Resumen Técnico: Conceptualización y Validación de la Escala de Empatía Humano–IA (HAES)

Planteamiento del Problema

A pesar de la creciente prevalencia de la inteligencia artificial (IA) en roles sociales, existe una brecha teórica y de medición significativa sobre si los consumidores empatizan con los agentes de IA y por qué lo hacen. Mientras que la literatura existente cubre extensamente la antropomorfización (atribuir rasgos humanos a lo no humano) y la percepción de la mente (atribuir capacidades mentales), estos constructos no capturan plenamente el fenómeno psicológico de los consumidores que dirigen respuestas empáticas —cognitivas, emocionales y morales— hacia entidades artificiales. Las medidas de empatía tradicionales, como el Índice de Reactividad Interpersonal (IRI), están diseñadas para objetivos humanos y no logran considerar el contexto único donde los consumidores reconocen la naturaleza artificial de una entidad y, aun así, responden a ella como a un ser social. Los autores postulan que la empatía humano–IA es un rasgo psicológico distinto que requiere una conceptualización sistemática y una herramienta de medición dedicada para comprender sus antecedentes y consecuencias en el comportamiento del consumidor.

Metodología

La investigación emplea un riguroso proceso de desarrollo y validación de escala de tres estudios siguiendo las directrices establecidas (Churchill, 1979; DeVellis, 2017; Hulland et al., 2026).

Estudio 1: Validez de Contenido y Reducción de Ítems

• Objetivo: Evaluar la validez de contenido de un conjunto inicial de 70 ítems generados a partir de la literatura sobre empatía, antropomorfización y percepción de la mente.
• Procedimiento: Un panel de 14 expertos (investigadores de doctorado en Marketing, Gestión, Sistemas de Información y Ciencias de la Computación) evaluó los ítems en cuanto a esencialidad, relevancia, claridad y carga para el encuestado.
• Análisis: El estudio utilizó la Razón de Validez de Contenido de Lawshe (CVR) y el Índice de Validez de Contenido a nivel de ítem (I-CVI). Los ítems se retuvieron si cumplían con los umbrales estadísticos de esencialidad (CVR ≥ .571 para N=14) y relevancia/claridad (I-CVI ≥ .78).
• Resultado: El conjunto se redujo de 70 a 26 ítems, todos demostrando una fuerte validez de contenido.

Estudio 2: Dimensionalidad, Selección Basada en IRT y Validez Preliminar

• Muestra: 475 adultos residentes en EE. UU. reclutados a través de Prolific.
• Procedimiento: Los participantes calificaron los 26 ítems, junto con medidas de Antropomorfización y Confianza en la IA.
• Análisis:
  • Análisis Factorial Exploratorio (AFE): Realizado utilizando Mplus con estimación WLSMV y rotación Geomin. Se identificó una solución de tres factores como la más interpretable teóricamente y estadísticamente sólida.
  • Teoría de Respuesta al Ítem (IRT): Se ajustaron Modelos de Respuesta Graduada (GRM) a cada dimensión para refinar la selección de ítems basada en discriminación ($a$), ajuste del ítem ($S-X^2$) e independencia local (correlaciones residuales Q3).
  • Validez: La validez convergente y discriminante se probó contra la Antropomorfización y la Confianza en la IA mediante modelos de variables latentes.
• Resultado: La escala se refinó a una medida final de 22 ítems compuesta por tres dimensiones: Empatía Cognitiva, Conexión Emocional y Preocupación Moral. El análisis preliminar confirmó que la escala es distinta de, aunque está positivamente correlacionada con, la antropomorfización y la confianza.

Estudio 3: Validez Nomológica y Condiciones de Contorno

• Muestra: 524 adultos residentes en el Reino Unido reclutados a través de Prolific.
• Procedimiento: Se utilizó un enfoque de modelado de ecuaciones estructurales (SEM) para probar una red nomológica donde la Tendencia a la Antropomorfización y la Percepción de la Mente sirvieron como antecedentes, y la Satisfacción, el Apego a la IA, la Disposición a Pagar y el Perdón (tras un fallo de servicio) sirvieron como resultados. Se utilizó un escenario de fallo de servicio (severidad alta vs. baja) para probar una hipótesis de moderación.
• Análisis: Se utilizaron Ecuaciones Estructurales Latentes Moderadas (LMS) para probar la interacción entre la empatía y la severidad del fallo. Se estimó un modelo estructural recortado utilizando WLSMV. La validez discriminante adicional se probó contra la Innovación del Consumidor y la Empatía Disposicional hacia los humanos (Cuestionario de Empatía de Toronto).
• Resultado: El modelo confirmó las relaciones antecedente-consecuencia y estableció que la empatía Humano–IA es distinta de la empatía interpersonal general.

Resultados Clave

1. Estructura de la Escala (HAES)
La Escala de Empatía Humano–IA (HAES) es un constructo de 22 ítems y tres dimensiones:

• Empatía Cognitiva: La tendencia a comprender o tomar la perspectiva de un agente de IA (por ejemplo, inferir cómo "pieta" o interpreta situaciones).
• Conexión Emocional: La tendencia a percibir a la IA como socios socialmente significativos y comprometerse emocionalmente con ellos (por ejemplo, sentir calidez o apego).
• Preocupación Moral: La propensión a experimentar simpatía o preocupación moral cuando se percibe que la IA es maltratada o dañada.

2. Propiedades Psicométricas

• Fiabilidad y Validez: La escala demostró una fuerte fiabilidad y solidez psicométrica a través de los estudios.
• Validez Discriminante: La empatía Humano–IA fue empíricamente distinguible de la antropomorfización, la confianza, el apego y la empatía disposicional hacia los humanos. Notablemente, la correlación con la empatía disposicional hacia los humanos fue no significativa ($r = .07$), confirmando que la empatía hacia la IA es un constructo distinto dirigido a la tecnología y no un rasgo general de empatía interpersonal.

3. Antecedentes y Consecuencias

• Antecedentes: La percepción de la mente fue identificada como un antecedente proximal fuerte de la empatía Humano–IA ($\beta = .81$). Aunque la tendencia a la antropomorfización estaba correlacionada con la empatía, su efecto único no fue significativo al controlar la percepción de la mente, lo que sugiere que percibir que la IA tiene una mente es el principal motor de las respuestas empáticas.
• Consecuencias: La empatía Humano–IA predijo positivamente:
  • La satisfacción con las interacciones con la IA ($\beta = .50$).
  • El apego a la IA ($\beta = .90$).
  • La disposición a pagar ($\beta = .51$).
  • El perdón tras un fallo de servicio de la IA ($\beta = .35$).
• Moderación: El estudio encontró que la relación positiva entre la empatía Humano–IA y el perdón no varió significamente según la severidad del fallo de servicio. Esto sugiere que la tendencia empática capturada por la HAES opera como una diferencia individual relativamente estable en lugar de una respuesta situacional dependiente de la magnitud del fallo.

Significación y Contribuciones

El artículo reclama varias contribuciones teóricas y prácticas:

1. Avance Conceptual: Introduce la empatía Humano–IA como un constructo psicológico distinto, extendiendo la investigación de la empatía más allá de los objetivos humanos hacia los agentes artificiales. Clarifica que este fenómeno implica una interacción compleja donde los consumidores reconocen la naturaleza artificial de una entidad pero responden a ella con preocupación cognitiva, afectiva y moral.
2. Integración Teórica: Al posicionar la percepción de la mente como un antecedente proximal, la investigación proporciona un relato matizado de los procesos psicológicos que conducen a las respuestas empáticas, distinguiendo la percepción de una mente de la respuesta empática ante esa mente percibida.
3. Herramienta de Medición: La validación de la escala HAES de 22 ítems proporciona una herramienta psicométricamente rigurosa para que los investigadores examinen las diferencias individuales en las respuestas empáticas hacia la IA, abordando una limitación en la investigación previa que se centraba principalmente en respuestas emocionales situacionales hacia robots específicos en lugar de rasgos estables.
4. Relevancia Gerencial: Los hallazgos sugieren que las empresas pueden segmentar a los consumidores basándose en su orientación empática. Los consumidores con alta empatía pueden ser más receptivos a los diseños de IA relacionales, exhibir una mayor disposición a pagar y ser más propensos a perdonar fallos de servicio. La escala ofrece una base para adaptar el diseño de servicios de IA, el marketing dirigido y las estrategias de recuperación de servicio para alinearse con las orientaciones psicológicas de los consumidores hacia los agentes artificiales.

Los autores concluyen que esta investigación sienta las bases para trabajos futuros que examinen la evolución de la naturaleza social y relacional de las interacciones humano–IA, reconociendo las limitaciones respecto a los tipos específicos de IA (por ejemplo, generativa vs. predictiva) y la falta de corporeidad física en la operacionalización actual.