Introducción

Las Fintech se definen como la aplicación de avances tecnológicos para mejorar los servicios y productos financieros (Bittini, Rambaud, Pascual, & Moro-Visconti, 2022). En consecuencia, siguiendo a Stoeckli, Dremel, and Uebernickel (2018), las Insurtech no son más que son una derivación de las Fintech contextualizadas en la industria del seguro. El explosivo desarrollo de las Fintech y, consecuentemente, de las Insurtech en los últimos años, es imputable al impacto de las tecnologías de la Industria 4.0 como la inteligencia artificial (IA) en la industria financiera y aseguradora (Fung, Polania, Choi, Wu, & Ma, 2021). Así, a partir del inicio de la segunda década de este siglo, las Insurtech pueden identificarse con la aplicación de tecnologías de la Industria 4.0 para ofrecer nuevas soluciones a los retos que surgen en la provisión de productos y servicios, así como en el desarrollo de procesos en la industria de seguros (Yan, Schulte, & Chuen, 2018). Tal como señalanBohnert, Fritzsche, and Gregor (2019) y Sosa y Montes (2022), las Insurtech se desarrollan de forma sostenida desde la segunda década del presente siglo. Sin embargo, la crisis originada por el SARS-CoV-2 aceleró enormemente esta tendencia, dado que las empresas se encontraron con el desafío de seguir con sus actividades a pesar de las restricciones de movilidad vigentes (Belzunegui-Eraso y Erro-Gracés, 2020). Esto se abordó en diversos sectores económicos, como el asegurador, a través de la implementación de medidas e iniciativas basadas en las tecnologías de la Industria 4.0 (Lanfranchi y Grassi, 2022).

Existe en la actualidad una gran cantidad de tecnologías derivadas de la Industria 4.0 con amplia implantación en el sector del seguro (Greineder, Riasanow, Böhm, & Krcmar, 2020). Una de las más relevantes, que es el objeto de estudio del presente trabajo, son los robots conversacionales (chatbots). Siguiendo a Rodríguez-Cardona, Werth, Schönborn, and Breitner (2019), la implementación de esta tecnología ha venido realizándose progresivamente desde mediados de la década de 2010. Los chatbots son básicamente programas de software respaldados por algoritmos de inteligencia artificial que permiten a un usuario interactuar con una máquina, ya sea mediante una conversación de voz o de texto (Silva, Shojaei, & Barbosa, 2023). Se espera que los chatbots jueguen un papel importante en la mejora de los servicios ofrecidos por la industria aseguradora (Rodríguez-Cardona et al., 2019), pero su efectividad y éxito dependerá finalmente de la satisfacción que efectivamente reporten los clientes (Hari, Iyer, & Sampat, 2022). Por lo tanto, es relevante comprender los factores que afectan la aceptación de los chatbots para llevar a cabo trámites relacionados con las pólizas en vigor.

La tendencia actual es utilizar los chatbots como un instrumento que permita interaccionar a las empresas con sus visitantes (proveedores, clientes, etc.) de forma automatizada 24/7/365 (Jenneboer, Herrando, & Constantinides, 2022), por lo que muchas organizaciones los han empleado para brindar asistencia a los clientes (Fotheringham y Wiles, 2023). Sin duda, los robots conversacionales son una tecnología prometedora en la mejora de la atención a los clientes, ya que su disponibilidad es inmediata y no tiene restricciones respecto al momento del día o el día del año y, actualmente, pueden resolver muchos trámites rutinarios (DeAndrade y Tumelero, 2022). De hecho, el estudio realizado por Fotheringham y Wiles (2023) reporta que la puesta en marcha por parte de las firmas de un sistema chatbots suelen ser bien recibida por los mercados financieros, ya que su valor bursátil tiende a incrementarse. En un entorno de seguros, los chatbots pueden desarrollar tareas como buscar productos adecuados para clientes potenciales a partir de algunas palabras clave, proporcionar información a los asegurados sobre pólizas y procesos vigentes, o acelerar y facilitar los procesos de reclamación (Riikkinen, Saarijärvi, Sarlin, & Lähteenmäki, 2018).

Los avances exponenciales de los instrumentos de IA como el deep learning, que son el soporte de la tecnología en que se basan los robots conversacionales, permiten diseñar prototipos cada vez más capaces de interactuar de forma más similar a los seres humanos y, como ellos, son capaces de aprender conversaciones mantenidas anteriormente para proporcionar en el futuro respuestas más satisfactorias (Nirala, Singh, & Purani, 2022). De hecho, existen prototipos de chatbots capaces de superar el test de Turing desde que el año 2014 lo hizo el prototipo Eugene Goodman (Warwick y Shah, 2016). En la prueba de Turing unos evaluadores humanos conversan por medios electrónicos, como chats de texto, con dos participantes: uno humano y el otro, robot. La duración típica de esta conversación se establece en 5 minutos. La máquina supera la prueba de Turing si los evaluadores se equivocan en identificar al interlocutor (humano o máquina) al menos el 30% de las veces (Warwick y Shah, 2016).

Sin embargo, el desarrollo de los chatbots aún no está completamente maduro, ya que a menudo presentan fallos (Xing, Song, Duan, & Mou, 2022) y su capacidad está lejos de poder captar todos los matices de una conversación humana (Siqueira, De, Müller, & Bosse, 2023). Esto explica la reticencia de algunos consumidores de seguros a interactuar con robots conversacionales ( ; De Andrés-Sánchez y Gené-Abesa, 2023) (Promtep, Arcand, Rajaobelina, & Ricard, 2021). Tal como señalan V Vassilakopoulou, Haug, Salvesen, and Pappas (2023), los chatbots carecen de habilidades relevantes para responder a los requerimientos de un interlocutor, como la comprensión de los cambios de tono y las inflexiones en la voz. Además, son incapaces de proporcionar empatía y soporte emocional, y difícilmente pueden satisfacer requisitos complejos.

En este artículo se evalúa la actitud hacia el uso de chatbots en la interacción asegurado-asegurador en España, mediante el uso de una encuesta cumplimentada por un conjunto de profesionales del sector asegurador que contiene dos respuestas abiertas. Las respuestas obtenidas se sistematizan utilizando el conocido Modelo de Aceptación Tecnológica, comúnmente conocido como TAM (Technology Acceptance Model), que fue propuesto inicialmente por Davis (1989). Este marco conceptual ha sido empleado tanto para explicar la intención de uso de un gran número de tecnologías e innovaciones en el ámbito financiero (Andrés-Sánchez, González-Vila, Puchades, & Arias-Oliva, 2021), como en el contexto más concreto de la aceptación de los robots conversacionales por parte de los consumidores (Andrés-Sánchez, Gené-Albesa, & J, 2023; Silva et al., 2023):

PI1. ¿Es TAM un marco conceptual robusto, desde el punto de vista estadístico, para analizar la aceptación de los chatbots en la relación asegurado-asegurador desde la perspectiva de los profesionales del sector?

PI2. ¿Cuál es la valoración (positiva o negativa) que los profesionales encuestados hacen respecto al uso de chatbots en las interacciones entre el asegurado y el asegurador, y qué razones se aducen para fundamentar dichas valoraciones?

Para abordar estas preguntas, se ha adoptado una metodología mixta cuantitativa-cualitativa, siguiendo una aproximación similar a la utilizada por De Andrés-Sánchez y Gené-Abesa (2023). Para evaluar la PI1, es decir, la adecuación del Modelo de Aceptación Tecnológica (TAM) a la muestra analizada, se utilizó un Modelo de Ecuaciones Estructurales estimado por Mínimos Cuadrados Parciales (MEE-MCP). Una vez comprobada la adaptación del modelo TAM a los datos, la PI2 fue abordada mediante un análisis cualitativo de las respuestas abiertas, siguiendo el marco analítico proporcionado por el modelo TAM. El análisis cualitativo realizado para responder a la PI2 tuvo como objetivo principal obtener implicaciones prácticas concretas que no podrían obtenerse únicamente a través de métodos estadísticos, y al mismo tiempo, mejorar la comprensión de las valoraciones de las personas encuestadas (Vogelsang, Steinhüser, & Hoppe, 2013). Este enfoque integral permite una mayor profundidad en la interpretación de los resultados, brindando una perspectiva más completa sobre la actitud hacia el uso de chatbots en la relación asegurado-asegurador.

2. Un modelo de aceptación tecnológica para la evaluación de la actitud hacia los chatbots en el sector asegurador

El análisis llevado a cabo en este trabajo se ha desarrollado sobre la base del modelo TAM propuesto porDavis (1989) y ampliado por Venkatesh y Davis (2000) y Venkatesh y Bala (2008). El marco conceptual de dicho análisis se muestra en la Figura 1. En el modelo original (Davis, 1989), las variables antecedentes de la actitud (ACTITUD) hacia una nueva tecnología están relacionadas con la motivación de uso de dicha tecnología y son la utilidad percibida (UP) y la facilidad de uso percibida (FUP). Las extensiones en Venkatesh y Davis (2000) y Venkatesh y Bala (2008) permiten que variables externas impacten en la actitud ya sea de forma directa o por la mediación de UP. Como variable externa, este trabajo se enfoca únicamente en considerar la confianza (CONFIANZA), dado que es un factor que comúnmente se reporta como esencial en la aceptación de la mediación de los robots conversacionales en las relaciones entre los clientes y las empresas (Jenneboer et al., 2022), y es una piedra angular en las relaciones entre los actores de las industrias financiera y aseguradora (Guiso, 2021).

Respecto al concepto de actitud (ACTITUD) en el contexto que nos ocupa, es comúnmente aceptada la definición de Fishbein y Ajzen (1975) que la describen como “la predisposición aprendida a responder de manera consistentemente favorable o desfavorable con respecto a un objeto dado”. En este trabajo la actitud será medida a través de la escala cognitiva propuesta porBhattacherjee and Premkumar (2004) que inquiere al encuestado sobre su juicio del uso del objeto evaluado respecto a la bondad de la idea, si cree que es recomendable, si supone un avance y si es efectivo.

La utilidad percibida (UP) puede definirse como la intensidad de la percepción por parte de los usuarios potenciales de que la tecnología evaluada mejora el desempeño de una tarea (Davis, 1989). Hay diferentes razones que pueden llevar a la conclusión que los chatbots son útiles en los trámites con el asegurador. Por un lado, las consultas simples pueden ser resueltas con mayor rapidez cuando se utiliza la asistencia de los robots conversacionales en comparación con la asistencia exclusivamente humana (DeAndrade y Tumelero, 2022). Por lo tanto, los robots conversacionales deben ser entendidos como un canal alternativo o complementario, pero no como sustituto de los canales más consolidados, como las conversaciones telefónicas con un profesional, para interactuar con la compañía aseguradora. Así, pueden considerarse como una herramienta adicional que mejora el servicio para los tomadores de seguros (Standaert y Muylle, 2022). La diversificación de los canales de comunicación suele apreciarse y fideliza al cliente (Gené-Albesa, 2007). La capacidad de las Insutech para agregar valor a los clientes y mejorar la eficiencia de producción y comercialización (Stoeckli et al., 2018) debe permitir al asegurador alcanzar ventajas respecto a sus competidores. Es ampliamente conocido que estas ventajas pueden lograrse ofreciendo productos a un menor precio que la competencia o mejorando la calidad de los productos y del servicio (Kaleka, 2002).

En el momento de redactar este trabajo, los chatbots presentan varios inconvenientes que pueden limitar su utilidad. Según V Vassilakopoulou et al. (2023), los robots conversacionales con frecuencia tienen dificultades para resolver requerimientos prolijos, lo que conlleva a la intervención de un operador humano y, por ende, el tiempo dedicado a la interacción inicial con el robot se percibe como inútil (Siqueira et al., 2023).

En ciertas circunstancias, la interacción con chatbots puede generar una desagradable sensación de deshumanización. Cuando un tomador de seguro comunica una pérdida significativa, como la de su hogar o un ser querido, espera una escucha activa por parte del interlocutor (Andrés-Sánchez et al., 2023). Un inconveniente ampliamente destacado sobre el uso de chatbots en procesos de atención al cliente es su falta de empatía (Vassilakopoulou et al., 2023).

Una preocupación que siempre provoca la implantación de tecnologías disruptivas, como las derivadas de la Industria 4.0, es la destrucción de puestos de trabajo (Kovacs, 2018). El informe deBalasubramanian, Libarikian, and Mcelhaney (2018) predice que para finales de la década de 2020, las tecnologías basadas en la IA, como los robots conversacionales, habrán reducido en un 70%-80% la necesidad de operadores humanos para atender a los clientes. Este aspecto puede incidir negativamente en la utilidad finalmente percibida en el uso de chatbots (Andrés-Sánchez et al., 2023).

Una coordinación deficiente entre la introducción de datos y su procesamiento en el sistema back end resulta en fallos en las respuestas front end, lo que lleva a una percepción negativa de la interacción por parte del usuario (Venkatesh y Bala, 2008). Según Rodríguez-Cardona et al. (2019), esta coordinación, que no siempre es fácil de lograr, es un aspecto clave para aprovechar adecuadamente la tecnología de los bots conversacionales.

La literatura sobre la aceptación tecnológica en ámbitos relacionados con el nuestro muestra un consenso muy claro en la influencia positiva que UP tiene sobre el juicio positivo sobre el uso de una innovación. Dentro del uso de nuevo canales financieros podemos remarcar Bashir y Madhavaiah (2015), Farah, Hasni, and Abbas (2018), S Sánchez-Torres, Canada, Sandoval, and Alzate (2018), Warsane e Ireri (2018), Hussain, Mollik, Johns, and Rahman (2019). Respecto a la aceptación de innovaciones en la industria del seguro podemos remarcar Huang, Chang, and Sia (2019), Oktariyana, Ariyanto, and Ratnadi (2019),Andrés-Sánchez et al. (2021) y De Andrés-Sánchez y González-Vila (2023). También ha sido ampliamente contrastado este impacto en los servicios ofrecidos por robots conversacionales (Kasilingam, 2020; Brachten et al. 2021; Gansser y Reich 2021; Joshi, 2021; Balakrishnan et al., 2022; De Cicco et al., 2022; Lee et al., 2022; Pawlik, 2022; Xie et al., 2022; De Andrés-Sánchez y Gené Albesa, 2023) (Balakrishnan, Abed, & Jones, 2022; Brachten, Kissmer, & Stieglitz, 2021; Joshi, 2021; Kasilingam, 2020; Lee, Oh, & Moon, 2022; Xie, Wang, & Cheng, 2022).

Por tanto, en este trabajo se propone la siguiente hipótesis:

Hipótesis 1 (H1). La utilidad percibida (UP) de los chatbots influye positivamente en la actitud (ACTITUD) hacia su uso en los trámites de los clientes con la aseguradora.

Davis (1989) define la facilidad de uso percibida (FUP) como “el grado en que una persona cree que usar un sistema en particular no supone esfuerzo”. La FUP debe entenderse en este trabajo como la ausencia de obstáculos para comunicarse y realizar gestiones con la compañía de seguros.

Teóricamente, los chatbots proporcionan algunas ventajas respecto a canales alternativos, pues son capaces de dar asistencia las 24 horas del día, los 7 días de la semana y son más flexibles que los humanos en cuanto al momento en que están disponibles (DeAndrade y Tumelero, 2022). Asimimo, tienen menos barreras para ser utilizados que otras tecnologías digitales, como las Apps (Koetter et al., 2019).

Por otro lado, actualmente la tecnología de los chatbots no está lo suficientemente desarrollada como para permitir, en muchas circunstancias, una interacción sencilla. Es muy común que ofrezcan a los clientes respuestas confusas e incluso fallidas, las cuales empeoran la percepción sobre su facilidad de uso, su utilidad y, por tanto, impactan negativamente en su aceptación (Siqueira et al., 2023; Xing et al., 2022). Algunas cuestiones que podemos remarcar a este respecto son la fobia de muchas personas a la tecnología robótica, que puede ser producida por problemas como la ansiedad tecnológica y la necesidad de interacción humana (Rajaobelina, Promtep, Arcand, & Ricard, 2021).

VVassilakopoulou et al. (2023) indican que los chatbots no captan tonos de voz o la dirección que toma una determinada conversación, por lo que en muchas ocasiones no son capaces de ofrecer una respuesta adecuada. Así, la interacción con el chatbot puede ser muy complicada si el asegurado pretende resolver consultas complejas y la percepción de su facilidad de uso puede verse mermada. Asimismo, Nuruzzaman y Hussain (2020) señalan que la mayor parte de los chatbots están programados con árboles conversacionales y son entrenados con conjuntos muy básicos de datos. En consecuencia, comenten errores frecuentes en interacciones reales (Xing et al., 2022). Este problema lastra a la facilidad de uso (Siqueira et al., 2023) y explica por qué más del 50% de las interacciones con bots no acaban completándose (Promtep et al., 2021).

El impacto significativo positivo de la FUP sobre la ACTITUD ha sido mostrado ampliamente en la literatura. Este aspecto se ha mostrado en banca digital (Bashir y Madhavaiah, 2015; Warsane e Ireri, 2018), en innovaciones en canales de contratación de seguros (Huang et al., 2019) y en chatbots cuya función es atender al cliente (Kasilingam, 2020; Kuberkar y Singhal, 2020; Brachten et al., 2021; Gansser y Reich 2021; Mostafa y Kasamani, 2022; Pawlik, 2022; De Andrés-Sánchez y Gené Albesa, 2023) (Brachten et al., 2021; Kasilingam, 2020).

Asimismo, en el TAM, la FUP también impacta en la ACTITUD con la mediación de la UP ( ; Venkatesh y Davis, 2000) (Davis, 1989) ya que cuanto más amigable es un sistema, mayor es el rendimiento percibido con su uso. Esto también ha sido mostrado por parte de la literatura empírica revisada (Bashir y Madhavaiah, 2015; ; De Cicco et al., 2022; De Andrés-Sánchez y González-Vila, 2023; De Andrés-Sánchez y Gené Albesa, 2023) (Andrés-Sánchez et al., 2021; Huang et al., 2019; Joshi, 2021). Por lo tanto, se proponen las siguientes hipótesis:

Hipótesis 2a (H2a). La facilidad de uso percibida (FUP) de los chatbots influye positivamente en la actitud (ACTITUD) hacia su uso en los trámites de los clientes con la aseguradora.

Hipótesis 2b (H2b). La facilidad de uso percibida (FUP) de los chatbots influye positivamente en la utilidad percibida (UP) en los trámites de los clientes con la aseguradora.

La relevancia que debe tener para los asegurados la variable confianza (CONFIANZA) en la aceptación de la Insurtech que analizamos viene dada por una doble vía. Por una parte, la especificidad del negocio asegurador; y por otra, el hecho de que la relación entre la empresa y los tomadores está mediada por la tecnología (Andrés-Sánchez et al., 2023).

La confianza es la base de cualquier transacción financiera, ya que el prestamista confía que el prestatario pagará los flujos de caja prometidos en el momento estipulado en el contrato. Dicho factor es aún más relevante en el mercado asegurador ya que ambas partes de la transacción (asegurador y tomador/asegurado) deben confiar entre sí en un entorno donde existe un alto grado de azar moral y hay una alta probabilidad de selección adversa. De hecho, la confianza es la esencia de la industria aseguradora (Guiso, 2012). La sociedad ve más relevante la confianza en las aseguradoras (por parte de los asegurados) que en el asegurado ya que las compañías de seguros son mucho más poderosas que los particulares (Guiso, 2021). Podemos definir la confianza de un asegurado en las compañías de seguros como “la percepción de que sus servicios pueden permitir una compensación segura en caso de siniestralidad y que las interacciones a este respecto serán satisfactorias.” (Guiso, 2021).

Asimismo, la confianza es muy relevante en la explicación de aceptación de tecnologías novedosas como los chatbots, y especialmente cierto en las relaciones B2C (Baabdullah, Alalwan, Algharabat, Metri, & Rana, 2022). Las personas a menudo son escépticas con respecto a estas herramientas debido a su poca transparencia (Brachen et al., 2021). En el contexto de los servicios financieros remotos, la confianza en un modo de interacción novedoso determinado puede definirse como la creencia de los clientes de que las empresas podrán brindar un servicio satisfactorio a través de este canal (Bashir y Madhavaiah, 2015).

Las Insurtech como los chatbots tienen entre sus objetivos mejorar el valor de los productos ofrecidos a los clientes ( ; Lanfranchi y Grassi, 2022) (Riikkinen et al., 2018) por lo que es esperable que una mayor confianza en sus prestaciones implique una actitud más positiva hacia su adopción y una mayor utilidad percibida en sus servicios. Existen diversos trabajos empíricos que muestran que el impacto directo de la confianza en la actitud y la intención de uso de tecnologías novedosas es significativo en contextos como la banca digital (Bashir y Madhavaiah, 2015; ) (Sánchez-Torres et al., 2018) y las Insurtech (Huang et al., 2019). Dentro del campo de la aceptación de los robots conversacionales, podemos destacar los trabajos de Kasilingam (2020), Kuberkar y Singhal (2020), Gansser y Reich (2021),Joshi (2021) y Mostafa y Kasamani (2022). Asimismo, existen diversos estudios que reportan que la confianza es un antecedente relevante del provecho percibido en la mediación realizada por robots (Han y Conti, 2020; Brachen et al., 2021; De Andrés-Sánchez y Gené Albesa, 2023). Por tanto, se proponen las siguientes hipótesis:

Hipótesis 3a (H3a): La confianza (CONFIANZA) en los chatbots influye positivamente en la actitud (ACTITUD) hacia su uso en los trámites de los clientes con la aseguradora.

Hipótesis 3b (H3b): La confianza (CONFIANZA) en los chatbots influye positivamente en la utilidad percibida (UP) en los trámites de los clientes con la aseguradora.

Materiales y métodos

Metodología de análisis

En lo que hace referencia a la PI1: ¿Es TAM un marco conceptual robusto, desde el punto de vista estadístico, para analizar la aceptación de los chatbots en la relación asegurado-asegurador desde la perspectiva de los profesionales del sector? se ha respondido ajustando el modelo de la Figura 1 utilizando un MEE-MCP. Como paso primer paso al ajuste, se analiza la consistencia interna y fiabilidad de las escalas y su validez discriminante. El procedimiento seguido en la evaluación de PI1 queda plasmado en la Figura 2.

La fiabilidad interna es evaluada con las medidas habituales: el a de Cronbach (a), el índice de fiabilidad compuesta (IFC), la varianza media extraída (VME) y el análisis de las cargas factoriales de los indicadores de la Tabla 1, siendo el del j-esimo simbolizado como ${\lambda }_j$ . La evaluación de la fiabilidad de una escala, esto es, de un conjunto de ítems (por ejemplo UP1, UP2, UP3 y UP4 en la Tabla 1) que son diferentes manifestaciones de una variable que no es directamente medible (en el ejemplo, la utilidad percibida), busca medir hasta qué punto las respuestas dadas dichos ítems son congruentes entre sí, de forma que puede aceptarse que esto son efectivamente exteriorizaciones coherentes de la misma variable (Martínez y Fierro, 2018). Así, el a de Cronbach se define como:

$\alpha =\frac{J}{J-1}\frac{{\sum }_{j=1}^J{S}_j^2}{S_T^2},$

siendo $J$ el número de indicadores que agrupa una escala (por ejemplo, en la utilidad percibida $J=4$ ), $S_j^2$ la varianza muestral del ítem j-ésimo y $S_T^2$ la varianza de todas respuestas de todos los ítems de la escala evaluada. Por otra parte, IFC es:

$IFC=\frac{{\left({\sum }_{j=1}^J{\lambda }_j\right)}^2}{{\left({\sum }_{j=1}^J{\lambda }_j\right)}^2+\left({\sum }_{j=1}^{J}1-{\lambda }_j^2\right)}.$

Finalmente, VME se define como:

$VME=\frac{{\sum }_{j=1}^J{\lambda }_j^2}{J}.$

Es comúnmente aceptado que una escala es confiable si $\alpha$ de Cronbach, IFC y las cargas factoriales de los ítems son mayores que 0,7 y la VME>0,5 (Martínez y Fierro, 2018).

Posteriormente, se evalúa la validez discriminante de los constructos, para medir hasta qué punto las variables latentes del modelo contrastado son diferentes (Martínez y Fierro, 2018). Desde luego, es deseable que las variables (en nuestro caso, cuatro) tengan una correlación significativa, de forma que las relaciones postuladas entre ellas en la Figura 1 sean relevantes. No obstante, dicha correlación no debe ser tan elevada que lleve a la conclusión de que realmente son la misma variable latente. Este trabajo evalúa la validez discriminante con el criterio de Fornell y Larker (1981), que postula que la cantidad de varianza que una variable latente refleja de sus ítems, es decir, la VME debe superar la varianza que la variable latente comparte con otros constructos (Martínez y Fierro, 2018). Para ello, en primer lugar, debe obtenerse la puntuación factorial estandarizada de cada variable latente. Esta se halla a partir de la combinación lineal de los indicadores que la componen por sus pesos factoriales. Posteriormente se calcula la correlación entre las variables latentes y se comparan con la raíz cuadrada de la varianza media extraída, que en el caso de un constructo deberá ser mayor que las correlaciones que tiene con el resto de variables latentes. Es decir, si denominamos como la correlación entre las puntaciones factoriales obtenidas para las variables latente h-ésima y la i-ésima como ${\rho }_{h,i}$ , y el VME del constructo h-ésimo como ${VME}_h ,$ debe cumplirse:

$\sqrt{{VME}_h}>{\rho }_{h,i} \forall h,i, siendo h\ne i .$

Finalmente, se ajustan los coeficientes de camino (b) del modelo expuesto por la Figura 1 aplicando mínimos cuadrados en dos etapas. La estimación del p-valor de dichos coeficientes se estima mediante bootstrapping, utilizando 5000 submuestras y la técnica de bootstrap estudentizada. La calidad general del ajuste se ha establecido con el coeficiente de determinación R². Finalmente se prueba la capacidad predictiva del modelo con el Q² de Stone-Geisser. Todos los cálculos en este paso se implementan con SmartPLS4.0.

Para responder a la PI2: ¿Cuál es la valoración (positiva o negativa) que los profesionales encuestados hacen respecto al uso de chatbots en las interacciones entre el asegurado y el asegurador, y qué razones se aducen para fundamentar dichas valoraciones? se han seguido dos pasos. Para conocer la percepción generalizada, se examina la media y la mediana de las respuestas en las preguntas de la escala de actitud deBhattacherjee and Premkumar (2004) y se comparan con la valoración “5” que podemos considerar neutra. Los valores significativamente inferiores (superiores) a 5 indican que existe un grado relevante de resistencia (aceptación) hacia los chatbots. Posteriormente, se realiza una revisión sistemática de las respuestas a las preguntas abiertas que justifican los beneficios y los inconvenientes percibidos de los chatbots. Este análisis se construye con la ayuda del marco analítico expuesto en la Sección 2.

Resultados

Resultados de la PI1 con el modelo de ecuaciones estructurales

La Tabla 3 muestra que las escalas vinculadas a ACTITUD, UP, FUP y CONFIANZA son consistentes porque a de Cronbach e IFC >0,7, VME >0,5 y las cargas factoriales para todos los ítems son >0,7. Los resultados en la Tabla 4 sugieren que podemos aceptar que los constructos tienen capacidad discriminante desde la perspectiva del criterio de Fornell y Larker (1981). Las correlaciones entre dos constructos siempre están por debajo de la raíz cuadrada de su VME.

Table 3: Estadísticas descriptivas y consistencia interna de las escalas

Ítems	Media	Mediana	Desv. Estándar	Carga factorial	Alfa de Cronbach	IFC	VME
Actitud					0,962	0,972	0,896
ACTITUD1	2,82	2,5	2,70	0,95
ACTITUD2	2,05	2	2,14	0,94
ACTITUD3	2,74	2	2,63	0,95
ACTITUD4	2,88	3	2,72	0,95
Utilidad percibida					0,937	0,955	0,841
PU1	2,98	3	2,74	0,89
PU2	3,32	3	2,97	0,93
PU3	2,55	2	2,62	0,94
PU4	2,68	2	2,74	0,9
Facilidad de uso percibida					0,948	0,963	0,866
FUP1	2,66	2	2,33	0,89
FUP2	2,90	3	2,57	0,95
FUP3	2,35	2	2,26	0,93
FUP4	2,53	2	2,46	0,96
Confianza					0,84	0,903	0,757
CONFIANZA1	2,82	2	2,83	0,93
CONFIANZA2	4,44	4,5	3,19	0,84
CONFIANZA3	2,47	3	1,95	0,84

Table 4: Validez discriminante con el criterio de Fornell y Larker (1981)

Constructo	ACTITUD	UP	FUP	CONFIANZA
Actitud (ACTITUD)	0,947
Utilidad percibida (UP)	0,827	0,917
Facilidad de uso percibida (FUP)	0,757	0,872	0,931
Confianza (CONFIANZA)	0,758	0,859	0,846	0,87

La Figura 3 muestra la bondad de ajuste medida por R². Mientras que ACTITUD alcanza R²=0,69, UP R²=0,81. Siguiendo a Hair et al. (2019), la precisión alcanzada puede considerarse sustancial en ambos casos. Obsérvese que para estos valores de los coeficientes de determinación, y bajo el criterio más estricto del mínimo R², una muestra de 30 observaciones hubiera podido arrojar resultados significativos (Kock y Hadaya, 2018).

La Figura 3 y la Tabla 5 muestran los valores de β y su nivel de significación estadística, lo que lleva a no rechazar las hipótesis H1, H2b y H3b (p<0,01). En cambio, aunque FUP y CONFIANZA influyen en ACTITUD con el signo esperado, no presentan significación estadística y se rechazan las hipótesis H2a y H3a. No obstante, puede observarse en la Tabla 6 que tanto FUP como CONFIANZA tienen un impacto total significativo en ACTITUD debido a que la proporción principal del impacto de ambas variables en ACTITUD viene mediado por UP.

Table 5: Coeficientes del modelo y resultados del contraste de las hipótesis de la sección 2

Efecto	b	t de Student	Rechazo de la hipótesis
UP-ACTITUD	0,697	4,753***	H1: No rechazo
FUP-ACTITUD	0,073	0,463	H2a: Rechazo
FUP-UP	0,510	4,851***	H2b: No rechazo
CONFIANZA-ACTITUD	0,182	1,164	H3a: Rechazo
CONFIANZA-UP	0,427	4,313***	H3b: No rechazo

Table 6: Efectos totales de UP, FUP y CONFIANZA en ACTITUD

Efecto total en actitud	b	t de Student
UP-ACTITUD	0,697	4,753***
FUP-ACTITUD	0,505	4,023***
CONFIANZA-ACTITUD	0,298	2,838***

La Figura 3 y la Tabla 7 muestran que el MEE-MCP tiene una buena capacidad predictiva. Tanto ACTITUD como UP presentan Q²>0 y, por tanto, el modelo puede proporcionar predicciones significativas para ambos factores (Hair et al., 2019).

Table 7: Análisis predictivo del modelo de ecuaciones estructurales

	Medidas predictivas
	Q 2	RECM	MEA
ACTITUD	0,595	0,653	0,521
UP	0,798	0,462	0,337
Modelo global

Discusión e implicaciones prácticas

Hemos constatado que el marco conceptual proporcionado por el modelo de aceptación tecnológica (TAM), desarrollado por Davis (1989), Venkatesh y Davis (2000), y Venkatesh y Bala (2008), junto con la confianza hacia los chatbots, es estadísticamente robusto para explicar la actitud de los profesionales del sector asegurador hacia los servicios proporcionados por los chatbots en la mediación de las comunicaciones entre cliente y asegurador. La significancia estadística de este marco conceptual nos permite fundamentar tanto el estudio cuantitativo de las respuestas como el análisis cualitativo.

El modelo TAM ha sido ampliamente utilizado para evaluar la aceptación de las Fintech, y hay numerosos estudios que respaldan su utilidad en ese campo. Sin embargo, en el entorno de las Insurtech, los estudios son menos comunes, y especialmente escasos son aquellos que adoptan una perspectiva cualitativa. Así, la motivación principal de este trabajo proviene de la constatación de dicha brecha en la investigación sobre la aceptación de la tecnología de los chatbots en el sector asegurador.

Con respecto a la primera pregunta de investigación, ¿Es TAM un marco conceptual robusto, desde el punto de vista estadístico, para analizar la aceptación de los chatbots en la relación asegurado-asegurador desde la perspectiva de los profesionales del sector?, hemos comprobado que el TAM ajusta prácticamente el 70% de la varianza de la ACTITUD hacia la comunicación mediada por robots conversacionales con la compañía aseguradora.

La utilidad percibida (UP) tiene un impacto estadísticamente significativo para explicar el juicio de los profesionales. Este hallazgo es consistente con los estudios sobre las aplicaciones de las nuevas tecnologías en la banca digital (Bashir y Madhavaiah, 2015; Farah et al., 2018; Sánchez-Torres et al., 2018; Warsane e Ireri, 2018; Hussain et al., 2019) (Farah et al., 2018; Hussain et al., 2019; Sánchez-Torres et al., 2018), las innovaciones en la industria aseguradora (Andrés-Sánchez et al., 2021; Huang et al., 2019) y los chatbots (Eeuwen, 2017; Kasilingam, 2020; Kuberkar y Singhal, 2020; Brachten et al., 2021; Gansser y Reich, 2021; Joshi, 2021; Balakrishnan et al., 2022; De Cicco et al., 2022; Lee et al., 2022; Pawlik, 2022; Xie et al., 2022; De Andrés-Sánchez y González-Vila, 2023; De Andrés-Sánchez y Gené Albesa, 2023) (Balakrishnan et al., 2022; Brachten et al., 2021; Eeuwen, 2017; Joshi, 2021; Kasilingam, 2020; Lee et al., 2022; Xie et al., 2022).

La facilidad de uso percibida (FUP) no tiene un impacto directo significativo en la actitud de los profesionales hacia los robots conversacionales. No obstante, su impacto total, que incluye su influencia mediada por la utilidad percibida, sí que lo es. La ausencia de influencia directa significativa no es una excepción en la literatura, ya que ha sido puesta de manifiesto, tanto en el ámbito de innovaciones en el sector asegurador (Andrés-Sánchez et al., 2021; Huang et al., 2019; Milanović, Milosavljević, Benković, Starčević, & Spasenić, 2020) como en la actitud hacia los robots conversacionales en la atención a los consumidores ( ; De Cicco et al., 2022; De Andrés-Sánchez y Gené Albesa, 2023) (Eeuwen, 2017; Joshi, 2021).

También se ha comprobado que FUP tiene una influencia relevante en UP ya que, conjuntamente con CONFIANZA, explica el 80% de su variabilidad. Esta relevancia, que se sustenta teóricamente ( ; Venkatesh y Davis, 2000; y Venkatesh y Bala, 2008) (Davis, 1989), también se ha mostrado en trabajos empíricos sobre cuestiones colindantes a la temática analizada en este trabajo (Bashir y Madhavia, 2015; ; De Cicco et al., 2022) (Andrés-Sánchez et al., 2021; Huang et al., 2019; Joshi, 2021). Entendemos que esta fuerte influencia de FUP en UP explica el efecto total significativo de FUP en ACTITUD, que de forma directa ha sido puesta de manifiesto en campos como la intención de uso de canales digitales en las relaciones con la banca (Bashir y Madhavia, 2015; Warsane e Ireri, 2018), la aceptación de innovaciones de la industria aseguradora (Huang et al., 2019) y la percepción de los consumidores sobre los chatbots (Kasilingam, 2020; Kuberkar y Singhal, 2020; Brachten et al., 2021; Gansser y Reich, 2021; Mostafa y Kasamani, 2022; Balakrishnan et al., 2022; Pawlik, 2022) (Balakrishnan et al., 2022; Brachten et al., 2021; Kasilingam, 2020).

La forma en que la CONFIANZA impacta sobre la ACTITUD hacia los chatbots es muy similar a como lo hace FUP. No se observa un impacto significativo directo, pero sí un impacto global, que viene dado por su influencia mediada por UP. La ausencia de significación del impacto directo de la CONFIANZA en la ACTITUD sobre nuevas tecnologías es un resultado que, a pesar de no cumplir la hipótesis formulada, ya fue observado por otros autores (Warsame e Ireri, 2018; ) (Farah et al., 2018; Kasilingam, 2020).

También se ha observado que la CONFIANZA influye de forma significativamente positiva en la UP, lo que se alinea con los hallazgos de Han y Conti (2020) y Brachen et al. (2021). Asimismo, el impacto directo estadísticamente relevante de la CONFIANZA en la UP supone un impacto significativo indirecto de dicha CONFIANZA en la ACTITUD hacia los chatbots, lo que reconcilia nuestros resultados con los obtenidos en otros estudios sobre la aceptación de los chatbots por clientes (Kasilingam, 2020; Kuberkar y Singhal, 2020; Gansser y Reich, 2021; Joshi, 2021; Mostafa y Kasamani, 2022) (Joshi, 2021; Kasilingam, 2020), en contextos de Banca móvil (Bashir y Madhavaiah, 2015; ) (Sánchez-Torres et al., 2018) y porHuang et al. (2019) dentro del campo Insurtech.

La segunda pregunta de investigación indaga sobre las razones y argumentos que sustentan la actitud (favorable o desfavorable) hacia el uso de robots conversacionales en las relaciones entre los clientes y su compañía aseguradora. Se ha observado una reticencia generalizada, ya que las puntuaciones medias se han situado entre 2,05 (segundo ítem) y 2,88 (cuarto ítem). Estos resultados son coherentes con los reportados por Brachten et al. (2021), quienes encontraron una resistencia ampliamente extendida, así como con los hallazgos deRodríguez-Cardona et al. (2019) en Alemania yPromtep et al. (2021) en Canadá, quienes también informaron sobre una actitud negativa.

Las respuestas a las preguntas abiertas ponen de manifiesto que los profesionales indican más cuestiones desfavorables que positivas en la utilidad de los robots conversacionales. Se observa que hay diversas contestaciones que simplemente indican "ninguna" para las ventajas, pero en cambio, proporcionan razonamientos con un grado de detalle elevado para justificar los aspectos negativos. Curiosamente, no se ha recibido ninguna respuesta que indique "ninguna" para las desventajas. Las contestaciones a las cuestiones abiertas resultan sumamente valiosas en términos prácticos, ya que ofrecen argumentos concretos sobre cómo y cuándo fallan los robots conversacionales y qué problemas deben solucionarse (Vogelsang et al., 2013). Esta información detallada puede usarse mejorar la implementación y usabilidad de los chatbots, teniendo en cuenta las preocupaciones y necesidades específicas de los usuarios del sector asegurador.

En cuanto a la UP, la principal ventaja mostrada en las respuestas abiertas es que los problemas simples pueden resolverse más rápido que con la ayuda humana, lo cual está de acuerdo con DeAndrade y Tumelero (2022). No obstante, la implementación de chatbots es percibida como una medida que permite minimizar los gastos de la empresa, pero no como un valor añadido para los tomadores de seguros. Este hallazgo contradice los argumentos presentados porStoeckli et al. (2018) y Standaert y Muylle (2022) con respecto a las consecuencias positivas de la implementación de las Insurtech. Las respuestas a las preguntas abiertas señalan como una falla muy común el hecho de que los chatbots no permiten llevar a cabo interacciones con cierto nivel de complejidad (Rodríguez-Cardona et al., 2019), lo que afecta significativamente a su efectividad (Vassilakopoulou et al., 2023). Como resultado, la interacción inicial con el chatbot puede percibirse finalmente como una pérdida de tiempo, ya que, en última instancia, es un agente humano quien resuelve el requerimiento que inicialmente se dirigió al robot conversacional. El problema de la falta de empatía y la deshumanización, como se menciona en V Vassilakopoulou et al. (2023), así como la preocupación por la destrucción de puestos de trabajo, también han sido señalados repetidamente.

Las respuestas a las preguntas abiertas revelan la necesidad de mejorar la usabilidad de la tecnología evaluada. Existe una sensación muy extendida de que la interacción con los robots conversacionales es compleja debido a los problemas que surgen cuando pretenden expresarse matices o plantear requerimientos complejos. Estos hallazgos concuerdan con el hecho de que los chatbots no pueden captar sutilezas como los cambios en el tono de voz (Vassilakopoulou et al., 2023) y que debido a que a menudo se entrenan con conjuntos de datos conversacionales simples, las fallas en las interacciones son frecuentes (Xing et al., 2022). Además, varios encuestados expresan escepticismo debido a que la interacción con la compañía de seguros a través de chatbots les genera poca confianza.

Los resultados muestran que el desarrollo de chatbots para administrar pólizas existentes en temas como la comunicación de siniestros no está lo suficientemente maduro y, en consecuencia, actualmente existe una gran resistencia hacia su uso. Las respuestas muestran mayoritariamente una baja percepción de utilidad, niveles de usabilidad marginales y confianza limitada en esta tecnología. Así, los resultados coinciden con Xing et al. (2022), que destacan que, en muchos contextos, la tecnología robótica puede crear más problemas de los que resuelve, y conRodríguez-Cardona et al. (2019) que señalan que los chatbots no son apreciados ni por los profesionales ni por los clientes del mercado asegurador alemán. Por tanto, en la actualidad, su utilidad se circunscribe a su empleo por parte de la compañía como una herramienta de comunicación complementaria del ecosistema asegurador que pueda aportar valor al asegurado en situaciones singulares, pero no como principal canal de comunicación.

Conclusiones y futuras líneas de investigación

El presente trabajo ha llevado a cabo una aplicación empírica del conocido Modelo de Aceptación Tecnológica (Technology Acceptance Model, TAM) de Davis (1989), al que se ha incorporado el factor confianza, para explicar la percepción del sector hacia el uso de chatbots en la realización de trámites relacionados con las pólizas contratadas. El marco teórico basado en el modelo ha sido analizado desde dos enfoques: una prueba estadística del TAM mediante una encuesta estructurada y una evaluación cualitativa de las respuestas a preguntas abiertas, que requerían la exposición de ventajas e inconvenientes de los chatbots en la comunicación con la aseguradora. Los resultados estadísticos permiten concluir que el TAM se adapta adecuadamente a la muestra estudiada. Sin embargo, el análisis cualitativo revela que los encuestados perciben muchos más inconvenientes que ventajas en términos de utilidad percibida, facilidad de uso percibida y confianza generada por los chatbots.

La evaluación empírica desarrollada tiene varias limitaciones. Se ha llevado a cabo en un país concreto, España, y sobre una muestra de profesionales del mundo asegurador. El hecho de requerir la opinión de profesionales proporciona la ventaja de que su visión sobre el estado actual de la cuestión es amplia, tienen la perspectiva que les proporciona su práctica profesional y, a la vez son tomadores/asegurados de pólizas de seguro. No obstante, se trata de un colectivo bastante homogéneo respecto al nivel de ingresos, formación académica y edad, que son factores que pueden ser significativos para explicar la actitud hacia tecnologías novedosas. Así, las cuestiones reseñadas en este trabajo únicamente pueden extenderse a otros entornos cuya cultura sea cercana a la de la muestra utilizada (personas con un nivel educativo, nivel de ingresos, edad y profesión similares). Para obtener conclusiones más precisas sobre otros perfiles personales debería ampliarse la encuesta a otros colectivos/otros países.

El análisis de este artículo se basa en una encuesta transversal. Por lo tanto, no se pueden extender las conclusiones al largo plazo. Esta cuestión es muy relevante ya que las tecnologías provenientes de la Industria 4.0 se encuentran en continua evolución. Por supuesto, una visión integral de cómo los diferentes actores de la industria del seguro perciben el uso de robots conversacionales para la gestión de pólizas vigentes requiere futuras evaluaciones de los diferentes hitos alcanzados por el desarrollo de la tecnología de chatbots.

FINANCIACIÓN

Este trabajo se ha beneficiado del Proyecto de Investigación del Ministerio de Ciencia y Tecnología "Sostenibilidad, digitalización e innovación: nuevos retos en el derecho del seguro" (PID2020-117169GB-I00).

AGRADECIMIENTOS

Los autores agradecen los comentarios de un evaluador anónimo que han permitido mejorar la versión original.

REFERENCIAS BIBLIOGRÁFICAS