Impacto
de la inteligencia artificial en la administración moderna: desafíos y
oportunidades
Impact
of artificial intelligence on modern management: challenges and opportuniti=
es
|
1 |
Luis Efraín Velastegui López |
|
https://orcid.org/0000-0002-73=
53-5853 |
|
|
|
Ciencia Digital
Editorial, Ambato, Ecuador |
|||
|
2 |
Víctor Peñafiel Ga=
ibor |
|
https://orcid.org/0000-0003-32=
86-4797 |
|
|
|
Docente Investigad=
or,
Universidad Técnica de Ambato, Ambato, Ecuador. vi.penafiel@uta.edu.ec |
|
|
Artículo de Investigación Científica y Tecnológi=
ca Enviado: 11/03/2026 Revisado: 12/04/2026 Aceptado: 10/05/2026 Publicado: 26/06/2026 DOI: https://do=
i.org/10.33262/visionariodigital.v10i2.3709
=
|
||||||
|
|
|
||||||
|
Cítese: |
|
Velastegui López, L. E., & Peñafiel
Gaibor, V. (2026). Impacto de la inteligencia artificial en la administra=
ción
moderna: desafíos y oportunidades. Visionario Digital, 10(2=
),
44-58. =
https://doi.org/10.33262/visionariodigital.v10i2.3709 |
|
||||
|
|
|
|
|
||||
|
|
|
Esta revista está
protegida bajo una licencia Creative Commons
Atribución-No Comercial-Compartir Igual 4.0 International. Copia de la
licencia: |
|
||||
|
Palabras clave:=
Inteligencia
Artificial; Administración moderna; Gobernanza corporativa; Toma de
decisiones; Metodología PRISMA. |
|
Resumen El
presente estudio analiza de manera integral la transformación estructural=
que
genera la Inteligencia Artificial (IA) en la administración moderna. I=
ntroducción:
La cuarta revolución industrial ha reconfigurado las dinámicas
organizacionales, convirtiendo a la IA en un pilar transversal para la op=
timización
de procesos y la toma de decisiones, aunque su despliegue introduce compl=
ejos
dilemas éticos y de gobernanza corporativa. Metodología: Se ejecutó
una revisión sistemática de la literatura fundamentada en la declaración
PRISMA 2020, realizando búsquedas multibase de datos (Scopus,
Web of Science y =
ScienceDirect), seleccionando finalmente 10 estudio=
s de
alta relevancia tras superar cuatro fases rigurosas de inclusión y exclus=
ión.
Resultados: Se evidenció que la IA impulsa la eficiencia operativa
mediante la Automatización Robótica de Procesos (RPA Inteligente), la
analítica prescriptiva y la personalización en la gestión del talento hum=
ano;
sin embargo, plantea desafíos críticos vinculados al sesgo algorítmico,
riesgos de ciberseguridad, opacidad en modelos de decisión y desplazamien=
to
laboral. Conclusiones: La efectividad de la IA en la gestión
organizacional no depende únicamente de la innovación tecnológica, sino d=
e la
adopción de marcos de gobernanza ética y un liderazgo transformacional
centrado en potenciar las capacidades humanas mediante la complementaried=
ad
hombre-máquina. Área de estudio general: Ciencias Económicas y
Administrativas. Área de estudio específica: Administración de
Empresas y Gestión Tecnológica Organizacional. =
Tipo de artículo:=
Original. |
|||||
|
Keywords:<=
/span> Artifi=
cial
Intelligence; Modern management; Corporate governance; Decision making;
PRISMA methodology. |
|
Abstract This study comprehensively analyzes the
structural transformation generated by Artificial Intelligence (AI) in mo=
dern
management. Introduction: The fourth industrial revolution has
reconfigured organizational dynamics, positioning AI as a cross-cutting
pillar for process optimization and decision-making, although its deploym=
ent
introduces complex ethical and corporate governance dilemmas. Methodol=
ogy:
A systematic literature review was executed based on the PRISMA 2020
statement, conducting multi-database searches (Scopus, Web of Science, and
ScienceDirect), ultimately selecting 10 high-relevance studies after pass=
ing
four rigorous inclusion and exclusion phases. Results: It was
evidenced that AI drives operational efficiency through AI-assisted Robot=
ic
Process Automation (Intelligent RPA), prescriptive analytics, and
personalization in human talent management; however, it poses critical
challenges linked to algorithmic bias, cybersecurity risks, opacity in
decision models, and job displacement. Conclusions: The effectiven=
ess
of AI in organizational management does not depend solely on technological
innovation, but on the adoption of ethical governance frameworks and
transformational leadership focused on enhancing human capabilities throu=
gh
human-machine complementarity. General study area: Economic and
Administrative Sciences. Specific study area: Business Administrat=
ion
and Organizational Technology Management. Item
Type: Original. |
|||||
=
1. Introducción
La
cuarta revolución industrial ha transformado significativamente la dinámica
operativa, estratégica y estructural de las organizaciones modernas (Schwab,
2016). En el centro de este paradigma de transformación digital, la
inteligencia artificial (IA) ya no es solo una esperanza especulativa para
consolidarse como un pilar transversal en la optimización de procesos, la t=
oma
de decisiones y la gestión del talento humano (Davenport & Ronanki, 2018; Kaplan & Haen=
lein,
2019). La administración moderna, que tradicionalmente se centraba en la
planificación, organización, dirección y control estricto de los recursos
humanos y materiales, está sufriendo una metamorfosis sin precedentes,
incorporando sistemas algorítmicos destinados al procesamiento masivo de da=
tos en
tiempo real y a la automatización de tareas de alta complejidad cognitiva (=
Brynjolfsson & McAfee, 2014; Russell & Norvig, 2022)
La
adopción generalizada de la inteligencia artificial en el entorno empresari=
al
introduce una dualidad metodológica caracterizada por ricas oportunidades p=
ara
la eficiencia operativa y complejos dilemas ético-estructurales (Agrawal et al., 2018; Jobin et
al., 2019). Por un lado, la integración de tecnologías basadas en aprendiza=
je
automático (ML), procesamiento del lenguaje natural (NLP) y análisis
prescriptivo permite a las empresas aumentar la productividad, personalizar=
la
experiencia del usuario y reducir el margen de error operativo (Makridakis, 2017). Por otro lado, la velocidad aceler=
ada de
implementación de estas soluciones crea serios problemas relacionados con la
obsolescencia de las habilidades laborales tradicionales, sesgos algorítmic=
os
latentes, riesgos relacionados con la protección de la información y la urg=
ente
necesidad de redefinir el marco institucional de la gobernanza y el poder
ejecutivo (Di Vaio et al., 2020; West, 2018).
La
investigación en administración aplicada en este contexto requiere un análi=
sis
sistemático que vaya más allá de posiciones puramente =
tecnocéntricas
o apocalípticas. Es imperativo explorar cómo la IA está alterando las
competencias gerenciales y cómo las organizaciones pueden estructurar siste=
mas
de contratación responsable que mejoren las capacidades humanas en lugar de
reemplazarlas. El principal objetivo de esta investigación es investigar de
manera integral el impacto de la inteligencia artificial en la administraci=
ón
moderna, analizar sus principales oportunidades de desarrollo, identificar =
los
desafíos significativos de su implementación y determinar lineamientos
estratégicos para una gestión ética y efectiva en el ecosistema empresarial=
del
siglo XXI.
Oportunidades
de la IA en la Gestión Organizacional
El
impacto positivo de la inteligencia artificial en la gestión moderna se
manifiesta en varias dimensiones funcionales que están transformando
radicalmente la forma en que las empresas crean, entregan y capturan valor =
en
sus mercados.
Automatización
avanzada y eficiencia Operativa
Una
de las contribuciones más directas de la inteligencia artificial a la
administración es el desarrollo de una automatización rigurosa con sistemas=
de
automatización de procesos robóticos (RPA inteligente) respaldados por IA. A
diferencia de los sistemas informáticos anteriores que solo aplicaban reglas
deterministas fijas, la IA puede procesar datos no estructurados como factu=
ras
digitalizadas, correos electrónicos, contratos y solicitudes de servicio al
cliente, automatizando flujos de trabajo administrativos complejos.
Libera
a los empleados de tareas rutinarias y de bajo valor agregado, permitiéndol=
es
reasignar su tiempo y esfuerzo a actividades estratégicas que requieren
pensamiento crítico, negociación y creatividad.
Toma
de decisiones basada en analítica predictiva y prescriptiva}
La
gestión estratégica tradicional se basaba en el análisis histórico de las
cuentas y los informes periódicos, lo que creaba un desfase entre la ocurre=
ncia
de un evento y la respuesta de la gerencia. La IA transforma este enfoque
mediante el uso de modelos analíticos predictivos que evalúan patrones
complejos en grandes cantidades de datos (Big Data). Los gerentes y
administradores de hoy cuentan con paneles de control que pueden simular
escenarios de riesgo, predecir variaciones en la demanda de materias primas,
optimizar las cadenas de suministro y determinar las acciones operativas más
apropiadas antes de que ocurran interrupciones en el mercado.
Transformación
de la gestión de talento humano
En
RRHH, la IA está revolucionando la adquisición, selección y fidelización de
talento. Los algoritmos de coincidencia automatizados le permiten filtrar
perfiles profesionales en función de competencias clave, lo que reduce
significativamente el tiempo de contratación. Además, los sistemas de análi=
sis
de aprendizaje monitorean el clima organizacional y evalúan los viajes de
aprendizaje de los empleados, y recomiendan programas de desarrollo profesi=
onal
personalizados que aumentan el compromiso y la retención de los empleados e=
n un
entorno altamente competitivo.
Desafíos
críticos y riesgos estructurales
A
pesar del importante potencial de optimización de la inteligencia artificia=
l,
su adopción no regulada o su falta de visión estratégica crea graves riesgos
que la gestión moderna debe mitigar activamente.
Sesgo
algorítmico y discriminación automatizada
Los
modelos de IA aprenden de conjuntos de datos históricos. Si estos datos
reflejan sesgos implícitos, desigualdades estructurales o prácticas
discriminatorias pasadas dentro de la organización, el algoritmo reproducir=
á y
amplificará estos sesgos a gran escala. El uso de sistemas no transparentes
(conocidos como "cajas negras") en los procesos de contratación
administrativa o en la concesión de créditos corporativos puede provocar la
exclusión injustificada de determinados colectivos, exponiendo a la empresa=
a
graves sanciones legales y daños reputacionales imprevistos.
Ciberseguridad,
privacidad y gobernanza de datos
La
eficacia de las herramientas de IA depende directamente de la calidad y
cantidad de datos introducidos en el sistema. La recopilación, el
almacenamiento y el procesamiento masivo de información confidencial de
clientes, proveedores y empleados aumentan la vulnerabilidad de una
organización a los ciberataques y las filtraciones de datos. La administrac=
ión
moderna se ve obligada a adaptar estrictamente su infraestructura tecnológi=
ca a
estrictas normas internacionales de protección de datos personales,
garantizando siempre el consentimiento informado y la confidencialidad de la
información.
Desplazamiento
laboral y reorganización del trabajo
El
temor al desempleo tecnológico resultante de la automatización de las funci=
ones
administrativas intermedias exige una profunda reestructuración del concept=
o de
gestión. La transición no debe considerarse como una sustitución masiva de
personal, sino como un proceso de reciclaje (reentrenamiento) y mejora (mej=
ora)
de las capacidades de las personas. Los líderes organizacionales deben abor=
dar
la resistencia al cambio y fomentar una cultura corporativa de aprendizaje
continuo donde la tecnología complemente el talento humano en lugar de marg=
inarlo.
2.
Metodología
Para
garantizar precisión metodológica, replicabilidad y transparencia en la
revisión sistemática de la literatura sobre el impacto de la inteligencia
artificial en la administración moderna, este estudio se estructuró de acue=
rdo
con las pautas estandarizadas de la declaración PRISMA 2020 (elementos de
informes preferidos para revisiones sistemáticas y met=
análisis)
propuestos por Page et al.
Criterios
de elegibilidad y selección
La
selección de publicaciones científicas se fundamentó en criterios de inclus=
ión
y exclusión preestablecidos, orientados a garantizar la relevancia teórica =
y la
vigencia analítica de los estudios seleccionados:
· =
Criterios
de Inclusión:
=
(a) Artículos
originales publicados en revistas científicas indexadas en Scopus,
Web of Science (
=
(b) Libros
y capítulos de libros teóricos publicados por editoriales de alto prestigio
académico
=
(c) Publicaciones
en idioma inglés o español editadas entre los años 2014 y 2024
=
(d) Estudios
enfocados explícitamente en la aplicación, impacto, oportunidades o desafíos
ético-administrativos de la IA en entornos corporativos y gerenciales.
· =
Criterios
de Exclusión:
=
(a) Artículos
de divulgación no arbitrados o literatura gris sin revisión por pares
=
(b) Investigaciones
con enfoque puramente informático o técnico que no abordaran la dimensión
organizativa o administrativa
=
(c) Documentos
con texto completo inaccesible
(d)
Publicaciones duplicadas en múltiples
bases de datos.
Fuentes
de información y estrategia de búsqueda
Se
realizó una búsqueda sistemática en múltiples bases de datos combinando
operadores booleanos (AND, OR) y descriptores clave de la literatura
especializada.
La ca=
dena
de búsqueda principal util=
izada
incluyó los siguientes términos: ("Artificial Intelligence" OR
"Machine Learning" OR "Algorithmic Decision Making") AND
("Management" OR "Business Administration" OR
"Corporate Governance" OR "Human Resources") AND ("=
;Opportunities"
OR "Ethics" OR "Challenges").
Diagrama
de flujo y fases del proceso PRISMA
El
proceso de selección documental se dividió en cuatro pasos secuenciales:
identificación, selección, elegibilidad e inclusión.
Tabla
1
Procedimiento
prisma
|
Etapa PRISMA |
Descripción del Procedimiento<=
/span> |
|
1. Identificación |
Búsqueda inicial en bases de datos bibliográficas (Scopus,
Scielo, Google Schoolar). |
|
Depuración |
Eliminación de registros duplicados detectados mediante gestores
bibliográficos. |
|
2. Cribado (Screening) |
Evaluación de títulos y resúmenes (abstracts<=
/span>)
aplicando los criterios de inclusión/exclusión. Exclusión de estudios no
pertinentes. |
|
3. Elegibilidad |
Lectura a texto completo de los artículos seleccionados para verif=
icar
el abordaje de la gestión administrativa y la ética corporativa. Exclusión
por falta de enfoque administrativo o texto incompleto. |
|
4. Inclusión |
Estudios finales seleccionados para la síntesis cualitativa e
integración bibliográfica del manuscrito. |
Síntesis
y extracción de datos
Para
extraer los datos se creó una matriz analítica que registró autores, año de
publicación, título, fuente de indexación, principal enfoque temático (toma=
de
decisiones, ética, automatización o recursos humanos) y principales aportes=
de
la gestión. La información recopilada se organizó temáticamente para contra=
star
actitudes hacia las oportunidades y riesgos asociados a la inteligencia
artificial en las organizaciones.
3.
Resultados
El
proceso de búsqueda e identificación bibliográfica se ejecuto conforme el
protocolo PRISMA:
=
1. Fase
de Identificación: Se recuperó una muestra inicial de $N =3D 200$ publicaci=
ones
científicas extraídas directamente de la base de datos Scopus.
=
2. Fase
de Cribado (Screening): Se evaluaron los metadatos completos y la distribuc=
ión
temática del total de registros. El cuerpo documental recuperado se concent=
ró
en publicaciones recientes correspondientes a los años 2026 ($n =3D 179$; 8=
9.5%)
y 2027 ($n =3D 21$; 10.5%). Respecto a la tipología de los documentos, la m=
uestra
se compuso mayoritariamente por artículos originales ($n =3D 95$; 47.5%) y
revisiones bibliográficas (Reviews) ($n =3D 93$;
46.5%), complementados por ponencias de conferencias ($n =3D 10$; 5.0%), ca=
rtas
($n =3D 1$; 0.5%) y revisiones de conferencias ($n =3D 1$; 0.5%).
=
3. Fase
de Elegibilidad: Se aplicó un filtro cualitativo basado en el enfoque
metodológico y la idoneidad temático-administrativa. Se agruparon las 200
publicaciones en cinco clústeres sectoriales:
o
Ingeniería, Tecnología Aplicada e
Infraestructura: $n =3D 57$ (28.5%)
o
Educación y Gestión Académica: $n =3D =
55$
(27.5%)
o
Salud y Gestión Clínica / Hospitalaria=
: $n
=3D 49$ (24.5%)
o
Gestión Empresarial, Recursos Humanos
(HRM) y Toma de Decisiones: $n =3D 32$ (16.0%)
o
Sostenibilidad, Medio Ambiente y
Agricultura: $n =3D 7$ (3.5%)
4.
Fase de Inclusión: Tras la evaluación =
de
texto completo e idoneidad temática, se seleccionaron los estudios clave
representativos del subconjunto de Gestión Empresarial, HRM y Decisiones pa=
ra
sustentar la síntesis de resultados y la discusión teórico-práctica del
manuscrito.
Hallazgos
temáticos principales
De
acuerdo con la caracterización de los estudios incluidos en el subconjunto
gerencial, se identificaron cuatro grandes núcleos de resultados:
a)
Toma de decisiones gerenciales,
autonomía y gestión del conocimiento
Los
hallazgos muestran una evolución desde la simple analítica predictiva hacia=
la
coexistencia interactiva entre el juicio gerencial y la delegación algorítm=
ica.
Cristofaro & Bañón-Gomis (2026) sostienen q=
ue el
éxito directivo reside en negociar el nivel de autonomía concedido a los
sistemas de IA, evitando tanto la adicción algorítmica como la aversión al
automatismo. Asimismo, la integración de la lógica difusa y la analítica
avanzada permite optimizar la predicción de riesgos y la toma de decisiones
financieras a nivel corporativo (Tsao & Che=
n,
2026).
b)
Transformación en la gestión del
talento humano (HRM) y Rendimiento Organizacional
La
literatura evidencia una adopción creciente de la IA en la planificación y
programación de la fuerza laboral. Wang et al. (2026) demuestran que los
sistemas de HRM impulsados por IA optimizan sustancialmente la programación=
de
personal, la evaluación del rendimiento y la asignación de turnos. A nivel
estratégico, Huang et al. (2026) afirman que los algoritmos evolutivos
multiobjetivo permiten resolver problemas complejos de programación de recu=
rsos
humanos a gran escala, incrementando la agilidad organizativa. Por su parte=
, Faezah et al. (2027) resaltan que la IA en la gestión=
de
personas ejerce un impacto directo sobre la cultura de aprendizaje y el
liderazgo transformacional.
c)
Automatización operativa y asiste=
ncia
tecnológica a pequeñas empresas
El
despliegue de asistentes inteligentes basados en arquitectura de modelos
conversacionales (chatbots e IA generativa) está
democratizando la eficiencia administrativa. Adetunji<=
/span>
& Ade-Ibijola (2026) comprueban que el uso =
de
asistentes virtuales especializados permite automatizar tareas cotidianas en
micro y pequeñas empresas (MIPYMES), mejorando la velocidad de respuesta
comercial y reduciendo la carga de trabajo operativo. En el sector financie=
ro y
de servicios, Amato et al. (2026) y Pérez-Moure=
et
al. (2026) señalan que los sistemas de alerta temprana combinados con la
segmentación algorítmica permiten reestructurar la innovación de servicios =
B2B.
d)
Dinámicas de aceptación, disrupci=
ón y
formación emprendedora
La
percepción de los actores clave influye directamente en la tasa de adopción=
de
la IA. Perret et al. (2026) observan que la aceptación de algoritmos para la
gestión de activos depende de la confianza institucional transmitida por la
firma. En el ámbito académico y de preparación ejecutiva, Dong et al. (2026)
identifican que las evaluaciones sobre IA generativa moldean la intención
emprendedora de los estudiantes de negocios, actuando como una oportunidad =
de
desarrollo o como una barrera autopercibida.=
4.
Discusión
La
integración transversal de la inteligencia artificial (IA) en la administra=
ción
moderna es un cambio de paradigma que supera la automatización instrumental
descrita al inicio de la cuarta revolución industrial. Al comparar los
resultados de la revisión sistemática actual según la metodología PRISMA 20=
20
con los marcos conceptuales clásicos y modernos, se ve una clara transición=
de
una gestión del desempeño estática a un entorno de gestión adaptativo basad=
o en
datos masivos y sistemas de aprendizaje continuo.
Reconfiguración
de la toma de decisiones y autonomía gerencial
Los
resultados de la revisión confirman que los análisis predictivos y
prescriptivos han cambiado significativamente el proceso de toma de decisio=
nes
organizacional. Tradicionalmente, la alta dirección se basaba en balances
históricos e informes trimestrales estáticos, lo que creaba una brecha crít=
ica
a la hora de responder a las perturbaciones del mercado. Según hallazgos
recientes de Davenport & Ronanki (2018) y K=
aplan &
Haenlein (2019), Cristofar=
o
y&Bañón-Gomis (2026) y Tsao
& Chen (2026) muestran que las herramientas de IA no solo procesan enor=
mes
cantidades de información (Big Data), sino que también permiten simular
escenarios de alta demanda.
Sin
embargo, la literatura analizada advierte del surgimiento de la "parad=
oja
de la delegación algorítmica". Aunque los algoritmos mejoran la precis=
ión
analítica, la excesiva dependencia de modelos opacos o de “caja negra”
compromete la autonomía del juicio de la dirección. La gestión moderna no
debería limitarse a seguir los resultados de algoritmos; Por el contrario, =
como
sostienen Cristofaro & Bañón-Gomis (2026) y
Russell & Norvig (2022), el papel del ejecu=
tivo
está evolucionando hacia una mediación crítica (human-in-the-loop) dirigida a la contextualización social y políti=
ca de
los resultados generados por la IA.
Impacto en la gestión del talento huma=
no
(HRM) y la cultura organizacional
En la dimensión de recursos humanos, l=
os
hallazgos revelan que la inteligencia artificial ha acelerado los procesos =
de
selección de talento, evaluación del desempeño y retención a través de
algoritmos de emparejamiento y aprendizaje automático. Autores como Wang et=
al.
(2026) y Huang et al. (2026) demuestran empíricamente que los sistemas de
gestión de recursos humanos optimizan la planificación de la fuerza laboral=
y
resuelven problemas clave de asignación de recursos, aumentando
significativamente la agilidad organizacional.
Sin embargo, este avance operativo cho=
ca
directamente con los desafíos éticos analizados en el marco teórico. La
literatura muestra que el uso no supervisado de datos históricos para entre=
nar
algoritmos de selección perpetúa y refuerza los sesgos implícitos de género,
etnia o edad, lo que lleva a prácticas discriminatorias automatizadas. Como
señalaron Jobin et al. (2019) y Faezah
et al. (2027), la implementación responsable de la inteligencia artificial =
en
la gestión de recursos humanos requiere una auditoría algorítmica constante=
y
la promoción de una cultura de aprendizaje continuo (up-skilling
y re-killing), que reduzca la ansiedad por el
desplazamiento laboral y reduzca la resistencia al cambio de gestión.
Productividad operativa vs Desafíos de
gobernanza y ciberseguridad
El análisis de los sectores evaluados =
en
el corpus documental (salud, educación, servicios B2B e infraestructuras)
refleja una mejora transversal de los indicadores de eficiencia con la
introducción de la Automatización Robótica de Procesos Asistida por IA (Sma=
rt
RPA) y los asistentes virtuales conversacionales. Como observaron Adetunji & Ade-Ibijola
(2026), estas soluciones democratizan la capacidad analítica y la capacidad=
de
respuesta en las micro y pequeñas empresas (MIPYMES).
A pesar de estas oportunidades, los
hallazgos resaltan la existencia de riesgos estructurales críticos relacion=
ados
con la protección de datos y la ciberseguridad. La vasta colección de datos
empresariales e individuales necesarios para impulsar los modelos predictiv=
os
expone a las organizacionales a graves vulnerabilidades cibernéticas. De
acuerdo con lo formulado por Di Vaio et al. (20=
20) y
West (2018), la gestión actual no puede considerar la inteligencia artifici=
al
solo como una herramienta tecnológica, sino como un activo estratégico suje=
to a
reglas regulatorias y políticas claras de gobernanza de datos.
Síntesis y requisito de un modelo de
adopción holístico
En resumen, la revisión de la literatu=
ra
muestra que la inteligencia artificial no es una solución única ni una amen=
aza
inevitable para el empleo directivo. Su impacto positivo en la eficiencia y=
la
ventaja competitiva esta determinado por la capacidad de la dirección para
determinar el equilibrio entre el poder del procesamiento algorítmico y los
principios éticos de la organización. La organizaciones lideres del siglo X=
XI
no serán aquellas que mecanicen ciegamente sus procesos, sino aquellas que
logren una simbiosis estratégica basada en la complementariedad de la
inteligencia artificial y la sabiduría ejecutiva humana.
· =
La
IA ha superado la rígida automatización de tareas repetitivas para converti=
rse
en un catalizador de valor estratégico. La implementación de soluciones de
análisis prescriptivo y automatización de procesos robóticos respaldados po=
r IA
(RPA inteligente) permite a las organizaciones procesar datos no estructura=
dos
en tiempo real, reducir la probabilidad de errores operativos y evolucionar
desde un enfoque administrativo reactivo hacia una toma de decisiones
predictiva y ágil.
· =
La
proliferación de tecnologías analíticas crea riesgos latentes que amenazan =
la
sostenibilidad organizacional si no se abordan de manera proactiva. La
presencia de sesgos algorítmicos en la selección de personal o en la evalua=
ción
crediticia, la vulnerabilidad de la protección de datos y la opacidad de los
modelos de "caja negra" exigen una estricta institucionalización =
de
los sistemas de gobernanza ética. La implementación de tecnología no puede
funcionar sin auditorías continuas y mecanismos claros de monitoreo humano.=
· =
Ante
el riesgo de desplazamiento laboral derivado de la automatización cognitiva=
, la
administración actual debe emprender una transición basada en la
complementariedad hombre-máquina. La función de gestión requiere un cambio =
de
la supervisión tradicional a una gestión transformacional, centrándose en
programas continuos de reciclaje y mejora de habilidades, mejorando las
habilidades, el pensamiento crítico y la ética empresarial que son
indispensables para los modelos algorítmicos.
·
En conclusión, el éxito de la intelige=
ncia
artificial en el ámbito administrativo no depende de la complejidad técnica=
de
los algoritmos, sino de la capacidad estratégica de las empresas para integ=
rar
estas herramientas en una visión antropocéntrica y éticamente responsable. =
Las
futuras líneas de investigación deberían profundizar en modelos empíricos q=
ue
midan el impacto de la gobernanza algorítmica en la reputación corporativa =
y la
sostenibilidad de las pequeñas y medianas empresas (PYME) en un nuevo entor=
no.
=
6. C=
onflicto
de intereses
Los autores declaran que no existe conflic=
to
de intereses en relación con el artículo presentado.
=
7. D=
eclaración
de contribución de los autores
Todos autores contribuyeron significativam=
ente
en la elaboración del artículo.
8.
C=
ostos
de financiamiento
La presente investigación fue financiada e=
n su
totalidad con fondos propios de los autores.
9.
Bibliografía
Adetunji,
R. O., & Ade-Ibijola, A. (2026).
Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machi=
nes:
The simple economics of artificial intelligence. Harvard Business Press. https://hbsp.harvard.edu/product/1149BC-P=
DF-ENG
Amato,
A., Machado, M. R., & Moreira, J. L. R. (2026). Leveraging early warning systems and customer
segmentation to identify business opportunities in the financial industry.
International Journal of Information Management Data Insights, 6(1), 100428=
. https://doi.org/10.1016/j.jjimei.2026.100=
428
Brynjolfsson, E., &
McAfee, A. (2014). The second machine age: Work, progress, and prosperity i=
n a
time of brilliant technologies. W. W. Norton & Company. http://digamo.free.fr/brynmacafee2.pdf
Cristofar=
o, M., & Bañón-Gomis, A.
J. (2026). Dancing with the algorithm: a framework to navigate knowledge and
autonomy in AI-assisted managerial decisions. Journal of Knowledge Manageme=
nt, 30(11),
1–31. https://doi.org/10.1108/JKM-06-2025-0870<=
/span>
Davenport, T. H., &
Di
Vaio, A., Palladino, R., Hassan, R., & Esco=
bar,
O. (2020). Artificial
intelligence and business models in the sustainable development goals
perspective: A systematic literature review. Journal of Business Research, =
121,
283-314. https://doi.org/10.1016/j.jb=
usres.2020.08.019
Dong, H., Liao, Z., Wangdu, F., Wang, N., Tao, Y., & Liu, B. (2026).
Challenge or hindrance? How generative artificial
intelligence appraisals shape business students’ artificial intelligence en=
trepreneurial
intention. International Journal of Management Education, 24(3), 101=
470.
https://doi.org/10.1016/j.ijme.2026.10147=
0
Faezah, J. N., Ismail, N. I., Salleh, M. N. M., &
Huang, J., Yao, F., Zhan, =
H.,
Zhang, Z., Chen, C., Xing, L., & Song, Y. (2026). Large-scale
multi-objective human resource scheduling for organizational agility: An
improved co-evolutionary NSGA-II algorithm. Expert Systems with Application=
s, 331(133270),
133270. https://doi.org/10.1016/j.eswa.2026.13327=
0
Jobin, A., Ienca,
M., & Vayena, E. (2019). The global landsca=
pe of
AI ethics guidelines. Nature Machine Intelligence, 1(9), 389-399.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the
fairest in the land? On the interpretations, illustrations, and implication=
s of
artificial intelligence. Business Horizons, 62(1), 15-25. https://doi.org/10.1016/j.bushor.2018.08.=
004
Makridaki=
s, S. (2017). The forthcoming Artificial Intelligen=
ce
(AI) revolution: Its impact on society and firms. Futures, 90, 46-60. https://pure.unic.ac.cy/en/p=
ublications/the-forthcoming-artificial-intelligence-ai-revolution-its-impac=
t-/
Page, M. J., McKenzie, J. =
E., Bossuyt, P. M., Boutron, =
I.,
Hoffmann, T. C., Mulrow, C. D., Shamseer, L., <=
span
class=3DSpellE>Tetzlaff, J. M., Akl, E. =
A.,
Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson,
A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moh=
er,
D. (2021). The PRISMA 2020 statement: an updated guideline for reporting
systematic reviews. BMJ (Clinical Research Ed.), 372, n71. https://doi.org/10.1136/bmj.n71
Pérez-Moure, H., Lampón, J. F., Velando-Rodríguez, M.-E., &=
amp; Rodriguez-Comesaña, L. (2026). Transforming B2B service innovation – the path tow=
ard
new digital-intensive business through entrepreneurship. Journal of Business
and Industrial Marketing, 41(13), 76–102. https://doi.org/10.1108/JBIM-11-2024-0856=
Perret, J. K., Mandic, G.,
& Herselman, D. W. (2026). Artificial
intelligence in asset management: a study of its acceptance by investors.
Discover Artificial Intelligence, 6(1). https://doi.org/10.1007/s44163-026-00883-=
3
Russell, S., & Norvig, P. (2022). Artificial intelligence: A modern
approach (4th ed.). Pearson. http://lib.ysu.am/discipline=
s_bk/efdd4d1d4c2087fe1cbe03d9ced67f34.pdf
Schwab, K. (2016). =
La
cuarta revolución industrial. Debate. https://economiapoliticaf=
eunam.wordpress.com/wp-content/uploads/2020/05/klaus-schwab.la-4c2b0-rev.-i=
ndustrial-2.pdf
Tsao, S., & Chen, W.
(2026). A hybrid framework integrating fuzzy logic and artificial intellige=
nce
for corporate financial management and risk prediction. Discover Computing,=
29(1).
https://doi.org/10.1007/s10791-026-09969-=
z
Wang, Y., Zheng, P., Guan,=
Y.,
& Zhang, Q. (2026). Enhancing hospital workforce planning, scheduling, =
and
performance evaluation through an AI-driven human resource management syste=
m.
Scientific Reports, 16(1). https://doi.org/10.1038/s41598-026-43102-=
w
West, D. M. (2018). The fu=
ture
of work: Robots, AI, and automation. Brookings Institution Press.
El
artículo que se publica es de exclusiva responsabilidad de los autores y no
necesariamente reflejan el pensamiento de la Revista Visionario Digital.
=
El
artículo queda en propiedad de la revista y, por tanto, su publicación parc=
ial
y/o total en otro medio tiene que ser autorizado por el director de la Revista Visionario Digital.
=