INTRODUCCIÓN

La inteligencia artificial generativa (IAG) ha cambiado el modo de crear y dar a conocer los contenidos del sector turístico, particularmente en las actividades de marketing y promoción. Su capacidad para generar contenidos visuales y textuales de elevada calidad amplía la posibilidad de interacción y personalización. Además, se puede modificar la manera en que los potenciales turistas interpretan la información para tomar decisiones de viaje (Bilgihan et al., 2024; Tuo et al., 2025; Zhang & Prebensen, 2024).

La IAG viene a ser de ayuda para generar material turístico en imagen o vídeo de gran realismo. Seo et al. (2025) han puesto de manifiesto notables divergencias entre un video turístico de autoría humana y uno de procedencia de IA, sobre todo en lo vinculado a la autenticidad y la confianza que se le otorga. En un estudio, Hou et al. (2025) al contrastar con fotografías turísticas generadas por la inteligencia artificial (IA) y fotografías reales, el ser humano no logra distinguir resultando en una precisión promedio 67,7 %.

Desde esta perspectiva, la autenticidad percibida y la confianza son mecanismos para explicar la respuesta del turista ante imágenes generadas por IA. Bui et al. (2024) señalan que la autenticidad que se le otorga a lo visual producido por IAG tiene un impacto favorable sobre la confianza y las intenciones de los viajeros respecto a los destinos. Además, determinan a la autenticidad percibida como mediadora entre la procedencia humana o artificial de unas imágenes y las respuestas posteriores de los turistas.

Un segundo mecanismo se sitúa en la confianza que se deposita en la representación turística. Bui et al. (2024) han puesto de manifiesto que un mayor nivel de autenticidad percibida genera más confianza, con un efecto favorable sobre las intenciones de comportamiento. Estudios recientes acerca de la adopción de IAG en el sector turístico, muestran que la confianza se erige en un factor determinante donde la información de procedencia artificial se traduce en respuestas conductuales posteriores. No obstante, la evidencia l disponible no precisa un efecto uniforme de las imágenes de procedencia IA. Estudios de Li et al. (2025) y Belanche et al. (2025) revelan qque, al revelar que el material promocional es realizado con inteligencia artificial, su predisposición a viajar se ve disminuida. Mientras, otros estudios registran valoraciones favorables de autenticidad, credibilidad y e intención de viaje (Popa, 2026; Balaban & Phua, 2026), Por su parte, Song et al. (2024) evidencian que estos efectos del origen declarado del contenido dependen también del tipo de apelación publicitaria. En resumen, los hallazgos sugieren que la respuesta del turista depende de factores perceptuales y contextuales, no necesariamente del origen tecnológico del contenido.

Una condición contextual es la familiaridad previa con el destino. Cuando son lugares conocidos y los turistas disponen información pasada, pueden cotejar con el material promocional. No obstante, ante un destino de baja familiaridad, el contenido promocional tiene un peso mayor. Bigne et al. (2024) manifiestan cómo dicha familiaridad incide en la credibilidad y el modo de procesar la información turística en formato digital. Por tanto, los hallazgos avalan que la familiaridad se sustenta como un factor contextual que puede condicionar la interpretación de cualquier información.

Para articular estas asociaciones se adoptó el modelo Estímulo-Organismo-Respuesta (S-O-R), según el cual un estímulo externo induce a evaluaciones internas de las que se derivan respuestas conductuales. En el presente estudio, el origen de la imagen constituye el estímulo (S), la autenticidad percibida y la confianza representa los estados evaluativos del organismo (O) y la predisposición a visitar el destino la respuesta (R) (Seo et al., 2025).

Por tanto, no existe un vacío en la investigación sobre las relaciones analizadas, el asunto es que su comportamiento es conocido cuando al observador le faltan referencias del destino. En lo que respecta a la IAG turística, los trabajos de fondo se han enfocado a valorar la fuente comunicativa, las reacciones del consumidor, la divulgación y otros rasgos del contenido. Por otra parte, si bien la familiaridad ha sido objeto de estudios que prueban cómo influye en el modo de procesarse la información turística, no se ha apuntado en el mecanismo concreto que une la procedencia de la imagen con la autenticidad percibida, la confianza y la predisposición a visitar. Al estudiar esta relación en un destino peruano de la que se tiene constancia de su baja familiaridad, se puede aportar más evidencia de un escenario donde lo visual cobra una importancia particular a la hora de forjar expectativas.

Vinculando con el modelo S-O-R y las investigaciones analizadas, a continuación, se estipulan a modo de hipótesis especificas lo siguiente:

H1: el origen de la imagen turística generada mediante IA frente a fotografía tomada por una persona influye significativamente en la autenticidad percibida de la representación visual;

H2: la autenticidad percibida influye positivamente en la confianza hacia la representación del destino;

H3: la confianza influye positivamente en la intención de visitar el destino;

H4: la autenticidad percibida influye positivamente en la intención de visita; y

H5: el origen de la imagen turística presenta un efecto indirecto sobre la intención de visita mediante la secuencia autenticidad percibida confianza.

Por consiguiente, el objetivo del estudio fue determinar el efecto de una imagen turística generada mediante inteligencia artificial frente a una fotografía tomada por una persona, sobre la autenticidad percibida, la confianza y la intención de visitar la Naciente del río Tioyacu, destino de baja familiaridad en Perú.

MÉTODO

El enfoque fue cuantitativo, de alcance explicativo y diseño experimental entre sujetos, con postest y dos grupos independientes. Se intervino sobre el origen de la imagen turística, una condición presentó una imagen generada por la IA y la otra una foto tomada por una persona. Los participantes fueron asignados aleatoriamente a una de las dos condiciones y observaron únicamente el estímulo correspondiente. El modelo experimental se rigió por el modelo S-O-R (Estímulo–Organismo–Respuesta) donde el estímulo lo provee el origen de la imagen; los procesos internos de evaluación son la confianza y la autenticidad que se percibe; y como respuesta la intención de visita.

Los participantes fueron reclutados mediante una convocatoria digital realizada en redes sociales entre enero y junio de 2026 en comunidades y grupos virtuales de ámbito nacional relacionados con el turismo, viajes y destinos peruanos. Los criterios de inclusión fueron: residentes peruanos mayores de 18 años, que hayan realizado un viaje de ocio en los últimos 24 meses o con interés de viaje en los siguientes 12 meses, que no hubieran visitado la Naciente del río Tioyacu y poco conocimiento previo del destino objeto de estudio. Se excluyeron registros incompletos, duplicados o con evidencias de falta de atención.

El tamaño muestral se hizo mediante un análisis de potencia para la comparación de dos grupos independientes considerando un tamaño de efecto pequeño-moderado (d = 0,35), potencia estadística de 0,80 y un nivel de significación de 0,005. De los 306 participantes que se inscribieron, 24 no cumplieron los requisitos de elegibilidad y 282 personas pasaron a ser aleatorizadas. Se descartaron 16 cuestionarios incompletos o por problemas de atención y cuatro por duplicidad. La muestra quedó conformada por 262 individuos, distribuidos equitativamente entre la condición IA y la de fotografía humana.

El estudio se realizó en la Naciente del río Tioyacu (Rioja, San Martín, Perú). Previamente, 40 adultos independientes participaron en prueba de familiaridad, la mediana de conocimiento fue de 1 sobre 5, un 90 % indicó no haber visitado el atractivo y el 87,5 % informó una exposición previa nula o escasa, lo que permitió considerarlo como un destino de poca familiaridad.

Se emplearon dos estímulos visuales del mismo destino. En la condición de control se puso a disposición una fotografía de la Naciente del río Tioyacu tomada por JYB Devot y disponible en Wikimedia Commons bajo licencia Creative Commons Attribution-ShareAlike 4.0. En la condición experimental se empleó una representación turística del mismo atractivo generada mediante herramientas de IA. El origen se comunicó explícitamente mediante las expresiones “Esta imagen es una fotografía tomada por una persona” y “Esta imagen fue generada por un sistema de inteligencia artificial”, respectivamente.

El instrumento estuvo conformado por 13 ítems distribuidos en tres constructos: autenticidad percibida (4 ítems), adaptados de Bui et al. (2024) y originalmente basados en Kirkby et al. (2023); la confianza en la representación turística (4 ítems), adaptados de Bui et al. (2024), Alboqami (2023) y Kirkby et al. (2023); e intención de visita (5 ítems), tomados de Su et al. (2020) y posteriormente empleados por Li et al. (2026). Los ítems fueron adaptados al español y contextualizados al entrono turístico peruano. Se desarrollo la evaluación mediante una escala Likert de siete niveles (1, totalmente en desacuerdo, a 7, en totalmente de acuerdo). También se recopilaros datos sociodemográficos y de control.

La adaptación del instrumento fue sometido a juicio de cinco expertos valorando su claridad, pertinencia, relevancia, y adecuación semántica (Vega Falcón et al., 2018). La validez de contenido se examinó mediante la V de Aiken con valores obtenidos iguales o superiores a 0,93. Posteriormente se realizó una prueba piloto con 56 participantes independientes. La consistencia interna preliminar obtuvo un α de Cronbach de: 0,88 en autenticidad, 0,89 en confianza y 0,92 en la intención de visita.

Antes de participar, los encuestados accedieron a un consentimiento informado digital y, luego de verificar los criterios de elegibilidad, fueron asignados aleatoriamente a una condición experimental. Cada participante observó solamente una imagen y luego respondió una pregunta de comprobación sobre su origen, seguida de las escalas de autenticidad, confianza e intención de visita y las variables complementarias. Adicionalmente, se efectuó un análisis de sensibilidad con quienes identificaron correctamente la condición experimental.

El análisis estadístico se realizó con el R 4.4.1. La consistencia interna se examinó mediante alfa de Cronbach y ω de McDonald. La estructura del instrumento fue evaluada mediante un análisis factorial confirmatorio con máxima verosimilitud robusta considerando χ², CFI, TLI, SRMR y RMSEA; además de confiabilidad compuesta, varianza media extraída y HTMT. Las hipótesis se contrastaron mediante modelos lineales: para el efecto del origen de la imagen sobre la autenticidad se calculó d de Cohen. El efecto indirecto propuesto se evaluó mediante mediación secuencial (origen de la imagen, autenticidad, confianza e intención de visita) aplicando 5 000 remuestras bootstrap y un intervalo de confianza del 95 %. Se realizó un análisis de sensibilidad según el reconocimiento correcto del origen del estímulo.

El estudio se desarrolló de manera voluntaria e independiente y estuvo precedido de un consentimiento informado digital donde se comunicaron los objetivos del estudio, la confidencialidad de la información y el derecho a no completar el cuestionario. Participaron exclusivamente adultos, no se realizaron intervenciones físicas ni se recopiló información sensible. La basa de datos fue anonimizada y no incluyó identificadores personales directos.

RESULTADOS

Descripción de la muestra y comportamiento de las variables

Con un total de 262 individuos en la muestra analítica, se ha distribuido a los participantes a partes iguales entre la condición de fotografía tomada por una persona (n = 131) y la de imagen producto de la inteligencia artificial (n = 131). Respecto a la edad, el grupo humano ostenta una media de 33,51 años (DE = 10,62) frente a los 34,44 (DE = 10,46) del grupo IA.

De acuerdo con lo que se puede ver en la Tabla 1, son superiores las medias obtenidas por la condición humana en materia de autenticidad percibida, confianza o intención de visita. En cuanto a la prueba de manipulación, un 87,0 % de los del grupo humano y un 84,0 % de los de IA dieron una respuesta acertada.

Tabla 1.
Estadísticos descriptivos según condición experimental.

Variable	Fotografía humana (n = 131)	Imagen IA (n = 131)
Edad media (DE)	33,51 (10,62)	34,44 (10,46)
Autenticidad percibida, M (DE)	5,39 (0,80)	5,02 (0,81)
Confianza, M (DE)	5,06 (0,78)	4,78 (0,78)
Intención de visita, M (DE)	5,07 (0,96)	4,92 (0,85)
Comprobación de manipulación correcta, %	87,0	84,0

Nota. DE = desviación estándar. Las variables principales se midieron en una escala de 1 a 7.

Elaboración: Los autores.

Calidad del modelo de medición

Con un ajuste satisfactorio del modelo de medición, el análisis factorial confirmatorio con tres factores correlacionados arrojó los siguientes datos: χ² robusto(62) = 55,55 (p = 0,705), CFI robusto de 1,000 y TLI robusto de 1,004, un RMSEA robusto de 0,000 (IC95% [0,000, 0,030]) y un SRMR de 0,028. En cuanto a las cargas factoriales estandarizadas, su rango va de 0,736 a 0,813. Por otra parte, los tres constructos exhiben una confiabilidad compuesta y un coeficiente de consistencia interna por encima de 0,84; la varianza media extraída no se queda por debajo de 0,57 en ninguno de ellos (Tabla 2).

Tabla 2.
Confiabilidad y validez convergente de los constructos.

Constructo	α	ω	CR	AVE	Rango de cargas λ
Autenticidad percibida	0,845	0,846	0,846	0,579	0,736-0,786
Confianza	0,855	0,855	0,856	0,598	0,749-0,799
Intención de visita	0,894	0,894	0,895	0,629	0,740-0,813

Nota. α = alfa de Cronbach; ω = omega de McDonald; CR = confiabilidad compuesta; AVE = varianza media extraída; λ = carga factorial estandarizada.

Elaboración: Los autores.

La validez discriminante se ha considerado adecuada. No se aprecia un solapamiento excesivo entre los distintos constructos a la vista de los HTMT; las cifras son de 0,738 para autenticidad y confianza, 0,617 en lo que atañe a autenticidad e intención de visita y 0,675 entre esta última y la confianza. En definitiva, los resultados dan fe de la bondad de las puntuaciones compuestas para hacer frente a los contrastes posteriores.

Contraste de hipótesis y mediación secuencial

Los resultados de la autenticidad percibida se vieron en buena medida afectados por la condición experimental. La imagen que se daba por generada con IA, frente a una fotografía humana, redujo la autenticidad en 0,370 puntos (b = -0,370, EE = 0,099; IC95% [-0,566, -0,175], p < 0,001), un efecto de magnitud d = -0,461. De ahí que H1 quedara respaldada: el efecto deja ver que lo que se presenta como obra de la IA es considerado de menor autenticidad.

La autenticidad percibida predijo positivamente la confianza, b = 0,597, EE = 0,048, β = 0,620, IC95% [0,503, 0,691], p < 0,001, lo que respaldó H2. A su vez, al modelar conjuntamente los predictores de la intención de visita, la confianza presentó un efecto positivo, b = 0,485, EE = 0,071, β = 0,422, IC95% [0,345, 0,625], p < 0,001, respaldando H3. La autenticidad también mantuvo un efecto positivo independiente sobre la intención de visita, b = 0,317, EE = 0,069, β = .287, IC95% [0,181, 0,454], p < 0,001, por lo que H4 fue igualmente respaldada (Tabla 4).

Tabla 3.
Contraste de las hipótesis del modelo experimental.

Hipótesis	Relación	b	EE	IC95%	p	Decisión
H1	IA → Autenticidad	-0,370	0,099	[-0,566, -0,175]	< 0,001	Respaldada
H2	Autenticidad → Confianza	0,597	0,048	[0,503, 0,691]	< 0,001	Respaldada
H3	Confianza → Intención	0,485	0,071	[0,345, 0,625]	< 0,001	Respaldada
H4	Autenticidad → Intención	0,317	0,069	[0,181, 0,454]	< 0,001	Respaldada
H5	IA → Autenticidad → Confianza → Intención	-0,107	0,034	[-0,179, -0,047]	0,002	Respaldada

Nota. b = coeficiente no estandarizado; EE = error estándar; IC95% = intervalo de confianza del 95 %. En H5, el intervalo se obtuvo mediante 5 000 remuestras bootstrap. La condición experimental fue codificada como 0 = fotografía humana y 1 = imagen IA.

Elaboración: Los autores.

El análisis de mediación secuencial confirmó el mecanismo propuesto en H5. El efecto indirecto de la condición IA sobre la intención de visita a través de autenticidad y confianza fue negativo y estadísticamente significativo, b_ind = -0,107, EE = 0,034, IC95% bootstrap [-0,179, -0,047], p = 0,002. También se observó un efecto indirecto específico a través de autenticidad sobre la intención, b = -0,117, IC95% [-0,204, -0,048], p = 0,003; en cambio, la ruta indirecta que involucró únicamente confianza no fue significativa, b = -0,027, IC95% [-0,108, 0,048], p = 0,500.

Con un valor de b = -0,252 (IC95% [-0,401, -0,113], p < 0,001) se obtuvo un efecto indirecto total. No obstante, al tener en cuenta a los mediadores, el efecto directo que la condición experimental ejerce sobre la intención de visita carecía de significación (b = 0,108, IC95% [-0,071, 0,285], p = 0,234). En consonancia con ello, tampoco era estadísticamente significativo el efecto total de la condición IA, con b = -0,144 (IC95% [-0,359, 0,073], p = 0,191). Lo cual venía a señalar que la relación de la intención de visita con el origen comunicado de la imagen se producía mediante las variaciones en la confianza y la autenticidad percibida más que por un efecto del origen visual de tipo directo.

Análisis de sensibilidad

A modo de prueba de robustez se ha reestimado el modelo de mediación limitándose a los 224 participantes que supieron determinar con exactitud el origen del estímulo que se les comunicaba (110 de la condición IA y 114 de la humana). Y así lo atestigua el patrón general: en la condición IA la autenticidad se ve reducida (b = -0,340, IC95% [-0,561, -0,123], p = 0,002) y es un predictor de la confianza (b = 0,584, p < 0,001). Por su parte, la intención de visita guarda una relación positiva con la autenticidad (b = 0,380, p < 0,001) al igual que con la confianza (b = 0,423, p < 0,001). De igual modo, el efecto indirecto secuencial no pierde su significancia (b_ind = -0,084, IC95% bootstrap [-0,155, -0,027], p = 0,010). De ello se deduce que las conclusiones sustantivas no están condicionadas por haber incorporado en el análisis de referencia a quienes no identificaron debidamente la procedencia de la imagen.

DISCUSIÓN

Los resultados evidencian que el origen comunicado de la imagen turística no influye en la intención de visita de un modo automático o simplista, sino que lo hace a través de una evaluación. Así, la autenticidad percibida es inferior en el caso de las imágenes de procedencia artificial a la de una fotografía capturada por una persona. El efecto indirecto secuencial atestigua que ante una representación de este tipo el posible visitante formula su propia interpretación de la imagen antes de derivar en una conducta. Una forma de verlo que se ajusta al modelo Estímulo-Organismo-Respuesta (S-O-R) en la medida en que el estímulo de carácter experimental va a alterar en primer lugar los estados de evaluación internos para luego enlazar con la respuesta conductual.

A la condición IA reconocida con una autenticidad menor está en sintonía con Bui et al. (2024); ponen de manifiesto que una imagen de procedencia humana se valora con mayor autenticidad, algo de importancia para las reacciones del turista para las respuestas posteriores. De igual modo, concuerda con Li et al. (2026) y los resultados de sus experimentos, en los que se observa cómo las imágenes turísticas generadas por IA disminuyen la intención de visita y la autenticidad percibida en comparación con las que ha tomado un ser humano. En la misma línea, Hou et al. (2025) justifican de que las imágenes de procedencia artificial no por ello pierden ciertos matices visuales capaces de condicionar la percepción de credibilidad o realismo, a pesar de que el usuario tenga problemas para saber de dónde vienen unas fotos de turismo.

La precisión de los datos se hace relevante de que no hay un efecto uniforme por parte de las imágenes de IA en la literatura. Con un diseño intragrupo, Popa (2026) da con puntuaciones más elevadas de autenticidad, credibilidad y propensión a viajar en el caso de las imágenes artificiales. Por su parte, Chung et al. (2025) han puesto de manifiesto en dos experimentos que una imagen procedente de IA es capaz de inspirar en mayor medida que una fotografía real en un primer momento, si bien tal efecto cede ante una exposición reiterada. Los resultados de Song et al. (2024) también revelan de que el turista reacciona en función de la concordancia que exista entre quien se da como autor y la clase de reclamo publicitario; así, un anuncio de procedencia humana tiene más éxito con las apelaciones de corte emocional a diferencia de uno de IA, que se muestra de mayor eficacia cuando el reclamo es racional. De ahí que las discrepancias con trabajos previos se deban probablemente al estímulo empleado y a cómo se hace de manifiesto su procedencia, a la variable de conducta puesta a prueba y al entorno del destino, antes que a una preponderancia de una u otra fuente.

El modelo arroja como uno de sus hallazgos de mayor solidez la positiva correlación que se da entre autenticidad y confianza. En efecto, Bui et al. (2024) hacen ver que cuando se percibe un contenido visual turístico como auténtico la confianza se ve reforzada, lo cual en última instancia propicia las intenciones de patronazgo. Bajo estas circunstancias, lo que se considera auténtico actúa en calidad de indicio de que la información es suficiente; una imagen de apariencia más natural y congruente, por su genuinidad, se presta con mayor facilidad a establecer expectativas respecto al lugar. No es de extrañar que esta forma de verlo tenga puntos en común con los resultados de Ali et al. (2023), puesto que estos autores han demostrado cómo las recomendaciones turísticas de ChatGPT, en tanto sean útiles, creíbles y pertinentes, vigoricen la confianza del viajero, un factor que va ligado a sus intenciones conductuales.

También se demostró un vínculo positivo entre la confianza y la intención de visita, incluso cuando se consideró simultáneamente la autenticidad. No se necesita que la información turística resulte atractiva para convencer a un viajero de que reserve o compre, lo fundamental es que le ofrezca una confianza absoluta. Las investigaciones de Choi et al. (2024) han subrayado que la credibilidad de un alojamiento es el puente que hace falta para pasar de la publicidad a la decisión de hospedarse. En el caso de las recomendaciones de viaje que emana ChatGPT, Ali et al. (2023) han verificado que es la confianza lo que en última instancia hará que uno acate o no el consejo. En definitiva, los dos estudios van en la misma línea: el turista requiere estar seguro y tener certeza de su elección antes de poner en juego su dinero.

Asimismo, la autenticidad ha mantenido un vínculo positivo y directo con la intención de visita, deduciendo que su rol va más allá de instaurar la confianza. Con una imagen de lo genuino y natural basta para hacer más proclive a tener en cuenta el destino; eso no basta para que se ofrezca una valoración de mayor fiabilidad de lo que se muestra. En consonancia con Bui et al. (2024) refieren el impacto de la autenticidad en la confianza y las intenciones turísticas, además resulta coligado con lo expuesto por Cheng et al. (2026), quienes subrayan que el enfoque comparativo entre fotos reales y las que produce la inteligencia artificial en turismo insular se encontraba relacionada positivamente de la autenticidad percibida con la intención de viaje, sin distinción de la condición visual.

Los resultados de este estudio dan consistencia al empleo del modelo S-O-R en un plano teórico. De hecho, se observa un encadenamiento en el que el origen comunicado de la representación actúa de estímulo, la autenticidad y la confianza son las evaluaciones internas y la respuesta es la intención de visita; con ello se da una explicación a cómo una primera diferencia perceptual puede ir derivando en una conducta, sin tener que ver cada relación como algo aislado. Algo similar ha puesto de manifiesto Pham et al. (2024) al estudiar el uso de ChatGPT en el sector de viajes: con el S-O-R han visto que ciertos rasgos del estímulo tecnológico van a condicionar estados cognitivos como la actitud y la confianza, que más adelante tienen su reflejo en la satisfacción y en la voluntad de seguir usándolo.

El estudio se ve circunscrito en su alcance y aportación por el hecho de que se trata de un destino con poca familiaridad. Según Bigne et al. (2024), lo conocido de antemano altera el modo de valorar y asimilar la información turística digital por parte del consumidor. No obstante, en el presente experimento no se ha procedido a manipular la familiaridad como una variable de comparación, sino a hacer de ella un criterio para establecer un contexto donde los participantes partan de muy pocas referencias de la Naciente del río Tioyacu. De ahí que no sea correcto decir que es la baja familiaridad la que modera o causa los efectos de los que se da cuenta.

A efectos prácticos, los resultados no avalan que se haga de las fotografías humanas una alternativa a las imágenes generadas por IA, tampoco se ve motivo para renunciar a la IA en materia de promoción turística. Song et al. (2024) demuestran que el éxito de la IA tiene que ver con la forma de plantear el mensaje; Cheng et al. (2026) van más allá y abogan por unir el potencial de estas imágenes con indicadores de credibilidad. En el caso de un destino de escasa notoriedad o emergente, lo que hace útil a la IA no tanto como para disimular de dónde viene el material, sino para ofrecer un contenido plausible y en sintonía con lo que se va a encontrar de verdad.

Al interpretar los resultados de este estudio hay que tener en cuenta ciertas limitaciones. En primer lugar, al emplearse un solo destino y un estímulo para cada condición, es posible que una porción del efecto se deba a las cualidades propias de las imágenes en cuestión y no a su origen. Además, el diseño de la condición experimental, al emparejar el tipo de imagen con una etiqueta acorde a su procedencia, no permite disociar el efecto puramente visual de divulgación. Por otra parte, la forma de reclutamiento, digital y no probabilística no autoriza a extrapolar los datos a la totalidad de los turistas peruanos. Por último, la medición postest, si bien sirve para apreciar las divergencias entre las condiciones aleatorizadas, no da información sobre variaciones individuales frente a un punto de partida.

CONCLUSIONES

La investigación identificó que la autenticidad de una imagen turística es valorada por los visitantes en función del origen que se les da a conocer, sin embargo esto no altera de entrada su propósito de ir al destino. En un destino poco conocido, por ejemplo, la fotografía que se le atribuye a una persona goza de más autenticidad a ojos del espectador que la que ha sido identificada como producto de inteligencia artificial. Esa primera impresión abre paso a un proceso donde la autenticidad que se percibe va a condicionar la confianza en la representación turística.

El principal aporte del estudio radica en evidenciar que la respuesta frente a una imagen turística generada mediante IA se comprende mejor como un mecanismo perceptual secuencial que como un efecto tecnológico directo. El origen de la imagen adquirió relevancia conductual en la medida en que modificó primero la autenticidad percibida y, posteriormente, la confianza depositada en la representación del destino. En consecuencia, el efecto indirecto identificado mediante la secuencia origen de la imagen, autenticidad, confianza e intención de visita permite precisar que la procedencia artificial del contenido no determina una menor disposición a viajar, sino que su influencia depende de las evaluaciones que el visitante construye a partir del estímulo visual.

Los resultados corroboran la pertinencia del modelo Estímulo-Organismo-Respuesta para explicar la interacción de las decisiones en materia de turismo con el material visual producido por IA. Bajo esa óptica, uno no puede ver en la autenticidad y la confianza mero producto derivado de haberse expuesto a una imagen; son procesos de carácter interno que median entre el estímulo y la conducta. Este fundamento resulta relevante en el caso de un destino de escasa notoriedad, donde los visitantes potenciales carecen de referencias previas.

En términos aplicados, los resultados sugieren que el uso de IA generativa en promoción turística no debería valorarse por su capacidad para producir imágenes atractivas o realistas. Su utilización requiere preservar coherencia, naturalidad y correspondencia con las características verificables del destino, debido a que estas condiciones pueden sostener la autenticidad percibida y la confianza del potencial visitante. La evidencia obtenida orienta hacia un uso transparente y responsable de estos recursos, especialmente cuando se promocionan destinos sobre los cuales el público posee información previa limitada.

FINANCIAMIENTO

No monetario.

AGRADECIMIENTO

A todos los actores sociales involucrados en el desarrollo de la investigación.

REFERENCIAS CONSULTADAS

Alboqami, H. (2023). Trust me, I’m an influencer! – Causal recipes for customer trust in artificial intelligence influencers in the retail industry. Journal of Retailing and Consumer Services, 72, 103242. https://doi.org/10.1016/j.jretconser.2022.103242

Ali, F., Yasar, B., Ali, L., & Dogan, S. (2023). Antecedents and consequences of travelers' trust towards personalized travel recommendations offered by ChatGPT. International Journal of Hospitality Management, 114, 103588. https://doi.org/10.1016/j.ijhm.2023.103588

Balaban, D. C., & Phua, J. (2026). Is this real or fake? Examining the effects of disclosure of AI-generated content and source type in Instagram-based travel destination advertising on consumer attitudes and behavioral intentions. Computers in Human Behavior, 183, 109047. https://doi.org/10.1016/j.chb.2026.109047

Belanche, D., Ibáñez-Sánchez, S., Jordán, P., y Matas, S. (2025). Customer reactions to generative AI vs. real images in high-involvement and hedonic services. International Journal of Information Management, 85, 102954. https://doi.org/10.1016/j.ijinfomgt.2025.102954

Bigne, E., Ruiz, C., y Curras-Perez, R. (2024). How consumers process online review types in familiar versus unfamiliar destinations. A self-reported and neuroscientific study. Technological Forecasting and Social Change, 199. https://doi.org/10.1016/j.techfore.2023.123067

Bilgihan, A., Dogru, T., Hanks, L., Line, N., & Mody, M. (2024). The GAI marketing model: A conceptual framework and future research directions. International Journal of Hospitality Management, 123, 103929. https://doi.org/10.1016/j.ijhm.2024.103929

Bui, H. T., Filimonau, V., & Sezerel, H. (2024). AI-thenticity: Exploring the effect of perceived authenticity of AI-generated visual content on tourist patronage intentions. Journal of Destination Marketing & Management, 34, 100956. https://doi.org/10.1016/j.jdmm.2024.100956

Cheng, W., Yu, J., Wang, S., Yan, W., Nah, K., & Gong, J. (2026). Tropical island visual strategies for sustainable tourism: Contrasting real photographs and AI-generated images. Sustainability, 18(1), 285. https://doi.org/10.3390/su18010285

Choi, M., Choi, Y., Bangura, E., & Kim, D. (2024). ChatGPT or online review: Which is a better determinant of customers' trust in Airbnb listings and stay intention? International Journal of Hospitality Management, 122, 103852. https://doi.org/10.1016/j.ijhm.2024.103852

Chung, C., Shin, S., & Chung, N. (2025). Satiation of generative AI images. Annals of Tourism Research, 115, 104054. https://doi.org/10.1016/j.annals.2025.104054

Hou, L., Min, Y., Pan, X., & Gong, Z. (2025). Distinguishing AI-generated versus real tourism photos: Visual differences, human judgment, and deep learning detection. Information Processing & Management, 62(5), 104218. https://doi.org/10.1016/j.ipm.2025.104218

Kirkby, A., Baumgarth, C., & Henseler, J. (2023). To disclose or not disclose, is no longer the question – effect of AI-disclosed brand voice on brand authenticity and attitude. Journal of Product & Brand Management, 32(7), 1108–1122. https://doi.org/10.1108/JPBM-02-2022-3864

Li, C., Cao, Q., Hua, S., & Tao, C.-W. (2025). When AI takes the wheel: The effectiveness of AI versus human-generated content in tourism marketing. Journal of Vacation Marketing. https://doi.org/10.1177/13567667251393512

Li, W., Goh, C. F., Wu, Y., & Tan, O. K. (2026). Why AI looks less real: The role of cultural learning cues in tourism destination imagery. Journal of Theoretical and Applied Electronic Commerce Research, 21(6), 193. https://doi.org/10.3390/jtaer21060193

Pham, H. C., Duong, C. D., & Nguyen, G. K. H. (2024). What drives tourists' continuance intention to use ChatGPT for travel services? A stimulus-organism-response perspective. Journal of Retailing and Consumer Services, 78, 103758. https://doi.org/10.1016/j.jretconser.2024.103758

Popa, L. M. (2026). Misguided Tourism in the Age of AI? Implications for Tourist Decision-Making and Destination Reputation. Journal of Smart Tourism, 0(0). https://doi.org/10.1177/27652157261470079

Seo, I. T., Liu, H., Li, H., & Lee, J. S. (2025). AI-infused video marketing: Exploring the influence of AI-generated tourism videos on tourist decision-making. Tourism Management, 110, 105182. https://doi.org/10.1016/j.tourman.2025.105182

Song, M., Chen, H., Wang, Y., & Duan, Y. (2024). Can AI fully replace human designers? Matching effects between declared creator types and advertising appeals on tourists’ visit intentions. Journal of Destination Marketing & Management, 32, 100892. https://doi.org/10.1016/j.jdmm.2024.100892

Su, L., Lian, Q., & Huang, Y. (2020). How do tourists’ attribution of destination social responsibility motives impact trust and intention to visit? The moderating role of destination reputation. Tourism Management, 77, 103970. https://doi.org/10.1016/j.tourman.2019.103970

Tuo, Y., Wu, J., Zhao, J., & Si, X. (2025). Artificial intelligence in tourism: Insights and future research agenda. Tourism Review, 80(4), 793–812. https://doi.org/10.1108/TR-03-2024-0180

Vega Falcón, V., Comas Rodríguez, R., Morillo Cano, J. R., & Sánchez Martínez, B. (2018). El método Delphi Fuzzy para la selección de expertos en el turismo. Revista Uniandes Episteme, 5, 836–848. https://n9.cl/y4olo

Zhang, Y., & Prebensen, N. K. (2024). Co-creating with ChatGPT for tourism marketing materials. Annals of Tourism Research Empirical Insights, 5(1), 100124. https://doi.org/10.1016/j.annale.2024.100124

©2026 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)