Introducción

La inteligencia artificial (IA) ha emergido como una de las tecnologías más disruptivas del siglo XXI, transformando diversos sectores económicos y revolucionando la manera en que las empresas operan (^{Brynjolfsson & McAfee, 2017}). El desarrollo de la IA ha sido notablemente rápido desde sus orígenes, pasando de sistemas básicos de automatización a modelos avanzados capaces de tomar decisiones y aprender de los datos (^{Russell & Norvig, 2021}). En la actualidad, su aplicación en el mundo empresarial se ha convertido en un factor clave para mejorar la productividad y eficiencia organizacional (^{Davenport & Ronanki, 2018}).

En términos generales, la IA se refiere a la capacidad de las máquinas para realizar tareas que, normalmente, requieren inteligencia humana, tales como: el reconocimiento de voz, la toma de decisiones y la traducción de idiomas (^{Ho, C. & Won, S. H., 2024}). Aprovechando esta capacidad de simular la inteligencia humana, la implementación de IA en las empresas ha permitido automatizar procesos repetitivos, mejorar la toma de decisiones basada en datos y ofrecer experiencias personalizadas a los clientes (^{Brock & von Wangenheim, 2019}). Estas aplicaciones no solo han aumentado la eficiencia operativa, sino que también han permitido a las empresas innovar y mantenerse competitivas en un entorno empresarial en constante cambio (^{Davenport & Ronanki, 2018}).

La productividad empresarial ha sido impulsada por diversas revoluciones tecnológicas, desde la Revolución Industrial hasta la era de la computación (^{Mokyr, 2018}). Por ende, la incorporación de la IA a los procesos corporativos representa la siguiente fase en esta evolución, proporcionando herramientas que optimizan la toma de decisiones, reducen costos operativos y mejoran la eficiencia en la gestión de recursos (Bessen, 2019). En esta línea, diversos estudios han analizado el impacto de la IA en la productividad empresarial desde diferentes perspectivas. Por un lado, algunos investigadores se centran en los beneficios económicos derivados de la reducción de recursos en los procesos (^{Aghion, Jones & Jones, 2017}). Por otro lado, entre los beneficios más destacados de la IA se encuentra su capacidad para automatizar tareas repetitivas y tediosas, liberando a los empleados para que se concentren en actividades de mayor valor añadido (^{Huang & Rust, 2018}). No obstante, su implementación también presenta retos y desafíos, como la resistencia al cambio organizacional y la necesidad de nuevas competencias laborales (Mindell & Reynolds, 2020). A pesar de estas divergencias, existe un consenso general sobre el potencial de la IA para redefinir el panorama empresarial y mejorar el desempeño de las organizaciones (^{Cockburn, Henderson & Stern, 2018}). El desempeño automatizado mediante IA permite predecir las cadenas de suministro, lo que representa un impacto significativo en el éxito de las empresas (^{Ali, S. M., Rahman, A. U., Kabir, G., & Paul, S. K., 2024}).

Por otra parte, la IA también ha tenido un impacto significativo en la mejora de la experiencia del cliente. Por ejemplo, los chatbots y los asistentes virtuales, impulsados por IA, pueden interactuar con los clientes de manera personalizada y eficiente, resolviendo consultas y problemas en tiempo real (^{Luo, Tong, Fang, & Qu, 2019}). Esto no solo mejora la satisfacción del cliente, sino que también reduce la carga de trabajo del personal de atención al cliente, permitiéndoles centrarse en casos más complejos que requieren intervención humana (^{Van Doorn et al., 2017}), No obstante, es fundamental comprender que el impacto de la inteligencia artificial en las empresas va más allá de mejorar la eficiencia y la productividad. En este sentido, es crucial considerar las cuestiones éticas y la transparencia, especialmente con la llegada de la IA generativa, la cual tiene el potencial de transformar los modelos productivos en el ámbito de la comunicación (^{Codina, L., Ufarte-Ruiz, M., & Borden, S., 2024})

En el contexto actual, las empresas buscan maximizar su eficiencia y productividad mediante la adopción de tecnologías innovadoras. Por ello, la IA ha logrado introducirse en el ámbito empresarial, ya que la misma ha demostrado ser una herramienta clave en la automatización de tareas repetitivas, permitiendo a los empleados enfocarse en actividades de mayor valor agregado (^{Frey & Osborne, 2017}). Además, la capacidad de la IA para analizar grandes volúmenes de datos en tiempo real ha optimizado la toma de decisiones estratégicas, mejorando la capacidad de respuesta ante cambios en el mercado (McKinsey Global Institute, 2018). Sin embargo, la implementación de IA en el ámbito empresarial también enfrenta importantes desafíos. Uno de los principales obstáculos es la falta de infraestructura tecnológica adecuada y la escasez de talento especializado en inteligencia artificial. Asimismo, la preocupación por la ética y la privacidad en el uso de IA ha generado debates sobre la regulación y el impacto de estas tecnologías en el empleo y la seguridad de los datos (^{Jobin, Ienca & Vayena, 2019}).

Los estudios bibliométricos, cuya función es recopilar y analizar de manera detallada las publicaciones científicas sobre un tema en particular, resultan esenciales para identificar las tendencias vigentes (Tomás-Górriz & Tomás-Casterá, 2018), así como para reconocer enfoques metodológicos y áreas del conocimiento aún inexploradas (^{García et al., 2021}; ^{Ribeiro & Aroni, 2019}). En este contexto, el análisis bibliométrico y el empleo de indicadores posibilitan la cuantificación de la información mediante la evaluación métrica de investigaciones científicas en diversas disciplinas (^{Caló, 2022}). Por ello, este estudio busca sistematizar investigaciones previas con el fin de detectar tendencias claves y hallazgos relevantes que contribuyan a mejorar la aplicación de actividades relacionadas con la gestión.

Metodología

Para el desarrollo de la investigación se llevó a cabo un análisis bibliométrico para identificar estudios académicos publicados entre 2014 y 2024 sobre la aplicación de la inteligencia artificial para aumentar la productividad empresarial. La información, extraída de bases de datos como Scopus de Elsevier y Google Scholar, se analizó mediante técnicas bibliométricas para obtener resultados cuantificables (^{Tomás-Gorríz & Tomás-Castera, 2018}). La selección de documentos relevantes se basó en ecuaciones de búsqueda booleana (inteligencia artificial OR AI AND productividad OR eficiencia OR rendimiento AND empresa OR negocio OR organización) explorando títulos y resúmenes. Además, se aplicaron criterios de inclusión como el período de publicación (2014-2024), el tipo de documento (artículos, libros y capítulos de libros), el idioma (inglés y español) y la accesibilidad, priorizando documentos disponibles. Para obtener una visión completa de la investigación actual y sus tendencias futuras, se seleccionaron 758 documentos de Scopus, Google Scholar y otras fuentes para su análisis bibliométrico. Tras normalizar los metadatos y eliminar duplicados, se examinaron los patrones de producción científica mediante indicadores como el año de publicación, tipo de documento, autor principal, áreas temáticas, fuente de publicación, país de origen, número de citas y afiliación institucional (^{Salinas & García, 2022}).

Para identificar las relaciones entre términos en la producción científica, se generó un mapa de co-ocurrencia de palabras clave a partir de los documentos seleccionados (^{Flores-Fernández & Aguilera-Eguía, 2020}). Además, se utilizó el software VOSviewer para el procesamiento y visualización de la red de co-ocurrencias, permitiendo la creación del mapa. Asimismo, Excel se empleó para complementar este análisis con tablas y gráficos descriptivos.

Resultados y discusión

Tras un análisis bibliométrico de 758 documentos -de diversos países- sobre el impacto de la Inteligencia Artificial en la productividad empresarial, se observó un crecimiento exponencial de la producción científica en este campo, sobre todo entre 2020 y 2024 (ver Figura 1).

Figura 1:  Documentos publicados por año 

La investigación abarcó 10 países y se centró en las 6 primeras naciones que han publicado más trabajos académicos en el campo abordado. En términos de productividad científica, Estados Unidos ocupa el primer puesto con un 27.8% (n=249), seguida de Reino Unido con un 21.7% (n=182), India en tercera posición, con un 17.7% (n=158), Arabia Saudita en cuarta posición, con un 13.1% (n=117), Italia en quinta posición, con un 11.3% (n=111) y Alemania en sexta posición, con un 9.8% (n=88). En la Figura 2 se muestra la distribución global de publicaciones por países:

Figura 2: Cantidad de publicación en los principales países 

La información recopilada para este estudio procedió de 758 fuentes académicas. La Tabla 2 muestra los documentos que se tomaron en cuenta para este estudio. Con respecto al número de publicaciones, la principal fuente fue la Revista de la Sociedad de la Información y la Comunicación - IEEE Access, con 43 publicaciones en esta área. Seguida por las revistas Sostenibilidad Suiza con 31 publicaciones y la Revista Internacional de Informática Avanzada y Aplicaciones con 20 publicaciones. Asimismo, la posición en los dos cuartiles superiores de los factores de impacto de sus respectivos campos muestra la importancia de estas revistas.

las investigaciones académicas entre 2014 y 2024 sobre inteligencia artificial para aumentar la productividad empresarial abarcan diversas áreas del conocimiento. Los datos recopilados de ocho disciplinas muestran que las ciencias de la computación representan el 34% de la producción científica global, seguidas por la ingeniería con un 23%. No obstante, este campo integra fundamentos teóricos de múltiples disciplinas, incluyendo ingeniería (16%), ciencias sociales (12%), economía (3%), matemáticas (7%), ciencias ambientales (6%) y física y astronomía (2%). Esto se puede ver en la Figura 3.

Figura 3: Publicación de documentos por área temática 

Un análisis de co-ocurrencia de palabras clave, basado en la revisión de los resúmenes, palabras clave y títulos de las publicaciones, cuyos resultados se muestran en la Figura 4, permitió identificar los términos más relevantes en el campo. Se seleccionaron las palabras clave que aparecieron con una frecuencia superior a tres veces. Para la visualización de la red de palabras clave conectadas, se utilizó VOSviewer (^{Van Eck, N., & Waltman, L, 2010}), que asignó colores diferenciados a cada grupo en función de su conectividad:

El análisis de agrupamiento reveló que las palabras más utilizadas eran también las más significativas para el tema de estudio, destacándose la frecuente asociación entre "inteligencia artificial" y productividad empresarial. Esto es relevante porque evidencia que la tecnología avanzada permite transformar los datos en conocimiento y generar ventajas competitivas para las organizaciones. Por lo tanto, los datos sugieren que el conocimiento derivado de las herramientas de IA contribuye a potenciar la productividad en diferentes áreas, tal y como señala Centeno (2024).

Figura 4: Co-ocurrenciade palabras clave 

Según los datos bibliométricos, se evidencia un crecimiento sostenido en el número de publicaciones sobre este tema, desde el año 2022. En este marco, resaltan las contribuciones de Cresswell, K., académico de la Facultad de Medicina de Edimburgo y de Dwivedi, Yogesh K., de la Universidad Rey Fahd de Petróleo y Minerales en Dhahran, Arabia Saudita. Asimismo, se distingue el trabajo de (^{Floridi et al., 2018}), quienes han investigado cómo la IA generativa puede crear contenido nuevo a partir de datos existentes, para tal fin, los investigadores plantean preguntas sobre la propiedad intelectual, la autenticidad y el potencial de sesgo en los algoritmos.

Asimismo, la Revista de la Sociedad de la Información y la Comunicación mostró una tendencia creciente en publicaciones que abordaban temas relacionados con la inteligencia artificial, la productividad, la organización y el aprendizaje automático, entre otros. Entre los temas más relevantes destacan: el impacto del uso de modelos de aprendizaje automático en la toma de decisiones y la exploración de datos para la obtención de conocimiento (^{Gonçalves et al., 2024}), así como un estudio que analiza el potencial de ChatGPT para optimizar los recursos de tiempo de las tareas rutinarias. A través del análisis de estos artículos quedó claro que la tecnología de software avanzada permite mejorar y optimizar la productividad y las tareas en las empresas (^{Sumbal et al., 2024}).

Por otra parte, los datos sobre colaboraciones internacionales indican que la mayoría de las investigaciones publicadas en este campo provienen de países como Estados Unidos, India, Reino Unido y Arabia Saudita. Estos estudios se enfocan en mejorar la precisión de las predicciones mediante el análisis y procesamiento de datos, lo que facilita la generación de conocimiento orientado a optimizar la productividad en empresas que dependen de tecnología de software avanzada (^{Guo et al., 2024}).

Conclusiones

El estudio reveló un reciente aumento en la investigación sobre inteligencia artificial y su impacto en la productividad empresarial. Asimismo, el análisis bibliométrico de 758 trabajos indexados en Scopus, entre 2014 y 2024, reveló que Estados Unidos lideró la producción científica por países, representando el 27.8% con 249 publicaciones. El inglés fue el idioma predominante utilizado en el 90% de los artículos científicos. La Revista de la Sociedad de la Información y la Comunicación fue la fuente más destacada, con 43 trabajos académicos, mientras que J. Wirtz, con 1309 citas en sus trabajos, fue el autor más citado.

Además, se detectó que las investigaciones sobre IA han abarcado diversos temas, incluyendo el acompañamiento institucional y el compromiso de los autores. El análisis de contenido también muestra que la tecnología de software de IA tiene un impacto positivo en la productividad empresarial. Por lo tanto, este estudio bibliométrico proporciona una base esencial para futuras investigaciones, resaltando la importancia de analizar en profundidad los avances tecnológicos como herramientas clave para mejorar la productividad organizacional.

CONTRIBUCIÓN DE LA AUTORÍA: