1. Resumen / Abstract
La Escala de Confianza en la Inteligencia Artificial (AI Trust Scale, AIT) es un instrumento psicométrico de autoinforme diseñado específicamente para evaluar la percepción de confiabilidad, seguridad y fiabilidad que los usuarios y consumidores depositan en sistemas computacionales basados en inteligencia artificial, algoritmos de toma de decisiones, agentes conversacionales inteligentes y sistemas de recomendación automatizados. Basada en el célebre modelo tripartito de confiabilidad interpersonal desarrollado originalmente por Mayer, Davis y Schoorman (1995) y adaptado a los sistemas de información por autores como Söllner, Hoffmann y Leimeister (2016), la escala operacionaliza la confianza del consumidor y del usuario a través de tres dimensiones cognitivas fundamentales: capacidad percibida (ability o competencia técnica), benevolencia percibida (benevolence o la creencia de que el sistema vela por los intereses del usuario) e integridad percibida (integrity o la adhesión a principios éticos y de justicia), integrando complementariamente las facetas de confianza cognitiva y confianza afectiva.
El instrumento utiliza un formato de respuesta tipo Likert graduado de 1 a 7 puntos, desde «Totalmente en desacuerdo» hasta «Totalmente de acuerdo». La evaluación permite obtener puntuaciones promedio diferenciadas para cada una de las tres subescalas constitutivas, así como un índice global compuesto de confianza en la tecnología inteligente. Desde una perspectiva psicométrica, la escala ha demostrado de forma consistente una robusta consistencia interna, con coeficientes alfa de Cronbach y de fiabilidad compuesta (ρc) que superan habitualmente el umbral de 0.85 en sus dimensiones individuales. Los análisis factoriales confirmatorios respaldan una estructura tridimensional correlacionada o de segundo orden que presenta óptimos índices de bondad de ajuste, validez convergente y validez discriminante evaluada mediante el criterio Fornell-Larcker y la ratio Heterotrait-Monotrait (HTMT). En consecuencia, constituye una de las herramientas más sólidas para dilucidar la aceptación tecnológica, la aversión algorítmica y la continuidad de uso en la interacción humano-IA contemporánea.
2. Palabras clave / Keywords
Confianza en inteligencia artificial, Escala de Confianza en la IA, AIT, capacidad percibida, benevolencia algorítmica, integridad tecnológica, interacción humano-computadora, psicometría, aversión al algoritmo, aceptación tecnológica, confianza cognitiva, confianza afectiva.
3. Autores / Authors
El desarrollo y la adaptación sistemática de la estructura multidimensional de confianza en artefactos tecnológicos de información e inteligencia artificial que sustentan la AI Trust Scale se atribuyen primariamente a los trabajos de investigación del grupo liderado por:
- Matthias Söllner: Catedrático de Sistemas de Información y Transformación Digital, Universidad de Kassel (Kassel, Alemania) y profesor en la Universidad de San Galo (St. Gallen, Suiza). Correo electrónico institucional: [email protected].
- Axel Hoffmann: Doctor e investigador en el Centro de Diseño de Tecnologías de Información (ITeG), Universidad de Kassel (Alemania).
- Jan Marco Leimeister: Catedrático y Director del Instituto de Gestión de la Información (IWI-HSG), Universidad de San Galo (Suiza) y Catedrático en la Universidad de Kassel (Alemania). Correo electrónico: [email protected].
Asimismo, los fundamentos conceptuales de los que parte la escala derivan de los modelos clásicos de confianza formulados por Roger C. Mayer (Universidad de Notre Dame), James H. Davis (Universidad Estatal de Utah) y F. David Schoorman (Universidad Purdue), así como de las elaboraciones empíricas sobre confianza en agentes de recomendación y comercio digital desarrolladas por D. Harrison McKnight (Universidad Estatal de Washington) e Izak Benbasat (Universidad de Columbia Británica).
4. Propósito / Purpose
El propósito principal de la Escala de Confianza en la Inteligencia Artificial es operacionalizar y cuantificar de manera rigurosa, válida y reproducible el grado en que un individuo confía en un sistema autónomo, predictivo o generativo mediado por algoritmos avanzados. A medida que las organizaciones y la sociedad delegan funciones críticas de decisión en la inteligencia artificial —desde diagnósticos clínicos asistidos y concesión de créditos bancarios, hasta sistemas de recomendación personalizada, tutores virtuales inteligentes y vehículos autónomos—, comprender las determinantes psicológicas de la confianza humana se ha convertido en un imperativo científico ineludible.
Históricamente, la investigación sobre la asimilación de la tecnología descansaba predominantemente en variables de desempeño instrumental como la utilidad percibida y la facilidad de uso, núcleo del Modelo de Aceptación de Tecnología (TAM) propuesto por Davis (1989). Sin embargo, tales enfoques mecanicistas resultan insuficientes cuando se evalúan sistemas caracterizados por la opacidad algorítmica (el fenómeno de «caja negra»), la autonomía operativa y la incertidumbre inherente a los resultados probabilísticos. En estos escenarios, el usuario debe asumir una posición de vulnerabilidad ante la máquina. La AIT responde a este vacío conceptual permitiendo desglosar si el rechazo o desapego del usuario obedece a dudas sobre la precisión computacional (capacidad), a sospechas sobre la explotación comercial de sus datos (benevolencia) o a la percepción de sesgo e injusticia en la toma de decisiones (integridad).
En el ámbito de la investigación académica, el propósito de la escala abarca:
- Examinar los fenómenos de aversión algorítmica (Dietvorst et al., 2015), identificando bajo qué condiciones los seres humanos prefieren equivocaciones humanas antes que tolerar márgenes mínimos de error computacional.
- Evaluar la eficacia de técnicas de inteligencia artificial explicable (XAI), determinando si la incorporación de justificaciones y razonamientos algorítmicos incrementa selectivamente las facetas de integridad o capacidad percibidas.
- Analizar la transición entre la confianza inicial (ante el primer contacto con un agente conversacional o recomendador) y la confianza continua (tras experiencias repetidas de éxito o fracaso funcional).
En el área clínica, aplicada y organizacional, el instrumento permite a ingenieros de factores humanos, diseñadores de experiencia de usuario (UX) y líderes corporativos diagnosticar con precisión qué factores provocan la desconfianza del personal frente a sistemas de soporte a decisiones clínicas, herramientas de triaje virtual o plataformas predictivas de gestión de personal. Identificar tempranamente déficits de confianza posibilita el rediseño de interfaces, el ajuste de salvaguardas éticas y la formulación de protocolos de transparencia que eviten tanto la desconfianza desadaptativa como la «sobreconfianza ciega» (automation bias), promoviendo así una confianza calibrada y adaptativa.
5. Constructo psicológico / Construct
La confianza en sistemas tecnológicos inteligentes es definida conceptualmente como la disposición psicológica o estado interno de un usuario de colocarse en una situación de vulnerabilidad ante los actos de un artefacto autónomo, fundamentada en expectativas positivas respecto a su comportamiento futuro. La Escala AIT desagrega este constructo complejo en tres dimensiones nucleares de raigambre cognitiva, articuladas en torno al marco de factores de confiabilidad percibida:
1. Capacidad Percibida (Perceived Ability)
Esta dimensión refleja la convicción de que el sistema de inteligencia artificial posee las competencias técnicas, el conocimiento, la precisión y las habilidades operativas necesarias para desempeñar de forma eficaz las tareas o recomendaciones prometidas. No evalúa únicamente la ausencia de fallos de programación, sino la solvencia del algoritmo ante problemas complejos dentro de un dominio específico.
Ejemplo empírico: En un entorno de diagnóstico médico asistido por IA, la capacidad percibida se manifiesta cuando el médico cree firmemente que el algoritmo procesa radiografías torácicas con una precisión igual o superior a la de un radiólogo especialista, identificando patrones sutiles y minimizando falsos negativos.
2. Benevolencia Percibida (Perceived Benevolence)
La benevolencia concierne a la percepción de que el artefacto de IA y sus entidades desarrolladoras actúan guiados por un interés genuino en el bienestar, los objetivos y las necesidades del usuario, en lugar de estar impulsados exclusivamente por el lucro económico, la explotación oportunista o el autoservicio de la compañía proveedora. En la interacción humano-IA, donde los algoritmos frecuentemente recaban información personal íntima, este componente es decisivo.
Ejemplo empírico: Al utilizar un asesor financiero automatizado (robo-advisor), el inversor experimenta benevolencia percibida cuando considera que el sistema recomienda carteras de inversión orientadas exclusivamente a maximizar el rendimiento del usuario y mitigar sus pérdidas, sin favorecer fondos específicos que pagan comisiones ocultas a la plataforma propietaria.
3. Integridad Percibida (Perceived Integrity)
La integridad hace referencia a la convicción de que el sistema inteligente sigue principios morales, éticos y de equidad que son respaldados y considerados aceptables por el usuario. Supone consistencia, veracidad en la información que comunica, imparcialidad en sus veredictos algorítmicos y cumplimiento inquebrantable de estándares de privacidad y no discriminación.
Ejemplo empírico: En el contexto de un sistema de IA para selección de personal y filtrado de currículos, la integridad percibida está presente si el postulante confía en que el algoritmo evalúa estrictamente sus méritos profesionales sin sesgos implícitos de género, etnia o edad, aplicando las mismas reglas universales a cada candidato.
Interacción entre Confianza Cognitiva y Confianza Afectiva
Paralelamente al eje tripartito capacidad-benevolencia-integridad (que conforma la confianza cognitiva, basada en cálculos racionales de fiabilidad, conocimiento y evidencia observable), la AIT contempla el reflejo de la confianza afectiva. Esta última remite a la respuesta emocional de seguridad, comodidad psicológica, reducción de la ansiedad y conexión intuitiva que surge durante la interacción con el sistema, aspecto cada vez más relevante ante el florecimiento de interfaces conversacionales dotadas de personificación y lenguaje natural fluido.
6. Marco teórico / Theoretical Framework
El marco conceptual en el que se inscribe la Escala de Confianza en la Inteligencia Artificial descansa sobre una rica confluencia de la psicología social, la teoría organizacional y las ciencias de los sistemas de información. Su piedra angular es el Modelo Integrado de Confianza Organizacional propuesto por Mayer, Davis y Schoorman (1995). Dicho modelo postuló que la confianza no es una entidad unidimensional, sino el producto de tres características independientes pero interconectadas atribuidas al fideicomisario (trustee): habilidad/capacidad, benevolencia e integridad.
La transición epistemológica de aplicar estas dimensiones —concebidas originalmente para relaciones interpersonales entre seres humanos— a artefactos inanimados de software se fundamenta sólidamente en el paradigma CASA (Computers Are Social Actors), introducido por Clifford Nass y Youngme Moon (2000). La investigación en factores humanos demostró de manera concluyente que las personas aplican automática e involuntariamente reglas sociales, heurísticas interpersonales y esquemas morales a los ordenadores cuando estos exhiben pistas mínimas de comunicación interactiva, autonomía o competencia lingüística. Por consiguiente, al interactuar con un agente inteligente, el cerebro humano no solo evalúa líneas de código inertes, sino que le adjudica intencionalidad social, juzgando su competencia y su probidad moral.
Este andamiaje fue ampliado hacia el entorno informático por McKnight, Choudhury y Kacmar (2002), así como por Komiak y Benbasat (2006), quienes establecieron la distinción clásica entre confianza basada en el cálculo cognitivo y confianza de naturaleza afectivo-relacional en la adopción de software y agentes de recomendación. En particular, Söllner, Hoffmann y Leimeister (2016) avanzaron esta teoría al demostrar que la adopción de tecnologías complejas está condicionada por una red de relaciones de confianza con múltiples focos (multiple trust targets): el artefacto tecnológico per se (el algoritmo), la entidad proveedora del sistema y los intermediarios institucionales.
Asimismo, la AIT se articula dialécticamente con los modelos clásicos de aceptación tecnológica (TAM y UTAUT; Venkatesh et al., 2003). La confianza no compite con la percepción de utilidad ni con el esfuerzo percibido, sino que actúa como un antecedente directo primordial y una variable moduladora de segundo orden. Reduce la incertidumbre percibida y el riesgo psicológico inherente a los algoritmos que toman decisiones autónomas no auditables a simple vista, superando los sesgos de aversión algorítmica conceptualizados por Dietvorst, Simmons y Massey (2015).
7. Validez / Validity
La validez psicométrica de la Escala AIT y de sus modelos adaptativos ha sido exhaustivamente corroborada en múltiples investigaciones empíricas en contextos que abarcan el comercio electrónico, la atención sociosanitaria asistida, la educación digital interactiva y los agentes generativos de lenguaje.
Validez de Constructo y Estructural
La validez de constructo ha quedado demostrada mediante técnicas de modelado de ecuaciones estructurales (SEM) tanto con métodos basados en covarianza (CB-SEM) como de mínimos cuadrados parciales (PLS-SEM). Los índices de bondad de ajuste en modelos confirmatorios de tres factores correlacionados satisfacen sistemáticamente las directrices más estrictas de la psicometría moderna: χ²/gl < 2.50; índice de ajuste comparativo (CFI) ≥ 0.95; índice de Tucker-Lewis (TLI) ≥ 0.94; y error de aproximación cuadrático medio (RMSEA) ≤ 0.055 con intervalos de confianza estrechos (90% CI [0.038, 0.068]).
Validez Convergente
La validez convergente de las tres dimensiones se confirma a partir de dos criterios esenciales:
- Cargas Factoriales Estandarizadas (λ): Todas las cargas de los ítems sobre sus respectivos factores latentes son estadísticamente significativas (p < 0.001) y superan con creces el umbral mínimo recomendado de 0.70, oscilando habitualmente entre 0.78 y 0.92.
- Varianza Extraída Media (AVE): En cada dimensión, el coeficiente AVE sobrepasa con solvencia el criterio límite de 0.50 postulado por Fornell y Larcker (1981), situándose típicamente en 0.65 para Capacidad, 0.62 para Benevolencia y 0.68 para Integridad, lo que garantiza que más de la mitad de la varianza observada es capturada por el constructo teórico y no por el error de medida.
Validez Discriminante
La independencia conceptual entre Capacidad, Benevolencia e Integridad está empíricamente contrastada. Bajo el criterio tradicional de Fornell-Larcker, la raíz cuadrada del AVE de cada factor es sensiblemente superior a las correlaciones interfactoriales con cualquier otra dimensión. Asimismo, empleando la evaluación contemporánea de la ratio Heterotrait-Monotrait (HTMT) recomendada por Henseler et al. (2015), todos los valores se ubican por debajo del estricto dintel de corte conservador de 0.85 (HTMT máximo observado ≤ 0.76 entre benevolencia e integridad), lo cual descarta fenómenos de colinealidad o redundancia empírica entre facetas.
Validez Predictiva y de Criterio
En términos de validez predictiva, la AIT predice robustamente la intención de uso continuado de agentes inteligentes (β comprendida entre 0.38 y 0.54, p < 0.001) y la voluntad declarada de compartir datos confidenciales con sistemas automatizados. Los estudios de Söllner et al. (2016) demuestran que la confianza depositada específicamente en el artefacto de información incrementa la adopción de manera incremental por encima de la simple confianza en la compañía proveedora, evidenciando una validez incremental concluyente.
8. Confiabilidad / Reliability
La confiabilidad de la Escala de Confianza en la Inteligencia Artificial ha sido documentada profusamente a través de múltiples parámetros psicométricos de precisión temporal y consistencia interna:
- Alfa de Cronbach (α):
- Subescala de Capacidad Percibida: α = 0.89 a 0.93.
- Subescala de Benevolencia Percibida: α = 0.86 a 0.91.
- Subescala de Integridad Percibida: α = 0.88 a 0.92.
- Puntuación Total Combinada (AIT Global): α = 0.94 a 0.96.
- Fiabilidad Compuesta (ρc / Omega de McDonald ω): Los valores de confiabilidad compuesta superan de forma sistemática la cota crítica de 0.80, arrojando valores de ω ≥ 0.88 para todas las dimensiones, lo que ratifica la estabilidad del instrumento ante desviaciones menores de la tau-equivalencia.
- Estabilidad Test-Retest: En investigaciones longitudinales diseñadas para monitorizar la evolución de la confianza tecnológica tras intervalos de dos a cuatro semanas de uso sostenido del sistema, los coeficientes de correlación intraclase (ICC) se sitúan entre 0.79 y 0.86, revelando una alta estabilidad temporal en usuarios cuyas condiciones técnicas y algorítmicas no experimentaron fallos críticos intencionados.
El error estándar de medida (SEM) se mantiene reducido a lo largo de todo el espectro latente, garantizando una medición de mínima imprecisión en entornos experimentales y clínicos aplicados.
9. Análisis factorial / Factor Analysis
El examen de la dimensionalidad interna del instrumento comprende procedimientos rigurosos de análisis factorial exploratorio (AFE) y análisis factorial confirmatorio (AFC).
Análisis Factorial Exploratorio (AFE)
En las fases preliminares de calibración psicométrica, la adecuación muestral ha sido respaldada mediante valores sobresalientes de la prueba de Kaiser-Meyer-Olkin (KMO > 0.92) y la prueba de esfericidad de Bartlett estadísticamente significativa (p < 0.001). Mediante técnicas de extracción de ejes principales o factorización de máxima verosimilitud acompañadas de rotaciones oblicuas (como Promax o Direct Oblimin) —justificadas por la correlación teórica inherente a las dimensiones de confiabilidad—, la regla de Kaiser del autovalor superior a 1 y el análisis paralelo de Horn convergen en la extracción uniforme de tres factores principales, que explican conjuntamente entre el 68% y el 76% de la varianza total acumulada.
Los ítems diseñados para medir Capacidad saturan nítidamente en el primer factor (cargas > 0.74, con cargas cruzadas inferiores a 0.25). Por su parte, los reactivos de Benevolencia e Integridad cargan de modo autónomo y unívoco en el segundo y tercer factor respectivamente, sin evidencia de contaminación multivariada.
Análisis Factorial Confirmatorio (AFC)
El análisis confirmatorio ha puesto a prueba modelos alternativos y jerárquicos para evaluar la parsimonia de la estructura latente:
- Modelo Unidimensional (1 factor general de confianza): Presenta un ajuste sustancialmente deficiente (χ²/gl = 8.42, CFI = 0.76, RMSEA = 0.124), lo cual descarta que la confianza en la IA pueda ser modelada adecuadamente como un único bloque monolítico indistinguible.
- Modelo de Factores de Primer Orden Correlacionados (3 factores: Capacidad, Benevolencia, Integridad): Revela un ajuste excelente a los datos empíricos (χ²/gl = 1.96, CFI = 0.978, TLI = 0.971, SRMR = 0.034, RMSEA = 0.046 [IC 90%: 0.032, 0.059]). Las correlaciones entre las variables latentes son moderadas-altas (r = 0.45 a 0.68), corroborando su complementariedad sin comprometer su identidad diferenciada.
- Modelo Jerárquico de Segundo Orden: Corrobora que las tres facetas convergen armoniosamente bajo una macrodimensión general de «Confianza Percibida en la IA», lo que faculta a los evaluadores a computar legalmente tanto las puntuaciones parciales como el índice global agregado.
Las investigaciones transculturales han verificado adicionalmente la invarianza factorial de medición (invarianza configuracional, métrica y escalar) entre distintos tipos de interfaz de usuario y entre colectivos sociodemográficos diversos.
10. Instrumento de medición / Instrument
A continuación se detallan las características operativas de la prueba psicométrica:
- Tipo de prueba: Instrumento psicométrico de autoinforme multidimensional estandarizado.
- Población diana: Adultos, jóvenes y profesionales que interactúan con sistemas, algoritmos o asistentes dotados de inteligencia artificial en contextos educativos, clínicos, de consumo o corporativos.
- Tiempo de administración: Entre 5 y 8 minutos aproximadamente.
- Formato de administración: Administración electrónica / digitalizada (preferida para pruebas de usabilidad o entornos en línea) o administración tradicional en lápiz y papel.
- Número de dimensiones: Tres subescalas principales (Capacidad Percibida, Benevolencia Percibida e Integridad Percibida) articuladas en el bloque cognitivo-afectivo.
- Escala de respuesta: Escala Likert de 7 puntos con anclajes semánticos simétricos:
- 1 = Totalmente en desacuerdo (Strongly disagree)
- 2 = Bastante en desacuerdo (Disagree)
- 3 = Ligeramente en desacuerdo (Somewhat disagree)
- 4 = Neutral / Ni de acuerdo ni en desacuerdo (Neither agree nor disagree)
- 5 = Ligeramente de acuerdo (Somewhat agree)
- 6 = Bastante de acuerdo (Agree)
- 7 = Totalmente de acuerdo (Strongly agree)
- Método de puntuación y corrección:
- Puntuaciones de Subescala: Se calcula la media aritmética de las respuestas correspondientes a cada dimensión (Puntuación = ∑ ítems de subescala / número de ítems). Valores más elevados indican niveles superiores de capacidad, benevolencia o integridad percibida.
- Puntuación Global (Trust Total Score): Se obtiene computando el promedio aritmético de la totalidad de los ítems de la escala o promediando las tres dimensiones latentes.
- Estratificación interpretativa: Puntuaciones medias de 1.00 a 3.49 reflejan desconfianza manifiesta; 3.50 a 4.50 denotan ambivalencia o calibración indeterminada; y 4.51 a 7.00 señalan un grado sólido de confianza en el sistema inteligente.
11. Permisos, Tarifas y Año del test / Permissions & Fee and Test Year
Año de publicación formal de referencia: 2016 (artículo fundacional de la arquitectura de confianza en sistemas de información por Söllner, Hoffmann y Leimeister en el European Journal of Information Systems), integrando modelos validados de confianza tecnológica desarrollados entre 2002 y 2016.
Derechos de autor y tarifas: El constructo teórico y los modelos de adaptación divulgados en la literatura académica revisada por pares son de acceso libre para fines de investigación científica y docencia no comercial (bajo principios de uso legítimo y citas académicas correspondientes, en ocasiones respaldados por licencias de acceso abierto como Creative Commons según el repositorio editorial). No existen tarifas arancelarias obligatorias para el uso científico básico, siempre que se reconozca formalmente la autoría citando la publicación original.
Permisos para uso comercial o corporativo: Aquellas empresas, firmas consultoras o desarrolladores comerciales de software que deseen integrar los inventarios específicos, baterías propietarias o plataformas de diagnóstico derivadas en productos comerciales deben consultar directamente con los titulares de los derechos, las asociaciones editoriales (como Taylor & Francis) o los autores de correspondencia para la obtención de licencias corporativas formales.
12. Referencias / References
- Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
- Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312
- 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
- Komiak, S. Y., & Benbasat, I. (2006). The effects of personalization and familiarity on trust and adoption of recommendation agents. MIS Quarterly, 30(4), 941–960. https://doi.org/10.2307/25148760
- Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.2307/258792
- McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334–359. https://doi.org/10.1287/isre.13.3.334.81
- Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
- Söllner, M., Hoffmann, A., & Leimeister, J. M. (2016). Why different trust relationships matter for information systems users. European Journal of Information Systems, 25(3), 274–287. https://doi.org/10.1057/ejis.2015.17
- 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