Behavioral Pathways Behind Students’ Willingness to Pay for GenAI in Higher Education

Resumo Técnico: Caminhos Comportamentais por Trás da Disposição de Estudantes para Pagar pela IA Generativa no Ensino Superior

Problema
Embora a Inteligência Artificial Generativa (IA Gen) esteja se integrando rapidamente ao ensino superior, a literatura existente foca predominantemente nas intenções de uso ou na adoção autorrelatada. Essas métricas falham em capturar a profundidade do comprometimento dos estudantes, particularmente no que diz respeito ao investimento financeiro. Diferente das tecnologias licenciadas institucionalmente (ex: Sistemas de Gestão de Aprendizagem) ou ferramentas suplementares, a IA Gen ocupa um espaço ambíguo caracterizado pela adaptabilidade generativa, opacidade algorítmica e ecossistemas de dois níveis (gratuito vs. premium). Consequentemente, há uma lacuna crítica na compreensão dos mecanismos que traduzem as percepções dos estudantes sobre a IA Gen em uma disposição para pagar (WTP - Willingness to Pay). Este estudo aborda a falta de evidências sistemáticas sobre como os estudantes avaliam o valor econômico das ferramentas de IA Gen e se suas intenções comportamentais de usar essas ferramentas se traduzem em compromisso financeiro real.

Metodologia
O estudo utiliza um design quantitativo, transversal, utilizando o Modelo de Aceitação de Tecnologia (TAM) estendido para incluir resultados econômicos.

• Amostra: Os dados foram coletados via questionário online com 121 estudantes de graduação de uma grande universidade pública nos Estados Unidos. A amostra incluiu uma maioria de participantes do sexo feminino (72,7%) com uma média de idade de 20,78 anos. A maioria dos participantes (93,4%) possuía experiência prévia com IA Gen, principalmente o ChatGPT.
• Instrumento: O questionário mediu quatro construtos latentes baseados no TAM: Percepção de Facilidade de Uso (PEU), Percepção de Utilidade (PU), Intenção Comportamental (BI) e Disposição para Pagar (WTP). PEU, PU e BI foram medidos usando escalas Likert de 5 pontos multi-itens adaptadas de literatura prévia. A WTP foi medida como um valor monetário concreto de item único (USD mensal), formulado como o valor máximo que os estudantes pagariam caso o acesso gratuito fosse removido.
• Análise: Os dados foram analisados utilizando a Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM). Esta abordagem foi selecionada por sua adequação para modelagem preditiva e sua capacidade de lidar com caminhos de mediação complexos com o tamanho da amostra dado. A análise avaliou a confiabilidade dos indicadores, consistência interna, validade convergente e validade discriminante (usando critérios de Fornell-Larcker e razões HTMT) antes de testar o modelo estrutural via bootstrapping (5.000 reamostragens).

Principais Resultados
A análise do modelo estrutural apresentou achados significativos que sustentam as hipóteses propostas:

1. Efeitos Diretos:
   • PEU $\to$ PU: A percepção de facilidade de uso previu de forma positiva e significativa a percepção de utilidade ($\beta = 0,61, p < ,01$).
   • PU $\to$ BI: A percepção de utilidade previu fortemente a intenção comportamental de usar a IA Gen ($\beta = 0,73, p < ,01$).
   • BI $\to$ WTP: A intenção comportamental previu positivamente a disposição para pagar ($\beta = 0,45, p < ,01$).
2. Efeitos de Mediação:
   • O estudo confirmou que a PEU não influencia diretamente a WTP. Em vez disso, seu efeito é totalmente mediado pela PU e pela BI.
   • H4: A PU mede a relação entre PEU e BI.
   • H5: A BI mede a relação entre PU e WTP.
   • H6: Existe um caminho de mediação serial onde a PEU influencia a WTP através da cadeia de PU e BI ($\beta = 0,20, p < ,01$).
3. Ajuste do Modelo e Poder Explicativo:
   • O modelo demonstrou bom ajuste (SRMR = 0,062).
   • A PEU explicou 35,2% da variância da PU.
   • A PU explicou 53,4% da variância da BI.
   • A BI explicou 20,4% da variância da WTP.
   • Todos os construtos endógenos mostraram relevância preditiva positiva ($Q^2 > 0$).
4. Achados Descritivos:
   • Apesar das altas taxas de uso, apenas 43% dos participantes expressaram disposição para pagar.
   • A WTP média foi de $5,71 por mês, significativamente inferior ao custo cumulativo das versões premium de ferramentas comuns (ex: ChatGPT Plus, Grammarly, Copilot), indicando uma dependência de níveis gratuitos ou subsídios institucionais.

Principais Contribuições

• Extensão Teórica: O estudo estende o Modelo de Aceitação de Tecnologia (TAM) ao incorporar a Disposição para Pagar como um resultado comportamental subsequente no contexto da IA Gen. Valida a lógica sequencial do TAM (PE_U $\to$ PU $\to$ BI $\to$ WTP) mesmo quando o resultado muda da adoção para o compromisso econômico.
• Clarificação de Mecanismos: Elucida que a facilidade de uso por si só é insuficiente para impulsionar o pagamento; ela deve primeiro aumentar as percepções de utilidade, que por sua vez fomentam a intenção comportamental, levando finalmente ao compromisso financeiro.
• Evidência Empírica: Fornece um dos primeiros exames empíricos do hiato entre o uso da IA Gen e a disposição de pagamento no ensino superior, destacando as dinâmicas econômicas específicas dos ecossistemas de IA de dois níveis.

Significância e Alegações
O artigo alega que seus achados oferecem orientação crítica para universidades, provedores de serviços de IA e desenvolvedores em relação a políticas de preços e governança.

• Para Instituições: Os resultados sugerem que as assinaturas institucionais devem ser negociadas antes que os estudantes desenvolvam dependências de pagamento individuais. Depender que os estudantes paguem individualmente após a adoção pode falhar devido à baixa WTP e ao "efeito de ancoragem" do acesso gratuito. Além disso, as instituições devem fornecer diretrizes claras sobre o uso ético, pois frameworks de uso responsável podem influenciar a decisão de pagar pelas versões premium e confiáveis.
• Para Desenvolvedores: Os modelos de preços devem alinhar-se com as realidades econômicas dos estudantes. O estudo indica que os estudantes estão dispostos a pagar apenas quando as ferramentas demonstram um valor acadêmico claro e sustentado que justifique o custo além das alternativas gratuitas. Melhorias em precisão, personalização e integração de fluxo de trabalho são necessárias para converter a intenção de uso em pagamento.
• Implicações de Equidade: Os autores alertam que, sem uma ação institucional deliberada para abordar o desalinhamento de preços, a transição para recursos de IA Gen pagos corre o risco de ampliar as desigualdades educacionais, uma vez que os níveis gratuitos podem estagnar enquanto as capacidades premium oferecem suporte de aprendizagem superior.

O estudo conclui que, embora o TAM permaneça um framework robusto para entender a adoção da IA Gen, as características únicas da IA Gen (generatividade, opacidade e acesso de dois níveis) exigem intervenções políticas específicas para garantir o acesso equitativo e a adoção sustentável.