Efectos del uso de la inteligencia artificial en la
experiencia usuario: una revisión sistemática de la
literatura
Effects of the use of artificial intelligence on user experience: a systematic
review of the literature
Recibido: 03/09/2025 - Aceptado: 02/12/2025
Daniel Benjamín Quispe Montes
https://orcid.org/0009-0004-9373-7091
N00285917@upn.pe
Universidad Privada del Norte. Lima, Perú
Heleny Soley Terán Plasencia
https://orcid.org/0000-0003-4637-1061
heleny.teran@upn.edu.pe
Universidad Privada del Norte. Lima, Perú
Guillermo Juniors Morales Benavides
https://orcid.org/0000-0003-3969-4882
juniors.morales@upn.edu.pe
Universidad Privada del Norte. Lima, Perú
Resumen
El presente estudio tuvo como objetivo identificar y evaluar los efectos del uso de la inteligencia artificial (IA) en
la experiencia del usuario (UX) mediante una revisión sistemática de la literatura publicada entre 2020 y 2025.
Para ello, se desarrolló una investigación de enfoque cualitativo, con un alcance descriptivo y exploratorio,
siguiendo las directrices PRISMA 2020. La búsqueda se efectuó en las bases de datos SCOPUS, ProQuest,
EBSCO y Web of Science, de las cuales se identificaron 113 artículos, seleccionándose finalmente 22 estudios
que cumplían con los criterios metodológicos y temáticos establecidos. Los resultados evidencian que la IA ha
transformado significativamente la UX en los ámbitos empresarial, educativo, sanitario y de diseño digital. Entre
los efectos positivos destacan la personalización avanzada, la eficiencia operativa y la mejora en la interacción
humano–sistema. No obstante, también emergen desafíos relevantes, como la opacidad algorítmica, los sesgos,
la pérdida de autonomía y las preocupaciones éticas vinculadas con la privacidad y la transparencia. De forma
transversal, las investigaciones coinciden en la necesidad de orientar el desarrollo de la IA hacia un enfoque
centrado en el ser humano, basado en la confianza y la explicabilidad. El estudio concluye resaltando la urgencia
de fortalecer la alfabetización digital, la gobernanza ética y las metodologías de evaluación de la UX ante el
avance de sistemas autónomos y generativos.
Palabras clave: inteligencia artificial, usuario de información, ética.
Abstract
The objective of this study was to identify and evaluate the effects of the use of artificial intelligence (AI) on user
experience (UX) through a systematic review of the literature published between 2020 and 2025. To this end, a
qualitative research study was conducted with a descriptive and exploratory scope, following the PRISMA 2020
guidelines. The search was carried out in the SCOPUS, ProQuest, EBSCO, and Web of Science databases, from
which 113 articles were identified, and 22 studies that met the established methodological and thematic criteria
were finally selected. The results show that AI has significantly transformed UX in the business, education,
healthcare, and digital design fields. Among the positive effects are advanced personalization, operational
efficiency, and improved human-system interaction. However, significant challenges also emerge, such as
algorithmic opacity, biases, loss of autonomy, and ethical concerns related to privacy and transparency. Across
the board, the research agrees on the need to guide AI development toward a human-centered approach based
on trust and explainability. The study concludes by highlighting the urgency of strengthening digital literacy, ethical
governance, and UX evaluation methodologies in the face of advances in autonomous and generative systems.
2
Keywords: artificial intelligence, information user, ethics.
Introducción
El punto de partida de este artículo se centra en la convergencia dinámica e ineludible entre la inteligencia
artificial (IA) y la experiencia del usuario (UX), un binomio que define la era actual de la transformación digital.
La IA ya no se limita a ser una herramienta de optimización de procesos; de hecho, las proyecciones
indican que el valor empresarial se orienta hacia una migración significativa impulsada por el crecimiento
generado por la IA (Accenture, 2024). Esta perspectiva económica ha desatado una carrera por la adopción
tecnológica, donde la calidad de la experiencia del usuario emerge como el principal diferenciador competitivo.
La capacidad de la IA para potenciar la personalización es innegable. Al procesar ingentes cantidades de
big data, esta tecnología ofrece servicios adaptados que influyen directamente en la intención de compra y
fortalecen la fidelización del cliente (Yun et al., 2024). Asimismo, los sistemas autónomos —cuya presencia en
los resultados de negocio se proyecta como clave para 2029 (Bradford, 2024)— evidencian un cambio
fundamental en la forma en que se diseñan los productos y servicios.
No obstante, esta sofisticación técnica da origen a un problema de investigación crucial: la ganancia en
funcionalidad se ve contrapesada por una creciente atención ética y emocional del usuario. La misma profundidad
de personalización que se busca introduce serias preocupaciones sobre la privacidad, el sesgo algorítmico y la
falta de transparencia en la toma de decisiones. Este dilema entre lo funcional y lo moral ha sido una preocupación
central en las directrices éticas globales (Jobin et al., 2019), y es lo que impulsa la necesidad de una revisión
sistemática.
El marco teórico se fundamenta en los principios de la interacción humano–computadora, con énfasis
particular en la inteligencia artificial centrada en el humano (HCAI). La esencia del HCAI es clara: la IA debe ser
concebida como una herramienta que aumente y complemente las capacidades humanas, no que las sustituya,
lo que exige que los sistemas sean confiables y seguros (Shneiderman, 2020).
En este marco, el análisis se articula alrededor de componentes fundamentales. En primer lugar, existe
una preocupación palpable en la literatura de que las prioridades técnicas de los desarrolladores puedan eclipsar
las necesidades y la experiencia real del usuario, generando un vacío respecto a la pregunta: ¿dónde está el
humano en la IA? (Bingley et al., 2023). En segundo lugar, la confianza constituye la variable crítica que determina
la adopción y aceptación, y por ello debe ser un componente explícito del diseño de la IA (Shneiderman, 2020).
Finalmente, en cuanto a la medición de la experiencia, se requieren métodos robustos que trasciendan la simple
usabilidad. El desarrollo de escalas estandarizadas, como el modelo CASUX para agentes conversacionales,
subraya la necesidad de medir la UX de la IA de forma sistemática y rigurosa (Faruk et al., 2025).
El trabajo se justifica teóricamente en la necesidad de sintetizar el conocimiento fragmentado existente.
Aunque los beneficios de la IA en términos de eficiencia y fidelización están documentados (Yun et al., 2024), la
literatura se encuentra dispersa. Los estudios existentes, si bien valiosos, no ofrecen una visión unificada de los
efectos multidimensionales —positivos, negativos y éticos— que la IA está generando en la UX en diversos
dominios.
La relevancia de esta investigación radica, desde el punto de vista académico, en proporcionar una
síntesis sistemática, evaluativa y actualizada (2020–2025) que consolide los hallazgos dispersos y ofrezca una
base sólida para futuras investigaciones. Desde una perspectiva metodológica, el estudio señala las brechas
existentes en la evaluación de la experiencia del usuario en sistemas autónomos (Bingley et al., 2023; Faruk et
al., 2025). Finalmente, para los profesionales, el estudio destaca áreas críticas, especialmente la necesidad de
adherirse a principios éticos y de confianza (Jobin et al., 2019) para garantizar que la inversión en IA se traduzca
en una ventaja competitiva sostenible.
Considerando el contexto de la rápida evolución de la IA y la necesidad de una comprensión integral de
sus efectos en la experiencia del usuario, el presente estudio tuvo como objetivo identificar y evaluar los efectos
del uso de la inteligencia artificial en la experiencia del usuario a partir de una revisión sistemática de la literatura
publicada entre 2020 y 2025.
Por lo antes expuesto, la pregunta de investigación que guía este trabajo es: ¿cuáles son los efectos del
uso de la inteligencia artificial en la experiencia del usuario entre 2020 y 2025?
Metodología
El presente estudio adopta un enfoque cualitativo, con un tipo de investigación descriptivo y exploratorio,
sustentado en los principios de la revisión sistemática de la literatura científica. Este tipo de investigación
secundaria permite identificar, analizar y sintetizar el conocimiento existente sobre un fenómeno de interés,
3
aportando una visión integral del estado actual de la evidencia (Pardal-Refoyo & Pardal-Peláez, 2020). El diseño
metodológico corresponde a una revisión sistemática, entendida como un proceso estructurado y reproducible
que recopila la evidencia disponible en torno a una pregunta de investigación específica. Su propósito es ofrecer
una síntesis clara y transparente de los hallazgos más relevantes sobre los efectos del uso de la inteligencia
artificial en la experiencia del usuario.
Como señalan Villasís-Keever et al. (2020), este tipo de revisiones contribuye a consolidar el conocimiento
existente, identificando vacíos y tendencias para futuras investigaciones. El carácter exploratorio y descriptivo se
justifica porque el estudio busca reconocer patrones, enfoques y vacíos en la literatura reciente, sin realizar
inferencias estadísticas. Esta aproximación resulta adecuada cuando los estudios primarios son heterogéneos y
el análisis se centra en la síntesis cualitativa (Quintero & Vizcaíno, 2023).
Fuentes de información
La búsqueda bibliográfica se llevó a cabo en cuatro bases de datos académicas de alto impacto:
SCOPUS, ProQuest, EBSCO y Web of Science (WoS), reconocidas por su calidad en la indexación de
investigaciones científicas. Según Quispe et al. (2021), la credibilidad de una revisión sistemática depende de la
exhaustividad y la claridad de los criterios empleados durante la búsqueda.
Se utilizaron combinaciones de palabras clave relacionadas con “Artificial Intelligence”, “User Experience”,
“Machine Learning” y “Digital Strategies”. La búsqueda de información se efectuó durante el segundo trimestre
del 2025, garantizando la actualidad y pertinencia de los estudios seleccionados.
En total, se identificaron 113 artículos en las bases de datos consultadas. Luego de eliminar 13 registros
duplicados, se conservaron 100 artículos únicos para la revisión inicial de títulos y resúmenes. Durante esta etapa
de cribado, 48 artículos fueron excluidos por no estar directamente relacionados con la temática de inteligencia
artificial y experiencia del usuario o por falta de rigor metodológico. Posteriormente, 52 artículos fueron evaluados
en texto completo, de los cuales 30 fueron descartados por no cumplir con los criterios de inclusión o por presentar
información incompleta. Finalmente, la muestra quedó conformada por 22 artículos científicos, que constituyen la
base de la síntesis cualitativa de la presente revisión.
Tabla 1
Listado de los 22 estudios incluidos
Cod.
Autor – Año
Título abreviado
Metodología resumida
E1
Al-Ansari et al. (2024)
XAI centrado en usuario
Mixta – Síntesis MM
E2
Bach et al. (2022)
Confianza del usuario en IA
Cualitativa – PRISMA
E3
Bandi et al. (2023)
IA generativa – revisión
Cualitativa – Revisión
E4
Daly et al. (2025)
Confianza y adopción de IA
Mixta – Narrativas
E5
Guerrero et al. (2024)
IA y decisiones financieras
Mixta – Financiera +
Entrevistas
E6
Kuric et al. (2025)
IA y detección de usabilidad
Cualitativa/Mixta – Inductiva
E7
López-Regalado et al. (2024)
IA en educación universitaria
Mixta – RS + Bibliométrica
E8
Lu et al. (2024)
IA para UX (HCAI)
Cualitativa – RS
E9
Mokoena & Obagbuwa (2025)
IA en streaming digital
Cualitativa – Revisión
4
E10
Padilla (2024)
IA en servicios bancarios
Cuantitativa – Bibliométrica
E11
Rezwana & Maher (2022)
Percepción usuario en IA
Mixta – Within-subject
E12
Romaní et al. (2025)
Experiencia afectiva con IA
Cualitativa – RS narrativa
E13
Stige et al. (2024)
IA y UX (revisión sistemática)
Cualitativa – RS
E14
Torres & Díaz (2020)
IA en modelos de negocios
Cualitativa – Exploratoria
E15
Valencia-Londoño et al. (2025)
IA en educación inclusiva
Mixta – Pruebas + Temático
E16
Van den Berg (2025)
IA en educación a distancia
Cualitativa – Temático
E17
Vera & Pico (2024)
IA en gestión administrativa
Cuantitativa – Descriptiva
E18
Virvou (2023)
IA y UX en reciprocidad
Cualitativa – Estado del arte
E19
Wah (2025)
Chatbots IA en e-health
Mixta – RS + Análisis temático
E20
Yang et al. (2020)
UX con apoyo de IA
Cuantitativa – Experimental
E21
Zein (2024)
IA para recomendaciones e-
commerce
Cualitativa – Literatura
E22
Zúñiga et al. (2023)
IA en comunicaciones/marketing
Cualitativa – Revisión
Fuente: Elaboración propia.
Criterios de inclusión y exclusión
Los criterios de inclusión considerados fueron: publicaciones entre los años 2020 y 2025, artículos
científicos y revisiones sistemáticas vinculadas al uso de la inteligencia artificial y la experiencia del usuario,
estudios en idioma inglés o español desarrollados en Europa, América o Asia, y de acceso abierto o con
disponibilidad de texto completo. Los criterios de exclusión tomados en cuenta fueron: artículos duplicados, tesis,
informes técnicos, documentos sin revisión por pares o con deficiencias metodológicas. El proceso de selección
se basó en las directrices PRISMA 2020, permitiendo documentar las fases de identificación, cribado, elegibilidad
e inclusión final.
5
Figura 1
Diagrama Prisma del proceso de revisión sistemática
Nota. PRISMA Flow Diagram of the Systematic Review Process.
Procedimiento de análisis y síntesis
Los artículos seleccionados fueron organizados en una matriz de extracción elaborada en Microsoft Excel,
donde se registraron datos como autor, año, país, enfoque metodológico, hallazgos y conclusiones. Esta
herramienta permitió la comparación sistemática y la categorización de los principales temas emergentes. El
análisis siguió los lineamientos del modelo SUMARI-JBI (Johanna Briggs Institute), orientado a garantizar el rigor
y la consistencia de la interpretación cualitativa.
De acuerdo con Quispe et al. (2021), la extracción y el análisis de datos realizados por pares contribuyen
a reducir sesgos y aumentar la confiabilidad. La síntesis cualitativa se realizó de forma descriptiva, identificando
Registros identificados
mediante búsqueda en bases
de datos (n = 113)
Scopus (n = 35)
ProQuest (n = 28)
EBSCO (n = 25)
Web of Science (n = 25)
Registros después de eliminar
duplicados (n = 100)
Registros seleccionados
para revisión (n = 100)
Registros excluidos (n = 48)
- No relacionados con inteligencia artificial o
experiencia de usuario (n = 35)
- Falta de rigor metodológico o no disponibles en
texto completo (n = 13)
Artículos de texto
completo evaluados para
elegibilidad (n = 52)
Artículos de texto completo excluidos (n = 30)
- No cumplen criterios de inclusión u objetivos del
estudio (n = 18)
- Calidad metodológica insuficiente o datos
incompletos (n = 12)
Estudios incluidos en la
síntesis cualitativa
(n = 22)
6
patrones, coincidencias y discrepancias entre los estudios. Como destacan Quintero y Vizcaíno (2023), esta
metodología permite integrar evidencia heterogénea y ofrecer una comprensión global del fenómeno investigado.
Consideraciones éticas y limitaciones
Al ser una revisión sistemática de literatura, se adhirió a principios de transparencia, rigor y
reproducibilidad, tal como recomiendan Pardal-Refoyo y Pardal-Peláez (2020). Entre las limitaciones del estudio,
se reconoce que la calidad de los resultados depende directamente de la solidez metodológica de los estudios
primarios incluidos. Además, la diversidad de contextos y enfoques podría afectar la generalización de los
hallazgos. Aun así, esta revisión aporta una visión integradora y actual sobre los efectos del uso de la inteligencia
artificial en la experiencia del usuario.
Resultados y discusión
Los hallazgos de la revisión sistemática evidencian que la inteligencia artificial ha transformado de manera
sustancial la experiencia del usuario en diversos contextos, consolidándose como un eje transversal en los
campos empresarial, educativo, tecnológico y de salud. En el ámbito corporativo, la IA se perfila como un motor
de eficiencia y personalización. Torres y Díaz-Torres (2020) señalan que la aplicación de la IA en los modelos de
negocios digitales mejora la relación con los clientes mediante sistemas de recomendación y predicción. De modo
complementario, Vera y Pico (2024) destacan su papel en la automatización administrativa y la toma de decisiones
estratégicas, mientras que Guerrero et al. (2024) evidencian incrementos en la agilidad operativa y la precisión
financiera. Estos resultados se alinean con lo propuesto por Zein (2024), Mokoena y Obagbuwa (2025) y Virvou
(2023), quienes resaltan que la personalización inteligente basada en IA incrementa la satisfacción, fortalece la
fidelización del usuario y consolida la ventaja competitiva en entornos digitales.
Desde el diseño y la interacción humano–computadora, Stige et al. (2024) y Rezwana y Maher (2022)
muestran que la IA potencia la creatividad del diseñador y mejora la eficiencia en la generación de prototipos,
aunque la automatización total genera resistencia por la percepción de pérdida de control. En esta misma línea,
Lu et al. (2024) sostienen que la IA debe complementar, y no reemplazar, la experiencia humana, priorizando la
colaboración humano–IA, mientras que Al-Ansari et al. (2024) proponen un marco de seis pilares para fortalecer
la confianza y la transparencia en los sistemas explicables.
En el campo educativo, la evidencia es convergente. López-Regalado et al. (2024) documentan que la IA
personaliza el aprendizaje y mejora la satisfacción del estudiante mediante chatbots y robots educativos, mientras
que Romaní et al. (2025) afirman que la IA generativa promueve la autonomía, el pensamiento crítico y la inclusión
digital. De forma complementaria, Valencia-Londoño et al. (2025) destacan la alfabetización digital en adultos
mayores mediante plataformas adaptativas, y Van den Berg (2025) resalta el impacto positivo en la enseñanza a
distancia, aunque advierte sobre la necesidad de fortalecer la autoeficacia docente.
En el sector salud, Wah (2025) identifica que los chatbots híbridos aumentan la confianza y la adherencia
de los pacientes, reforzando la dimensión emocional de la UX sanitaria. Estos resultados se enlazan con lo
planteado por Daly et al. (2025), quienes subrayan que la confianza en la IA depende del contexto de uso,
particularmente en áreas sensibles como la medicina y las industrias creativas.
Respecto a la comunicación y el marketing, Zúñiga et al. (2023) y Padilla (2024) muestran que la IA
impulsa experiencias del cliente altamente personalizadas, potenciando la interacción en canales digitales y en
servicios bancarios. Kuric et al. (2025) complementan esta tendencia señalando un viraje hacia la detección
automatizada de problemas de usabilidad mediante aprendizaje profundo, mientras que Mokoena y Obagbuwa
(2024) evidencian el papel de la IA en la personalización de contenidos en plataformas de música digital,
equilibrando eficacia y ética. Zein (2024) coincide en que las recomendaciones inteligentes son clave para la
fidelización en el comercio electrónico.
No obstante, los resultados también revelan desafíos éticos y técnicos. Virvou (2023) y Bach et al. (2022)
advierten que la “caja negra” algorítmica limita la transparencia y la confianza del usuario. Vera y Pico (2024) y
Guerrero et al. (2024) destacan la urgencia de abordar la privacidad y la seguridad de los datos, mientras que
Stige et al. (2024) alertan sobre la pérdida de autonomía en el diseño automatizado. Romaní et al. (2025) y Van
den Berg (2025) refieren preocupaciones sobre la integridad académica frente al uso masivo de IA generativa, un
riesgo que Daly et al. (2025) vinculan con la falta de mecanismos de rendición de cuentas en contextos
organizacionales.
De manera transversal, la literatura coincide en que el desarrollo de la inteligencia artificial debe orientarse
hacia un enfoque centrado en el ser humano, sustentado en principios de transparencia, ética y explicabilidad (Al-
Ansari et al., 2024; Rezwana & Maher, 2022).
7
En este marco, los estudios revisados revelan tres dimensiones complementarias de impacto: por un lado,
los efectos positivos que resaltan la capacidad de la IA para potenciar la personalización, la eficiencia y la calidad
de la interacción; en contraste, los efectos negativos evidencian desafíos relacionados con la opacidad
algorítmica, los sesgos y la pérdida de control humano; y, finalmente, una dimensión evolutiva, donde se observa
una transición gradual desde los enfoques puramente técnicos de automatización hacia modelos colaborativos,
explicables e inclusivos.
En cuanto a la tendencia temporal, los estudios entre 2020 y 2025 (Bach et al., 2022; Bandi et al., 2023;
Kuric et al., 2025; Stige et al., 2024; Torres & Díaz-Torres, 2020; Yang et al., 2020) evidencian un desplazamiento
progresivo: de la IA como herramienta funcional a la IA como aliado cognitivo y creativo. Se observa también un
auge de la IA generativa, los modelos de lenguaje extensos y las metodologías mixtas aplicadas a la experiencia
del usuario. Así, la presente revisión aporta una visión integradora de 22 estudios, destacando la IA como un
agente dual: potenciador de experiencias y detonante de nuevos retos éticos, metodológicos y humanos.
Conclusiones
El análisis realizado permite afirmar que la inteligencia artificial se ha consolidado como un catalizador de
innovación en la experiencia del usuario, modificando no solo la forma en que las personas interactúan con los
sistemas digitales, sino también la manera en que se diseñan y evalúan dichas experiencias. La evidencia
revisada demuestra que la IA contribuye significativamente a la personalización, la eficiencia y la capacidad
predictiva de los servicios, aunque simultáneamente plantea dilemas éticos y epistemológicos que no pueden ser
ignorados.
En el ámbito empresarial, la IA redefine la gestión, optimiza la toma de decisiones y fortalece la relación
con el cliente. En la educación, amplía las posibilidades de inclusión y aprendizaje adaptativo, consolidándose
como un recurso clave para el desarrollo cognitivo y emocional. En el diseño y la interacción humano–
computadora, la colaboración entre humanos y algoritmos emerge como el modelo más prometedor, basado en
la explicabilidad y la confianza. En conjunto, estos avances confirman que la IA no sustituye al ser humano, sino
que lo amplifica.
No obstante, las investigaciones también revelan tensiones persistentes entre funcionalidad y ética, así
como entre eficiencia técnica y bienestar humano. Los desafíos relativos a la transparencia, la privacidad de los
datos y la integridad académica requieren una gobernanza ética y políticas de control más robustas. La formación
en alfabetización digital y en ética de la IA se presenta como una condición necesaria para una implementación
responsable.
En cuanto a las perspectivas futuras, es imperativo continuar con investigaciones interdisciplinarias que
profundicen en cómo la IA influye en la percepción, la emoción y la toma de decisiones de los usuarios,
especialmente en contextos latinoamericanos donde la evidencia aún es limitada. Aunque la IA ofrece
oportunidades para una UX más humana y sostenible, persisten vacíos que deben abordarse: el impacto de la
automatización cognitiva en decisiones críticas, el equilibrio entre explicabilidad y rendimiento técnico, y la
mitigación de sesgos algorítmicos. También se requieren estudios longitudinales que evalúen los efectos en la
autonomía, la confianza y el bienestar digital, abriendo así una agenda de investigación para futuros estudios.
Referencias
Accenture. (2024). Going for growth: Navigating the great value migration in the age of AI. Accenture Research.
https://www.accenture.com/content/dam/accenture/final/accenture-com/document-3/Accenture-Going-
for-Growth.pdf
Al-Ansari, N., Al-Thani, D., & Al-Mansoori, R. S. (2024). User-centered evaluation of explainable artificial
intelligence (XAI): A systematic literature review. Human Behavior and Emerging Technologies, 2024.
https://doi.org/10.1155/2024/4628855
Bach, T. A., Khan, A., Hallock, H., Beltrão, G., & Sousa, S. (2022). A systematic literature review of user trust in
AI-enabled systems: An HCI perspective. International Journal of Human–Computer Interaction, 40(5),
1251–1266. https://doi.org/10.1080/10447318.2022.2138826
Bandi, A., Adapa, P. V. S. R., & Kuchi, Y. E. V. P. K. (2023). The power of generative AI: A review of requirements,
models, input–output formats, evaluation metrics, and challenges. Future Internet, 15(8), 1–60.
https://ideas.repec.org/a/gam/jftint/v15y2023i8p260-d1207623.html
Bingley, W. J., Curtis, C., Lockey, S., Bialkowski, A., Gillespie, N., Haslam, S. A., Ko, R. K. L., Steffens, N., Wiles,
J., & Worthy, P. (2023). Where is the human in human-centered AI? Insights from developer priorities and
user experiences. Computers in Human Behavior, 141, 107617.
https://doi.org/10.1016/j.chb.2022.107617
8
Bradford, N. (2024, November 27). Transforming work: Gartner’s AI predictions through 2029.
https://www.shrm.org/topics-tools/flagships/ai-hi/gartner-ai-predictions-through-2029
Daly, S. J., Hearn, G., & Papageorgiou, K. (2025). Sensemaking with AI: How trust influences human–AI
collaboration in health and creative industries. Social Sciences & Humanities Open, 11, 101346.
https://doi.org/10.1016/j.ssaho.2025.101346
Faruk, L. I. D., Pal, D., Funilkul, S., Perumal, T., & Mongkolnam, P. (2025). Introducing CASUX: A standardized
scale for measuring the user experience of artificial intelligence-based conversational agents. International
Journal of Human–Computer Interaction, 41(9), 5274–5298.
https://doi.org/10.1080/10447318.2024.2359206
Guerrero, W. A., Camacho-Galindo, S., Guerrero-Martin, L. E., Arévalo, J. C., de Freitas, P. P., Gómes, V. J. C.,
Fernandes, F. A. da S., & Guerrero-Martin, C. A. (2024). Impact of artificial intelligence on financial
decision making: Opportunities and challenges for business leaders. DYNA, 91(233), 168–177.
https://doi.org/10.15446/dyna.v91n233.114660
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine
Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
Kuric, E., Research, Ux., Peter Demcak, S., & Lang, J. (2025). Systematic literature review of automation and
artificial intelligence in usability issue detection. ACM Computing Surveys, 1.
https://arxiv.org/pdf/2504.01415
López-Regalado, O., Núñez-Rojas, N., López-Gil, Ó., & Sánchez Rodríguez, J. (2024). Análisis del uso de la
inteligencia artificial en la educación universitaria: Una revisión sistemática. Pixel-Bit: Revista de Medios
y Educación, 70, 97–122. https://dialnet.unirioja.es/servlet/articulo?codigo=9558865
Lu, Y., Yang, Y., Zhao, Q., Zhang, C., & Li, J. (2024). AI assistance for UX: A literature review through human-
centered AI [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2402.06089
Mokoena, N., & Obagbuwa, I. C. (2025). An analysis of artificial intelligence automation in digital music streaming
platforms for improving consumer subscription responses: A review. Frontiers in Artificial Intelligence, 7,
1515716. https://doi.org/10.3389/frai.2024.1515716
Padilla, S. G. (2024). Inteligencia artificial en los servicios bancarios: Una revisión bibliométrica. Región Científica,
3(2), 2024335. https://doi.org/10.58763/rc2024335
Pardal-Refoyo, J. L., & Pardal-Peláez, B. (2020). Anotaciones para estructurar una revisión sistemática. Revista
ORL, 11(2), 155–160. https://doi.org/10.14201/orl.22882
Quintero, J., & Vizcaíno, G. (2023). Importancia de las revisiones sistemáticas y metanálisis en la era de la
información digital. Investigación Clínica, 64(3), 263–266. https://doi.org/10.54817/ic.v64n3a00
Quispe, A. M., Hinojosa-Ticona, Y., Miranda, H. A., & Sedano, C. A. (2021). Serie de redacción científica:
Revisiones sistemáticas. Revista del Cuerpo Médico Hospital Nacional Almanzor Aguinaga Asenjo, 14(1),
94–99. https://doi.org/10.35434/rcmhn aaa.2021.141.906
Rezwana, J., & Maher, M. L. (2022). Understanding user perceptions, collaborative experience and user
engagement in different human–AI interaction designs for co-creative systems. ACM International
Conference Proceeding Series, 38–48. https://doi.org/10.1145/3527927.3532789
Romaní, G., Macedo Inca, K. S., Soto, G. E., Franco, A. M., & Ore, M. K. (2025). Revisión sistemática de
inteligencia artificial generativa (GenIA) para el diseño de experiencias de aprendizaje, 2020–2025.
Revista Espacios, 46(3), 13–27. https://doi.org/10.48082/espacios-a25v46n03p02
Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal
of Human–Computer Interaction, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118
Stige, Å., Zamani, E. D., Mikalef, P., & Zhu, Y. (2024). Artificial intelligence (AI) and user experience (UX) design:
A systematic literature review and future research agenda. Information Technology & People, 37(6), 2324–
2352. https://doi.org/10.1108/itp-07-2022-0519
Torres, A., & Díaz-Torres, L. (2020). Aplicaciones de la inteligencia artificial en los modelos de negocios digitales.
Recherches en Sciences de Gestion, 141(6), 67–88. https://doi.org/10.3917/resg.141.0067
Valencia-Londoño, P. A., Cardona-Rodas, H., & Jiménez-Builes, J. A. (2025). Artificial intelligence in education:
Advancing educational digital inclusion for adults older with diverse neuromuscular conditions. Frontiers
in Education, 10, 1464030. https://doi.org/10.3389/feduc.2025.1464030
Van den Berg, G. (2025). Teachers’ experiences of using artificial intelligence from an open distance learning
context: Successes, challenges, and strategies for success. Discover Education, 4(1), 1–11.
https://doi.org/10.1007/s44217-025-00596-2
Vera, S., & Pico, S. (2024). Inteligencia artificial en el desarrollo administrativo de la empresa moderna. Revista
9
Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 6(2), 264–282.
https://doi.org/10.59169/pentaciencias.v6i2.1046
Villasís-Keever, M. Á., Rendón-Macías, M. E., García, H., Miranda-Novales, M. G., & Escamilla-Núñez, A. (2020).
La revisión sistemática y el metaanálisis como herramientas de apoyo para la clínica y la investigación.
Revista Alergia México, 67(1), 62–72. https://doi.org/10.29262/ram.v67i1.733
Virvou, M. (2023). Artificial intelligence and user experience in reciprocity: Contributions and state of the art.
Intelligent Decision Technologies, 17(1), 73–125. https://doi.org/10.3233/idt-230092
Wah, J. N. K. (2025). Revolutionizing e-health: The transformative role of AI-powered hybrid chatbots in healthcare
solutions. Frontiers in Public Health, 13, 1530799. https://doi.org/10.3389/fpubh.2025.1530799
Yang, B., Wei, L., & Pu, Z. (2020). Measuring and improving user experience through artificial intelligence-aided
design. Frontiers in Psychology, 11, 595374. https://doi.org/10.3389/fpsyg.2020.595374
Yun, X., Chun, M. H. (2024). The impact of personalized recommendation on purchase intention under the
background of big data. Big Data and Information Analytics, 8(0), 80–108.
https://doi.org/10.3934/bdia.2024005
Zein, A. (2024). Design of an artificial intelligence-based recommendation system to improve user experience on
e-commerce platforms. Journal of Science Technology (JoSTec), 6(2), 53–57.
https://doi.org/10.55299/jostec.v6i2.979
Zúñiga, F. G., Mora Poveda, D. A., & Molina Mora, D. P. (2023). La importancia de la inteligencia artificial en las
comunicaciones en los procesos marketing. Vivat Academia, 156, 102.
https://dialnet.unirioja.es/servlet/articulo?codigo=9146084
