Introducción

La convergencia de la inteligencia artificial (IA) y la ciencia de datos ha generado un cambio paradigmático en la forma en que las empresas toman decisiones estratégicas. Esta sinergia permite abordar problemas complejos con soluciones basadas en datos, donde el juicio humano se complementa con modelos computacionales capaces de identificar patrones, anticipar escenarios y optimizar resultados. Tecnologías como el aprendizaje automático, el procesamiento del lenguaje natural (NLP) y los modelos predictivos se han convertido en herramientas esenciales para transformar grandes volúmenes de datos, tanto estructurados como no estructurados, en información valiosa para la acción empresarial (^{Li et al., 2025}; ^{Sutherns y Fanta, 2024};). La integración de la IA y el análisis de datos en las empresas contribuye significativamente a mejorar la productividad, optimizando procesos, automatizando tareas y fortaleciendo la toma de decisiones basada en datos. (^{Yaranga Vite y Olórtiga Cóndor, 2024}).

La IA ha revolucionado el entorno empresarial al mejorar la eficiencia, fomentar la innovación y aumentar la capacidad de respuesta. Su aplicación va desde la automatización de tareas simples hasta el soporte en decisiones estratégicas mediante análisis predictivo. Según ^{Shrestha et al. (2020)}, la IA permite automatizar procesos cognitivos y transforma la forma en que las organizaciones toman decisiones. ^{Zhang et al. (2020)} y ^{Zhou et al. (2023)} destacan su uso en sectores como la salud y las finanzas, donde mejora la personalización de servicios y la detección de riesgos, En el marketing, los algoritmos de aprendizaje automático personalizan ofertas y predicen el comportamiento del consumidor (^{Alsghaier et al., 2023}). Esta tecnología se consolida como un eje fundamental en la gestión moderna, Además, la IA se ha posicionado no solo como un impulsor de la innovación tecnológica, sino también como una ventaja competitiva esencial para las organizaciones, al optimizar sus operaciones, mejorar la toma de decisiones y aumentar su capacidad de adaptación en entornos cambiantes (^{Yaranga Vite y Olórtiga Cóndor, 2025}).

Por otro lado, la ciencia de datos se ha convertido en una herramienta estratégica esencial en las empresas, facilitando decisiones basadas en el análisis avanzado de datos. Mediante técnicas como el aprendizaje automático y la minería de datos, las organizaciones pueden identificar patrones, anticipar escenarios y optimizar procesos. ^{Ghasemaghaei et al. (2020)} destacan que la capacidad analítica incrementa el rendimiento organizacional al transformar datos en conocimiento. ^{George et al. (2021)} afirman que estas técnicas mejoran la eficiencia operativa y permiten personalizar servicios y detectar riesgos de forma más precisa. Además, Wamba-Taguimdje et al. (2020) señalan que las empresas con una cultura orientada al análisis de datos son más innovadoras y adaptativas. En manufactura, la ciencia de datos mejora el mantenimiento predictivo y la eficiencia logística. En marketing, permite segmentar audiencias y optimizar campañas. Según ^{Sharma et al. (2022)}, su integración con plataformas digitales impulsa la transformación organizacional conectando datos estratégicos y operativos.

En los últimos años, la integración de la IA y la ciencia de datos se ha convertido en un pilar fundamental para la adaptación y crecimiento de las empresas en un mercado digitalizado. Ambas disciplinas aportan un enfoque predictivo y analítico que permite transformar datos en información de valor, generando respuestas más rápidas y precisas ante la incertidumbre. Según ^{De Bruyn et al. (2020)}, esta combinación ha revolucionado el marketing empresarial mediante la personalización automatizada y la predicción de comportamiento del consumidor. En el sector logístico, autores como ^{Ivanov y Dolgui (2020)} destacan el uso de modelos basados en IA para la toma de decisiones en tiempo real durante disrupciones operativas.

Asimismo, ^{Davenport y Ronanki (2018)} explican que muchas organizaciones ya utilizan sistemas de IA y ciencia de datos para gestionar recursos humanos, finanzas y atención al cliente con mayor eficiencia. En el ámbito de la estrategia empresarial, ^{Grandhi et al. (2021)} sostienen que la aplicación conjunta de ambas disciplinas fortalece el alineamiento entre las decisiones operativas y los objetivos estratégicos de las compañías. Por su parte, los hallazgos de ^{Iqbal et al. (2023)} evidencian que la integración efectiva de estas tecnologías está vinculada con una mayor innovación organizacional y una ventaja competitiva sostenible. Además, el estudio de ^{Ab Hamid et al. (2021)} destaca cómo estas tecnologías, integradas estratégicamente, permiten generar conocimientos accionables que impulsan la eficiencia operativa, la innovación y la competitividad de las organizaciones. En particular, la IA aplicada en sistemas de apoyo a la decisión ha mostrado beneficios en sectores como la salud, la manufactura y la gestión empresarial, fortaleciendo la capacidad analítica para responder a entornos dinámicos y complejos.

Diversas investigaciones recientes han puesto en evidencia que la combinación de estas tecnologías permite convertir grandes volúmenes de datos en información significativa y de carácter predictivo. ^{Chen et al. (2024)} demostraron que la implementación de IA en entornos industriales impulsa la innovación sostenible y mejora el rendimiento ambiental. ^{Shkarupylo et al. (2024)} exploraron cómo el aprendizaje automático en manufactura inteligente facilita la detección de vulnerabilidades y mejora la resiliencia organizacional. En el ámbito del marketing, ^{Gandomi y Haider (2021)} señalan que la combinación de Big Data e IA mejora la segmentación y la personalización de servicios, generando una ventaja competitiva basada en la experiencia del cliente. Asimismo, ^{Ojeda et al. (2024)} identificaron que las empresas que integran IA con herramientas de Big Data logran optimizar el análisis de datos y tomar decisiones más informadas en tiempo real. Por su parte, ^{Tong y Tian (2023)} diseñaron un sistema inteligente de soporte a decisiones financieras basado en IA, que reduce los errores humanos y mejora la precisión en contextos complejos. Además, ^{Kumar y Sivarajah (2021)} propusieron un marco integrado de inteligencia artificial para la creación de conocimiento y la toma de decisiones racionales en marketing B2B, evidenciando mejoras en el rendimiento empresarial.

Los estudios bibliométricos desempeñan un papel esencial al recopilar y analizar de forma sistemática la literatura científica sobre una temática específica, facilitando así la identificación de tendencias actuales (^{Tomás-Górriz y Tomás-Casterá, 2018}). Estos estudios también permiten reconocer enfoques metodológicos poco desarrollados y áreas del conocimiento aún inexploradas (^{García et al., 2021}; ^{Ribeiro y Aroni, 2019}). A través del uso de indicadores e instrumentos métricos, el análisis bibliométrico posibilita cuantificar y evaluar la producción académica en distintas disciplinas (^{Caló, 2022}). Por ello, esta investigación tiene como objetivo central sistematizar los aportes previos con el fin de detectar líneas de desarrollo y hallazgos clave que permitan optimizar el aprovechamiento del conocimiento derivado de los datos (^{Sanz, 2022}).

En la actualidad, los datos representan uno de los activos más valiosos para las empresas modernas. La creciente digitalización que han experimentado las organizaciones ha generado un aumento significativo en el volumen de información producido por sus cadenas de suministro (^{Chen et al., 2024}). Comprender cómo las organizaciones interpretan y aplican los datos, así como las tecnologías asociadas al análisis, requiere la identificación y clasificación de las tendencias y desarrollos más relevantes en este ámbito (^{Chacón-Rivadeneira et al., 2024}). En este contexto, la sistematización de la información se realiza teniendo en cuenta variables como el año de publicación, el país de origen, el enfoque temático, el tipo de documento, la revista o fuente, la institución afiliada y el autor correspondiente. A partir de estos criterios, el objetivo del presente estudio es realizar un análisis bibliométrico que examine el uso conjunto de la inteligencia artificial y la ciencia de datos en el periodo comprendido entre 2015 y 2025.

Metodología

Mediante una revisión bibliométrica, se localizaron investigaciones académicas publicadas entre los años 2015 y 2025 que abordan la integración de la inteligencia artificial y la ciencia de datos en el proceso de toma de decisiones empresariales. Los datos recolectados en bases reconocidas como Scopus (Elsevier), Google Scholar y otras fuentes especializadas fueron procesados mediante técnicas de análisis bibliométrico, lo que permitió generar resultados medibles y comparables (^{Tomás-Górríz y Tomás-Castera, 2018}). Para la selección del material, se utilizaron operadores booleanos en la búsqueda -("Artificial Intelligence" AND "Data Science" AND "Enterprises")-, aplicados a títulos, resúmenes y palabras clave, con el fin de extraer información pertinente. También se establecieron filtros para delimitar la muestra, considerando como criterios de inclusión el período de publicación (2015-2025), el tipo de documento (artículos), el idioma (inglés, español y portugués) y la accesibilidad de los textos. Como parte del proceso, se eligieron 155 documentos, los cuales fueron sometidos a un análisis exhaustivo, eliminándose duplicidades y normalizándose metadatos.

Posteriormente, se examinaron los patrones de productividad científica mediante indicadores como el año de aparición, tipo documental, autoría, áreas temáticas, revista o fuente, país de procedencia, volumen de citas y filiación institucional (^{Salinas y García, 2022}). Los documentos seleccionados en esta investigación fueron analizados a través de un mapa de coocurrencia de palabras clave, lo que permitió establecer las conexiones entre distintos términos utilizados en diversas producciones académicas (^{Flores-Fernández y Aguilera-Eguía, 2020}). Para llevar a cabo el procesamiento y la representación visual de los datos, se empleó el software VOSviewer, el cual facilitó la identificación de agrupaciones temáticas y la construcción del correspondiente mapa de relaciones. Adicionalmente, se utilizó Microsoft Excel como herramienta complementaria para la elaboración de tablas y gráficos que describen las frecuencias y proporciones de los elementos analizados.

Resultados y discusión

Se realizó un análisis bibliométrico que abarcó publicaciones académicas provenientes de diversas fuentes especializadas, centradas en la integración de la inteligencia artificial y la ciencia de datos aplicadas a la toma de decisiones empresariales durante el período comprendido entre 2015 y 2025.

Figura 1: Documentos publicados por año 

En la Figura 1 se muestra publicaciones con un crecimiento sostenido entre 2015 y 2021, con un pico de productividad en 2022 y 2023 (29 documentos). A partir de 2024 se observa una leve disminución, y en 2025 un descenso más marcado, posiblemente atribuible a que el año aún no ha finalizado. Esta tendencia refleja un creciente interés académico en el tema, especialmente durante los años de consolidación digital.

Figura 2: Cantidad de publicación de los principales países 

En la Figura 2 se muestra la distribución global de publicaciones por países. La investigación abarco 9 países y se centra en las 3 primeras naciones que han publicado más trabajos académicos en este campo. En términos de productividad científica, Estados Unidos ocupa el primer puesto con un 25.8% (n=40), seguida de Reino Unido con un 16.1% (n=25) y China en tercera posición 12.9% (n=20).

La revista IEEE Access evidenció una línea temática recurrente en sus publicaciones centrada en inteligencia artificial, big data, análisis de datos (data analytics) y aprendizaje automático (machine learning), entre otros tópicos relacionados. Dentro de los contenidos más destacados se encuentra el análisis del impacto que tienen los modelos de aprendizaje automático en el apoyo a la toma de decisiones y en la extracción de conocimiento a partir de datos.

Figura 3 Publicación de documentos por área temática 

Entre 2015 y 2025, las publicaciones académicas sobre integrar la inteligencia artificial y la ciencia de datos para la toma de decisiones en los negocios, arrojaron datos provenientes de cinco áreas diferentes, destacando que las ciencias de la computación representan el 40% de la producción científica mundial, seguidas por ciencias sociales e ingeniería con el 20%, negocios, gestión y contabilidad, con un 15%; y ciencias de la decisión con un 5%.

Figura 4 Co-ocurrencia de palabras clave 

La Figura 4 muestra los resultados obtenidos del análisis de coocurrencia de palabras clave, el cual se llevó a cabo revisando los títulos, resúmenes y descriptores de los documentos analizados. Se incluyeron únicamente aquellas expresiones que se repitieron más de tres veces. Para representar visualmente los grupos de términos relacionados, se empleó el software VOSviewer, el cual asignó colores diferenciados a cada clúster en función del nivel de conectividad entre las palabras clave detectado por el propio sistema (^{Van Eck y Waltman, 2010}).

El análisis de conglomerados reveló que las palabras con mayor frecuencia de aparición son también las más representativas del objeto de estudio, destacándose especialmente términos como “data analytics”, “data science” e “artificial intelligence”. Estos conceptos muestran una fuerte asociación con el ámbito empresarial, ya que facilitan el procesamiento de grandes volúmenes de información para transformar los datos en conocimiento útil y, a su vez, generar ventajas competitivas. En este sentido, la efectividad en la toma de decisiones empresariales está estrechamente vinculada con el aprovechamiento del conocimiento derivado tanto de la inteligencia artificial como de la ciencia de datos. Así, se garantiza que toda la información disponible en las distintas fuentes de datos sea analizada de forma estratégica para aportar valor a las organizaciones.

Conclusiones

El presente estudio bibliométrico permitió evidenciar una evolución sostenida en la producción científica sobre la integración de la inteligencia artificial y la ciencia de datos en el proceso de toma de decisiones empresariales durante el periodo 2015-2025. Los resultados muestran un creciente interés académico, reflejado en el aumento de publicaciones, principalmente en áreas como ciencias de la computación, ingeniería, negocios y ciencias sociales. Estados Unidos lidera la productividad científica en este campo, seguido por Reino Unido y China, lo que revela una concentración geográfica del conocimiento. Asimismo, los análisis de coocurrencia de palabras clave destacaron la relevancia de términos como “data analytics”, “machine learning” y “artificial intelligence”, fuertemente vinculados con la optimización del análisis de datos para la generación de ventajas competitivas. Las revistas más activas y los autores más citados consolidan la visibilidad y el impacto del tema en diversas disciplinas.

Se puede afirmar que la investigación en torno a la integración de la inteligencia artificial y la ciencia de datos en los procesos de toma de decisiones empresariales ha experimentado un progreso significativo, tanto en la diversidad temática abordada como en el respaldo institucional y la cooperación entre autores. Asimismo, el análisis de contenido pone de manifiesto que las tecnologías de software avanzadas desempeñan un papel clave en la mejora de los procesos decisionales dentro de las organizaciones. En este contexto, el presente estudio bibliométrico ofrece un punto de partida sólido para futuras investigaciones, resaltando la importancia de profundizar en la evaluación del desarrollo tecnológico en este campo.