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

Sintesi Tecnica: Quando la Personalizzazione dell'IA Diventa Persuasiva

Problema e Lacuna della Ricerca
Sebbene la letteratura esistente stabilisca che la personalizzazione guidata dall'IA migliora la pertinenza e l'efficacia pubblicitaria, essa tratta spesso la personalizzazione come una capacità tecnica di targeting piuttosto che come un driver psicologico di persuasione. I modelli attuali trascurano spesso la "black box" di come la qualità percepita della personalizzazione si traduca in influenza persuasiva e nelle conseguenti risposte comportamentali. Inoltre, esiste una comprensione limitata delle condizioni di confine sotto le quali la persuasione mediata dall'IA ha successo o fallisce, specificamente riguardo al ruolo della fiducia del consumatore nei confronti di sistemi algoritmici opachi. Questo studio affronta tali lacune investigando come le dimensioni della personalizzazione guidata dall'IA modellino la qualità della personalizzazione percepita, la persuasione e l'intenzione d'acquisto, e come la fiducia nella pubblicità dell'IA moderi queste relazioni.

Quadro Teorico
Lo studio integra quattro lenti teoriche:

1. Modello Stimolo–Organismo–Risposta (S–O–R): Posiziona le dimensioni della personalizzazione dell'IA (rilevanza, accuratezza, controllo, tempestività, adattamento contestuale) come stimoli ambientali che influenzano gli stati cognitivi interni (qualità percepita, persuasione) e le risposte comportamentali (intenzione d'acquisto).
2. Modello di Elaborazione dell'Informazione (ELM): Suggerisce che una personalizzazione di alta qualità aumenti l'elaborazione cognitiva, rendendo i consumatori più ricettivi ai messaggi persuasivi attraverso la via centrale.
3. Teoria della Fiducia: Propone che la fiducia riduca l'incertezza riguardante gli algoritmi opachi, agendo come una condizione di confine che rafforza il legame tra persuasione e intenzione comportamentale.
4. Modello della Conoscenza della Persuasione (PKM): Utilizzato concettualmente per interpretare come i consumatori navigano il targeting algoritmico, sebbene non sia operazionalizzato direttamente come costrutto nel modello empirico.

Metodologia

• Design: Design quantitativo, trasversale (cross-sectional) tramite survey.
• Campione: 401 risposte valide da consumatori con previa esperienza di interazione con pubblicità personalizzate generate dall'IA su piattaforme digitali e social media (es. Facebook, TikTok, Shopee, Lazada). Il campione è prevalentemente giovane (18–34 anni) e digitalmente esperto.
• Misure: I costrutti sono stati misurati utilizzando scale adattate e validate dalla letteratura precedente (es. Bleier & Eisenbeiss, 2015; Shin, 2021) su una scala Likert a 5 punti. Le variabili chiave includono cinque dimensioni della personalizzazione, la qualità della personalizzazione percepita (PPQ), la persuasione, la fiducia nella pubblicità dell'IA e l'intenzione d'acquisto.
• Analisi: Modellazione delle equazioni strutturali per minimi quadrati parziali (PLS-SEM) utilizzando il software SmartPLS. L'analisi ha incluso la valutazione del modello di misurazione (affidabilità, validità convergente e discriminante tramite HTMT) e del modello strutturale (coefficienti di percorso, bootstrapping con 5.000 campionamenti, mediazione ed effetti di moderazione).

Risultati Chiave

1. Driver della Qualità della Personalizzazione Percepita (PPQ): Tutte e cinque le dimensioni della personalizzazione influenzano significativamente e positivamente la PPQ. La Rilevanza ($\beta=0.312$) e l'Adattamento Contestuale ($\beta=0.287$) sono emersi come i predittori più forti, seguiti da Accuratezza, Controllo del Consumatore e Tempestività.
2. Impatto sulla Persuasione e sull'Intenzione d'Acquisto:
   • La PPQ ha un effetto diretto molto forte sulla Persuasione ($\beta=0.763$).
   • La PPQ ha anche un effetto diretto significativo sull'Intenzione d'Acquisto ($\beta=0.464$).
   • La Persuasione influenza significativamente l'Intenzione d'Acquisto ($\beta=0.233$).
3. Mediazione: La persuasione media parzialmente la relazione tra la Qualità della Personalizzazione Percepita e l'Intenzione d'Acquisto, confermando che la qualità della personalizzazione deve essere elaborata cognitivamente come persuasiva per guidare pienamente l'intenzione comportamentale.
4. Moderazione tramite la Fiducia: La fiducia nella pubblicità dell'IA modera significativamente la relazione tra Persuasione e Intenzione d'Acquisto. L'effetto di interazione è forte ($\beta=0.399$), indicando che l'impatto positivo della persuasione sull'intenzione d'acquisto è significativamente amplificato quando i consumatori si fidano del sistema di IA.
5. Potere Esplicativo del Modello: Il modello spiega il 58,2% della varianza della Persuasione e il 72,6% della varianza dell'Intenzione d'Acquisto.

Contributi Chiave e Significato
Gli autori rivendicano tre contributi primari alla letteratura:

1. Riconcettualizzazione della Personalizzazione: Lo studio sposta il focus dalla personalizzazione come mera capacità tecnologica di raccomandazione alla Qualità della Personalizzazione Percepita come un processo di valutazione multidimensionale del consumatore che attiva l'elaborazione persuasiva.
2. Meccanismo di Persuasione: Estende la letteratura sulla persuasione identificando la persuasione come un meccanismo centrale di traduzione psicologica. I risultati suggeriscono che la personalizzazione dell'IA funzioni sempre più non solo come supporto informativo, ma come un'architettura di comunicazione persuasiva adattiva che modella le valutazioni cognitive e le risposte comportamentali.
3. Ruolo della Fiducia come Condizione di Confine: Lo studio posiziona la fiducia non solo come un abilitatore dell'adozione tecnologica, ma come un meccanismo di legittimazione dell'influenza algoritmica. L'alta fiducia amplifica l'efficacia dei messaggi persuasivi, suggerendo che i consumatori siano più disposti ad accettare l'influenza algoritmica opaca quando percepiscono il sistema come credibile e affidabile.

Limitazioni e Direzioni Future
Gli autori notano esplicitamente diverse limitazioni:

• Ambito dei Costrutti: Lo studio non misura direttamente costrutti negativi come la percezione di manipolazione, la perdita di autonomia o l'intrusività; questi sono discussi come implicazioni concettuali piuttosto che come risultati empirici.
• Generalizzabilità del Campione: Il campione consiste in utenti giovani e digitalmente esperti in un singolo mercato emergente, il che limita la generalizzabilità a demografie più anziane o diversi contesti culturali.
• Design Trasversale: Lo studio non può stabilire dinamiche temporali o la causalità riguardo a come la fiducia e la persuasione co-evolvano nel tempo.
• Dati Auto-dichiarati: Dipendenza dalle intenzioni dichiarate piuttosto che da dati comportamentali effettivi (es. log di click-through o di acquisto).

L'articolo conclude che, sebbene la personalizzazione dell'IA guidi efficacementamente la persuasione e l'intenzione d'acquisto, il suo sviluppo futuro richiede un equilibrio tra capacità persuasiva, governance etica, trasparenza e mantenimento della fiducia del consumatore per mitigare le potenziali tensioni riguardanti l'autonomia e la manipolazione.