Automatización creativa con inteligencia artificial en publicidad digital: desempeño visual y efectos de la divulgación en dos conjuntos de datos abiertos
DOI:
https://doi.org/10.64747/x410dg25Palabras clave:
inteligencia artificial generativa, publicidad digital, creatividad computacional, imágenes sintéticas, divulgación de IA, actitud publicitariaResumen
La inteligencia artificial generativa permite producir variantes publicitarias con rapidez, pero su utilidad depende del desempeño visual y de la respuesta del público cuando se divulga la intervención de IA. Este estudio examinó ambas dimensiones mediante análisis secundarios independientes de dos conjuntos abiertos. En GenImageNet se analizaron 10.320 imágenes, 103.200 valoraciones humanas, siete modelos y ocho dominios mediante descriptivos y ANOVA factoriales para calidad, realismo y estética. En un experimento de anuncios de Instagram se reprodujo una muestra de 161 participantes y se compararon control, divulgación de IA en imagen y divulgación de IA en texto con corrección de Holm. El modelo, el dominio y su interacción se asociaron con los tres desenlaces visuales (p < 0,001). El mayor efecto correspondió al modelo sobre realismo (eta cuadrado parcial = 0,127). Firefly 2 obtuvo la mayor media de calidad y Realistic Vision la mayor de realismo. La divulgación redujo la actitud hacia el anuncio frente al control (diferencia = 0,555; IC 95 % [0,218; 0,892]; p de Holm = 0,011), sin diferencias entre divulgar IA en imagen o texto. La automatización creativa no ofrece un modelo universalmente superior y la transparencia puede producir costos de recepción. La selección de herramientas debe validarse por dominio y la divulgación debe evaluarse como parte del diseño comunicacional.
Referencias
Al-Busaidi, A. S., Raman, R., Hughes, L., Albashrawi, M., Malik, T., Dwivedi, Y. K., et al. (2024). Redefining boundaries in innovation and knowledge domains: Investigating the impact of generative artificial intelligence on copyright and intellectual property rights. Journal of Innovation & Knowledge, 9, 100630. https://doi.org/10.1016/j.jik.2024.100630
Arango, L., Singaraju, S. P., & Niininen, O. (2023). Consumer responses to AI-generated charitable giving ads. Journal of Advertising, 52(4), 486–503. https://doi.org/10.1080/00913367.2023.2183285
Beckert, J., Koch, T., Viererbl, B., & Schulz-Knappe, C. (2021). The disclosure paradox: How persuasion knowledge mediates disclosure effects in sponsored media content. International Journal of Advertising, 40(7), 1160–1186. https://doi.org/10.1080/02650487.2020.1859171
Bellaiche, L., Shahi, R., Turpin, M. H., Ragnhildstveit, A., Sprockett, S., Barr, N., Christensen, A., & Seli, P. (2023). Humans versus AI: Whether and why we prefer human-created compared to AI-created artwork. Cognitive Research: Principles and Implications, 8, 42. https://doi.org/10.1186/s41235-023-00499-6
Boerman, S. C., Willemsen, L. M., & Van der Aa, E. P. (2017). “This post is sponsored”: Effects of sponsorship disclosure on persuasion knowledge and electronic word of mouth in the context of Facebook. Journal of Interactive Marketing, 38, 82–92. https://doi.org/10.1016/j.intmar.2016.12.002
Campbell, C., Plangger, K., Sands, S., & Kietzmann, J. (2022). Preparing for an era of deepfakes and AI-generated ads: A framework for understanding responses to manipulated advertising. Journal of Advertising, 51(1), 22–38. https://doi.org/10.1080/00913367.2021.1909515
Campbell, M. C. (1995). When attention-getting advertising tactics elicit consumer inferences of manipulative intent: The importance of balancing benefits and investments. Journal of Consumer Psychology, 4(3), 225–254. https://doi.org/10.1207/s15327663jcp0403_02
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E., Jeyaraj, A., Kar, A. K., et al. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Friestad, M., & Wright, P. (1994). The persuasion knowledge model: How people cope with persuasion attempts. Journal of Consumer Research, 21(1), 1–31. https://doi.org/10.1086/209380
Grassini, S. (2023). Development and validation of the AI attitude scale (AIAS-4): A brief measure of general attitude toward artificial intelligence. Frontiers in Psychology, 14, 1191628. https://doi.org/10.3389/fpsyg.2023.1191628
Guercini, S. (2023). Marketing automation and the scope of marketers’ heuristics. Management Decision, 61(13), 295–320. https://doi.org/10.1108/MD-07-2022-0909
Hartmann, J., Exner, Y., & Domdey, S. (2025). The power of generative marketing: Can generative AI create superhuman visual marketing content? International Journal of Research in Marketing, 42(1), 13–31. https://doi.org/10.1016/j.ijresmar.2024.09.002
Ienca, M. (2023). On artificial intelligence and manipulation. Topoi, 42(3), 833–842. https://doi.org/10.1007/s11245-023-09940-3
Laine, J., Minkkinen, M., & Mäntymäki, M. (2025). Understanding the ethics of generative AI: Established and new ethical principles. Communications of the Association for Information Systems, 56, 1–29. https://doi.org/10.17705/1CAIS.05601
Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Machines versus humans: The impact of artificial intelligence chatbot disclosure on customer purchases. Marketing Science, 38(6), 937–947. https://doi.org/10.1287/mksc.2019.1192
Nah, F. F.-H., Zheng, R., Cai, J., Siau, K., & Chen, L. (2023). Generative AI and ChatGPT: Applications, challenges, and AI-human collaboration. Journal of Information Technology Case and Application Research, 25(3), 277–304. https://doi.org/10.1080/15228053.2023.2233814
Pagani, M., & Wind, Y. (2024). Unlocking marketing creativity using artificial intelligence. Journal of Interactive Marketing, 59(4), 335–347. https://doi.org/10.1177/10949968241265855
Rahmani, V. (2023). Persuasion knowledge framework: Toward a comprehensive model of consumers’ persuasion knowledge. AMS Review, 13, 12–33. https://doi.org/10.1007/s13162-023-00254-6
Shank, D. B., Stefanik, C., Stuhlsatz, C., Kacirek, K., & Belfi, A. M. (2023). AI composer bias: Listeners like music less when they think it was composed by an AI. Journal of Experimental Psychology: Applied, 29(3), 676–692. https://doi.org/10.1037/xap0000447
Sundar, S. S. (2020). Rise of machine agency: A framework for studying the psychology of human–AI interaction. Journal of Computer-Mediated Communication, 25(1), 74–88. https://doi.org/10.1093/jcmc/zmz026
Wang, X., & Wu, Y. C. (2024). Balancing innovation and regulation in the age of generative artificial intelligence. Journal of Information Policy, 14, 1–27. https://doi.org/10.5325/jinfopoli.14.2024.0012
Wortel, C., Vanwesenbeeck, I., & Tomas, F. (2024). Made with artificial intelligence: The effect of artificial intelligence disclosures in Instagram advertisements on consumer attitudes. Emerging Media, 2(3), 547–570. https://doi.org/10.1177/27523543241292096
Descargas
Publicado
Versiones
- 2025-12-30 (2)
- 2025-12-30 (1)
Número
Sección
Licencia
Derechos de autor 2025 Marlon Elinovich Tenecela-Calderon (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las personas autoras conservan sus derechos y otorgan a Sapiens Global el derecho de primera publicación. El artículo se distribuye bajo CC BY 4.0, salvo indicación diferente para material de terceros.
