Anais
Resumo do trabalho
Marketing · Redes Sociais Mediadas, Ambientes e Dispositivos Digitais
Título
BANCOS DIGITAIS MÓVEIS E IA: Uma Revisão Sistemática
Palavras-chave
banco digital móvel
inteligência artificial
comportamento do consumidor
Agradecimento:
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.
Autores
-
Moacir Fontolan Jr.Escola Superior de Propaganda e Marketing (ESPM)
-
Luciana Florêncio de AlmeidaEscola Superior de Propaganda e Marketing (ESPM)
Resumo
Introdução
A digitalização dos serviços bancários tem sido acelerada pela incorporação de tecnologias baseadas em inteligência artificial (IA), transformando profundamente a jornada do consumidor. Nesse contexto, os bancos digitais móveis despontam como canal estratégico, combinando conveniência, personalização e autonomia. No entanto, sua adoção e uso contínuo ainda dependem de múltiplos fatores técnicos, emocionais, sociais e contextuais, o que exige maior aprofundamento teórico e empírico sobre os determinantes desse comportamento complexo.
Problema de Pesquisa e Objetivo
A difusão dos bancos digitais móveis com suporte de IA levanta questões sobre os fatores que influenciam sua aceitação e uso contínuo por clientes pessoa física. Embora haja avanços tecnológicos, ainda há lacunas na compreensão dos fatores que influenciam esse processo sob a ótica do consumidor que este estudo busca preencher por meio de uma revisão sistemática da literatura, adotando o modelo ADO para mapear antecedentes, decisões e resultados associados ao comportamento do consumidor nesse cenário digital e como a adoção da inteligência artificial impacta esses elementos.
Fundamentação Teórica
Este artigo baseia-se na metodologia PRISMA para conduzir uma revisão sistemática rigorosa, assegurando critérios claros de seleção e análise dos artigos. Como estrutura conceitual, adota-se o modelo ADO para analisar o comportamento do consumidor em relação ao uso do banco digital móvel com suporte de inteligência artificial. O modelo permite mapear, de forma sequencial e integrada, os principais fatores que influenciam a adoção, os mecanismos de decisão e os efeitos percebidos pelo usuário. Essa abordagem facilita a síntese crítica da literatura e amplia o entendimento do fenômeno.
Discussão
A literatura analisada revela que a adoção do mobile banking com IA é influenciada por fatores tecnológicos, emocionais, contextuais e sociais. Confiança, utilidade percebida, experiência do usuário e inclusão digital emergem como antecedentes centrais. As decisões de uso são moldadas por valor percebido, riscos e preferências por interação humana. Os resultados incluem melhora na experiência, lealdade e autonomia, mas também apontam barreiras como ansiedade tecnológica e desconforto com o antropomorfismo da IA.
Conclusão
A revisão sistemática demonstrou que a adoção do mobile banking com IA depende da combinação entre confiança, usabilidade, personalização e inclusão digital. O modelo ADO permitiu estruturar os fatores que influenciam decisões de uso e seus desdobramentos. Apesar dos avanços, desafios persistem, como riscos percebidos e barreiras emocionais. Estratégias centradas no usuário, com foco em confiança e acessibilidade, são essenciais para ampliar a aceitação sustentável dessas tecnologias.
Contribuição / Impacto
O estudo contribui ao integrar o modelo ADO à literatura sobre mobile banking com IA, oferecendo uma visão estruturada e centrada no consumidor. A análise sistemática amplia a compreensão teórica sobre o comportamento de adoção tecnológica em serviços financeiros e orienta gestores quanto às variáveis críticas para promover inclusão, confiança e uso contínuo. Também destaca caminhos futuros para pesquisas mais contextuais, éticas e centradas no design inclusivo.
Referências Bibliográficas
Bhatia, S. et al. (2021). Gigante, M., & Zago, M. (2023). Kim, J., & Song, J. (2024). Lin, C., & Lee, J. (2024). Mfumbilwa, D. et al. (2024). Nguyen, T., & Le, H. (2025). Rahman, M. et al. (2023). Roozen, M. et al. (2025). Salem, A., & Rassouli, A. (2025). Sheth, J. et al. (2022). Wang, Y. et al. (2021). Zungu, T. et al. (2025).