Antecedentes de la decisión de compra de consumidores
“Phantom” en aplicaciones móviles con realidad
aumentada
Antecedents
of Purchase Decision-Making Among 'Phantom' Consumers in Augmented Reality
Mobile Apps
Judith Cavazos-Arroyo[1],
Aurora I. Máynez-Guaderrama[2],
Luis Humberto Osuna-Ordaz[3]
Este estudio analizó la
influencia de la personalización, la accesibilidad y la información apoyadas
por inteligencia artificial sobre la decisión de compra a través de tiendas y
aplicaciones de realidad aumentada en consumidores “Phantom”
de la generación Z residentes en la ciudad de Puebla, México. Se llevó a cabo
una investigación cuantitativa, explicativa y transversal con 148 participantes
de entre 14 y 23 años, mediante la aplicación de una encuesta electrónica. Los
resultados indican que ni la personalización ni la accesibilidad afectan las
decisiones de compra en tiendas ni en aplicaciones de realidad aumentada;
únicamente la información obtenida por inteligencia artificial ejerce un efecto
significativo. Estos hallazgos abren nuevas líneas de investigación para
profundizar en el papel de la personalización y la accesibilidad entre
consumidores altamente tecnológicos, así como para incorporar constructos
adicionales que enriquezcan esta línea del conocimiento.
Palabras
clave: Inteligencia
Artificial; Personalización; Información; Accesibilidad.
This study examined the influence of personalization,
accessibility, and information supported by artificial intelligence on purchase
decisions made through augmented reality stores and applications among
“Phantom” Generation Z consumers residing in Puebla, Mexico. A quantitative,
explanatory, and cross-sectional study was conducted with 148 participants aged
14 to 23, using an electronic survey. The results indicate that neither
personalization nor accessibility affects purchase decisions in augmented reality
stores or applications; only the information generated by artificial
intelligence exerts a significant effect. These findings open new avenues for
research to further explore the role of personalization and accessibility among
highly technological consumers, as well as to incorporate additional constructs that enrich this line of inquiry.
Key words: Artificial Intelligence;
personalization; information; accessibility
Códigos
JEL:
M15, M31, M39
Un
cliente Phantom se refiere a un consumidor con
una identidad moderna, que consume grandes cantidades de información en
internet, disfruta de las experiencias tecnológicas, valora el uso de
aplicaciones de la nueva era minorista basada en el comercio aumentado y toma
muchas decisiones de consumo en línea (Aldoseri et
al., 2024; Schapsis et al., 2024). El concepto se
vincula con un fantasma esquivo y oportunista, a quien no le interesan los
valores corporativos y que muestra escasa lealtad, ya que busca su propio
beneficio al comprar (Rainsberger, 2023a). También, este tipo de comprador se
mueve regularmente de forma autónoma en su proceso de toma de decisiones y, si
le es posible, será independiente en la transacción realizada, evitando el
involucramiento con el vendedor en la medida de lo factible. De cierta forma,
piensa que sabe todo lo que necesita saber y que dispone de las herramientas
tecnológicas adecuadas (Rainsberger, 2023b).
La
integración de tecnologías omnidigitales facilita el
desarrollo de un comercio minorista más amplio. La realidad aumentada (RA) no solo
mejora la experiencia del cliente (Voicu et al., 2023), sino que también
transforma los hábitos de compra (Schapsis et al.,
2024). Al mismo tiempo, con el advenimiento de la tecnología de inteligencia
artificial (IA), de una manera o de otra, en los dispositivos móviles (p. ej.
asistentes virtuales, chatbots y agentes
inteligentes, sistemas de reconocimiento facial, búsqueda por voz, entre otros),
los clientes encuentran nuevas formas de acceder a información y productos más
personalizados, mayor variedad y una mejora en la experiencia de compra (Davis
& Aslam, 2024; Vo et al., 2024). Por ello, muchos consumidores esperan que
se añada más IA a las aplicaciones de realidad aumentada (Davis & Aslam,
2024); entre las empresas que incorporan esta tecnología se encuentran IKEA,
Pizza Hut, Burger King, Adidas y Nike.
Aunque
los consumidores Phantom han aumentado con la evolución
tecnológica más reciente, aún no se han estudiado en profundidad los
factores que influyen en sus formas y decisiones de compra (Rainsberger,
2023b). Si bien se ha identificado que los consumidores digitales valoran
aspectos como la personalización, la accesibilidad y la capacidad que los
avances tecnológicos les brindan para informarse e interactuar con las marcas y
otros consumidores (McKee et al., 2024), aún es necesario que los expertos en marketing
comprendan mejor la forma en que este tipo de variables influyen sobre las
decisiones de compra para desarrollar estrategias y tácticas de marketing más
eficaces y enfocadas a estos cohortes generacionales y sus diferentes perfiles
de clientes (Eastman et al., 2021). Por ello, esta investigación tuvo como
pregunta de investigación: ¿Cómo influyen la personalización, la accesibilidad
y la información apoyada por IA en la decisión de compra de los consumidores Phantom a través de aplicaciones de realidad
aumentada? Y el objetivo de este trabajo consistió en analizar la influencia
que tienen la personalización, la accesibilidad y la información apoyadas por
IA sobre la decisión de compra a través de aplicaciones de realidad aumentada
en consumidores Phantom de la generación Z que
residen en la ciudad de Puebla en México. La estructura del documento comienza
con la introducción a la investigación, que incluye los antecedentes, las brechas
del conocimiento, la pregunta de investigación y el objetivo. A continuación,
se presenta la revisión de la literatura, compuesta por la explicación de la
teoría unificada de la aceptación y del uso de la tecnología, así como de la
decisión de compra en aplicaciones digitales. Posteriormente, se incluye la
metodología, que describe el tipo de investigación, los sujetos de estudio, la
técnica de recolección de datos y la operacionalización de las variables
empleadas. A continuación, se presentan el análisis de los resultados y la
discusión; finalmente, se muestran las conclusiones, las implicaciones
prácticas, las limitaciones del estudio y las recomendaciones para futuras
líneas de investigación.
La IA experimenta
tecnologías emergentes que tendrán un impacto que el mundo aún no comprende;
sin embargo, ha comenzado a utilizarse junto con otras herramientas
tecnológicas (p. ej., la realidad aumentada) en sectores como la fabricación,
el comercio minorista, la educación, las tecnologías de la información y la
atención médica (Davis & Aslam, 2024; Vo et al., 2024). Particularmente, el
campo del comercio minorista ha estado abierto a experimentar con nuevas
tecnologías como el comercio móvil, el internet de las cosas, la realidad
aumentada, la realidad virtual e incluso la IA (p. ej., agentes inteligentes
virtuales), con resultados positivos en la mejora de la experiencia del cliente
y las ventas (Ameen et al., 2021).
La
capacidad de la RA para utilizar el entorno real para integrar objetos
virtuales 3D se aplica tanto en las tiendas como fuera de ellas. En la
actualidad, muchas aplicaciones para teléfonos móviles utilizan esta tecnología
para que sus usuarios puedan interactuar con sus productos antes de
adquirirlos, o disfruten de un esfuerzo promocional y en ocasiones, compartan
en sus redes sociales el resultado de la interacción. El resultado no solo
puede generar conversiones, sino también incrementar la conexión y el
compromiso con los consumidores (Kang et al., 2023). Adicionalmente, la
inclusión de herramientas de IA en las tiendas y aplicaciones electrónicas no solo
puede facilitar la obtención de datos para el reconocimiento de preferencias,
sino también predecir necesidades y ofrecer recomendaciones de productos y
promociones personalizadas que contribuyen a la innovación y la diferenciación
de una compañía (Nodirovna & Sharif oʻg‘li, 2024).
Teoría
Unificada de la Aceptación y el Uso de la Tecnología
La Teoría Unificada de
la Aceptación y el Uso de la Tecnología (UTAUT) fue desarrollada por Venkatesh
et al. (2003) como una conexión de ocho teorías previas, a saber, la Teoría de
la Acción Razonada (TRA), la Teoría del Comportamiento Planificado (TPB), el
Modelo de Aceptación de la Tecnología (TAM), el Modelo Motivacional (MM), el
TAM-TPB combinado (C-TAM-TPB), el Modelo de Utilización de Computadoras
Personales (MPCU), la Teoría de la Difusión de la Innovación (IDT) y la Teoría
Cognitiva Social (SCT). En UTAUT se identifican los factores críticos y las
contingencias que influyen en la predicción de la intención conductual en el
uso de la tecnología (Fithriya et al., 2019;
Venkatesh et al., 2003). Luego, casi una década después, este modelo fue
ampliado a UTAUT2 e incorporó, como constructos adicionales, la motivación
hedónica, el valor del precio y el hábito (Venkatesh et al., 2012).
En
esta investigación se utilizaron tres factores críticos: la accesibilidad
(expectativa de esfuerzo), la información obtenida mediante IA (expectativa de
rendimiento) y la personalización (motivación hedónica). Como predicción
conductual, se empleó la decisión de compra. La expectativa de esfuerzo se
refiere al nivel de facilidad que siente el usuario al utilizar un sistema
(Venkatesh et al., 2003). En cambio, la expectativa de rendimiento se entiende
como el nivel de confianza del usuario asociado a la ayuda del sistema para
obtener el máximo provecho (Fithriya et al., 2019).
Por su parte, la motivación hedónica integra el componente emocional al modelo
UTAUT y en ella se refleja la satisfacción o el placer derivado del uso de la
tecnología (Tamilmani et al., 2019). Tanto UTAUT como UAUT2 incluyen la
predicción conductual como un determinante de la adaptación y el uso real de la
tecnología (Venkatesh et al., 2003). Esta intención se define como el grado en
que la persona formula planes conscientes para realizar o evitar algún
comportamiento específico en el futuro (Paraskevi et al., 2023). En este
estudio, esta variable se representa por la decisión de compra.
Decisión de compra en aplicaciones digitales
Los consumidores pasan
por diferentes etapas en la toma de decisiones al realizar una compra, como el reconocimiento
del problema, la búsqueda, la valoración de alternativas, la decisión de compra
y la evaluación posterior (Alotaibi et al., 2025). La decisión de compra se ve
impulsada por múltiples aspectos, entre los que se incluyen las emociones, las
motivaciones, las actitudes, las opiniones de los amigos, las experiencias
previas, las expectativas y la influencia contextual (Dang et al., 2025). Este
constructo permite anticipar la respuesta conductual del consumidor (Hamouda,
2021) y se refiere a una medida de la valoración de una acción de compra futura
de bienes o servicios (Hung et al., 2011). En el contexto del comercio
electrónico, implica la determinación de un consumidor de adquirir un producto
o servicio (Lopes et al., 2024; Sohn & Kwon,
2020). Así, la decisión de compra expresa la disposición y la orientación
mental de una persona hacia la adquisición de un bien y funciona como indicador
de la probabilidad de convertir el interés o el deseo en una acción de compra
efectiva (Lopes et al., 2024).
El
desarrollo y la evolución de las aplicaciones móviles han generado una economía
propia, basada en ingresos provenientes de diversas fuentes, como la publicidad
o las compras dentro de la aplicación (Al-Adwan & Sammour, 2020). También
la tecnología creativa e innovadora de la IA permite a los consumidores
descubrir con mayor claridad sus preferencias de compra (Bhagat et al., 2023).
Se ha identificado que la decisión de comprar a través de aplicaciones
digitales involucra, entre otros aspectos, la facilidad de uso, la
accesibilidad e incluso el apoyo a los consumidores para buscar, revisar y
comprar (Kim et al., 2016).
La
accesibilidad se considera una de las dimensiones clave de la inteligencia
artificial en el marketing (Cheng & Jiang, 2021)
y se refiere a la evaluación y respuesta oportuna a la información del cliente
mediante la tecnología de IA (Ho & Chow, 2023). Por lo tanto, desempeña un
papel clave en la configuración de las relaciones entre las marcas y sus
clientes (Pancic, 2023), ya que opera a través de la
digitalización, el contenido web y la disponibilidad y la capacidad de un
sistema de IA para responder a las preguntas e inquietudes de los clientes en
diferentes canales (Armutcu et al., 2024). Es posible
que la accesibilidad a través de la IA afecte positivamente la decisión de
compra, ya que estudios previos han confirmado este efecto (Sudirjo
et al., 2023). Por ejemplo, en un trabajo realizado en China se encontró que la
accesibilidad incide en las decisiones de compra de los consumidores agrícolas
(Yang & Yu, 2024). También, un estudio sobre las
compras de productos de abarrotes a través de internet encontró que la
accesibilidad digital influye positivamente en la decisión de compra (Sudirjo et al., 2023). Por lo tanto, es posible suponer
que:
H1: La accesibilidad
facilitada por la inteligencia artificial influye positivamente en la decisión
de compra de los sujetos de estudio.
Por
otro lado, la información se ha convertido en una necesidad para los
consumidores porque puede ahorrar tiempo, errores e ineficiencias,
insatisfacción y esfuerzo al realizar transacciones (Šeric
et al. 2016). Se ha encontrado que muchas personas prefieren interactuar con la
IA (Lefkeli et al., 2024), utilizar la información a
través de recomendaciones generadas con técnicas de aprendizaje automático, y
aprovechar su apoyo para la toma de decisiones en base a la priorización de
resultados (Peltier et al., 2024). Las empresas que utilizan diversas
herramientas de IA, como el procesamiento del lenguaje natural (PLN), el
reconocimiento de voz, el reconocimiento de imágenes y el aprendizaje profundo
(Kietzmann et al., 2021), esperan captar y fidelizar (Chinchanachokchai
et al., 2021) a través del viaje del cliente y las etapas del proceso de
compra, particularmente, ofreciendo información por medio de recomendaciones,
contenido promocional, información general y servicios de apoyo (Jain et al.,
2024). Por lo anterior, se propone que:
H2: La
información obtenida a través de la inteligencia artificial influye
positivamente sobre la decisión de compra de los sujetos de estudio.
Los
sistemas de recomendaciones personalizadas, que utilizan algoritmos de
inteligencia artificial para ofrecer sugerencias de productos o servicios
adaptadas a los usuarios, se han convertido en una parte integral de las
plataformas de comercio electrónico (Dixit et al., 2025). Los datos obtenidos a
través de herramientas tecnológicas han abierto más posibilidades de
personalización, tal es el caso del uso de la IA en el desarrollo de
aplicaciones de salud digital o de venta de productos al detalle (Cao, 2021;
Deniz-García et al., 2023). Mientras que en el mundo físico los vendedores de
tiendas minoristas se hacen cargo de la personalización, en las aplicaciones
móviles se aprovecha la ubicación del cliente, el contexto y la integración de
múltiples fuentes de información para crear ofertas personalizadas basadas en
datos (Canhoto et al., 2024). La IA ha venido a potenciar
la personalización en los ambientes detallistas asociados al contenido digital,
a los procesos de compra y a la experiencia del cliente, tal como ya sucede en
la industria de la moda y en la de la venta de muebles (p. ej., Ikea).
La
personalización se refiere a las actividades apoyadas por IA que ofrecen a los
clientes asistencia personalizada para satisfacer sus necesidades (Ho &
Chow, 2023). Dicha práctica se ha incrementado con la multiplicación de los
avances tecnológicos, mediante la creación de recursos para producir respuestas
y satisfacer las necesidades de manera individual (Chandra et al., 2022). La
personalización desempeña un papel crítico en la generación de co-creación y en la conexión con los clientes (Manser Payne
et al., 2021). Así, al personalizar los productos y servicios asistidos por IA,
es posible ayudar a los clientes a expresar con mayor facilidad su
individualidad, al tiempo que se busca fomentar la fidelidad a la marca (Godey
et al., 2016). También la personalización de contenidos o productos puede
ayudar a los consumidores en la toma de decisiones para la satisfacción de sus
necesidades (Thirumalai & Sinha, 2013).
Trabajos
sobre inteligencia artificial han encontrado que la personalización es clave en
la toma de decisiones de compra en línea (Pticek
& Dobrinic, 2019; Solikhah
et al., 2024). Varios campos han invertido en el desarrollo de productos o
servicios personalizados con apoyo de la IA (Blasiak et al., 2020; Maghsudi et al., 2021), y aunque es posible que un cliente
tome una decisión de compra basándose en múltiples atributos de un producto o
servicio (Liang et al., 2020), se puede esperar que la personalización apoyada
en IA influya en la decisión de compra de los consumidores. Estudios sobre IA
en el marketing han identificado que la personalización basada en IA es eficaz,
ya que influye en la decisión de compra, mejora la confianza e incrementa la
lealtad de los clientes de las marcas que la utilizan (Pagala et al., 2024).
También los mensajes comerciales personalizados con IA conversacional
contribuyen a la decisión de compra (Beyari y Garamoun, 2022). Por ello, es posible proponer para este
estudio que:
H3: La
personalización apoyada por la inteligencia artificial influye positivamente en
la decisión de compra del sujeto de estudio.
Metodología
Se desarrolló una investigación cuantitativa, explicativa y
transversal con consumidores de la generación Z, con edades comprendidas entre
14 y 23 años, y residentes en la Ciudad de Puebla en México. En el país, esta
generación se desenvuelve entre la hiperconectividad
y la transformación acelerada de los patrones de consumo (Miranda, 2026). Particularmente,
en el estado de Puebla residen 1.706.135 personas de 15 a 19 años y,
aunque la disponibilidad de servicios digitales de la entidad es del 64.0% con
respecto al Internet en casa, el acceso a la telefonía celular es del 92.5% (INEGI,
2020). Además, en relación con los hábitos, se sabe que este grupo de consumo prefiere
el comercio digital al físico debido que se sienten cómodos con el uso de la
tecnología y prefieren tomar muchas de sus decisiones con el apoyo de la
tecnología en lugar de realizar las etapas del proceso de compra en tiendas
físicas o en los mercados tradicionales (Villegas, 2024).
Se utilizó una encuesta electrónica a través de un
cuestionario elaborado a partir de escalas previamente validadas en la
literatura. Al inicio de la encuesta se describieron herramientas de
inteligencia artificial comúnmente utilizadas en el comercio electrónico (como chatbots, agentes virtuales inteligentes, sistemas de
recomendación de productos, asistentes virtuales de voz y reconocimiento de
imagen) para que los participantes tuvieran mayor claridad sobre las preguntas.
La encuesta se aplicó en formato electrónico
mediante un cuestionario autoadministrado. Se utilizó un muestreo no
probabilístico por conveniencia con jóvenes de la generación Z residentes en la
Ciudad de Puebla. El enlace se compartió
en redes sociales, grupos estudiantiles y comunidades digitales vinculadas a
una universidad pública y a dos instituciones privadas de educación media
superior y superior, y, con ello, se captaron participantes con experiencia
previa en compras en línea y familiarizados con herramientas de inteligencia
artificial utilizadas en aplicaciones de comercio electrónico.
En el instrumento se incluyeron cuatro preguntas de filtro:
la primera solicitó el consentimiento informado; la segunda y la tercera
indagaron el rango de edad y la forma de compra en aplicaciones móviles, con el
fin de verificar que el participante cumpliera con las características de un
consumidor Phantom (disponibilidad de
información previa, preferencia por transacciones rápidas y habilidad
tecnológica); y la cuarta evaluó el conocimiento sobre el uso de aplicaciones
de realidad aumentada que integran herramientas de inteligencia artificial para
apoyar la decisión de compra. Posteriormente, se incorporaron los ítems
correspondientes a la personalización apoyada por IA, la accesibilidad de la
IA, la información obtenida por la IA y la decisión de compra. Finalmente, el
instrumento incluyó tres preguntas demográficas sobre sexo, nivel educativo y
ocupación. La tabla 1 presenta la operacionalización de las variables.
Tabla
1
Operacionalización de
variables del estudio
|
Variable |
Definición
conceptual |
Fuente de la
escala original |
Preguntas/Ítems adaptados |
Escala de
medición |
|
Pregunta
filtro Consentimiento
informado |
|
|
Al completar esta encuesta, aceptas que tus
respuestas se utilicen con fines de investigación académica. Entiendes que
tus datos se mantendrán confidenciales y serán utilizados exclusivamente con
el propósito de este estudio. No se compartirán tus respuestas con fines
comerciales ni con terceros ajenos a la investigación. Tu participación es
voluntaria y, en cualquier momento, puedes retirar tu consentimiento y
solicitar la eliminación de tus respuestas. ¿Estás de acuerdo con estas
condiciones? |
Si No |
|
Pregunta
filtro Edad |
|
|
¿Tu edad se encuentra en este rango? |
14 a 23 años |
|
Pregunta filtro Forma de compra en las
aplicaciones |
Patrón de comportamiento del consumidor al comprar en aplicaciones
móviles, basado en su búsqueda de información, su rapidez en la transacción y
su habilidad tecnológica (Rainsberger, 2023a, 2023b) |
|
Cuando utilizas aplicaciones móviles para comprar productos o
servicios, ¿Cuál de las siguientes opciones describe mejor tu comportamiento? |
(Selecciona todas las que apliquen) a. Suelo revisar información previa antes
de comprar (reseñas, comparaciones, especificaciones). b. Prefiero realizar transacciones rápidas
y con pocos pasos. c. Me considero hábil para usar tecnología
y aplicaciones móviles. d. Ninguna de las anteriores [Gracias por
participar]. |
|
Pregunta filtro Conocimiento sobre
aplicaciones con realidad aumentada e inteligencia artificial |
Nivel de familiaridad del consumidor con aplicaciones que integran
realidad aumentada e inteligencia artificial para apoyar la toma de
decisiones de compra (Davis & Aslam, 2024). . |
|
¿Conoces o has utilizado aplicaciones que emplean realidad aumentada
y herramientas de inteligencia artificial para apoyar tu toma de decisiones
de compra (por ejemplo, probar productos virtualmente, visualizar objetos en
el espacio, recibir recomendaciones automatizadas)? |
a. Sí, las conozco y
las he utilizado b. Sí, las conozco,
pero no las he utilizado [Gracias por participar] c. No las conozco
[Gracias por participar] |
|
Personalización
apoyada de IA |
Percepción del consumidor sobre la capacidad de
la IA para comprender sus necesidades individuales, ofrecer soluciones
altamente adaptadas, identificar productos relevantes según sus intereses
personales y optimizar su experiencia de compra mediante una asistencia
personalizada que genera confianza y valor (Ho y Chow, 2023). |
Ho y Chow
(2023) |
P1- Siento que el uso de la inteligencia
artificial puede ayudar a satisfacer mis necesidades personales P2- Cuando tengo dificultades para encontrar
artículos, la información respaldada por inteligencia artificial demuestra un
auténtico interés en solucionar mi problema, ofreciéndome soluciones
altamente personalizadas P3- La inteligencia artificial es capaz de
perfeccionar la identificación de productos de manera más efectiva,
adaptándola específicamente a mis intereses personales. P4- Tengo plena confianza en que la inteligencia
artificial tiene la capacidad de enriquecer y optimizar mi experiencia de
compra |
Totalmente en desacuerdo = 1 En desacuerdo = 2 Ni de acuerdo ni en desacuerdo = 3 De acuerdo = 4 Totalmente de acuerdo = 5 |
|
Accesibilidad
de la IA |
Dimensión clave de la IA en marketing que se
refiere a la capacidad de la tecnología para evaluar y responder
oportunamente a la información del cliente, facilitando interacciones
eficientes y personalizadas (Ho & Chow, 2023). |
Ho y Chow (2023) |
A1- La inteligencia artificial proporciona
respuestas más oportunas. A2- La inteligencia artificial es accesible y
eficiente. A3- La inteligencia artificial puede proporcionar
una asistencia digital inmediata y valiosa. A4- La inteligencia artificial puede ofrecer
respuestas inmediatas en cualquier momento. |
Totalmente en desacuerdo = 1 En desacuerdo = 2 Ni de acuerdo ni en desacuerdo = 3 De acuerdo = 4 Totalmente de acuerdo = 5 |
|
Información
obtenida por IA |
Importancia atribuida por el consumidor a la
información generada por sistemas de IA para mejorar la toma de decisiones
mediante recomendaciones priorizadas (Peltier et al., 2024). |
Ho y Chow
(2023) |
I1- La inteligencia artificial ayuda a mantenerme
actualizado sobre nuevas tendencias y modas. I2- La inteligencia artificial proporciona
recomendaciones sobre los productos o servicios que me interesan o podrían
interesarme. I3- La inteligencia artificial proporciona
información que ayuda en mi decisión de compra |
Totalmente en desacuerdo = 1 En desacuerdo = 2 Ni de acuerdo ni en desacuerdo = 3 De acuerdo = 4 Totalmente de acuerdo = 5 |
|
Decisión de
compra en tiendas/apps de RA |
Constructo psicológico que
expresa el grado de anticipación y predisposición de la conducta futura de un
consumidor respecto a la adquisición de un bien o servicio (Hamouda, 2021;
Hung et al., 2011). |
Sohn y Kwon (2020) |
DC1- En el futuro tengo la intención de comprar
un producto en tiendas o aplicaciones de realidad aumentada DC2- Cuando compro un producto, el producto en
tiendas o aplicaciones de realidad aumentada será considerado primero DC3- Tengo la intención de recomendar el producto
de tiendas o aplicaciones de realidad aumentada a las personas que me rodean DC4- Planeo comprar el producto en una tienda o
aplicación de realidad aumentada pronto |
Totalmente en desacuerdo = 1 En desacuerdo = 2 Ni de acuerdo ni en desacuerdo = 3 De acuerdo = 4 Totalmente de acuerdo = 5 |
|
Demográficos Sexo Nivel
educativo Ocupación |
|
|
Sexo ¿Cuál es tu escolaridad? Mi ocupación es: |
Mujer, Hombre Sin estudios,
primaria, secundaria, preparatoria, universidad Estudiante a tiempo completo, estudiante
a medio tiempo, empleado y estudiante, otro. |
Fuente.
Elaboración propia
El
trabajo de campo se realizó entre octubre y diciembre de 2023. En total
participaron 148 personas. Y el análisis de resultados se llevó a cabo con el
software SmartPLS V4. Se realizó un análisis del
sesgo del método común a fin de verificar la validez del estudio, dado que las
encuestas fueron aplicadas de manera autoadministrada y se evaluaron todas las
variables al mismo tiempo. Para ello se utilizaron dos técnicas: el análisis
del factor de inflación de la varianza (VIF), donde resultados superiores a 3.3
indican colinealidad (Tsai & Bui, 2021), y el análisis factorial
exploratorio (AFE) a través de una solución no rotada en un sólo factor, donde
se espera que este explique menos del 50 % de la varianza (Kock et al., 2021).
Los resultados mostraron un factor único del 39.868% y valores VIF de los constructos
menores al punto de corte máximo, por lo que puede decirse que no existe sesgo
del método común.
Características
descriptivas
Participaron
81 mujeres (54.8%) y 67 hombres (45.2%). La mayoría de ellos se desempeñaba
como estudiantes a tiempo completo (80.4%), seguido por estudiantes a medio
tiempo (14.9%), y, en menor medida, empleados a tiempo parcial, es decir,
aquellos que trabajaban mientras estudiaban (4.7%). De los encuestados, 91
estaban matriculados en la universidad (61.5%), mientras que 45 cursaban
estudios de bachillerato (30.4%). Además, 6 participantes informaron haber
completado su bachillerato (4.05%), y otros seis (4.05%) indicaron haber
concluido sus estudios universitarios. Todos los encuestados residían en la
Ciudad de Puebla, en México.
Modelo
de medición
En
este apartado se analizaron la validez y la confiabilidad de los ítems y
constructos utilizados, así como la fiabilidad de los ítems y de cada
constructo, la varianza media extraída (AVE) y la validez discriminante (Hair
et al., 2021). Los resultados mostraron que todos los ítems cumplían con la
carga mínima aceptable de 0.708 y un valor t superior a ±1.96 (Hair et al.,
2021). Así, las cargas factoriales arrojaron valores entre 0.712 y 0.867 y
fueron significativas. Asimismo, se confirmó la existencia de validez
convergente, ya que tanto los valores de Alpha de Cronbach como de la
fiabilidad compuesta se encontraron por encima de 0.70, y las Varianzas
Extraídas Medias (AVE) arrojaron valores superiores a 0.50 (Hair et al., 2021).
En la tabla 2 se observan estos resultados.
Tabla 2
Validez convergente
|
Alpha de Cronbach |
Confiabilidad Compuesta (rho_a) |
Confiabilidad Compuesta (rho_c) |
Varianza Extraída Media (AVE) |
|
|
Accesibilidad
de la IA |
0.856 |
0.963 |
0.894 |
0.679 |
|
Información
obtenida por IA |
0.785 |
0.798 |
0.873 |
0.697 |
|
Personalización
apoyada de IA |
0.815 |
0.829 |
0.877 |
0.640 |
|
Decisión
de compra |
0.791 |
0.811 |
0.864 |
0.614 |
Fuente. Elaboración
propia en base a los resultados obtenidos
Para valorar
la validez discriminante se utilizó el criterio Heterotrait-Monotrait-Ratio (HTMT). Así, como se muestra en la tabla 3,
las correlaciones entre los constructos del modelo evidenciaron valores de HTMT
inferiores a 0.85 (Henseler et al., 2015), lo que confirmó la validez
discriminante.
Tabla 3
Validez discriminante a través
del criterio HTMT
|
Constructo |
Accesibilidad |
Decisión de compra |
Información |
|
Decisión de compra |
0.328 |
||
|
Información |
0.716 |
0.628 |
|
|
Personalización |
0.631 |
0.377 |
0.745 |
Fuente.
Elaboración propia en base a los resultados obtenidos
Análisis
del modelo estructural
Para
este análisis, se verificó que los valores de los factores de inflación de
varianza (VIF) no presentaran problemas de multicolinealidad, es decir, que no
existiera una alta correlación entre múltiples variables independientes en el
modelo. Para ello, cada valor VIF debe ser menor a 3.0 (Hair et al., 2020). Los
resultados mostraron que los constructos cumplieron con el criterio:
Accesibilidad -> Decisión de compra (VIF=1.798), Información -> Decisión
de compra (VIF=1.935), y Personalización -> Decisión de compra (VIF=1.697).
Una
vez verificada la inexistencia de multicolinealidad, se examinaron tanto el
tamaño como la significancia de los coeficientes de trayectoria, los cuales
cuando sus valores se acercan a -1 o a +1 se consideran coeficientes fuertes de
predicción (Hair et al., 2020). Los resultados mostraron que ni la
accesibilidad de la IA, ni la personalización apoyada en IA influyen sobre la
decisión de compra en tiendas/aplicaciones de realidad aumentada, solamente la
información obtenida por IA impacta sobre la decisión de compra en estas
tiendas/apps (Tabla 4), por lo tanto, solamente una de
las tres hipótesis propuestas fue validada. La figura 1 muestra el modelo
contrastado.
Tabla 4
Hipótesis, tamaño y
significancia de los coeficientes de trayectoria del modelo estructural
|
Hipótesis |
β |
Desviación estándar |
Estadístico t |
Valor p |
Resultado |
|
H1:
Accesibilidad -> Decisión de compra |
-0.036 |
0.104 |
0.346 |
0.729 n.s. |
Rechazada |
|
H2:
Información obtenida por inteligencia artificial-> Decisión de compra |
0.516 |
0.115 |
4.500 |
0.000* |
Validada |
|
H3:
Personalización -> Decisión de compra |
0.038 |
0.095 |
0.401 |
0.688n.s. |
Rechazada |
* p<0.001, n.s.= no significativa
Fuente:
Elaboración propia en base a los resultados obtenidos
Por
otro lado, respecto a la capacidad de predicción de los constructos, se utilizó
el coeficiente de determinación R² si este es mayor o igual a 0.67 significa
que la variable endógena es sustancialmente explicada, un valor alrededor de
0.35 indica una explicación moderada y si está alrededor de 0.19, refleja una
explicación débil (Henseler et al., 2009). El resultado arrojó una R² = 0.267,
lo que indica que la decisión de compra fue explicada moderadamente por la
información obtenida por la IA. Asimismo, se calculó el tamaño del efecto (f2),
este evalúa la capacidad predictiva de las variables exógenas del modelo; si el
resultado se encuentra entre 0.02 y 0.15 hay un efecto pequeño, entre 0.15 y
0.35, se trata de un efecto mediano, y valores superiores a 0.35 implican la
existencia de efectos grandes (Hair et al., 2020). Los resultados mostraron que
el tamaño del efecto de la accesibilidad sobre la decisión de compra es nulo (f2=0.001),
el de la información sobre la decisión de compra es mediano (f2=0.188),
y el de la personalización sobre la decisión de compra es prácticamente nulo (f2=0.001).
También
se analizó la relevancia predictiva fuera de la muestra a través del indicador
Q2; los valores superiores a cero son considerados significativos y
si se encuentran entre 0 y 0.24 muestran una relevancia predictiva pequeña,
entre 0.25 y 0.50 se dice que existe una relevancia predictiva media, mientras
que valores mayores a 0.50 muestran relevancia predictiva grande (Chin, 2010).
El valor Q2 de esta investigación fue de 0.237, lo que indica una
pequeña relevancia predictiva del modelo hacia la decisión de compra.
Figura 1
Modelo estructural
Accesibilidad β= -0.036, t=0.346 n.s. Decisión de compra R2=0.267 Información obtenida por IA Personalización β= -0.036, t=0.346
n.s. β=0.516,
t=4.5** β=
0.038, t=0.401 n.s. * p < 0.05, ** p< 0.001, n.s.= no significativa Fuente.
Elaboración propia en base a los resultados obtenidos
Esta
investigación analizó la influencia de la personalización, la accesibilidad y
la información apoyada por IA en la decisión de compra a través de tiendas y
aplicaciones de realidad aumentada en consumidores Phantom
pertenecientes a la generación Z residentes en la ciudad de Puebla, México. La
hipótesis 1 postuló que la accesibilidad a través de la IA influye
positivamente en la decisión de compra; sin embargo, los resultados no
confirmaron dicho efecto entre los consumidores Phantom
estudiados. Esto difiere de lo encontrado en estudios con otros tipos de
consumidores y en otros ámbitos (Yang & Yu,
2024). En el contexto estudiado, la evidencia indica que las respuestas
oportunas, la eficiencia y la asistencia inmediata de la IA no repercuten en la
decisión de compra futura en tiendas o aplicaciones de RA de estos
consumidores. Desde la perspectiva de la teoría UTAUT, la expectativa de
esfuerzo, es decir, la facilidad de uso del sistema,
es un factor predictor de la intención conductual (Venkatesh et al., 2003); no
obstante, en este estudio la evidencia no confirma lo anterior.
Por
otro lado, la hipótesis 2 evaluó si la información obtenida mediante IA influye
positivamente en la decisión de compra de los consumidores Phantom
estudiados. Los resultados confirmaron este efecto. Esto implica que, en el
contexto estudiado, la IA ayuda al consumidor a mantenerse actualizado sobre
nuevas tendencias y modas, le ofrece recomendaciones sobre productos o
servicios que pueden ser de su interés y le brinda información para tomar la
decisión de comprar en tiendas o aplicaciones apoyadas por RA. Es decir, la
información basada en IA se ha convertido en una ventaja competitiva para las
empresas y aporta un alto valor a los clientes. Otra ventaja de esta
información es que se encuentra en formato digital y puede entregarse de manera
visual, textual o auditiva (Ahmed & Ahmed, 2024), lo cual resulta útil
durante el proceso de compra de los clientes Phantom
estudiados. Desde la perspectiva de la teoría UTAUT, la expectativa de
rendimiento (información basada en IA) se refleja en la confianza del usuario
de que el sistema le ayudará a obtener el máximo beneficio, y este factor
predice la intención conductual (Venkatesh et al., 2003). Los resultados de
este estudio lo confirmaron.
Por
último, en la hipótesis tres se valoró si la personalización apoyada por IA influye
en la decisión de compra de los consumidores Phantom.
Aunque trabajos en otras áreas y con otros sujetos de estudio han encontrado
que la personalización es un aspecto clave en la decisión de compra (Pticek & Dobrinic, 2019; Solikhah et al., 2024), esta hipótesis se rechazó en el
contexto de los consumidores Phantom poblanos.
Aunque el sistema satisfaga necesidades personales, ofrezca soluciones a sus
problemas, atienda sus intereses y mejore su experiencia de compra, estos
atributos no influyen en su decisión de compra. Esto podría deberse a que estos
consumidores, pese a su afinidad tecnológica, suelen saber de antemano lo que
necesitan y no valoran la personalización (Rainsberger, 2023b). Desde la
perspectiva de la teoría UTAUT2, la motivación hedónica (personalización),
evidenciada en la satisfacción o el placer derivados del uso de la tecnología,
predice la intención conductual (Venkatesh et al., 2012); sin embargo, en este
estudio no se confirmó.
Conclusiones
Esta
investigación aporta evidencia empírica sobre tres factores críticos vinculados
a la decisión de compra de consumidores Phantom,
jóvenes altamente tecnológicos de la generación Z, en aplicaciones de realidad
aumentada (RA) y apoyadas por inteligencia artificial (IA). A partir de los
resultados de la evaluación de un modelo estructural, se concluye que, en el
contexto estudiado, la información proporcionada por la IA es el único
predictor significativo de la intención de compra en tiendas y aplicaciones
móviles con RA. Contrario a lo esperado por las teorías UTAUT y UTAUT2, ni la
accesibilidad ni la personalización mostraron efectos significativos, lo que
evidenció una brecha entre la teoría y el comportamiento de los sujetos de
estudio. Por ello, se considera que este trabajo plantea nuevas preguntas de
investigación sobre el perfil conductual de los consumidores Phantom, ya que es posible que su autonomía
tecnológica y su preferencia por interacciones rápidas y funcionales minimicen
el valor percibido de la personalización. Aunque se ha identificado que la
accesibilidad es un factor relevante en otros contextos, no parece constituir
una ventaja competitiva diferenciadora para el grupo estudiado.
Como
implicación práctica, se sugiere que las estrategias de marketing digital
dirigidas a consumidores Phantom prioricen la
calidad, la relevancia y la oportunidad de la información generada por IA, más
que la inversión en interfaces altamente personalizadas o accesibles. Esto implica
un rediseño de las interacciones en RA, orientado a la eficiencia informativa del
proceso de compra. Entre las limitaciones del estudio se encuentran el uso de
una muestra no probabilística y la focalización geográfica en una sola ciudad
mexicana, lo que impide la generalización de los resultados. Además, futuras
investigaciones podrían incorporar métodos de verificación más robustos, ya que
la identificación del perfil Phantom se basó
en la autodeclaración. Adicionalmente, se recomienda que trabajos futuros exploren
otros factores incluidos en los modelos UTAUT y UTAUT2 y sus efectos en otras
variables comportamentales como la intención de recompra y la interacción con
la plataforma.
Ahmed, M. R., & Ahmed, B.
(2024). Artificial Intelligence Creates Competitive Advantage. The Business
Review Journal, 30, 2-7. http://dx.doi.org/10.2139/ssrn.4939660
Al-Adwan, A. S., & Sammour, G.
(2020). What makes consumers purchase mobile apps: Evidence from Jordan. Journal
of Theoretical and Applied Electronic Commerce Research, 16(3),
562-583. https://doi.org/10.3390/jtaer16030034
Aldoseri, A., Al-Khalifa, K. N., & Hamouda, A. M.
(2024). AI-Powered
Innovation in Digital Transformation: Key Pillars and Industry Impact. Sustainability,
16(5), 1790. https://doi.org/10.3390/su16051790
Alotaibi,
E. K., Khanfar, I. A., Ismaeel, B., & Shkeer, A.
S. (2025). Analyzing the influence of direct marketing strategies on consumer
purchasing decisions. Heritage and Sustainable Development, 7(1),
329-338. https://doi.org/10.37868/hsd.v7i1.1133
Ameen, N., Tarhini, A., Reppel, A.,
& Anand, A. (2021). Customer experiences in the age of artificial
intelligence. Computers in Human Behavior, 114, 106548. https://doi.org/10.1016/j.chb.2020.106548
Armutcu, B., Tan, A., Ho, S. P. S., Chow,
M. Y. C., & Gleason, K. C. (2024). The effect of bank artificial
intelligence on consumer purchase intentions. Kybernetes.
Vol. ahead-of-print No. ahead-of-print. https://doi.org/10.1108/K-01-2024-0145
Blasiak, A., Khong, J., & Kee,
T. (2020). CURATE. AI: optimizing personalized medicine with artificial
intelligence. SLAS Technology: Translating Life Sciences Innovation, 25(2),
95-105. https://doi.org/10.1177/2472630319890316
Beyari, H., & Garamoun,
H. (2022). The effect of artificial intelligence on end-user online purchasing
decisions: Toward an integrated conceptual framework. Sustainability, 14(15),
9637. https://doi.org/10.3390/su14159637
Bhagat, R., Chauhan, V., &
Bhagat, P. (2023). Investigating the impact of artificial intelligence on
consumer’s purchase intention in e-retailing. Foresight, 25(2), 249-263.
https://doi.org/10.1108/FS-10-2021-0218
Canhoto, A. I., Keegan, B. J., & Ryzhikh, M. (2024). Snakes and ladders: Unpacking the personalisation-privacy Paradox in the context of
AI-Enabled personalisation in the physical Retail
Environment. Information Systems Frontiers, 26(3), 1005-1024. https://doi.org/10.1007/s10796-023-10369-7
Cao, L. (2021). Artificial
intelligence in retail: applications and value creation logics. International
Journal of Retail & Distribution Management, 49(7), 958-976. https://doi.org/10.1108/IJRDM-09-2020-0350
Chandra, S., Verma,
S., Lim, W. M., Kumar, S., & Donthu,
N. (2022). Personalization
in personalized marketing: Trends and ways forward. Psychology &
Marketing, 39(8), 1529-1562. https://doi.org/10.1002/mar.21670
Cheng, Y., & Jiang, H. (2022).
Customer–brand relationship in the era of artificial intelligence:
understanding the role of chatbot marketing efforts. Journal of Product
& Brand Management, 31(2), 252-264. https://doi.org/10.1108/JPBM-05-2020-2907
Chin, W.W. (2010). How to write up
and report PLS analyses. In Esposito, V.V., Chin, W., Henseler, J., Wang, H.
(Eds.). Handbook of Partial Least Squares: Concepts, Methods and Application
(pp. 645689). Springer.
Chinchanachokchai, S., Thontirawong,
P., & Chinchanachokchai, P. (2021). A tale of two
recommender systems: The moderating role of consumer
expertise on artificial intelligence based product
recommendations. Journal of Retailing and Consumer Services, 61, 102528.
https://doi.org/10.1016/j.jretconser.2021.102528
Dang, T. Q., Nguyen, T. M., Tran, P.
T., Phan, T. T. C., Huynh, T. B.,
& Nguyen, L. T. (2025). From reality to virtuality:
Unveiling Gen Z's purchasing behavior through virtual influencers in the
metaverse. Digital Business, 5(2), 100141. https://doi.org/10.1016/j.digbus.2025.100141
Davis, L., & Aslam, U. (2024).
Analyzing consumer expectations and experiences of Augmented Reality (AR) apps
in the fashion retail sector. Journal of Retailing and Consumer Services, 76,
103577. https://doi.org/10.1016/j.jretconser.2023.103577
Deniz-Garcia, A., Fabelo, H., Rodriguez-Almeida, A. J., Zamora-Zamorano, G., Castro-Fernandez, M., Alberiche Ruano,
M. D. P., Solvoll, T., Granja, C., Schopf, T.R., Callico, G.M., Soguero-Ruiz,
C., Wagner, A.M., & Warifa Consortium. (2023). Quality, usability, and
effectiveness of mHealth apps and the role of artificial intelligence: current
scenario and challenges. Journal of Medical Internet Research, 25,
e44030. https://doi.org/10.2196/44030
Dixit, R.S., Choudhary, S.L. &
Govil, N. Analyzing the impact of artificial intelligence on the online
purchase decision-making process through the lens of the UTAUT 2 model. Discover
Computing 28, 88-95. https://doi.org/10.1007/s10791-025-09575-5
Eastman, J. K., Iyer, R., Eastman,
K. L., Gordon‐Wilson, S., & Modi, P. (2021). Reaching the price
conscious consumer: The impact of personality, generational cohort and social
media use. Journal of Consumer Behaviour, 20(4),
898-912. https://doi.org/10.1002/cb.1906
Fithriya, Z., Benny, A. M.,
Margo, P., Ria, A., Anang, M., Tety, H., Danang, N.
& Budiana, R. (2019). User behaviour
intention using UTAUT2 model: A systematic literature review. Russian
Journal of Agricultural and Socio-Economic Sciences, 92(8), 265-273. https://doi.org/10.18551/rjoas.2019-08.29
Godey, B., Manthiou, A.,
Pederzoli, D., Rokka, J., Aiello, G., Donvito, R., & Singh, R. (2016). Social media
marketing efforts of luxury brands: Influence on brand equity and consumer
behavior. Journal of Business Research, 69(12),
5833-5841. https://doi.org/10.1016/j.jbusres.2016.04.181
Hair, J. F., Howard, M. C., &
Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using
confirmatory composite analysis. Journal of Business Research, 109,
101-110. https://doi.org/10.1016/j.jbusres.2019.11.069
Hair Jr, J. F., Sarstedt, M.,
Hamburg, C. M. R., Gudergan, S. P., Apraiz, J. C.,
Carrión, G. A. C., & Roldán, J. L. (2021). Manual avanzado
de Partial least squares structural equation modeling (PLS-SEM). Omnia
science.
Hamouda, M. (2021). Purchase
intention through mobile applications: a customer experience lens. International
Journal of Retail & Distribution Management, 49(10), 1464-1480. https://doi.org/10.1108/IJRDM-09-2020-0369
Henseler, J., Ringle, C.M., &
Sinkovics, R.R. (2009). The use of partial least squares path modeling in
international marketing., En Sinkovics, R.R. & Ghauri, P.N. (Ed.) New
Challenges to International Marketing. Vol. 20 (pp. 277-319). Emerald Group
Publishing Limited, Bingley. https://doi.org/10.1108/S1474-7979(2009)0000020014
Henseler, J., Ringle, C. M., &
Sarstedt, M. (2015). A new criterion for assessing discriminant validity in
variance-based structural equation modeling. Journal of the Academy of
Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8
Ho, S. P. S., & Chow, M. Y. C.
(2023). The role of
artificial intelligence in consumers’ brand preference for retail banks in Hong
Kong. Journal of Financial Services Marketing, 29, 292-305. https://doi.org/10.1057/s41264-022-00207-3
Hung, K. P., Huiling Chen, A., Peng,
N., Hackley, C., Amy Tiwsakul, R., & Chou, C. L. (2011). Antecedents of
luxury brand purchase intention. Journal of Product & Brand Management,
20(6), 457-467. https://doi.org/10.1108/10610421111166603
INEGI (2020). Población total por entidad federativa y
grupo quinquenal de edad, según sexo, para las series censales de 1990 a 2020.
https://www.inegi.org.mx/app/tabulados/interactivos/?pxq=Poblacion_Poblacion_01_e60cd8cf-927f-4b94-823e-972457a12d4b&utm_source
Villegas, A. (2024). ¿Por qué la generación Z elige el
comercio digital sobre las tiendas físicas?. El
Universal Puebla.
https://www.eluniversalpuebla.com.mx/economia-y-negocios/por-que-la-generacion-z-elige-el-comercio-digital-sobre-las-tiendas-fisicas/
Jain, V., Wadhwani, K., &
Eastman, J. K. (2024). Artificial intelligence consumer behavior: A hybrid
review and research agenda. Journal of Consumer Behaviour,
23(2), 676-697. https://doi.org/10.1002/cb.2233
Kang, J. Y. M., Kim, J. E., Lee, J.
Y., & Lin, S. H. (2023). How mobile augmented
reality digitally transforms the retail sector: examining trust in augmented
reality apps and online/offline store patronage intention. Journal of
Fashion Marketing and Management: An International Journal, 27(1), 161-181.
Kietzmann, J., Mills, A. J., & Plangger, K. (2021). Deepfakes: perspectives on the future
“reality” of advertising and branding. International Journal of Advertising,
40(3), 473-485. https://doi.org/10.1080/02650487.2020.1834211
Kim, H. W., Kankanhalli,
A., & Lee, H. L. (2016). Investigating decision factors in mobile
application purchase: A mixed-methods approach. Information &
Management, 53(6), 727-739. https://doi.org/10.1016/j.im.2016.02.011
Kock, F., Berbekova, A. y Assaf, A.
G. (2021). Understanding and managing the threat of common method bias:
Detection, prevention and control. Tourism Management, 86, 104330. https://doi.org/10.1016/j.tourman.2021.104330
Lefkeli, D., Karataş, M., & Gürhan-Canli, Z. (2024). Sharing information with AI
(versus a human) impairs brand trust: The role of audience size inferences and
sense of exploitation. International Journal of Research in Marketing, 41(1),
138-155.
Liang, Q., Liao, X., & Shang, J.
(2020). A multiple
criteria approach integrating social ties to support purchase decision. Computers & Industrial Engineering, 147,
106655. https://doi.org/10.1016/j.cie.2020.106655
Lopes, J. M., Silva, L. F., & Massano-Cardoso, I. (2024). AI Meets the Shopper:
Psychosocial Factors in Ease of Use and Their Effect on E-Commerce Purchase
Intention. Behavioral Sciences, 14(7), 616. https://doi.org/10.3390/bs14070616
Maghsudi, S., Lan, A., Xu, J., & van Der
Schaar, M. (2021). Personalized education in the artificial intelligence era:
what to expect next. IEEE Signal Processing Magazine, 38(3), 37-50. https://doi.org/10.1109/MSP.2021.3055032
Manser Payne, E. H., Dahl, A. J.,
& Peltier, J. (2021). Digital servitization value co-creation framework for AI services: a research
agenda for digital transformation in financial service ecosystems. Journal
of Research in Interactive Marketing, 15(2), 200-222. https://doi.org/10.1108/JRIM-12-2020-0252
McKee, K. M., Dahl, A. J., &
Peltier, J. W. (2024). Gen Z's personalization paradoxes: A privacy calculus
examination of digital personalization and brand behaviors. Journal of
Consumer Behaviour, 23(2), 405-422. https://doi.org/10.1002/cb.2199
Miranda, J.A. (2026). Generación Z en México: Así piensan, consumen y deciden los
jóvenes que ya marcan el rumbo del país. Merca2.0. https://www.merca20.com/generacion-z-en-mexico-asi-piensan-consumen-y-deciden-los-jovenes-que-ya-marcan-el-rumbo-del-pais/
Nodirovna, M. S., & Sharif oʻg‘li, A. S. (2024). E-Commerce
Trends: Shaping the Future of Retail. Open Herald: Periodical of Methodical
Research, 2(3), 46-49.
Pagala, I., Asir, M., Mere, K.,
Lestari, U. P., & Siddiqa, H. (2024). Consumer Behavior in the Age of AI:
The Role of Personalized Marketing and Data Analytics in Shaping Purchase
Decisions. Dinasti International Journal of Education Management & Social
Science, 5(6).
Pancic, M. (2023). Role of
AI-powered chatbots in building customer-brand relationships: using sequential
explanatory research design. Economic and Social Development: Book of
Proceedings, 197-216.
Paraskevi, G., Saprikis, V., & Avlogiaris, G. (2023). Modeling nonusers’ behavioral
intention towards mobile chatbot adoption: An extension of the UTAUT2 model
with mobile service quality determinants. Human Behavior and Emerging
Technologies, 1, 8859989. https://doi.org/10.1155/2023/8859989
Peltier, J. W., Dahl, A. J., &
Schibrowsky, J. A. (2024). Artificial intelligence in interactive marketing: a
conceptual framework and research agenda. Journal of Research in Interactive
Marketing, 18(1), 54-90. https://doi.org/10.1108/JRIM-01-2023-0030
Pticek, M., & Dobrinic, D. (2019). Impact of artificial intelligence on
purchasing decisions. Economic and Social Development: Book of Proceedings,
80-90. https://www.bib.irb.hr:8443/1188780/download/1188780.Book_of_Proceedings_esdPrague2019_Online.pdf#page=87
Rainsberger, L. (2023a). The modern
customer—The PHANTOM. En The Modern Customer–the PHANTOM: Customers on the
Run: How Sales Must Respond to Radically New Buying Behavior (pp. 35-74).
Wiesbaden: Springer Fachmedien Wiesbaden.
Rainsberger, L. (2023b). KISS the
PHANTOM—Grasping the Ungraspable. En The Modern Customer–the PHANTOM:
Customers on the Run: How Sales must Respond to Radically New Buying Behavior
(pp. 75-109). Wiesbaden: Springer Fachmedien
Wiesbaden.
Schapsis, C., Chiagouris,
L., & Wingate, N. (2025). Decoding Generation Z's habits: the augmented
reality shift from gimmick to utility in omni-digital shopping. Journal of
Product & Brand Management, 34(1), 119-135. https://doi.org/10.1108/JPBM-12-2023-4879
Šeric, M., Gil-Saura,
I., & Mollá-Descals, A. (2016). Can advanced technology affect
customer-based brand equity in service firms? An empirical study in upscale
hotels. Journal of Service theory and Practice, 26(1),
2-27. https://doi.org/10.1108/JSTP-10-2014-0239
Solikhah, E., Nugraheni, S., &
Pradana, F. R. (2024). A Online Purchase Decision for
Tourism: How do Social Media Marketing and Artificial Intelligence Impact it?
Online Purchase Decision for Tourism: How do Social Media Marketing and
Artificial Intelligence Impact it?. Bulletin of
Innovation in Management, 2(1), 1-10. https://doi.org/10.59247/bim.v2i1.222
Sohn, K., & Kwon, O. (2020).
Technology acceptance theories and factors influencing artificial
Intelligence-based intelligent products. Telematics and Informatics, 47,
101324. https://doi.org/10.1016/j.tele.2019.101324
Sudirjo, F., Astuti, A. K., Parandy, L. M., Kowey, W. O., & Transistari,
R. (2023). Analysis of The Influence of Electronic Word of Mouth, Brand
Awareness and Digital Accessibility on Purchase Decision of Sayurbox
Consumers. Jurnal
Informasi dan Teknologi, 5(4). 53-58.
Tamilmani, K., Rana, N. P., Prakasam,
N., & Dwivedi, Y. K. (2019). The battle of Brain vs. Heart: A literature review and
meta-analysis of “hedonic motivation” use in UTAUT2. International Journal
of Information Management, 46, 222-235. https://doi.org/10.1016/j.ijinfomgt.2019.01.008
Thirumalai, S., & Sinha, K. K.
(2013). To personalize or not to personalize online purchase interactions:
implications of self-selection by retailers. Information Systems Research,
24(3), 683-708. https://doi.org/10.1287/isre.1120.0471
Tsai, F. M. y Bui, T. D. (2021).
Impact of word of mouth via social media on consumer intention to purchase
cruise travel products. Maritime Policy & Management, 48(2),
167-183. https://doi.org/ 10.1080/03088839.2020.1735655
Venkatesh, V., Morris, M. G., Davis,
G. B., & Davis, F. D. (2003). User Acceptance of Information Technology:
Toward a Unified View. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
Venkatesh, V., Thong, J. Y., &
Xu, X. (2012). Consumer acceptance and use of information technology: extending
the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412
Vo, D. T., Nguyen, L. T. V.,
Dang-Pham, D., & Hoang, A. P. (2024). When young customers co-create value
of AI-powered branded app: the mediating role of perceived authenticity. Young
Consumers, 25(5), 557-578. https://doi.org/10.1108/YC-06-2023-1759
Voicu, M. C., Sîrghi, N., &
Toth, D. M. M. (2023). Consumers’ experience and satisfaction using augmented
reality apps in E-shopping: New empirical evidence. Applied Sciences, 13(17),
9596. https://doi.org/10.3390/app13179596
Yang, X., & Yu, Z. (2024).
Interplay of network information dissemination in the era of big data on environmental sustainable development and agricultural
consumers' purchase decisions. Journal of King Saud University-Science, 36(4),
103117. https://doi.org/10.1016/j.jksus.2024.103117
[1] Dra. Dirección y
Mercadotecnia; profesora-investigadora; Escuela de Negocios, Departamento de
Ciencias Económico-Administrativas, Universidad Popular Autónoma del Estado de
Puebla; México, Mercadotecnia e Innovación, judith.cavazos@upaep.mx, https://orcid.org/0000-0002-6258-289X
[2] Dra. Planeación
Estratégica y Dirección de Tecnología, profesora-investigadora; Departamento de
ingeniería industrial y manufactura, Instituto de ingeniería y tecnología; Universidad
Autónoma de Ciudad Juárez; México, Comportamiento Organizacional y estrategia,
amaynez@uacj.mx, https://orcid.org/0000-0001-8174-3807
[3] Lic. Mercadotecnia,
Coordinador de marketing; Dingus & Zazzy Agency; México, Mercadotecnia y
nuevas tecnologías, Lhordaz@gmail.com, https://orcid.org/0009-0009-8116-8684