Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La inteligencia artificial (IA) ha transformado radicalmente la toma de decisiones gerenciales al permitir la optimización de procesos, la automatización de tareas y la capacidad de realizar predicciones precisas en entornos organizacionales cada vez más dinámicos y complejos (Barcia-Zambrano, 2024; Godoy, 2024; Leguiza, 2024). Estas tecnologías avanzadas, como el aprendizaje automático y los sistemas algorítmicos, facilitan la recopilación y el análisis de grandes volúmenes de datos, lo cual proporciona a los gerentes herramientas más efectivas para mejorar la eficiencia y la adaptabilidad de las organizaciones en mercados competitivos (Rodríguez, 2024; Salavarría & Bazurto, 2024; Montenegro, 2024). La capacidad de la IA para detectar patrones complejos y anticiparse a situaciones de riesgo también se ha destacado como un aspecto clave en áreas como las cadenas de suministro y el marketing empresarial (Gómez et al., 2022; Chávez, 2024)
Sin embargo, la implementación de la IA no está exenta de desafíos significativos. En primer lugar, persisten barreras relacionadas con la falta de infraestructura tecnológica adecuada y la resistencia cultural al cambio dentro de las organizaciones (Hernández-Sotomayor et al., 2024; Cornelio et al., 2024). Estas barreras no solo afectan a las grandes corporaciones, sino que son especialmente problemáticas en pequeñas y medianas empresas, donde los recursos limitados dificultan su adopción (Ferrer-Dávalos, 2021). Además, surgen preocupaciones éticas y operativas sobre la transparencia, la equidad y la responsabilidad en los resultados de los algoritmos, que generan incertidumbre en su uso (Martínez et al., 2024; Vélez et al., 2022). Estas preocupaciones éticas están directamente relacionadas con la falta de claridad en los procesos algorítmicos y la posibilidad de sesgos en la toma de decisiones, lo cual puede generar desconfianza tanto a nivel interno como externo (Represa, 2024).
Desde una perspectiva teórica, este estudio se sustenta en el modelo de sistemas sociotécnicos de Bostrom y Heinen en 1977, que enfatiza la interdependencia entre las tecnologías y los factores humanos en las organizaciones (Martínez, 2019). Este marco teórico se alinea con los avances recientes en aprendizaje automático y redes neuronales, como plantea Andrade (2023), que han permitido a la IA identificar patrones complejos y ofrecer soluciones precisas en tiempo real. Por otra parte, el concepto de ética algorítmica (Pérez et al., 2024) resulta clave para abordar las implicaciones éticas relacionadas con el uso de estas tecnologías, garantizando un equilibrio entre la innovación y la responsabilidad en la toma de decisiones. Además, se destaca que la IA no solo debe enfocarse en la eficiencia operativa, sino también en garantizar que los valores éticos y humanos sean preservados en los procesos organizacionales (Almeida-Blacio et al., 2024).
En este contexto, la presente investigación tiene como objetivo principal analizar la participación de la IA en la toma de decisiones gerenciales, identificando tanto sus beneficios como las barreras críticas que limitan su implementación. A partir de los hallazgos, se proponen estrategias prácticas y sostenibles para fomentar su adopción efectiva y responsable, ofreciendo un aporte significativo a la gestión empresarial en un entorno tecnológico en constante evolución. Estos enfoques buscan proporcionar una base sólida para futuras investigaciones que aborden los vacíos existentes, especialmente en sectores con alta dependencia tecnológica y escenarios de incertidumbre creciente (Herrera, 2024); Córdova et al., 2023).
Metodología
El estudio se fundamenta en una revisión sistemática basada en la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para analizar de manera estructurada la participación de la IA en la toma de decisiones gerenciales. Siguiendo las etapas de identificación, selección, elegibilidad e inclusión, se realizaron búsquedas exhaustivas en bases de datos reconocidas como Scopus, Scielo, Google Académico, Dialnet, lo que permitió identificar un total de 30 documentos relevantes, de los cuales 10 cumplieron con los criterios de inclusión. Estos criterios priorizaron estudios revisados por pares, publicados en inglés y español entre 2021 y 2024, relacionados directamente con la IA en decisiones gerenciales, excluyendo documentos de opinión, publicaciones fuera del periodo y aquellos que no abordaran explícitamente el ámbito empresarial. Este enfoque riguroso permitió extraer y sintetizar información clave, identificando patrones, tendencias y vacíos en el conocimiento actual, asegurando así resultados consistentes y respaldados por evidencia sólida para explorar los beneficios y barreras de la implementación de la IA en la gestión empresarial.
Resultados y discusión
Los resultados de este estudio reflejan cómo la IA ha transformado la gestión empresarial, optimizando procesos, automatizando tareas y mejorando la toma de decisiones estratégicas mediante el análisis avanzado de datos. Se identificaron aplicaciones relevantes en áreas como marketing B2B, gestión de recursos humanos, innovación y resiliencia en cadenas de suministro, lo que evidencia su versatilidad en diversos sectores. Sin embargo, se detectaron limitaciones, como desafíos éticos relacionados con la transparencia y responsabilidad en las decisiones mediadas por IA, y la necesidad de supervisión humana en escenarios impredecibles. Estos hallazgos subrayan la importancia de un enfoque equilibrado que considere tanto los beneficios como los retos, proporcionan una base sólida para futuras investigaciones y estrategias de implementación responsables.
Tabla 1 Resumen de estudios sobre la participación de la inteligencia artificial en la gestión empresaria
| # | Título, Autor Año | Metodología | Resultados principales |
|---|---|---|---|
| 1 | (Cao et al., 2021) | Se desarrolló y validó un modelo integrado de aceptación-evitación de IA (IAAAM) mediante una encuesta a 269 gerentes de empresas del Reino Unido, evaluando factores positivos y negativos relacionados con el uso de IA en decisiones organizacionales. | El modelo IAAAM explica y predice actitudes e intenciones hacia el uso de IA. Los hallazgos destacan la importancia de condiciones favorables, mecanismos para mitigar preocupaciones personales y una perspectiva equilibrada entre beneficios y riesgos de la IA, aportando teórica y empíricamente al campo. |
| 2 | (Bag y otros, 2021) | El estudio utiliza un modelo teórico basado en la teoría de gestión del conocimiento (KMT) para analizar el impacto de la inteligencia artificial impulsada por big data en la toma de decisiones racionales de marketing B2B y el rendimiento empresarial. Los datos primarios se recopilaron de empresas B2B de la industria minera sudafricana. | Los hallazgos revelan que la inteligencia artificial impulsada por big data influye significativamente en la creación de conocimiento del cliente, del usuario y del mercado externo. Estos procesos de creación de conocimiento impactan directamente en la toma de decisiones racionales de marketing B2B, lo que, a su vez, tiene un efecto significativo en el rendimiento de la empresa. Este estudio resalta la importancia de la IA y el big data como herramientas clave para optimizar el conocimiento y la estrategia en mercados B2B. |
| 3 | (Berente y otros, 2021) | El estudio utiliza un enfoque conceptual basado en el análisis de siete estudios ejemplares que abordan la gestión de la IA. Explora cómo han evolucionado las fronteras de la IA en términos de autonomía, aprendizaje e inescrutabilidad, y analiza cómo estas dimensiones impactan la gestión tecnológica y la toma de decisiones. | Se destaca que la gestión de la IA implica liderar, coordinar y controlar avances computacionales que replican la inteligencia humana para resolver problemas de decisión cada vez más complejos. Los estudios incluidos demuestran cómo las fronteras de la IA han evolucionado con el tiempo, ampliando su alcance y rendimiento. Además, se plantean reflexiones sobre los futuros desafíos en la gestión de la IA y el papel de la investigación en sistemas de información para moldear estos desarrollos. |
| 4 | (Rodgers et al., 2023) | El estudio desarrolla un marco conceptual de modelo de rendimiento que analiza los procesos de toma de decisiones éticas en la gestión de recursos humanos (HRM) en un contexto algorítmico. Utiliza un enfoque teórico multidisciplinario, integrando perspectivas de asimilación y mediación por IA, así como literatura sobre juicio y elección, para explorar cómo las estrategias de HRM se ven influenciadas por decisiones éticas algorítmicas. | El marco describe cómo las percepciones, juicios y uso de información afectan la selección de estrategias en HRM mediada por IA. Resalta el papel de las posiciones éticas algorítmicas para mejorar la inteligibilidad y responsabilidad en la toma de decisiones de HRM generada por IA. Además, subraya que estas posiciones son clave para seleccionar estrategias efectivas en HRM y propone su adopción para abordar la falta de inteligibilidad y responsabilidad en la investigación existente sobre integración de IA en HRM. |
| 5 | (Haefner y otros, 2021) | El estudio utiliza un enfoque teórico basado en la Escuela Carnegie y la teoría del comportamiento de la empresa para analizar cómo la IA afecta la gestión de la innovación. Desarrolla un marco conceptual que evalúa las capacidades de procesamiento de información de la IA necesarias para apoyar la digitalización de la innovación organizacional. | La IA tiene un papel constructivo en la gestión de la innovación, especialmente en contextos donde las limitaciones de procesamiento de información obstaculizan el desarrollo de nuevas ideas. Los sistemas de IA, como los algoritmos de detección de anomalías, pueden superar estas limitaciones al identificar nuevas oportunidades. |
| 6 | (Belhadi y otros, 2022) | El estudio propone un marco de toma de decisiones multicriterio (MCDM) impulsado por algoritmos de IA, incluyendo sistemas difusos, redes neuronales Wavelet (WNN) y evaluación basada en la distancia desde la solución promedio (EDAS). Este enfoque se aplicó a datos de 479 empresas manufactureras para identificar patrones y técnicas de IA relevantes para construir resiliencia en las cadenas de suministro (SCRes). | Los hallazgos destacan que las técnicas más prometedoras para promover SCRes incluyen la programación de lógica difusa, el big data de aprendizaje automático y los sistemas basados en agentes. Además, el marco MCDM propuesto facilita a los tomadores de decisiones la identificación y aplicación de técnicas de IA efectivas, proporcionando un enfoque práctico para guiar la implementación de estrategias de SCRes en entornos manufactureros. |
| 7 | (Quinto y otros, 2021) | El estudio emplea una revisión sistemática de la literatura para analizar la dependencia entre la IA y la toma de decisiones gerenciales. Este enfoque permitió reflexionar sobre cómo la IA está acelerando la automatización de procesos en la gestión empresarial, destacando tanto sus beneficios como sus limitaciones. | La IA mejora y optimiza los procesos empresariales existentes, facilitando la toma de decisiones mediante la creación de patrones establecidos. Sin embargo, su eficacia se limita a contextos previamente analizados, mientras que en situaciones nuevas y complejas se requiere la intervención intuitiva del gerente. En el futuro, se espera que la IA desarrolle mecanismos de anticipación para manejar escenarios impredecibles de manera más autónoma. |
| 8 | (Contreras & Guerrero, 2024) | El ensayo utiliza una revisión documental para proponer un enfoque teórico que resalta la importancia de la previsión dentro del proceso administrativo, considerándola un elemento fundamental previo a la planeación. Este enfoque analiza cómo la previsión y la integración de herramientas tecnológicas, especialmente la IA, pueden potenciar la eficiencia y eficacia administrativa en un entorno empresarial dinámico. | El trabajo subraya que la previsión permite anticipar y prepararse para cambios en entornos caracterizados por incertidumbre y transformación rápida. Este proceso predictivo, al analizar tendencias y patrones, facilita la creación de estrategias sólidas y planes de acción que optimizan la toma de decisiones. Además, se destaca la importancia de la integración de la IA como un complemento para el proceso administrativo, promoviendo una coexistencia armónica entre métodos tradicionales y tecnología avanzada. |
| 9 | (Maître y otros, 2022) | El trabajo combina un análisis experto con motores avanzados de inteligencia artificial, utilizando un enfoque interdisciplinario que integra gestión empresarial, tecnologías de la información (TI) e informática. Incluye una revisión de la literatura para definir parámetros clave y un estudio de caso centrado en las fluctuaciones de precios de los fosfatos, analizando los factores que históricamente han influido en la oferta y la demanda de esta materia prima. | Se propone una arquitectura basada en la sinergia entre la gestión empresarial y las TI para supervisar las fluctuaciones en los precios de materias primas. El análisis del caso de los fosfatos muestra cómo diversos acontecimientos, como cambios en la oferta y la demanda, afectan los precios. Este enfoque proporciona una herramienta robusta para predecir y gestionar las dinámicas de mercado relacionadas con materias primas específicas. |
| 10 | (Saltos y otros, 2024) | El enfoque metodológico es una revisión bibliográfico-documental que analiza cómo la IA ha transformado diversas áreas empresariales. Se centra en el impacto de la IA en la recopilación y análisis de grandes volúmenes de datos, automatización de tareas rutinarias, y mejora de la experiencia del cliente mediante herramientas como chatbots y asistentes virtuales. | La implementación de IA ha revolucionado la administración empresarial, permitiendo procesar grandes cantidades de datos de manera rápida y eficiente para apoyar la toma de decisiones informada. Además, la automatización de tareas repetitivas libera a los empleados para que se concentren en actividades estratégicas y creativas. Asimismo, la IA mejora la experiencia del cliente mediante respuestas personalizadas y predice y previene problemas antes de que ocurran, destacando su papel en la transformación organizacional. |
Los estudios revisados enfatizan que la IA está revolucionando la gestión empresarial al integrarse como una herramienta fundamental para optimizar procesos, personalizar estrategias y tomar decisiones más informadas en diversos contextos. Según Saltos y otros (2024) y Cao et al. (2021), la capacidad de la IA para analizar grandes volúmenes de datos, automatizar tareas repetitivas y predecir problemas futuros ofrece ventajas significativas en términos de eficiencia y adaptabilidad. Estas capacidades tecnológicas permiten a las empresas responder rápidamente a los cambios del entorno, mejorando su competitividad en mercados altamente dinámicos. Además, las técnicas avanzadas de IA, como la lógica difusa y el big data, analizadas por Belhadi y otros (2022), han demostrado ser cruciales para desarrollar resiliencia en cadenas de suministro.
Del mismo modo, Bag y otros (2021) destacan que la IA impacta positivamente en la toma de decisiones racionales de marketing B2B, contribuyendo directamente al rendimiento empresarial. Sin embargo, a pesar de estos avances, los estudios también señalan limitaciones éticas y operativas, como la necesidad de supervisión humana para abordar contextos complejos e imprevistos, tal como lo indican Quinto y otros (2021).
Una revisión más detallada de los hallazgos permite identificar coincidencias y diferencias clave entre los estudios. La mayoría de los autores coinciden en que la IA mejora la eficiencia operativa y la calidad de las decisiones en contextos predefinidos. Por ejemplo, Contreras & Guerrero (2024) y Rodgers et al. (2023) destacan la importancia de combinar la supervisión humana con la implementación de la IA para garantizar resultados responsables y efectivos. Además, Saltos y otros (2024) y Haefner y otros (2021) subrayan que la adopción exitosa de la IA depende de contar con infraestructura tecnológica adecuada y personal capacitado para maximizar su potencial. Sin embargo, las diferencias surgen en los enfoques y aplicaciones específicas. Berente y otros (2021) exploran los desafíos de gestionar la IA en términos de autonomía, aprendizaje y trasparencia, mientras que Bag y otros (2021) priorizan los beneficios estratégicos de la IA en contextos de marketing B2B.
Por otro lado, Rodgers et al. (2023) abordan los dilemas éticos en la gestión de recursos humanos, contrastando con el enfoque técnico de Maître y otros (2022) en la gestión de fluctuaciones de precios de materias primas. Estas diferencias enriquecen la discusión y reflejan la amplitud de aplicaciones y desafíos asociados con la IA en distintos sectores.
La integración de la IA en la gestión empresarial representa no solo una oportunidad, sino también un desafío único para optimizar procesos y mejorar la toma de decisiones en áreas complejas como la innovación, las cadenas de suministro y la gestión de recursos humanos. Sin embargo, los desafíos éticos y operativos resaltan la importancia de adoptar un enfoque equilibrado. Por ejemplo, Quinto y otros (2021) señalan que, aunque la IA es efectiva en contextos previamente analizados, su eficacia disminuye en situaciones nuevas y complejas donde la intuición humana se vuelve indispensable. Este hallazgo se complementa con las aportaciones de Rodgers et al. (2023), quienes enfatizan la relevancia de adoptar posiciones éticas algorítmicas que promuevan la transparencia y la responsabilidad en la toma de decisiones. Además, Haefner y otros (2021) sugieren que la IA no solo puede superar limitaciones humanas en la gestión de innovación, también tiene el potencial de detectar patrones complejos y generar ideas completamente novedosas, ampliando así su alcance en escenarios futuros.
En conclusión, la IA no solo debe ser considerada como una herramienta tecnológica avanzada, sino como un socio estratégico que trabaja en colaboración con la supervisión humana para transformar radicalmente la gestión empresarial. Si bien sus beneficios son claros, los desafíos éticos y operativos asociados con su implementación subrayan la importancia de desarrollar enfoques integrales que equilibren la innovación tecnológica con la responsabilidad organizacional. Para maximizar su impacto, las investigaciones futuras deberían enfocarse en desarrollar mecanismos de anticipación que permitan a la IA manejar escenarios impredecibles con mayor autonomía, así como explorar en mayor profundidad la interacción entre factores éticos, tecnológicos y humanos. Además, se deben promover marcos regulatorios que garanticen una implementación equitativa y sostenible, de manera que las organizaciones puedan capitalizar las ventajas de la IA mientras mitigan sus riesgos inherentes. Solo a través de este enfoque equilibrado será posible aprovechar plenamente el potencial transformador de la IA en un entorno empresarial cada vez más dinámico y competitivo.
Conclusiones
La integración de la IA en la gestión empresarial representa una oportunidad estratégica que requiere un enfoque crítico y fundamentado. En primer lugar, los datos analizados demuestran que la IA tiene una contribución representativa en la optimización de procesos y en la toma de decisiones, siempre que su implementación contemple tanto las capacidades tecnológicas como las limitaciones humanas. Por consiguiente, las organizaciones deben adoptar la IA como una herramienta complementaria que opere en sinergia con la experiencia y el juicio humano, particularmente en contextos complejos o impredecibles donde las tecnologías actuales enfrentan limitaciones.
A pesar de que los avances en el uso de la IA son evidentes, persisten interrogantes relacionadas con los desafíos éticos y operativos que deben resolverse para maximizar su potencial. En este sentido, resulta imprescindible desarrollar investigaciones futuras que aborden estos vacíos, enfocándose en mecanismos preventivos que permitan a la IA actuar de manera autónoma en escenarios emergentes. Finalmente, es esencial analizar con mayor profundidad la interacción entre los factores éticos, tecnológicos y humanos, de modo que se pueda garantizar una implementación de la IA que sea eficiente, responsable y sostenible en diversos contextos empresariales.
