Universidad Ciudadana de Nuevo León

Maestría en Administración con Acentuación en Finanzas

Materia

Modelos y Enfoques Metodológicos de la Investigación (B) (2024-2)

Tutor
Dr. Víctor Manuel Cárdenas González

Alumno

Perla Marina De la Cruz Martínez

Matrícula

20449

Actividad 6

“REPORTE DE RESULTADOS Y MAPEO DE ELABORACIÓN DE LA PROPUESTA, PROYECTO O

PROTOCOLO DE INVESTIGACIÓN”

Monterrey, N.L., a 17 de mayo, 2025

1
 Índice

Resumen Ejecutivo ...................................................................................................3

Introducción ............................................................................................................ 4

1.2 Objetivos de la investigación

Metodología ............................................................................................................6

Resultados ...............................................................................................................7

4.1 Descriptivos de la muestra

4.2 Resultados de la Hipótesis 1: ciclo de cuentas por cobrar

4.3 Resultados de la Hipótesis 2: madurez analítica y margen bruto

4.4 Hallazgos cualitativos: gobernanza de datos y gestión del cambio

4.5 Integración cuantitativa-cualitativa

Discusiones.............................................................................................................11

Mapeo de elaboración del proyecto........................................................................12

6.1 Preguntas guía y respuestas argumentadas

6.2 Diagrama de mapeo visual

6.3 Cronograma Gantt y presupuesto

Conclusiones ………………………………………………………………………………………………………18

Referencias bibliográficas (APA 7ª) ......................................................................19

Apéndice .............................................................................................................20

Anexo A – Cuestionario completo

Anexo B – Guion de entrevista

Anexo C – Tablas SPSS y notas explicativas

2
 Resumen Ejecutivo

Esta investigación analiza exhaustivamente el impacto de la inteligencia artificial (IA) en la eficiencia

de la gestión financiera de empresas mexicanas cuyos ingresos superan los 50 millones de pesos
anuales. El propósito central es establecer si la IA efectivamente optimiza procesos, reduce costos,
mejora la calidad de las decisiones y eleva los márgenes operativos.

Para responder a la pregunta se empleó un diseño mixto explicativo-secuencial. En la fase

cuantitativa se encuestaron 120 compañías medianas y grandes; en la cualitativa se entrevistó a
doce directores financieros. El cuestionario —validado con un alfa de Cronbach de 0.88— midió
grado de adopción tecnológica, madurez analítica y desempeño financiero. Los datos se procesaron
con análisis de regresión múltiple en SPSS; las entrevistas se codificaron temáticamente con
[Link].

Los resultados confirman, con significancia estadística, que la IA genera beneficios financieros
tangibles. Ocho de cada diez organizaciones que ya la utilizan reportan disminuciones promedio de
once por ciento en costos operativos directos y acortan su ciclo de cuentas por cobrar en casi diez
días respecto de empresas sin IA. El análisis econométrico revela que un incremento de un punto en
madurez analítica —entendida como la capacidad de explotar datos y modelos predictivos— se
traduce, en promedio, en un aumento de 0.8 puntos porcentuales en el margen bruto; el modelo
explica 42 % de la variabilidad observada.

Sin embargo, el estudio también identifica barreras relevantes. La resistencia cultural aparece como
el obstáculo más citado: 38 % de las firmas reconoce dificultades para que el personal adopte los
nuevos flujos de trabajo automatizados. Le siguen la baja calidad de los datos y los costos iniciales de
integración. Entrevistas en profundidad evidencian que la ausencia de un marco robusto de
gobernanza de datos —políticas, roles y estándares claros— limita el potencial de la IA y erosiona la
confianza en los reportes generados.

En síntesis, la IA aporta eficiencias del orden de 7 % a 11 % sobre el margen EBIT cuando se apoya en
tres pilares: (1) datos limpios y gobernados, (2) programas formales de gestión del cambio que
reduzcan la resistencia y (3) métricas de negocio alineadas para demostrar retornos rápidos. Sin
estos elementos, el beneficio puede reducirse hasta la mitad. El payback medio de los proyectos
analizados es de 2.3 años, lo que sugiere que, con una ejecución disciplinada, la inversión resulta
atractiva para la mayoría de los consejos de administración.

En consecuencia, se recomienda a los CFOs: mapear procesos financieros críticos y priorizar

automatizaciones de alto impacto, instaurar un comité de gobernanza de datos con mandatos claros
y reportar mensualmente los avances en flujo de efectivo y rentabilidad para sostener el patrocinio
directivo. Finalmente, se propone un programa 2025-2027 que migre de casos aislados a un
ecosistema analítico integral capaz de combinar IA, automatización robótica de procesos y
visualización avanzada, consolidando así la ventaja competitiva de las empresas mexicanas en la era
digital.

3
 Introducción

La evolución tecnológica ha transformado de manera profunda el entorno empresarial global,

marcando una nueva era caracterizada por la automatización, la hiperconectividad y la inteligencia
de los sistemas. En este contexto, la inteligencia artificial (IA) se ha posicionado como una de las
tecnologías más disruptivas del siglo XXI, capaz de redefinir modelos de negocio, rediseñar procesos
clave y ofrecer una ventaja competitiva sostenible para las organizaciones que logran integrarla con
éxito. En el ámbito de la gestión financiera, la IA ofrece herramientas avanzadas para la predicción
de riesgos, la automatización de procesos contables, la elaboración de proyecciones presupuestales,
la segmentación de clientes y la mejora de la toma de decisiones basada en datos.

En México, las empresas medianas y grandes representan una parte significativa del tejido
productivo nacional y, por ende, del crecimiento económico. Sin embargo, muchas de estas
organizaciones aún se encuentran en etapas iniciales o intermedias de adopción tecnológica. Si bien
algunas han comenzado a implementar soluciones basadas en IA para procesos específicos —como
análisis crediticio, automatización de reportes o detección de fraudes—, no existe suficiente
evidencia empírica que permita establecer una relación clara y cuantificable entre la adopción de IA
y el desempeño financiero en este tipo de empresas. Además, la literatura académica sobre el tema
está dominada por estudios realizados en economías desarrolladas, lo que deja una importante
brecha de conocimiento en contextos como el mexicano, donde los desafíos estructurales,
regulatorios y organizacionales pueden modificar sustancialmente el impacto de estas tecnologías.

En este sentido, la presente investigación busca contribuir al cierre de dicha brecha, analizando de
manera sistemática la relación entre el grado de adopción de la inteligencia artificial y el desempeño
financiero en empresas mexicanas con ingresos anuales superiores a 50 millones de pesos. El estudio
se sustenta en un diseño metodológico mixto que combina una encuesta estructurada con escala
Likert de 5 puntos aplicada a directores financieros, controllers y tomadores de decisiones, con
entrevistas cualitativas que permiten profundizar en los factores organizacionales, culturales y
técnicos que condicionan la adopción tecnológica. Asimismo, se aplicarán técnicas de análisis
estadístico como regresión múltiple y se realizará codificación temática de los discursos obtenidos,
con el objetivo de generar un marco comprensivo y validado.

A lo largo del trabajo se exploran no solo los beneficios potenciales de la inteligencia artificial en la
gestión financiera —como la mejora en indicadores como el retorno sobre activos (ROA), el margen
EBIT o el flujo de efectivo—, sino también los desafíos asociados, incluyendo la falta de habilidades
técnicas, la resistencia al cambio, la gobernanza de datos y la necesidad de marcos éticos y
regulatorios. Se espera que los resultados obtenidos sirvan como guía práctica tanto para empresas

4
interesadas en iniciar o escalar su proceso de transformación digital como para formuladores de
política pública que buscan fomentar la competitividad a través de la innovación tecnológica.

Objetivo Central

Evaluar cómo la IA mejora (o no) la eficiencia financiera en empresas mexicanas con ingresos
anuales > 50 millones de pesos.

Hallazgos Clave

• El 87 % de las empresas reporta una reducción significativa de costos operativos tras implementar
herramientas de IA.

• El retorno de inversión (payback) promedio de los proyectos de IA es de 2.3 años.

• El principal obstáculo para la adopción es la resistencia cultural, identificada por el 38 % de los

participantes.

Conclusión-Flash

La inteligencia artificial aporta eficiencias del 7 al 11 % en márgenes EBIT. No obstante, sin un plan
sólido de adopción cultural y capacitación, estos beneficios pueden reducirse hasta en un 50 %, lo
que evidencia la necesidad de acompañar la innovación tecnológica con transformación
organizacional.

5
 Fase cualitativa

Como complemento, la fase cualitativa consistió en 12 entrevistas semiestructuradas a directores

financieros (CFOs) de distintas industrias (manufactura, servicios, tecnología y comercio). La
selección de los participantes fue intencionada, buscando diversidad sectorial y experiencias
variadas con la implementación de IA.

Las entrevistas permitieron explorar en profundidad aspectos que no se capturan fácilmente en

encuestas, tales como:

 La estrategia organizacional detrás de la adopción de IA.

 Cambios en los procesos y estructuras internas.
 Percepciones sobre el impacto real en la eficiencia financiera y en la cultura corporativa.
 Barreras no cuantificables, como la resistencia al cambio, temores por la automatización y
falta de alineación directiva.
 Expectativas y recomendaciones para una implementación exitosa.

La guía de entrevista se elaboró a partir de los resultados preliminares de la fase cuantitativa, lo que
permitió un diálogo dirigido y contextualizado, enriqueciendo la interpretación de los datos.

Procedimiento y análisis de datos

La recolección de datos se realizó entre febrero y marzo de 2025, en línea con el calendario de la
investigación. La encuesta cuantitativa se administró mediante una plataforma digital que garantizó
anonimato y confidencialidad, aumentando la tasa de respuesta y la calidad de los datos.

Para el análisis cuantitativo, se utilizó el software estadístico SPSS versión 29, que facilitó la
aplicación de técnicas descriptivas (medias, frecuencias, porcentajes) y análisis inferenciales
(pruebas de hipótesis, correlaciones, regresiones) para identificar patrones, tendencias y relaciones
significativas entre variables. Este análisis permitió validar hipótesis sobre la reducción de costos,
tiempos y mejora en márgenes financieros vinculados a la adopción de IA.

En paralelo, las entrevistas cualitativas fueron grabadas, transcritas y codificadas con [Link],
software especializado en análisis de contenido y análisis temático. Este proceso permitió identificar
categorías recurrentes, contrastar perspectivas y construir una narrativa integrada que
complementa los resultados estadísticos con testimonios y experiencias vivenciales de los CFOs.

6
Finalmente, se aplicó un proceso de triangulación metodológica que consistió en comparar y
contrastar resultados cuantitativos y cualitativos para asegurar la robustez, validez y riqueza
interpretativa del estudio. Esta combinación fortalece las conclusiones y aporta una base sólida para
recomendaciones estratégicas y académicas.

Resultados

El presente estudio organizó los resultados con base en las hipótesis planteadas originalmente,
permitiendo así un análisis estructurado y enfocado en las preguntas de investigación. Se integran
los datos cuantitativos obtenidos de la encuesta aplicada a 120 empresas mexicanas medianas y
grandes, con ingresos superiores a 50 millones de pesos anuales, y las perspectivas cualitativas
derivadas de entrevistas semiestructuradas a 12 directores financieros (CFOs). Esta combinación
metodológica enriqueció el análisis, aportando tanto evidencia numérica como insights contextuales
sobre el impacto de la inteligencia artificial (IA) en la gestión financiera.

Hipótesis 1 (H1): La implementación de inteligencia artificial reduce el ciclo de cuentas por cobrar

Una de las principales ventajas atribuidas a la IA en la gestión financiera es la optimización del ciclo
de cuentas por cobrar, lo que contribuye a mejorar el flujo de caja y la liquidez empresarial. Para
evaluar esta hipótesis, se comparó estadísticamente el ciclo promedio de cuentas por cobrar en días
entre empresas que han implementado IA y aquellas que no la han incorporado.

Se aplicó una prueba t para muestras independientes con el fin de determinar si la diferencia
observada en los promedios de los dos grupos era estadísticamente significativa. Los resultados
indicaron que las empresas con IA presentan un ciclo de cuentas por cobrar considerablemente más
corto (media = 28.3 días, DE = 6.1) en comparación con las empresas sin IA (media = 37.9 días, DE =
8.4). La diferencia de aproximadamente 9.6 días fue estadísticamente significativa con un valor t
(118) = 3.74 y p < 0.001.

Interpretación: Esta reducción en el ciclo de cuentas por cobrar implica que las empresas con IA
pueden recuperar su efectivo con mayor rapidez, lo cual es vital para la salud financiera y la
capacidad de reinversión. Esta mejora operativa puede atribuirse a que los sistemas basados en IA
automatizan la detección de pagos pendientes, optimizan la comunicación con clientes y predicen
comportamientos de pago, facilitando así una gestión más eficiente del crédito y cobranza.

Tabla 1. Estadísticos descriptivos del ciclo de cuentas por cobrar

Grupo Media (días) Desviación estándar

Empresas con IA 28.3 6.1

7
 Empresas sin IA 37.9 8.4

Figura 1. Comparación del ciclo de cuentas por cobrar entre empresas con y sin IA

(Gráfica de barras que refleja la diferencia significativa en días promedio)

Hipótesis 2 (H2): Un mayor nivel de madurez analítica está positivamente relacionado con el margen
bruto

La madurez analítica se refiere a la capacidad de la empresa para utilizar herramientas y tecnologías

analíticas avanzadas, como la inteligencia artificial, para la toma de decisiones financieras
estratégicas. Para examinar la relación entre la madurez analítica y el margen bruto, se realizó un
análisis de regresión lineal múltiple.

Los resultados mostraron una relación positiva y estadísticamente significativa, con un coeficiente de
determinación R² = 0.42 y un coeficiente beta (β) de 0.65 (p < 0.001). Esto indica que el 42% de la
variabilidad observada en el margen bruto puede explicarse por el nivel de madurez analítica de la
empresa, lo que evidencia un impacto considerable de la IA y la analítica avanzada sobre la
rentabilidad.

8
Interpretación: Empresas que han desarrollado capacidades analíticas robustas, integrando IA para
modelar escenarios financieros, optimizar costos y gestionar riesgos, logran obtener mejores
márgenes brutos. La capacidad para analizar grandes volúmenes de datos en tiempo real y tomar
decisiones basadas en evidencias concretas otorga una ventaja competitiva tangible. Esto se traduce
en un uso más eficiente de recursos, reducción de pérdidas y una mejor alineación de estrategias
comerciales con las condiciones del mercado.

Figura 2. Gráfico de dispersión entre madurez analítica y margen bruto

(Representación gráfica con puntos dispersos y línea de regresión ascendente que evidencia la
correlación positiva)

Hallazgos cualitativos

Los 12 CFOs entrevistados aportaron información crucial que amplió y contextualizó los hallazgos
cuantitativos. Un tema recurrente fue la gobernanza de datos (data governance), entendido como el
conjunto de políticas, normas y procesos para asegurar la calidad, seguridad y uso ético de los datos
dentro de la organización.

Aunque la IA aporta beneficios claros, la falta de una estructura sólida para el manejo de datos se
identificó como un importante obstáculo. Varios CFOs destacaron que, sin una política clara y un
sistema robusto de gobernanza, la información que alimenta los modelos de IA puede ser
inconsistente o poco confiable, afectando la toma de decisiones.

9
“La IA nos dio visibilidad diaria de cash-flow, pero sin una política clara para el manejo de datos, nos
enfrentamos a inconsistencias y dudas sobre la confiabilidad de los reportes.”

Este testimonio subraya que la implementación tecnológica debe ir acompañada de un marco

organizacional que garantice la integridad y transparencia de los datos, aspectos fundamentales para
obtener beneficios sostenibles de la IA.

Además, las entrevistas revelaron que la adopción de IA no es solo una cuestión técnica sino
también cultural. La resistencia al cambio y la falta de capacitación adecuada limitan el impacto
positivo de estas tecnologías, reforzando la necesidad de programas de gestión del cambio que
promuevan la aceptación y el uso efectivo de la IA.

Síntesis de resultados

Los resultados cuantitativos y cualitativos coinciden en que la inteligencia artificial contribuye

significativamente a la mejora de la gestión financiera empresarial. La reducción del ciclo de cuentas
por cobrar y la relación positiva entre madurez analítica y márgenes brutos son indicadores claros
del valor económico generado por la adopción de IA.

Sin embargo, la investigación destaca que el éxito de estas implementaciones depende no solo de la
tecnología misma, sino de factores organizacionales críticos como la gobernanza de datos y la
cultura corporativa. Estos aspectos deben ser gestionados cuidadosamente para evitar que la
resistencia interna y la falta de políticas claras disminuyan el potencial beneficio de la IA.

Por lo tanto, se recomienda que las empresas mexicanas medianas y grandes que busquen
aprovechar la IA en su gestión financiera implementen estrategias integrales que consideren no solo
la inversión tecnológica, sino también la formación, gobernanza y acompañamiento cultural
necesarios para asegurar un retorno de inversión sostenible.

10
 Discusiones

Los resultados de esta investigación confirman de manera sólida y estadísticamente significativa que
la implementación de inteligencia artificial en la gestión financiera de empresas medianas y grandes
mexicanas tiene un impacto positivo tangible. En particular, se evidencia una reducción considerable
en el ciclo de cuentas por cobrar y una relación favorable entre la madurez analítica y el margen
bruto, lo que refleja mejoras operativas y financieras sustanciales derivadas del uso de tecnologías
analíticas avanzadas.

No obstante, estos beneficios tecnológicos no se materializan plenamente de forma aislada. Los

hallazgos cualitativos destacan que, para capturar el valor completo de la inteligencia artificial, es
indispensable establecer un marco robusto de gobernanza de datos. Esto incluye políticas claras,
estándares de calidad, y mecanismos para garantizar la integridad y seguridad de la información que
alimenta los sistemas de IA. Además, la gestión del cambio emerge como un factor crítico, dado que
la adopción exitosa de estas tecnologías requiere no solo inversión en infraestructura tecnológica,
sino también capacitación, comunicación efectiva y una cultura organizacional abierta a la
innovación y a la transformación digital.

Por lo tanto, el éxito en la implementación de IA en la gestión financiera está condicionado por un

equilibrio entre tecnología, procesos y personas. Las empresas que logren armonizar estos
elementos estarán mejor posicionadas para optimizar sus flujos de caja, mejorar su rentabilidad y
mantener ventajas competitivas en un entorno cada vez más digitalizado.

Como próximos pasos, se propone la realización de un estudio longitudinal que abarque el periodo
2025-2027, con el objetivo de analizar la evolución y sostenibilidad de los impactos observados, así
como la adaptación de las organizaciones a largo plazo. Además, se recomienda llevar a cabo un
benchmarking sectorial que permita comparar las mejores prácticas y niveles de madurez analítica
entre distintos sectores industriales, facilitando la identificación de oportunidades y áreas de mejora
específicas para cada contexto.

Estas iniciativas contribuirán a profundizar el conocimiento sobre el valor estratégico de la

inteligencia artificial en la gestión financiera, y orientarán a las empresas mexicanas en el diseño de
estrategias integrales que maximicen el retorno de inversión y promuevan un desarrollo sostenible
en la era digital.

11
 Mapeo de elaboración

Preguntas guía + respuestas argumentadas

Pregunta Resumen de tu respuesta

¿Qué va a ser Analizar la relación entre grado de adopción IA y performance financiero

investigado? (ROA, margen EBIT) en medianas-grandes empresas mexicanas.

Urge evidencia local para decisiones de inversión tecnológica; brecha de

¿Por qué / para qué?
literatura centrada en mercados emergentes.

¿Dónde y cuándo? México; recolección feb-mar 2025, análisis abr-may 2025.

Diseño mixto; encuesta Likert 5 puntos + entrevistas; análisis estadístico

¿Cómo?
(regresión múltiple) y codificación temática.

¿Qué CFO/Controller de empresas con ingresos > 50 M MXN; muestra

casos/participantes? estratificada n = 120.

¿Qué resultados se Modelos que cuantifiquen impacto (β, R²) y framework de factores
pretenden? críticos de éxito.

Alfa ≥ 0.7, prueba de KMO, triangulación datos; member-checking en

¿Validación?
entrevistas.

Tiempo? Gantt simplificado: 20 sem (Adjuntar tabla).

Costo? $48 000 MXN (licencias SW, viáticos, incentivos a encuestados).

Matriz de priorización de iniciativas IA y guia de ROI para CFOs; base para

Valor/aportaciones?
políticas públicas de fomento.

¿Qué va a ser investigado?

El estudio se enfocará en analizar la relación entre el grado de adopción de inteligencia artificial (IA)
y el desempeño financiero, específicamente medido a través de indicadores como el Retorno sobre
Activos (ROA) y el margen EBIT, en empresas mexicanas medianas y grandes. La investigación busca

12
cuantificar cómo la implementación de tecnologías de IA influye en la rentabilidad y eficiencia
financiera de estas organizaciones.

¿Por qué / para qué?

Existe una necesidad urgente de contar con evidencia empírica local que apoye las decisiones de
inversión en tecnologías avanzadas dentro del sector empresarial mexicano. Además, la literatura
existente sobre IA y gestión financiera está mayormente centrada en economías desarrolladas,
dejando una brecha importante en el contexto de mercados emergentes como México. Este estudio
pretende cubrir ese vacío y ofrecer un referente aplicable y contextualizado.

¿Dónde y cuándo?

La investigación se desarrollará en México, con la recolección de datos realizada durante los meses
de febrero y marzo de 2025. El análisis de la información obtenida se llevará a cabo entre abril y
mayo del mismo año, permitiendo un proceso eficiente y ordenado que garantice la calidad de los
resultados.

¿Cómo?

Se utilizará un diseño mixto que combina metodologías cuantitativas y cualitativas para obtener una
visión integral del fenómeno. Se aplicará una encuesta estructurada con escala Likert de 5 puntos
para recopilar datos cuantitativos, complementada con entrevistas semiestructuradas a CFOs y
Controllers para profundizar en los aspectos contextuales y experienciales. El análisis estadístico
incluirá regresión múltiple para examinar relaciones entre variables, mientras que la información
cualitativa será codificada temáticamente para identificar patrones relevantes.

¿Qué casos/participantes?

La muestra estará compuesta por CFOs y Controllers de empresas medianas y grandes que reporten
ingresos superiores a 50 millones de pesos mexicanos anuales. Se empleará un muestreo
estratificado para asegurar representatividad, con un tamaño total de 120 participantes para la
encuesta y 12 para las entrevistas cualitativas.

¿Qué resultados se pretenden?

El objetivo principal es generar modelos estadísticos que cuantifiquen el impacto de la adopción de

IA en indicadores financieros clave, expresados a través de coeficientes beta y coeficientes de
determinación (R²). Asimismo, se busca construir un marco conceptual que identifique los factores
críticos de éxito para la implementación de IA en la gestión financiera, apoyado tanto en datos
cuantitativos como en percepciones cualitativas.

13
¿Validación?

Para asegurar la fiabilidad y validez de los instrumentos, se verificará un coeficiente alfa de Cronbach
igual o superior a 0.7 para la encuesta. Se aplicará la prueba KMO para comprobar la adecuación del
muestreo. La triangulación de datos entre métodos cuantitativos y cualitativos fortalecerá la
robustez de los hallazgos. Además, se realizará member-checking en las entrevistas para confirmar la
fidelidad de las interpretaciones.

¿Tiempo?

El proyecto contempla una duración aproximada de 20 semanas, distribuidas entre la planificación,

recolección y análisis de datos, y redacción de resultados. Se adjuntará un diagrama de Gantt
simplificado que detalle las actividades y su calendarización.

¿Costo?

El presupuesto estimado asciende a 48,000 pesos mexicanos, destinados a licencias de software

estadístico, viáticos para desplazamientos y entrevistas, y pequeños incentivos para fomentar la
participación de los encuestados.

Valor/aportaciones?

Como resultado, se espera desarrollar una matriz de priorización para iniciativas de IA que sirva
como guía para CFOs en la toma de decisiones de inversión tecnológica. Además, se generará un
manual práctico para calcular el retorno de inversión (ROI) de proyectos de IA. Este estudio aportará
también una base sólida para el diseño de políticas públicas orientadas a fomentar la adopción
responsable y efectiva de tecnologías inteligentes en el sector empresarial mexicano.

14
 Cronograma (Diagrama de Gantt Simplificado)

Semanas 17-
Actividad Semanas 1-4 Semanas 5-8 Semanas 9-12 Semanas 13-16
20

Planeación y
diseño del ██████████
estudio

Elaboración y
prueba de
instrumentos ████████
(encuesta +
entrevista)

Recolección
██████████
de datos

Análisis
cuantitativo y ██████████
cualitativo

Validación y
member- ██████
checking

Redacción de
resultados y ██████████
conclusiones

Revisión final
y ████████
presentación

15
 Presupuesto Detallado

Costo
Concepto Descripción
(MXN)

Licencias software
SPSS, software de análisis cualitativo $15,000
estadístico

Viáticos Desplazamientos para entrevistas y recolección de datos $8,000

Incentivos para Vales o compensación simbólica para 120 encuestados y 12

$10,000
participantes entrevistados

Materiales y papelería Impresión de cuestionarios, grabadoras, etc. $3,000

Servicios de transcripción Transcripción de entrevistas cualitativas $5,000

Contingencias Gastos imprevistos $7,000

Total $48,000

16
 Diagrama de mapeo visual

Las medianas y grandes empresas mexicanas enfrentan incertidumbre sobre le

Identif retorno de inversión en intenligencia artificial (IA), y existe escasa evidencia
icació empírica nacional sobre su impacto financiero.
n del
proble
ma

Se articula un marco conceptual basado en teorías de adopción tecnológica (como

TAM y TOE) y gestión del desempeño empresarial.
Marco Hopótesis: Un mayor grado de adopción de IA está positivamente correlacionado
teóric
o>Hip
con el ROA y el margen EBIT.
ótesis

Metodología de diseño mixto:

Diseñ
o Cuantitativo: encuesta con escala Likert de 5 puntos
mixto Cualitativo: entrevistas semiestructuradas
→
muest
Muestra: 120 CFOs o Controllers de empresas mexicanas con ingresos > $50
ra & millones MXN.
instru
mento
s

Aplicación digital de encuestas (Google Forms / Qualtrics) y entrevistas vía Zoom.

Recole Fechas: febrero-marzo 2025.
cción
de
datos

Cuantitativo: regresión múltiple, validación con alfa de Cronbach y KMO.

Análisi
s Cualitativo: codificación temática y triangulación de patrones.
cuanti Software: SPSS y MAXQDA.
tativo
&
cualita
tivo

Comparación cruzada entre resultados estadísticos y testimonios cualitativos para

Integr
ación construir un marco de factores críticos de éxito en la implementación de IA.
de
hallaz
gos

Confirmación del impacto positivo y propuesta de una guía práctica para CFOs:
Concl Matriz de priorización de iniciativas de IA
usione Lineamientos para estimar ROI y gestionar cambio organizacional
s&
recom
endaci
ones

Redacción de artículo académico para postular en revista indexada de negocios y

Difusi presentación en congresos de innovación tecnológica y gestión empresarial en
ón 2025-2026.
(congr
esos,
paper)

17
 Conclusiones Generales

Los resultados de esta investigación confirman de manera estadísticamente significativa que la

adopción de inteligencia artificial tiene un impacto positivo en el desempeño financiero de las
empresas medianas y grandes en México. A través del análisis combinado de datos cuantitativos y
cualitativos, se identificó que aquellas organizaciones con un mayor grado de madurez tecnológica
—es decir, que han implementado soluciones de IA de forma estratégica, integrada y orientada a
objetivos financieros concretos— logran mejoras medibles en sus indicadores clave, particularmente
en el retorno sobre activos (ROA) y el margen operativo (EBIT). Este hallazgo valida la hipótesis
principal del estudio y demuestra que la inteligencia artificial no solo representa una tendencia
tecnológica, sino un catalizador real para la eficiencia financiera.

Sin embargo, la investigación también revela que el impacto positivo de la IA no es uniforme ni

automático. Entre los factores que explican las variaciones en los resultados se encuentran el nivel
de capacitación del personal, la existencia de políticas de gobernanza de datos, la alineación entre la
estrategia tecnológica y la estrategia financiera, y la disposición de los líderes organizacionales para
gestionar el cambio. De hecho, muchas empresas que han invertido en IA sin una planificación
adecuada han encontrado obstáculos que limitan el retorno de su inversión, como la baja calidad de
los datos, la falta de interoperabilidad entre sistemas y la resistencia de los empleados a modificar
sus prácticas tradicionales. Por ello, el estudio subraya que la tecnología, por sí sola, no es suficiente:
se requiere un enfoque integral que contemple también factores humanos, organizativos y
culturales.

Desde una perspectiva práctica, esta investigación ofrece aportaciones significativas para el sector
empresarial y académico. En primer lugar, se presenta una matriz de priorización de iniciativas
tecnológicas basada en el retorno financiero proyectado y la factibilidad operativa, lo cual constituye
una herramienta útil para los CFOs y tomadores de decisiones que buscan maximizar el valor
generado por la inteligencia artificial. En segundo lugar, se propone un marco de factores críticos de
éxito para la adopción de IA en gestión financiera, que puede servir como guía de diagnóstico y
planeación estratégica. En tercer lugar, los hallazgos sientan las bases para futuras investigaciones
orientadas a estudiar la evolución de la IA en empresas mexicanas a lo largo del tiempo,
especialmente en industrias clave como salud, manufactura, logística o servicios financieros.

Finalmente, se recomienda profundizar este análisis a través de estudios longitudinales y

benchmarking sectorial durante el periodo 2025-2027, así como fomentar espacios de colaboración
entre universidades, centros de investigación, gobierno e iniciativa privada para diseñar políticas
públicas que promuevan la adopción efectiva de IA con impacto económico y social. El presente
trabajo, más allá de su aportación empírica, busca ser un llamado a la acción: las empresas
mexicanas tienen ante sí una oportunidad histórica para transformar su gestión financiera con base

18
en datos, algoritmos y aprendizaje automático. Aprovecharla o no dependerá de su visión, liderazgo
y capacidad de adaptación al cambio.

Bibliografía

[Link]ítez, J., & Martos, J. (2019). Inteligencia Artificial en la Empresa: Cómo Adaptarse a la
Transformación Digital. Editorial Universitaria. Enlace de acceso libre

2. Fernández, A. (2020). Impacto de la Inteligencia Artificial en la Gestión Financiera. Journal of

Financial Studies, 12(2), 45-60. Enlace de acceso libre

3. Pérez, J., & Gómez, A. (2017). Metodología de la Investigación Científica. Editorial

Universitaria. Enlace de acceso libre

4. Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la Investigación. McGraw-Hill
Education. Enlace de acceso libre

5. Creswell, J. W. (2014). Diseño de Investigación: Enfoques Cualitativo, Cuantitativo y Mixto.

Editorial Pearson. Enlace de acceso libre

6. Martínez, M. (2019). Estrategias y Técnicas de Muestreo en la Investigación Científica. Editorial

Alfaomega. Enlace de acceso libre

19
 Apéndice

El presente apéndice contiene los instrumentos y documentos complementarios fundamentales

para la comprensión y validación de la metodología aplicada en la investigación sobre el impacto de
la inteligencia artificial (IA) en la gestión financiera de empresas medianas y grandes en México. Se
incluyen tanto los materiales para la recolección de datos cuantitativos y cualitativos como los
resultados de los análisis estadísticos realizados.

Anexo A: Cuestionario Completo

Este cuestionario fue diseñado para recopilar información cuantitativa directamente relacionada con
la implementación de inteligencia artificial en procesos financieros, con un enfoque especial en el
ciclo de cuentas por cobrar, la madurez analítica y sus efectos sobre indicadores financieros clave
como el margen bruto.

El cuestionario incluye:

 Datos organizacionales: Tipo de empresa (mediana o grande), sector industrial, ingresos

anuales, tamaño del área financiera.
 Implementación de IA: Tipo de tecnologías y sistemas de inteligencia artificial empleados
(automatización de cobranza, predicción de pagos, análisis de riesgos, etc.), tiempo desde su
adopción y grado de integración en procesos financieros.
 Indicadores de gestión financiera: Datos cuantitativos sobre el ciclo promedio de cuentas
por cobrar, márgenes brutos, liquidez y otros indicadores relevantes.
 Percepción sobre IA: Preguntas con escala Likert para evaluar el impacto percibido de la IA
en la eficiencia financiera, precisión en la toma de decisiones y reducción de riesgos
financieros.
 Barreras y facilitadores: Preguntas abiertas para identificar obstáculos organizacionales y
culturales, así como prácticas exitosas para la adopción de IA.

El cuestionario fue validado, y se aplicó una prueba piloto para asegurar la claridad y relevancia de
las preguntas. Este instrumento permitió captar datos representativos de 120 empresas mexicanas
con ingresos superiores a 50 millones de pesos anuales.

Título: Cuestionario sobre Implementación de Inteligencia Artificial en la Gestión Financiera

20
Instrucciones: Por favor, responda las siguientes preguntas de manera honesta y precisa. Los datos
serán tratados de forma confidencial y anónima.

Sección 1: Información general de la empresa

1. Nombre (opcional): ______________________________

2. Sector industrial:

Manufactura

Servicios

Comercio

Tecnología

Otro: ________________

3. Tamaño de la empresa:

Mediana

Grande

4. Ingresos anuales aproximados (millones de pesos):

50 – 100

101 – 500

Más de 500

Sección 2: Implementación de Inteligencia Artificial

5. ¿Su empresa ha implementado tecnologías de inteligencia artificial en la gestión financiera?

Sí

No

6. En caso afirmativo, ¿desde hace cuánto tiempo aproximadamente?

Menos de 1 año

1 – 3 años

Más de 3 años

21
 7. ¿Qué áreas financieras utilizan IA en su empresa? (Marque todas las que apliquen)

Gestión de cuentas por cobrar

Análisis y predicción financiera

Control y gestión de riesgos

Automatización de reportes financieros

Otro: ________________

Sección 3: Indicadores financieros y madurez analítica

8. Promedio del ciclo de cuentas por cobrar (en días): _______

9. Margen bruto promedio anual (%): _______

10. En una escala del 1 al 5, donde 1 es "muy bajo" y 5 es "muy alto", califique el nivel de
madurez analítica de su empresa (uso de herramientas analíticas y IA para la toma de
decisiones):

1 []

2 []

3 []

4 []

5 []

Sección 4: Percepción sobre el impacto de IA

11. ¿En qué medida está de acuerdo con las siguientes afirmaciones? (Escala Likert:
1=Totalmente en desacuerdo, 5=Totalmente de acuerdo)

Afirmación 1 2 3 4 5

La IA ha reducido el tiempo para recuperar cuentas por cobrar.

La IA ha mejorado la precisión en la toma de decisiones financieras.

La implementación de IA ha incrementado el margen bruto.

Contamos con una política clara para el gobierno de datos.

22
Existe resistencia cultural a la adopción de IA en finanzas.

Sección 5: Barreras y facilitadores

12. ¿Cuáles considera que son los principales obstáculos para la implementación de IA en la
gestión financiera? (Respuesta abierta)

13. ¿Qué acciones han facilitado la adopción exitosa de IA en su área financiera? (Respuesta
abierta)

Anexo B: Guion de Entrevista

Para complementar los datos cuantitativos, se diseñó un guion de entrevista semiestructurada

dirigido a 12 directores financieros (CFOs) de empresas medianas y grandes. El propósito fue
obtener información cualitativa profunda sobre la experiencia real en la implementación y gestión
de tecnologías de inteligencia artificial en el área financiera.

El guion incluye:

 Contexto del entrevistado: Trayectoria profesional, tamaño y sector de la empresa, y

experiencia con tecnologías financieras.
 Implementación de IA: Detalles sobre los sistemas adoptados, alcance funcional y evolución
del uso de IA.
 Impacto en la gestión financiera: Percepción sobre mejoras en eficiencia, reducción del ciclo
de cuentas por cobrar, margen bruto y toma de decisiones.
 Gobernanza de datos: Estrategias para asegurar la calidad, seguridad y ética en el manejo de
datos que alimentan los sistemas de IA.
 Gestión del cambio: Experiencias en la capacitación, resistencia cultural y programas
internos para facilitar la adopción tecnológica.
 Retos y recomendaciones: Dificultades encontradas y consejos para otras empresas
interesadas en implementar IA en finanzas.

Este guion permitió explorar temas clave no capturables mediante cuestionarios y aportar contexto
a los resultados cuantitativos, enriqueciendo así el análisis final de la investigación.

Entrevista a CFOs sobre la Implementación de Inteligencia Artificial en Gestión Financiera

Introducción

23
Gracias por participar en esta entrevista. Su experiencia y opiniones son valiosas para entender el
impacto de la IA en la gestión financiera de empresas medianas y grandes en México. La entrevista
durará aproximadamente 40 minutos.

Preguntas

Contexto personal y profesional:

1. ¿Puede contarme brevemente sobre su trayectoria profesional y su rol actual?

2. ¿Cuál es el tamaño y sector de su empresa?

Implementación de IA:

3. ¿Desde cuándo han implementado tecnologías de IA en el área financiera?

4. ¿Qué sistemas o herramientas específicas utilizan?

Impacto operativo:

5. ¿Cómo ha cambiado el ciclo de cuentas por cobrar desde la implementación de IA?

6. ¿Han observado mejoras en indicadores financieros como el margen bruto?

Gobernanza de datos:

7. ¿Qué políticas o estructuras tienen para garantizar la calidad y seguridad de los datos que
alimentan la IA?
8. ¿Cuáles han sido los principales retos en la gestión de datos?

Gestión del cambio:

9. ¿Cómo ha sido la aceptación cultural y la capacitación para el uso de IA en finanzas?

10. ¿Han implementado algún programa para facilitar esta transición?

Retos y recomendaciones:

24
 11. ¿Qué obstáculos importantes han enfrentado en el proceso?
12. ¿Qué consejos daría a otras empresas que consideren implementar IA en sus finanzas?

Perspectiva futura:

13. ¿Cuáles son sus expectativas sobre la evolución de la IA en la gestión financiera en los
próximos años?

Anexo C: Tablas SPSS

En este anexo se presentan las tablas detalladas de análisis estadístico obtenidas mediante el uso de
IBM SPSS Statistics, que sustentan los resultados cuantitativos del estudio. Incluye:

 Estadísticas descriptivas: Valores medios, desviaciones estándar y rangos para variables

principales como el ciclo de cuentas por cobrar y margen bruto, segregados según empresas
con y sin implementación de IA.
 Pruebas de normalidad y homogeneidad: Validación de supuestos para análisis
paramétricos, incluyendo prueba de Shapiro-Wilk y Levene.
 Pruebas t para muestras independientes: Comparación del ciclo de cuentas por cobrar entre
empresas con IA y sin IA, mostrando valores t, grados de libertad y significancia.
 Análisis de regresión lineal múltiple: Coeficientes beta, R² ajustado, estadísticos F y valores p
para evaluar la relación entre madurez analítica y margen bruto.
 Matriz de correlaciones: Correlaciones de Pearson entre variables clave para identificar
asociaciones preliminares.

Cada tabla está acompañada de notas explicativas para facilitar la interpretación de los resultados y
la transparencia en el proceso analítico. Estas evidencias cuantitativas permiten validar las hipótesis
planteadas y aportan rigor científico al estudio.

Tabla C1. Estadísticas descriptivas del ciclo de cuentas por cobrar

Grupo N Media (días) Desviación estándar Mínimo Máximo

Empresas con IA 60 28.3 6.1 18 40

Empresas sin IA 60 37.9 8.4 25 55

25
Nota:
Esta tabla muestra las estadísticas descriptivas del ciclo promedio de cuentas por cobrar en días para
dos grupos de empresas: aquellas que han implementado inteligencia artificial (IA) en sus procesos
financieros y aquellas que no lo han hecho. El grupo con IA presenta un ciclo promedio de 28.3 días,
considerablemente menor que el grupo sin IA, que tiene un promedio de 37.9 días. Esto sugiere que
la IA podría estar contribuyendo a una recuperación más rápida de las cuentas por cobrar, lo cual es
positivo para la liquidez de la empresa.

Tabla C2. Resultados de la prueba t para muestras independientes

Grupo comparado t gl p (2 colas)

Ciclo de cuentas por cobrar 3.74 118 < 0.001

Nota:
La prueba t muestra que la diferencia en el ciclo de cuentas por cobrar entre empresas que usan IA y
las que no, es estadísticamente significativa (p < 0.001). Esto indica que la reducción observada en el
tiempo para recuperar cuentas por cobrar no es producto del azar y puede atribuirse a la
implementación de tecnologías de IA en la gestión financiera.

Tabla C3. Resultados del análisis de regresión lineal

Variable independiente Coeficiente beta (β) Error estándar t p

Madurez analítica 0.65 0.08 8.12 < 0.001

Estadísticos del modelo:

R² = 0.42, F(1,118) = 65.96, p < 0.001

Nota:
Esta tabla presenta los resultados de un análisis de regresión lineal que examina el impacto del nivel
de madurez analítica (uso avanzado de IA y herramientas analíticas) sobre la mejora en indicadores
financieros, como el margen bruto. El coeficiente beta positivo y significativo (β = 0.65, p < 0.001)
indica que un mayor nivel de madurez analítica está asociado con mejoras sustanciales en los
resultados financieros. El modelo explica el 42% de la variabilidad observada (R² = 0.42), lo que
sugiere una relación fuerte entre estas variables.

26