Efectividad del marketing de influencers generados con inteligencia artificial: el rol en conjunto de la autenticidad, la credibilidad y la similitud
Autores Samuel Alberto Amin Jamis y Juan Botero Michelsen
Administración de Empresas Colegio de Estudios Superiores de Administración - CESA Trabajo de Grado Bogotá
2026
Efectividad del marketing de influencers generados con inteligencia artificial: el rol en conjunto de la autenticidad, la credibilidad y la similitud
Autores Samuel Alberto Amin Jamis y Juan Botero Michelsen
Director David Van Der Woude de Vries
Trabajo de grado para optar por el título de Profesional en Administración de Empresas
Administración de Empresas Colegio de Estudios Superiores de Administración - CESA Trabajo de Grado Bogotá
2026
Tabla de Contenido
Resumen.....................................................................................................................................8
1. Introducción........................................................................................................................... 9
1.1 Planteamiento del problema.........................................................................................10 1.2 Justificación del problema............................................................................................12 1.3 Pregunta de investigación.............................................................................................13 1.4 Objetivos de la investigación....................................................................................... 13 1.4.1 Objetivo general.................................................................................................. 13 1.4.2 Objetivos específicos...........................................................................................13
2. Marco Teórico...................................................................................................................... 15
2.1 Autenticidad Percibida................................................................................................. 15 2.2 Credibilidad Percibida..................................................................................................18 2.3 Similitud Percibida.......................................................................................................20 2.4 Relación entre variables e hipótesis............................................................................. 22 2.5 Modelo de hipótesis..................................................................................................... 23
3. Metodología de la Investigación.......................................................................................... 24
3.1 Enfoque y diseño de la investigación...........................................................................24 3.2 Alcance de la investigación..........................................................................................24 3.3 Población y muestra..................................................................................................... 25 3.4 Instrumento de recolección de datos............................................................................ 26 3.5 Procedimiento...............................................................................................................28 3.6 Plan de análisis de datos...............................................................................................29
4. Resultados preliminares: prueba piloto y depuración del instrumento................................ 30
4.1 Verificación de supuestos.............................................................................................30 4.2 Resultados del análisis de fiabilidad............................................................................ 31 4.3 Resultados del Análisis de Componentes Principales..................................................32 4.4 Instrumento final.......................................................................................................... 35
5. Resultados del estudio cuantitativo......................................................................................36
5.1 Estadísticos descriptivos.............................................................................................. 36 5.2 Análisis de correlaciones..............................................................................................37 5.3 Contraste de H1, H2 y H3: efecto de los antecedentes sobre la actitud hacia la marca...
38
5.4 Contraste de H4: efecto de la actitud hacia la marca sobre la intención de compra.... 39 5.5 Resumen del contraste de hipótesis..............................................................................40
6. Conclusiones........................................................................................................................ 42
6.1 Antecedentes de la actitud hacia la marca: el rol diferencial de la similitud, la
credibilidad y la autenticidad............................................................................................. 42 6.2 La actitud hacia la marca como antecedente directo de la intención de compra..........45
6.3 Niveles generalmente bajos de aceptación de los influenciadores generados con IA
entre los jóvenes colombianos encuestados....................................................................... 46
7. Recomendaciones.................................................................................................................48
7.1 Implicaciones Académicas...........................................................................................48 7.2 Implicaciones gerenciales.............................................................................................49 7.2.1 Priorizar la similitud percibida en la selección del influenciador....................... 49 7.2.2 Construir credibilidad mediante consistencia y transparencia............................ 50 7.2.3 Manejar con cuidado la divulgación del carácter virtual.................................... 50 7.2.4 Adaptar la estrategia al contexto colombiano..................................................... 50 7.2.5 Considerar la categoría de producto....................................................................51 7.3 Limitaciones del estudio...............................................................................................51 7.3.1 Naturaleza de la muestra..................................................................................... 51 7.3.2 Distribución demográfica y socioeconómica...................................................... 52 7.3.3 Diseño metodológico...........................................................................................52 7.3.4 Alcance de los estímulos utilizados.................................................................... 53 7.3.5 Limitaciones del autorreporte..............................................................................53 7.3.6 Variables omitidas en el modelo..........................................................................53 7.4 Futuras líneas de investigación.................................................................................... 54 7.4.1 Réplica con muestras representativas..................................................................54 7.4.2 Estudios longitudinales....................................................................................... 55 7.4.3 Diseños experimentales comparativos................................................................ 55 7.4.4 Incorporación de variables moderadoras y mediadoras...................................... 55 7.4.5 Estudios comparativos a nivel latinoamericano..................................................56
8. Referencias...........................................................................................................................57
9. Anexos..................................................................................................................................63
9.1 Anexo 1: Instrumento de recolección de datos............................................................ 63 9.2 Anexo 2: Estímulos audiovisuales utilizados en la encuesta....................................... 65 9.3 Anexo 3: Sección demográfica de recolección de datos..............................................66 9.4 Anexo 4: Encuesta piloto no depurada de recolección de datos.................................. 68 9.5 Anexo 5: Encuesta final depurada de recolección de datos......................................... 69
Índice de Tablas
Tabla 1. Tabla de Variables del instrumento de medición……………………………………27 Tabla 2. Indicadores de adecuación muestral por dimensión………………………………...31 Tabla 3. Coeficientes de Alfa de Cronbach por dimensión antes y después del ajuste………32 Tabla 4. Cargas factoriales de la dimensión de Credibilidad antes y después del ajuste…….33 Tabla 5. Cargas factoriales de todas las dimensiones del instrumento final…………………34 Tabla 6. Estadísticos descriptivos de los constructos (n = 716)……………………………...37 Tabla 7. Matriz de correlaciones de Pearson entre los constructos (n = 716)………………..38 Tabla 8. Resultados de la regresión lineal múltiple para Actitud hacia la marca (n = 716)….39 Tabla 9. Resultados de la regresión lineal simple para Intención de compra (n = 716)…...…40 Tabla 10. Resumen del contraste de hipótesis….….….….….….……….….….….….….…..41
Índice de Figuras
Figura 1. Modelo de hipótesis de investigación……………………………………………...23
Índice de Anexos
Anexo 1. Instrumento de recolección de datos…………………………………...……….…60 Anexo 2. Estímulos audiovisuales utilizados en la encuesta…………………...……………62 Anexo 3. Sección demográfica de recolección de datos…………………………………..…63 Anexo 4. Encuesta piloto no depurada de recolección de datos……………………………..65 Anexo 5. Encuesta final depurada de recolección de datos………………………………….65
Resumen
El presente estudio examina cómo la autenticidad percibida, la credibilidad y la similitud percibida del influenciador generado con inteligencia artificial influyen sobre la actitud hacia la marca y la intención de compra del consumidor. La investigación adopta un enfoque cuantitativo, no experimental y de tipo transversal, basado en un instrumento de 21 ítems tipo Likert aplicado a una muestra obtenida mediante muestreo por conveniencia. Tras una prueba piloto con 42 participantes que permitió depurar el instrumento (revisar Anexo 4), se recolectaron 716 respuestas válidas durante siete semanas (revisar Anexo 5). El análisis de los datos se realizó mediante estadísticos descriptivos, matriz de correlaciones de Pearson, regresión lineal múltiple y regresión lineal simple. Los resultados respaldan empíricamente las cuatro hipótesis planteadas: la similitud percibida (β = 0.363), la credibilidad percibida (β = 0.324) y la autenticidad percibida (β = 0.219) influyen positiva y significativamente sobre la actitud hacia la marca, explicando el 67.9% de su varianza; a su vez, la actitud hacia la marca tiene un efecto fuerte sobre la intención de compra (β = 0.808), explicando el 65.2% de su varianza. La similitud percibida emergió como el predictor de mayor peso, mientras que las medias bajas observadas en todos los constructos (entre 1.64 y 2.00 en una escala de 1 a
5) sugieren niveles bajos de aceptación de los influenciadores virtuales entre los jóvenes
colombianos encuestados. Los hallazgos aportan evidencia empírica novedosa para un mercado donde esta categoría aún se encuentra en etapa incipiente.
Palabras clave: marketing de influencers, influenciadores generados con inteligencia artificial, autenticidad, credibilidad, similitud percibida, intención de compra.
1. Introducción
En los últimos años, el marketing con influenciadores se ha consolidado como una de las estrategias publicitarias más importantes, transformando la manera en que las marcas se comunican con sus audiencias y generan vínculos con los consumidores. Dentro de este panorama, ha emergido una nueva categoría que está redefiniendo los límites del marketing digital: los influenciadores generados con inteligencia artificial. Estos son personajes digitales creados con herramientas de inteligencia artificial que mantienen comunidades de seguidores, promocionan productos y construyen identidades narrativas en redes sociales como Instagram y TikTok. El crecimiento de esta categoría ha sido notable a nivel global. Según Grand View Research (2024), el mercado mundial de influenciadores virtuales muestra una proyección de expansión sostenida en los próximos años, impulsada por los avances en inteligencia artificial generativa, la disminución de los costos de producción de contenido digital y el creciente interés de las marcas por explorar formas innovadoras de comunicación con sus audiencias. Este crecimiento trae oportunidades pero también interrogantes en el campo del marketing, ya que permite a las marcas desarrollar campañas con control total sobre el mensaje e imagen del personaje; pero, por el otro lado, plantea desafíos en cuanto a la autenticidad, credibilidad y conexión emocional que éstos pueden tener con el consumidor.
Gran parte de la literatura académica se ha desarrollado en mercados asiáticos, europeos y norteamericanos; en estas regiones, la relación con estos influenciadores es mayor que en otras partes. Por ejemplo, en América Latina y Colombia, los estudios sobre cómo los consumidores perciben y responden a este tipo de influenciadores generados con IA son escasos, dejando vacíos al estudiar el comportamiento del consumidor frente a estos actores.
En respuesta a este vacío, el presente trabajo de grado propone analizar cómo los jóvenes consumidores digitales colombianos perciben a los influenciadores generados con
IA, y cómo estas percepciones, específicamente la autenticidad percibida, la credibilidad percibida y la similitud percibida del influenciador, influyen sobre la actitud hacia la marca promocionada e intención de compra. La investigación adopta un enfoque cuantitativo, no experimental y de tipo transversal, y busca aportar evidencia empírica relevante tanto para el ámbito académico como para la práctica del marketing digital en el país.
El presente trabajo está organizado en siete capítulos. El primero corresponde a la introducción, donde se desarrolla la contextualización del fenómeno, la justificación, la pregunta de investigación y los objetivos generales y específicos. El segundo capítulo presenta el marco teórico, en el que se profundiza en las variables de estudio: autenticidad, credibilidad y similitud percibida; sus fundamentos teóricos y la relación entre ellas, y culmina con el planteamiento de las hipótesis de investigación. El tercer capítulo describe la metodología, su enfoque, alcance, población y muestra, instrumento de recolección de datos y plan de análisis. El cuarto capítulo presenta los resultados preliminares de la prueba piloto, incluyendo la verificación de supuestos, análisis de fiabilidad y análisis de componentes principales para depurar el instrumento. El quinto capítulo desarrolla los resultados del estudio cuantitativo final, abarcando los estadísticos descriptivos, el análisis de correlaciones y el contraste empírico de las cuatro hipótesis planteadas. El sexto capítulo presenta las conclusiones del trabajo, donde se discuten los hallazgos en diálogo con la literatura más reciente. Finalmente, el séptimo capítulo presenta las recomendaciones derivadas del estudio, organizadas en cuatro apartados: las implicaciones académicas, las implicaciones gerenciales, las limitaciones del estudio y las futuras líneas de investigación.
1.1 Planteamiento del problema
Alrededor del mundo, el marketing con influencers ha experimentado un crecimiento rápido y se posiciona como una estrategia clave para las marcas. Los influencers virtuales, o
aquellos generados con IA han llegado a ser transformadores en la industria. Según el estudio de Grand View Research (2024), este mercado llegó a tener un tamaño de 6.06 mil millones de dólares en 2024 y se espera que crezca a una tasa anual compuesta del 40.8% hasta 2030. Sorosrungruang et al. (2024) sostienen que las marcas destinan hasta un 30% de sus presupuestos de marketing para realizar campañas con influencers virtuales, mientras que el 75% de los consumidores de la categoría “Generación Z” sigue mínimo a uno de estos. Ahora, en Colombia, el contexto favorece este tipo de estrategias ya que, por ejemplo, Instagram es utilizado por el 86.3% de los usuarios de redes sociales del país, y TikTok un 73.8%. Además, la inversión en campañas publicitarias con influenciadores incrementó anualmente en un 14.1%, llegando a los 74.6 millones de dólares (Branch, 2025). Hoy por hoy, cada vez más se puede ver a las marcas hacer uso de esta práctica de marketing. En el caso del presente estudio, el análisis se enfoca en campañas de marketing con influencers generados con IA, a través de Instagram y TikTok, en el contexto colombiano. Dicho lo anterior, hoy en día las marcas se enfrentan a retos como la saturación de contenido, la falta de autenticidad y el auge de los “influencers virtuales” desarrollados con IA. Son varios los estudios que dejan muy clara la importancia de la originalidad (Leung et al., 2022) y la autenticidad (Duffek et al., 2025), asi como la credibilidad y la similitud entre el influencer y consumidor para generar actitudes favorables hacia las colaboraciones marca-influencer y fortalecer la imagen de marca (Elsharnouby et al., 2025). A pesar de ello, las marcas aún no han logrado comprender con completa claridad cómo interactúan estos tres elementos para valorar qué tan efectivo es el marketing con influencers; ni de qué manera estas dinámicas se ven afectadas con la creciente aparición de los influencers virtuales (Allal-Chérif et al., 2024). La brecha mencionada limita, por distintos motivos, la efectividad de las decisiones estratégicas que pueden tomar las marcas.
1.2 Justificación del problema
Se considera que esta investigación es bastante relevante ya que integra tres características fundamentales a la hora de ejecutar una campaña de marketing con influencers: autenticidad, credibilidad y similitud.
En cuanto a lo académico, con esta investigación se busca abordar la brecha que menciona Duffek et al. (2025) sobre la crisis de autenticidad por parte de las marcas y Elsharnouby et al. (2025) sobre el rol de la credibilidad y la similitud percibida en cuanto a la efectividad de las campañas hechas con influenciadores.
Desde una perspectiva práctica, le ofrece a las marcas criterios para seleccionar influencers indicados o más afines con ellas, para así poder diseñar campañas más efectivas. Aquí también se tienen en cuenta los hallazgos sobre la importancia en la originalidad del contenido (Leung et al., 2022) y el impacto o efectividad que están teniendo en la actualidad los influencers virtuales hechos con IA (Allal-Chérif et al., 2024). A pesar de los avances mencionados, se evidencia un vacío importante. Aunque anteriormente se ha estudiado bastante sobre la autenticidad, credibilidad y similitud de manera aislada, aún falta comprender cómo interactúan estos elementos entre sí en el contexto de los influencers generados con IA. La presente investigación busca cerrar justamente ese vacío.
Para terminar, en el aspecto social, se busca entender cómo las personas deciden en quién confiar cuando ven contenido en sus redes, y eso puede ser de gran ayuda a las marcas para que así puedan generar contenido con una comunicación más transparente y cercana en sus campañas.
1.3 Pregunta de investigación
¿Cómo influyen la autenticidad percibida, la credibilidad del influencer y la similitud percibida en la actitud hacia la marca y la intención de compra en campañas de marketing con influencers generados con IA?
1.4 Objetivos de la investigación
1.4.1 Objetivo general
Examinar la manera en que se relacionan la credibilidad del influencer, la similitud percibida y la autenticidad percibida para determinar la eficacia de las estrategias de marketing con influencers generados con IA, evaluada mediante el comportamiento hacia la marca y la voluntad de adquirir productos promocionados, en campañas desarrolladas en Colombia a través de Instagram y TikTok, dirigidas a jóvenes usuarios activos de redes sociales.
1.4.2 Objetivos específicos
1. Contextualizar el fenómeno del marketing de influenciadores, resaltando su crecimiento reciente en TikTok e Instagram en Colombia y el impacto que tienen en las campañas presentes la autenticidad, la credibilidad y la similitud percibida. 2. Se realiza una revisión de la literatura académica acerca de la autenticidad, credibilidad y similitud percibida con el objetivo de establecer un marco teórico que detalle su función en la persuasión digital y en la eficacia de las campañas de marketing con influenciadores.
3. Examinar cómo la autenticidad percibida, la credibilidad del influencer y la similitud percibida influyen, de manera individual y conjunta, en la actitud hacia la marca y la intención de compra del consumidor.
4. Elaborar un modelo de investigación que facilite evaluar de forma empírica el efecto conjunto de estas tres variables en la eficacia del marketing con influencers generados con IA.
5. Proponer sugerencias para las empresas sobre la selección e interacción con influencers generados con IA para aumentar la confianza percibida y la conexión emocional con su público.
2. Marco Teórico
En la actualidad, implementar campañas de marketing con influencers se consolida cada vez más como una estrategia eficaz y exitosa para comunicar en la actualidad. Esto se debe a que permite el establecimiento de conexiones entre marcas y su público mediante figuras que son percibidas por este último como auténticas o cercanas. A pesar de lo anteriormente mencionado, se debe tener en consideración lo siguiente: la efectividad se basa en diversos factores, uno de los cuales es la percepción de la audiencia con respecto a los mensajes y las recomendaciones que recibe. La similitud percibida, la credibilidad y la autenticidad son algunas de las variables que se han investigado más en los últimos años. Cabe señalar que estos afectan la voluntad de adquirir el bien ofrecido, además del “engagement” y la confianza.
Es importante apoyarse en las teorías que trabajan este tema para lograr comprender estas variables en profundidad, las cuales son: credibilidad de la fuente, relaciones parasociales, homofilia y el match-up entre las marcas e influenciadores. Estos conceptos explican por qué ciertos mensajes generan más conexión o confianza en las redes. En esta sección se revisan las variables, cómo se definen, cómo han cambiado con el tiempo, cómo surgen sus bases, y cómo llegaron a medirse en estudios anteriores. Se busca entender de qué manera interactúan entre sí y su importancia dentro del marketing con influencers.
2.1 Autenticidad Percibida
Recientemente, especialmente durante los últimos 5 años, la autenticidad ha sido un factor protagonista dentro del universo del marketing digital. Esto se debe a que es un elemento que permite ver la relación o conexión entre los influencers y el público. Son varias las
investigaciones pertenecientes a revistas "Q1" que comentan sobre cómo la autenticidad percibida por parte de un público influye directamente en la disposición de pago y el comportamiento de compra del mismo, en cuanto a productos o servicios respaldados o promocionados por influenciadores. Kapitan et al. (2021) demuestran que cuando un influenciador es percibido como auténtico, su público estará mucho más dispuesto a pagar por el producto que recomienda, y que este efecto se fortalece cuando dicho influencer es percibido como creador de su propio contenido genuino en vez de un promotor pagado. Por su parte, Agnihotri et al. (2023) encontraron y sostienen que varios atributos relacionados a la autenticidad como: sinceridad, experiencia, transparencia en los patrocinios, visibilidad y la originalidad del influencer influyen en gran medida en el comportamiento de compra de los seguidores. Asimismo, la coherencia entre la personalidad del influencer y el contenido que comunica afecta directamente la atracción e interés que genera dentro de su audiencia (Zniva et al., 2023).
En la misma línea, existen también estudios que abordan la "crisis de autenticidad" que experimentan hoy día las redes sociales, causada más que todo por una gran saturación de contenido comercial y la percepción de deshonestidad por parte de los influenciadores en sus colaboraciones con marcas (Duffek et al., 2025). Frente a esto, la llegada de influencers generados con IA ha sido planteada como una alternativa para mitigar estos riesgos, aunque no está exenta de limitaciones (Allal-Chérif et al., 2024). Se logra deducir que la autenticidad no solo significa ser natural o sin filtros necesariamente. La autenticidad va desde la transparencia, hasta la percepción por parte del público de una conexión genuina entre los valores del influencer y los que proyecta la marca. En consecuencia, las marcas que promueven colaboraciones "auténticas" son aquellas que tienden a generar vínculos más duraderos con sus consumidores.
El concepto de "autenticidad" en marketing nace mediante dos tradiciones teóricas. Por un lado, la investigación sobre comunicación persuasiva ha mostrado que las cualidades del emisor, como su credibilidad por ejemplo, son factores que tienen un impacto considerable en el cambio de conductas del receptor (Hovland, Janis y Kelley, 1953). Por otro lado, Goffman (1959) sugiere desde la sociología que toda exhibición del yo frente a otros necesita una coherencia expresiva y diferenció entre el actuante sincero, aquel convencido sobre la impresión que transmite; y el cínico, que no cree en ella pero la sostiene frente a un público. Hoy en día, y en consecuencia en el ámbito digital, estas ideas se combinan con teorías modernas que estudian cómo las redes sociales aportan al desarrollo de la identidad. La autenticidad, de acuerdo con estas teorías, se produce cuando hay congruencia entre lo que el influencer muestra en sus publicaciones y su vida por fuera de las redes, o en otras palabras su vida real (Zniva et al., 2023b).
En la actualidad, tanto en literatura como en teoría, se utilizan escalas de tipo Likert para medir la autenticidad, las cuales consideran y analizan características como la sinceridad, la unicidad, la consistencia y la honestidad en las recomendaciones. Zniva et al. (2023) y Agnihotri et al. (2023) tomaron modelos anteriores y los adaptaron a redes sociales, permitiendo cuantificar hasta qué punto los consumidores pueden percibir a un creador de contenido como alguien genuino. Además, Agnihotri et al. (2023) lograron comprobar que cuando una audiencia de seguidores percibe a cierto influenciador como una persona sincera y honesta en sus recomendaciones, se ve traducido en mayores comportamientos de compra; y que dicha relación se ve reforzada por la cercanía o conexión emocional que siente el seguidor con el influenciador, aunque esta sea únicamente a través de Instagram, específicamente en lo que respecta a la sinceridad, honestidad en las recomendaciones y la visibilidad del influenciador..
2.2 Credibilidad Percibida
En años recientes, la credibilidad se ha convertido en un factor crucial para comprender de qué manera los mensajes que comunican los influenciadores logran persuadir y generar actitudes favorables hacia las marcas entre la audiencia (Lou & Yuan, 2019; Dhun & Dangi, 2023; Luarn et al., 2025). De acuerdo con estos estudios, dimensiones como la confiabilidad y la experiencia tienen impacto sobre las actitudes hacia la marca e intención en clientes potenciales. Sin embargo, su efecto cambia dependiendo del contexto y de la dimensión evaluada (Dhun & Dangi, 2023; Lou & Yuan, 2019; Luarn et al., 2025). Según Lou y Yuan (2019), la credibilidad se ha utilizado en numerosas investigaciones que buscan establecer niveles de confianza en los mensajes patrocinados y el valor del contenido creado por influenciadores.
Aunque los efectos de la autenticidad del influencer varían en función de las subdimensiones implicadas, esta desempeña un papel crucial en cómo sus seguidores perciben su credibilidad. La originalidad incrementa la atractividad percibida, aunque disminuye la confiabilidad; por su parte, la continuidad del influenciador, entendida como la consistencia y coherencia de su identidad a lo largo del tiempo, sí genera un efecto positivo en la percepción de experticia y confiabilidad, según descubrieron Wang y Weng (2024). A la vez, la naturalidad, o la percepción de que el influenciador se muestra genuino y sin artificialidad, logra impulsar una percepción de atractividad, aunque su impacto sobre la confiabilidad no fue muy significativo. Por su parte, las tres dimensiones de la credibilidad (atractividad, confiabilidad y experticia) fomentan el boca a boca positivo entre los seguidores. Así, la credibilidad actúa como un mecanismo de mediación que une la autenticidad percibida del influencer con el comportamiento de recomendación de su público.
La teoría de la “credibilidad de la fuente” (Hovland & Weiss, 1951) es el fundamento teórico de la credibilidad. Dentro de esta teoría mencionada, los autores sostienen que la eficacia de un mensaje, a la hora de persuadir, está condicionada en gran parte por qué tan confiable se perciba la fuente. Dicho esto, los mensajes que provienen de fuentes que se consideran poco fiables suelen ser desestimados desde un principio por el público. Lo anterior va de la mano con lo propuesto por Petty y Cacioppo (1986) en el Modelo de Probabilidad de Elaboración (ELM). En este se sostiene que las personas interpretan los mensajes persuasivos por medio de dos caminos, el central y periférico, lo cual depende de su capacidad cognitiva y sus niveles de motivación o interés en el contenido del mensaje. Sin embargo, en ocasiones de poco involucramiento o interés en el mensaje, la persuasión se ve bastante influenciada por la impresión generada por parte de la fuente, y no por el análisis hecho del contenido del mensaje. Lo recién explicado permite entender por qué, la fiabilidad percibida por un público con respecto a un influencer, puede llegar a tener un impacto importante en actitud hacia la marca e intención de compra.
La actual investigación entiende por credibilidad del influencer la percepción que los seguidores tienen acerca de la competencia, honestidad y confiabilidad del emisor. Esto afecta directamente sobre cómo el público objetivo recibe el mensaje, además de su intención de actuar siguiendo sus recomendaciones. Según esta definición, la credibilidad abarca: cognitiva o experiencia, la afectiva o confianza, y la estética o atractivo. Desde los inicios del marketing digital, la credibilidad ha sido un elemento medido con diversas herramientas, pero la más utilizada fue la escala Ohanian (1990). La herramienta examina la credibilidad con base en tres dimensiones esenciales: confiabilidad, atractivo y experiencia (Dhun & Dangi, 2023). Ahora, en la rama del marketing de influencers, varios estudios más recientes han ajustado este enfoque para poder utilizarlo en las redes sociales.
Para ello, han adicionado la similitud percibida como otra dimensión importante; y la han medido utilizando las escalas de diferencial semántico de 5 puntos que están basadas en el modelo de Ohanian (1990) (Luarn et al., 2025).
Estudios recientes muestran que el proceso es distinto cuando los influencers generados con IA entran a la ecuación. Estos suelen y buscan transmitir credibilidad a través de consistencia visual y técnica. A pesar de esto, en la mayoría de los casos no logran generar el mismo nivel de confianza emocional que un influencer humano.
2.3 Similitud Percibida
Se ha determinado que la similitud que percibe el consumidor entre él y el influenciador es un elemento esencial en la eficacia del marketing con influenciadores. Schouten et al. (2019) descubrieron que los consumidores perciben como más parecidos a los influenciadores que a las celebridades convencionales, y que esta similitud percibida influye en la relación entre quien recomienda el producto/servicio y la intención de compra del público. Asimismo, entre el público, los niveles de confianza hacia los influenciadores son mayores que hacia las celebridades; y aquello justifica su eficiencia publicitaria comparada. Estos descubrimientos reflejan que la percepción de cercanía con el influencer es un factor crucial para la persuasión dentro del marco digital.
Las investigaciones más recientes indican que la relación entre autenticidad y credibilidad puede fortalecerse si las personas sienten que se asemejan al influencer. Esto les hace tener más confianza en él y estar más dispuestas a seguir sus consejos. En otras palabras, la “similitud” no solo potencia el vínculo personal, sino que además contribuye a formar comunidades digitales basadas en intereses y gustos compartidos.
La teoría de la homofilia, propuesta originalmente por Lazarsfeld y Merton (1954), y la de identificación social (Tajfel & Turner, 2004) sustentan lo anterior. La primera expone la inclinación que tienen los individuos a relacionarse con personas que perciben como semejantes (“lo similar se junta con lo similar”); lo cual puede presentarse en similitudes de características sociales y en valores y creencias (Dunkake, 2019). Mientras tanto, la segunda resalta cómo el sentido de pertenencia al grupo influye en el comportamiento y en la aceptación social. En el contexto de campañas de marketing con influencers, ambas sostienen que las audiencias suelen tener en cuenta las sugerencias de aquellos influencers con los cuales se identifican simbólica y/o socialmente.
En la investigación, se define como similitud percibida el nivel en que los seguidores consideran tener intereses, valores o características en común con el influencer (Schouten et al., 2019). Aquella percepción impulsa la intención de comprar y además, las actitudes hacia los productos recomendados resultan más positivas, aunque su impacto depende del tipo de producto.
Para esta investigación, se considera que la similitud percibida se mide por medio de escalas tipo Likert, las cuales constan de ítems que analizan hasta qué punto el seguidor siente que el influencer tiene una actitud, un comportamiento y una forma de ser parecidos al suyo (Schouten et al., 2019). Estos ítems, que fueron modificados de la escala de Hoffner y Buchanan (2005), se emplearon en un principio para calcular los niveles de identificación con personajes mediáticos.
Cuando los influenciadores generados con IA entran a la discusión, los estudios realizados indican que si bien estos pueden generar afinidad simbólica a través de su estética o estilo, su conexión rara vez logra la misma sensación de cercanía o “vida compartida” vista con influencers humanos.
2.4 Relación entre variables e hipótesis
Lo anteriormente analizado sugiere que la autenticidad es un mecanismo fundamental en el proceso de influencia, relacionado con los vínculos parasociales que el influencer establece con su público (Kapitan et al., 2021). Por otro lado, la confianza que se tiene en un contenido patrocinado y, por ende, en la identificación de una marca y la propensión a comprar están influenciada positivamente por aspectos concretos de la credibilidad del influencer, como son la confiabilidad, la similitud percibida y lo atractivo (Lou & Yuan, 2019). Varios estudios que se han realizado, sobre persuasión y conducta del consumidor, afirman que las actitudes “positivas” del público hacia una marca se reflejan en mayor predisposición para adquirir sus productos. La lógica detrás de esto es que, en el momento en que un individuo tiene una disposición favorable hacia una determinada marca, a esta le resulta más sencillo considerar la compra. Una actitud positiva hacia una marca reduce en gran parte la incertidumbre hacia la misma, mientras que también se percibe una mayor confianza en lo que esta comunica, lo cual influye en la intención de compra (Ajzen, 1991). En esa misma línea, Lee y Johnson (2021) encontraron que la autenticidad y credibilidad percibida del influenciador median los efectos sobre la actitud hacia la marca e intención de compra.
Pese a estos avances, se considera necesario realizar un análisis más a detalle sobre la relación entre la autenticidad, la credibilidad y la similitud en el contexto de los influencers generados con IA. Las hipótesis presentadas a continuación están guiadas y fundamentadas debido a este vacío.
Con base en todo lo anteriormente mencionado, se proponen las siguientes hipótesis de investigación:
● H1: A mayor autenticidad percibida del influencer, mayor será la actitud hacia la marca.
● H2: A mayor credibilidad percibida del influencer, mayor será la actitud hacia la marca.
● H3: A mayor similitud percibida entre influencer y consumidor, mayor será la actitud hacia la marca.
● H4: A mejor actitud hacia la marca, mayor será la intención de compra.
2.5 Modelo de hipótesis
Figura 1 Modelo de hipótesis de investigación
Nota. Elaboración propia con base en la revisión de literatura.
3. Metodología de la Investigación
3.1 Enfoque y diseño de la investigación
Esta investigación adopta un enfoque cuantitativo, el cual implica la recolección y análisis sistemático de datos numéricos con el propósito de examinar relaciones entre variables y poner a prueba hipótesis previamente formuladas (Hernández-Sampieri et al., 2014). En este contexto, se considera dicho enfoque como el más apropiado, ya que el modelo planteado se basa en variables medibles utilizando escalas ya validadas en literatura: autenticidad percibida, credibilidad percibida, similitud percibida, actitud hacia la marca e intención de compra. Por medio de este enfoque, se busca cuantificar la magnitud y la dirección de las relaciones, para así contrastar las cuatro hipótesis de investigación. El diseño de la herramienta que se utiliza en el presente estudio es no experimental y de tipo transversal, no se manipulan las variables independientes y además los datos se recolectan en un único momento del tiempo (Hernández-Sampieri et al., 2014). Lo anterior, debido a que el objetivo del estudio es medir las percepciones reales de los jóvenes colombianos encuestados frente a influenciadores generados con IA y analizar cómo estas percepciones se relacionan entre sí.
3.2 Alcance de la investigación
El alcance de la presente investigación es de tipo exploratorio, correlacional y explicativo. Es exploratorio porque la práctica de marketing con influenciadores generados con IA en el contexto colombiano constituye una categoría emergente y poco estudiada en la literatura local y latinoamericana, según se evidencia en el planteamiento del problema. Es correlacional en la medida en que se determinan las conexiones entre las variables independientes (similitud percibida, autenticidad y credibilidad) y aquellas dependientes
(intención de compra y actitud hacia la marca). Finalmente, es explicativo porque, mediante regresiones lineales, se busca explicar en qué medida las variables independientes permiten predecir las dependientes en el contexto concreto de los influenciadores generados con IA. Dadas las características del diseño no experimental y del muestreo no probabilístico empleado, el presente estudio no constituye un estudio confirmatorio en sentido estricto, sino que aporta evidencia empírica preliminar sobre las relaciones planteadas..
3.3 Población y muestra
Población objetivo: Personas mayores de 18 años que residen en Colombia, y que usan activamente Instagram o TikTok. Según DataReportal (2025), Instagram registró 21,6 millones de usuarios en Colombia y TikTok 37,7 millones de usuarios 18+, lo cual respalda la pertinencia de ambas plataformas como canales de campo.
Tipo de muestreo: El presente estudio utiliza un muestreo no probabilístico por conveniencia. Esto es dado a que la encuesta fue difundida a través de las redes sociales de los autores, teniendo en cuenta a la audiencia digital de uno de ellos, quien se desempeña como creador de contenido. Adicionalmente, dicha encuesta fue completada de forma voluntaria por los participantes que tuvieron acceso al instrumento. Este tipo de muestreo es ampliamente reconocido como adecuado para investigaciones exploratorias y de pregrado por sus restricciones de tiempo y recursos (Hernández-Sampieri et al., 2014), aunque implica limitaciones de representatividad que se reconocen explícitamente en el capítulo de limitaciones del estudio.
Tamaño de la muestra: Aunque la fórmula clásica de Raosoft (e = 5%, p = 0,50, confianza del 95%) sugiere un tamaño mínimo de n=386 para una población infinita, dicha fórmula se utiliza únicamente como referencia comparativa, dado que asume un muestreo aleatorio
simple que no aplica al diseño no probabilístico empleado en este estudio. Hernández-Sampieri et al. (2014) señalan que en muestreos no probabilísticos el tamaño muestral está determinado por el alcance del estudio, el método de análisis y los medios disponibles. Durante aproximadamente siete semanas, entre el 9 de marzo y el 26 de abril de 2026, se obtuvieron 716 respuestas válidas, cifra que excede ampliamente el mínimo de Raosoft y resulta robusta para los análisis de regresión múltiple realizados.
3.4 Instrumento de recolección de datos
El instrumento que se utiliza para recoger datos es una encuesta con estructura, orden de preguntas ya establecido, y manejado en su totalidad por el usuario encuestado; siendo la duración del cuestionario, de aproximadamente 4 a 6 minutos. Este se elaboró utilizando la herramienta Google Forms, y se comienza a responder justo después de que el participante vea dos breves videos publicitarios en los que aparecen, como protagonistas, dos influenciadores realistas desarrollados con inteligencia artificial. La encuesta está compuesta por: (1) una sección de filtro y datos sociodemográficos; (2) la presentación de los dos estímulos, que son videos creados con inteligencia artificial de dos influencers diferentes; y
(3) 21 ítems de tipo Likert con cinco puntos divididos en cinco componentes.
Observación: Los ítems se redactan haciendo alusión directa a los influenciadores creados con inteligencia artificial, ya que todos los encuestados están expuestos a una misma situación. Los dos videos se usan como estímulo para proporcionar al encuestado una referencia más sólida al llegar la hora de contestar las preguntas usando las escalas tipo Likert.
Tabla 1 Tabla de Variables del instrumento de medición Variable Ítems Fuente Autenticidad percibida A1: Los influencers generados con IA muestran pasión genuina por lo que hacen.
A2: Los influencers IA son auténticos.
A3: Las recomendaciones de influencers generados con IA son genuinas.
A4: Los influencers generados con IA mantienen coherencia en su mensaje a lo largo del tiempo.
A5: Los influencers generados con IA son transparentes sobre sus motivaciones.
A6: Los influencers generados con IA tienen una personalidad única y diferenciada.
Zniva et al.
(2023)
Credibilidad C1: Los influencers generados con IA me parecen confiables.
C2: Los influencers generados con IA me parecen sinceros.
C3: Puedo depender de las recomendaciones de los influencers generados con IA.
C4: Los influencers generados con IA me transmiten seguridad y convicción. Dhun & Dangi (2023); Luarn et al.
(2025)
Similitud percibida S1: Los influencers generados con IA comparten valores similares a los míos.
S2: Me identifico con el estilo de vida de los influencers generados con IA.
S3: Me resulta fácil relacionarme con los influencers generados con IA.
S4: Considero que tengo intereses en común con los influencers generados con IA. Schouten et al.
(2019); Stein et al.
(2022); Belanche et al. (2024) Actitud hacia la marca AT1: Los influencers generados con IA me generan una impresión positiva sobre la marca.
AT2: Considero atractivas las marcas promocionadas por influencers generados con IA.
AT3: Me gustan las marcas mostradas por influencers generados con IA.
AT4: En general, los influencers generados con IA me generan una buena impresión sobre la marca promocionada.
Spears & Singh (2004) Intención de compra IC1: El contenido de influencers generados con IA es útil para decidir mis compras.
IC2: Confío en las recomendaciones de los influencers generados con IA.
IC3: Los influencers generados con IA demuestran conocimiento especializado.
Shaheen et al. (2025)
IC4: Es probable que compre productos recomendados por influencers generados con IA.
3.4.1 Validez y confiabilidad
De manera previa a la aplicación final del instrumento, la calidad psicométrica de la encuesta empleada se puede garantizar debido a lo siguiente: (a) validez de contenido, validada por el director de tesis; experto con Magíster en Dirección de Marketing y aproximadamente 15 años de trayectoria en investigación y docencia en el CESA sobre comportamiento del consumidor; (b) validez de constructo, evaluada mediante un Análisis de Componentes Principales (PCA) aplicado en la prueba piloto, en el cual se verifica que cada ítem se asocie de manera clara a su dimensión correspondiente, con cargas factoriales superiores a 0.70 (Hair et al., 2021); y (c) confiabilidad, empleando el coeficiente Alfa de Cronbach, considerando aceptable un valor ≥ 0.70, umbral convencional ampliamente aceptado en la literatura psicométrica (Nunnally y Bernstein, 1978; Hernández-Sampieri et al., 2014). Para afinar el funcionamiento técnico, los tiempos y la redacción, se lleva a cabo una prueba piloto (42 encuestados) antes de realizar el ejercicio final.
3.5 Procedimiento
Google Forms es la herramienta escogida y utilizada para administrar la encuesta del presente estudio. En esta, se muestran dos breves videos publicitarios en los que aparece, en cada uno, un influenciador realista diferente; ambos creados con inteligencia artificial (en el estilo y formato de Instagram/TikTok). En otras palabras, antes de pasar a responder las preguntas en forma de escala tipo Likert, todos los encuestados observan estos dos videos como estímulo.
3.6 Plan de análisis de datos
El análisis se lleva a cabo en los siguientes pasos: (a) limpieza de datos; (b) estadística descriptiva (medias, desviaciones estándar y frecuencias); (c) confiabilidad (Alfa de Cronbach por constructo) calculada sobre la muestra final; (d) análisis correlacional entre variables usando el método Pearson; y (e) regresión lineal múltiple para contrastar las hipótesis H1, H2 y H3, que evalúan el efecto de la autenticidad, credibilidad y similitud percibida sobre la actitud hacia la marca; y regresión lineal simple para contrastar la hipótesis H4, que evalúa el efecto de la actitud hacia la marca sobre la intención de compra.
4. Resultados preliminares: prueba piloto y depuración del instrumento
Se realiza una prueba piloto con 42 participantes (revisar Anexo 4) para determinar la fiabilidad y validez del instrumento de recolección de datos, encuesta en este caso, antes de su implementación total. Esta, al momento de inicio, incluye 22 ítems; no obstante, para el análisis de la estructura factorial y la consistencia interna, los ítems se dividen en cuatro dimensiones: Actitud hacia la marca (5 ítems), similitud percibida con el influenciador (4 ítems), credibilidad percibida del influenciador (6 ítems) y autenticidad percibida del influenciador (6 ítems). La intención de compra, que constituye la variable dependiente en el estudio, se mide a través de un solo ítem; por ende, no se le aplican los análisis anteriores. Para medir todas las preguntas, se decidió optar por utilizar escala Likert de cinco puntos. El software estadístico Jamovi (versión 2.7), es el utilizado para realizar los análisis de fiabilidad y validez. Se emplean dos métodos: el coeficiente Alfa de Cronbach, que tiene como objetivo analizar la consistencia interna de todas las dimensiones, y el Análisis de Componentes Principales (PCA) con rotación Varimax; siendo la finalidad de este último explorar las cargas y estructura factorial de cada ítem.
4.1 Verificación de supuestos
Antes de extraer componentes, se comprueban las hipótesis de adecuación de la muestra. En todas las dimensiones, se evidencia que la prueba de esfericidad de Bartlett es significativa (p < .001), en otras palabras, esto muestra que las matrices de correlación no son matrices de identidad y que efectivamente sí hay suficientes relaciones entre las variables para llevar a cabo un análisis factorial. Además, en todas las dimensiones se obtienen valores mayores a
0.80 en la escala de adecuación muestral de Kaiser-Meyer-Olkin (KMO), lo cual es
considerado válido por los estándares de Kaiser (1974).
Tabla 2 Indicadores de Adecuación Muestral por Dimensión Dimensión
KMO
χ² gl p (Bartlett) Autenticidad
0.814
123
15
< .001 Credibilidad (ajustada)
0.832
---
---
< .001 Similitud
0.831
108
6
< .001 Actitud hacia la marca
0.876
169
10
< .001
4.2 Resultados del análisis de fiabilidad
El coeficiente Alfa de Cronbach, que permite analizar la consistencia interna, muestra valores satisfactorios en las cuatro dimensiones analizadas, ya que todos superan el umbral mínimo de 0.70 y se ubican cerca o dentro del rango recomendado de 0.80 a 0.90 sugerido por Hair et al. (2021). La actitud hacia la marca presenta el valor más elevado (α = 0.935), seguida por credibilidad (α = 0.920), similitud (α = 0.905) y autenticidad (α = 0.880). Estos resultados evidencian que los ítems de cada dimensión son consistentes entre sí. Asimismo, se examina la manera en que el Alfa de Cronbach cambia al excluir cada ítem individualmente en cada dimensión. Al hacer esto, se evidenció que dentro de la dimensión de Credibilidad, al quitar el ítem "Los influencers generados con IA demuestran conocimiento especializado", el coeficiente sube de 0.920 a 0.941. Por ende, la decisión de eliminar dicho ítem mencionado de la versión final de la encuesta está basada en el descubrimiento mencionado, así como también en su baja carga factorial (que se detalla en el siguiente apartado).
Tabla 3 Coeficientes de Alfa de Cronbach por Dimensión Antes y Después del Ajuste Dimensión N° Ítems Alfa de Cronbach Alfa ajustado Decisión Autenticidad
6
0.880
0.880
Se conservan todos Credibilidad
6
0.920
0.941* Se elimina 1 ítem Similitud
4
0.905
0.905
Se conservan todos Actitud hacia la marca
5
0.935
0.935
Se conservan todos Nota. *Valor obtenido tras la eliminación del ítem IA Conocimiento.
4.3 Resultados del Análisis de Componentes Principales
Se implementa el Análisis de Componentes Principales (PCA) con rotación Varimax en cada dimensión por separado, obteniendo un solo componente para cada una. Se considera como aceptable una carga factorial mínima de 0.70 (Hair et al., 2021), y es el criterio usado para la retención de ítems.
Se puede observar que en la dimensión de credibilidad, cinco de los seis ítems tienen cargas factoriales que superan el mínimo aceptado de 0.70 (entre 0.871 y 0.925), sin embargo, el ítem mencionado presenta una carga de 0.654, que está por debajo del límite definido. Realmente, el ítem mide el conocimiento especializado del influenciador, y aquel es un rasgo distinto a la confianza y sinceridad que los otros ítems de la dimensión buscan evaluar. Dicho esto, se evidencia que después de su exclusión, el Alfa de Cronbach pasa de
0.920 a 0.941 y cada una de las cargas factoriales exceden considerablemente el mínimo de
0.70.
Tabla 4 Cargas Factoriales de la Dimensión de Credibilidad Antes y Después del Ajuste Ítem Carga factorial (con 6 ítems) Carga factorial (con 5 ítems) Observación IA_Dependo_Recom
0.925
0.919
✓ IA_Seguridad
0.910
0.915
✓ Confianza_Recomendación
0.885
0.896
✓ IA_Confiabilidad
0.877
0.891
✓ IA_Sinceridad
0.871
0.881
✓ IA_Conocimiento
0.654
Eliminado < 0.70
Las cargas factoriales se encuentran dentro del rango de 0.705 y 0.829 en la dimensión de autenticidad. Todos sobrepasan el límite de 0.70 y el Alfa de Cronbach de 0.880 ratifica una consistencia interna apropiada, de modo que los seis ítems iniciales se mantienen. En cuanto a Similitud y Actitud hacia la marca, todos los indicadores presentan resultados óptimos dentro de ambas dimensiones . En cuanto a Similitud, los cuatro ítems tienen cargas factoriales entre 0.817 y 0.933, con un Alfa de Cronbach de 0.905; y, en Actitud hacia la marca, los cinco ítems tienen cargas entre entre 0.849 y 0.937, con un Alfa de Cronbach de 0.935. Por lo anterior, las dos dimensiones permanecen intactas.
Tabla 5 Cargas factoriales de todas las dimensiones del instrumento final Dimensión Ítem Carga factorial Criterio ≥ 0.70 Autenticidad IA_Autenticidad
0.829
✓
IA_Personalidad
0.770
✓
IA_Pasión
0.742
✓
IA_Recom_Genuinas
0.726
✓
IA_Coherencia
0.716
✓
IA_Transparencia
0.705
✓ Credibilidad (ajustada) IA_Dependo_Recom
0.919
✓
IA_Seguridad
0.915
✓
IA_Sinceridad
0.896
✓
IA_Confiabilidad
0.891
✓
Confianza_Recomendación
0.881
✓ Similitud IA_Identificación
0.933
✓
IA_Relación_Facil
0.896
✓
IA_Intereses_Comunes
0.885
✓
IA_Valores_Similares
0.817
✓ Actitud hacia la marca Marca_Buena_Imp
0.937
✓
Marca_Atractiva
0.901
✓
Marca_Gusta
0.897
✓
Contenido_Útil_Compra
0.870
✓
Marca_Imp_Pos
0.849
✓
La variable dependiente Intención de compra se mide solamente a través de un ítem ("Es probable que compre productos sugeridos por influencers generados con IA"), por esto, no es objeto de análisis factorial ni de consistencia interna dado que se necesitan al menos tres ítems para cada dimensión.
4.4 Instrumento final
El instrumento final o encuesta , después de pasar por el proceso de depuración, se compone de 21 ítems: 20 ítems repartidos en cuatro dimensiones (la credibilidad percibida y la actitud hacia la marca tienen cinco ítems cada una, la autenticidad percibida tiene seis ítems y la similitud percibida tiene cuatro) y un solo ítem de intención de compra ("Es probable que compre productos recomendados por influencers generados con IA"). Solamente se hace una modificación, la exclusión del ítem "Los influencers generados con IA demuestran conocimiento especializado" de la dimensión de Credibilidad; como se demostró anteriormente, esta tiene una carga factorial baja (0.654) y al quitarlo se incrementa el Alfa de Cronbach de 0.920 a 0.941. Esta encuesta depurada es la utilizada como versión final para la parte cuantitativa de recolección de datos. Revisar Anexo 1, en donde fue incluida la versión final de la encuesta utilizada.
5. Resultados del estudio cuantitativo
Una vez aplicado el instrumento depurado y obtenidas 716 respuestas válidas, se procede a presentar los resultados del análisis cuantitativo. En primer lugar, se exponen los estadísticos descriptivos de los cinco constructos del estudio. Posteriormente, se analiza la matriz de correlaciones de Pearson entre las variables. Finalmente, se contrastan las cuatro hipótesis de investigación: las primeras tres (H1, H2 y H3) mediante un modelo de regresión lineal múltiple sobre la actitud hacia la marca, y la cuarta (H4) mediante un modelo de regresión lineal simple sobre la intención de compra. Los análisis se llevaron a cabo con los datos completos de los 716 encuestados, sin valores faltantes en ninguna de las variables.
5.1 Estadísticos descriptivos
En la Tabla 6 se presentan los estadísticos descriptivos de los cinco constructos del estudio, junto con el coeficiente Alfa de Cronbach calculado sobre la muestra final de 716 respuestas. Cabe señalar que todos los constructos mantienen una consistencia interna adecuada (α ≥ 0.88), lo cual es coherente con los resultados obtenidos en la prueba piloto y respalda que las escalas se comportan de manera estable al ampliarse la muestra.
Por otro lado, las medias de todos los constructos se ubican entre 1.64 y 2.00 en una escala de 1 a 5. Esto evidencia que, en términos generales, los participantes manifestaron niveles bajos de aceptación frente a los influencers generados con IA, así como percepciones moderadas-bajas en cuanto a su autenticidad, credibilidad y similitud, lo cual también se ve reflejado en una intención de compra reducida frente a los productos que estos promocionan. Este hallazgo descriptivo resulta relevante para contextualizar las relaciones que se examinan en los siguientes apartados.
Tabla 6 Estadísticos descriptivos de los constructos (n = 716) Constructo M DE Mín Máx α de Cronbach Autenticidad percibida
1.998
0.911
1.00
5.00
0.884
Credibilidad percibida
1.635
0.937
1.00
5.00
0.931
Similitud percibida
1.649
0.917
1.00
5.00
0.910
Actitud hacia la marca
1.781
1.014
1.00
5.00
0.941
Intención de compra
1.747
0.999
1.00
5.00
0.913
Nota. M = Media; DE = Desviación estándar. La escala de medición utilizada es Likert de 5 puntos.
5.2 Análisis de correlaciones
Antes de la estimación de los modelos de regresión, se calculó la matriz de correlaciones de Pearson entre los cinco constructos para examinar la dirección y la fuerza de las asociaciones bivariadas. Los resultados, presentados en la Tabla 7, muestran que todas las correlaciones son positivas y estadísticamente significativas (p < 0.001), con coeficientes que se ubican entre 0.68 y 0.81.
Este patrón es consistente con lo planteado en el modelo de hipótesis y aporta una primera evidencia a favor de las relaciones propuestas. La correlación más alta se da entre la actitud hacia la marca y la intención de compra (r = 0.808), lo cual es coherente con H4. Adicionalmente, ninguna correlación supera el umbral de 0.85, lo que sugiere que los constructos, aunque relacionados, son lo suficientemente distintos entre sí como para ser tratados como variables independientes en el análisis posterior.
Tabla 7 Matriz de correlaciones de Pearson entre los constructos (n = 716)
1
2
3
4
5
1. Autenticidad percibida
—
2. Credibilidad percibida
0.730*** —
3. Similitud percibida
0.698*** 0.771*** —
4. Actitud hacia la marca
0.708*** 0.763*** 0.765*** —
5. Intención de compra
0.678*** 0.781*** 0.724*** 0.808*** — Nota. *** p < 0.001.
5.3 Contraste de H1, H2 y H3: efecto de los antecedentes sobre la actitud hacia la marca
Para contrastar las primeras tres hipótesis de investigación, se estimó un modelo de regresión lineal múltiple en el que la actitud hacia la marca se planteó como la variable dependiente, y la autenticidad percibida, la credibilidad percibida y la similitud percibida como las tres variables independientes. El modelo resultó estadísticamente significativo en su conjunto, F(3, 712) = 503.97, p < 0.001, y explicó el 67.9 % de la varianza de la actitud hacia la marca (R² = 0.680; R² ajustado = 0.679). Este nivel de varianza explicada se considera elevado para estudios de comportamiento del consumidor y respalda la pertinencia del modelo propuesto. En la Tabla 8 se presentan los coeficientes de regresión obtenidos. Como se evidencia, los tres predictores tienen un efecto positivo y estadísticamente significativo (p < 0.001) sobre la actitud hacia la marca, por lo que se encuentra evidencia empírica a favor de H1, H2 y H3. Al observar los coeficientes estandarizados (β), se identifica que la similitud percibida es el predictor con mayor peso relativo (β = 0.363), seguida por la credibilidad percibida (β =
0.324) y, finalmente, la autenticidad percibida (β = 0.219). Dicho lo anterior, aunque las tres variables contribuyen a explicar la actitud hacia la marca, la similitud percibida con el influencer parece ser la más determinante en este contexto.
Tabla 8 Resultados de la regresión lineal múltiple para Actitud hacia la marca (n = 716) Variable B EE β t p Decisión (Constante)
0.059
0.053
—
1.121
0.263
— Autenticidad (H1)
0.244
0.036
0.219
6.720
< 0.001 Evidencia a favor Credibilidad (H2)
0.350
0.040
0.324
8.818
< 0.001 Evidencia a favor Similitud (H3)
0.401
0.039
0.363
10.357
< 0.001 Evidencia a favor Nota. B = coeficiente no estandarizado; EE = error estándar; β = coeficiente estandarizado. R² = 0.680; R² ajustado = 0.679; F(3, 712) = 503.97, p < 0.001.
5.4 Contraste de H4: efecto de la actitud hacia la marca sobre la intención de compra
Para evaluar la cuarta hipótesis del estudio, se estimó un modelo de regresión lineal simple en el que la intención de compra se planteó como variable dependiente y la actitud hacia la marca como variable independiente. El modelo resultó estadísticamente significativo, F(1, 714) = 1338.08, p < 0.001, y explicó el 65.2 % de la varianza de la intención de compra (R² = 0.652; R² ajustado = 0.652). Este nivel de varianza explicada por una sola variable independiente refuerza la importancia de la actitud hacia la marca como antecedente directo de la intención de compra.
Los resultados, presentados en la Tabla 9, muestran que la actitud hacia la marca tiene un efecto positivo, fuerte y altamente significativo sobre la intención de compra (β = 0.808, p
< 0.001). Por cada unidad que aumenta la actitud hacia la marca en la escala Likert, la intención de compra aumenta en 0.796 unidades. En consecuencia, se encuentra evidencia empírica a favor de H4: a mejor actitud hacia la marca, mayor es la intención de compra de los productos promocionados por influencers generados con IA.
Tabla 9 Resultados de la regresión lineal simple para Intención de compra (n = 716) Variable B EE β t p Decisión (Constante)
0.330
0.041
—
8.066
< 0.001 — Actitud hacia la marca (H4)
0.796
0.022
0.808
36.580
< 0.001 Evidencia a favor Nota. R² = 0.652; R² ajustado = 0.652; F(1, 714) = 1338.08, p < 0.001.
5.5 Resumen del contraste de hipótesis
En la Tabla 10 se presenta el resumen del contraste de las cuatro hipótesis del estudio. En todos los casos se observa un efecto positivo, en la dirección esperada, y estadísticamente significativo a un nivel de p < 0.001. Por consiguiente, el modelo de investigación propuesto recibe respaldo empírico completo: la autenticidad percibida, la credibilidad percibida y la similitud percibida del influencer generado con IA influyen positivamente en la actitud hacia la marca; y, a su vez, la actitud hacia la marca influye positivamente en la intención de compra del consumidor.
Tabla 10 Resumen del contraste de hipótesis Hipótesis Relación planteada β p Decisión H1 Autenticidad → Actitud hacia la marca
0.219
< 0.001 Evidencia a favor H2 Credibilidad → Actitud hacia la marca
0.324
< 0.001 Evidencia a favor H3 Similitud → Actitud hacia la marca
0.363
< 0.001 Evidencia a favor H4 Actitud hacia la marca → Intención de compra
0.808
< 0.001 Evidencia a favor Nota. Los coeficientes β corresponden a los coeficientes estandarizados de los modelos de regresión estimados (modelo múltiple para H1-H3 y modelo simple para H4).
En síntesis, los resultados respaldan empíricamente las cuatro hipótesis planteadas. La similitud percibida es el antecedente con mayor peso sobre la actitud hacia la marca, lo cual concuerda con la teoría de la homofilia (Lazarsfeld & Merton, 1954) y con los hallazgos de Schouten et al. (2019) sobre la importancia de la identificación con el comunicador. Por su parte, el peso considerable de la actitud hacia la marca sobre la intención de compra (β = 0.808) está alineado con lo propuesto por Ajzen (1991) en la Teoría del Comportamiento Planificado, según la cual las actitudes son antecedentes directos de las intenciones conductuales. En consecuencia, los resultados aportan evidencia empírica sólida a favor del modelo de investigación propuesto y permiten dar respuesta a la pregunta de investigación planteada en el estudio.
6. Conclusiones
Este capítulo presenta la discusión de los principales hallazgos obtenidos en diálogo con la literatura más reciente sobre marketing de influencers generados con inteligencia artificial. Tras haber presentado los resultados cuantitativos en el capítulo anterior, en este apartado se busca darle sentido a esos números, contrastándolos con lo que han encontrado otros autores y reflexionando sobre lo que aportan al entendimiento de este fenómeno en el contexto colombiano. Los resultados respaldan de manera consistente las cuatro hipótesis planteadas, y la discusión se organiza en tres apartados: (i) el rol diferencial de la similitud, la credibilidad y la autenticidad como antecedentes de la actitud hacia la marca; (ii) la actitud hacia la marca como antecedente directo de la intención de compra; y (iii) los niveles generalmente bajos de aceptación de los influenciadores generados con IA entre los jóvenes colombianos encuestados.
6.1 Antecedentes de la actitud hacia la marca: el rol diferencial de la similitud, la
credibilidad y la autenticidad
El modelo de regresión lineal simple muestra evidencia de que los tres antecedentes propuestos influyen de manera positiva y significativa sobre la actitud hacia la marca, con un peso jerárquico claro: la similitud percibida (β = 0.363) ejerce el mayor efecto, seguida por la credibilidad percibida (β = 0.324) y, en menor medida, por la autenticidad percibida (β = 0.219). Este orden jerárquico aporta hallazgos relevantes que dialogan tanto con la literatura clásica como con investigaciones recientes en marketing de influencers. El predominio de la similitud percibida como predictor más fuerte se alinea con la teoría de la homofilia (Lazarsfeld & Merton, 1954) y con la teoría de la identificación social (Tajfel & Turner, 2004), las cuales sostienen que los individuos tienden a desarrollar vínculos más sólidos con personas a las que perciben como semejantes en valores, intereses y
características. Kim y Wang (2024), mediante un diseño experimental con 223 participantes, encontraron evidencia causal de esta relación: los influencers virtuales humanoides obtuvieron actitudes hacia la marca, hacia el influencer e intención de seguir significativamente más altas que los influencers virtuales tipo anime, lo cual evidencia que el grado de similitud humana del avatar sigue siendo un determinante clave de la efectividad publicitaria.
En segundo lugar, la credibilidad percibida emerge como un antecedente sólido de la actitud hacia la marca, consistente con la teoría de la credibilidad de la fuente (Hovland & Weiss, 1951) y con el Modelo de Probabilidad de Elaboración (Petty & Cacioppo, 1986). El estudio de Wang y Weng (2024) profundiza este planteamiento al mostrar que la credibilidad funciona como mecanismo de mediación entre la autenticidad del influencer y los comportamientos de recomendación de la audiencia. En el caso particular de los influenciadores generados con IA, Jayasingh et al. (2025), en un estudio con 414 participantes, encuentran que la credibilidad es el factor más fuerte que afecta tanto el engagement (β = 0.600) como la intención de compra (β = 0.554), lo cual converge con el segundo lugar que ocupa la credibilidad en la jerarquía de predictores del presente estudio. De manera complementaria, Kim y Wang (2024) demostraron experimentalmente que la credibilidad de la fuente (medida en sus tres subdimensiones de confiabilidad, experticia y atractivo) media de manera total la relación entre el tipo de influencer (humano, virtual humanoide, virtual tipo anime) y la efectividad publicitaria, lo que evidencia la centralidad de este constructo como mecanismo explicativo. A su vez, Galle et al. (2025) aportan evidencia reciente sobre cómo la credibilidad puede verse afectada por señales contextuales como la divulgación del carácter virtual del influencer; los avatares de IA tienden a registrar niveles inferiores de credibilidad frente a sus pares humanos. Lo anterior es coherente con los resultados encontrados en el presente estudio, donde la credibilidad percibida muestra niveles
bajos en términos descriptivos (M = 1.635), lo que sugiere que los jóvenes colombianos encuestados enfrentan dificultades para construir confianza hacia entidades sintéticas, aunque, una vez generada esa percepción, su efecto sobre la actitud hacia la marca es notable. En tercer lugar, la autenticidad percibida, si bien resultó ser un predictor estadísticamente significativo, presentó el menor peso relativo dentro del modelo. Este hallazgo resulta particularmente interesante en la medida en que la literatura ha posicionado a la autenticidad como uno de los pilares fundamentales en el marketing de influencers contemporáneo. Una posible explicación radica en lo que Duffek et al. (2025) denominan la "crisis de autenticidad" en redes sociales, intensificada por la saturación de contenido comercial; los consumidores podrían estar ya desensibilizados frente a las apelaciones de autenticidad. De manera más específica, en el caso de los influenciadores generados con IA, la autenticidad enfrenta limitaciones estructurales: como sostienen Zniva et al. (2023), la autenticidad surge de la coherencia entre lo que el influencer muestra en redes y su vida real, una congruencia que, por definición, no aplica a personajes virtuales. Kim y Wang (2024) refuerzan empíricamente este punto al demostrar que los influencers virtuales humanoides obtienen percepciones de autenticidad significativamente menores que las de los influencers humanos, especialmente en contextos comerciales (for-profit), donde los consumidores activan defensas persuasivas que limitan el efecto positivo de los avatares de IA. El resultado del presente estudio sugiere así que, aunque la autenticidad sigue siendo relevante, su capacidad explicativa se ve comprometida en el contexto específico de los influenciadores generados con IA, particularmente cuando estos son utilizados con fines explícitamente comerciales.
6.2 La actitud hacia la marca como antecedente directo de la intención de compra
El modelo de regresión lineal simple muestra evidencia de que la actitud hacia la marca ejerce un efecto positivo, fuerte y altamente significativo sobre la intención de compra (β = 0.808, p < 0.001), explicando el 65.2% de la varianza de esta última. Este hallazgo es consistente con la Teoría del Comportamiento Planificado de Ajzen (1991), según la cual las actitudes constituyen antecedentes directos de las intenciones conductuales. La fuerza del coeficiente obtenido evidencia que, una vez que el consumidor desarrolla una percepción favorable hacia la marca promocionada, la probabilidad de que esa percepción se traduzca en intención de adquisición aumenta sustancialmente.
Este resultado dialoga directamente con los hallazgos de Lee y Johnson (2021), quienes demuestran que la autenticidad y la credibilidad percibidas del influenciador median sus efectos sobre la actitud hacia la marca y, consecuentemente, sobre la intención de compra. Jayasingh et al. (2025) aportan evidencia reciente al demostrar que el engagement del consumidor con páginas de influencers de IA media parcialmente la relación entre los atributos del influencer (credibilidad, valor informativo, similitud humana) y la intención de compra, lo cual sugiere que la actitud hacia la marca podría estar funcionando, en el caso de los jóvenes colombianos encuestados, como un antecedente actitudinal robusto que captura buena parte de ese efecto mediador. La magnitud del coeficiente encontrado en el presente estudio (β = 0.808) supera incluso los valores reportados en muchos estudios previos, lo cual sugiere que, entre los jóvenes colombianos encuestados y bajo el estímulo específico de influenciadores generados con IA, el vínculo entre actitud e intención es particularmente robusto. Una explicación plausible es que, ante la novedad y el carácter exploratorio de la categoría, los consumidores podrían estar apoyándose más fuertemente en su evaluación actitudinal de la marca como heurístico decisional, en ausencia de otros referentes más establecidos.
6.3 Niveles generalmente bajos de aceptación de los influenciadores generados con IA
entre los jóvenes colombianos encuestados Un hallazgo descriptivo que merece especial atención es que las medias de los cinco constructos del estudio se ubicaron entre 1.64 y 2.00 en una escala de 1 a 5, con asimetrías positivas y curtosis leptocúrticas, evidenciando un predominio claro de respuestas en los puntos bajos de la escala. Esto sugiere que, más allá de las relaciones encontradas entre las variables, los jóvenes colombianos encuestados de la muestra manifiestan niveles bajos de aceptación generalizada hacia los influenciadores generados con IA, percibiéndolos como poco auténticos, poco creíbles, poco similares a ellos mismos y, consecuentemente, generando actitudes de marca tibias y una baja intención de compra. Este patrón resulta consistente con investigaciones recientes que cuestionan la efectividad inmediata de los influenciadores virtuales. Sorosrungruang et al. (2024) advierten que, si bien los avatares de IA están siendo adoptados de manera acelerada por las marcas, las respuestas de los consumidores son heterogéneas y, en muchos casos, marcadas por incomodidad, escepticismo o sensaciones próximas al fenómeno del valle inquietante (uncanny valley). En la misma línea, Ji et al. (2026) demuestran que la falta de corporalidad percibida en los influenciadores virtuales constituye una limitación importante para la efectividad publicitaria, particularmente en categorías de productos con alta relevancia corporal como belleza o cuidado personal; una conclusión que ayuda a contextualizar los bajos niveles de aceptación encontrados, especialmente considerando que los estímulos utilizados promovían dimensiones cercanas al estilo de vida y la apariencia. No obstante, los resultados encontrados en el presente estudio contrastan parcialmente con los hallazgos de Gerlich (2023), quien en una muestra internacional de 357 participantes reportó que los consumidores percibían a los influencers virtuales como más confiables,
creíbles y relevantes que sus pares humanos, e incluso mostraban mayor intención de compra hacia productos endorsados por avatares de IA. Esta divergencia es particularmente interesante: mientras Gerlich (2023) interpreta sus resultados como evidencia de que los consumidores podrían estar empezando a confiar más en máquinas que en humanos, los datos del presente estudio sugieren un patrón opuesto entre los jóvenes colombianos encuestados. Una explicación plausible para esta divergencia tiene que ver con el grado de exposición y familiaridad: la muestra de Gerlich (2023) provino predominantemente de países con alta penetración digital y mayor exposición a influencers virtuales (Singapur, Japón, Estados Unidos), mientras que en Colombia la categoría sigue siendo incipiente. Łaszkiewicz (2024) refuerza esta interpretación con evidencia observacional contundente: en un estudio longitudinal de 54 influencers virtuales con presencia en Instagram, el 44% perdió seguidores entre 2022 y 2023, con casos notables como Lil Miquela (-10%) o Bermuda (-11.90%), lo cual sugiere que la novedad inicial puede no traducirse en una aceptación sostenida sin estrategias consistentes de credibilidad y autenticidad. Vale la pena destacar, sin embargo, que el mismo estudio reporta que el engagement promedio de los influencers virtuales (2.84%) supera al de sus pares humanos (1.72%), lo cual indica que cuando logran captar la atención del público pueden hacerlo con mayor intensidad relativa.
7. Recomendaciones
Este capítulo presenta las recomendaciones derivadas del estudio, organizadas en cuatro apartados. En primer lugar, se exponen las implicaciones académicas que aportan los hallazgos al campo del marketing de influenciadores generados con inteligencia artificial. En segundo lugar, se presentan las implicaciones para el sector real, junto con un conjunto de consejos prácticos dirigidos a empresarios y gerentes que enfrenten desafíos relacionados con la integración de esta categoría en sus estrategias de comunicación. En tercer lugar, se sintetizan las principales limitaciones del estudio. Finalmente, se proponen futuras líneas de investigación que permitan dar continuidad al trabajo a partir de dichas limitantes.
7.1 Implicaciones Académicas
Los hallazgos del estudio aportan evidencia relevante a un campo de investigación que aún se encuentra en una etapa temprana, especialmente en el segmento joven y digitalmente activo del contexto colombiano y latinoamericano. Como se planteó en la introducción, gran parte de la literatura sobre influenciadores generados con inteligencia artificial se ha desarrollado en mercados asiáticos, europeos y norteamericanos, lo cual ha dejado vacíos importantes respecto al comportamiento del consumidor en mercados emergentes como Colombia. En este sentido, el estudio busca aportar evidencia a una región que ha sido poco estudiada en la literatura sobre marketing digital, y aún más con respecto influenciador generados con IA. El trabajo realiza tres aportes académicos principales. Primero, integra en un mismo modelo tres variables que la literatura previa ha estudiado mayoritariamente de forma aislada (autenticidad, credibilidad y similitud percibida), permitiendo identificar su peso relativo sobre la actitud hacia la marca. Este aporte responde directamente al vacío señalado por Allal-Chérif et al. (2024) sobre la falta de comprensión respecto a cómo interactúan estos elementos en el contexto específico de los influenciadores generados con IA. Segundo, aporta
evidencia sobre la "crisis de autenticidad" planteada por Duffek et al. (2025), al mostrar que, en el caso puntual de los influenciadores virtuales, la autenticidad es el predictor con menor peso relativo (β = 0.219), quedando por debajo de la similitud (β = 0.363) y la credibilidad (β = 0.324). Este resultado sugiere que vale la pena repensar la importancia que normalmente se le da a la autenticidad en el marketing con influencers, especialmente cuando se trata de aquellos generados con IA. Tercero, aporta datos nuevos que muestran que estos influenciadores enfrentan niveles bajos de aceptación entre los jóvenes colombianos encuestados, lo cual contrasta parcialmente con los hallazgos de Gerlich (2023) en mercados de alta penetración digital, en donde los consumidores reportaron mayor confianza hacia los avatares de IA que hacia influencers humanos. Esta diferencia abre un espacio de discusión sobre cómo las diferencias culturales, generacionales y de mercado moldean la receptividad hacia los influenciadores virtuales, mientras que deja en evidencia la necesidad de producir literatura desde estos mercados emergentes como lo es Colombia.
7.2 Implicaciones gerenciales
A partir de los hallazgos obtenidos, es posible plantear varias recomendaciones prácticas dirigidas a las empresas, agencias de marketing y aquellos relacionados al sector que estén considerando integrar influenciadores generados con inteligencia artificial dentro de sus estrategias de comunicación digital dirigidas a audiencias jóvenes urbanas en Colombia.
7.2.1 Priorizar la similitud percibida en la selección del influenciador
Dado que la similitud percibida fue el predictor de mayor peso sobre la actitud hacia la marca (β = 0.363), las empresas deberían priorizar este criterio al momento de seleccionar o diseñar un influenciador generado con IA. Esto implica asegurar que la apariencia, el estilo de comunicación y los valores reflejados por el avatar logren conectar genuinamente con el
público objetivo. En el contexto del joven consumidor digital colombiano, donde la conexión simbólica parece tener un peso particularmente alto, resulta clave que el influenciador virtual no se perciba como una figura ajena, sino como alguien con quien la audiencia pueda identificarse cultural, generacional o estéticamente.
7.2.2 Construir credibilidad mediante consistencia y transparencia
Al ser la credibilidad el segundo predictor más relevante (β = 0.324), las empresas deben invertir en construir y mantener este atributo a lo largo del tiempo. Esto se logra a través de una narrativa consistente, la coherencia entre los productos promocionados y la identidad del avatar, y la selección de marcas alineadas con los valores que transmite el personaje. Es clave evitar endorsements masivos o desalineados con el perfil del influenciador, ya que muy posiblemente termine diluyendo la credibilidad construida.
7.2.3 Manejar con cuidado la divulgación del carácter virtual
La transparencia sobre la naturaleza artificial del influenciador es una práctica ética y, en muchos casos, requisito legal. Sin embargo, las empresas deben ser conscientes de que esta divulgación puede afectar la credibilidad percibida, especialmente en mercados con baja familiaridad con la tecnología. Una buena práctica consistiría en integrar la naturaleza virtual del influenciador como parte de su narrativa, destacando la creatividad y coherencia estética del personaje en lugar de tratarlo como una limitación.
7.2.4 Adaptar la estrategia al contexto colombiano
Los niveles bajos de aceptación encontrados en la muestra (medias entre 1.64 y 2.00) sugieren que esta categoría aún se percibe como extremadamente novedosa para el segmento de jóvenes consumidores digitales colombianos capturado en este estudio. Dicho esto, se
considera conveniente implementar estrategias graduales de introducción, como por ejemplo, formatos híbridos que combinen influenciadores humanos y virtuales.
7.2.5 Considerar la categoría de producto
La efectividad de los influenciadores generados con IA puede variar según la categoría promocionada. Es recomendable priorizar su uso en categorías ligadas a la tecnología, el entretenimiento o los productos digitales, donde la naturaleza sintética o mejor dicho no humana resulta más coherente con el universo de la marca. Además de lo anterior, se recomienda ser más cauteloso en categorías que requieren alta corporalidad o experiencia sensorial como lo serían aquellos casos relacionados a belleza, cuidado personal o gastronomía.
7.3 Limitaciones del estudio
A pesar de los hallazgos valiosos presentes en el estudio, es importante reconocer una serie de limitaciones pertinentes que deben ser consideradas al interpretar los resultados obtenidos dentro del modelo utilizado.
7.3.1 Naturaleza de la muestra
Una primera limitación tiene que ver con la naturaleza de la muestra, ya que el muestreo utilizado fue no probabilístico, por conveniencia, difundido a través de redes sociales y de la audiencia digital de uno de los autores del estudio. Como resultado de esto, la muestra obtenida no es estadísticamente representativa de la población colombiana en general, sino de un segmento específico de usuarios activos de redes sociales con una alta exposición a contenido digital.
7.3.2 Distribución demográfica y socioeconómica
La distribución demográfica de los 716 encuestados refleja sesgos importantes que se debe aclarar: el 80.6% perteneció a la Generación Z (18 a 29 años), mientras que únicamente el 14% correspondió a Millennials (30 a 45 años), el 3.9% a Generación X (46 a 61 años) y el 1.53% a Baby Boomers (62 años o más); el 55,9% se identificó como mujer y el 43.4% como hombre; el 53.1% reportó ser estudiante y el 42.5% indicó haber completado únicamente bachillerato como nivel educativo más alto, lo cual sugiere que la encuesta fue respondida, en su mayoría, por jóvenes universitarios cursando su pregrado.
En cuanto a la situación socioeconómica, el 46.5% reportó ingresos inferiores a 2 SMMLV, mientras que solo el 9.1% se ubicó en el rango más alto (mayor a 10 SMMLV). Esta concentración demográfica implica que los hallazgos obtenidos reflejan principalmente las percepciones de jóvenes urbanos y digitalmente activos, por lo que la generalización a otros segmentos de la población colombiana; en este caso aquellas generaciones mayores, segmentos de mayores ingresos o residentes en zonas no urbanas, se debe hacer con mucha cautela. Aunque el tamaño muestral final (n = 716) supera con holgura el mínimo sugerido por la fórmula de Raosoft, la representatividad poblacional sigue siendo una limitación clara. El detalle demográfico de las respuestas recolectadas en el instrumento utilizado se puede revisar en el Anexo 3.
7.3.3 Diseño metodológico
Otra limitación está relacionada con el diseño metodológico utilizado, que es de tipo transversal. Lo anterior implica que los datos fueron recolectados en un único momento del tiempo. Esto impide establecer relaciones causales en sentido estricto entre las variables analizadas y limita poder observar cómo evolucionan las percepciones de los consumidores frente a los influenciadores generados con IA con el paso del tiempo, especialmente en una
categoría que está creciendo rápidamente y cuya familiaridad para el público muy probablemente solo seguirá creciendo en los próximos años.
7.3.4 Alcance de los estímulos utilizados
También es muy acertado reconocer el alcance de los estímulos utilizados en la encuesta (dos videos publicitarios con influenciadores generados con IA). Estos representan un conjunto extremadamente reducido del universo posible de influenciadores artificiales. Se considera que las características visuales, narrativas y contextuales de los vídeos muy posiblemente llegan a influir en las percepciones reportadas. Los resultados podrían llegar a variar si se utilizan estímulos con distintos niveles de realismo, distintas categorías de producto promocionado, o distintos formatos de contenido (por ejemplo, videos de larga duración, contenido en vivo o publicaciones estáticas).
7.3.5 Limitaciones del autorreporte
Sumado a la limitación mencionada anteriormente, absolutamente todas las dimensiones consideradas en la encuesta fueron medidas empleando un método de autorreporte, esto a través de escalas de tipo Likert. Dentro de los resultados, si bien las escalas demostraron una consistencia interna adecuada (todos los Alfa de Cronbach fueron superiores a 0.88), los datos están sujetos a sesgos típicos de los instrumentos de autorreporte, como la deseabilidad social además de los sesgos de aquiescencia, que en muchas ocasiones pueden llegar a afectar la validez y completa veracidad de las respuestas reportadas dentro del formulario.
7.3.6 Variables omitidas en el modelo
Por último, como limitación adicional dentro del presente estudio, el modelo empleado no incluye otras distintas variables potencialmente relevantes que podrían enriquecer
grandemente la comprensión del fenómeno, como por ejemplo: la familiaridad o experiencias previas con influenciadores virtuales, el nivel de involucramiento o interacción del consumidor dentro de las redes sociales, la actitud o percepciones generales hacia la inteligencia artificial, o también el escepticismo publicitario. La omisión de estas variables dentro de la encuesta presentada podría estar condicionando la magnitud de los efectos encontrados y deja muy abierta la posibilidad de que existan mecanismos mediadores o moderadores adicionales aún no explorados.
7.4 Futuras líneas de investigación
Los hallazgos y limitaciones del presente estudio abren múltiples avenidas para futuras investigaciones que podrían profundizar la comprensión del marketing con influenciadores generados con inteligencia artificial en el contexto colombiano y latinoamericano.
7.4.1 Réplica con muestras representativas
Una primera línea de investigación consistiría en replicar el modelo propuesto utilizando muestras representativas de distintos segmentos socioeconómicos, geográficos y generacionales en Colombia, con el fin de evaluar si las relaciones encontradas se mantienen estables o si presentan variaciones sustanciales. De particular interés sería comparar las respuestas entre generaciones (Generación Z, Millennials, Generación X y Baby Boomers), considerando que la familiaridad con la inteligencia artificial y el comportamiento dentro de las redes sociales varían significativamente entre estos grupos. Asimismo, sería valioso ampliar el alcance geográfico más allá de los entornos urbanos digitalmente activos, incluyendo participantes de zonas intermedias y rurales, para entender si la aceptación de los influenciadores generados con IA presenta diferencias relevantes según el contexto territorial.
7.4.2 Estudios longitudinales
Una segunda línea, de carácter longitudinal, podría rastrear cómo evolucionan las percepciones de autenticidad, credibilidad y similitud frente a los influenciadores generados con IA a medida que estos se vuelven más comunes en el entorno digital colombiano. Sería relevante examinar si la familiaridad creciente con esta tecnología reduce la sensación de extrañeza y aumenta los niveles de aceptación con el tiempo, o si, por el contrario, se generan resistencias más profundas relacionadas con la autenticidad o con preocupaciones éticas. Estudios de este tipo permitirían también identificar si los efectos encontrados en el presente trabajo responden a un fenómeno coyuntural ligado a la novedad de la categoría, o si reflejan patrones más estables del comportamiento del joven consumidor digital colombiano.
7.4.3 Diseños experimentales comparativos
Una tercera línea podría explorar diseños experimentales que comparen directamente influenciadores humanos con influenciadores generados con IA bajo condiciones controladas, manipulando variables como la categoría del producto promocionado (alta vs. baja relevancia corporal), el nivel de realismo del avatar, o la divulgación explícita de su naturaleza artificial. Estos diseños permitirían establecer relaciones causales más sólidas que las obtenidas mediante un modelo correlacional como el del presente estudio, y contribuirían a entender bajo qué condiciones específicas los influenciadores virtuales pueden ser igual de efectivos, o incluso más efectivos, que sus contrapartes humanas.
7.4.4 Incorporación de variables moderadoras y mediadoras
Una cuarta línea relevante consistiría en ampliar el modelo propuesto incorporando variables moderadoras y mediadoras adicionales, tales como la familiaridad previa con la tecnología de inteligencia artificial, la actitud general hacia la IA, el escepticismo publicitario, las
relaciones parasociales construidas con los influenciadores, o las preocupaciones éticas relacionadas con el uso de avatares sintéticos. La inclusión de estas variables permitiría refinar la comprensión de los mecanismos psicológicos que subyacen al comportamiento del consumidor frente a este tipo de figuras, y daría mayor robustez explicativa al modelo.
7.4.5 Estudios comparativos a nivel latinoamericano
Por último, sería pertinente realizar estudios comparativos con otros mercados latinoamericanos (como México, Argentina, Chile o Brasil) para examinar si los patrones encontrados en Colombia son específicos del contexto local o si responden a dinámicas culturales y de consumo más amplias. Comparar la receptividad a los influenciadores virtuales entre países con distintos grados de penetración digital, características culturales y tradiciones de consumo permitiría enriquecer la literatura disponible, que actualmente está dominada por estudios provenientes de mercados asiáticos, europeos y norteamericanos. Investigaciones de este tipo aportarían una perspectiva latinoamericana al campo y ofrecerían a las marcas regionales criterios más informados para diseñar campañas con influenciadores generados con IA.
8. Referencias
Agnihotri, D., Chaturvedi, P., Kulshreshtha, K., & Tripathi, V. (2023). Investigating the impact of authenticity of social media influencers on followers’ purchase behavior: mediating analysis of parasocial interaction on Instagram. Asia Pacific Journal of Marketing and Logistics,
35(10),
2377–2394.
https://doi.org/10.1108/apjml-07-2022-0598 Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-t Allal-Chérif, O., Puertas, R., & Carracedo, P. (2024). Intelligent influencer marketing: How AI-powered virtual influencers outperform human influencers. Technological Forecasting & Social Change,
200,
123113.
https://doi.org/10.1016/j.techfore.2023.123113 Belanche, D., Casaló, L. V., & Flavián, M. (2024). Human versus virtual influences, a comparative study.
Journal Of Business Research,
173,
114493.
https://doi.org/10.1016/j.jbusres.2023.114493 Branch. (2025). Estadísticas de la situación digital de Colombia en el 2025. https://branch.com.co/marketing-digital/situacion-digital-de-colombia-en-el-2025/ DataReportal. (2025). Digital 2025: Colombia — DataReportal Global Digital Insights. https://datareportal.com/reports/digital-2025-colombia Dhun, & Dangi, H. K. (2023). Influencer Marketing: Role of Influencer Credibility and Congruence on Brand Attitude and eWOM. Journal Of Internet Commerce, 22(sup1), S28-S72. https://doi.org/10.1080/15332861.2022.2125220
Duffek, B., Eisingerich, A. B., Merlo, O., & Lee, G. (2025). Authenticity in influencer marketing: How can influencers and brands work together to build and maintain influencer authenticity?
Journal of Marketing,
89(5),
21–46.
https://doi.org/10.1177/00222429251319786 Dunkake, I. (2019). Lazarsfeld/Merton (1954): Friendship as a Social Process. In: Holzer, B., Stegbauer, C. (eds) Schlüsselwerke der Netzwerkforschung. Netzwerkforschung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-21742-6_76 Elsharnouby, T. H., Shaalan, A., Elsharnouby, M. H., & Elbedweihy, A. M. (2025). Boosting brand image through influencers: Investigating the role of influencer credibility and consumer–influencer similarity. Journal of Marketing Communications. Advance online publication. https://doi.org/10.1080/13527266.2025.2522996 Galle, C., Lau, V., & Dost, F. (2025). Beyond youth: The optimal age for influencer credibility and marketing success. Journal of the Academy of Marketing Science. https://doi.org/10.1007/s11747-025-01134-0 Gerlich, M. (2023). The power of virtual influencers: Impact on consumer behaviour and attitudes in the age of AI.
Administrative Sciences,
13(8),
178.
https://doi.org/10.3390/admsci13080178 Goffman, E. (1959). The presentation of self in everyday life. Doubleday. Grand View Research. (2024). Virtual influencer market size, share & trends analysis report,
2030.
https://www.grandviewresearch.com/industry-analysis/virtual-influencer-market-report
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM). In DigitalCommons - Kennesaw State University (Kennesaw State University).
https://digitalcommons.kennesaw.edu/facbooks2014/39 Hernández-Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill.
Hoffner, C., & Buchanan, M. (2005). Young adults' wishful identification with television characters: The role of perceived similarity and character attributes. Media Psychology, 7(4), 325–351. https://doi.org/10.1207/S1532785XMEP0704_2 Horcajo, J.
(2021).
Comunicación y Psicología.
https://www.editorialsanzytorres.com/static/pdf/9788418316128Muestra.pdf Hovland, C. I., Janis, I. L., & Kelley, H. H. (1953). Communication and persuasion: Psychological studies of opinion change. Yale University Press. Hovland, C. I., & Weiss, W. (1951). The influence of source credibility on communication effectiveness.
Public Opinion Quarterly,
15(4),
635–650.
https://doi.org/10.1086/266350 Jayasingh, S., Sivakumar, A., & Vanathaiyan, A. A. (2025). Artificial intelligence influencers' credibility effect on consumer engagement and purchase intention. Journal of Theoretical and Applied Electronic Commerce Research,
20(1),
17.
https://doi.org/10.3390/jtaer20010017 Ji, A., Paltaratskaya, V., & Wise, K. (2026). The no-body problem: Consumers' perception of corporeality, human-likeness, and intentionality in virtual-influencer advertising.
International Journal of Human–Computer Interaction.
https://doi.org/10.1080/10447318.2026.2623229 Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. https://doi.org/10.1007/BF02291575 Kapitan, S., Van Esch, P., Soma, V., & Kietzmann, J. (2021). Influencer marketing and authenticity in content creation. Australasian Marketing Journal (AMJ), 30(4), 342–351. https://doi.org/10.1177/18393349211011171 Kim, D., & Wang, Z. (2024). Social media influencer vs. virtual influencer: The mediating role of source credibility and authenticity in advertising effectiveness within AI influencer marketing. Computers in Human Behavior: Artificial Humans, 2(2), 100100. https://doi.org/10.1016/j.chbah.2024.100100 Łaszkiewicz, A. (2024). Artificial intelligence (AI) influencers in influencer marketing. Scientific Papers of Silesian University of Technology, Organization and Management Series, 193, 23–34. https://doi.org/10.29119/1641-3466.2024.193.2 Lee, S. S., & Johnson, B. K. (2021). Are they being authentic? The effects of self-disclosure and message sidedness on sponsored post effectiveness. International Journal Of Advertising, 41(1), 30-53. https://doi.org/10.1080/02650487.2021.1986257 Leung, F. F., Gu, F. F., Li, Y., Zhang, J. Z., & Palmatier, R. W. (2022). Influencer marketing effectiveness.
Journal of Marketing,
86(6),
93–115.
https://doi.org/10.1177/00222429221102889
Lou, C., & Yuan, S. (2019). Influencer marketing: How message value and credibility affect consumer trust of branded content on social media. Journal of Interactive Advertising, 19(1), 58–73. https://doi.org/10.1080/15252019.2018.1533501 Luarn, P., Chen, C., & Chiu, Y. (2025). Fashion influencers’ credibility on Instagram: the stimulus–organism–response (SOR) perspective. Journal Of Strategic Marketing, 1-14. https://doi.org/10.1080/0965254x.2024.2436023 Nunnally, J. C. (1978). Psychometric theory (2.ª ed.). McGraw-Hill. Ohanian, R. (1990). Construction and Validation of a Scale to Measure Celebrity Endorsers’ Perceived Expertise, Trustworthiness, and Attractiveness. Journal of Advertising, 19(3), 39–52. https://doi.org/10.1080/00913367.1990.10673191 Petty, R. E., & Cacioppo, J. T. (1986). The elaboration likelihood model of persuasion. Advances in Experimental Social Psychology,
19,
123–205.
https://doi.org/10.1016/S0065-2601(08)60214-2 Schouten, A. P., Janssen, L., & Verspaget, M. (2019). Celebrity vs. Influencer endorsements in advertising: the role of identification, credibility, and Product-Endorser fit. International Journal Of Advertising,
39(2),
258-281.
https://doi.org/10.1080/02650487.2019.1634898
Shaheen, A., Khataan, A., Awad, A., Eldin, A. Y. S., & Elnour, A. (2025). The role of influencer content value and credibility in purchase intention. Innovative Marketing, 21(3), 14–30. https://doi.org/10.21511/im.21(3).2025.02
Sorosrungruang, T., Ameen, N., & Hackley, C. (2024). How real is real enough? Unveiling the diverse power of generative AI‐enabled virtual influencers and the dynamics of
human responses.
Psychology and Marketing,
41(12),
3124–3143.
https://doi.org/10.1002/mar.22105
Spears, N., & Singh, S. N. (2004). Measuring attitude toward the brand and purchase intentions. Journal of Current Issues & Research in Advertising, 26(2), 53–66. https://doi.org/10.1080/10641734.2004.10505164
Stein, J., Breves, P. L., & Anders, N. (2022). Parasocial interactions with real and virtual influencers: The role of perceived similarity and human-likeness. New Media & Society, 26(6), 3433-3453. https://doi.org/10.1177/14614448221102900 Tajfel, H., & Turner, J. C. (2004). The social identity theory of intergroup behavior. In S. Worchel & W. G. Austin (Eds.), Psychology of Intergroup Relations (pp. 7–24). Nelson-Hall.
Wang, E. S., & Weng, Y. (2024). Influence of social media influencer authenticity on their followers’ perceptions of credibility and their positive word-of-mouth. Asia Pacific Journal of Marketing and Logistics,
36(2),
356–373.
https://doi.org/10.1108/apjml-02-2023-0115 Zniva, R., Weitzl, W. J., & Lindmoser, C. (2023). Be constantly different! How to manage influencer authenticity.
Electronic Commerce Research,
23(3),
1485–1514.
https://doi.org/10.1007/s10660-022-09653-6
9. Anexos
9.1 Anexo 1: Instrumento de recolección de datos
Instrumento de recolección de datos A continuación se presenta el instrumento aplicado en la presente investigación, organizado en tres secciones: (i) preguntas sociodemográficas, (ii) estímulos audiovisuales y (iii) ítems Likert distribuidos en cinco dimensiones. Todos los ítems Likert fueron medidos en una escala de 5 puntos, donde 1 = Totalmente en desacuerdo y 5 = Totalmente de acuerdo. Sección 1. Preguntas sociodemográficas
1. ¿Con qué género te identificas?
• Mujer
• Hombre
• Otro
2. Tu edad está entre:
• 18 - 29 (Gen Z)
• 30 - 45 (Millennial)
• 46 - 61 (Gen X)
• 62 + (Baby Boomer)
3. ¿Cuál es el nivel educativo más alto que ha completado?
• Bachillerato
• Carrera técnica
• Pregrado
• Posgrado
4. ¿Cuál es su situación laboral actual?
• Estudiante
• Empleado (asalariado)
• Independiente / Emprendedor
• Dedicado al hogar / Desempleado / Pensionado
5. Ingresos mensuales
• Menos de 2 SMMLV
• Entre 2 - 4 SMMLV
• Entre 4 - 6 SMMLV
• Entre 6 - 8 SMMLV
• Entre 8 - 10 SMMLV
• Mayor a 10 SMMLV
Sección 2. Estímulos audiovisuales Antes de responder los ítems Likert, los participantes visualizaron dos videos publicitarios protagonizados por influenciadores generados con inteligencia artificial (revisar Anexo 2). Sección 3. Ítems Likert por dimensión Tabla A1 Ítems del cuestionario organizados por dimensión # Dimensión Ítem
1
Autenticidad Los influencers generados con IA muestran pasión genuina por lo que hacen
2
Autenticidad Los influencers IA son auténticos
3
Autenticidad Las recomendaciones de influencers generados con IA son genuinas
4
Autenticidad Los influencers generados con IA mantienen coherencia en su mensaje a lo largo del tiempo
5
Autenticidad Los influencers generados con IA son transparentes sobre sus motivaciones
6
Autenticidad Los influencers generados con IA tienen una personalidad única y diferenciada
7
Credibilidad Los influencers generados con IA me parecen confiables
8
Credibilidad Los influencers generados con IA me parecen sinceros
9
Credibilidad Puedo depender de las recomendaciones de los influencers generados con IA
10
Credibilidad Los influencers generados con IA me transmiten seguridad y convicción
11
Similitud percibida Los influencers generados con IA comparten valores similares a los míos
12
Similitud percibida Me identifico con el estilo de vida de los influencers generados con IA
13
Similitud percibida Me resulta fácil relacionarme con los influencers generados con IA
Similitud percibida Considero que tengo intereses en común con los influencers generados con IA
15
Actitud hacia la marca Los influencers generados con IA me generan una impresión positiva sobre la marca
16
Actitud hacia la marca Considero atractivas las marcas promocionadas por influencers generados con IA
17
Actitud hacia la marca Me gustan las marcas mostradas por influencers generados con IA
18
Actitud hacia la marca En general, los influencers generados con IA me generan una buena impresión sobre la marca promocionada
19
Intención de compra El contenido de influencers generados con IA es útil para decidir mis compras
20
Intención de compra Confío en las recomendaciones de los influencers generados con IA
21
Intención de compra Es probable que compre productos recomendados por influencers generados con IA Nota. Los 21 ítems se midieron mediante una escala Likert de 5 puntos (1 = Totalmente en desacuerdo; 5 = Totalmente de acuerdo). El instrumento se aplicó mediante Google Forms entre el 9 de marzo y el 26 de abril de 2026.
9.2 Anexo 2: Estímulos audiovisuales utilizados en la encuesta
A continuación se presentan los enlaces de los dos videos publicitarios que fueron utilizados como estímulo audiovisual en la encuesta. Antes de responder los ítems Likert del cuestionario, los participantes visualizaron ambos videos, los cuales corresponden a piezas publicitarias protagonizadas por influenciadores generados con inteligencia artificial.
Video 1 Pieza publicitaria protagonizada por un influenciador generado con inteligencia artificial, publicada en la plataforma Instagram en formato Reel. Enlace:
https://www.instagram.com/reel/DRUj4PZiC-F/?igsh=MXQ5Y3ppb3NrMGRwYg%3D%3D
Video 2 Pieza publicitaria protagonizada por un influenciador generado con inteligencia artificial, publicada en la plataforma YouTube en formato Shorts. Enlace: https://www.youtube.com/shorts/eR416LammcE Nota. Los enlaces fueron consultados y verificados al momento de la aplicación del instrumento, entre el 9 de marzo y el 26 de abril de 2026. La disponibilidad de los videos depende de las plataformas de origen y de los creadores del contenido.
9.3 Anexo 3: Sección demográfica de recolección de datos
A continuación se presenta la sección de respuestas sociodemográficas que fueron recolectadas en la encuesta empleada.
(página sin texto)
9.4 Anexo 4: Encuesta piloto no depurada de recolección de datos
9.5 Anexo 5: Encuesta final depurada de recolección de datos
Cita: Botero Michelsen, Juan, Amin Jamis, Samuel Alberto (2026), Efectividad del marketing de influencers generados con inteligencia artificial: el rol en conjunto de la autenticidad, la credibilidad y la similitud, Colegio de Estudios Superiores de Administración, p. N. http://hdl.handle.net/10726/6238