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

Resumo Técnico: Inteligência Artificial nas Compras Online e seu Impacto na Lealdade do Cliente

Problema de Pesquisa e Lacuna Teórica
A rápida integração da Inteligência Artificial (IA) no varejo online — abrangendo mecanismos de recomendação, agentes conversacionais e análise preditiva — redefiniu o comportamento do consumidor. No entanto, a literatura permanece teoricamente desconexa quanto aos mecanismos específicos pelos quais o uso da IA se traduz em lealdade do cliente a longo prazo, particularmente em mercados emergentes como a Índia. Os estudos existentes tendem a isolar ou a aceitação tecnológica (focando em construtos TAM) ou os antecedentes gerais da lealdade, falhando em integrar percepções específicas de IA (inteligência, personalização, interatividade, confiança) em um modelo estrutural unificado. Além além disso, o caminho sequencial cognitivo-atitudinal-volitivo que liga as percepções de IA à lealdade por meio da utilidade percebida, atitude e intenção de compra não foi empiricamente testado. Este estudo aborda essas lacunas desenvolvendo e validando um modelo integrado do Modelo de Aceitação da Tecnologia (TAM) e da Teoria do Comportamento Planejado (TPB) dentro do contexto do e-commerce indiano.

Metodologia
O estudo emprega um design de pesquisa transversal dedutivo, fundamentado em uma postura filosófica pós-positivista.

• Coleta de Dados: Os dados primários foram coletados via pesquisa eletrônica (Google Forms) entre fevereiro e abril de 2025. A população-alvo consistiu em adultos (18+) em cidades metropolitanas e não metropolitanas da Índia que utilizaram funções baseadas em IA (recomendações, chatbots, assistentes virtuais) pelo menos duas vezes nos três meses anteriores.
• Amostragem: Foi utilizado um método de amostragem proposital estratificada em relação aos níveis de cidade e gênero. De 641 respostas iniciais, 512 respostas válidas foram retidas para análise, atendendo aos requisitos para a Modelagem de Equações Estruturais Baseada em Covariância (CB-SEM).
• Instrumento: O estudo utilizou escalas reflexivas de múltiplos itens baseadas em ferramentas validadas anteriormente, medidas em uma escala Likert de sete pontos. O instrumento passou por avaliação profissional por seis acadêmicos e um estudo piloto (n=48).
• Análise: Os dados foram analisados utilizando o IBM AMOS 26. A estratégia analítica seguiu um protocolo de duas etapas: (1) Análise Fatorial Confirmatória (CFA) para avaliar confiabilidade, validade convergente (AVE > 0,50) e validade discriminante (HTMT < 0,85); e (2) Estimação do Modelo Estrutural com análise de mediação por bootstrap (5.000 reamostragens) para testar efeitos indiretos sequenciais. O Viés de Método Comum foi avaliado via teste de fator único de Harman e uma abordagem de fator latente.

Principais Resultados
O modelo estrutural demonstrou índices de ajuste excelentes (CFI = 0,945, TLI = 0,940, RMSEA = 0,042) e explicou 34,3% da variância na lealdade do cliente diretamente, sendo que o modelo integrado explicou 68,3% da variância no construto de lealdade no total.

• Antecedentes da Utilidade Percebida: A inteligência percebida emergiu como o preditor mais forte da utilidade percebida ($\beta$ = 0,217), seguida pela confiança impulsionada pela IA e pela qualidade da personalização. Isso sugere que os consumidores avaliam a utilidade funcional da IA principalmente com base em sua capacidade cognitiva de compreender o contexto e aprender preferências.
• Antecedentes da Atitude: A qualidade da personalização, a interatividade percebida, a confiança impulsionada pela IA e a utilidade percebida influenciaram significativamente a atitude em relação às compras com IA. Notavelmente, a confiança impulsionada pela IA foi um preditor robusto da atitude, indicando que a confiança na integridade do sistema é crucial para formar disposições afetivas positivas.
• Preditores de Intenção e Lealdade: A atitude em relação às compras com IA foi identificada como o preditor mais forte da intenção de compra ($\beta$ = 0,163) e um forte preditor direto da lealdade do cliente ($\beta$ = 0,335). A intenção de compra também influenciou significativamente a lealdade.
• Mediação Sequencial: A análise por bootstrap confirmou a cadeia de mediação sequencial hipotetizada: Antecedentes da IA $\rightarrow$ Utilidade Percebida $\rightarrow$ Atitude em relação às Compras com IA $\rightarrow$ Intenção de Compra $\rightarrow$ Lealdade do Cliente. Caminhos específicos, como Percepção de Inteligência $\rightarrow$ Utilidade Percebida $\rightarrow$ Atitude $\rightarrow$ Intenção $\rightarrow$ Lealdade, foram estatisticamente significativos. O estudo valida que tanto a utilidade percebida quanto a atitude atuam como mediadores sequenciais necessários, em vez de fatores isolados.

Principais Contribuições
O artigo reivindica quatro contribuições teóricas primárias:

1. Modelo de Antecedentes Multidimensional: Ele estende o díade tradicional do TAM (utilidade/facilidade de uso) ao introduzir e validar um modelo de quatro dimensões de antecedentes de IA (Inteligência Percebida, Qualidade de Personalização, Interatividade Percebida e Confiança Impulsionada pela IA) específico para interações de varejo.
2. Arquitetura Sequencial TAM-TPB: Fornece o primeiro teste empírico de uma arquitetura de mediação sequencial em um contexto de varejo mediado por IA, resolvendo a ambiguidade sobre a ordem dos mediadores cognitivos (utilidade) e atitudinais (atitude) na formação da lealdade.
3. Papel Pivotal da Atitude: O estudo identifica a "Atitude em relação às Compras com IA" como o mediador central, demonstrando que ela é mais próxima da formação da lealdade do que a utilidade percebida ou a intenção de compra individualmente.
4. Sensibilidade Contextual: Ao situar o modelo na Índia, a pesquisa contribui com conhecimento contextualmente sensível para uma literatura dominada por amostras ocidentais e do Leste Asiático, documentando mecanismos de IA-lealdade em um mercado emergente de alta incerteza, focado em dispositivos móveis e sensível ao preço.

Significância e Alegações
Os autores afirmam que o estudo oferece uma base teórica validada para futuras pesquisas de IA-lealdade em diversos cenários culturais. Na prática, os achados sugerem que os desenvolvedores de plataformas e profissionais de marketing devem priorizar o investimento na sofisticação cognitiva da IA (para impulsionar a utilidade percebida) e na qualidade relacional das interações (transparência, explicabilidade e interatividade) para fomentar atitudes positivas. O artigo conclui que, em contextos mediados por IA, a lealdade do cliente é moldada principalmente por fatores cognitivos e atitudinais derivados da qualidade da experiência com a IA, e não apenas por incentivos transacionais. O estudo reconhece modestamente limitações relativas ao seu design transversal (que impede a inferência causal), potencial viés de método comum residual e a representação desproporcional de consumidores urbanos/instruídos, sugerindo pesquisas longitudinais e focadas no meio rural no futuro.