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

Resumo Técnico: Quando a Personalização por IA se Torna Persuasiva

Problema e Lacuna de Pesquisa
Embora a literatura existente estabeleça que a personalização impulsionada por IA aumenta a relevância e a eficácia publicitária, ela trata a personalização majoritariamente como uma capacidade técnica de segmentação, em vez de um motor psicológico de persuasão. Os modelos atuais frequentemente negligenciam a "caixa preta" de como a qualidade percebida da personalização se traduz em influência persuasiva e subsequentes respostas comportamentais. Além disso, há uma compreensão limitada sobre as condições de contorno sob as quais a persuasão mediada por IA tem sucesso ou falha, especificamente em relação ao papel da confiança do consumidor em sistemas algorítmicos opacos. Este estudo aborda essas lacunas investigando como as dimensões da personalização impulsionada por IA moldam a qualidade da personalização percebida, a persuasão e a intenção de compra, e como a confiança na publicidade de IA modera essas relações.

Estrutura Teórica
O estudo integra quatro lentes teóricas:

1. Modelo Estímulo–Organismo–Resposta (S–O–R): Posiciona as dimensões da personalização por IA (relevância, precisão, controle, tempestividade, adequação contextual) como estímulos ambientais que influenciam estados cognitivos internos (qualidade percebida, persuasão) e respostas comportamentais (intenção de compra).
2. Modelo de Probabilidade de Elaboração (ELM): Sugere que a personalização de alta qualidade aumenta a elaboração cognitiva, tornando os consumidores mais receptivos a mensagens persuasivas através da rota central.
3. Teoria da Confiança: Propõe que a confiança reduz a incerteza em relação a algoritmos opacos, atuando como uma condição de contorno que fortalece o elo entre persuasão e intenção comportamental.
4. Modelo de Conhecimento de Persuasão (PKM): Utilizado conceitualmente para interpretar como os consumidores navegam pela segmentação algorítmica, embora não seja operacionalizado diretamente como um construto no modelo empírico.

Metodologia

• Design: Design quantitativo, de levantamento transversal (cross-sectional).
• Amostra: 401 respostas válidas de consumidores com experiência prévia de interação com anúncios personalizados gerados por IA em plataformas digitais e de redes sociais (ex: Facebook, TikTok, Shopee, Lazada). A amostra é predominantemente jovem (18–34 anos) e digitalmente nativa.
• Medidas: Os construtos foram medidos utilizando escalas adaptadas e validadas de literatura prévia (ex: Bleier & Eisenbeiss, 2015; Shin, 2021) em uma escala Likert de 5 pontos. As variáveis principais incluem cinco dimensões de personalização, qualidade da personalização percebida (PPQ), persuasão, confiança na publicidade de IA e intenção de compra.
• Análise: Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM) utilizando o software SmartPLS. A análise incluiu a avaliação do modelo de mensuração (confiabilidade, validade convergente e discriminante via HTMT) e do modelo estrutural (coeficientes de caminho, bootstrapping com 5.000 reamostragens, mediação e efeitos de moderação).

Resultos Principais

1. Determinantes da Qualidade da Personalização Percebida (PPQ): Todas as cinco dimensões de personalização influenciam significativamente e positivamente a PPQ. Relevância ($\beta=0,312$) e Adequação Contextual ($\beta=0,287$) emergiram como os preditores mais fortes, seguidas por Precisão, Controle do Consumidor e Tempestividade.
2. Impacto na Persuasão e Intenção de Compra:
   • A PPQ possui um efeito direto muito forte na Persuasão ($\beta=0,763$).
   • A PPQ também possui um efeito direto significativo na Intenção de Compra ($\beta=0,464$).
   • A Persuasão influencia significativamente a Intenção de Compra ($\beta=0,233$).
3. Mediação: A persuasão media parcialmente a relação entre a Qualidade da Personalização Percebida e a Intenção de Compra, confirmando que a qualidade da personalização deve ser processada cognitivamente como persuasiva para impulsionar plenamente a intenção comportamental.
4. Moderação pela Confiança: A confiança na publicidade de IA modera significativamente a relação entre Persuasão e Intenção de Compra. O efeito de interação é forte ($\beta=0,399$), indicando que o impacto positivo da persuasão na intenção de compra é significativamente ampliado quando os consumidores confiam no sistema de IA.
5. Poder Explicativo do Modelo: O modelo explica 58,2% da variância da Persuasão e 72,6% da variância da Intenção de Compra.

Contribuições e Significância Principais
Os autores reivindicam três contribuições primárias para a literatura:

1. Reconceptualização da Personalização: O estudo desloca o foco da personalização como uma mera capacidade tecnológica de recomendação para a Qualidade da Personalização Percebida como um processo de avaliação do consumidor multidimensional que ativa o processamento persuasivo.
2. Mecanismo de Persuasão: Estende a literatura de persuasão ao identificar a persuasão como um mecanismo central de tradução psicológica. Os achados sugerem que a personalização por IA funciona cada vez menos como suporte informacional e mais como uma arquitetura de comunicação persuasiva adaptativa que molda avaliações cognitivas e respostas comportamentais.
3. Papel da Confiança como Condição de Contorno: O estudo posiciona a confiança não apenas como um facilitador da adoção tecnológica, mas como um mecanismo de legitimação para a influência algorítmica. A alta confiança amplifica a eficácia das mensagens persuasivas, sugerindo que os consumidores estão mais dispostos a aceitar a influência algorítmica opaca quando percebem o sistema como credível e confiável.

Limitações e Direções Futuras
Os autores explicitam diversas limitações:

• Escopo dos Construtos: O estudo não mede diretamente construtos negativos como percepção de manipulação, perda de autonomia ou intrusividade; estes são discutidos como implicações conceituais, não como achados empíricos.
• Generalização da Amostra: A amostra consiste em usuários jovens e digitalmente proficientes em um único mercado emergente, o que limita a generalização para demografias mais velhas ou diferentes contextos culturais.
• Design Transversal: O estudo não pode estabelecer dinâmicas temporais ou causalidade sobre como a confiança e a persuasão coevoluem ao longo do tempo.
• Dados Autorreferenciais: Dependência de intenções declaradas em vez de dados comportamentais reais (ex: registros de cliques ou de compra).

O artigo conclui que, embora a personalização por IA impulsione efetivamente a persuasão e a intenção de compra, seu desenvolvimento futuro exige o equilíbrio entre a capacidade persuasiva e a governança ética, transparência e a manutenção da confiança do consumidor para mitigar potenciais tensões em relação à autonomia e manipulação.