Delegating the Purchase: Consumer Trust and Adoption of Agentic AI Shopping Assistants

Abeer Farag Alnayer

doi:10.65419/albahit.v5i2.146

المؤلفون

عبير فرج الناير المعهد العالي للعلوم والتقنية ترهونة، ليبيا. المؤلف

DOI:

https://doi.org/10.65419/albahit.v5i2.146

الكلمات المفتاحية:

لذكاء الاصطناعي الوكيلي، مساعد التسوق بالذكاء الاصطناعي، الوكلاء المستقلون، تبنّي التكنولوجيا، نموذج UTAUT2، الثقة في الذكاء الاصطناعي، مخاوف الخصوصية، تفويض الشراء، نمذجة المعادلات الهيكلية بالمربعات الصغرى الجزئية (PLS-SEM).

الملخص

أصبحت مساعدات التسوق الذاتية القائمة على «الذكاء الاصطناعي الوكيلي»—وهي أنظمة قادرة على البحث واتخاذ القرار وتنفيذ عمليات الشراء نيابةً عن المستهلك—تنتقل تدريجياً من مرحلة التصور النظري إلى مرحلة التطبيق الفعلي. ومع ذلك، لا تزال العوامل التي تدفع المستهلكين إلى تبنّي هذه الأنظمة غير مستكشفة بصورة كافية. فقد ركزت بحوث تبنّي التكنولوجيا الحالية بصورة أساسية على أنظمة التوصية وروبوتات المحادثة، بدلاً من التركيز على أنظمة الذكاء الاصطناعي التي تنفّذ عمليات الشراء بشكل مستقل، كما نادراً ما تناولت آلية الثقة المرتبطة تحديداً بتفويض القرارات إلى وكيل ذكي مستقل.

استناداً إلى نموذج موسّع للنظرية الموحدة لقبول واستخدام التكنولوجيا بصيغتها الثانية (UTAUT2)، ومدعّماً بمجموعة من المحددات المرتبطة بخصائص الوكيل الذكي، تقترح هذه الدراسة نموذجاً يوضح كيفية تأثير كل من توقع الأداء، وتوقع الجهد، والتأثير الاجتماعي، والدافع المتعلق بالمتعة، إلى جانب الكفاءة المدركة للوكيل، ومخاطر الاستقلالية المدركة، ومخاوف الخصوصية، في مستوى الثقة بالوكيل القائم على الذكاء الاصطناعي، ومن ثم في نية تبنّيه.

اعتمدت الدراسة على استبانة شملت 412 مستهلكاً من مستخدمي التسوق عبر الإنترنت، وتم تحليل البيانات باستخدام نمذجة المعادلات الهيكلية بالمربعات الصغرى الجزئية (PLS-SEM). وقد فسّر النموذج 48% من التباين في نية التبنّي و38% من التباين في الثقة. وأظهرت النتائج أن الكفاءة المدركة للوكيل تمثل أقوى محدد للثقة به (β = 0.49)، في حين أسهمت كل من مخاوف الخصوصية ومخاطر الاستقلالية المدركة في تقليل مستوى الثقة بصورة دالة إحصائياً. كما تبين أن الثقة تُعد عاملاً رئيسياً في تعزيز نية التبنّي (β = 0.33)، وأنها تؤدي دوراً وسيطاً جزئياً في العلاقة بين كفاءة الوكيل ومخاوف الخصوصية من جهة، ونية التبنّي من جهة أخرى.

وقد استوفت جميع مقاييس الدراسة معايير الصدق والثبات المطلوبة؛ إذ تجاوزت تشبعات العوامل 0.80، وتراوحت قيم الثبات المركب بين 0.89 و0.93، وتراوحت قيم متوسط التباين المستخرج بين 0.68 و0.78، في حين كانت جميع قيم نسبة السمات غير المتجانسة إلى السمات المتجانسة (HTMT) أقل من 0.85.

وتقدم نتائج الدراسة للمسوّقين خريطة طريق تتمحور حول بناء الثقة عند تصميم ونشر وكلاء الذكاء الاصطناعي القادرين على تنفيذ عمليات الشراء بصورة مستقلة.

المراجع

1. Abdullah, M. F., Ibrahim, M. A., Bahtar, A. Z., & Khan, N. R. M. (2024). Conceptualizing the implications of artificial intelligence (AI) tools and personalization marketing on consumer purchase intention: Insights from the Malaysian e-commerce market. Information Management and Business Review, 16(3), 430-436.

2. Bimaruci, H., Hudaya, A., & Ali, H. (2020). Model of consumer trust on travel agent online: analysis of perceived usefulness and security on re-purchase interests (case study tiket. com). Dinasti International Journal of Economics, Finance & Accounting, 1(1), 110-124.

3. Chauhan, V., Yadav, R., & Choudhary, V. (2019). Analyzing the impact of consumer innovativeness and perceived risk in internet banking adoption: A study of Indian consumers. International Journal of Bank Marketing, 37(1), 323-339.

4. De Bellis, E., & Johar, G. V. (2020). Autonomous shopping systems: Identifying and overcoming barriers to consumer adoption. Journal of Retailing, 96(1), 74-87.

5. Dhiman, N., Arora, N., Dogra, N., & Gupta, A. (2020). Consumer adoption of smartphone fitness apps: an extended UTAUT2 perspective. Journal of Indian Business Research, 12(3), 363-388.

6. Frank, D. A., Jacobsen, L. F., Søndergaard, H. A., & Otterbring, T. (2023). In companies we trust: consumer adoption of artificial intelligence services and the role of trust in companies and AI autonomy. Information Technology & People, 36(8), 155-173.

7. Hou, Y. T. Y., & Jung, M. F. (2021). Who is the expert? Reconciling algorithm aversion and algorithm appreciation in AI-supported decision making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW2), 1-25.

8. Alsharo, M., Alnsour, Y., Tarhini, A., & Eleimat, D. A. (2026). The prevalence of mobile wallets in developing countries: a retailers’ perspective. Review of International Business and Strategy, 36(1), 174-199.

9. Leffrang, D., Bösch, K., & Müller, O. (2023). Do people recover from algorithm aversion? An experimental study of algorithm aversion over time.

10. Luo, L. (2024). The impact of artificial intelligence and consumer behavior interaction on corporate brand management and marketing strategies. Applied Mathematics and Nonlinear Sciences, 9(1), 1-17.

11. Ma, L. (2021). Understanding non-adopters’ intention to use internet pharmacy: Revisiting the roles of trustworthiness, perceived risk and consumer traits. Journal of Engineering and Technology Management, 59, 101613.

12. Mustafa, S., Zhang, W., Anwar, S., Jamil, K., & Rana, S. (2022). An integrated model of UTAUT2 to understand consumers' 5G technology acceptance using SEM-ANN approach. Scientific Reports, 12(1), 20056.

13. O’Higgins, B., & Fatorachian, H. (2025). Consumer trust in artificial intelligence in the UK and Ireland’s personal care and cosmetics sector. Cogent Business & Management, 12(1), 2469765.

14. Penney, E. K., Agyei, J., Boadi, E. K., Abrokwah, E., & Ofori-Boafo, R. (2021). Understanding factors that influence consumer intention to use mobile money services: An application of UTAUT2 with perceived risk and trust. Sage Open, 11(3), 21582440211023188.

15. Sritong, C., Sawangproh, W., & Teangsompong, T. (2024). Unveiling the adoption of metaverse technology in Bangkok metropolitan areas: a UTAUT2 perspective with social media marketing and consumer engagement. PLoS One, 19(6), e0304496.

16. Toukabri, M., & Boutaleb, B. (2025). Assessing factors impacting electric vehicle adoption in Saudi Arabia: Insights on willingness to pay, environmental awareness, and perceived risk. Engineering, Technology & Applied Science Research, 15(1), 19729-19736.

17. Chen, J., Shi, J., Gan, L., Zhang, J., Zhang, Q., Zhang, D., ... & Yinghui, X. (2025, July). AI2Agent: An End-to-End Framework for Deploying AI Projects as Autonomous Agents. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 3: System Demonstrations) (pp. 535-541).

18. Yu, A., Lebedev, E., Everett, L., Chen, X., & Chen, T. (2025). Autonomous Deep Agent. arXiv preprint arXiv:2502.07056.

19. Yang, Y., Chai, H., Shao, S., Song, Y., Qi, S., Rui, R., & Zhang, W. (2026). Agentnet: Decentralized evolutionary coordination for llm-based multi-agent systems. Advances in Neural Information Processing Systems, 38, 107309-107336.

20. Sharma, R., de Vos, M., Chari, P., Raskar, R., & Kermarrec, A. M. (2025). Collaborative agentic AI needs interoperability across ecosystems. arXiv preprint arXiv:2505.21550.

21. Zhang, Y., Lin, C., Tang, S., Chen, H., Zhou, S., Ma, Y., & Tresp, V. (2025, November). Swarmagentic: Towards fully automated agentic system generation via swarm intelligence. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 1778-1818).

22. Derouiche, H., Brahmi, Z., & Mazeni, H. (2025). Agentic ai frameworks: Architectures, protocols, and design challenges. arXiv preprint arXiv:2508.10146.

23. Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A. (2026, April). What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications of Agentic E-Commerce. In Proceedings of the ACM Web Conference 2026 (pp. 8697-8700).

24. Jin, X., & Li, J. (2025). The Influence of ‘Algorithm Aversion’and ‘Algorithm Appreciation’Among Consumers in Unstructured Tasks. International Journal of Consumer Studies, 49(6), e70133.

25. Abu-Dalbouh, H. M., Freihat, M. M., Jawarneh, R. I., Elhadi, O. A. M., Elimam, M. I., Abalkhail, L. S. A., ... & Alateyah, S. A. (2026). Improving Decision-Making Processes in Retail Through Artificial Intelligence for Advanced Management Information Systems: A Study on Consumer Behavior in Qassim. International Journal of Advanced Computer Science & Applications, 17(3), 235.

26. Wang, S., Wang, J., Li, J., Wang, J., & Liang, L. (2018). Policy implications for promoting the adoption of electric vehicles: do consumer’s knowledge, perceived risk and financial incentive policy matter?. Transportation Research Part A: Policy and Practice, 117, 58-69.

27. Zhao, Z. (2024). The interaction of consumer behavior and artificial intelligence technologies: New trends in marketing. Frontiers in Business, Economics and

28. Khairia A H Sehib, Husniyah Abdullah Mohammed, & Salha Muftah Abdulqader Ahwaiti. (2025). An Economic Study of the Consumption Expenditure Function on White Meat (A Case Study of Al-Bayda Municipality). Journal of Libyan Academy Bani Walid, 1(4), 177–184. https://doi.org/10.61952/jlabw.v1i4.345

29. Faida Ahmed Salem Saeed. (2026). The effectiveness of monetary policy in containing inflation in light of digital transformation: A comparative analytical study between Libya, Algeria, and the UAE during the period (2020-2025). Journal of Libyan Academy Bani Walid, 2(1), 378–394. https://doi.org/10.61952/jlabw.v2i1.481

30. Ghada Moftah Soufeljin, & Hudaa Ali Farhoud. (2025). The Impact of Clothing Care Labels on Purchase Behavior Among Women in Libya: A Case Study. Journal of Libyan Academy Bani Walid, 1(3), 403–416. https://doi.org/10.61952/jlabw.v1i3.238