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

Sintesi Tecnica: L'Intelligenza Artificiale nello Shopping Online e il suo Impatto sulla Fedeltà del Cliente

Problematica e Lacuna della Ricerca
La rapida integrazione dell'Intelligenza Artificiale (IA) nel commercio al dettaglio online — che spazia dai motori di raccomandazione agli agenti conversazionali, fino all'analisi predittiva — ha ridefinito il comportamento dei consumatori. Tuttavia, la letteratura rimane teoricamente disgiunta riguardo ai meccanismi specifici attraverso i quali l'uso dell'IA si traduca in una fedeltà del cliente a lungo termine, particolarmente nei mercati emergenti come l'India. Gli studi esistenti tendono a isolare o l'accettazione tecnologica (focalizzandosi sui costrutti TAM) o gli antecedenti generali della fedeltà, fallendo nell'integrare le percezioni specifiche dell'IA (intelligenza, personalizzazione, interattività, fiducia) in un modello strutturale unificato. Inoltre, il percorso sequenziale cognitivo-attitudinale-volitivo che collega le percezioni dell'IA alla fedeltà tramite l'utilità percepita, l'atteggiamento e l'intenzione d'acquisto non è stato testato empiricamente. Questo studio affronta tali lacune sviluppando e validando un quadro integrato del Modello di Accettazione della Tecnologia (TAM) e della Teoria del Comportamento Pianificato (TPB) nel contesto dell'e-commerce indiano.

Metodologia
Lo studio impiega un disegno di ricerca trasversale e deduttivo, basato su una posizione filosofica post-positivista.

• Raccolta Dati: I dati primari sono stati raccolti tramite un sondaggio elettronico (Google Forms) tra febbraio e aprile 2025. La popolazione target era composta da adulti (18+) in città metropolitane e non metropolitane indiane che avessero utilizzato funzioni basate sull'IA (raccomandazioni, chatbot, assistenti virtuali) almeno due volte nei tre mesi precedenti.
• Campionamento: È stato utilizzato un metodo di campionamento mirato stratificato in base ai livelli di città e al genere. Da 641 risposte iniziali, 512 risposte valide sono state trattenute per l'analisi, soddisfacendo i requisiti per la Modellazione di Equazioni Strutturali basata sulla Covarianza (CB-SEM).
• Strumento: Lo studio ha utilizzato scale riflessive multi-item basate su strumenti preesistenti validati, misurate su una scala Likert a sette punti. Lo strumento è stato sottoposto a valutazione professionale da parte di sei studiosi e a uno studio pilota (n=48).
• Analisi: I dati sono stati analizzati utilizzando IBM AMOS 26. La strategia analitica ha seguito un protocollo in due fasi: (1) Analisi Fattoriale Confermativa (CFA) per valutare l'affidabilità, la validità convergente (AVE > 0,50) e la validità discriminante (HTMT < 0,85); e (2) Stima del Modello Strutturale con analisi di mediazione tramite bootstrapping (5.000 campionamenti) per testare gli effetti indiretti sequenziali. Il Bias del Metodo Comune è stato valutato tramite il test del fattore singolo di Harman e un approccio a fattore latente.

Risultati Chiave
Il modello strutturale ha dimostrato indici di adattamento eccellenti (CFI = 0,945, TLI = 0,940, RMSEA = 0,042) e ha spiegato il 34,3% della varianza della fedeltà del cliente direttamente, mentre il modello integrato ha spiegato il 68,3% della varianza del costrutto della fedeltà complessivamente.

• Antecedenti dell'Utilità Percepita: L'intelligenza percepita è emersa come il predittore più forte dell'utilità percepita ($\beta$ = 0,217), seguita dalla fiducia guidata dall'IA e dalla qualità della personalizzazione. Ciò suggerisce che i consumatori valutano l'utilità funzionale dell'IA principalmente in base alla sua capacità cognitiva di comprendere il contesto e apprendere le preferenze.
• Antecedenti dell'Atteggiamento: La qualità della personalizzazione, l'interattività percepita, la fiducia guidata dall'IA e l'utilità percepita hanno tutti influenzato significativamente l'atteggiamento verso lo shopping con l'IA. In particolare, la fiducia guidata dall'IA è stata un predittore robusto dell'atteggiamento, indicando che la fiducia nell'integrità del sistema è cruciale per formare disposizioni affettive positive.
• Predittori dell'Intenzione e della Fedeltà: L'atteggiamento verso lo shopping con l'IA è stato identificato come il più forte predittore dell'intenzione d'acquisto ($\beta$ = 0,163) e un forte predittore diretto della fedeltà del cliente ($\beta$ = 0,335). Anche l'intenzione d'acquisto ha influenzato significativamente la fedeltà.
• Mediazione Sequenziale: L'analisi tramite bootstrapping ha confermato la catena di mediazione sequenziale ipotizzata: Antecedenti dell'IA $\rightarrow$ Utilità Percepita $\rightarrow$ Atteggiamento verso lo Shopping con l'IA $\rightarrow$ Intenzione d'Acquisto $\rightarrow$ Fedeltà del Cliente. Percorsi specifici, come Percepita Intelligenza $\rightarrow$ Utilità Percepita $\rightarrow$ Atteggiamento $\rightarrow$ Intenzione $\rightarrow$ Fedeltà, sono stati statisticamente significativi. Lo studio valida che sia l'utilità percepita che l'atteggiamento agiscono come mediatori sequenziali necessari piuttosto che come fattori isolati.

Contributi Chiave
L'articolo rivendica quattro contributi teorici primari:

1. Modello di Antecedente Multidimensionale: Estende la tradizionale diade TAM (utilità/facilità d'uso) introducendo e validando un modello di antecedente dell'IA a quattro dimensioni (Intelligenza Percepita, Qualità della Personalizzazione, Interattività Percepita e Fiducia guidata dall'IA) specifico per le interazioni retail.
2. Architettura Sequenziale TAM-TPB: Fornisce il primo test empirico di un'architettura di mediazione sequenziale in un contesto retail mediato dall'IA, risolvendo l'ambiguità sull'ordine dei mediatori cognitivi (utilità) e attitudinali (atteggiamento) nella formazione della fedeltà.
3. Ruolo Pivotale dell'Atteggiamento: Lo studio identifica l'"Atteggiamento verso lo Shopping con l'IA" come il mediatore pivotale, dimostrando che è più prossimo alla formazione della fedeltà rispetto all'utilità percepita o all'intenzione d'acquisto presi individualmente.
4. Sensibilità Contestuale: Situando il modello in India, la ricerca contribuisce con conoscenze contestualmente sensibili a una letteratura dominata da campioni occidentali e dell'Asia orientale, documentando i meccanismi IA-fedeltà in un mercato emergente ad alta incertezza, mobile-first e sensibile al prezzo.

Significatività e Rivendicazioni
Gli autori affermano che lo studio offre una base teorica validata per la futura ricerca sulla relazione IA-fedeltà in diversi contesti culturali. Dal punto di vista pratico, i risultati suggeriscono che gli sviluppatori di piattaforme e i marketer debbano dare priorità all'investimento nella sofisticazione cognitiva dell'IA (per guidare l'utilità percepita) e nella qualità relazionale delle interazioni (trasparenza, spiegabilità e interattività) per favorire atteggiamenti positivi. L'articolo conclude che, nei contesti mediati dall'IA, la fedeltà del cliente è plasmata principalmente da fattori cognitivi e attitudinali derivanti dalla qualità dell'esperienza con l'IA, piuttosto che da soli incentivi transazionali. Lo studio riconosce modestamente i limiti relativi al design trasversale (che impedisce l'inferenza causale), al potenziale residuo di bias del metodo comune e alla rappresentazione sproporzionata di consumatori urbani e istruiti, suggerendo ricerche future longitudinali e focalizzate sulle aree rurali.