Retos, 15(29), 2025 Revista de Ciencias de la Administración y Economía
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
www.retos.ups.edu.ec
abril-septiembre 2025
pp. 9-27
https://doi.org/10.17163/ret.n29.2025.01
Revista de Ciencias de Revista de Ciencias de
Administración y EconomíaAdministración y Economía
Aceptación de la Inteligencia Artificial Generativa
en la industria creativa: el rol del modelo UTAUT,
reconocimiento y la confianza de marca en su adopción
Acceptance of Generative AI in the creative industry: the role of
UTAUT, brand recognition and trust in adoption
Dominika Weglarz
Candidata a doctora en la Universidad Oberta de Cataluña, España
dweglarz@uoc.edu
https://orcid.org/0009-0000-0248-676X
Cintia Pla-Garcia
Profesora e investigadora de la Universidad Oberta de Cataluña, España
cplag@uoc.edu
https://orcid.org/0000-0001-7276-6257
Ana Isabel Jiménez-Zarco
Profesora e investigadora en la Universidad Oberta de Cataluña, España
ajimenezz@uoc.edu
https://orcid.org/0000-0002-8980-6814
Recibido: 04/01/25 Revisado: 27/01/25 Aprobado: 17/02/25 Publicado: 01/04/25
Resumen: el estudio explora los factores que influyen en la adopción de la inteligencia artificial (IA Gen) en la industria creativa, tomando como
referencia la Teoría Unificada de Aceptación y Uso de Tecnología (UTAUT), y la teoría del capital de marca. Numerosos estudios han demostrado
la capacidad explicativa del modelo UTAUT en la adopción tecnológica en diferentes sectores; sin embargo, no se había analizado cómo el capital
de marca, especialmente el conocimiento y la confianza influye a la adopción de la Inteligencia Artificial Generativa. El capital de la marca es espe-
cialmente relevante en la industria creativa, donde el bajo conocimiento tecnológico hace que la marca de IA sea una fuente clave de información e
influencia en la toma de decisiones. Una muestra de 208 profesionales creativos de EE. UU. y España validó el modelo propuesto utilizando PLS-
SEM. Los resultados indican que la expectativa de rendimiento, las condiciones facilitadoras y la confianza en la marca influyen positivamente
en la intención de uso de la IA Generativa, mientras que el reconocimiento de marca tiene un efecto negativo. La influencia social y la expectativa
de esfuerzo no presentaron resultados estadísticamente significativos. El modelo explica el 67 % de la varianza en la intención de uso (R² = 0.679),
indicando un alto poder predictivo. Se destaca la importancia del desempeño, soportes accesibles y confianza en la marca, abordando los desafíos
de la percepción y reconocimiento de marca.
Palabras clave: Inteligencia Artificial Generativa, UTAUT, reconocimiento, confianza, industrias creativas, Adobe, capital de marca, adopción de
tecnología.
Cómo citar: Weglarz, D., Pla-Garcia, C. y Jiménez-Zarco, A. I. (2025). Aceptación de la Inteligencia Artificial Generativa en la
industria creativa: el rol del modelo UTAUT, reconocimiento y la confianza de marca en su adopción. Retos Revista de Ciencias
de la Administración y Economía, 15(29), pp. 9-27. https://doi.org/10.17163/ret.n29.2025.01
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
10 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
Abstract: this study explores the factors influencing the adoption of Generative AI in the creative industry, focusing on the Unified Theory of
Acceptance and Use of Technology (UTAUT) factors: performance expectancy, effort expectancy, facilitating conditions, social influence, and
consumer-based brand equity factors: brand recognition and brand trust. While previous research has emphasized the importance of UTAUT
constructs in technology adoption, the influence of brand equity factors remains underexplored. This study bridges this gap and provides insights
to enhance adoption strategies. Standardized questionnaires were used, incorporating UTAUT constructs and brand-related variables such as
Brand Recognition and Brand Trust. A sample of 208 creative professionals from the US and Spain validated the proposed model using PLS-SEM.
Results reveal that performance expectancy, facilitating conditions, and brand trust positively influence the behavioral intention to use Generative
AI tools, while brand recognition negatively influences behavioral intention. Social influence and effort expectancy did not present statistically
significant results. The model explains 67 % of the variance in behavioral intention (R² = 0.679), indicating strong predictive power. These insights
contribute to developing effective adoption strategies for Generative AI in the creative industry.
Keywords: Generative artificial intelligence, UTAUT, recognition, trust, creative industries, Adobe, brand equity, technology adoption.
Introducción
En la actualidad, la industria creativa se carac-
teriza por los rápidos cambios que se han produ-
cido a raíz de la revolución digital. La creciente
interacción del sector creativo con las tecnologías
ha dado lugar a nuevas formas de expresión ar-
tística (Abbasi et al., 2017). A través de la Inteli-
gencia Articial Generativa (IA Gen) estamos
experimentando avances transformadores, per
-
mitiendo niveles sin precedentes de eciencia y
creatividad. Por lo tanto, se necesita comprender
los criterios de adopción entre los profesionales
para el éxito de esta innovación, especialmente en
aquellas industrias que la utilizan en su día a día.
El sector creativo se basa en la originalidad y la
producción de ideas imaginativas, que requieren
la participación humana. IA Gen se está utilizando
en ujos de trabajo creativos, ofreciendo benecios
potenciales en la productividad y la eciencia de
tiempo (Vinchon et al., 2023). El creciente rol de la
IA Gen ha impulsado una agenda de investigación
para explorar su impacto en la fuerza de trabajo
creativa. Aunque somos testigos del crecimiento
de la generación de la IA Gen en 2024, una de
las primeras tomas en el despliegue de esta en
el sector creativo tuvo lugar en 2016. Se creó el
Next Rembrandt, y se produjo la pintura impresa
tridimensional solamente basada en datos de en-
trenamiento de la cartera de Rembrandt.
Figura 1
El Next Rembrandt
Nota. Wunderman Thompson, 2016.
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
11
La adopción de la IA Gen ha aumentado expo-
nencialmente desde el lanzamiento del Next Rem-
brandt. Esto se demuestra al usar el arte de la IA
Gen como una nueva disciplina. Con el auge de
las artes generadas por la IA Gen, las galerías y los
curadores se están adaptando rápidamente. Por
ejemplo, The UnReal Exhibition, parte de NSDM
Fuse en Ámsterdam muestra una amplia varie-
dad de arte realizada en IA Gen y de escritores
artistas, explorando los límites de la creatividad
y la última tecnología. En diciembre de 2023 se
inauguró en Nueva York otra galería de arte de
IA Gen. Artechouse- World of AI-Imagination es
una exposición de arte que combina la creatividad
humana y los grácos computacionales de IA Gen
de vanguardia (Artechouse, 2023). La exposición
Artechouse está construida sobre la base del hard-
ware NVIDIA y su herramienta generativa de IA.
Estas exposiciones son una forma de mostrar el
potencial de la IA Gen en la industria creativa
y dominar sus capacidades, porque esta se está
convirtiendo en una parte integral del proceso
artístico (Smith, 2022). Cumplen los deseos de
nuevas formas de arte, a la par que proporcionan
una discusión reexiva sobre la producción de
arte y el signicado de la creatividad, brindando
una nueva percepción de utilizar la generación
de inteligencia articial como una herramienta
creativa en la era del arte digital (Smith, 2022). La
comunidad creativa adopta la IA Gen de muchas
maneras, desde la creación de contenido hasta la
racionalización de las tareas.
Figura 2
Ejemplos de exposiciones de arte de IA Gen
Nota. Smith, 2022.
Figura 3
Artechouse-World of AI-Imagination, Nueva York, 2023
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
12 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
A medida que los profesionales de las indus-
trias creativas aprovechan la IA Gen para agilizar
las tareas y mejorar su trabajo, su uso va en au-
mento (Sánchez, 2023). La investigación sugiere
que la IA Gen podría automatizar hasta el 26 %
de las funciones en los sectores de artes, diseño,
entretenimiento, medios y deportes (Hatzius et al.,
2023). De igual manera, otros hallazgos indican
que el 75 % de los profesionales creativos consi-
deran a la IA Gen útil para tareas como la edición
de imágenes y la búsqueda, enfatizando su papel
como facilitador más que como creador (Anan-
trasirichai y Bull, 2022). Desde el lanzamiento
de ChatGPT, IA Gen ha permitido la creación de
contenido original utilizando mensajes de len
-
guaje natural y ha ganado rápido protagonismo
debido a sus interfaces fáciles de usar (Chui, 2023;
Anantrasirichai y Bull, 2020).
Sin embargo, surgen preocupaciones éticas en
medio de la creciente adopción. Estas tienen sus
raíces en la originalidad, la autoría y el potencial
para el desplazamiento laboral. A medida que
los sistemas de IA Gen producen cada vez más
trabajos creativos, surgen preguntas con respec-
to a la propiedad y pueden conducir a dilemas
éticos y al rechazo de la tecnología (Chen, 2024;
Caporusso, 2023). Por lo que se necesita abordar
estas preocupaciones para fomentar la adopción.
El modelo de Teoría Unicada de Aceptación y
Uso de la Tecnología (UTAUT) se ha convertido
en un marco útil para comprender y predecir
la adopción de esta tecnología (Yin et al., 2023,
Menon y Shilpa, 2023, Cabrera-Sánchez, 2021).
El modelo UTAUT integra ocho teorías funda-
cionales, incluyendo el Modelo de Aceptación de
Tecnología (TAM), la Teoría de Acción Razona-
da (TRA) y la Teoría de Difusión de Innovación
(IDT). UTAUT considera cuatro factores clave;
expectativa de desempeño (PE), expectativa de
esfuerzo (EE), inuencia social (SI) y condiciones
facilitadoras (FC) (Venkatesh et al., 2003).
Según este modelo, la PE = expectativa de
desempeño representa las percepciones de los
individuos sobre los benecios y la utilidad que
esperan obtener del uso de la nueva tecnología;
expectativa de esfuerzo (EE) se dene como el
grado de facilidad asociado con el uso de la nueva
tecnología; SI= inuencia social es el grado en
que un individuo percibe que otros importantes
creen que debería utilizar la última tecnología;
y condiciones facilitadoras (FC) es el grado en
que un individuo cree que existe infraestructura
tecnológica para apoyar el uso de la nueva tec-
nología (Venkatesh et al., 2003). En la gura 4 se
presenta el modelo UTAUT original.
Figura 4
Modelo de la teoría unicada de la aceptación y uso de la tecnología
Nota. Venkatesh et al., 2003.
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
13
UTAUT se ha utilizado para examinar la adop-
ción de la IA Gen en varias industrias, como la
salud y la seguridad (De Almeida et al., 2023),
los servicios nancieros (Jiang et al., 2024) y, por
último, las industrias creativas (Yin et al., 2023,
Menon y Shilpa, 2023). Los resultados resaltan
la expectativa de desempeño, la expectativa de
esfuerzo y la inuencia social como predictores
signicativos del uso de la IA Gen, sin un impacto
importante de condiciones facilitadoras (Yin et
al., 2023; Menon y Shilpa, 2023; Cabrera-Sánchez,
2021). A pesar de sus benecios, las limitaciones
de esta tecnología, como la falta de autenticidad
y de contacto personal, siguen siendo motivo de
preocupación para los usuarios de la industria
creativa (Wang et al., 2023).
Sin embargo, la mayoría de los profesionales
creativos ven a la IA Gen como una herramienta
para complementar sus habilidades en lugar de
reemplazarlas, subrayando la importancia de
fomentar el entendimiento y la aceptación (Yin
et al., 2023). Yin et al. (2023) aplicaron el modelo
UTAUT2, incorporando motivación hedónica, va-
lor de precio y hábito, mientras que Zhang (2020)
se centró en la música, examinando factores como
la expectativa de rendimiento, la expectativa de
esfuerzo, la inuencia social, la innovación indi-
vidual y el valor percibido. En particular, Zhang
encontró que la innovación percibida tuvo el ma-
yor impacto en la adopción de la música por IA
Gen, seguida por la expectativa de rendimiento
y la expectativa de esfuerzo. Sin embargo, es-
tos hallazgos están limitados geográcamente y
no proporcionan ideas universales. La industria
creativa en las culturas occidentales puede de-
mostrar patrones distintos inuenciados por el
individualismo, la autonomía creativa y las acti-
tudes diferentes hacia las tecnologías emergentes
(Cabrera-Sánchez, 2021).
Como se indicó en la investigación anterior, la
intención conductual, que determina la acepta-
ción del uso de IA Gen, puede atribuirse fuerte-
mente a la expectativa de desempeño (Maican et
al., 2023, Menon y Shilpa, 2023, Cabrera-Sánchez,
2021), la expectativa de esfuerzo (Zhang, 2020,
Menon y Shilpa, 2023), la condición facilitado-
ra (Menon y Shilpa, 2023), y la inuencia social
(Maican et al., 2023, Menon y Shilpa, 2023). La
investigación mostró que el impacto de la ex-
pectativa de esfuerzo es más notable en casos de
baja creatividad (Maican et al., 2023). Si bien estos
estudios mejoran el marco UTAUT incorporando
variables como la conanza de los usuarios y las
respuestas emocionales, pasan por alto factores
adicionales que podrían apoyar a los usuarios
en industrias caracterizadas por una experiencia
tecnológica limitada.
Las industrias creativas a menudo carecen de
un buen conocimiento de la innovación, diferen-
tes niveles de madurez y falta de habilidades, lo
que presenta una barrera para el rápido uso de
la tecnología (Abbasi et al., 2017). Esta brecha
requiere depender de diferentes maneras de ase-
gurar la calidad. En industrias con conocimien-
tos tecnológicos limitados, la equidad de marca
basada en el consumidor es un sustituto de la
evaluación directa de la calidad. La conanza
que proporcionan los factores de marca apoya
la toma de decisiones y reduce la incertidumbre
(Abbasi et al., 2017). El reconocimiento y la con-
anza de la marca son componentes esenciales de
la equidad de la marca basada en el consumidor,
que modela el comportamiento del consumidor
a lo largo del recorrido del consumidor. El reco-
nocimiento de marca se reere a la capacidad
de los consumidores para recordar o identicar
una marca dentro de una categoría de producto
y progresa en tres etapas: reconocimiento (con-
ciencia asistida), recuerdo (conciencia no asistida)
y parte superior de la mente (opción preferida)
(Kathuria et al., 2018). El fuerte reconocimiento de
la marca es crucial en las primeras etapas del viaje
del consumidor, donde garantiza la inclusión de
la marca en los conjuntos de consideración du-
rante las fases de reconocimiento de la necesidad,
búsqueda de información y evaluación (García
y Yábar, 2023). El alto reconocimiento facilita la
toma de decisiones, fomenta la lealtad y aumenta
las intenciones de compra (Izza et al., 2024; Rubio
et al., 2014). La conanza en la marca se basa en
el reconocimiento, lo que representa la conanza
en la capacidad de una marca para cumplir sus
promesas y cumplir sus expectativas (García y
Yábar, 2023). La conanza modera la percepción
del riesgo, promueve el compromiso del cliente
y profundiza las conexiones emocionales con
una marca (Hess y Story, 2005). La conanza
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
14 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
es necesaria en las industrias basadas en servi-
cios, donde las evaluaciones emocionales y las
repetidas interacciones positivas impulsan las
relaciones a largo plazo (Bowden, 2014). Tanto el
reconocimiento como la conanza impactan en el
uso de la marca. El reconocimiento simplica las
decisiones, creando familiaridad y asociaciones
positivas (Rios y Riquelme, 2010). La conanza
refuerza la lealtad alineando los valores de marca
con los valores de los consumidores, fomentando
el compromiso y reduciendo los riesgos percibi-
dos (Roets et al., 2014).
Este estudio busca abordar la brecha de in-
vestigación mediante la investigación del pa-
pel de los factores relacionados con la marca en
la conguración de la aceptación de la IA Gen
entre los individuos en las industrias creativas,
para mejorar la garantía de calidad en sectores
con conocimientos tecnológicos limitados. Esta
investigación se basa en el modelo UTAUT por-
que su validez ha sido comprobada en entornos
profesionales y empresariales (Chatterjee et al.,
2021; Zhang, 2020). Su objetivo es abordar esta
brecha explorando cómo los factores de equidad
de marca interactúan con los constructos UTAUT
establecidos para dar forma al comportamiento
del usuario y ayudar a los profesionales creativos
a adaptar la IA Gen de forma efectiva.
Materiales y métodos
Modelo teórico e hipótesis
Con base en las preguntas de investigación
se establecieron los siguientes modelos teóricos
e hipótesis para el estudio:
Expectativa de rendimiento
La expectativa de rendimiento es el grado en
el que un individuo que trabaja en la industria
creativa cree que las herramientas de texto a ima-
gen de la generación de inteligencia articial le
ayudarán a obtener mejoras en el rendimiento
laboral. Las herramientas de la IA Gen pueden
afectar signicativamente a los ujos de trabajo al
automatizar tareas repetitivas y permitir la crea-
ción de contenido o ideación. Estudios previos
mostraron que la expectativa de desempeño pre-
dice signicativamente la intención conductual
de usar la IA Gen (Maican et al., 2023; Menon y
Shilpa, 2023; Cabrera-Sánchez, 2021). Las per-
sonas esperan que el uso de la tecnología de la
IA Gen mejore su rendimiento laboral (Yin et al.,
2023). Por lo tanto, la hipótesis se estructura de
la siguiente manera:
H1: La expectativa de rendimiento influ-
ye positivamente en el aumento de la
intención del uso de las herramientas de
Inteligencia Artificial Generativa de imá-
genes a partir de texto.
Expectativa de esfuerzo
La expectativa de esfuerzo es el grado de fa-
cilidad asociado con el uso de herramientas de
texto a imagen de IA Gen por parte de indivi-
duos que trabajan en la industria creativa. Las
herramientas de IA Gen, aunque pueden me-
jorar la ecacia del trabajo, requieren interfaces
fáciles de usar y un uso intuitivo para lograr la
adaptación entre los nuevos usuarios. Estudios
previos conrman que la expectativa de esfuerzo
impacta positivamente en la intención conduc-
tual, especialmente en campos donde interfaces
complejas o no intuitivas pueden disuadir el uso
regular (Chuyen y Vinh, 2023). Creemos que los
profesionales de la industria creativa preeren
herramientas con un esfuerzo educativo minimi-
zado (Bravo et al., 2020). La facilidad de uso de
una nueva herramienta reduce las barreras a la
adopción, haciendo de la expectativa de esfuerzo
un importante predictor en sectores dinámicos,
como la industria creativa (Zhang, 2020; Menon
y Shilpa, 2023). Por lo tanto, la hipótesis se es-
tructura de la siguiente manera:
H2: La expectativa de esfuerzo influ-
ye positivamente en el aumento de la
intención del uso de las herramientas de
Inteligencia Artificial Generativa de imá-
genes a partir de texto.
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
15
Influencia social
La inuencia social es el grado en que un
individuo que trabaja en la industria creativa
percibe que la gente importante cree que él o ella
debe usar las herramientas de texto a imagen de
la IA Gen. Los profesionales creativos pueden
conar en las opiniones externas de los clientes,
compañeros de trabajo o líderes de la industria.
Los estudios sobre la adopción de IA Gen en la
industria del diseño demostraron que es probable
que los individuos adopten dichas tecnologías
si perciben que sus pares o líderes inuyentes
respaldan su uso (Chuyen y Vinh, 2023). Además,
otros estudios encontraron que los profesiona-
les de la industria musical a menudo adoptan
herramientas de la IA Gen basadas en tenden-
cias a nivel industrial, reejando el impacto de
la inuencia social en la adopción de la IA Gen
(Maican et al., 2023). Por lo tanto, la hipótesis se
estructura de la siguiente manera:
H3: La influencia social influye positiva-
mente en el incremento la intención del
uso de las herramientas de Inteligencia
Artificial Generativa de imágenes a partir
de texto.
Condición facilitadora
La condición facilitadora es el grado en que
una persona que trabaja en la industria creativa
cree que la infraestructura técnica de la organi-
zación existe para apoyar el uso de herramientas
de texto a imagen de la generación de inteligencia
articial, y comprende el apoyo organizativo, de
capacitación y técnico disponible para el usuario.
Se ha demostrado que la condición facilitadora
mejora las estrategias que promueven la acepta-
ción de IA Gen (Menon y Shilpa, 2023). La dis-
ponibilidad de un entrenamiento y aprendizaje
robusto impacta positivamente en la conanza del
usuario, lo que indica que facilitar la condición
es un predictor de uso de la IA Gen (Chuyen y
Vinh, 2023). Por lo tanto, la hipótesis se estructura
de la siguiente manera:
H4: Facilitar la condición influye positiva-
mente en el aumento de la intención del
uso de las herramientas de Inteligencia
Artificial Generativa de imágenes a partir
de texto.
Reconocimiento de marca
El reconocimiento de marca es la capacidad de
las personas que trabajan en la industria creativa
de recordar la marca en una categoría de servicios
de texto a imagen de la generación de IA Gen. El
reconocimiento de marca es el primer paso en el
camino del consumidor y la decisión de empe-
zar a usar un producto (Sasmita y Suki, 2015).
Además, los consumidores preeren utilizar solo
marcas reconocidas con un buen historial de ren-
dimiento (Kathuria et al., 2018). Por lo tanto, la
hipótesis se estructura de la siguiente manera:
H5: Cuanto más reconocida la marca de
la Inteligencia Artificial Generativa de
imágenes a partir de texto, más influen-
cia positiva en la intención de uso tiene.
Confianza en la marca
La conanza en la marca es la conanza que
las personas que trabajan en la industria creativa
tienen en la capacidad de la marca para cumplir
sus promesas. En estudios anteriores vimos que
la conanza en la capacidad de la herramienta de
IA Gen para proporcionar el mejor rendimiento
de la tarea y la conanza en el cumplimiento de
la promesa de servicio son predictores de la adop-
ción de IA Gen (Cabrera-Sánchez, 2021). Además,
la satisfacción y la calidad del servicio impactan
positivamente en la adopción del servicio de IA
Gen (Chatterjee et al., 2021). Por lo tanto, la hipó-
tesis se estructura de la siguiente manera:
H6: Cuanto más confiable la marca de la
Inteligencia Artificial Generativa de imáge-
nes a partir de texto, más influencia posi-
tiva en la intención de uso tiene.
Nuestro modelo teórico se presenta en la
gura 5:
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
16 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
Figura 5
Modelo teórico e hipótesis
Recopilación de datos
Las hipótesis se validaron utilizando el cues-
tionario estandarizado Qualtrics, adoptando los
ítems sugeridos por Venkatesh et al. (2012) en
aceptación y uso de la tecnología de la informa-
ción por parte del consumidor: ampliar la teoría
unicada de aceptación y uso de la tecnología.
Además, se introdujeron dos variables relacio-
nadas con la marca: reconocimiento de marca y
conanza de marca, adoptando elementos su-
geridos por Wang et al. (2008), en “Global brand
equity model: combinar enfoques basados en el
cliente con enfoques de resultados del mercado
de productos“.
La plataforma de texto a imagen de Adobe Fi-
rey se especicó como el tema para las variables
de equidad de marca basadas en el consumidor.
El cuestionario constaba de dos secciones: Socio-
demográcos (género, edad, lugar de residencia,
perl creativo-ocupacional, experiencia con la IA
Gen y factores que inuyen en la intención de uso;
ítems seleccionados para constructos de expec-
tativa de rendimiento, expectativa de esfuerzo,
inuencia social, condiciones facilitadoras, reco-
nocimiento de marca, conanza de marca.
Cada constructo constaba de cinco ítems,
adaptados de las escalas originales menciona-
das anteriormente. No se realizó ninguna prueba
previa, ya que estos ítems han sido ampliamente
utilizados y adaptados por otros investigadores.
Los encuestados evaluaron cada variable utilizan-
do una escala Likert de 7 puntos (1: “Totalmente
en desacuerdo” a 7: “Totalmente de acuerdo”).
El estudio se centró en una muestra de personas
que trabajan en la industria creativa en Estados
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
17
Unidos y España. El cuestionario se distribuyó a
través de comunidades creativas en línea utilizan-
do un enlace de encuesta. La muestra fue extraída
al azar de un colectivo creativo de profesionales
en publicidad, marketing y otras industrias crea-
tivas. Esta selección aleatoria tuvo como objetivo
minimizar el sesgo y mejorar la generalización
de los resultados. Después de las condiciones de
Westland (2010) y Soper (2024) para realizar PLS-
SEM se recogieron un total de 224 respuestas y
208 fueron respuestas completas y válidas. Este
número de respuestas nos proporciona un tamaño
de muestra superior al mínimo requerido para
la estructura del modelo y el margen de error es
inferior al 5 % deseado.
Resultados y discusión
Análisis de datos
En primer lugar, se analizaron las estadísticas
descriptivas de la muestra. La muestra total de
224 presenta las siguientes características en la
tabla 1. De la muestra total, 208 fueron respuestas
válidas que sirven de base para el análisis del
modelo de medición.
Tabla 1
Descripción de la muestra
Muestra %
Edad
Menos de 35 103 46
Mayor de 35 121 54
Género
Femenino 93 41,5
Masculino 130 58
Prefiero no decir 1 0,5
Lugar de residencia
España 104 46,5
USA 104 46,5
Otros 16 7
Experiencia con IA Gen
Sí 138 62
No 86 38
Experiencia con IA Gen Texto a imagen
Sí 88 39
No 136 61
Para validar el modelo propuesto, los datos
se sometieron a análisis mediante el método de
mínimos cuadrados parciales (PLS), que permite
el análisis de relaciones complejas entre variables
y las pone en práctica (Hair et al., 2017). Los datos
se analizaron con el software SmartPLS 4.0. El
análisis de los datos se estructuró en dos fases
clave: la evaluación del modelo de medición y
el análisis del modelo estructural.
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
18 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
En la primera fase, se evaluó la abilidad y va-
lidez del modelo de medición, calculando el alfa
de Cronbach (α), la abilidad compuesta (CR) y la
varianza media extraída (AVE). Se examinaron las
cargas factoriales (λ) para determinar la abilidad
individual del ítem, y se evaluó la validez discri-
minante utilizando el criterio de Fornell-Larcker,
asegurando que la raíz cuadrada del AVE de un
constructo supera sus correlaciones con otros
constructos (Hair et al., 2017). Adicionalmente,
se analizó la validez individual de la condición
formativa facilitadora de constructos. Se reali-
zó una revisión exhaustiva de la literatura para
asegurar la validez de la condición facilitadora
como un constructo formativo. Los estudios que
aplican UTAUT en áreas como la educación, la
banca móvil y las bibliotecas digitales destacan
sistemáticamente que la condición facilitadora
reeja factores habilitantes distintos (por ejemplo,
apoyo técnico y organizativo), lo que justica una
especicación formativa (Sanmukhiya, 2020, Han-
dayani, 2023). El valor de la validez convergente
en el estudio de Sanmukhiya conrma que las
condiciones facilitadoras se miden efectivamen-
te como un constructo formativo (Sanmukhiya,
2020). Se evaluó la multicolinealidad utilizando el
Factor de Inación de Varianza (VIF), con valores
por debajo del umbral recomendado de 3 (Hair et
al., 2019). Luego se evaluaron los pesos exteriores
y las cargas para medir la contribución de cada
indicador al constructo latente. Finalmente, la
validez discriminante se vericó utilizando la
ratio HTMT. En la segunda fase, se analizó el
modelo estructural utilizando la técnica de boots-
trapping para probar las hipótesis propuestas. Esto
incluyó estimar la signicancia de las relaciones
variables a través de las estadísticas t, los valores
p y los coecientes de ruta (β), lo que llevó a las
conclusiones del estudio.
Evaluación del modelo de medición
En primer lugar, se evaluó la validez de todos
los elementos individuales del modelo original.
Las cargas externas deberían ser idealmente de
0,708 o más (Bagozzi y Yi, 1988; Hair et al., 2019).
Esto indica que el indicador explica al menos el
50 % de la varianza en el constructo (desde 0,708²
≈ 0,50). Utilizamos el modelo teórico para validar
el modelo de medición a través de PLS-SEM, cen-
trándonos en evaluar todas las variables latentes
para su abilidad y validez. Una vez validado,
ajustamos nuestro modelo de medición mostrado
en la gura 6.
Figura 6
Modelo de medición
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
19
Como se muestra en la tabla 2, se determinó
la validez de los distintos elementos. Todas las
cargas externas para constructos reectantes PE,
EE, SI, BR, BT y BI están muy por encima de 0,708,
lo que sugiere niveles sucientes de conabilidad
del indicador. Solo las cargas externas para FC no
cumplen los criterios, porque es un constructo for-
mativo. La abilidad del compuesto, que indica
la consistencia interna, se consideró aceptable con
todas las cargas de construcción que superan el
umbral de 0,7. La validez convergente, que asegu
-
ra que los indicadores miden el mismo concepto,
se evaluó usando el método AVE. Siguiendo los
criterios de Fornell y Larcker de un valor míni-
mo de AVE de 0,5, todos los constructos superan
este umbral, lo que indica que cada constructo
explica al menos el 50 % de la varianza en sus
indicadores, demostrada en la tabla 2.
Tabla 2
Información general sobre la abilidad y validez de constructos
Carga externa Alfa de Cronbach Fiabilidad compuesta
(rho_a)
Fiabilidad compuesta
(rho_c) AVE
PE
PE1 0,908
0,905 0,917 0,906 0,709
PE2 0,842
PE3 0,900
PE5 0,877
EE
EE3 0,899
0,775 0,776 0,775 0,633
EE4 0,908
SI
SI1 0,820
0,768 0,786 0,760 0,520
SI4 0,827
SI5 0,824
BR
BR2 0,863
0,919 0,933 0,917 0,738
BR3 0,909
BR4 0,892
BR5 0,920
BT
BT1 0,880
0,906 0,914 0,902 0,700
BT3 0,874
BT4 0,873
BT5 0,902
BI
BI1 0,909
0,872 0,876 0,874 0,698
BI2 0,914
BI4 0,854
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
20 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
Se realizó una prueba de validez discriminante
utilizando el criterio de Fornell-Larcker y la re-
lación heterotrait-Monotrait. La tabla 3 muestra
los resultados, en particular, las correlaciones
entre los constructos son inferiores a la raíz cua-
drada del EAV, lo que indica que cada construc-
to comparte más varianza con sus indicadores
que con cualquier otro constructo del modelo.
En consecuencia, los seis constructos reectivos
presentan una fuerte consistencia interna y vali-
dez convergente.
Tabla 3
Validez discriminante- Criterio Fornell-Larcker y ratio Heterotrait-Monotrait (HTMT)
Criterio de Fornell-Larcker Ratio heterotrait-monotrait ( HTMT)
PE EE SI BR BT PE EE SI BR BT BI
PE 0,842
EE 0,637 0,795 0,639
SI 0,711 0,517 0,721 0,713 0,515
BR 0,324 0,340 0,474 0,859 0,332 0,332 0,494
BT 0,337 0,287 0,512 0,809 0,837 0,347 0,285 0,532 0,827
BI 0,892 0,613 0,679 0,290 0,384 0,890 0,612 0,669 0,288 0,382
La evaluación del constructo formativo co-
menzó evaluando la multicolinealidad para la
variable FC utilizando la FIV, con valores por
debajo del umbral recomendado de 3 (Hair et al.,
2019), conrmando que no existen problemas crí-
ticos de multicolinealidad como se demuestra en
la tabla 4. Luego se evaluaron los pesos y las car-
gas externas para medir la contribución de cada
indicador al constructo latente. Mientras que 4 de
5 indicadores mostraron fuertes contribuciones
(cargas > 0.5), la FC1 mostró baja contribución,
pero se mantuvo por importancia conceptual. El
bootstrapping conrmó que cuatro indicadores
fueron estadísticamente signicativos (p < 0,05).
Tabla 4
Evaluación de la multipolinealidad VIF
VIF
FC1 1,022
FC2 1,314
FC3 1,280
FC4 1,223
FC5 1,127
Por último, se vericó la validez discriminante
utilizando el ratio HTMT que se situó dentro de
los umbrales aceptables, validando el constructo
como se muestra en la tabla 5.
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
21
Tabla 5
Ratio Heterotrait-Monotrait
01.PE 02.EE 03.SI 04.FC 05.BR 06.BT 08.BI
01.PE
02.EE 0,639
03.SI 0,713 0,515
04.FC 0,577 0,620 0,509
05.BR 0,332 0,332 0,494 0,333
06.BT 0,347 0,285 0,532 0,377 0,827
08.BI 0,890 0,612 0,669 0,608 0,288 0,382
Evaluación del modelo estructural
El modelo se evaluó mediante la obtención
de los coecientes de trayectoria, valores de p,
valores de T, coeciente de determinación (R2)
y relevancia predictiva (Q2). Los coecientes de
ruta de la expectativa de rendimiento y la inten-
ción del uso de las herramientas de la inteligencia
articial generativa (H1), la condición de facili-
tación y la intención del uso de las herramien-
tas de la inteligencia articial generativa(H4),
el reconocimiento de marca y la intención del
uso de las herramientas de la inteligencia arti-
cial generativa (H5), y la conanza de marca
y la intención del uso de las herramienta de la
inteligencia articial generativa (H6) fueron 0,638,
0,137, -0,134, 0,147 con valores de p 0,01; 0,019 y
0,017, respectivamente. En la tabla 6 se presentan
los coecientes de trayectoria junto con sus co
-
rrespondientes valores de p. Cuatro coecientes
de ruta son estadísticamente signicativos de las
seis relaciones hipotéticas, lo que respalda cuatro
de las seis hipótesis propuestas.
Tabla 6
Coecientes de trayectoria
Modelo R²=0,679 (67%)
Modelo Q² = 0,649 (64%)
Coeficiente de ruta Valores P Soporte
H1: PE ->BI 0,638 0,000 H1 aceptado
H2.EE -> BI 0,057 0,139 H2 rechazado
H3 SI ->BI 0,084 0,088 H3 rechazado
H4 FC ->BI 0,137 0,010 H4 aceptado
H5. BR ->BI -0,134 0,020 H5 parcialmente aceptado
H6.BT ->BI 0,147 0,017 H6 aceptado
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
22 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
Como se indica en la tabla 6 (R²), el modelo
representa el 67 % de la varianza en la intención
de comportamiento de usar servicios de texto
a imagen de la IA Gen en industrias creativas,
impulsado por los factores de esperanza de
rendimiento, condición de facilitación, reco-
nocimiento de marca y conanza de marca. La
expectativa de rendimiento se identica como
el predictor más fuerte (= 0,638, p < 0,001). De
acuerdo con los umbrales establecidos para la
varianza explicada, este efecto puede clasicarse
como moderado, lo que sugiere que el modelo
proporciona una explicación de la variación en
las intenciones de los usuarios de adoptar la
tecnología.
Figura 7
Modelo estructural nal con coecientes de trayectoria, valores p y cuadrado R
El valor Q² de 0,649 presentado en la tabla 6,
indica que el modelo tiene una importancia pre-
dictiva sustancial para la Intención Conductual.
Los valores de Q² mayor que cero sugieren que
el modelo tiene poder predictivo, y un valor de
0,649 implica una fuerte capacidad del mode-
lo para predecir la BI en base a los predictores
utilizados.
Discusión
El objetivo de este estudio fue identicar los
principales factores que inuyen en la adopción
de las herramientas de texto a imagen de IA Gen
en la industria creativa, ampliando el modelo
UTAUT e incorporando el reconocimiento de
marca y la conanza de la marca. Los hallazgos
resaltan la expectativa de rendimiento como el
predictor más fuerte de la intención del uso, en
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
23
donde también se observa una inuencia po-
sitiva en condiciones facilitadoras y conanza
de la marca. Sin embargo, el reconocimiento de
la marca tiene una inuencia negativa en la in-
tención del uso, debido a la identidad de marca
establecida de Adobe en los servicios creativos
tradicionales en conicto con sus nuevas ofertas
de IA Gen. La expectativa de esfuerzo y la in-
uencia social no muestran ninguna inuencia
signicativa, lo que resulta en cuatro de las seis
hipótesis establecidas.
Los hallazgos se alinean con la literatura exis-
tente sobre el uso de tecnología, particularmente
el poder predictivo de la expectativa de rendi-
miento (Maican et al., 2023; Upadhyay et al., 2022)
lo que facilita la condición en la intención con
-
ductual (Anantrasirichai y Bull, 2020), y refuerza
la expectativa de rendimiento como el predictor
más fuerte de la intención de comportamiento
para adoptar las herramientas de la IA Gen. Los
profesionales creativos ven cada vez más valor
en las herramientas de la IA Gen que mejoran la
productividad y los ujos de trabajo, alineándose
con investigaciones anteriores (Maican et al., 2023;
Menon y Shilpa, 2023). Para los profesionales de
la industria creativa expectativa de rendimiento
es el motor de adopción más signicativo. Se ne-
cesita hacer énfasis en cómo las herramientas de
IA Gen agilizan los ujos de trabajo, mejoran la
eciencia y mejoran la calidad de salida, en espe-
cial en entornos de alta presión. De igual forma,
facilitar las condiciones, como la disponibilidad
de recursos, el apoyo externo y la compatibilidad
de hardware (Anantrasirichai y Bull, 2020), tam-
bién tiene un impacto positivo en la adopción. Los
sistemas y recursos de apoyo integral permiten
a los creativos navegar la curva de aprendizaje,
desarrollar nuevas habilidades y seguir siendo
competitivos en una industria en rápida evolución.
Las herramientas que ofrecen un soporte sólido y
se alinean con los objetivos profesionales tienen
más probabilidades de tener éxito.
Sin embargo, la expectativa de esfuerzo y la
inuencia social no mostraron un efecto signica-
tivo en la intención conductual, lo que contradice
con las investigaciones anteriores donde se en-
contró que estos factores inuyen positivamente
en la intención conductual (Alhaití, 2023; Maican
et al., 2023; Menon y Shilpa, 2023; Upadhyay et
al., 2022). Estudios anteriores conrman que la
expectativa de esfuerzo tiene un impacto positivo
en la intención conductual, especialmente en cam-
pos donde las interfaces complejas o no intuitivas
pueden disuadir el uso regular (Chuyen y Vinh,
2023). Del mismo modo que con la inuencia
social, los estudios sobre la adopción de IA Gen
en la industria del diseño demostraron que los
individuos son más propensos a adoptar estas
tecnologías si perciben que sus pares o líderes
inuyentes respaldan su uso (Chuyen y Vinh,
2023). Además, otros estudios encontraron que
los profesionales de la industria musical a me-
nudo adoptan herramientas de IA Gen basadas
en las tendencias de toda la industria, reejando
el impacto de la inuencia social en la adopción
de IA Gen (Maican et al., 2023).
Cuando se trata de la equidad de marca basa-
da en el consumidor, la IA Gen ofrece garantía de
calidad en industrias con conocimientos especia-
lizados limitados. La conanza que proporcionan
los factores de marca apoya la toma de decisiones
y reduce la incertidumbre (Abbasi et al., 2017).
La familiaridad con la marca aumenta la oportu-
nidad de interactuar con sus ofertas de IA Gen,
especialmente cuando se habla de tecnologías
nuevas y no renovadas (Cabrera-Sánchez et al.,
2021). Sin embargo, nuestros hallazgos sugieren
una relación contraria dentro del contexto de
las herramientas de texto a imagen de Adobe IA
Gen.. Los individuos familiarizados con Adobe
como marca eran menos propensos a adoptar es-
tas herramientas. Este hallazgo contradice inves-
tigaciones anteriores que generalmente apoyan
una asociación positiva entre el reconocimiento
de la marca y la intención de comportamiento
para utilizar un nuevo producto (García y Yábar,
2023, Izza et al., 2024). Esto sugiere que las aso-
ciaciones de marca con herramientas creativas
tradicionales pueden crear resistencia hacia la
adopción de soluciones de IA Gen. Los futuros
estudios deberían explorar este fenómeno más a
fondo, incorporando potencialmente la investi-
gación cualitativa para entender los sesgos cog-
nitivos y las percepciones de marca que afectan
la adopción. Nuestra investigación, centrada en
Adobe Firey, sugiere que esta inuencia negati-
va podría derivar de desajustes entre la identidad
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
24 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
establecida de la marca matriz y la nueva oferta
de productos (Hem et al., 2003).
Para Adobe, la inuencia negativa del reco-
nocimiento de marca en la intención de compor-
tamiento para utilizar herramientas de IA Gen
podría derivarse de la falta de autenticidad en
el campo de IA generativa. IA Gen es un campo
emergente y naciente, por lo tanto, cuando la
nueva tecnología se une a una marca bien esta-
blecida en otro campo, estas nuevas herramien-
tas podrían aparecer como una desviación no
segura del núcleo de la marca. La familiaridad
con una marca de buena reputación como Adobe
paradójicamente puede aumentar el escrutinio y
aumentar las expectativas de nuevos productos.
Si bien el reconocimiento de marca inuye nega-
tivamente en la adopción, probablemente debido
a la desalineación entre la identidad de marca
establecida y las nuevas ofertas de productos,
la conanza de marca reduce esta barrera. Las
marcas de conanza alivian las preocupaciones
sobre la seguridad de los datos, la abilidad y la
calidad de salida, fomentando el uso sostenido y
la lealtad. Los profesionales preeren herramien-
tas de marcas en las que confían, lo que reduce
los riesgos percibidos y fomenta la adopción a
largo plazo. Nuestros hallazgos corroboran estas
ideas, demostrando que la conanza de la marca
tiene una relación positiva y signicativa con la
intención de comportamiento de usar el texto de
la IA Gen para crear imágenes. Los usuarios que
conaban en Adobe como proveedor de servicios
de generación de inteligencia articial de texto a
imagen probablemente adoptaron este servicio
y se comprometieron con él. Las investigaciones
previas también demuestran que la conanza
en una marca tiene una inuencia positiva en la
intención de comportamiento cuando los usuarios
confían en la marca detrás de la tecnología para
cumplir sus promesas y ofrecer una experiencia
de usuario positiva (Ameen et al., 2021).
Además, existe el riesgo de que la tecnología
de IA Gen pueda percibirse como un eclipse de la
creatividad humana, lo que conduce a una dismi-
nución en el uso (Caporusso, 2023). Sin embargo,
las marcas de conanza podrían ayudar a mitigar
estas percepciones negativas y fomentar una vi-
sión más positiva de la contribución de la IA Gen
a los campos creativos.
Desde la perspectiva de la gestión de la marca,
las estrategias de marketing deben enfatizar los
benecios de rendimiento y alinear las comu-
nicaciones de la marca con las expectativas del
usuario. La subimagen de marca puede resolver
la desalineación, diferenciando los servicios de IA
Gen de las ofertas tradicionales, como se ve en el
caso de Adobe. La construcción de la conanza
de marca a través de prácticas éticas, asociacio-
nes con inuenciadores del sector y mensajería
transparente puede mejorar aún más la adopción,
asegurando que IA Gen se integre a la perfección
en los ujos de trabajo creativos.
La metodología empleada en esta investiga-
ción ofrece varias fortalezas y limitaciones que
deben ser consideradas. El uso de PLS-SEM pro-
porcionó una validación robusta del modelo de
investigación, garantizando la abilidad y vali-
dez de los hallazgos. Sin embargo, el proceso de
selección de muestras, que se basó en encuestas
en línea dirigidas a profesionales creativos en
España y EE. UU., puede haber introducido sesgo
de selección. El tamaño de la muestra solo superó
ligeramente el mínimo requerido para aplicar la
técnica estadística PLS-SEM. Además, una repre-
sentación más amplia en los diferentes sectores
creativos y regiones geográcas fortalecería la
generalización.
La investigación de cómo diferentes discipli-
nas creativas (por ejemplo, diseño, publicidad,
cine) se relacionan con la IA Gen de la generación
podría producir ideas más matizadas. En segundo
lugar, no se realizó ningún análisis multigrupo, lo
que dejó un vacío de investigación en la compren
-
sión de las diferencias entre los grupos en función
de la edad, el género, el lugar de residencia o la
experiencia previa con la IA Gen, lo que sugiere
una dirección para futuras investigaciones. Otra
limitante es la representatividad de la muestra
dentro de la industria creativa más amplia. Aun-
que se utilizó el muestreo aleatorio, la muestra
se inclina hacia la dirección creativa y la creación
de contenido, con una diversidad limitada en
los perles creativos de la música o la escritura,
lo que podría afectar a la generalización de las
conclusiones. Los estudios en el futuro también
Aceptación de la Inteligencia Articial Generativa en la industria creativa: el rol del modelo UTAUT
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
25
deberían examinar cómo el encaje de la marca
y la ética percibida de la IA Gen inuyen en la
adopción, dado el creciente discurso en torno
a las prácticas éticas de IA Gen. Metodológica-
mente, el empleo de diseños experimentales para
probar la causalidad o la realización de estudios
longitudinales para evaluar la evolución de las
percepciones a lo largo del tiempo podría enri-
quecer aún más la comprensión de las tendencias
de la adopción de la IA Gen. Otra limitación se
relaciona con el ajuste de marca: Adobe fue ele-
gido como el tema principal para los factores de
marca, sin embargo, los resultados indicaron una
inuencia negativa del reconocimiento de marca
en la intención conductual. Esto sugiere que la
selección de diferentes marcas para futuros es-
tudios puede ayudar a generalizar los hallazgos.
Además, una investigación más a fondo po-
dría ampliar el modelo de medición incorporan
-
do otras variables de equidad de marca basadas
en el consumidor, como la lealtad a la marca y
la calidad percibida, y podría beneciarse de la
comprensión de las expectativas de los usuarios
especícos y de los aspectos de marca que no
están alineados con su percepción. A pesar de
estas limitaciones, este estudio proporciona una
base para avanzar en conocimientos teóricos y
prácticos sobre la adopción de la IA Gen en las
industrias creativas. Si bien este enfoque propor-
ciona información valiosa sobre cómo se adoptan
las herramientas de IA Gen en campos creativos,
esto puede no capturar plenamente las opiniones
de los profesionales en otros sectores con menos
familiaridad con la IA Gen.
Conclusiones
En conclusión, el estudio contribuye al cre-
ciente conocimiento sobre la adopción de la IA en
las industrias creativas, al ofrecer una compren-
sión matizada de las inuencias de los factores
de equidad de marca basados en el consumidor.
Los resultados destacan que la expectativa de
rendimiento y las condiciones de facilitación im-
pulsan signicativamente al uso, mientras que la
conanza de la marca también juega un papel
crucial. El reconocimiento de la marca impactó
negativamente en la adopción, lo que sugiere
que las asociaciones fuertes con herramientas
creativas tradicionales pueden crear resistencia
a la IA Gen.
Mientras que las marcas basadas en servicios
de IA Gen están ganando terreno en el mercado,
el panorama académico todavía está desarrollan-
do un marco robusto para ayudar a entender el
proceso de adopción y mitigar las barreras. Esta
investigación contribuye al creciente cuerpo de
evidencia sobre la adopción de la IA Gen, par-
ticularmente en la industria creativa. El estudio
también proporciona implicaciones prácticas tanto
para los profesionales de la industria creativa como
para los gerentes de marca de las marcas basadas
en servicios de IA Gen. Desde una perspectiva
práctica, estas ideas ayudan a los profesionales
creativos, los desarrolladores de IA Gen y los res-
ponsables de las políticas a entender los factores
y barreras clave para la adopción. Para el campo
empírico, esta investigación contribuye a ampliar
el marco UTAUT con constructos relacionados con
la marca, ofreciendo una perspectiva novedosa so-
bre la aceptación de la tecnología en las industrias
creativas. La investigación futura puede basarse en
estos hallazgos explorando las variaciones especí-
cas de la industria, las diferencias interculturales
y el papel cambiante de la ética de la IA Gen en las
decisiones de adopción. Esta investigación sienta
las bases para futuros estudios sobre la adopción
de la IA Gen y ofrece ideas que podrían guiar tanto
los avances teóricos como las estrategias prácticas
para promover las herramientas de IA Gen en las
industrias creativas.
Referencias bibliográficas
Abbasi, M., Vassilopoulou, P. y Stergioulas, L. (2017).
Technology roadmap for the Creative
Industries. Creative Industries Journal, 10, 40-58.
https://bit.ly/4jzf6cs
Alhwaiti, M. (2023). Acceptance of Artificial Intelligence
application in the post-covid era and its
impact on faculty members’ occupational
well-being and teaching self-efficacy: a path
analysis using the UTAUT 2 Model. Applied
Artificial Intelligence, 37(1).
https://bit.ly/4cVxrho
Anantrasirichai, N. y Bull, D. (2022). Artificial inte-
lligence in the creative industries: A review.
© 2025, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
26 Dominika Weglarz, Cintia Pla-Garcia y Ana Isabel Jiménez-Zarco
Artificial Intelligence Review, 55, 589-656.
https://doi.org/10.1007/s10462-021-10039-7
Ameen, N., Tarhini, A., Reppel, A. y 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
Artechouse. (2023). World of AI Imagination.
Artechouse. https://bit.ly/4aK2Hi3
Bagozzi, R. P. y Yi, Y. (1988). On the evaluation of struc-
tural equation models. Journal of the Academy
of Marketing Science, 16(1), 74-94.
https://doi.org/10.1007/BF02723327
Bowden, J. L. H. (2014). The process of customer enga-
gement: A conceptual framework. Journal of
Marketing Theory and Practice, 17(1), 63-74.
https://bit.ly/4d0xdpk
Cabrera-Sánchez, J. P., Villarejo-Ramos, Á. F.,
Liébana-Cabanillas, F. y Shaikh, A. A. (2021).
Identifying relevant segments of AI appli-
cations adopters: Expanding the UTAUT2’s
variables. Telematics and Informatics, 58, 101529.
https://doi.org/10.1016/j.tele.2020.101529
Caporusso, N. (2023). Generative artificial intelligence
and the emergence of creative displacement
anxiety. Research Directs in Psychology and
Behavior, 3(1).
https://doi.org/10.53520/rdpb2023.10795
Chatterjee, S., Chaudhuri, R., Vrontis, D., Thrassou, A.
y Ghosh, S. K. (2021). Adoption of artificial
intelligence-integrated CRM systems in agile
organizations in India. Technological Forecasting
and Social Change, 168, 120783.
https://bit.ly/42Bo9Uf
Chen, J. (2024). The Role of AI: speculative design in
redefining artistic collaboration. Journal of
Ecohumanism, 3(8), 2261-2272.
https://doi.org/10.62754/joe.v3i8.4899
Chui, M., Hall, B., Mayhew, H. y Singla, A. (2022,
December 6). The state of AI in 2022 and a
half decade in review. McKinsey & Company.
http://bit.ly/4hYSYrj
Chuyen, N. y Vinh, N. (2023). An empirical analysis of
predictors of AI-powered design tool adop-
tion. TEM Journal, 12(3), 1012-1021.
https://doi.org/10.18421/tem123-28
De Almeida Pedro, E., Panizzon, M. y Weber, C. (2023).
OHS Professionals AI adoption: A UTAUT
Research in Brazilian Industry. 2023 15th IEEE
International Conference on Industry Applications
(INDUSCON), 850-857.
García, M. L. M. y Yábar, D. P. (2023). Impact
of brand awareness on consumer loyalty.
Scientific Journal of Applied Social and Clinical
Science, 3(12), 2-9.
https://bit.ly/44PZYTp
Hair, J. F., Hult, G. T. M., Ringle, C. y Sarstedt, M.
(2017). A primer on partial least squares structural
equation modeling (PLS-SEM) (2nd ed.). Sage.
Hair, J. F., Risher, J. J., Sarstedt, M. y Ringle, C. M.
(2019). When to use and how to report the
results of PLS-SEM. European Business Review,
31(1), 2-24.
https://doi.org/10.1108/EBR-11-2018-0203
Handayani, W. P. P. (2023). The UTAUT implementation
model in defining the behavioral intention
of mobile banking users. Jurnal Manajemen
Bisnis, 14(2), 25-39.
https://doi.org/10.18196/mb.v14i2.18649
Hatzius, J., Briggs, J., Kodnani, D., Pierdomenico,
G. y Goldman Sachs & Co. LLC. (2023). The
potentially large effects of artificial intelligence
on economic growth (By Goldman Sachs & Co.
LLC). https://bit.ly/3ElOOKX
Hem, L. E., De Chernatony, L. e Iversen, N. M. (2003).
Factors influencing successful brand exten-
sions. Journal of Marketing Management, 19(7-
8), 781-806.
https://doi.org/10.1362/026725703322498109
Hess, J. y Story, J. (2005). Trust-based commitment:
Multidimensional consumer-brand relations-
hips. Journal of Consumer Marketing, 22(6), 313-
322.
https://doi.org/10.1108/07363760510623902
Izza, A. M., Ardiansyah, M. N., Barkah, F. y Romdonny,
J. (2024). Synergistic effects of content marke-
ting and influencers marketing on the forma-
tion of brand awareness and purchase inte-
rest of TikTok Shop users (Cirebon City case
study). International Journal of Social Service
and Research, 4(5), 1339-1347.
https://doi.org/10.46799/ijssr.v4i05.781
Jiang, J., Ma, J., Huang, X., Zhou, J. y Chen, T. (2024).
Extend UTAUT2 model to analyze user beha-
vior of China Construction Bank Mobile App.
SAGE Open, 14(4).
https://doi.org/10.1177/21582440241287070
Kathuria, S., Bansal, H. y Balhara, S. (2018). Impact of
Brand Recognition on Consumer Attraction:
A Study of Telecom Sector. Researchers World,
Journal of Arts Science & Commerce, 9(1), 57-63.
https://doi.org/10.18843/rwjasc/v9i1/07
Maican, C., Sumedrea, S., Tecău, A., Nichifor, E., Chițu,
I., Lixăndroiu, R. y Brătucu, G. (2023). Factors
influencing the behavioural intention to use
AI-generated images in business. Journal
of Organizational and End User Computing.
https://doi.org/10.4018/joeuc.330019
Menon, D. y Shilpa, K. (2023). Chatting with ChatGPT:
Analyzing the factors influencing users’ inten-
Factores que inuyen en la adopción del análisis de Big Data por los auditores: un estudio mixto
Retos, 15(29), 9-27
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
27
tion to use OpenAI’s ChatGPT using the
UTAUT model. Heliyon, 9(11).
https://doi.org/10.1016/j.heliyon.2023.e20962
Rios, R. E. y Riquelme, H. (2010). Sources of brand
equity for online companies. Journal of Research
in Interactive Marketing, 4(3), 214-240.
https://doi.org/10.1108/17505931011070587
Roets, C. R. Q., Bevan-Dye, A. L. y Viljoen, W. P. (2014).
Influence of social image and brand trust on
mobile phone brand equity amongst African
Generation Y students. Mediterranean Journal
of Social Sciences, 5(21), 75-84.
https://doi.org/10.5901/mjss.2014.v5n21p75
Rubio, N., Oubiña, J. y Villaseñor, N. (2014). Brand
awareness–Brand quality inference and con-
sumers’ risk perception in store brands of
food products. Food Quality and Preference,
32, 289-298.
https://bit.ly/4iJ3Lp0
Sanchez, T. (2023). Examining the text-to-image com-
munity of practice: Why and how do peo-
ple prompt generative AIs? Creativity and
Cognition.
https://doi.org/10.1145/3591196.359305
Sanmukhiya, C. (2020). A PLS –SEM approach to the
UTAUT model: the case of Mauritius. Annals
of Social Sciences & Management Studies, 6(1).
https://doi.org/10.19080/asm.2020.06.555677
Sasmita, J. y Mohd Suki, N. (2015). Young consumers’
insights on brand equity: Effects of brand
association, brand loyalty, brand awareness,
and brand image. International Journal of Retail
& Distribution Management, 43(3), 276-292.
https://doi.org/10.1108/IJRDM-02-2014-0024
Smith, C. (2022, December 22). The unreal exhibition
showcases AI-handling talents of ‘prompt writers’.
trend hunter. http://bit.ly/3EgCX0S
Soper, D. S. (2024). A-priori sample size calculator
for structural equation models [Software].
https://bit.ly/4hPigrm
Upadhyay, N., Upadhyay, S. y Dwivedi, Y. K. (2022).
Theorizing artificial intelligence acceptan-
ce and digital entrepreneurship model.
International Journal of Entrepreneurial Behaviour
& Research, 28(5), 1138-1166.
https://bit.ly/42Q2DKb
Venkatesh, V., Morris, M., Davis, G. B. y Davis, F. D.
(2003). User acceptance of information tech-
nology: Toward a unified view. MIS Quarterly,
27(3), 425-478.
https://doi.org/10.2307/30036540
Venkatesh, V., Thong, J. Y. 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
Vinchon, F., Lubart, T., Bartolotta, S., Gironnay, V.,
Botella, M., Bourgeois-Bougrine, S., Burkhardt,
J., Bonnardel, N., Corazza, G. E., Glăveanu, V.,
Hanson, M. H., Ivcevic, Z., Karwowski, M.,
Kaufman, J. C., Okada, T., Reiter-Palmon, R.
y Gaggioli, A. (2023). Artificial intelligence
and creativity: A manifesto for collaboration.
The Journal of Creative Behavior, 57(4), 472-484.
https://doi.org/10.1002/jocb.597
Wang, H., Fu, T., Du, Y., Gao, W., Huang, K., Liu, Z.,
Chandak, P., Liu, S., Van Katwyk, P., Deac, A.,
Anandkumar, A., Bergen, K., Gomes, C. P.,
Ho, S., Kohli, P., Lasenby, J., Leskovec, J., Liu,
T., Manrai, A. y Zitnik, M. (2023). Scientific
discovery in the age of artificial intelligence.
Nature, 620(7972), 47-60.
https://bit.ly/3RFpWBj
Wang, H., Wei, J. y Yu, C. (2008). Global brand equity
model: Combining customer-based with pro-
duct-market outcome approaches. Journal of
Product & Brand Management, 17(5), 305-316.
https://doi.org/10.1108/10610420810896068
Westland, J. C. (2010). Lower bounds on sample size
in structural equation modeling. Electronic
Commerce Research and Applications, 9(6), 476-
487.
https://bit.ly/4jVrdjR
Yin, M., Han, B., Ryu, S. y Min, H. (2023). Acceptance
of generative AI in the creative industry:
Examining the role of AI anxiety in the
UTAUT2 model. In Lecture Notes in Computer
Science, 14059, 288-310.
https://bit.ly/4jSpqvE
Zhang, W. (2020). A study on the user acceptance
model of artificial intelligence music based on
UTAUT. Journal of the Korea Society of Computer
and Information, 25(1), 25-33.
https://bit.ly/3GuQMtA