mensajes persuasivos, sugiriendo que los consumidores están más dispuestos a aceptar la influencia algorítmica opaca cuando perciben el sistema como creíble y fiable.

Limitaciones y Direcciones Futuras
Los autores señalan explícitamente varias limitaciones:

• Alcance de los Constructos: El estudio no mide directamente constructos negativos como la percepción de manipulación, la pérdida de autonomía o la intrusión; estos se discuten como implicaciones conceptuales en lugar de hallazgos empíricos.
• Generalización de la Muestra: La muestra consiste en usuarios jóvenes y digitalmente hábiles en un único mercado emergente, lo que limita la generalización a demografías de mayor edad o diferentes contextos culturales.
• Diseño Transversal: El estudio no puede establecer la dinámica temporal ni la causalidad sobre cómo la confianza y la persuasión coevolucionan a lo largo del tiempo.
• Datos Autoinformados: Dependencia de intenciones declaradas en lugar de datos conductuales reales (por ejemplo, registros de clics o de compra).

El artículo concluye que, si bien la personalización por IA impulsa eficazmente la persuasión y la intención de compra, su desarrollo futuro requiere equilibrar la capacidad persuasiva con la gobernanza ética, la transparencia y el mantenimiento de la confianza del consumidor para mitigar posibles tensiones respecto a la autonomía y la manipulación.