Aplicaciones de la inteligencia

artificial en la estrategia empresarial

Item Type info:eu-repo/semantics/bachelorThesis

Authors Chinchay Martinez, Paky Milagros; Lozada Celi, Milagros Yadira

Publisher Universidad Peruana de Ciencias Aplicadas (UPC)

Rights info:eu-repo/semantics/openAccess; Attribution-

NonCommercial-ShareAlike 4.0 International

Download date 07/05/2023 21:57:44

Item License http://creativecommons.org/licenses/by-nc-sa/4.0/

Link to Item http://hdl.handle.net/10757/652935

 UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE NEGOCIOS

PROGRAMA ACADÉMICO DE ADMINISTRACIÓN DE EMPRESAS

APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN LA

ESTRATEGIA EMPRESARIAL

TRABAJO DE SUFICIENCIA PROFESIONAL

Para optar el título profesional de Licenciado en Administración de Empresas

AUTORAS

Chinchay Martínez, Paky Milagros (0000-0003-0012-3812)

Lozada Celi, Milagros Yadira (0000-0001-7841-093X)

ASESOR

Palacios Ruiz, Julio (0000-0003-1610-5205)

Lima, 6 de marzo del 2020

1
 Dedicamos el presente trabajo a Dios y a nuestras familias.

Sin su apoyo no hubiéramos podido alcanzar las metas que nos trazamos.

2
 AGRADECIMIENTOS

Agradecemos a la Universidad Peruana de Ciencias Aplicadas por permitirnos ser parte de esta
prestigiosa casa de estudios; en especial, expresamos nuestra gratitud a su cuerpo docente.
Expresamos un especial reconocimiento a nuestro asesor, Julio Palacios Ruiz, quien ha
compartido generosamente su saber y su experiencia, y nos ha acompañado constantemente
durante la elaboración del presente trabajo.

3
 RESUMEN

Este trabajo busca conocer —a partir de una exhaustiva revisión de artículos de alto
impacto— cuáles son las principales aplicaciones de la inteligencia artificial (IA) que han
potenciado las estrategias empresariales. Se abordan los siguientes temas para responder la
pregunta de investigación. En primer lugar, se define inteligencia artificial y se estudia su
evolución; se alude también a las distintas posturas respecto a ella. En segundo lugar, se explica
en qué consiste la inteligencia de negocios, ya que en los últimos años las empresas han
demostrado interés por mejorar sus procesos con base en el manejo de grandes volúmenes de
datos. En tercer lugar, se analiza el aporte de la IA a la inteligencia de negocios, su aplicación en
las distintas unidades organizativas y el apoyo a la generación de estrategias empresariales.
Finalmente, se incide en cómo la IA permite mejorar las estrategias de las organizaciones. Se
concluye que la IA transforma la interacción de los humanos con las máquinas, ayudando a
aumentar sus capacidades para la toma de decisiones, lo que es especialmente relevante para los
negocios contemporáneos y, en particular, para la estrategia empresarial.

Palabras clave: inteligencia artificial, inteligencia de negocios, estrategia empresarial, toma de

decisiones, aplicaciones de inteligencia artificial

Applications of Artificial Intelligence in Business Strategy

4
 ABSTRACT

This work seeks to undestand, since an extensive review of very important articles, which
are the main applications of the artificial intelligence (AI) that have improved the business
strategies. The following issues are addressed in order to answer the questions of the
investigative work. First, artificial intelligence is defined and its evolution is studied. It also
refers to different positions abou it. Second, it is explained what the business intelligence
consists, because, lately, companies have been interested in improving their processes based on
the management of big data. Third, the contribution of the AI to the business intelligence is
analyzed; also its application to the different organisational units and the support to the
generation of business strategies are analyzed. Finally, the focus is on how the AI allows to
improve the strategies of the organizations. It is concluded that the AI transforms the interaction
of the human beings with machines, helping to increase their capacities of making decisions;
this is very important for the contemporary business, and especially for the business strategy.

Keywords: artificial intelligence, business intelligence, business strategy, making decisions,

applications of artificial intelligence

5
 ÍNDICE DE CONTENIDO

1. INTRODUCCIÓN .............................................................................................................. 9
2. MÉTODO DE INVESTIGACIÓN ................................................................................... 11
3. LA INTELIGENCIA ARTIFICIAL ................................................................................. 11
3.1 Definición, nacimiento e hitos de la inteligencia artificial ......................................... 12
3.2 Las diversas posturas respecto a la inteligencia artificial ........................................... 16
4. INTELIGENCIA DE NEGOCIOS ................................................................................... 19
4.1 Definición de inteligencia de negocios ....................................................................... 19
4.2 Aplicación de la inteligencia de negocios .................................................................. 22
5. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL ............................................ 24
5.1 Aplicaciones de la inteligencia artificial en sectores clave ........................................ 25
5.2 La aplicación de la inteligencia artificial en los procesos empresariales ................... 29
5.2.1 Marketing ............................................................................................................ 30
5.2.2 Ventas .................................................................................................................. 32
5.2.3 Finanzas ............................................................................................................... 33
5.2.4 Servicios financieros ........................................................................................... 34
5.2.5 Recursos humanos ............................................................................................... 34
5.2.6 Desarrollo de tecnologías de la información y software ..................................... 35
5.2.7 Servicio al cliente ................................................................................................ 36
6. TRANSFORMACIÓN DE LA ESTRATEGIA EMPRESARIAL .................................. 39
7. CONCLUSIONES ............................................................................................................ 43
8. REFERENCIAS ............................................................................................................... 45
9. ANEXOS .......................................................................................................................... 49
9.1 Revisión bibliográfica................................................................................................. 49
9.2 Desarrollo de la Matriz 1 ............................................................................................ 51

6
 ÍNDICE DE TABLAS

Tabla 1. Evolución de la industria informática desde la perspectiva de Makridakis

Tabla 2. Casos de uso de la inteligencia artificial en el marketing
Tabla 3. Casos de optimización dentro de la unidad de Marketing
Tabla 4. Casos de uso de conversión en ventas
Tabla 5. Casos de uso en asistencia al vendedor
Tabla 6. Otros casos de uso en asistencia al vendedor
Tabla 7. Casos de uso en finanzas
Tabla 8. Casos de uso en el área de Recursos Humanos
Tabla 9. Casos de uso en tecnologías de la información
Tabla 10. Otros casos de uso en tecnologías de la información
Tabla 11. Casos de uso en Servicio al Cliente

7
 ÍNDICE DE FIGURAS

Figura 1. Evolución de las publicaciones sobre inteligencia artificial en International Journal of

Information Management

Figura 2. Inteligencia de negocios y las dimensiones que implica

Figura 3. Aplicación de la inteligencia artificial en las áreas del negocio

Figura 4. Esquema sobre la gestión del conocimiento

Figura 5. Estructura de plataforma en una organización de IA

Figura 6. Estrategias de habilidades para una organización de IA

8
1. INTRODUCCIÓN
La inteligencia artificial (IA) se ha estudiado durante décadas. En 1950, Alan Turing desarrolló
la prueba que lleva su nombre, con la que se podía comprobar si la inteligencia de una
computadora se asemejaba a la de un ser humano. Posteriormente, en 1956, John McCarthy,
Marvin Minsky y Claude Shannon propusieron el término inteligencia artificial en la
Conferencia de Dartmouth. Estos dos hitos determinaron el inicio de una investigación que se ha
profundizado con el pasar de los años.

Hoy en día, la IA es utilizada en diferentes organizaciones y se beneficia de los grandes

volúmenes de datos del llamado big data. Esta es una nueva era donde las empresas buscan
desarrollarse a través de estrategias más asertivas y enfocadas en los objetivos empresariales, de
manera que se transformen y sean más competitivas apoyándose en la inteligencia de negocios.
Según lo hallado en el curso de nuestra investigación, para el 2037 se predice que existirán
nuevas aplicaciones y máquinas que sustituirán, complementarán o amplificarán las tareas que
hoy son realizadas exclusivamente por el ser humano (Makridakis, 2017). Así pues, el entorno
empresarial está en constante cambio a raíz de los avances tecnológicos, y la IA es uno de los
mayores aportes.

Es preciso revisar brevemente algunos conceptos importantes. Proponer una definición

del término inteligencia artificial resulta problemático, sobre todo por la primera palabra. En
efecto, “artificial” se entiende sin problemas como aquello que se opone a lo natural; sin
embargo, definir “inteligencia” es harto complejo. De ahí que no se cuente con una definición
definitiva. No obstante, en este trabajo, como se verá más adelante, se considera que la IA es la
teoría y el uso de sistemas informáticos para desempeñar actividades características del ser
humano.

Hemos identificado que existen dos escuelas de pensamiento sobre IA. La primera es la que
se centra en la inteligencia artificial convencional, también conocida como simbólico-deductiva.
Está basada en el análisis formal del comportamiento humano ante distintos problemas, como el
razonamiento basado en casos, sistemas expertos, redes bayesianas, inteligencia artificial basada
en comportamiento, smart process management. La segunda se enfoca en la inteligencia artificial
computacional, también conocida como IA subsimbólica-inductiva; implica el aprendizaje
interactivo basado en datos empíricos. Para nuestro Trabajo de Suficiencia Profesional (TSP),
como se indicó, consultamos varios artículos; sin embargo, consideramos siete autores
principales, todos ellos pertenecientes a la última corriente mencionada, la de la inteligencia

9
artificial computacional: Spyros Makridakis, Ulrich Lichtenthaler, Foster Provost, Tom Fawcett,
David Carmona, Yunus Emrah Bulut y Zacarias Voulgaris.

Otro concepto importante para este trabajo es el de inteligencia de negocios. Algunos la

definen como un conjunto de tecnologías sustentadas en la IA que ayudan en la toma de
decisiones. Esta investigación permitirá conocer lo importante que es para las empresas la
búsqueda de información y datos, con la finalidad de darles un buen uso y desarrollar estrategias
empresariales adecuadas.

A su vez, la estrategia empresarial viene a ser un factor clave en las empresas, en tanto
ayuda a cumplir objetivos organizacionales. Las empresas que ya cuentan con un modelo de
negocio establecido deben adaptarse a una nueva estrategia que contenga innovación
competitiva. Por lo tanto, un requisito para lograr una ventaja competitiva es que el activo tenga
valor en el contexto de la nueva estrategia.

La investigación realizada ha permitido encontrar diversos avances tecnológicos

sustentados en IA, pero interesa sobre todo conocer cómo impacta en los diferentes sectores
empresariales. Este es un tema controversial, pues existe el temor de que pronto las máquinas
inteligentes reemplacen al ser humano en diversas actividades, como la toma de decisiones.
Dado que este es un tema relevante para la generación de estrategias empresariales, hemos
definido la siguiente pregunta de investigación: ¿cuáles son, según la bibliografía pertinente, las
principales aplicaciones de la inteligencia artificial que han potenciado las estrategias
empresariales?

En función de esta pregunta de investigación, determinamos tres objetivos específicos. En

primer lugar, se buscará comprender el concepto de la IA y su relación con las organizaciones y
los grandes volúmenes de datos, y las posturas sobre ella (apartado 3). Luego, se busca explicar
la importancia de la inteligencia de negocios sustentada en la IA para la toma de decisiones en
las organizaciones (apartado 4); se describen también las diversas aplicaciones sustentadas en IA
en los distintos sectores, con énfasis en los empresariales (apartado 5). Finalmente, se explica
cómo la IA ayuda a mejorar las estrategias de las organizaciones (apartado 6).

La indagación bibliográfica nos permite concluir que la IA transforma la interacción de los

humanos con las máquinas, ayudando a aumentar sus capacidades para la toma de decisiones, lo
que es especialmente relevante para el mundo de los negocios hoy y, en particular, para la
estrategia empresarial.

10
 2. MÉTODO DE INVESTIGACIÓN
El método utilizado para la presente investigación es el de observación bibliográfica. Esta se
basa en el establecimiento previo de las categorías, criterios y temas centrales sobre la
información recogida, gracias a lo cual se determina variables, aspectos relevantes y puntos
comunes que se utilizarán para organizar la información encontrada.

Las fuentes utilizadas corresponden, fundamentalmente, a artículos que cumplen estos

parámetros:

• Se encuentran en los cuartiles 1 y 2 (Q1 y Q2) de Journal Citation Report y Scimago.

• Se ha consultado fuentes cuyo año de publicación no es mayor a cinco años; es decir, se
trabajó con artículos publicados desde el 2013 al 2018. Sin embargo, fue necesario hacer
uso de publicaciones más recientes, debido a lo actual y controversial del tema.
• Se usó, finalmente, libros recomendados por la Universidad Peruana de Ciencias
Aplicadas.

Para el desarrollo del TSP se elaboraron cuatro matrices (véase “Anexos”) donde se consignó
la siguiente información:

• La matriz n.° 1 (M1), denominada selección documental, incluye referencias, resúmenes

y subtemas identificados en los artículos leídos.
• La matriz n.° 2 (M2), denominada investigación documental, incluye las referencias y
resúmenes por subtema identificado.
• La matriz n.° 3 (M3) contiene los subtemas, la justificación, y los objetivos específicos de
la investigación.
• La matriz n.° 4 (M4) desarrolla los subtemas desde el punto de vista de cada uno de los
autores consultados.

3. LA INTELIGENCIA ARTIFICIAL
El interés por la inteligencia artificial (IA) es creciente. Tomemos como índice las publicaciones
en un medio prestigioso. En efecto, Duan, Edwards y Dwivedi (2019) nos muestran cómo ha
evolucionado la investigación sobre la IA de forma sustancial mediante artículos publicados en

11
Social Science Information Studies (SSIS), actualmente denominada International Journal of
Information Management (IJIM). Esto se visualiza claramente en la figura 2, que muestra un
resumen estadístico sobre el crecimiento del interés en la IA en la era del big data, desde 1983
hasta el 2018.

Figura 1. Evolución de las publicaciones sobre inteligencia artificial en International

Journal of Information Management. La parte de cada barra marcada con color negro
indica la cantidad de artículos sobre IA en esta revista. Imagen tomada de "Artificial
intelligence for decision making in the era of Big Data: Evolution, challenges and
research agenda" por Y. Duan, J. S. Edwards & Y. K. Dwivedi, 2019, International
Journal of Information Management, 48, p. 65.

Como se puede apreciar, el número de artículos publicados se mantuvo constante de 1983 a

2010: aproximadamente dos artículos por año (57 artículos en 28 años), de los cuales menos de
la mitad eran documentos sustantivos de IA. Sin embargo, el lapso 2011-2014 mostró un
aumento considerable: 24 documentos en cuatro años. El período más reciente, 2015-2018,
muestra un aumento aún mayor: 42 documentos en cuatro años, de los cuales 25 eran
documentos sustantivos de IA, es decir, el mismo número de artículos sustantivos aparecidos en
el lapso mayor de 1983 a 2013.
3.1 Definición, nacimiento e hitos de la inteligencia artificial
Es preciso profundizar sobre la definición y la evolución de la IA, ya que en los últimos años ha
suscitado numerosas posturas divergentes. En cuanto a lo primero, Yunus y Zacarias (2018)
definen la IA como un conjunto de algoritmos que utiliza información, principalmente en forma
de datos, para tomar decisiones y llevar a cabo tareas tal como lo harían los humanos. En
12
términos de Russell, Norvig e Intelligence (1995, como se cita en Jarrahi, 2018), se puede definir
la IA como aquellos sistemas inteligentes con la capacidad de pensar y aprender. A su vez, Duan
et al. (2019) la definen como la capacidad de una máquina para aprender de la experiencia,
ajustarse a nuevas realidades y realizar tareas similares a las humanas.

Para comprender la IA, es fundamental considerar el uso de los grandes volúmenes de

datos, mejor conocido como big data. Este es un elemento vital para la resolución de problemas
organizacionales. La calidad y cantidad de datos son vitales para una efectiva información. En el
big data se destacan cuatro elementos esenciales: captura, almacenamiento, gestión y análisis.
Manyika et al. (2011, citados por Cheng, Zhang, & Qin, 2016) consideran cinco aspectos
importantes de big data: volumen (gran cantidad de datos), variedad (gama de tipos de datos y
fuentes), velocidad (cambios en los datos), veracidad (incertidumbre por la inconsistencia de
datos) y valor (el valor de las ideas y beneficios). Es importante mencionar que los datos
analizados sufren ciertos obstáculos, como la necesidad de manejar rápidamente la gran cantidad
de datos de alta dimensión, el cambio rápido del contenido de los datos, y la variedad de datos
provenientes de diferentes fuentes con diferentes tipos.

Determinemos a continuación algunos hitos en la evolución de la IA. El profesor Alan

Turing es considerado uno de los padres de la ciencia de la computación y precursor de la
informática moderna. Fue el primero en hablar sobre IA desde una perspectiva teórica y práctica;
además, creó la primera computadora. Durante la Segunda Guerra Mundial, trabajó en descifrar
los códigos nazis, particularmente los de la máquina Enigma, y durante un tiempo fue el director
de la sección Naval Enigma del Bletchley Park.

Unos de los aportes que hicieron famoso al profesor Alan Turing es la Prueba de Turing.
Indican Yunus y Zacarias (2018) que se trata de un método simple pero poderoso para
determinar si una computadora está lo suficientemente avanzada como para manifestar
inteligencia. Esta prueba implica tomar un humano y una computadora, y ocultarlos de otro
humano. Este último, conocido como examinador, hace a cada uno una serie de preguntas, sin
saber cuál es cuál. Si el examinador no puede determinar a partir de las respuestas a estas
preguntas si está hablando con un humano o con una computadora, entonces se dice que la
computadora ha pasado la prueba. Esta simple prueba se ha mantenido como un estándar para la
IA.

Como refiere Pan (2016), posteriormente, en 1956, el profesor J. McCarthy, de la

Universidad de Stanford, el profesor M.L. Minsky, del Instituto de Tecnología de Massachusetts,

13
y los profesores H. Simon y A. Newell, de la Universidad Carnegie Mellon (los cuatro recibieron
el Premio Turing), junto con C.E. Shannon (conocido como el padre de la teoría de la
información) de los Laboratorios Bell, y N. Rochester de IBM, y otros académicos, establecieron
por primera vez el concepto de IA en el Dartmouth College (Estados Unidos). Para estas
personas, la IA se refería a la capacidad de las máquinas para comprender, pensar y aprender de
manera similar a los seres humanos, lo que abría la posibilidad de usar computadoras para
simular la inteligencia humana.

Desde la década de 1970, según este mismo autor, la IA se ha desarrollado en campos de

investigación que incluyen pruebas de teoremas mecánicos, traducción automática, sistemas
expertos, teoría de juegos, reconocimiento de patrones, aprendizaje automático, robótica y
control inteligente. Indica Pan (2016) que la IA ha experimentado 60 años de desarrollo
continuo, con abundantes avances y retrocesos. Respecto a esto último, considera que hubo tres
ocasiones en que se evidenciaron.

La primera se trató de un informe que discutió el concepto del autómata, los robots y

el sistema nervioso central como áreas de investigación fundamental de IA. Se llegó a las
siguientes conclusiones: la investigación sobre el autómata y el sistema nervioso central tenía
valor, pero su implementación fue decepcionante. La investigación sobre el robot no tenía valor y
el desarrollo fue una decepción espectacular y, por lo tanto, debió cancelarse. De hecho, IA
todavía estaba en su infancia en el momento de este informe.

El segundo revés ocurrió en 1982 en Japón. El Ministerio de Comercio Internacional e

Industria de Japón comenzó el proyecto de una computadora de quinta generación que tenía
como objetivo construir una máquina de inferencia paralela con mil unidades de
procesamiento capaces de incorporar mil millones de grupos de información a fin de desarrollar
la capacidad de escuchar y hablar. Se tenía la esperanza de crear algo que posea la capacidad de
inferir y procesar conocimiento; sin embargo, el desarrollo de esta computadora resultó fallido.
Para 1992, el proyecto había gastado 850 millones de dólares, sin avances en problemas
tecnológicos clave. Esta falla proporcionó información que indicaba que el desarrollo de la IA
debía estar impulsado principalmente por la innovación y el software, con el hardware adecuado
para respaldar la operación.

El tercer revés ocurrió en 1984, cuando la Universidad de Stanford intentó construir

manualmente una enciclopedia de conocimiento que contenía todo el conocimiento humano de
sentido común. La expectativa era alcanzar la capacidad inferencial a nivel humano. Aunque la

14
enciclopedia de conocimiento incorporó una cantidad considerable de datos y conocimiento, las
capacidades de internet y big data poseían más poder debido que empleaban mejores motores de
búsqueda. El desarrollo del ciclo comenzó a disminuir a fines de la década de 1990 y, a pesar de
su capacidad para vincularse a bases de conocimiento externos como DBpedia, Freebase y
el World Factbook de la Agencia Central de Inteligencia (CIA), su declive fue inminente. La
lección fue que no es factible aprender grandes cantidades de conocimiento de las experiencias
humanas. En cambio, el conocimiento debe obtenerse del entorno automáticamente.

Otro hito importante es el desarrollo de la inteligencia artificial 2.0, que es la nueva

generación de IA. Ella, según Pan (2016) incluye como nuevas fuentes de información al
internet, los dispositivos móviles, la comunidad en red, redes de sensores y big data. Bajo esta
nueva versión, se han definido nuevos objetivos de desarrollo, los cuales se relacionan con las
demandas de la sociedad e incluyen el desarrollo de ciudades, economías, fabricación, medicina,
hogares y vehículos inteligentes. Las nuevas tecnologías que se espera se actualicen incluyen las
áreas de inteligencia basada en big data, inteligencia de multitudes en internet, inteligencia entre
medios, inteligencia autónoma e inteligencia aumentada híbrida hombre-máquina. Asimismo, la
IA 2.0 trae una extensión de la investigación que involucra la robótica a sistemas más autónomos
e inteligentes enfocados en desarrollar maquinaria y productos inteligentes. Es, en suma, una
nueva etapa de investigación que es diferente a la de los últimos 60 años, pues se centra en los
avances actuales en tecnología con el objetivo de buscar avances en IA combinando fuerzas
impulsoras internas y externas.

En comparación con otros momentos de la historia de la IA, la IA 2.0 integrará

inteligencia natural e inteligencia artificial para mejorar la actividad intelectual humana y se
integrará estrechamente en la vida humana hasta el punto de ser parte del cuerpo humano; a ello
se le conoce como inteligencia híbrida aumentada. La IA 2.0 también será propicia para resolver
problemas específicos, como el tratamiento médico, el diseño de productos, la conducción segura
y la conservación de energía.

La tecnología IA 2.0 tendrá características distintivas, como el proceso de combinar la

orientación basada en datos y los procedimientos propios de la cognición humana mediante el
aprendizaje autónomo. Además, se alejará del procesamiento de datos categóricos, como datos
visuales, auditivos y escritos, y se dirigirá hacia la cognición, el aprendizaje y la inferencia a
través de los medios (Pan, 2016).

15
3.2 Las diversas posturas respecto a la inteligencia artificial
A medida que las aplicaciones de IA se incrementan, las organizaciones se enfrentan a preguntas
inquietantes sobre la influencia de IA en los centros de trabajo. A menudo, se argumenta que
"para cualquier habilidad en la que uno pueda pensar, algunos informáticos ya pueden estar
tratando de desarrollar un algoritmo para hacerlo" (McCrory, Westerman, Hammadi &
Brynjolfsson, 2014, citados por Duan et al., 2019, p. 14). Para el CEO de IBM, Ginni Rometty,
las tecnologías de IA son "tecnologías para aumentar la inteligencia humana [...]. En general,
vemos un mundo en el que se trata de una asociación entre el hombre y la máquina y esto de
hecho nos hará mejores […]”. (Duan et al., 2019, p. 63)

Reid Hoffman, presidente ejecutivo de LinkedIn, indicó que los sistemas de IA permiten
a los humanos tomar mejores decisiones, ya que la IA "puede examinar grandes cantidades de
datos para resaltar las cosas más interesantes, momento en el que los gerentes pueden
profundizar, utilizando inteligencia humana, para llegar a conclusiones y tomar medidas"
(Jarrahi, 2018, p. 581). Los ejecutivos de las corporaciones más grandes de Estados Unidos
clasificaron la IA y el aprendizaje automático como las fuerzas más disruptivas en el panorama
empresarial del futuro cercano (New Vantage Partners, 2017, citado por Jarrahi, 2018). Sin
embargo, una encuesta reciente de Accenture (2017) citada por Jarrahi (2018) revela que el 85%
de los ejecutivos encuestados tienen planes para invertir en tecnologías relacionadas con la IA en
los próximos 3 años.

Frente a las valoraciones optimistas, existen otras más cautas. Wright y Schultz (2018),
aunque no asumen ninguna postura, indican que existe controversia respecto a la aplicación de la
IA en lo que respecta a la automatización, debido a que algunos investigadores manifiestan que
la automatización afecta dramáticamente a los trabajadores, las empresas, las naciones, las
economías y la sociedad en general. Eso ocasionaría el estancamiento laboral y la desigualdad
social, y favorecería solamente a las economías estables, como Estados Unidos, Japón, China y
Alemania, mas no a las emergentes como Brasil y las de Medio Oriente.

A su turno, Barrat (2013) indica que la IA se desarrollará aún más en los próximos veinte
años, de modo que la maquinaria inteligente y los robots podrían convertirse en
nuestra invención final, ya que pueden terminar con la supremacía humana.

Makridakis (2017) comenta que la IA tendrá un impacto mayor que la revolución digital.
Lo que se mantiene incierto es el impacto que puede ocasionar su evolución. En un artículo
publicado en 1995, Makridakis ya predijo la revolución digital para el 2015, aunque no

16
contempló que el desarrollo tecnológico sería mayor debido a que no consideró la creación de los
teléfonos inteligentes, internet y sistemas inteligentes que apoyen a la mejor toma de decisiones.
Además, predijo la súper automatización que conducía a fábricas desatendidas, lo que significaba
que "para 2015 habrá poca necesidad de que las personas realicen tareas manuales o mentales
repetitivas” (Makridakis, 2017, p. 47). También previó el declive de las grandes empresas
industriales, el aumento de la competencia mundial y la caída del porcentaje de la fuerza laboral
empleada en la agricultura y la manufactura. Este investigador propone una evolución en estos
términos. En la tabla 1, podemos verificar el recorrido desde máquinas de vapor hasta las
fábricas desatendidas, desde la computadora ENIAC hasta big data y desde dispositivos de redes
neuronales hasta autos autónomos.

Tabla 1
Evolución de la industria informática desde la perspectiva de Makridakis

Nota: Tomado de "The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms", por S.
Makridakis, 2017, Futures, 90, p. 47.
Junto a estas dos grandes posturas delineadas, conviene reseñar también la clasificación
propuesta por el mismo Makridakis (2017), quien encuentra que hay cuatro posturas:

● Los optimistas: Kurzweil y otros optimistas predicen un futuro utópico de "ciencia

ficción" con Genética, Nanotecnología y Robótica (GNR), lo que permitirá a los
humanos aprovechar la velocidad, las capacidades de memoria y la capacidad de
intercambio de conocimientos de las computadoras. La genética permitiría cambiar
nuestros genes para evitar enfermedades e incluso revertir el envejecimiento y o lograr la
inmortalidad. La nanotecnología, utilizando impresoras 3D, permitirá crear productos
físicos a partir de información y materiales económicos que generen una creación
ilimitada de riqueza. Finalmente, los robots harían todo el trabajo real, dejando a los
humanos con la opción de pasar su tiempo realizando actividades de su elección.

17
 ● Los pesimistas: Makridakis cita a Joy: "Nuestras tecnologías más poderosas del siglo
XXI (robótica, ingeniería genética y nanotecnología) amenazan con hacer de los humanos
una especie en peligro de extinción". Joy señaló que a medida que las máquinas se
vuelven cada vez más inteligentes, las personas dejarán que tomen todas las decisiones
importantes por ellos, ya que se lograrán mejores resultados. Joy y muchos otros, como
Cellan-Jones y Bostrom, creen que Kurzweil y sus seguidores no ven el peligro potencial
que pueden surgir de las máquinas pensantes y los robots inteligentes.
● Los pragmáticos: En la actualidad, la gran mayoría de los puntos de vista sobre las
futuras implicaciones de la IA son negativos, preocupados por sus posibles consecuencias
distópicas. Sin embargo, hay quienes consideran que se puede sacar algún provecho.
Baraniuk piensa, por ejemplo, que podríamos aprender a explotar el poder de las
computadoras para aumentar nuestras propias habilidades y siempre estar un paso por
delante de la IA y no estar en desventaja.
● Los que dudan: Estos no creen que la IA sea una amenaza para la humanidad. Dreyfus,
por poner un caso, argumenta que la inteligencia humana y la experiencia no pueden ser
replicadas y capturadas en reglas formales. Por el contrario, cree que la IA es una
moda de la industria informática.

Sin embargo, según Makridakis (2017), se debería llegar a un punto intermedio donde las
máquinas y los humanos puedan coexistir buscando aumentar las habilidades humanas a través
de la IA para la toma de decisiones. Asimismo, el desafío al cual se tendrían que enfrentar las
sociedades y empresas sería utilizar correctamente la tecnología de la IA, la cual brinda grandes
oportunidades a las industrias como, por ejemplo, mejorar la productividad, mejorar la calidad,
minimizar errores en la producción, etc. Esta postura no implica que se descarte el hecho de que
también podría ocasionar desventajas como mayor desempleo y mayor desigualdad de las
riquezas. De hecho, como ya se indicó, este especialista predice que para el año 2037 existirán
nuevas aplicaciones y máquinas que puedan sustituir, complementar o amplificar tanto las tareas
comunes como las mentales, las cuales hasta el momento son exclusivas de la raza humana
(Makridakis, 2017).

Lichtenthaler (2020) argumenta que las empresas siempre deben ir un paso más allá de la
evolución de los algoritmos inteligentes y las analíticas avanzadas. El autor considera que tanto
la IA como la inteligencia humana son importantes, por lo que las empresas estarán obligadas a
combinar ambas transformándose en una sola, llamada metainteligencia.

18
 En esta misma línea, según diversos tratadistas, la IA no es una amenaza sino un
complemento que ayudará a ser más eficiente y oportuna la toma de decisiones en el mundo de
los emprendedores (Obschonka & Audretsch, 2019). Algunos profesionales e investigadores
sostienen que la IA debería usarse para aumentar el juicio humano en lugar de enfocarse en la
automatización. Los sistemas de la IA deberían ser diseñados con la intención de aumentar las
capacidades humanas y no de reemplazarlas. Hirsch (2018) afirma que la IA está transformando
la relación entre humanos y máquina. De la misma forma, Jarrahi (2018) indica que la IA no
reemplazará a los humanos; por el contrario, ayudará a aumentar sus capacidades para la toma de
decisiones. Quizá todos ellos suscribirían lo dicho por Kevin Kelly (2012, como se citó en
Jarrahi, 2018, p. 585): "Esto no es una carrera contra las máquinas... Es una carrera con las
máquinas...".

Metcalf, Askay y Rosenberg (2019) concuerdan en que la IA puede mejorar las

capacidades humanas más no reemplazarlas. Precisan que ayuda con las limitaciones asociadas a
la toma de decisiones, amplificando la inteligencia humana en los equipos de trabajo mediante la
automatización de las tareas más específicas. El tener mayor capacidad para analizar grandes
volúmenes de datos permitirá a los seres humanos tomar decisiones más rápidas, más efectivas y
eficaces creando mejores estrategias.

Coincidimos, pues, en que la IA es una herramienta que ayuda a las organizaciones con el
análisis de grandes volúmenes de datos con la finalidad de tener la información necesaria para
generar estrategias empresariales adecuadas y tomar decisiones asertivas. En ese sentido, no es
conveniente ceñirse a juicios pesimistas como el de Stephen Hawking, para quien "el desarrollo
de Inteligencia Artificial completa podría significar el fin de la raza humana" (Duan et al., 2019,
p. 63).

4. INTELIGENCIA DE NEGOCIOS
4.1 Definición de inteligencia de negocios

En los últimos años, se nota que el interés de las empresas por la información se ha incrementado
de manera sustancial, debido a que el entorno empresarial requiere tomar decisiones con la
finalidad de invertir (Hou, 2012).

19
 Para Davenport (s.f. como cita Arnott, Lizama, & Song, 2017, p. 58) la inteligencia de
negocios “es una amplia gama de procesos y software utilizados para recopilar, analizar y
difundir datos, todo en aras de una mejor toma de decisiones”.

Chen, Wang y Eckerson (2010) consideran que la inteligencia de negocios es un término

genérico conformado por un conjunto de tecnologías, como, por ejemplo, almacenes de datos,
minería de datos, sistemas soportados en IA, procesamiento analítico en línea (OLAP), sistema
de soporte de decisiones (DSS), cuadro de mando integral, etcétera. La inteligencia de negocios
es importante para mejorar los flujos de trabajo y el proceso de toma de decisiones, como se
puede apreciar en la figura 2 al final de este apartado.

Evelson (2011, como se cita en Rouhani, Ashrafi, Zare Ravasan, & Afshari, 2016) afirma
que la inteligencia de negocios es una de las áreas líderes en tecnología de la información. Según
este autor, las empresas necesitan demostrar la relación entre las funciones de la inteligencia de
negocios y sus beneficios para justificar su inversión en los diferentes proyectos, con el objetivo
de proporcionar resultados especiales para mejorar habilidades de toma de decisiones a nivel
gerencial.

Asimismo, Howson (2008, como se cita en Rouhani et al., 2016) declara que la adopción
de la inteligencia de negocios en el entorno empresarial da como resultado que las
organizaciones ganen ventajas competitivas a través del aprovechamiento de datos. En la misma
línea, mencionan Rouhani et al. (2016) que los autores Ramamurthy et al. (2008) afirman que las
organizaciones pueden obtener una ventaja competitiva mediante el aprovechamiento de la
tecnología de almacenamiento de datos para las iniciativas de la inteligencia de negocio.

Eidizadeh, Salehzadeh y Chitsaz Esfahani, (2017) mencionan la relación que existe entre
la inteligencia de negocios, el intercambio de conocimientos, la innovación organizativa y las
ventajas competitivas en las empresas.

La inteligencia de negocios es definida por estos autores como un nuevo enfoque en la

arquitectura organizacional. Viene a ser la base de la velocidad en el análisis de la información
en la toma de decisiones de una organización. Asimismo, mencionan que las empresas que
logran una ventaja competitiva pueden crear más valor para los clientes y tienen la capacidad de
obtener una posición superior en el mercado. Por otro lado, la inteligencia de negocio relaciona
todo un marco de negocios que integra procesos, instrumentos y tecnología, los cuales están
diseñados para convertir datos en información e información en conocimiento, lo que conduce a

20
añadir valor a la organización (Williams & Williams, 2004; Sharda et al., 2014, como se citan en
Eidizadeh et al., 2017).

Por otro lado, en el artículo de Eidizadeh et al. que venimos reseñando, se cita a Jiménez-
Jiménez et al. (2008), quienes mencionan que la innovación es la clave principal para la ventaja
competitiva y el éxito a largo plazo en mercados competitivos. Esto se debe a que las
organizaciones que disfrutan de una alta capacidad de innovación podrán responder a los
desafíos ambientales más rápido y mejor que las organizaciones no innovadoras, y esto potencia
la autoeficiencia de la organización. En la misma línea, se cita a Porter (1990), quien considera
que el principal reto para las empresas es lograr la ventaja competitiva a través de actos de
innovación.

Chen (2012, como se cita en Eidizadeh et al., 2017) menciona que la inteligencia de
negocios y la flexibilidad de la infraestructura de las tecnologías de la información (TI) son las
principales fuentes de agilidad y ventaja competitiva en una organización. Otros especialistas
consideran que la globalización es una tendencia sostenida, ello a raíz de los avances
tecnológicos, la liberalización del comercio y la competencia en mercados internacionales
(Cateora, 1996; Baldauf et al., 2000; y Leonidou et al., 2012, como se citan en Eidizadeh et al.,
2017). Las causas de este incremento y el desarrollo de negocios internacionales se dan a raíz del
progreso constante de las tecnologías de comunicación y transporte, las políticas de
liberalización económica de los gobiernos, el desarrollo de las instituciones internacionales de
facilitación del comercio y el aumento de la competencia global (Daniels & Radebaugh, 2001;
Kahiya, 2013, citados por Eidizadeh et al., 2017), lo que sugiere que todas las empresas deben
estar organizadas de manera que puedan competir en un entorno global.

A su vez, los autores Rikhardsson, y Yigitbasioglu (2018) afirman que la inteligencia de

negocios es importante en todas las industrias, ya que orienta a las organizaciones en la toma de
decisiones. Los autores mencionan el emprendimiento, al cual están inclinadas las nuevas
generaciones que crecieron en la era digital (personas nacidas después del año 1980). Asimismo,
estos mismos autores afirman que la inteligencia de negocios soportada en la IA y el big data es
importante; contribuye a diferentes sectores, como la economía, la política, la gestión, la
innovación y la psicología, y permite a las iniciativas empresariales tomar decisiones más
asertivas.

21
 Finalmente, los autores Vajirakachorn y Chongwatpol (2017) realizaron un estudio en el
sector turismo y se cuestionaron sobre cómo traducir los datos en información valiosa que
permita generar estrategias adecuadas para el turismo de festivales de comida en Tailandia. Esta
labor actualmente se analiza de manera tradicional a través de estadísticas descriptivas o análisis
de regresión convencional basados en Excel, los que pone en riesgo factores importantes y afecta
la toma de decisiones. Debido a que actualmente no se ha profundizado el uso de la inteligencia
de negocios e IA en este sector, concuerdan que la inteligencia de negocios es un área importante
que abre oportunidades. Ella permite integrar datos estructurados y no estructurados de fuentes
emergentes realizando procesos analíticos para convertir los datos en estrategias de marketing
para la mejor toma de decisiones en el sector turismo.

4.2 Aplicación de la inteligencia de negocios

Arnott et al. (2017) indican que la inteligencia de negocios se aplica mediante sistemas de
soporte de decisiones (SSD) a gran escala, lo que asegura que los recursos se utilicen de manera
eficiente. Asimismo, concuerdan en que la inteligencia de negocios se puede utilizar en todos los
niveles gerenciales mediante tres aspectos: la planificación estratégica (proceso de decidir sobre
los objetivos de la organización, los recursos necesarios para alcanzar estos objetivos y las
políticas para la adquisición y uso de los recursos); el control de gestión (proceso mediante el
cual los gerentes aseguran que los recursos que se obtengan se utilicen de manera efectiva y
eficiente para el logro de los objetivos de la organización); y el control operativo (proceso que se
encarga de asegurar que las tareas específicas se lleven a cabo de manera efectiva y eficiente).

Gartner (2017, como se cita en Rikhardsson & Yigitbasioglu, 2018) indica que existen
cuatro elementos tecnológicos básicos de las aplicaciones de la inteligencia de negocios y
analítica (BI&A) en cualquier organización. Estos son la infraestructura (infraestructura en la
nube), la gestión de datos (integración de datos internos y externos), el análisis de datos (técnicas
estadísticas e IA) y la entrega de información (tableros). Estos elementos están integrados, lo que
significa que sin infraestructura los datos no pueden capturarse y almacenarse de manera efectiva
y eficiente; sin tecnologías de gestión de datos, la tecnología de análisis no puede implementarse;
y sin la entrega de información a los tomadores de decisiones, el análisis no tiene ningún valor.

Moro, Cortez y Rita (2015) aseguran, después del análisis realizado entre el 2002 y el
2013, que la aplicación de la inteligencia de negocios ha evolucionado significativamente en el

22
sector financiero, lo que permite a las entidades bancarias aumentar su rentabilidad mediante la
gestión de la relación con sus clientes. Mencionan la aplicación de la inteligencia de negocios
mediante sistemas automatizados y sistemas de relaciones con el cliente (CRM), los cuales abren
nuevos canales de comunicación que brindan beneficios y, por ende, generan la preferencia y el
aumento de la utilidad del negocio.

En cuanto a la educación, Combita, Cómbita y Morales (2018) analizan cómo la

inteligencia de negocios apoya a este sector realizando análisis adecuados que les permitan
alcanzar los objetivos institucionales. La aplicación de la gestión de la inteligencia de negocios
hoy en día opera en un entorno complejo y dinámico a la vez; los procesos de globalización y los
avances tecnológicos han generado una fuerte competencia. Es por ello que las universidades
requieren realizar un análisis adecuado de la información disponible a fin de conocer mejor a sus
estudiantes para mejorar el aprendizaje y satisfacer sus necesidades educativas. Actualmente, se
tienen herramientas de inteligencia de negocios en la nube, lo que ayuda a las universidades a
reducir costos de software. Asimismo, se menciona el concepto de gobierno de inteligencia de
negocios, el cual es la práctica que define estándares, procesos y tecnologías para que la
organización pueda ejercer autoridad y tomar decisiones sobre los asuntos relacionados con los
datos. Por lo tanto, con la implementación de la inteligencia de negocios, las altas gerencias
pueden conocer lo que está sucediendo en cada una de las facultades y mejorar su rendimiento y
competencias rápidamente.

Zangoueinezhad y Moshabaki (2009), apoyándose en diversos autores, indican que hoy

en día las organizaciones utilizan inteligencia competitiva (IC). Esta no es solo una metodología
de investigación de mercado, sino un proceso que permite conocer lo que la competencia está
haciendo un paso por delante. La finalidad es reunir información sobre competidores y aplicarla
a la planificación estratégica a corto y largo plazo. Asimismo, estos autores consideran que el IC
se ha convertido en una disciplina de gestión y estrategia de negocios, logrando de esta forma
combinar, desarrollar y presentar una perspectiva diferente para conseguir ventajas competitivas
persistentes.

Del mismo modo, estos autores (citando a Roos et al., 1997) indican que existe una nueva
fuente de ventaja competitiva llamada capital estructural de la organización. Dicha fuente ayuda
a que las empresas puedan alcanzar el conocimiento de las preferencias de los clientes a través de
sistemas interactivos de información, como bases de datos, organigramas, instrucciones
ejecutivas de los procesos, estrategias, programas administrativos, entre otros. Asimismo,

23
permite a las empresas mejorar la selección de proveedores y aprender sobre tecnologías de
proceso de las competencias.

Finalmente, Zangoueinezhad y Moshabaki (2009, citando a Morgan & Michael, 2007; y a

Powell & Bradford, 2000) mencionan que la inteligencia competitiva implica tres funciones
principales: la recolección y organización de datos, el análisis e interpretación de datos y la
difusión de la inteligencia.

En síntesis, como se puede apreciar en la figura 2, parte fundamental para la aplicación

de la inteligencia de negocios en las organizaciones son los sistemas desarrollados con base en la
IA.

Figura 2. Inteligencia de negocios y las dimensiones que implica. Elaboración propia

5. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL

El uso y aplicación de la IA para la toma de decisiones en las organizaciones es una realidad.

Con el pasar de los años y el crecimiento tecnológico, las organizaciones están optando por la
implementación de diferentes sistemas sustentados en la IA, la cual les permite
automatizar diversas gestiones en las diferentes áreas que la conforman, haciéndolas más

24
eficientes y eficaces, y creando valor. Antes de aterrizar en su impacto en la estrategia
empresarial, conviene conocer mejor sus diversas aplicaciones.

5.1 Aplicaciones de la inteligencia artificial en sectores clave

En el libro The AI organization, Carmona (2019) describe las diferentes aplicaciones sustentadas
en la IA que apoyan a diferentes sectores. Afirma que esta actualmente es esencial para
solucionar diferentes problemas sociales y optimizar procesos dentro de las organizaciones, lo
que permite tomar decisiones asertivas y oportunas. Entre sus capacidades menciona el
aprendizaje, que es la capacidad de aprender con el tiempo sin necesidad de una programación
explícita; la percepción, área exclusivamente de los humanos por su complejidad, abordada, por
ejemplo, en el Microsoft Research en el 2014 mediante su técnica Red Neuronal Residual o en
los actuales Siri, Alexa, Cortana; y la cognición, capacidad de adquirir y procesar conocimiento
para razonar, comprender, resolver problemas, planificar y tomar decisiones.

De la misma forma, Davenport y Romanki (2018) clasifican las aplicaciones de la IA en

tres categorías: la automatización cognitiva de procesos ayuda a automatizar las actividades
administrativas y financieras utilizando automatización robótica de procesos; las centradas en
perspectivas cognitivas detectan patrones en los datos e interpretan su significado utilizando
algoritmos de aprendizaje automático basados en estadísticas; finalmente, las que implican el
compromiso cognitivo involucran a empleados o clientes utilizando los chat bots de
procesamiento de lenguaje natural, agentes inteligentes y aprendizaje automático.

Carmona (2019) nos introduce a la aplicación de la IA en las diferentes áreas y la manera en

que son utilizadas en la generación de estrategias. Respecto a lo indicado, mencionaremos
algunas aplicaciones de la IA en diferentes sectores mencionadas por dicho autor; estas
aplicaciones, de acuerdo con Davenport y Romanki (2018), encajarían en las de corte cognitivo.
Veamos algunos ejemplos.

En el sector salud, afirma Carmona (2019), el proyecto Dx29 es una herramienta que está
diseñada para aumentar las capacidades de los profesionales médicos acelerando y aumentando
la precisión del diagnóstico. Esta herramienta, basada en la IA, fue creada a fin de detectar los
más de 200 genes de la epilepsia.

25
 En el sector financiero, tenemos al Pegg, que ayuda a pequeñas empresas a administrar sus
finanzas a través de una interfaz basada en chats disponibles en aplicaciones de mensajerías
populares como Stack, Skype y Facebook. Hace que las tareas administrativas sean tan simples
como mandar un mensaje de texto a un amigo.
En el sector servicio, podemos encontrar a rAInbow, que es una compañera digital para
mujeres en riesgo de abuso. Esta aplicación ayuda a las mujeres en relaciones tóxicas a darse
cuenta de que están siendo abusadas y tomar medidas. Al igual que rAInbow, también existe el
Dr. Sneha, que es compañero digital amigable con el que los usuarios pueden tener
conversaciones imparciales y sin prejuicios. Este aplicativo fue diseñado para ayudar a las
jóvenes de la India con las consultas de salud sexual. La aplicación está adaptada para las bajas
tasas de alfabetización de este país, por lo que utiliza señales visuales y narraciones de video en
lugar de texto.

En el sector telecomunicaciones, podemos encontrar a Movistar Home, que es un dispositivo

que utiliza el asistente virtual con IA Aura, que permite consultas relacionadas con el contrato de
Movistar, hacer videollamadas y controlar dispositivos del hogar.
En el sector automotriz, BMW creó su propio agente de conversación con su propio nombre,
voz, personalidad, lo que proporciona una experiencia totalmente de marca. Este agente puede
dar instrucciones, proporcionar información sobre el automóvil (como la configuración del motor
y la presión de los neumáticos) y responde a los comandos de voz, incluso sin contar con una
conexión a internet.
En el sector comercio, los medios sociales “consisten en tecnologías en línea, prácticas o
comunidades que usa la gente para generar contenido y compartir opiniones, ideas, experiencias
y perspectivas entre sí” (Televisión Bureau of Advertising, 2009, citado He, Wang & Akula,
2017, p. 277). Para que las personas se involucren en estas actividades sociales, el contenido
debe estar actualizado con frecuencia para que contribuya a la colaboración, intercambio y
discusión de las personas que lo usan (Kaplan & Haenlein, 2010, citados por He et al. 2017).
Según Esteban y Toubia (2010, como se cita en He et al. 2017), las empresas buscan capturar el
valor económico de los mil millones de mensajes de los medios de comunicación social, los
cuales son alimentados cada día en todo el mundo. Por tanto, las redes sociales tienen un valor
ganado que tiene efecto a largo plazo sobre las ventas en una empresa. Un estudio realizado por
Bain & Company encontró que las grandes empresas que han adoptado las tecnologías de big
data y capacidades analíticas avanzadas, superaron a sus competidores por un amplio margen
(Pearson & Wegener, 2013, citados por He et al., 2017).

26
 He et al. (2017) afirman que el comercio social se refiere al comercio electrónico mediante
las redes sociales con la finalidad de potenciar a los clientes a interactuar por internet. En la
actualidad, las redes sociales se han vuelto omnipresentes y desempeñan un papel muy
importante en ambientes de negocios. Tan es así que las redes sociales como Facebook y Twitter
ayudan a proporcionar diversos servicios y también interactúan con clientes. También existen,
como afirman estos autores, otros medios como foros y comunidades, donde las calificaciones,
comentarios, referencias y recomendaciones juegan un papel importante, debido a que muchos
clientes confían en la experiencia de otros en forma de recomendaciones, comparaciones,
calificaciones, referencias y comentarios, lo que se concreta en decisiones de compra (Hajli,
2015, citado por He et al., 2017). Esto a su vez genera grandes volúmenes de datos de medios
sociales, conocimientos valiosos que sirven para evaluar eficazmente el entorno empresarial
competitivo y aumentar ventaja competitiva (Zhao et al., 2015; y Él et al., 2015, citados por He
et al., 2017).

En cuanto al riesgo reputacional, afirman He et al. (2017) que algunos críticos se oponen a
cualquier proceso como una invasión de la privacidad, y, de hecho, tendrían que haber reglas
claras acerca de cómo una empresa se encargaría de conocimientos creados de esta manera. Sin
embargo, ya está bien establecida la ley según la cual las empresas y otras organizaciones tienen
una considerable libertad para vigilar y examinar todo el tráfico de comunicaciones en sus
propias redes y dispositivos. Un ejemplo de ello es el seguimiento automatizado de la
correspondencia de correo electrónico, que ya es común en la industria de servicios financieros
para la detección de información privilegiada y otras actividades ilegales. Sin embargo, creen los
autores que el uso de la máquina de aprendizaje tomará el poder predictivo de esta supervisión a
un nivel mucho más alto de eficacia.

Indudablemente hay muchos dilemas éticos aún por explorar a medida que avanzamos más
en el uso de la IA en todo tipo de actividad humana. Pero esto no debería disuadir a las personas
y organizaciones de explorar formas innovadoras de usar estas nuevas herramientas para reducir
el riesgo de reputación y protegernos contra las inevitables vulnerabilidades creadas por la toma
de decisiones humanas; el uso de la IA y las protecciones adecuadas, ayudarían a las empresas a
cosechar los beneficios de sus decisiones comerciales sin caer en los monstruos del fracaso moral
(Hirsch, 2018).

Yunus y Zacarias (2018) también mencionan cómo hoy en día se evidencia el uso de la IA en
diferentes campos. Por ejemplo, en misiones de rescate los robots son capaces de sobrevolar por

27
diversos terrenos, procesar datos y facilitar diversas tareas de análisis de datos que ayudan a
tomar mejores decisiones. Los famosos chat bots, que interactúan específicamente con los
humanos para brindar apoyo en diferentes gestiones comerciales. En el campo del
entretenimiento, mencionan a los radios en línea como Spotify y Pandora, que usan la IA para
recomendar canciones, y los asistentes virtuales como Siri, Alexa y Cortana, que ayudan a
solucionar problemas.

En el sector financiero, los autores Moro et al. (2015) comentan que, después de haber
realizado un análisis de doce años (2002 al 2013), se evidencia que el avance tecnológico de la
aplicación de la IA ha aportado de manera sustancial a diversos procesos de gestión en este rubro
y ha abierto nuevos canales de comunicación que los bancos han adoptado rápidamente para su
beneficios, como, por ejemplo, banca electrónica, pagos en línea, evaluaciones crediticias,
reduciendo así los riesgos financiero.

A su turno, Martínez-López y Casillas (2013) mencionan también que el marketing

industrial, llamado marketing B2B, se concentra en empresas que venden a otras empresas lo que
necesitan. Además, mencionan diversos sistemas inteligentes que apoyan en la toma de
decisiones en el marketing, sobre todo en el B2B. Destacan iThink (sistema que permite un
soporte de decisiones más efectivo al proporcionar soluciones ayudando a desarrollar productos
más competitivos y estrategias de marketing relacional), Ad HOC (sistema que apoya a la toma
de decisiones para los problemas de la cadena de suministros), LINDO (sistema de soporte que
ayuda a los usuarios a obtener nuevos conocimientos sobre las complejas interdependencias del
proceso de toma de decisiones); y NEXPERT (sistema que ayuda a aumentar la automatización
para mejorar la calidad de la producción). Por lo tanto, es importante indicar que los sistemas
basados en IA ayudan a los gerentes a la toma de decisiones comerciales y estratégicas más
eficientes.

De la misma manera, Jarrahi (2018, citando a Wan, Khosla, Gargeya, Irshad & Beck,
2016) menciona que, en un estudio reciente para la detección de cáncer en las imágenes de las
células de los ganglios linfáticos, un análisis exclusivo de IA tuvo un error de 7.5%, mientras que
los patólogos tuvieron un error del 3.5%. Sin embargo, cuando se combinó ambos recursos, se
obtuvo una tasa de error de 0.5%, lo que redujo un 85% el margen de error para dicha detección.
Adicionalmente, el mismo autor comenta que recientemente en la Universidad de Yale se realizó
un experimento con un juego en línea. Consiste en que los robots inteligentes ayudan a los
equipos de jugadores a mejorar su rendimiento acortando el tiempo de respuesta en un 55.6%

28
para la resolución de problemas. Otro ejemplo resaltante sería, según el mismo especialista, la
empresa General Electric, la cual ha sufrido una transformación digital bastante importante
pasando de ser una empresa industrial a una industrial digital. Se ha incentivado la contratación
de expertos en la materia para que se capaciten en aprendizaje automático u otras áreas de la IA a
fin de desarrollar soluciones que ayuden a las diversas unidades de negocio. El objetivo de esta
compañía es que los expertos aprovechen el poder de la IA.

5.2 La aplicación de la inteligencia artificial en los procesos empresariales

Aunque era inevitable referirse ya a ello en el apartado anterior, es pertinente incidir más
detenidamente en la aplicación de la IA a los procesos empresariales. Para ello, seguiremos
fundamentalmente a Carmona (2019), quien menciona que también se aplica en dichos procesos.
Esto nos lleva a repensar las funciones principales de la organización, tal como se consigna en la
figura 3.

Figura 3. Aplicación de la inteligencia artificial en las áreas del negocio. Elaboración propia

29
Desde el punto de vista de Carmona (2019), se verá cómo la IA se está aplicando en algunas
unidades de negocios dentro de una organización.

5.2.1 Marketing

El marketing ha experimentado en los últimos años diversos cambios debido al avance

tecnológico. Hoy en día, el marketing digital representa un componente significativo en la
mayoría de las empresas, ya que con base en la información recopilada las organizaciones toman
decisiones para la generación de estrategias orientadas al negocio.

La tabla 2 describe cómo se aplica la IA en el área de marketing para distintos procesos,

llámese conocimientos de la marca, información del cliente, análisis de relaciones públicas o
información de retroalimentación.

Tabla 1
Casos de uso de la inteligencia artificial en el marketing

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 38.

No solo la IA nos brinda información para la toma de decisiones, sino que nos ayuda a
optimizar las actividades de marketing —tal como lo muestra la tabla 3.

30
 Tabla 2
Casos de optimización dentro de la unidad de Marketing

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 39.

De la misma forma, convierte la información en oportunidades de ventas, ya que, como

muestra la tabla 4, mediante el uso de la IA, se puede optimizar el puntaje principal y el
marketing basado en cuentas.

Tabla 4
Casos de uso en conversión de ventas

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 39.

Microsoft, por ejemplo, optimiza sus clientes potenciales, los contactos falsos se eliminan
con IA para dejar solamente a los clientes potenciales, los cuales se clasifican y pasan a los

31
canales de ventas. Con ello, los clientes no viables se redujeron en dos tercios y la tasa de
conversión aumentó en 108% al año.

5.2.2 Ventas

La IA no solo puede mejorar los números y la calidad de los clientes potenciales, sino que
también puede ayudar durante el proceso. Apoya la fuerza de ventas en la ejecución de las tareas,
mediante, por ejemplo, la priorización de la tubería, la lista de llamadas en frío, la mejor acción y
la asistencia para reuniones, como se puede apreciar en la tabla 5.

Tabla 5
Casos de uso en asistencia al vendedor

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 40.

Carmona (2019) cita el caso de Microsoft, que ha creado una aplicación llamada Daily
Recommended, que recomienda a todos sus vendedores cómo alcanzar su cuota al predecir la
probabilidad de que un cliente compre productos, consuma servicios o abandone. Este enfoque
aumentó en un 40% la oportunidad de venta; de igual manera, apoyó la previsión de ventas y la
identificación de mejores prácticas para la venta.

32
 Tabla 6
Otros casos de uso en asistencia al vendedor

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 41.

5.2.3 Finanzas
Las finanzas son un área importante dentro de las organizaciones. Carmona (2019) menciona
un caso de uso de la IA en dicha área implementado por Microsoft desde hace varios años con
resultados bastantes precisos. Por ejemplo, los vendedores pueden obtener información de datos
reales versus pronósticos por segmentos, subsegmentos, niveles de precios y productos. Después
de implementar la IA, la variación entre los pronósticos de ingresos generales y los reales se
redujo de 3% a 1.5%. En esta dimensión de las empresas, la IA ayuda a la planificación de la
demanda, previsión de ingresos, cumplimiento de procesos, informe de gastos y gestión de
contratos, tal como se aprecia en la tabla 7.

Tabla 7
Casos de uso en finanzas

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 42.

33
5.2.4 Servicios financieros
Adicionalmente, tenemos la plataforma de préstamos en línea llamada QuarterSpot para
pequeñas empresas. Incorpora datos en tiempo real de diversas fuentes para evaluar el riesgo del
solicitante, reduciendo drásticamente el tiempo necesario para predecir con precisión el riesgo y
aprobar un préstamo. En función de los resultados, QuarterSpot decide si aprueba el préstamo y
la tasa de interés adecuada para el riesgo. En solo dos años, QuarterSpot pudo reducir las tasas de
incumplimiento en más del 50%, al tiempo que aumentó las tasas de aprobación del prestatario
en más del 15% y redujo los costos de préstamos en un 83% en comparación con los métodos
tradicionales.

5.2.5 Recursos humanos

Indica Carmona (2019) que la empresa Microsoft ha sufrido transformaciones en diferentes

procesos, entre ellos los relativos al área de Recursos Humanos. La IA puede hacer que los
procesos principales de RR. HH. sean más productivos. Se optimiza procesos como la
contratación de personal, la identificación de expertos en la materia (perfiles), la evaluación de
riesgos de retención, el análisis de recursos humanos, el apoyo a los empleados y el diseño de
edificios inteligentes para que los colaboradores puedan centrarse en otras actividades que
proporcionen alto valor; véase la tabla 8. Por ejemplo, Microsoft ha creado un bot que puede
automatizar tareas comunes solicitadas por los empleados, como la creación de más de 5000
cartas de viaje cada mes. Las oficinas de los empleados usan la IA para optimizar el consumo de
energía, hacer mantenimiento preventivo e incluso predice las quejas de los empleados sobre las
condiciones de temperatura, de modo que se actúe con anticipación.

34
 Tabla 8
Casos de uso en el área de Recursos Humanos

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 43.

5.2.6 Desarrollo de tecnologías de la información y software

El área de tecnologías de la información (TI) aprovecha la IA para la generación de sus
funciones existentes y procesos, tal como protección de seguridad, bots del servicio de asistencia
y gestión de centros de datos (Carmona, 2019), tal como se aprecia en la tabla 9.

Tabla 9
Casos de uso en tecnologías de la información

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 44.

35
 Por otro lado, también el área de TI se beneficia con la IA aplicada a las herramientas y
servicios utilizados por desarrolladores, mediante detección y corrección de errores,
automatización DevOps y análisis de seguridad; véase la tabla 10.

Tabla 10
Otros casos de uso en tecnologías de la información

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 44.

5.2.7 Servicio al cliente

Servicio al cliente es, como señala Carmona (2019), una de las primeras áreas donde se ha puesto
en práctica el uso de la IA, ya que las organizaciones buscan enfoques innovadores para crear
una mejor experiencia al cliente identificando problemas de insatisfacción y ayudando a los
agentes a ser más productivos. La tabla 11 nos muestra cómo se ha abordado el uso de la IA en
las organizaciones: enrutamiento inteligente, agentes virtuales, predicción de abandono, análisis
de llamadas entre otros.

36
 Tabla 11
Casos de uso en Servicio al Cliente

Nota: Tomada de The AI organization, por D. Carmona, 2019, p. 46.

El autor comenta cómo Microsoft ha implementado varias soluciones basadas en la IA en el

área de servicio al cliente, como, por ejemplo, un agente virtual que responde a las consultas de
los clientes en su centro de soporte. La experiencia de chat basado en IA cubre una amplia gama
de productos, incluidos Windows, Office y Xbox. Este chat puede conversar de manera
compleja, lo que supone comprensión y razonamiento. Asimismo, ofrece respuestas instantáneas
y recomienda acciones para resolver el problema o lo escala a un agente del cliente (que también
será asistido por el agente virtual). Desde su lanzamiento, el agente virtual ha manejado más de
100 000 casos de soporte por día, con un aumento en la satisfacción del cliente del 31% y una
reducción tres veces mayor de las transferencias de agente a agente debido al enrutamiento
inteligente (Carmona, 2019).

Autores como Combita et al. (2018) indican también que la IA se está aplicando en diferentes
áreas de las empresas, en las que automatiza diversos procesos que apoyan a la toma de
decisiones. De la misma forma, se está aplicando en los equipos de trabajo, los cuales pueden
también ser potenciados mediante las aplicaciones de la IA. En este rubro, según Haas y
Monrtensen (2016, como se cita en Webber, Detjen & Maclean, 2019) mejora su efectividad y

37
los transforma en equipos de alto rendimiento, también conocidos como equipos 4D (diversos,
digitales, dispersos y dinámicos), cuyo resultado es el teaming (término propuesto por Emondson
y que se puede traducir como trabajo en equipo). Asimismo, Webber et al. (2019) indican que la
IA puede proporcionar una base para recopilar información importante sobre el equipo,
identificar áreas de fortaleza y debilidad dentro del mismo y proporcionar herramientas de
diagnóstico para ayudar a aprovechar ambas áreas.

Finalmente, se debe mencionar que, dado que está tan fuertemente implicada con diversas
áreas de la actividad humana, la IA se vincula con el desarrollo sostenible. En el 2002, se
desarrolló la Cumbre Mundial de las Naciones Unidas sobre el Desarrollo Sostenible (CMSDS).
Se propuso realizar un análisis a través de cuatro pilares: desarrollo económico, desarrollo social,
la protección del medio ambiente y la buena gobernanza. Cada uno de estos cuatro componentes
son pilares independientes y se refuerzan mutuamente, pero todos son esenciales para el
desarrollo sostenible en el mundo. Goralski y Tan (2020) discuten tres proyectos que aseguran la
sostenibilidad a través de la IA:

● La IA respecto a la crisis del agua permite aprovechar la tecnología existente para el

tratamiento, transporte, reciclaje y reutilización del agua, y por ende asegura la
sostenibilidad.
● La IA respecto a la agricultura intenta diagnosticar enfermedades de las plantas mediante
el uso de una aplicación en un teléfono inteligente de bajo costo común por un agricultor.
Se puede brindar previamente a los agricultores una capacitación del uso de esta
aplicación, lo que les ayudará combatir a tiempo las enfermedades.
● La IA respecto al saneamiento y la salud puede diseñar un sistema que evalúa la pureza
del agua. Eso permite a las autoridades distritales e individuos identificar de manera
económica si el agua está infectada y mapear las bacterias.

Así pues, como enfatizan Goralski, y Tan (2020), la IA está influyendo en la sostenibilidad
global. Podemos observar cómo se combina las perspectivas de la estrategia comercial y la
política para analizar los impactos de la IA en el desarrollo sostenible.

Como se puede apreciar, la IA impacta en todos los niveles de la actividad empresarial y, por
ende, influye en la toma de decisiones del liderazgo humano. Tendrá el potencial de mejorar la
capacidad de los líderes y miembros de un equipo de trabajo brindando herramientas para una
mejor toma de decisiones que afectará de manera satisfactoria a las organizaciones. Por lo tanto,

38
es importante conocer cómo la IA ayuda a la transformación de la estrategia empresarial para
lograr objetivos organizacionales.

6. TRANSFORMACIÓN DE LA ESTRATEGIA EMPRESARIAL

La estrategia empresarial es un factor muy importante en toda organización, ya que le permite a

través de distintas acciones crear valor. Se trata de determinar qué hacer y cómo hacerlo a fin de
cumplir con los objetivos organizacionales.

Casadesus-Masanell y Ricart (2010, cómo se citó en Ammar & Chereau, 2018) indican que el
modelo de negocio de una empresa es un reflejo de su estrategia contingente. Las empresas que
ya cuentan con un modelo de negocio establecido pero desean aplicar un cambio, deberán de
adaptarse a una nueva estrategia, lo que a su vez requiere de innovación para mantener una
ventaja competitiva. Dichos autores mencionan también a Sosna (2010), quien indica que a
través de varios estudios se muestra que los cambios en el modelo de negocio se encuentran entre
las formas más sostenibles de innovación.

Un informe del CEO global de IBM señala que las presiones competitivas han llevado a la
innovación del modelo de negocio a un nivel mucho más alto en la lista de prioridades de los
CEO. Estos cambios organizacionales se dan de dos formas: basados en necesidades de mercado
(atracción del mercado) o en la innovación tecnológica (impulso tecnológico), esta última a
través de un impulso tecnológico (Casadesus-Masanell & Ricart, 2010).

Para Miles y Snow (1978, como se cita en Ammar & Chereau, 2018), existen diferentes
opciones para operar y desarrollarse dentro de una industria o entorno específico. Las empresas
tienden a seguir un conjunto limitado de caminos que conducen a una configuración estable. Esta
surge a través de un ciclo adaptativo donde las empresas redefinen el alcance de sus dominios de
mercado, y rediseñan los procesos y estructuras apropiadas para desarrollar y mantener una
ventaja competitiva cuando ocurren contingencias específicas.

Akkhavan y Pezeshkan (2014, como se citó en He et al., 2017) nos hablan acerca de la gestión
del conocimiento (o knowledge management, KM), que es una nueva forma que adoptan las
empresas para la toma de decisiones. Este nuevo enfoque ayuda a que las empresas puedan
mejorar el rendimiento del negocio, aumentar la innovación y lograr una ventaja competitiva que
lleva a que las empresas se mantengan en el tiempo. La gestión del conocimiento o KM
39
orientada a los negocios está relacionada con la gestión de datos de los medios sociales de una
organización con fines comerciales. Hoy en día las empresas hacen esfuerzos para combinar
grandes volúmenes de datos y la infraestructura de gestión del conocimiento en respuesta al big
data y las tendencias en redes sociales.

Hajli (2015, como se citó en He et al., 2017) resalta el comercio social como un nuevo
desarrollo del comercio electrónico generado por el uso de las redes sociales con la finalidad de
potenciar a los clientes a interactuar en internet.

Lichtenthaler (2018, citando a Birkinshaw et al., 2008, y a Galunic & Eisenhardt, 2001)
menciona que existen varias estrategias de innovación dentro de la empresa. Estas pueden ser
innovación de producto, innovación de servicios, innovación de procesos, innovación de
modelos de negocio, innovación de la organización e innovación de gestión. Estas pueden ser
desarrolladas en diferentes sectores empresariales. De hecho, antes se creía que solo los sectores
de informática y comunicaciones podrían enfocarse en el uso de la innovación, pero ahora
también se desarrolla en sectores industriales tradicionales como retail, maquinaria, automotriz y
logística (Amit, Han & Nambisan, 2017, citados por Lichtenthaler, 2018).

Lichtenthaler (2018, citando a Remane et al., 2017, y Rometty, 2016) manifiesta que hoy en
día la innovación y la transformación digital como estrategia son inseparables. Ambas ayudan a
que las empresas se enfoquen cada vez más en la innovación digital para generar soluciones
nuevas y lograr oportunidades de crecimiento y nuevas fuentes de ingreso.

En la misma línea, Shane y Venkataraman (2000, como se citó en Huarng & Mas-Tur, 2015)
afirman que la innovación no es solo parte de la actividad empresarial, sino que también es
crucial en la capacidad de descubrir, evaluar y explorar las oportunidades de mercados
disponibles para los empresarios.

Por otro lado, Huarng y Mas-Tur (2015, citando a Mas-Tur et al., 2014) mencionan que la
capacidad de innovar en tecnología ayuda a crear nuevos productos, reducir costos, reducir los
tiempos, minimizar riesgo, mejorar productos existentes, desarrollar conociendo y lograr
objetivos comerciales de manera más eficiente.

Provost y Fawcett (2013), en su libro Data Science for Business, mencionan que la
administración de la empresa generalmente debe dirigir al equipo de la ciencia de datos (definida
como el estudio de donde proviene la información utilizada) de manera cuidadosa para asegurar

40
que el equipo se mantenga en dirección hacia la solución de un negocio exitoso. Los
administradores deben entender los principios fundamentales para que puedan conocer y apreciar
las oportunidades que brinda la ciencia de datos, así como también proporcionar los recursos
apropiados para los equipos que conforman la ciencia de datos, invertir en data y
experimentación.

No obstante —señalan los autores—, una sólida base en los fundamentos de la ciencia de
datos tiene consecuencias estratégicas no fáciles de medir. La aplicación de la ciencia de datos
como estrategia ayuda a que la mente vea oportunidades y conexiones para problemas nuevos; lo
que demuestra que la data y la capacidad de la ciencia de los datos son activos estratégicos. Un
requisito para una ventaja competitiva es que el activo tenga valor en el contexto de nuestra
estrategia. Además, para ganar la ventaja competitiva, la competencia no debe tener el activo o
no debe tener la posibilidad de obtener el mismo valor del activo. En ese sentido, deberíamos
pensar tanto en el activo de datos y en la capacidad de la ciencia de datos.

Los mismos Provost y Fawcett (2013) mencionan que la estrategia de competencia que se
basa en la ciencia de datos siempre debe mantenerse un paso por delante de la competencia. Para
ello, se debe invertir en nuevos activos de datos y desarrollar nuevas técnicas y capacidades, todo
lo cual puede brindar la posibilidad de un crecimiento rápido del negocio. El hecho de estar por
delante de la competencia permite una correcta ventaja competitiva debido a la incapacidad de la
competencia para replicarla, al gasto elevado en copiar el activo de datos o a la falta de
capacidad por parte de la ciencia de datos. La competencia no solo necesita clientes para obtener
la data necesaria, sino también necesita dar un servicio equivalente y atraer a los clientes.

En su contribución, Mostaghel, Oshazi, Beheshti y Hultman (citados por Provost y Fawcett,

2013) indican que el uso estratégico de los sistemas empresariales mejora el rendimiento de la
empresa y sus capacidades de competencia, tal como se aprecia en la figura 5.

41
 Carmona (2019), como ya se indicó, afirma que las estrategias soportadas en la IA son
esenciales para generar crecimiento y rentabilidad, debido a que permite tomar mejores
decisiones en las distintas áreas que conforman la organización. De la misma forma, menciona la
estrategia de actualización, la cual, según indica, debe tener un gran alcance, ya que la
transformación de la IA no se limitará a solo algunos roles, sino que, por el contrario, afectará a
toda la organización. En ese sentido, propone un modelo de estructura graficado en la figura 5.

Seg
ún este
mismo
autor,
el
diseño
de
estrate
gia de
Figura 5. Estructura de plataforma en una organización de IA. Tomada de The AI organization, por
D. Carmona, 2019, p. 77.
actuali
zación
se aborda en tres áreas principales (véase la figura 6):

● Habilidades para departamentos técnicos: Definitivamente son los más afectados con las
mejoras que se realizan en base a la IA. Para la puesta en marcha deben contar con
diferentes habilidades —las cuales van más allá de la creación de aplicaciones

42
 tradicionales— para que puedan realizar las funciones de apoyo necesarias para el resto
de la organización.
● Habilidades para las unidades de negocio: Deberá existir una simbiosis entre su
departamento técnico y las unidades de negocios. Para ello, deben crearse equipos
multidisciplinarios para definir las estrategias que transformarán al negocio e incluso
definir qué uso se le dará a la IA.
● Habilidades para todos los empleados: Consumen IA en diferentes niveles para apoyar
sus decisiones y optimizar su forma de trabajar. Se debe empoderar a todos los
colaboradores. Se aplica en este punto una estrategia de recapacitación; el nivel de
habilidad requerido dependerá del alcance que tenga IA para la función que realiza cada
colaborador.

Figura 6. Estrategias de habilidades para una organización de IA. Tomada de The AI organization,
por D. Carmona, 2019, p. 96.

En suma, como se puede colegir de las ideas reseñadas en este apartado, la IA está implicada,
directa o indirectamente, en el éxito de las empresas en el contexto actual. Renunciar a las
múltiples ventajas que ella depara, podría significar un rezago insalvable en el mercado.

7. CONCLUSIONES

43
• Después de la investigación realizada podemos concluir que la inteligencia artificial es una
herramienta que ayuda a las organizaciones a traducir correctamente y analizar grandes
volúmenes de datos con la finalidad de tener la información necesaria para crear estrategias
empresariales adecuadas y sostenibles.

• El uso de la inteligencia de negocios sustentada en la inteligencia artificial genera ventajas

competitivas en las unidades dentro de la organización; sin embargo, debemos tener en
cuenta que, para su aplicación en la mejora de procesos, las organizaciones deben estar
preparadas para su implementación.
• En la presente investigación, se evidencia que las organizaciones que apostaron por la
implementación en inteligencia artificial dentro de sus distintas unidades de negocios
obtuvieron resultados positivos, pues lograron optimizar sus procesos y reducir errores. Este
análisis concuerda con la encuesta realizada en el 2017 por Accenture, donde revela que un
85% de los ejecutivos encuestados tienen planes para invertir en tecnologías relacionadas
con inteligencia artificial en los próximos 3 años; hoy en día lo indicado es una realidad.
• La inteligencia artificial acompañada de la minería de datos y el big data apoyan a la
inteligencia de negocios para transformar la estrategia empresarial en las diferentes unidades
de negocios. Genera ventajas competitivas, aumenta la innovación, y optimiza la toma de
mejores decisiones, la gestión del conocimiento y el rendimiento en la organización.
• Concluimos que la inteligencia artificial, según las fuentes consultadas, transforma la
interacción de los humanos con las máquinas, ayudando a aumentar sus capacidades para la
toma de decisiones.

La investigación nos permite sugerir los siguientes temas de investigación:

• Sería conveniente estudiar casos de empresas peruanas que se atrevieron a implementar

en sus procesos y estrategias el uso de la inteligencia artificial. Sería conveniente
evidenciar los resultados cuantitativos positivos y negativos.
• Se podría abordar también una investigación sobre cómo la inteligencia artificial ayudó
durante la pandemia de la COVID-19 a nivel mundial y cómo se asumió en el territorio
nacional.
• Finalmente, sería relevante indagar sobre cómo influye la inteligencia artificial en la
educación de las nuevas generaciones.

44
8. REFERENCIAS

Ammar, O. & Chereau, P. (2018). Business model innovation from the strategic posture
perspective: An exploration in manufacturing SMEs. European Business Review, 30(1),
38-65. doi: https://doi.org/10.1108/EBR-09-2016-0119

Arnott, D., Lizama, F. & Song, Y. (2017). Patterns of business intelligence systems use in
organizations. Decision Support Systems, 97, 58-68. doi:

https://doi.org/10.1016/j.dss.2017.03.005

Carmona, D. (2019). The AI organization. Sebastopol (United States): O'Reilly Media.

45
Cheng, S., Zhang, Q. & Qin, Q. (2016). Big data analytics with swarm intelligence. Industrial
Management and Data Systems, 116(4), 646-666. doi: https://doi.org/10.1108/IMDS-06-
2015-0222

Combita Niño, H. A., Cómbita Niño, J. P. & Morales Ortega, R. (2018). Business intelligence
governance framework in a university: Universidad de la Costa. Case study. International
Journal of Information Management, 50, 405-412. doi:
https://doi.org/10.1016/j.ijinfomgt.2018.11.012

Criado, J. I. & Gil-Garcia, J. R. (2019). Creating public value through smart technologies and
strategies. International Journal of Public Sector Management, 32(5), 438-450. doi:
https://doi.org/10.1108/ijpsm-07-2019-0178

Duan, Y., Edwards, J. S. & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in
the era of Big Data – evolution, challenges and research agenda. International Journal of
Information Management, 48, 63-71. doi: https://doi.org/10.1016/j.ijinfomgt.2019.01.021

Eidizadeh, R., Salehzadeh, R. & Chitsaz Esfahani, A. (2017). Analysing the role of business
intelligence, knowledge sharing and organisational innovation on gaining competitive
advantage. Journal of Workplace Learning, 29(4), 250-267. doi:
https://doi.org/10.1108/jwl-07-2016-0070

Goralski, M. A. & Tan, T. K. (2020). Artificial intelligence and sustainable development.

International Journal of Management Education, 18(1). doi:
https://doi.org/10.1016/j.ijme.2019.100330

He, W., Wang, F. K. & Akula, V. (2017). Managing extracted knowledge from big social media
data for business decision making. Journal of Knowledge Management, 21(2), 275-294.
doi: https://doi.org/10.1108/JKM-07-2015-0296

Hirsch, P. B. (2018). Tie me to the mast: artificial intelligence & reputation risk management.
Journal of Business Strategy, 39(1), 61-64. doi: https://doi.org/10.1108/JBS-11-2017-
0160

Huarng, K. H. & Mas-Tur, A. (2015). Spirit of strategy (S.O.S.): The new S.O.S. for competitive
business. Journal of Business Research, 68(7), 1383-1387. doi:
https://doi.org/10.1016/j.jbusres.2015.01.019

46
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in
organizational decision making. Business Horizons, 61(4), 577-586. doi:
https://doi.org/10.1016/j.bushor.2018.03.007

Lichtenthaler, U. (2020). Beyond artificial intelligence: why companies need to go the extra step.
Journal of Business Strategy, 41(1). 19-26. doi: https://doi.org/10.1108/JBS-05-2018-
0086

Lichtenthaler, U. (2018). The world’s most innovative companies: a meta-ranking. Journal of

Strategy and Management, 11(4), 497-511. doi: https://doi.org/10.1108/JSMA-07-2018-
0065

Martínez-López, F. J. & Casillas, J. (2013). Artificial intelligence-based systems applied in

industrial marketing: An historical overview, current and future insights. Industrial
Marketing Management, 42(4), 489-495. doi:
https://doi.org/10.1016/j.indmarman.2013.03.001

Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact on
society and firms. Futures, 90, 46-60. doi: https://doi.org/10.1016/j.futures.2017.03.006

Metcalf, L., Askay, D. A. & Rosenberg, L. B. (2019). Keeping Humans in the Loop: Pooling
Knowledge through Artificial Swarm Intelligence to Improve Business Decision Making.
California Management Review, 61(4), 84-109 doi:
https://doi.org/10.1177/0008125619862256

Moro, S., Cortez, P. & Rita, P. (2015). Business intelligence in banking: A literature analysis
from 2002 to 2013 using text mining and latent Dirichlet allocation. Expert Systems with
Applications, 42(3), 1314-1324. doi: https://doi.org/10.1016/j.eswa.2014.09.024

Obschonka, M. & Audretsch, D. B. (2019). Artificial intelligence and big data in

entrepreneurship: a new era has begun. Small Business Economics. doi:
https://doi.org/10.1007/s11187-019-00202-4

Pan, Y. (2016). Heading toward Artificial Intelligence 2.0. Engineering, 2(4), 409-413. doi;
https://doi.org/10.1016/J.ENG.2016.04.018

Provost, F. & Fawcett, T. (2013). Data science for business. Data science and business strategy.
New York: O'Reilly Media.

47
Rikhardsson, P. & Yigitbasioglu, O. (2018). Business intelligence & analytics in management
accounting research: Status and future focus. International Journal of Accounting
Information Systems, 29, 37-58. doi: https://doi.org/10.1016/j.accinf.2018.03.001

Rouhani, S., Ashrafi, A., Zare Ravasan, A. & Afshari, S. (2016). The impact model of business
intelligence on decision support and organizational benefits. Journal of Enterprise
Information Management, 29(1), 19-50. doi: https://doi.org/10.1108/JEIM-12-2014-0126

Vajirakachorn, T., & Chongwatpol, J. (2017). Application of business intelligence in the tourism
industry: A case study of a local food festival in Thailand. Tourism Management
Perspectives, 23, 75-86. doi: https://doi.org/10.1016/j.tmp.2017.05.003

Webber, S. S., Detjen, J., MacLean, T. L., & Thomas, D. (2019). Team challenges: Is artificial
intelligence the solution? Business Horizons, 62(6), 741-750.
https://doi.org/10.1016/j.bushor.2019.07.007

Wright, S. A. & Schultz, A. E. (2018). The rising tide of artificial intelligence and business
automation: Developing an ethical framework. Business Horizons, 61(6), 823-832. doi:
https://doi.org/10.1016/j.bushor.2018.07.001

Yunus, E. & Zacarias, V. (2018). AI for Data Science. New Jersey: Technics Publications.

Zangoueinezhad, A., & Moshabaki, A. (2009). The role of structural capital on competitive
intelligence. Industrial Management and Data Systems, 109(2), 262-280. doi:
https://doi.org/10.1108/02635570910930136

48
9. ANEXOS
9.1 Revisión bibliográfica

49
50
9.2 Desarrollo de la Matriz 1

51
52
53
54
55