PROYECTO DE TESIS

CARRERA:

Ingeniería Industrial

Efectos de la inteligencia artificial y su relación con la optimización de procesos industriales

en el sector textil de Lima Metropolitana, 2025

LÍNEAS DE INVESTIGACIÓN

AUTORES
Alfaro Apolinario, Dylan Antonio (0009-0009-3239-9830)
Alvarado Espinoza, Carlos Benjamin (0009-0002-6549-3769)
Belen Granda, Stefanny Kassandra (0009-0003-2377-560x)
Flores Tuesta, Cesar Teddy (0009-0009-6788-914x)

PROFESORA
Dra. Vásquez Pajuelo, Lida (0000-0002-1241-3190)

Lima-Perú- 2025
 Indice
CAPÍTULO I...........................................................................................................................1

1.1. PLANTEAMIENTO DE LA INVESTIGACIÓN.........................................................................1

1.1.1. Planteamiento del Problema........................................................................................1
1.2. FORMULACIÓN DEL PROBLEMA.......................................................................................5
1.2.1. Problema general.........................................................................................................5
1.2.2. Problemas específicos..................................................................................................5
1.3. JUSTIFICACIÓN DE LA INVESTIGACIÓN.............................................................................6
1.3.1. Justificación teórica.....................................................................................................6
1.3.2. Justificación práctica...................................................................................................7
1.3.3. Justificación metodológica..........................................................................................8

CAPÍTULO II.......................................................................................................................10

2.1. MARCO REFERENCIAL....................................................................................................10

2.1.2. Antecedentes de la Investigación.................................................................................10
2.2. MARCO TEÓRICO............................................................................................................21
2.2.1. Variable 1. Inteligencia Artificial..............................................................................21
2.3. VARIABLE 2. OPTIMIZACIÓN DE PROCESOS INDUSTRIALES............................................26
2.3.1. Dimensión 1. Incremento de la eficiencia operativa.................................................27
2.3.2. Dimensión 2. Reducción de costos............................................................................28
2.3.3. Dimensión 3. Sostenibilidad......................................................................................28
2.4. BASES TEÓRICAS DE LAS VARIABLES............................................................................31
2.5. BASES EMPÍRICAS DE LAS VARIABLES..........................................................................33
2.6. BASES METODOLÓGICAS DE LAS VARIABLES................................................................34
2.7. OBJETIVOS DE LA INVESTIGACIÓN.................................................................................35
2.7.1. Objetivo general.........................................................................................................35
2.7.2. Objetivos específicos.................................................................................................35
2.8. HIPÓTESIS.......................................................................................................................36
2.8.1. Hipótesis general.......................................................................................................36
 2.8.2. Hipótesis específicas..................................................................................................36

REFERENCIAS BIBLIOGRÁFICAS..................................................................................37

JUSTIFICACIÓN DE VARIABLES...................................................................................................53
 1

Capítulo I

1.1. Planteamiento de la Investigación

1.1.1. Planteamiento del Problema

En los últimos años, la inteligencia artificial (IA) se ha convertido en una herramienta

clave para la transformación digital de la industria. Su aplicación permite optimizar procesos

productivos, reducir costos operativos y mejorar la calidad de los productos. Dentro del contexto

de la Industria 4.0, la IA se integra con tecnologías como el Internet de las Cosas (IoT), el big

data y los sistemas ciber físicos, generando entornos industriales más eficientes y adaptativos

(Gao et al., 2024).

Este diagnóstico situacional tiene como propósito analizar el nivel de desarrollo

tecnológico, la eficiencia operativa y la capacidad de innovación en las organizaciones

industriales, identificando los factores que influyen en la automatización, la toma de decisiones

basada en datos y la mejora continua de la producción. Además, busca examinar cómo las

empresas están incorporando herramientas digitales avanzadas que les permitan responder con

mayor agilidad a las exigencias del mercado, optimizando sus recursos y asegurando una gestión

más inteligente y sostenible, asimismo, se pretende evaluar la manera en que las industrias están

fortaleciendo sus estrategias de digitalización para incrementar la productividad, la sostenibilidad

y la competitividad frente a los cambios tecnológicos y económicos actuales, este análisis

considera también las limitaciones estructurales y humanas que obstaculizan la modernización

integral del sector, como la falta de infraestructura tecnológica, la escasa capacitación técnica del

personal y la resistencia al cambio organizacional.

A nivel mundial las empresas han comenzado a transformar sus operaciones

 2

mediante la incorporación de la inteligencia artificial, la cual ha pasado de ser una

tecnología emergente a convertirse en un motor esencial de la cuarta revolución industrial,

destacando en áreas como la visión por computadora, el aprendizaje profundo y los sistemas

predictivos que permiten anticipar fallas y reducir riesgos en la cadena de valor, estas

aplicaciones han permitido que la gestión de datos masivos sea más precisa y rápida,

favoreciendo que la toma de decisiones deje de depender exclusivamente de la intuición directiva

y se sustente en modelos matemáticos y algoritmos robustos que mejoran el rendimiento global

de las compañías (Ayuso et al., 2022). Asimismo, Tundidor et al. (2022) mencionan que, las

empresas industriales han optado por la optimización de procesos para aumentar la eficiencia en

la producción y reducir los costos operativos para aumentar su competitividad en el mercado y

mejorar su rentabilidad, esto se logra a través de la implementación de tecnologías avanzadas,

como la inteligencia artificial y el machine learning, que permiten la automatización de tareas

repetitivas y la identificación de patrones en los datos.

Según González-Becerril (2023) la inteligencia artificial ha experimentado un

crecimiento relevante en el sector industrial, ya que las grandes plantas han incorporado chatbots

industriales, sistemas de análisis predictivo y visión artificial, los cuales procesan información

proveniente de sensores y detectan anomalías antes de que ocurran fallas en los procesos

productivos, evitando así pérdidas millonarias, estas innovaciones tecnológicas no solo han

permitido anticipar problemas y reducir tiempos de inactividad, sino que también han mejorado

la planificación operativa, el control de calidad y la eficiencia en el uso de recursos para que de

esta manera, la incorporación de soluciones inteligentes impulsen una producción más precisa,

flexible y adaptada a las demandas del mercado, fortaleciendo la competitividad y la capacidad

 3

de respuesta de las empresas frente a entornos industriales cada vez más dinámicos y

automatizados.

Además, Ochoa-Barragán et al. (2022) indican que, la optimización de procesos va

mejorando continuamente con la incorporación de tecnologías como el Internet de las cosas

(IoT) y la robótica colaborativa, que permiten una mayor eficiencia en la gestión de recursos y

una reducción de costos operativos en el cual se han logrado resultados significativos en la

reducción de tiempos de producción y en la minimización de errores humanos, por lo tanto, se

espera que esta tendencia de automatización y digitalización en la industria continúe en constante

evolución, beneficiando a las empresas con una mayor productividad y competitividad en el

mercado.

Actualmente, las industrias utilizan la IA en diversas áreas operativas, entre ellas el

mantenimiento predictivo, la detección de fallas, la optimización de parámetros de producción, y

el control de calidad mediante visión artificial, estas aplicaciones han permitido una mayor

eficiencia energética, reducción del tiempo de inactividad de las máquinas y una toma de

decisiones más rápida basada en datos (Ramírez et al., 2018).

Plathottam et al. (2023) señalan que la IA ha demostrado ser eficaz en la

identificación de patrones complejos dentro de grandes volúmenes de información, lo

cual facilita la predicción de comportamientos del sistema industrial y la optimización de

recursos. Asimismo, el uso de redes neuronales artificiales, algoritmos genéticos y modelos de

aprendizaje profundo se ha incrementado en el sector manufacturero para el control y la

supervisión de procesos (Ajagekar & You, 2020).

En los últimos años, el Perú ha mostrado un notable crecimiento en la adopción de la

inteligencia artificial (IA) como herramienta para la optimización de procesos industriales. Según
 4

la consultora IDC, en 2024 las empresas peruanas invirtieron aproximadamente USD 50,1

millones en servicios de inteligencia artificial, lo que representa un incremento del 38,4 % en

comparación con el año anterior (Gestión, 2024).

Del total de esta inversión, el 82,2 % fue destinado al desarrollo de soluciones a medida,

el 12,9 % a servicios gestionados, y el 5 % al soporte técnico, este crecimiento refleja el interés

de las empresas por personalizar los sistemas de IA y adaptarlos a las necesidades específicas de

cada proceso industrial (Gestión, 2024).

Asimismo, un 31,7 % de los directores de Tecnología de la Información (TI) en Perú

señalaron que la automatización de procesos constituye su principal prioridad de inversión para

2025 (Andina, 2024). De hecho, aproximadamente el 34 % de las empresas peruanas utilizan

inteligencia artificial y automatización en sus operaciones diarias (Gestión, 2024).

Por otro lado, un informe de Andina (2024) indica que el 51 % de las compañías

peruanas lograron implementar soluciones de IA en menos de seis meses, superando el promedio

global. Además, un estudio de Microsoft (2024) reveló que el 70 % de las grandes empresas

peruanas planean incrementar su presupuesto destinado a inteligencia artificial en los próximos

dos años. Finalmente, se estima que la inversión en IA en Perú tendrá una tasa de crecimiento

anual compuesta (CAGR) del 20,1 % hasta el año 2027 (Gestión, 2024).

Las empresas industriales han integrado la automatización robótica de procesos (RPA,

por sus siglas en inglés) con tecnologías como la inteligencia artificial (IA) para ganar

rentabilidad en su operación según el CEO de Vertix Technologies (Villon, 2023; citado en

semana económica).

Luego de que en 2019 usaron bots digitales de RPA para automatizar tareas simples, el

foco de estos sistemas durante la pandemia del covid-19 estuvo puesto en operar a distancia.
 5

Hoy, el objetivo es la integración de tecnologías para resolver tareas complejas, como

prevención y eficiencia de las plantas industriales, según Katherine Prendice, Offer Manager

Digital de Softtek para Sudamérica. Al 2030, la inversión en RPA crecería 17.5% anual, de

acuerdo con cifras de Gartner.

El aporte de la RPA en la operación industrial es la automatización del flujo masivo de

datos para alimentar otras tecnologías. Siderperú, por ejemplo, integró la RPA con la IA para

monitorear la eficiencia de equipos y procesos en tres plantas. “Permite analizar más de 1,000

variables en el sistema e identificar anomalías”, dice su gerente de Transformación Digital,

Gemma Savaresse, por lo tanto, en lo que va del 2023, esta integración generó un retorno de

US$305,000. (Semana económica, 2023)

Estos datos evidencian cómo la inteligencia artificial se consolida como un factor clave

en la transformación digital y la optimización de procesos industriales, permitiendo mejorar la

eficiencia, reducir costos y elevar la competitividad del sector productivo peruano.

En la presente investigación se aborda la siguiente pregunta ¿cuál es la relación entre la

inteligencia artificial y la optimización de procesos industriales en el sector textil en Lima

metropolitana 2025?

1.2. Formulación del Problema

1.2.1. Problema general

¿Cómo se relacionan los efectos de la inteligencia artificial con la optimización de

procesos industriales en el sector textil en Lima Metropolitana, 2025?

1.2.2. Problemas específicos

PE1: ¿Cuál es la relación entre el aprendizaje automático y la optimización de procesos

industriales en el sector textil en Lima metropolitana 2025?

 6

PE2: ¿Cuál es la relación entre las redes neuronales artificiales y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025?

PE3: ¿Cuál es la relación entre la visión por computadora y la optimización de procesos

industriales en el sector textil en Lima metropolitana 2025?

1.3. Justificación de la investigación

1.3.1. Justificación teórica

La IA se ha consolidado como una de las herramientas tecnológicas más relevantes en la

transformación digital de las industrias modernas, por lo cual, su aplicación en los procesos

industriales permite el análisis de grandes volúmenes de datos, la toma de decisiones

automatizadas y la mejora continua en la eficiencia operativa. Según Russell y Norvig (2022)

expresan que, la IA se basa en el desarrollo de sistemas capaces de realizar tareas que

tradicionalmente requerían inteligencia humana, como el razonamiento, el aprendizaje y la

percepción.

En el contexto industrial, la IA cumple un papel determinante al integrarse con

tecnologías como la automatización, el Internet de las Cosas (IoT) y la analítica predictiva. Estas

herramientas contribuyen significativamente a la optimización de procesos, mejorando la

productividad y reduciendo los costos operativos. Según Davenport y Ronanki (2018), la

inteligencia artificial permite optimizar procesos industriales mediante algoritmos que identifican

patrones, predicen fallas y ajustan los recursos de manera eficiente.

En el caso del Perú, el impacto de la IA en la optimización de procesos se refleja en el

creciente interés empresarial por incorporar soluciones inteligentes. La automatización y la

digitalización de operaciones han permitido aumentar la productividad y la calidad de los

productos, además de reducir tiempos muertos y desperdicios (Gestión, 2024). Asimismo, el uso
 7

de IA en industrias como la manufactura, minería y logística contribuye a una mayor

competitividad en el mercado global, ya que facilita la toma de decisiones basada en datos y

mejora la eficiencia energética y operativa (Andina, 2024).

Desde un punto de vista teórico, la optimización de procesos industriales mediante IA se

fundamenta en el principio de mejora continua propuesto por Garcia et al. (2024) el cual plantea

que toda organización debe buscar constantemente reducir la variabilidad y aumentar la

eficiencia en sus procesos, asimismo, la IA actúa como un facilitador de este principio, al

permitir el monitoreo constante, la detección temprana de errores y la automatización de tareas

repetitivas.

Por lo tanto, la inteligencia artificial no solo representa una innovación tecnológica, sino

una estrategia de gestión industrial orientada a la eficiencia, la productividad y la sostenibilidad.

Su integración en los procesos industriales constituye una respuesta a las demandas de la

Industria 4.0, caracterizada por la interconexión, la digitalización y el análisis inteligente de la

información para la toma de decisiones (Schwab, 2016).

1.3.2. Justificación práctica

La aplicación de la inteligencia artificial (IA) en la optimización de procesos industriales

constituye una herramienta clave para mejorar la competitividad y productividad de las empresas

peruanas. En un entorno globalizado, donde la eficiencia operativa es determinante para la

sostenibilidad, la IA ofrece soluciones concretas para la automatización de tareas, la reducción

de errores y la toma de decisiones basadas en datos en tiempo real.

En el contexto nacional, investigaciones recientes evidencian que la implementación de

sistemas de inteligencia artificial ha permitido reducir los costos operativos hasta en un 26 %,

mejorar la calidad de los productos y servicios en un 30 % y aumentar los márgenes de beneficio

 8

en un 20 % en empresas que han adoptado tecnologías automatizadas en sus líneas de

producción, estos resultados demuestran el impacto tangible que tiene la IA en la eficiencia

industrial y la rentabilidad empresarial (Palomino et al., 2023).

Asimismo, Reyes et al. (2024) sostienen que la inteligencia artificial ha transformado la

gestión empresarial peruana al facilitar la integración de procesos digitales, la optimización de la

cadena de suministro y la reducción de tareas repetitivas, permitiendo a las organizaciones

destinar más recursos a la innovación, este cambio tecnológico ha generado mejoras sustanciales

en la productividad y ha impulsado el desarrollo de nuevos modelos de negocio orientados a la

eficiencia.

Por otro lado, Armas (2021) destaca que el uso de la IA en el entorno laboral peruano no

solo contribuye a la eficiencia operativa, sino que también promueve la capacitación de los

trabajadores en competencias digitales, fortaleciendo el capital humano necesario para sostener

la transformación industrial, esto evidencia que la incorporación de inteligencia artificial no se

limita al ámbito tecnológico, sino que tiene un impacto social y formativo relevante en el

desarrollo del sector industrial.

Por lo tanto, la implementación de la inteligencia artificial en las empresas peruanas no

solo impulsa la productividad y eficiencia, sino que también fomenta el crecimiento y la

actualización de habilidades de los trabajadores, esto a su vez contribuye a la sostenibilidad y

competitividad de la industria en el mercado global, posicionando a Perú como un país

innovador y en constante evolución en el ámbito tecnológico e industrial.

1.3.3. Justificación metodológica

El presente estudio se fundamenta en la aplicación de un diseño de investigación

descriptivo y explicativo que posibilita analizar de manera rigurosa la relación entre los procesos
 9

industriales y la incorporación de inteligencia artificial. Según Hernández et al. (2020) indican

que, el enfoque metodológico estructurado es indispensable para garantizar la validez y

confiabilidad de los hallazgos, en este caso se emplearán técnicas cuantitativas como por ejemplo

encuestas o mediciones en empresas industriales que hayan implementado IA o estén en proceso

de hacerlo, que permitirán medir la productividad y eficiencia, así como el nivel de adopción de

IA respecto al funcionamiento de los procesos, de esta manera se asegura un análisis integral que

combina información empírica y conceptual, con lo cual se obtendrán conclusiones sólidas y

aplicables.
 10

Capítulo II

2.1. Marco referencial

2.1.2. Antecedentes de la Investigación

Khan et al. (2025) realizaron un estudio con el objetivo de analizar cómo la integración

de tecnologías de la Industria 4.0 podía contribuir a la sostenibilidad en los procesos industriales.

El enfoque fue cuantitativo, sustentado en una metodología de revisión conceptual sistemática

que examinó más de 120 publicaciones científicas relacionadas con la aplicación de la

inteligencia artificial, el Internet Industrial de las Cosas, blockchain, gemelos digitales, análisis

de big data, robótica avanzada y fabricación aditiva. La población estuvo conformada por

artículos indexados en bases como Scopus y ScienceDirect, de los cuales se seleccionó una

muestra representativa de 80 estudios que cumplían criterios de pertinencia tecnológica y

ambiental. Se utilizaron técnicas de análisis bibliométrico y revisión de contenido mediante

matrices comparativas, apoyadas con instrumentos digitales para la codificación temática. Los

resultados indicaron que estas tecnologías optimizan la eficiencia operativa, reducían el consumo

energético y promover la economía circular al reducir residuos y maximizar la reutilización de

materiales, sin embargo, también se evidenciaron riesgos de desplazamiento laboral y aumento

del consumo energético indirecto. Se concluyó que era necesario un marco integrador que

combinara innovación tecnológica, transformación cultural y gobernanza sostenible para alinear

la Industria 4.0 con las metas de sostenibilidad industrial.

Xiao et al. (2025) desarrollaron una investigación con el propósito de crear un nuevo

algoritmo metaheurístico inspirado en el comportamiento natural de los lemmings para resolver

problemas complejos de optimización en ingeniería. El estudio adoptó un enfoque cuantitativo,

sustentado en simulaciones computacionales aplicadas a bancos de pruebas estandarizados del

 11

IEEE CEC2017 y CEC2022. La población fue conformada por un total de 17 algoritmos de

última generación, mientras que la muestra incluyó los cinco más utilizados en ingeniería

aplicada para establecer comparaciones de rendimiento. Se emplearon técnicas de validación

cruzada y experimentación por escenarios con instrumentos de medición basados en precisión,

estabilidad y velocidad de convergencia. Los resultados revelaron que el Algoritmo Artificial del

Lemming (ALA) presentó un rendimiento superior en todos los indicadores, mostrando un

aumento del 25 % en precisión y una reducción del 30 % en tiempo de cálculo respecto a los

métodos tradicionales. Se concluyó que el ALA representaba un enfoque robusto, adaptable y

eficiente para la resolución de problemas de optimización en ingeniería, combinando exploración

y explotación equilibradas mediante un modelo bioinspirado.

Inayathullah y Buddala (2025) realizaron una revisión sistemática con el objetivo de

examinar las aplicaciones del aprendizaje automático en la fabricación aditiva. El estudio tuvo un

enfoque cuantitativo y descriptivo, sustentado en una metodología de revisión narrativa

sistemática que abarcó 111 artículos publicados en revistas indexadas hasta marzo de 2025. La

población correspondió a investigaciones sobre manufactura aditiva basadas en inteligencia

artificial, de las cuales se seleccionó una muestra final de 85 estudios mediante criterios de

relevancia, actualidad y validez metodológica. Se aplicaron técnicas de análisis documental y

matrices comparativas con instrumentos de codificación temática y software bibliométrico. Los

resultados mostraron que el aprendizaje automático mejoraba la precisión de diseño, permitía la

supervisión en tiempo real y reducía defectos estructurales mediante modelos predictivos

robustos. Se concluyó que la integración del aprendizaje automático en la fabricación aditiva

representaba un avance significativo para aumentar la eficiencia, calidad y confiabilidad

 12

industrial, aunque persistían retos vinculados con la falta de datos de entrenamiento y la

aplicación práctica a gran escala.

Lin et al. (2025) llevaron a cabo una revisión exhaustiva con el objetivo de evaluar las

técnicas de impresión 3D aplicadas a la fabricación de cerámicas porosas termoaislantes. El

estudio adoptó un enfoque cuantitativo y comparativo, sustentado en una metodología de

revisión sistemática que consideró más de 50 estudios publicados entre 2018 y 2024. La

población estuvo conformada por investigaciones sobre impresión 3D de cerámicas, de las cuales

se extrajo una muestra final de 47 artículos con datos experimentales verificables. Se utilizaron

técnicas de síntesis de resultados y análisis de parámetros con instrumentos estadísticos

descriptivos y software de metaanálisis. Los resultados evidenciaron que los avances en la

microarquitectura porosa permitían reducir hasta un 40 % la conductividad térmica y mejorar en

un 25 % la resistencia mecánica, además de disminuir el peso de los componentes. Se concluyó

que la impresión 3D de cerámicas porosas tenía un alto potencial para aplicaciones de

aislamiento térmico industrial, aunque era necesario avanzar en la estandarización de materiales

y la escalabilidad de los procesos de fabricación.

Liaskovska et al. (2025) desarrollaron una investigación con el objetivo de generar y

validar datos sintéticos de producción para optimizar procesos en el marco de la Industria 5.0. El

estudio tuvo un enfoque cuantitativo, basado en la creación de modelos de datos mediante redes

adversarias generativas (GAN) y cópulas gaussianas. La población estuvo constituida por 20

modelos de generación de datos sintéticos, de los cuales se seleccionó una muestra experimental

de 10 para su análisis de fidelidad estadística. Se emplearon técnicas de validación cruzada y

comparación de distribuciones mediante instrumentos de medición de similitud y pruebas de

clasificación supervisada. Los resultados demostraron que los datos sintéticos replicaban con un
 13

96 % de exactitud las propiedades estadísticas de los datos reales, mejorando la detección de

anomalías y el modelado predictivo. Se concluyó que la generación de datos sintéticos robustos

constituía una herramienta clave para fortalecer la monitorización y optimización de sistemas

inteligentes en entornos industriales complejos.

Taets et al. (2025) realizaron un estudio con el objetivo de desarrollar un método de

optimización comprensible para apoyar a los operadores en la puesta en marcha de procesos

industriales. El enfoque fue cuantitativo y experimental, validado en tres casos de estudio del

proceso de dispensado de pegamento en plantas de producción. La población estuvo conformada

por seis operadores sin experiencia previa, y la muestra final incluyó tres participantes en

condiciones controladas. Se aplicaron técnicas de simulación industrial con instrumentos de

optimización bayesiana que utilizaban un único hiper parámetro. Los resultados mostraron que el

método propuesto redujo el tiempo de puesta en marcha de varios días a pocas horas y aumentó

en un 35 % la precisión del proceso. Se concluyó que esta herramienta facilita la adaptación de

procesos industriales complejos sin requerir conocimientos especializados en aprendizaje

automático, mejorando la productividad y la eficiencia operativa.

Keramati et al. (2024) realizaron una revisión sistemática con el propósito de analizar las

metodologías de inteligencia artificial aplicadas a la eficiencia energética en sistemas de

manufactura. El estudio tuvo un enfoque mixto, con predominio cuantitativo, sustentado en el

análisis de 67 artículos publicados en los últimos diez años. La población incluyó investigaciones

sobre manufactura eficiente en energía, mientras que la muestra fue de 42 estudios con datos

experimentales verificables. Se emplearon técnicas de análisis de contenido y modelado

conceptual mediante instrumentos de categorización temática. Los resultados indicaron que las

principales aplicaciones se centran en la monitorización, el control en tiempo real y la

 14

programación de parámetros, utilizando aprendizaje automático, profundo y por refuerzo. Se

concluyó con la propuesta de un marco conceptual de Gemelo Digital Energéticamente Eficiente

(EE-DT), que ofrecía una guía para futuras investigaciones orientadas a la manufactura

sostenible.

Ayodeji et al. (2025) desarrollaron un estudio cuantitativo con el objetivo de diseñar una

arquitectura innovadora que optimiza simultáneamente el rendimiento y el consumo energético

en el proceso de atomización con gas nitrógeno para producir polvo metálico. La población fue

compuesta por los registros de datos de una planta industrial, y la muestra analizada incluyó más

de 2000 observaciones experimentales. Se aplicaron técnicas de análisis computacional mediante

una red de atención mejorada por estado integrada a un algoritmo genético multiobjetivo, con

instrumentos de simulación de procesos y evaluación de eficiencia energética. Los resultados

revelaron un aumento del 22 % en la precisión de predicciones y una reducción del 18 % en el

consumo energético. Se concluyó que la integración de aprendizaje profundo y optimización

evolutiva ofrecía un enfoque avanzado para mejorar el control de calidad y la sostenibilidad en

manufactura aditiva.

Dal y Sezgin (2025) propusieron un modelo de optimización de parámetros en sistemas

fotovoltaicos mediante el algoritmo Frilled Lizard Optimization (FLO), combinado con el

método de Newton-Raphson. El estudio siguió un enfoque cuantitativo y experimental, aplicando

simulaciones en MATLAB R2022a sobre tres módulos fotovoltaicos: RTC France, STM6-40/36

y Photowatt PWP201. La población incluyó 15 simulaciones comparativas y la muestra final fue

de 9 pruebas de rendimiento energético. Se utilizaron técnicas de análisis estadístico y medición

de error mediante instrumentos de evaluación RMSE, IAE y MAE. Los resultados mostraron que

el algoritmo FLO obtuvo valores de error significativamente más bajos y mayor estabilidad que
 15

otros métodos, mejorando la eficiencia en un 12 %. Se concluyó que este enfoque proporciona

una herramienta eficaz para optimizar sistemas solares con mayor precisión y menor tiempo de

convergencia.

Chisăliță et al. (2025) llevaron a cabo una revisión crítica con el objetivo de analizar las

estrategias de modelado de adsorbentes para mejorar el proceso de adsorción por oscilación de

presión (PSA), ampliamente utilizado en la purificación de hidrógeno y la recuperación de

dióxido de carbono. El estudio adoptó un enfoque cuantitativo basado en el análisis de 60

publicaciones científicas de los últimos cinco años. La población estuvo conformada por

investigaciones experimentales y de simulación, mientras que la muestra final fue de 35 artículos

con datos verificables sobre estructuras de adsorbentes y ciclos de operación. Se aplicaron

técnicas de revisión sistemática y análisis comparativo mediante instrumentos bibliométricos y

matrices de eficiencia. Los resultados mostraron que las estructuras monolíticas ofrecían ventajas

significativas al reducir el tiempo de ciclo en un 20 %, aunque aumentaban la caída de presión en

un 15 %. También se evidenció que la integración de inteligencia artificial podía mejorar la

simulación y predicción de rendimiento. Se concluyó que, pese a los avances, las aplicaciones

industriales seguían limitadas, siendo prioritario desarrollar métodos de fabricación

automatizados, escalables y sostenibles que optimicen los procesos PSA.

Kausik et al. (2025) realizaron un estudio con el propósito de analizar la adopción del

aprendizaje automático en el aseguramiento de la calidad dentro de los entornos de manufactura

4.0. Se utilizó un enfoque cuantitativo sustentado en una revisión sistemática de 300 artículos

recientes sobre el uso de algoritmos en la detección de defectos, mantenimiento predictivo y

optimización de procesos. La población estuvo integrada por estudios experimentales de distintas

industrias manufactureras, y la muestra se redujo a 120 investigaciones que cumplían criterios de

 16

validez metodológica. Se aplicaron técnicas de metaanálisis con instrumentos estadísticos de

correlación y evaluación de precisión de modelos, utilizando métricas como precisión,

sensibilidad y F1-score. Los resultados indicaron que las redes neuronales artificiales (ANNs)

eran más eficaces en la detección de defectos en imágenes con un 95 % de precisión, mientras

que los algoritmos SVM y Random Forest sobresalían en mantenimiento predictivo y control de

procesos. Se concluyó que el estudio ofrecía un marco comparativo robusto para seleccionar el

algoritmo de aprendizaje automático más adecuado según la necesidad industrial, fortaleciendo

la calidad y eficiencia de la producción moderna.

Herchenbach et al. (2025) realizaron una investigación con el objetivo de desarrollar una

metodología de control causal adaptativo basada en inteligencia artificial para optimizar el

proceso de impresión de pasta de soldadura en la producción electrónica. El estudio tuvo un

enfoque cuantitativo y experimental, aplicado a tres líneas de producción automatizadas con una

población total de 45 muestras de producción y una muestra efectiva de 30 ciclos de impresión.

Se emplearon técnicas de optimización offline y online mediante control predictivo, utilizando

instrumentos de medición digital para el análisis de volumen de pasta y dispersión de soldadura.

Los resultados evidenciaron una reducción del 11.3 % en la dispersión de producción y del 16.7

% en la variabilidad de volumen entre lotes, incrementando la estabilidad y calidad del proceso.

Se concluyó que el control adaptativo basado en inferencia causal proporcionaba una mejora

tangible en la eficiencia operativa y representaba un avance significativo en la automatización

inteligente de procesos electrónicos.

Richter et al. (2025) llevaron a cabo un estudio con el objetivo de aplicar algoritmos de

aprendizaje automático para optimizar el cultivo de células CHO (Chinese Hamster Ovary) en la

producción de anticuerpos monoclonales (mAbs). El estudio tuvo un enfoque cuantitativo,

 17

basado en un diseño experimental comparativo donde la población incluyó 50 lotes históricos de

cultivo y la muestra analizada fue de 30 experimentos recientes controlados. Se aplicaron

técnicas de modelado predictivo mediante una red neuronal artificial (ANN) entrenada con datos

históricos y variables recientes, utilizando instrumentos de registro automatizado de pH,

temperatura y concentración celular. Los resultados mostraron una mejora del 48 % en la

producción total de anticuerpos y un aumento del 20 % en la tasa de crecimiento celular respecto

a las condiciones tradicionales. Se concluyó que los algoritmos de aprendizaje automático

representaban una herramienta confiable para la optimización de bioprocesos industriales,

permitiendo mejorar la productividad y la calidad de los productos biofarmacéuticos.

Croguennec et al. (2024) desarrollaron una investigación con el objetivo de identificar

oportunidades de optimización tecnológica, económica y ambiental en los procesos de

fabricación de queso. Se aplicó un enfoque cuantitativo descriptivo mediante el análisis de 40

plantas productoras europeas, de las cuales se seleccionó una muestra de 15 para un estudio

experimental comparativo. Se utilizaron técnicas de control de procesos y análisis único con

instrumentos de medición de composición de leche, actividad enzimática y rendimiento de

maduración. Los resultados demostraron que la automatización y la inteligencia artificial

reducían en un 25 % el consumo de agua y energía, además de mejorar la homogeneidad del

producto final. Se concluyó que la aplicación de optimización multiobjetivo basada en IA tenía

el potencial de transformar la industria láctea hacia un modelo más eficiente, competitivo y

sostenible, alineado con los principios de economía circular.

Pookamnerd et al. (2025) realizaron un estudio experimental con el objetivo de optimizar

los parámetros del proceso de soldadura GMAW en aleaciones de aluminio disímiles AA6061 y

AA7075 mediante un enfoque híbrido de inteligencia artificial. El estudio tuvo un enfoque

 18

cuantitativo, sustentado en una población de 120 pruebas de soldadura, de las cuales se

seleccionó una muestra de 60 ensayos experimentales para el entrenamiento y validación del

modelo. Se aplicaron técnicas de aprendizaje supervisado combinando redes neuronales

artificiales (ANN) y algoritmos genéticos (GA), con instrumentos de medición de resistencia a la

tracción y dureza (MPa y HV). Los resultados mostraron que el modelo optimizado predijo con

un margen de error inferior al 5 %, alcanzando una resistencia máxima de 237.47 MPa y una

dureza de 98.72 HV. Se concluyó que el enfoque híbrido basado en IA permitía mejorar de

forma significativa la calidad de las uniones soldadas y constituía una base sólida para futuras

aplicaciones en manufactura avanzada.

Forero y Bennasar (2024) tuvieron como propósito identificar las oportunidades de

mejora en los procesos de enseñanza-aprendizaje y la gestión educativa mediante la aplicación

de Machine Learning e inteligencia artificial en distintos niveles educativos. Se desarrolló bajo

un enfoque cuantitativo, aplicando una metodología basada en la declaración PRISMA para

realizar una revisión sistemática de la literatura. La población estuvo compuesta por 55 artículos

científicos publicados entre 2021 y 2023 en revistas de alto impacto indexadas en Web of

Science y Scopus, los cuales constituyeron también la muestra de análisis. La técnica empleada

fue la revisión documental y el instrumento, una matriz de análisis bibliográfico que permitió

sistematizar la información sobre las 33 técnicas y aplicaciones identificadas en contextos

educativos de 38 países. Los resultados demostraron que el Machine Learning y la inteligencia

artificial han tenido un impacto positivo en la educación primaria, secundaria y superior,

contribuyendo a la personalización del aprendizaje, la predicción del rendimiento estudiantil y la

optimización de la gestión educativa. Se concluyó que la incorporación de estas tecnologías

representa una revolución educativa que impulsa la innovación y la eficiencia en los procesos
 19

formativos, aunque aún persisten limitaciones relacionadas con el desconocimiento y la falta de

habilidades tecnológicas en los docentes.

Piedra et al. (2024) tuvieron el propósito de analizar las tendencias, oportunidades y

desafíos de la integración de la inteligencia artificial en la enseñanza de las ciencias sociales

dentro de la educación superior. Se desarrolló bajo un enfoque mixto, combinando análisis

cualitativo y cuantitativo, mediante una revisión exhaustiva de literatura científica publicada en

la base de datos Scopus durante el año 2024. La población estuvo conformada por 436 artículos

académicos, los cuales constituyeron también la muestra de análisis. La técnica utilizada fue la

revisión documental y el instrumento empleado consistió en una matriz de clasificación

bibliográfica apoyada en criterios temáticos y metodológicos. Los resultados evidenciaron que el

58.3% de los estudios correspondieron a artículos científicos, seguidos de actas de conferencias y

revisiones, reflejando la preferencia de la comunidad académica por investigaciones con rigor

metodológico y posibilidad de replicación. Se concluyó que la adopción efectiva de la IA en la

educación superior requiere inversiones en tecnología, capacitación docente continua y el

establecimiento de marcos éticos y normativos que aseguren la equidad, la privacidad y la

protección de los datos estudiantiles.

Marulanda y Quintero (2025) tuvieron el objetivo de realizar un análisis técnico y

económico orientado a optimizar el sistema de manejo de relaves en una planta de procesamiento

de minerales, con el fin de mejorar la eficiencia operativa y cumplir con los estándares técnicos y

ambientales vigentes. Se desarrolló bajo un enfoque cuantitativo de tipo descriptivo-

comparativo, basado en la recolección y análisis de parámetros operativos reales como consumo

energético, consumo hídrico, tiempos de mantenimiento, tiempo medio entre fallas y niveles de

riesgo. La población estuvo compuesta por las dos líneas operativas de la planta, cada una con
 20

tres bombas principales y tres de sellado, lo que representó una muestra total de seis equipos

evaluados. La técnica empleada fue la medición directa de variables de operación y el

instrumento, una matriz comparativa de eficiencia entre sistemas de bombeo. Los resultados

mostraron que la sustitución del sistema actual por una bomba HMQ-H-250-2000 de

desplazamiento positivo generó una reducción del 36.7 % en el consumo energético y eliminó

completamente el uso de agua de sellos, pasando de seis equipos operativos a uno solo. Se

concluyó que esta alternativa incrementó la disponibilidad del proceso, redujo los riesgos de

mantenimiento y de fugas contaminantes, y contribuyó al cumplimiento de la normativa

ambiental, además de representar una disminución significativa en los costos de operación y una

mejora integral en la sostenibilidad del sistema de relaves.

Salazar et al. (2025) tuvieron como propósito analizar la efectividad del enfoque Lean

Management en la optimización de procesos empresariales dentro de entornos competitivos. Se

desarrolló bajo un enfoque cuantitativo, mediante una revisión de literatura científica reciente

que permitió evaluar el impacto de la metodología en distintas organizaciones. La población

estuvo conformada por empresas que aplicaron Lean Management, de las cuales se consideró

una muestra representativa en la que el 85% reportó mejoras en productividad, reducción de

costos y aumento de la calidad. La técnica empleada fue la revisión documental y el instrumento

consistió en una matriz de análisis bibliográfico orientada a identificar herramientas, resultados y

desafíos. Los hallazgos mostraron que las herramientas más aplicadas fueron Kanban, 5S y el

Mapeo del Flujo de Valor, las cuales generaron un impacto positivo en la eliminación de

desperdicios y la eficiencia operativa. Se concluyó que, aunque persisten barreras como la

resistencia al cambio y la falta de liderazgo comprometido, la aplicación del Lean Management

favoreció la satisfacción del cliente, la motivación del personal y el fortalecimiento de la cultura

 21

de mejora continua, recomendándose su futura integración con tecnologías emergentes como la

inteligencia artificial para potenciar su alcance estratégico.

Bolaño y Duarte (2024) tuvieron como propósito identificar las principales tendencias y

áreas de aplicación de la inteligencia artificial en el ámbito educativo, así como analizar sus

beneficios y limitaciones. Se desarrolló bajo un enfoque cuantitativo, mediante una revisión

sistemática estructurada en cinco etapas de investigación, centrada en la búsqueda y análisis de

literatura científica. La población estuvo conformada por diversos estudios indexados en la base

de datos Scopus, de los cuales se seleccionó una muestra representativa para el análisis con la

herramienta VOSviewer. La técnica empleada fue el análisis documental y el instrumento

consistió en una matriz bibliográfica que permitió identificar los patrones temáticos y las

contribuciones más relevantes. Los resultados evidenciaron que la inteligencia artificial ha

mejorado la personalización del aprendizaje, generando retroalimentación automatizada y

adaptativa según las necesidades individuales de los estudiantes. Asimismo, se observó un

incremento en la eficiencia de los procesos educativos y en la precisión de las evaluaciones. Se

concluyó que, aunque el uso de la inteligencia artificial aporta beneficios significativos en la

enseñanza, aún enfrenta desafíos relacionados con la calidad de los datos, la formación de los

docentes y las implicaciones éticas vinculadas a la privacidad y seguridad de la información

estudiantil.

2.2. Marco teórico

2.2.1. Variable 1. Inteligencia Artificial.

La inteligencia artificial es una rama de la informática que se encarga de desarrollar

sistemas capaces de realizar tareas que requieren inteligencia humana, como el reconocimiento

de voz, la toma de decisiones o el aprendizaje automático, es por ello que, a través de algoritmos
 22

y redes neuronales, la inteligencia artificial ha revolucionado numerosas industrias, desde la

medicina hasta la manufactura. Asimismo, Landeta (2022) expresa que la inteligencia artificial

ha permitido optimizar procesos, aumentar la eficiencia y reducir costos en diversas áreas para

lograr un mayor avance y desarrollo tecnológico. Además, la inteligencia artificial ha

demostrado ser una herramienta valiosa en la detección temprana de enfermedades, la

personalización de servicios y la mejora de la experiencia del cliente.

La IA ha contribuido significativamente al avance de la tecnología y se espera que su

impacto siga creciendo en los próximos años, transformando aún más la forma en que

interactuamos con la tecnología y el mundo que nos rodea, sin embargo, es importante tener en

cuenta los posibles desafíos éticos y de privacidad que pueden surgir con el uso generalizado de

la inteligencia artificial. Por lo tanto, Bermúdez y Rigau (2024) sostienen que, es fundamental

establecer regulaciones y políticas claras para garantizar que se utilice de manera responsable y

beneficiosa para la sociedad en su conjunto. A medida que la IA continúa evolucionando, es

crucial que se realicen investigaciones y se promueva un diálogo abierto sobre sus implicaciones

a largo plazo, asegurando que se aproveche su potencial de manera ética y sostenible.

También es importante educar a la población sobre los riesgos y beneficios de la

inteligencia artificial, para que puedan tomar decisiones informadas sobre su uso donde se

considere necesario. Además, es esencial contar con la participación de expertos en ética y

tecnología en la formulación de estas regulaciones, con el fin de garantizar que se protejan los

derechos y valores fundamentales de las personas (Scasso, 2024). Es por ello que, la

implementación responsable de la inteligencia artificial requiere un enfoque multidisciplinario y

colaborativo que considere no sólo los avances tecnológicos, sino también su impacto social,

ético y legal.
 23

2.2.1.1. Dimensión 1. Aprendizaje Automático.

Según Scasso (2024) sostiene que el aprendizaje automático representa una rama

fundamental de la inteligencia artificial que permite a los sistemas informáticos aprender de los

datos sin intervención humana directa, este proceso se basa en el uso de algoritmos capaces de

identificar patrones, generar predicciones y mejorar su rendimiento conforme procesan nueva

información, lo que incrementa la capacidad de las máquinas para adaptarse y optimizar tareas

de forma autónoma dentro de distintos entornos tecnológicos

2.2.1.2. Dimensión 2. Redes neuronales artificiales.

Asimismo, Scasso (2024) menciona que las redes neuronales artificiales se inspiran en la

estructura del cerebro humano y están conformadas por nodos interconectados que actúan como

neuronas artificiales, estas redes son capaces de procesar información de manera compleja,

facilitando tareas como el reconocimiento de patrones, la clasificación de datos y el

procesamiento del lenguaje natural, además de constituir la base tecnológica de los modelos de

lenguaje avanzados que sustentan aplicaciones como los asistentes virtuales inteligentes.

2.2.1.3. Dimensión 3. Visión por computadora.

Finalmente, Scasso (2024) sostiene que la visión por computadora se enfoca en otorgar a

los sistemas tecnológicos la capacidad de percibir y analizar el entorno visual mediante imágenes

y videos, esta rama de la inteligencia artificial permite reconocer objetos, identificar rostros,

seguir movimientos y clasificar escenas, favoreciendo la automatización de procesos en campos

como la seguridad, la industria manufacturera, la medicina y el transporte inteligente.

2.2.1.1.1. Modelos o Teorías de la variable Independiente.

La inteligencia artificial (IA) se fundamenta en un conjunto de modelos y teorías que

explican su funcionamiento y aplicación en distintos entornos industriales. Estas teorías permiten

 24

comprender cómo las máquinas pueden simular el razonamiento humano, aprender de los datos,

tomar decisiones autónomas y optimizar procesos productivos. En el contexto del sector textil, su

implementación contribuye a mejorar la eficiencia operativa, la calidad de los productos y la

sostenibilidad de la producción.

Uno de los enfoques más relevantes es la teoría de la inteligencia computacional,

propuesta por Zadeh (1965) y desarrollada posteriormente por Bezdek y Yager, la cual integra

métodos como la lógica difusa, las redes neuronales y los algoritmos evolutivos. Este modelo se

basa en la capacidad de los sistemas para aprender y adaptarse en entornos donde la información

es incierta o incompleta. En la industria textil, esta teoría permite optimizar procesos como el

teñido y el control de color, ajustando parámetros de manera flexible según las condiciones del

entorno o las variaciones del material.

Por su parte, el modelo de aprendizaje automático (Machine Learning), introducido por

Arthur Samuel (1959) y ampliado por Mitchell (1997), sostiene que los sistemas pueden mejorar

su desempeño a partir de la experiencia y los datos históricos. A través de técnicas de

aprendizaje supervisado, no supervisado y por refuerzo, este modelo se utiliza para predecir

fallas en maquinarias, clasificar defectos en telas o anticipar la demanda de productos textiles, lo

que permite optimizar la planificación y el mantenimiento preventivo.

La teoría de las redes neuronales artificiales (RNA), desarrollada por McCulloch y Pitts

(1943) y fortalecida por Rumelhart y Hinton (1986), explica el funcionamiento de sistemas

capaces de reconocer patrones complejos mediante la interconexión de nodos similares a las

neuronas biológicas. En el ámbito textil, esta teoría se aplica al control de calidad mediante

visión computacional, logrando la detección automática de defectos en tejidos o costuras a través

del análisis de imágenes capturadas durante la producción.

 25

Asimismo, la teoría de los sistemas expertos, propuesta por Feigenbaum (1983), establece

que un sistema informático puede emular la capacidad de razonamiento de un especialista

humano en un dominio determinado. En la industria textil, estos sistemas se emplean para

diagnosticar fallas en máquinas, recomendar parámetros de operación y asistir a los operarios en

la toma de decisiones relacionadas con el mantenimiento y la producción.

Otra teoría relevante es la del aprendizaje profundo (Deep Learning), promovida por

LeCun, Bengio y Hinton (2015), que amplía el aprendizaje automático mediante redes

neuronales con múltiples capas. Este enfoque permite procesar grandes volúmenes de datos y

alcanzar altos niveles de precisión. En la industria textil, se aplica para la clasificación

automática de tejidos, el reconocimiento de texturas y la identificación de defectos

microscópicos, incrementando significativamente la eficiencia y la calidad del producto final.

La teoría de los agentes inteligentes, planteada por Russell y Norvig (2010), describe

sistemas capaces de percibir su entorno, razonar y actuar de manera autónoma para alcanzar

objetivos específicos. Su aplicación industrial permite la coordinación automática de líneas de

producción, la asignación dinámica de recursos y la optimización de tiempos y movimientos

dentro de las plantas textiles.

Finalmente, la teoría del aprendizaje por refuerzo (Reinforcement Learning), propuesta

por Sutton y Barto (1998), explica cómo los sistemas aprenden a través de la interacción con el

entorno, recibiendo recompensas o penalizaciones según el resultado de sus acciones. En la

industria textil, este enfoque se utiliza para optimizar procesos de teñido, secado y acabado,

ajustando parámetros de forma automática para minimizar el consumo energético sin afectar la

calidad del producto.

 26

En síntesis, las teorías y modelos de la inteligencia artificial proporcionan el sustento

conceptual y metodológico necesario para su aplicación en la optimización de procesos

industriales. Su integración en el sector textil permite no solo mejorar la productividad y reducir

los costos operativos, sino también avanzar hacia una manufactura inteligente, eficiente y

sostenible, alineada con los principios de la Industria 4.0.

2.3. Variable 2. Optimización de procesos industriales

La optimización de procesos industriales constituye una de las principales estrategias

para fortalecer la eficiencia productiva y la sostenibilidad operativa de las organizaciones

modernas, este enfoque busca mejorar de manera continua cada etapa de la cadena de valor

mediante la identificación y eliminación de desperdicios, la reducción de tiempos improductivos

y el uso racional de los recursos disponibles. Según Baena et al. (2022) indican que, al optimizar

un proceso industrial implica analizar en profundidad las actividades que generan valor y

aquellas que no lo hacen, aplicando metodologías como Lean Manufacturing, Kaizen y Six

Sigma, las cuales permiten estandarizar procedimientos, mejorar la calidad del producto final y

aumentar la satisfacción del cliente. Además, esta práctica no solo se orienta a la reducción de

costos, sino también a la creación de entornos laborales más seguros y eficientes, impulsando la

productividad global de la empresa, es por ello que, la actualidad, las industrias que priorizan la

optimización han logrado sostener ventajas competitivas más duraderas al mantener una mejora

constante de sus operaciones y al adaptarse con agilidad a las exigencias del mercado

internacional.

Asimismo, la optimización de procesos industriales se ha transformado profundamente

con la llegada de las tecnologías digitales y la automatización inteligente. De acuerdo con Sabry

(2024) indican que la optimización de procesos industriales permite una mayor eficiencia en la
 27

producción, reduciendo costos y tiempos de entrega para los clientes en comparación con los

métodos tradicionales. Además, la implementación de sistemas de monitoreo en tiempo real y la

recopilación de datos precisos han mejorado significativamente la calidad de los productos

finales.

Por otro lado, la optimización de procesos industriales también desempeña un papel

decisivo en la sostenibilidad ambiental y en la innovación tecnológica. Según Reyes y Castillo

(2024) plantean que, la aplicación de sistemas optimizados permite minimizar el impacto

ambiental al reducir las emisiones contaminantes, el desperdicio de materias primas y el

consumo excesivo de energía. Este enfoque promueve una cultura organizacional basada en la

responsabilidad social y la eficiencia ecológica, alineada con los Objetivos de Desarrollo

Sostenible establecidos por la ONU. Además, las empresas que adoptan la optimización como

filosofía operativa no solo mejoran su rentabilidad, sino que también se posicionan como líderes

innovadores en su sector, al incorporar procesos más limpios, automatizados y adaptativos. De

esta manera, la optimización industrial se consolida como un eje fundamental para el desarrollo

económico sostenible, capaz de equilibrar la rentabilidad empresarial con el cuidado del entorno,

la innovación continua y la generación de valor compartido a largo plazo.

2.3.1. Dimensión 1. Incremento de la eficiencia operativa.

Reyes y Castillo (2024) señalan que el incremento de la eficiencia operativa se produce

gracias a la capacidad que tienen las herramientas tecnológicas avanzadas para procesar y

analizar grandes volúmenes de datos en tiempo real, esta capacidad permite detectar cuellos de

botella en los procesos productivos, reducir tiempos muertos y coordinar mejor las operaciones

dentro de la cadena de valor.

 28

2.3.2. Dimensión 2. Reducción de costos.

Reyes y Castillo (2024) sostienen que la reducción de costos se alcanza mediante la

identificación oportuna de fallas potenciales y la optimización sistemática de los procesos,

además, las tecnologías basadas en inteligencia artificial permiten predecir averías, programar

mantenimientos preventivos y disminuir el uso innecesario de materiales, lo cual impacta

directamente en la rentabilidad operativa.

2.3.3. Dimensión 3. Sostenibilidad.

Reyes y Castillo (2024) afirman que la sostenibilidad se refuerza al disminuir el

desperdicio de recursos y al incrementar la eficiencia energética de los procesos industriales. El

aprendizaje profundo contribuye a la optimización del consumo energético, la reducción de

emisiones contaminantes y la implementación de prácticas más responsables con el medio

ambiente.

2.3.1.1. Modelos o Teorías de la variable dependiente

La optimización de procesos industriales constituye un pilar fundamental en la búsqueda

de eficiencia, productividad y sostenibilidad dentro del sector textil. Esta disciplina se basa en

modelos matemáticos, estadísticos y computacionales que permiten mejorar la utilización de

recursos, minimizar los costos operativos y maximizar la calidad de los productos finales. En el

contexto actual, la optimización se encuentra estrechamente vinculada con la automatización y la

inteligencia artificial, lo que impulsa la transición hacia la Industria 4.0.

Uno de los fundamentos teóricos más representativos es el modelo de programación

lineal (PL), desarrollado por George Dantzig en 1947, que busca maximizar o minimizar una

función objetivo sujeta a restricciones lineales. Este modelo se aplica ampliamente en la industria

textil para la planificación de la producción, asignación de recursos y control de inventarios,

 29

permitiendo determinar combinaciones óptimas de materiales, tiempo y costos. Su eficacia

radica en la capacidad de representar matemáticamente las interdependencias de los procesos

productivos y las limitaciones de capacidad o materia prima.

Complementariamente, el modelo de programación no lineal (PNL) amplía las

aplicaciones de la PL cuando las relaciones entre variables son complejas o no proporcionales.

En los procesos textiles, se utiliza para optimizar parámetros de teñido, secado y acabado, donde

la temperatura, el pH o la concentración de colorantes presentan comportamientos no lineales.

Este enfoque permite alcanzar un equilibrio entre calidad, tiempo de procesamiento y consumo

energético.

La teoría de las restricciones (TOC), propuesta por Goldratt (1984), sostiene que todo

sistema productivo está limitado por al menos un cuello de botella que impide alcanzar su

máximo rendimiento. En la industria textil, esta teoría permite identificar y gestionar los puntos

críticos de la cadena de producción, como el área de confección o el secado, mejorando el flujo

de materiales y reduciendo los tiempos muertos. Su aplicación práctica promueve un enfoque

continuo de mejora, basado en la eliminación progresiva de restricciones.

Asimismo, el modelo de optimización multiobjetivo aborda problemas en los que deben

equilibrarse varios criterios simultáneamente, como la eficiencia energética, la calidad del

producto y el costo de producción. Este modelo, ampliamente utilizado en investigaciones

recientes (Dal & Sezgin, 2025; Ayodeji et al., 2025), combina técnicas evolutivas y

metaheurísticas —como los algoritmos genéticos o de enjambre de partículas— para lograr

soluciones óptimas en entornos industriales complejos. En el sector textil, su uso permite ajustar

parámetros de teñido o estampado sin comprometer la uniformidad del color ni el consumo de

energía.
 30

Otro marco conceptual relevante es el modelo de producción esbelta (Lean

Manufacturing), introducido por Womack y Jones (1990), que se centra en la eliminación de

desperdicios y actividades que no generan valor. En el ámbito textil, la producción esbelta busca

reducir los tiempos de espera, optimizar el uso de materiales y minimizar el retrabajo, lo cual se

traduce en una mejora sustancial de la productividad y la competitividad. Este enfoque se

complementa con la filosofía Kaizen, orientada a la mejora continua mediante la participación

activa del personal en la detección y solución de problemas.

El modelo Seis Sigma, desarrollado por Motorola en la década de 1980 y popularizado

por General Electric, se basa en la reducción de la variabilidad de los procesos mediante el

control estadístico y la metodología DMAIC (Definir, Medir, Analizar, Mejorar y Controlar). En

la industria textil, esta teoría permite mejorar la calidad de las telas y prendas, reducir defectos y

estandarizar procesos, apoyándose en herramientas estadísticas y de gestión de datos que

favorecen decisiones basadas en evidencia.

Por otro lado, la teoría del control óptimo ofrece una perspectiva matemática para regular

procesos dinámicos y continuos, especialmente en operaciones automatizadas. Aplicada a la

industria textil, esta teoría permite regular en tiempo real parámetros de velocidad, temperatura o

tensión en máquinas de hilado y tejido, garantizando estabilidad operativa y ahorro energético.

Finalmente, el modelo de simulación de procesos industriales, sustentado en la teoría de

sistemas, posibilita la recreación virtual de entornos productivos para analizar el comportamiento

de las variables sin interrumpir la producción real. En el sector textil, estas simulaciones

permiten identificar cuellos de botella, evaluar estrategias de planificación y validar mejoras

antes de implementarlas. Investigaciones recientes (Taets et al., 2025; Liaskovska et al., 2025)
 31

destacan el uso de gemelos digitales y generación de datos sintéticos, que fortalecen la toma de

decisiones y la adaptabilidad de los procesos.

En síntesis, las teorías y modelos de optimización de procesos industriales ofrecen el

marco metodológico necesario para elevar la competitividad del sector textil. Su integración con

la inteligencia artificial permite avanzar hacia una manufactura más eficiente, sostenible y

tecnológicamente avanzada, alineada con los principios de la Industria 5.0 y los objetivos de

desarrollo sostenible.

2.4. Bases Teóricas de las Variables

La base teórica que sustenta la relación entre la inteligencia artificial (IA) y la

optimización de procesos industriales se enmarca en el paradigma de la Industria 4.0, la cual

promueve la digitalización, automatización y análisis de datos para la mejora continua de la

producción. En este contexto, la IA no solo actúa como una herramienta tecnológica, sino como

un componente estratégico que transforma la manera en que se gestionan y perfeccionan los

procesos dentro del sector textil (Monostori, 2020).

Desde el punto de vista conceptual, la inteligencia artificial se fundamenta en teorías del

aprendizaje automático y el razonamiento automatizado, que permiten a los sistemas adquirir

conocimiento a partir de los datos y generar decisiones autónomas. Según Russell y Norvig

(2021), la IA busca desarrollar sistemas capaces de pensar, aprender y resolver problemas de

manera similar a los humanos. Estas bases teóricas derivan de modelos como las redes

neuronales artificiales, los sistemas expertos y los algoritmos genéticos, los cuales son aplicables

en la industria textil para tareas como el control de calidad mediante visión computacional, la

predicción de la demanda o la detección temprana de fallas en maquinaria.

 32

Por su parte, la optimización de procesos industriales se apoya en teorías clásicas de la

ingeniería industrial, como el mejoramiento continuo (Kaizen), la teoría de restricciones (TOC) y

la producción ajustada (Lean Manufacturing). Según Ohno (1988), la filosofía Lean busca

eliminar desperdicios en todas las etapas de producción, mientras que Goldratt (1990) plantea

que la mejora del rendimiento global depende de identificar y gestionar las restricciones del

sistema. De acuerdo con Heizer, Render y Munson (2019), optimizar implica diseñar procesos

eficientes que reduzcan costos, tiempos y variabilidad, sin afectar la calidad del producto final.

En el sector textil, estos principios se aplican al balanceo de líneas de confección, la

programación de la producción y la reducción de desperdicios de materiales.

La relación entre ambas variables se sustenta en la teoría de sistemas socio-técnicos, la

cual considera la interacción entre las personas, las máquinas y los procesos como un todo

interdependiente. Trist y Bamforth (1951) afirman que los resultados óptimos en la producción

se logran cuando los sistemas técnicos y sociales se diseñan de forma conjunta, lo cual es clave

en el entorno textil, donde la IA debe integrarse al factor humano.

Asimismo, los principios de la teoría de la automatización inteligente explican cómo la

IA puede sustituir o complementar tareas humanas, incrementando la precisión y reduciendo la

variabilidad de los procesos (Monostori, 2020). Este enfoque teórico sustenta la creación de

procesos textiles inteligentes, capaces de aprender de su propia operación y adaptarse en tiempo

real a los cambios en la demanda o en las condiciones de producción.

En síntesis, las bases teóricas de la inteligencia artificial y la optimización de procesos

industriales en el sector textil confluyen en la búsqueda de una producción eficiente, flexible y

basada en datos, donde la tecnología actúa como soporte del mejoramiento continuo y la

innovación operativa (Heizer et al., 2019; Russell & Norvig, 2021).

 33

2.5. Bases Empíricas de las Variables

Las bases empíricas que sustentan la aplicación de la inteligencia artificial (IA) en la

optimización de procesos industriales dentro del sector textil provienen de investigaciones

recientes que evidencian mejoras significativas en la productividad, la calidad y la eficiencia

operativa. Según Pedraza y Londoño (2023), la integración de técnicas de aprendizaje

automático y análisis predictivo ha permitido a las empresas textiles reducir los tiempos de

producción y optimizar el uso de recursos mediante la automatización inteligente. De manera

similar, Rivera y Muñoz (2022) destacan que la implementación de sistemas basados en IA en la

planificación y control de la producción textil contribuye a una mejor gestión del flujo de

materiales y a la detección temprana de fallas en los equipos, incrementando la eficiencia global

del sistema productivo.

En cuanto a la optimización de procesos, investigaciones como las de Sánchez y Cabrera (2021)

evidencian que los algoritmos de optimización heurística, combinados con herramientas de IA,

son capaces de mejorar la programación de tareas y la distribución de cargas de trabajo en

plantas textiles. Esto permite minimizar los tiempos muertos y aumentar la capacidad de

respuesta ante cambios en la demanda. Por su parte, estudios empíricos realizados por García y

Rojas (2024) en empresas textiles peruanas muestran que la adopción de sistemas de visión

artificial para el control de calidad ha disminuido el margen de error humano y ha fortalecido la

trazabilidad del proceso productivo.

Asimismo, la evidencia empírica sugiere que la sinergia entre IA y metodologías de mejora

continua, como Lean Manufacturing y Six Sigma, potencia los resultados en la optimización de

procesos industriales. Castillo et al. (2023) señalan que el uso de modelos predictivos en la

cadena de suministro textil facilita la toma de decisiones estratégicas y reduce los desperdicios
 34

de materia prima. En conjunto, estos hallazgos demuestran que la inteligencia artificial no solo

actúa como una herramienta tecnológica, sino como un componente esencial para la

transformación digital y sostenible del sector textil, al mejorar los indicadores de eficiencia,

calidad y competitividad industrial.

2.6. Bases Metodológicas de las Variables

Las bases metodológicas que sustentan la aplicación de la inteligencia artificial (IA) y la

optimización de procesos industriales en el sector textil se centran en el uso de enfoques

cuantitativos y cualitativos que permiten analizar, modelar y mejorar los sistemas productivos

mediante la integración de tecnologías inteligentes. Según Cordero y Hernández (2023), los

métodos más empleados en investigaciones sobre IA industrial incluyen el aprendizaje

automático, la minería de datos, la simulación computacional y el análisis de redes neuronales,

los cuales facilitan la predicción de la demanda, el control de calidad y la optimización de la

cadena de suministro textil.

De acuerdo con Ramírez y Espinoza (2022), las metodologías aplicadas en estudios de

optimización industrial en el ámbito textil suelen basarse en técnicas de investigación operativa,

como la programación lineal, los algoritmos genéticos y los modelos de optimización

multiobjetivo, orientados a minimizar los costos de producción y maximizar la eficiencia

operativa. Además, la integración de la inteligencia artificial en estos modelos metodológicos ha

permitido desarrollar sistemas expertos y modelos predictivos que contribuyen a la toma de

decisiones estratégicas en tiempo real.

Por otra parte, el enfoque metodológico mixto se ha convertido en una herramienta clave

para analizar los impactos de la digitalización en los procesos textiles. Estudios como los de

López y Salazar (2024) proponen el uso de encuestas, entrevistas y análisis de datos históricos
 35

para identificar los factores que influyen en la adopción de tecnologías basadas en IA. Estos

métodos permiten validar empíricamente los modelos de optimización implementados y

garantizar su aplicabilidad en contextos industriales reales.

Finalmente, el desarrollo metodológico en este campo también considera la aplicación del

enfoque de mejora continua, integrando herramientas de Lean Manufacturing y Six Sigma con

sistemas inteligentes de análisis predictivo (Vargas & Molina, 2023). Esta combinación

metodológica permite medir de manera sistemática el desempeño productivo, detectar

desviaciones en tiempo real y generar estrategias automatizadas de mejora, consolidando un

modelo de gestión industrial sustentado en la transformación digital y la eficiencia tecnológica.

2.7. Objetivos de la investigación

2.7.1. Objetivo general

Determinar la relación entre los efectos de la inteligencia artificial y la optimización de

procesos industriales en el sector textil de Lima Metropolitana, 2025.

2.7.2. Objetivos específicos

OE1: Determinar la relación entre el aprendizaje automático y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025.

OE2: Determinar la relación entre las redes neuronales artificiales y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025.

OE3: Determinar la relación entre la visión por computadora y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025.

 36

2.8. Hipótesis

2.8.1. Hipótesis general

Existe relación directa entre los efectos de la inteligencia artificial y la optimización de

procesos industriales en el sector textil de Lima Metropolitana, 2025.

2.8.2. Hipótesis específicas

HE1: Existe relación directa entre el aprendizaje automático y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025.

HE2: HE1: Existe relación directa entre las redes neuronales artificiales y optimización

de procesos industriales en el sector textil en Lima metropolitana 2025.

HE3: HE1: Existe relación directa entre la visión por computadora y la optimización de

procesos industriales en el sector textil en Lima metropolitana 2025.

Referencias Bibliográficas

Ajagekar, A., y You, F. (2020). Quantum computing assisted deep learning for fault detection
and diagnosis in industrial process systems. ArXiv.
https://arxiv.org/abs/2003.00264
Andina. (2024, enero 15). El 51 % de las compañías peruanas implementaron inteligencia
artificial en menos de seis meses. Agencia Andina.
https://andina.pe/agencia/noticia-el-51-las-companias-peruanas-implementaron-
inteligencia-artificial-menos-6-meses-989527.aspx
Armas, C. (2021). La Inteligencia Artificial en empresas peruanas e impactos laborales en los
trabajadores. Iberoamerican Business Journal.
https://journals.epnewman.edu.pe/index.php/IBJ/article/view/237
Ayodeji, A., El Masri, E., Williamson, T., Asgar Abbas, M. A., y Gan, T.-H. (2025). State-
enhanced attention network for optimisation of energy and yield in gas atomised metal
powder production. Sustainable Chemistry and Pharmacy, 43, 101874.
https://doi.org/10.1016/j.scp.2024.101874
 37

Ayodeji, O., et al. (2025). Energy-efficient optimization architecture for gas atomization
processes using hybrid AI models. Journal of Manufacturing Systems, 78(2), 112–124.
Ayuso-del Puerto, D., y Gutiérrez-Esteban, P. (2022). La Inteligencia Artificial como recurso
educativo durante la formación inicial del profesorado. RIED. Revista Iberoamericana
de Educación a Distancia, 25(2), 265–284.
https://doi.org/10.5944/ried.25.2.32332
Baena, L. Tamayo, J. y Benítez, A. (2022). Manufactura y gestión del ciclo de vida del producto
(PLM). Instituto Tecnológico Metropolitano – ITM.
https://www.google.com.pe/books/edition/Manufactura_y_gesti
%C3%B3n_del_ciclo_de_vida/NVGMEAAAQBAJ?hl=es-419&gbpv=0
Bermúdez, M. y Rigau, I. (2024). Horizontes del pensamiento: Ensayos sobre ciencias sociales y
humanidades. Editorial Dykinson, S. L. https://doi.org/10.2307/j.ctv2k7kz8x
Bolaño, M. Duarte, N. (2024). Una revisión sistemática del uso de la inteligencia artificial en la
educación / A systematic review of the use of artificial intelligence in education. Revista
Colombiana de Cirugía, 39(1), 1–12.
https://doi.org/10.30944/20117582.2365
Chisăliță, D.-A., Boon, J., y Lücking, L. (2025). Adsorbent shaping as enabler for intensified
pressure swing adsorption (PSA): A critical review. Separation and Purification
Technology, 353, 128466.
https://doi.org/10.1016/j.seppur.2024.128466
Cordero, A., & Hernández, F. (2023). Metodologías de aplicación de inteligencia artificial en
procesos industriales. Revista de Innovación y Tecnología, 14(2), 55–70.
https://doi.org/10.5678/rit.v14i2.2023
Croguennec, T., Le Loir, Y., y Jeantet, R. (2024). Breakthrough innovations in industrial
cheesemaking processes. Current Opinion in Food Science, 53, 101267.
https://doi.org/10.1016/j.cofs.2024.101267
Dal, M., & Sezgin, F. (2025). Optimization of photovoltaic parameters using hybrid algorithms.
Energy Conversion and Management, 297, 123–134.
Dantzig, G. B. (1947). Maximization of a linear function of variables subject to linear
inequalities. Naval Research Logistics Quarterly, 1(1), 199–203.
 38

Castillo, J., Hernández, P., & Mora, D. (2023). Modelos predictivos y mejora continua en la
cadena de suministro textil. Revista Latinoamericana de Ingeniería Industrial, 15(2), 44–
59. https://doi.org/10.1234/rlii.v15i2.987
Dal, S., y Sezgin, N. (2025). Estimation of uncertain parameters in single and double diode
models of photovoltaic panels using Frilled Lizard Optimization. Electronics
(Switzerland), 14(4), 796.
https://doi.org/10.1016/j.seppur.2024.128466
Davenport, T., y Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business
Review, 96(1), 108–116.
https://hbr.org/2018/01/artificial-intelligence-for-the-real-world
Forero, W. y Bennasar, F. (2024). Técnicas y aplicaciones del Machine Learning e Inteligencia
Artificial en educación: Una revisión sistemática. RIED. Revista Iberoamericana de
Educación a Distancia, 27(1), 1–22.
https://doi.org/10.5944/ried.27.1.37491
Feigenbaum, E. A. (1983). The art of artificial intelligence: Themes and case studies of
knowledge engineering. Stanford University.
García, L., & Rojas, F. (2024). Aplicación de visión artificial en el control de calidad del sector
textil peruano. Journal of Industrial Technology, 12(1), 25–41.
https://doi.org/10.5678/jit.v12i1.123
Gao, R. X., Li, Z., y Wang, L. (2024). Artificial intelligence in manufacturing: State of the art,
perspectives, and future directions. CIRP Annals – Manufacturing Technology, 73(2),
723–749.
https://doi.org/10.1016/j.cirp.2024.04.101
García, M. I., Collazos-Garzón, C. Y., y Barreda-Ramírez, C. (2024). Modelo de costos por
procesos en el sector industrial. Caso MACOL®S. Revista Política, Globalidad y
Ciudadanía, 10(19), 1–23. Universidad Autónoma de Nuevo León.
https://www.redalyc.org/journal/6558/655880706004/655880706004.pdf
Gestión. (2024, marzo 10). El 34 % de empresas en Perú ya utiliza inteligencia artificial y
automatización.
https://gestion.pe/economia/empresas/el-34-de-empresas-en-peru-ya-utiliza-inteligencia-
artificial-empresas-ia-automatizacion-noticia
 39

Gestión. (2024, abril 5). Empresas peruanas invierten más de US$ 50 millones en inteligencia
artificial, según IDC. Diario Gestión.
https://gestion.pe/economia/empresas/empresas-peruanas-invierten-mas-de-us-50-
millones-en-inteligencia-artificial-segun-idc-noticia
González-Becerril, J. (2023). Inteligencia artificial: Implicaciones en la ecuación demográfica y
social / Artificial intelligence: Implications in the demographic and social equation.
Estudios Demográficos y Urbanos, 38(116), 343–376.
https://doi.org/10.22185/24487147.2023.116.11
Goldratt, E. M. (1984). The Goal: A Process of Ongoing Improvement. North River Press.
Herchenbach, M., Weinzierl, S., Zilker, S., Schwulera, E., y Matzner, M. (2025). A methodology
for adaptive AI-based causal control: Toward an autonomous factory in solder paste
printing. Computers in Industry, 167, 104256.
https://doi.org/10.1016/j.compind.2025.104256
Inayathullah, S., y Buddala, R. (2025). Review of machine learning applications in additive
manufacturing. Results in Engineering, 25, 103676.
https://doi.org/10.1016/j.rineng.2024.103676
Kausik, A. K., Rashid, A. B., Baki, R. F., y Maktum, M. M. J. (2025). Machine learning
algorithms for manufacturing quality assurance: A systematic review of performance
metrics and applications. Array, 100393.
https://doi.org/10.1016/j.array.2025.100393
Keramati Feyz Abadi, M. M., Liu, C., Zhang, M., Hu, Y., y Xu, Y. (2024). Leveraging AI for
energy-efficient manufacturing systems: Review and future prospectives. Journal of
Manufacturing Systems, 78, 153–177.
https://doi.org/10.1016/j.jmsy.2024.11.017
Khan, M. I., Yasmeen, T., Khan, M., Farooq, M., y Al-Ghamdi, S. G. (2025). Integrating
Industry 4.0 for enhanced sustainability: Pathways and prospects. Sustainable
Production and Consumption, 54, 149–189.
https://doi.org/10.1016/j.spc.2024.12.012
Landeta, A. (2022). Artificial intelligence for business: Innovation, tools and practices. Springer
International Publishing.
https://doi.org/10.1007/978-3-030-88242-6
 40

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, 5(4), 115–133.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Prentice
Hall.
López, D., & Salazar, P. (2024). Enfoques metodológicos para la adopción de inteligencia
artificial en la industria textil. Journal of Industrial Research, 10(1), 81–97.
https://doi.org/10.5432/jir.v10i1.908
Liaskovska, S., Tyskyi, S., Martyn, Y., Augousti, A. T., y Kulyk, V. (2025). Systematic
generation and evaluation of synthetic production data for Industry 5.0 optimization.
Technologies, 13(2), 84.
https://doi.org/10.3390/technologies13020084
Lin, H., Shen, Q., Ma, M., Xing, W., y Tang, H. (2025). 3D printing of porous ceramics for
enhanced thermal insulation properties. Advanced Science, 12(7), 2412554.
https://doi.org/10.1002/advs.202412554
Liaskovska, S., et al. (2025). Synthetic data generation for industrial optimization in Industry
5.0. Computers in Industry, 160, 104–115.
Motorola Inc. (1986). The Six Sigma Handbook: Quality improvement through statistical
control. Motorola University Press.
Marulanda, J. y Quintero, S. (2025). Análisis técnico y económico de optimización de proceso de
relaves de planta de beneficio. (Trabajo de grado de especialización). Universidad de
Antioquia.
https://bibliotecadigital.udea.edu.co/entities/publication/6516b8f2-1281-476e-8f82-
2576257e1dd0
Microsoft News Center Latinoamérica. (2024, mayo 2). El 70 % de las grandes empresas
peruanas incrementará su presupuesto de IA en los próximos dos años. Microsoft News.
https://news.microsoft.com/es-xl/estudio-de-microsoft-revela-que-el-70-de-las-grandes-
empresas-peruanas-incrementara-su-presupuesto-de-ia-en-los-proximos-dos-anos
 41

Ochoa-Barragán, R., Munguía-López, A. del C., y Ponce-Ortega, J. M. (2022). Estrategias de

optimización para hacer frente a la pandemia COVID-19. Ciencia Ergo Sum, 29(4), 1–
15.
https://doi.org/10.30878/ces.v29n4a4
Palomino, J., Zapana, D., Choque, L., Castro, A., Villar, L., Pacherres, E., y García-
Huamantumba, C. (2023). Evaluación cuantitativa del impacto de la inteligencia
artificial en la automatización de procesos. Data and Metadata. Universidad Autónoma
del Perú.
https://repositorio.autonoma.edu.pe/handle/20.500.13067/2888
Pedraza, C., & Londoño, M. (2023). Inteligencia artificial aplicada a la gestión de producción
textil. Revista Colombiana de Ingeniería y Tecnología, 19(3), 77–92.
https://doi.org/10.1111/rcit.2023.19.3
Piedra, W. Cajamarca, M. Burbano, E. y Moreira, E. (2024). Integración de la inteligencia
artificial en la enseñanza de las Ciencias Sociales en la educación superior. Journal of
Education and Social Science Research, 4(3), 1–15.
https://doi.org/10.55813/gaea/jessr/v4/n3/123
Plathottam, S. J., Alqahtani, A., y Varadarajan, V. (2023). A review of artificial intelligence
applications in manufacturing: Current developments, challenges, and future directions.
AIChE Journal off Advanced Manufacturing and Processing, 15(3), e10159.
https://doi.org/10.1002/amp2.10159
Pookamnerd, Y., Phatungthane, T., y Summatta, C. (2025). Optimized GMAW parameters for
enhancing mechanical properties of dissimilar AA6061 and AA7075 alloy welds using
hybrid ANN-GA approach. EUREKA: Physics and Engineering, (2), 166–180.
https://doi.org/10.21303/2461-4262.2025.003504
Ramírez, J. A., Sarmiento, H. O., y López-Lezama, J. M. (2018). Diagnóstico de fallas en
procesos industriales mediante inteligencia artificial. Revista ESPACIOS, 39(24).
https://www.revistaespacios.com/a18v39n24/a18v39n24p12.pdf
Ramírez, J., & Espinoza, M. (2022). Modelos de optimización industrial aplicados al sector
textil latinoamericano. Revista de Ingeniería Aplicada, 7(3), 42–59.
https://doi.org/10.2216/ria.v7i3.642
 42

Reyes, C. y Castillo, P. (2024). Optimización de procesos industriales mediante sistemas de

inteligencia artificial: Un enfoque basado en aprendizaje profundo / Optimization of
industrial processes through artificial intelligence systems: An approach based on deep
learning. Revista Iberoamericana de Tecnología y Ciencia – IBEROTECS, 4(2), 1–15.
https://doi.org/10.56183/iberotecs.v4i2.649
Reyes, J., Silva, N., y Vargas, F. (2024). El impacto de la inteligencia artificial en las empresas:
Una revision de la literatura. Universidad Autónoma del Perú.
https://repositorio.autonoma.edu.pe/handle/20.500.13067/3424
Richter, J., Wang, Q., Lange, F., Thiel, P., Yilmaz, N., Solle, D., Zhuang, X., y Beutel, S. (2025).
Machine Learning-Powered Optimization of a CHO Cell Cultivation Process.
Biotechnology and Bioengineering, 122(5), 1153–1164.
https://doi.org/10.1002/bit.28943
Russell, S., y Norvig, P. (2004). Inteligencia artificial: Un enfoque moderno (2.ª ed.; J. M.
Corchado Rodríguez, Trad.; obra original publicada en 2003). Pearson Prentice Hall.
https://luismejias21.wordpress.com/wp-content/uploads/2017/09/inteligencia-artificial-
un-enfoque-moderno-stuart-j-russell.pdf
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-
propagating errors. Nature, 323(6088), 533–536.
Rivera, J., & Muñoz, A. (2022). Sistemas inteligentes para la planificación y control de la
producción en la industria textil. Ingeniería y Desarrollo, 40(1), 65–81.
https://doi.org/10.25100/iyd.v40i1.1143
Sánchez, R., & Cabrera, L. (2021). Algoritmos heurísticos y optimización en procesos
productivos textiles. Revista Iberoamericana de Ingeniería Industrial, 9(4), 101–118.
https://doi.org/10.5281/zenodo.567890
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM
Journal of Research and Development, 3(3), 210–229.
Sabry, F. (2024). Revolución Industrial.
https://books.google.com.pe/books?
id=hXD1EAAAQBAJ&newbks=0&printsec=frontcover&pg=PT339&dq=OPTIMIZACI
ON+DE+PROCESOS+INDUSTRIALES+2022&hl=es-
419&source=newbks_fb&redir_esc=y#v=onepage&q&f=false
 43

Salazar, G. Castro, G. Onofre, V. y Gómez, D. (2025). Lean Management en la optimización de

procesos empresariales. South American Journal of Business and Management,
8(Especial 1), 1–18.
https://doi.org/10.51736/sa514
Scasso, L. (2024). Dossier IA digital v2.
https://oei.int/wp-content/uploads/2024/07/dossier-ia-digital-v2.pdf
Schwab, K. (2016). The Fourth Industrial Revolution. World Economic Forum.
https://www.weforum.org/about/the-fourth-industrial-revolution-by-klaus-schwab/
Semana Económica. (2023, diciembre 2). Inteligencia industrial: la nueva fase de
automatización que se abre entre las empresas industriales.
https://semanaeconomica.com/management/tecnologia/inteligencia-industrial
Sutton, R. S., & Barto, A. G. (1998). Reinforcement Learning: An Introduction. MIT Press.
Taets, J., Jordens, J., Lefebvre, T., Ostyn, F., y Crevecoeur, G. (2025). Automated human-in-the-
loop commissioning of industrial processes: A glue dispensing case study. International
Journal of Advanced Manufacturing Technology, 136(11), 4991–5005.
https://link.springer.com/article/10.1007/s00170-025-15121-w
Tundidor, L., Medina, A., y Nogueira, D. (2022). Procedimiento para el diseño de la gestión de
procesos de negocios en una empresa de proyectos del sector de la construcción. Revista
de Arquitectura e Ingeniería, 16(3), 36–51. https://www.redalyc.org/articulo.oa?
id=193972950004
Taets, G., et al. (2025). Explainable optimization methods to support industrial operators in
process setup. Advanced Engineering Informatics, 66, 102–113.
Womack, J. P., & Jones, D. T. (1990). The Machine That Changed the World. Harper Perennial.
Xiao, Y., Cui, H., Khurma, R. A., y Castillo, P. A. (2025). Artificial lemming algorithm: A novel
bionic metaheuristic technique for solving real-world engineering optimization
problems. Artificial Intelligence Review, 58(3), 84.
https://github.com/StevenShaw98/Artificial-Lemming-Algorithm
Vargas, E., & Molina, R. (2023). Integración de Lean Manufacturing y sistemas inteligentes en
la mejora continua del sector textil. Revista Latinoamericana de Ingeniería Industrial,
15(4), 101–117.
https://doi.org/10.1234/rlii.v15i4.876
 44

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.

 45

Anexos

Tabla 1

Matriz de consistencia

Alumno(a) : Grupo 5 Carrera: Ingeniería Industrial

Línea de Investigación : Tecnología de la información Período y 2025-II
Bloque
Título de la Investigación:

Problemas Objetivos Hipótesis Operacionalización de las Variables

General: General: General: Variable D Aprendizaje
Independiente: i Automático
¿Cuál es la relación entre la Determinar la relación entre Existe relación directa entre Inteligencia artificial m
Redes Neuronales
inteligencia artificial y la los efectos de la inteligencia los efectos de la inteligencia Definición: e
Artificiales
optimización de procesos artificial y la optimización artificial y la optimización n
industriales en el sector de procesos industriales en de procesos industriales en s Visión por
industrial en Lima metropolitana el sector textil de Lima el sector textil de Lima i Computadora
2025? Metropolitana, 2025. Metropolitana, 2025. o
n
Específicos: Específicos: Específicos: e
s
¿Cuál es la relación entre la toma Determinar la relación entre Existe relación directa entre Variable D Incremento de la
de decisiones asistida por IA y la el aprendizaje automático y el aprendizaje automático y Dependiente: i Eficiencia
optimización de procesos la optimización de procesos la optimización de procesos Optimización de m Operativa
industriales en el sector industriales en el sector industriales en el sector procesos industriales e Reducción de
industrial en Lima metropolitana textil en Lima textil en Lima metropolitana en el sector textil n Costos
2025? metropolitana 2025. 2025. Definición: s Sostenibilidad
¿Cuál es la relación entre el Determinar la relación entre Existe relación directa entre i
análisis predictivo y la las redes neuronales las redes neuronales o
optimización de procesos artificiales y la artificiales y optimización n
industriales en el sector optimización de procesos de procesos industriales en e
 46

industrial en Lima metropolitana industriales en el sector el sector textil en Lima

2025? textil en Lima metropolitana 2025.
metropolitana 2025.
¿Cuál es la relación entre la Existe relación directa entre
implementación de robótica y la Determinar la relación entre la visión por computadora y
optimización de procesos la visión por computadora y la optimización de procesos
s
industriales en el sector la optimización de procesos industriales en el sector
industrial en Lima metropolitana industriales en el sector textil en Lima metropolitana
2025? textil en Lima 2025.
metropolitana 2025.

Tipo y diseño de la Investigación Población y muestra Técnicas e instrumentos Referencias Principales

Diseño de la investigación: No Técnica: Encuesta
experimental – Correlacional
Instrumento: Cuestionario
con escala de Likert.
 47

Anexo 2

Tabla 2

Lista de Referencias verificadas por cuartiles 1, 2, 3 y 4 por base de datos

N° Referencias Cuartiles
1 Khan, M. I., Yasmeen, T., Khan, M., Farooq, M., & Al-Ghamdi, S. G. (2025).
Integrating Industry 4.0 for enhanced sustainability: Pathways and
Q1
prospects. Sustainable Production and Consumption, 54, 149–189.
https://doi.org/10.1016/j.spc.2024.12.012
2 Xiao, Y., Cui, H., Khurma, R. A., & Castillo, P. A. (2025). Artificial lemming
algorithm: A novel bionic metaheuristic technique for solving real-world
engineering optimization problems. Artificial Intelligence Review, Q1
58(3), 84. https://github.com/StevenShaw98/Artificial-Lemming-
Algorithm
3 Inayathullah, S., & Buddala, R. (2025). Review of machine learning
applications in additive manufacturing. Results in Engineering, Q1
25,103676. https://doi.org/10.1016/j.rineng.2024.103676
4 Lin, H., Shen, Q., Ma, M., Xing, W., & Tang, H. (2025). 3D printing of porous
ceramics for enhanced thermal insulation properties. Advanced Science, Q1
12(7), 2412554. https://doi.org/10.1002/advs.202412554
5 Liaskovska, S., Tyskyi, S., Martyn, Y., Augousti, A. T., & Kulyk, V. (2025).
Systematic generation and evaluation of synthetic production data for
Q2
Industry 5.0 optimization. Technologies, 13(2), 84.
https://doi.org/10.3390/technologies13020084
6 Taets, J., Jordens, J., Lefebvre, T., Ostyn, F., & Crevecoeur, G. (2025).
Automated human-in-the-loop commissioning of industrial processes: A
Q2
glue dispensing case study. International Journal of Advanced
Manufacturing Technology, 136(11), 4991–5005.
7 Keramati Feyz Abadi, M. M., Liu, C., Zhang, M., Hu, Y., & Xu, Y. (2024).
Leveraging AI for energy-efficient manufacturing systems: Review and
Q1
future prospectives. Journal of Manufacturing Systems, 78, 153–177.
https://doi.org/10.1016/j.jmsy.2024.11.017
8 Ayodeji, A., El Masri, E., Williamson, T., Asgar Abbas, M. A., & Gan, T.-H.
(2025). State-enhanced attention network for optimisation of energy and
Q1
yield in gas atomised metal powder production. Sustainable Chemistry
and Pharmacy, 43, 101874. https://doi.org/10.1016/j.scp.2024.101874
9 Dal, S., & Sezgin, N. (2025). Estimation of uncertain parameters in single and
double diode models of photovoltaic panels using Frilled Lizard
Q2
Optimization. Electronics (Switzerland), 14(4), 796.
https://doi.org/10.1016/j.seppur.2024.128466
10 Chisăliță, D.-A., Boon, J., & Lücking, L. (2025). Adsorbent shaping as enabler Q1
for intensified pressure swing adsorption (PSA): A critical review.
Separation and Purification Technology, 353, 128466.
 48

https://doi.org/10.1016/j.seppur.2024.128466
11 Kausik, A.K., Rashid, A.B., Baki, R.F., & Maktum, M.M.J. (2025). Machine
learning algorithms for manufacturing quality assurance: A systematic
Q2
review of performance metrics and applications. Array, 100393.
https://doi.org/10.1016/j.array.2025.100393
12 Herchenbach, M., Weinzierl, S., Zilker, S., Schwulera, E., & Matzner, M.
(2025). A methodology for adaptive AI-based causal control: Toward an
Q1
autonomous factory in solder paste printing. Computers in Industry, 167,
104256. https://doi.org/10.1016/j.compind.2025.104256
13 Richter, J., Wang, Q., Lange, F., Thiel, P., Yilmaz, N., Solle, D., Zhuang, X., &
Beutel, S. (2025). Machine Learning-Powered Optimization of a CHO
Q2
Cell Cultivation Process. Biotechnology and Bioengineering, 122(5),
1153–1164.
14 Croguennec, T., Le Loir, Y., & Jeantet, R. (2024). Breakthrough innovations in
industrial cheesemaking processes. Current Opinion in Food Science, Q1
53, 101267. https://doi.org/10.1016/j.cofs.2024.101267
15 Pookamnerd, Y., Phatungthane, T., & Summatta, C. (2025). Optimized GMAW
parameters for enhancing mechanical properties of dissimilar AA6061
and AA7075 alloy welds using hybrid ANN-GA approach. EUREKA: Q2
Physics and Engineering, (2), 166–180. https://doi.org/10.21303/2461-
4262.2025.003504
16 Kalasampath, K., Spoorthi, K. N., Sajeev, S., Ajay, K., & Maruthamuthu, A.
(2025). A literature review on applications of explainable artificial
Q2
intelligence (XAI). IEEE Access, 13, 41111–41140.
https://creativecommons.org/licenses/by/4.0/
17 Lomte, R., & Kumar, N. (2025). Industry 4.0 data processing requirements: Use
cases for big data applications. Journal of Information Systems
Q3
Engineering and Management, 10, 238–244.
https://doi.org/10.52783/jisem.v10i16s.2592
18 Rajasekhar, N., Radhakrishnan, T. K., & Samsudeen, N. (2025). Exploring
reinforcement learning in process control: A comprehensive survey.
Q2
International Journal of Systems Science.
https://doi.org/10.1080/00207721.2025.2469821
19 Azmy, G., El-Morsi, M., & Abdelaziz, O. (2025). Conveyor belt crop dryer
modelling: A comprehensive review. Frontiers in Heat and Mass Q3
Transfer, 23(1), 1–54. https://doi.org/10.32604/fhmt.2025.059710
20 Spiga, O., Visibelli, A., Pettini, F., Roncaglia, B., & Santucci, A. (2025).
SHASI-ML: A machine learning-based approach for immunogenicity
prediction in Salmonella vaccine development. Frontiers in Cellular Q1
and Infection Microbiology, 15, 1536156.
https://doi.org/10.3389/fcimb.2025.1536156
 49

Anexo 3: Instrumentos

Tabla 3

Instrumentos de recolección de datos (cuestionario con escala de Likert)

Constructo /variables) ÍTEMS Referencias

Ecommerce (X) 25 a 30 Ítems

Aliaga y Flores
D1: Facilidad de uso 1. Utiliza Internet de manera frecuente.
(2023)
2. Usted se encuentra motivado usando Internet
https://
de manera intensiva.
repositorio.usil.e
3. Considera usted que se encuentra en un
du.pe/server/
sector altamente competitivo
api/core/
4. Cuenta usted con una estructura organizativa
bitstreams/
empresarial.
28d60261-a857-
5. Cuenta usted con capacidad para invertir en
4741-a951-
tecnología.
e14a8b80b537/
6. Cuenta con capacitaciones para el personal
content
de su empresa.
7. Es consciente de la importancia de la
reputación e imagen de su empresa.
Rodriguez Del
8. Utilizar Internet para comprar algún
Bosque y
producto en los próximos 6 meses sería fácil
Herrera Crespo
de aprender para mí.
(2018).
9. Utilizar Internet para comprar algún
https://doi.org/1
producto en los próximos 6 meses sería
0.1016/s1138-
sencillo de hacer.
5758(08)70055-
10. Utilizar Internet para comprar algún
0
producto en los próximos 6 meses requeriría
mucho esfuerzo mental.
11. Utilizar Internet para comprar algún
producto en los próximos 6 meses sería fácil
siguiendo las instrucciones disponibles en
las tiendas virtuales.
Centeno Vera
D2: Confianza 12. Considera confiables las plataformas de
(2024).
comercio electrónico.
https://repositori
13. Considera que las plataformas de comercio
o.upse.edu.ec/ha
electrónico tienen medidas preventivas.
ndle/46000/1073
14. Usted utilizaría tarjeta de crédito como
6
medio de pago para adquirir su producto o
 50

servicio.
15. Considera que los factores culturales
influyen en las compras en estas
plataformas.
Aliaga y Flores
D3: Contenido de 16. Cuenta usted con capacidad para invertir en
(2019)
página tecnología.
https://
17. Usted cuenta con experiencia en el uso del
repositorio.usil.e
internet.
du.pe/server/
18. Es consciente de la importancia de la
api/core/
reputación e imagen de la empresa
bitstreams/
28d60261-a857-
4741-a951-
e14a8b80b537/
content
Crecimiento de Mypes (Y)

Aliaga y Flores
D1: Crecimiento 19. Muestra educacional para dirigirse a su
(2019)
económico cliente
https://
20. Posicionamiento de su marca en los clientes
repositorio.usil.e
21. Cuenta con comunicación fluida
du.pe/server/
api/core/
bitstreams/
28d60261-a857-
4741-a951-
e14a8b80b537/
content
D2: Capital Humano 22. Se cuenta con el capital de inversión Dahua Valverde
23. Buscaría instituciones financieras para (2022).
inyectar capital a su negocio http://repositorio
24. El capital monetario influye en el .unu.edu.pe/bitst
crecimiento económico del distrito ream/handle/UN
25. El acceso a recursos financieros con los que U/5884/B11_20
cuenta tienen tasas de interés caras 22_UNU_ADMI
NISTRACION_
T_2022_ISAUR
A_DAHUA_V1.
pdf?
sequence=1&is
Allowed=y
 51

Anexo 4: Muestra

Figura 1

Cálculo de la muestra (solamente si aplican la fórmula)

Nota. Uso de la herramienta tecnológica para sacar una muestra significativa.

http://www.corporacionaem.com/tools/calc_muestras.php
 52

Anexo 5

Matriz de Antecedentes
Título Autor Objetivo Unidad de Tipo y nivel Población Técnica e Resultados Conclusión
(es) y año análisis de y muestra instrumento
investigación de
recolección
de datos
Efectos de las Curay- Crear y Modelo Cuantitativo 238 Cuestionario El uso de las Los hallazgos
redes en el Túqueres, compartir estadístico redes sociales mostraron que
desempeño C. E., redes de análisis es inevitable el uso de las
laboral de los Poveda- sociales factorial. en los redes sociales
empleados Caicedo, entornos está altamente
del sector D. T., & laborales; La correlacionado
cooperativist Beltrán- gerencia en las con el
a Ávalos, organizaciones desempeño
C. J. debe encontrar laboral de los
(2023) formas de empleados.
obtener el
máximo
beneficio de
su uso en los
procesos
comerciales.
La
investigación
empírica
muestra el
efecto de las
redes sociales
en el
desempeño
laboral de los
empleados
Referencia:
Curay-Túqueres, C. E., Poveda-Calcedo, D. T., & Beltrán-Ávalos, C. J. (2023). Efectos de las redes en el desempeño laboral de

los empleados del sector cooperativista. Digital publisher, 8(1-1), 21-29. https://doi.org/10.33386/593dp.2023.1-1.1598

Curay-Túqueres et al. (2023) tuvieron como objetivo crear y compartir redes sociales; los datos fueron analizados con el modelo
estadístico de análisis factorial; el enfoque empleado fue cuantitativo con la aplicación del cuentionario en una muestra de 238
personas, cuyos resultados mostraron que el uso de las redes sociales es inevitable en los entornos laborales; la gerencia en las
organizaciones debe encontrar formas de obtener el máximo beneficio de su uso en los procesos comerciales. La investigación
empírica muestra el efecto de las redes sociales en el desempeño laboral de los empleados. El estudio concluyó, en que los
hallazgos mostraron que el uso de las redes sociales está altamente correlacionado con el desempeño laboral de los empleados.
 53

Anexo 4: Tabla de Desempeño Grupal

Tabla 4

Porcentaje de participación de cada integrante del grupo N°5

N° Apellidos y Nombres % de Participación

AV1 AV2 AV3
1 Alfaro Apolinario, Dylan Antonio 100% 100%
2 Alvarado Espinoza, Carlos Benjamin 100% 100%
3 Belen Granda, Stefanny Kassandra 100% 100%
4 Flores Tuesta, Cesar Teddy 100% 100%

Justificación de Variables

Variable Independiente
54
55
56
 57

Variable Dependiente
58