Perkembangan pesat kecerdasan buatan (AI) telah memengaruhi berbagai bidang, termasuk dalam AI-Assisted Language Learning (AALL). Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi adopsi teknologi AALL dengan menggabungkan kerangka teori UTAUT2, Self-Determination Theory (SDT), dan AI anxiety. Pendekatan kuantitatif diterapkan dalam penelitian ini dengan menggunakan data yang diperoleh dari kuesioner daring yang disebarkan kepada 557 responden. Data yang terkumpul kemudian dianalisis dengan metode Partial Least Squares Structural Equation Modeling (PLS-SEM) menggunakan perangkat lunak SmartPLS 4. Hasil analisis menunjukkan bahwa faktor-faktor yang signifikan mempengaruhi adopsi teknologi AALL meliputi autonomy, competence, performance expectancy, effort expectancy, social influence, habit, price value, AI anxiety, behavioral intention, dan actual use. Di antara faktor-faktor tersebut, habit terbukti memiliki pengaruh signifikan terhadap niat pengguna dalam mengadopsi teknologi ini. Sementara itu, faktor facilitating conditions dan hedonic motivation tidak menunjukkan pengaruh signifikan dalam konteks penelitian ini. Temuan ini memberikan wawasan lebih dalam tentang dinamika adopsi teknologi AALL, serta memberikan kontribusi terhadap pengembangan strategi implementasi teknologi yang lebih efektif di masa depan.

---

The rapid development of artificial intelligence (AI) has influenced various fields, including AI-assisted language learning (AALL). This study aims to identify the factors that influence the adoption of AALL technology by integrating the UTAUT2 model, Self Determination Theory (SDT), and AI anxiety. A quantitative approach was applied in this research, utilizing data collected through an online questionnaire distributed to 557 respondents. The collected data was then analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM) with the SmartPLS 4 software. The analysis results indicate that significant factors influencing AALL technology adoption include autonomy, competence, performance expectancy, effort expectancy, social influence, habit, price value, AI anxiety, behavioral intention, and actual use. Among these factors, habit was found to have a significant impact on users' intention to adopt this technology. Meanwhile, facilitating conditions and hedonic motivation did not show significant effects in the context of this study. These findings provide deeper insights into the dynamics of AALL technology adoption and contribute to the development of more effective technology implementation strategies in the future.