Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 28
Aplicaciones de inteligencia artificial generativa en la
transformación digital empresarial
Generative artificial intelligence applications in digital business
transformation
Galarza-Sánchez, Paulo César
1
Boné-Andrade, Miguel Fabricio
2
https://orcid.org/0000-0003-4668-1158
https://orcid.org/0000-0002-8635-1869
paulogalarza@tsachila.edu.ec
mbone6598@pucesm.edu.ec
Instituto Superior Tecnológico Tsa´chila, Ecuador,
Santo Domingo.
Pontificia Universidad Católica del Ecuador,
Ecuador, Riobamba.
Pinargote-Bravo, Victor Joel
3
https://orcid.org/0000-0003-0599-1651
vpinargote@espam.edu.ec
Escuela Superior Politécnica Agropecuaria de
Manabí Manuel Félix López, Ecuador, Jipijapa.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v1/n1/8
Resumen: La limitada comprensión sistemática de las
aplicaciones, impactos y desafíos de la inteligencia artificial
generativa (IAG) en el entorno empresarial, a pesar del
creciente interés por su implementación. En respuesta, este
artículo de revisión bibliográfica explora de forma crítica y
estructurada el papel de la IAG en la transformación digital
empresarial. Para ello, se realizó una búsqueda exhaustiva
en bases de datos académicas como Scopus y Web of
Science, seleccionando investigaciones publicadas entre
2018 y 2023 que analizan aplicaciones prácticas, impactos
organizacionales y retos éticos de la IAG. Los resultados
muestran que esta tecnología ha sido eficaz en tres ámbitos
clave: la generación automatizada de contenido, el soporte
en decisiones basadas en datos y la mejora de la experiencia
del cliente. No obstante, también se identifican desafíos
relevantes, como la generación de información imprecisa,
sesgos algorítmicos, barreras tecnológicas y dificultades de
integración con sistemas corporativos. En conclusión, se
destaca la necesidad de una adopción estratégica y ética de
la IAG, sustentada en capacidades tecnológicas, talento
especializado y marcos normativos que garanticen su uso
responsable, sostenible e inclusivo.
Palabras clave: inteligencia artificial generativa;
transformación digital; automatización empresarial; desafíos
éticos; innovación organizacional.
Artículo Científico
Received: 12/Dic/2022
Accepted: 23/Ene/2023
Published: 28/Feb/2023
Cita: Galarza-Sánchez, P. C., Boné-
Andrade, M. F., & Pinargote-Bravo, V. J.
(2023). Aplicaciones de inteligencia
artificial generativa en la transformación
digital empresarial. Revista Científica
Ciencia Y Método, 1(1), 28-
41. https://doi.org/10.55813/gaea/rcym/v
1/n1/8
Revista Científica Ciencia y Método
(RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2023. Este artículo es un documento de
acceso abierto distribuido bajo los
términos y condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 29
Enero – Marzo 2023
Abstract:
Limited systematic understanding of the applications, impacts, and challenges of
generative artificial intelligence (GAI) in the business environment, despite growing
interest in its implementation. In response, this literature review article explores in a
critical and structured manner the role of GAI in enterprise digital transformation. To
do so, a comprehensive search was conducted in academic databases such as
Scopus and Web of Science, selecting research published between 2018 and 2023
that analyzes practical applications, organizational impacts, and ethical challenges of
AGI. The results show that this technology has been effective in three key areas:
automated content generation, data-driven decision support, and improved customer
experience. However, relevant challenges are also identified, such as the generation
of inaccurate information, algorithmic biases, technological barriers and integration
difficulties with corporate systems. In conclusion, it highlights the need for a strategic
and ethical adoption of GGI, supported by technological capabilities, specialized talent
and regulatory frameworks that guarantee its responsible, sustainable and inclusive
use.
Keywords: generative artificial intelligence; digital transformation; business
automation; ethical challenges; organizational innovation.
1. Introducción
La transformación digital empresarial ha adquirido un papel protagónico en la
configuración de modelos organizacionales más ágiles, resilientes y orientados a la
innovación. En este contexto, la inteligencia artificial generativa (IAG) emerge como
una tecnología disruptiva con potencial para redefinir múltiples procesos en las
organizaciones, desde la automatización de tareas cognitivas hasta la generación de
contenido y el soporte a la toma de decisiones estratégicas. Sin embargo, la aplicación
efectiva de estas tecnologías enfrenta importantes desafíos metodológicos, éticos y
operativos, lo que plantea la necesidad de examinar con rigor académico su
integración en los entornos empresariales contemporáneos.
El problema fundamental radica en que, a pesar del creciente interés por la IAG en los
contextos corporativos, aún existe una falta de comprensión sistemática sobre sus
aplicaciones prácticas, sus impactos reales y las implicaciones a largo plazo. Las
empresas enfrentan dificultades no solo para implementar estas herramientas, sino
también para evaluar su efectividad y alinearlas con sus objetivos estratégicos.
Además, muchas organizaciones carecen de marcos normativos, estructuras
tecnológicas y competencias digitales adecuadas para adoptar soluciones basadas
en IAG de forma ética, segura y eficiente (Dwivedi et al., 2023). Esta brecha entre el
potencial tecnológico y su adopción efectiva en el entorno empresarial genera una
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 30
Enero – Marzo 2023
urgencia investigativa por clarificar los alcances reales de la inteligencia artificial
generativa en la transformación digital.
Entre los factores que agravan esta problemática se encuentra, en primer lugar, la
rápida evolución de los modelos de lenguaje y de generación de contenido
automatizado, los cuales requieren infraestructura técnica avanzada y actualización
constante. En segundo lugar, se identifican riesgos relacionados con la privacidad de
datos, la generación de información sesgada o inexacta, y la pérdida de control
humano sobre los procesos automatizados (Zhang et al., 2023). Asimismo, se
observan desafíos en la integración de sistemas de IAG con las plataformas
corporativas existentes, lo que limita su escalabilidad. Por otro lado, las desigualdades
en el acceso a recursos tecnológicos y la falta de alfabetización digital en diversos
sectores económicos y regiones también representan barreras para una adopción
equitativa y efectiva (Siau & Wang, 2020).
La justificación de esta revisión bibliográfica se encuentra en la necesidad de ofrecer
una visión comprehensiva, crítica y actualizada sobre el papel que desempeña la
inteligencia artificial generativa en la transformación digital de las empresas. Este
estudio busca contribuir a la consolidación de un marco teórico-práctico que oriente a
los responsables de la toma de decisiones, desarrolladores tecnológicos y
académicos hacia una adopción más informada y estratégica de la IAG. En particular,
la sistematización de evidencias científicas permitirá identificar patrones de uso,
beneficios, limitaciones y buenas prácticas, facilitando la planificación de procesos de
digitalización más sostenibles y responsables (Brock & von Wangenheim, 2019). Esta
revisión es especialmente relevante en el contexto pospandemia, donde muchas
organizaciones han acelerado su transición digital, enfrentando nuevas exigencias de
eficiencia operativa, personalización de servicios y adaptación a entornos volátiles.
La viabilidad de este estudio se sustenta en la abundancia creciente de
investigaciones científicas, estudios de caso y análisis técnicos disponibles en bases
de datos académicas como Scopus y Web of Science, que han documentado la
aplicación de modelos generativos como GPT, DALL·E y otras arquitecturas
emergentes en diversos sectores industriales, incluyendo el marketing, la atención al
cliente, el desarrollo de productos y la gestión del conocimiento (Kumar et al., 2023).
Además, el carácter bibliográfico de este trabajo permite consolidar información sin
necesidad de una infraestructura experimental, facilitando así su ejecución con
recursos académicos disponibles.
El objetivo de este artículo de revisión es analizar y sistematizar las principales
aplicaciones de la inteligencia artificial generativa en la transformación digital
empresarial, identificando sus beneficios, retos y perspectivas futuras, a partir de una
revisión crítica de literatura científica indexada. Se pretende ofrecer una síntesis
integral que permita comprender el estado del arte, las tendencias emergentes y los
vacíos de investigación en este campo. La revisión se orienta tanto a establecer
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 31
Enero – Marzo 2023
fundamentos conceptuales sólidos como a proponer líneas de acción para la
implementación efectiva de la IAG en los procesos empresariales.
En suma, la inteligencia artificial generativa representa una frontera tecnológica con
implicaciones profundas para el mundo empresarial. Comprender sus aplicaciones y
limitaciones desde una perspectiva académica rigurosa es crucial para orientar su
desarrollo e integración en las estrategias digitales de las organizaciones. Esta
revisión bibliográfica se propone como una contribución significativa en dicho
esfuerzo, ofreciendo un marco de análisis que vincula teoría, evidencia empírica y
proyecciones tecnológicas.
2. Materiales y métodos
La presente investigación adopta un enfoque exploratorio de revisión bibliográfica,
orientado a sistematizar y analizar el conocimiento existente sobre las aplicaciones de
la inteligencia artificial generativa en el contexto de la transformación digital
empresarial. La elección de este tipo de estudio se fundamenta en la necesidad de
consolidar un panorama amplio y actualizado sobre un fenómeno emergente,
caracterizado por una rápida evolución tecnológica y una creciente diversidad de
aplicaciones en el entorno corporativo.
La revisión se llevó a cabo mediante una búsqueda estructurada en bases de datos
científicas reconocidas a nivel internacional, específicamente Scopus y Web of
Science, asegurando la inclusión de literatura académica indexada y validada por
pares. El proceso de recolección de información consideró publicaciones
comprendidas entre los años 2018 y 2024, con el propósito de abarcar tanto estudios
pioneros como desarrollos recientes en la materia. Para garantizar la pertinencia del
corpus analizado, se definieron criterios de inclusión que contemplaron artículos de
investigación, revisiones sistemáticas, estudios de caso y análisis teóricos
relacionados con la inteligencia artificial generativa, sus aplicaciones prácticas,
impactos organizacionales y su papel en la transformación digital de las empresas.
Se emplearon combinaciones de palabras clave en inglés y español, tales como
“generative artificial intelligence”, “digital transformation”, “enterprise applications”,
“business innovation”, “IA generativa” e “innovación digital empresarial”. Estas
combinaciones fueron refinadas mediante operadores booleanos y filtros por área
temática, tipo de documento e idioma, lo cual permitió focalizar la búsqueda en
estudios relevantes para el objetivo de la revisión. Posteriormente, los artículos
seleccionados fueron sometidos a un proceso de lectura crítica y análisis cualitativo,
considerando variables como el tipo de aplicación descrita, el sector empresarial
involucrado, los beneficios reportados, los desafíos identificados y las
recomendaciones propuestas por los autores.
El análisis de los documentos recopilados se realizó siguiendo una lógica inductiva,
permitiendo la identificación de patrones, categorías emergentes y tendencias
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 32
Enero – Marzo 2023
comunes dentro de la literatura. A partir de este proceso, se estructuraron los
hallazgos en torno a ejes temáticos que reflejan las principales áreas de aplicación de
la inteligencia artificial generativa en las empresas, así como sus implicaciones
tecnológicas, organizacionales y éticas. Esta metodología facilitó una visión integral
del estado del arte, sin limitarse a un enfoque prescriptivo, y promovió una reflexión
crítica sobre las posibilidades reales de adopción de estas tecnologías en distintos
contextos empresariales.
El carácter exploratorio de la revisión permitió no solo describir los usos actuales de
la inteligencia artificial generativa, sino también señalar vacíos de conocimiento y
oportunidades para investigaciones futuras. Asimismo, la sistematización de la
información recogida contribuye al desarrollo de un marco conceptual que puede
servir de base para investigaciones posteriores de tipo empírico, que evalúen con
mayor precisión el impacto de estas herramientas en la dinámica organizacional. La
metodología empleada
3. Resultados
3.1. Aplicaciones estratégicas de la inteligencia artificial generativa en empresas
En el contexto de la transformación digital empresarial, la inteligencia artificial
generativa (IAG) se posiciona como una de las tecnologías emergentes más
disruptivas y estratégicas. A diferencia de otras ramas de la inteligencia artificial
centradas en la clasificación o predicción, la IAG tiene la capacidad única de crear
nuevos contenidos a partir de grandes volúmenes de datos, emulando procesos
cognitivos humanos como la escritura, la ilustración, el diseño y la conversación. Su
valor estratégico radica en su versatilidad y en su capacidad para automatizar tareas
creativas, mejorar la toma de decisiones y elevar la calidad de la experiencia del
cliente. Esta sección examina en profundidad tres aplicaciones clave: la generación
automatizada de contenido, el soporte a decisiones empresariales basadas en datos
y la mejora de la experiencia del cliente.
3.1.1. Generación automatizada de contenido
La automatización de la producción de contenido es uno de los usos más difundidos
de la IAG en el entorno empresarial, especialmente en áreas como marketing,
comunicación, ventas y soporte técnico. Herramientas como ChatGPT, Claude,
Jasper.ai, Copy.ai o DALL·E permiten generar textos publicitarios, respuestas a
clientes, imágenes promocionales, artículos de blog, y hasta documentación técnica
en cuestión de segundos. Estas tecnologías aprovechan modelos de lenguaje de gran
escala (LLMs, por sus siglas en inglés) y redes generativas adversariales (GANs),
capaces de producir resultados altamente realistas y contextualizados (Dwivedi et al.,
2023).
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 33
Enero – Marzo 2023
La automatización de contenido con IAG permite a las organizaciones optimizar
recursos, reducir los tiempos de producción y mantener una presencia comunicativa
constante y adaptativa. En el ámbito del comercio electrónico, por ejemplo, empresas
como Amazon o Alibaba han integrado sistemas generativos para crear descripciones
personalizadas de productos, traducciones automáticas y análisis de reseñas (Liu et
al., 2023). En medios digitales, compañías como Forbes o The Washington Post han
utilizado sistemas de generación automática de noticias breves y reportes financieros,
manteniendo estándares editoriales predefinidos sin intervención humana directa.
Además del contenido textual, la IAG permite la generación de material visual a través
de herramientas como Midjourney o DALL·E, facilitando el diseño gráfico en
campañas publicitarias, prototipado de productos o materiales de formación. Estas
soluciones eliminan la dependencia exclusiva de diseñadores humanos y permiten
experimentar rápidamente con diferentes versiones visuales, reduciendo
significativamente los costos en etapas iniciales de desarrollo creativo (Kumar et al.,
2023).
3.1.2. Soporte en decisiones basadas en datos
Otra aplicación crítica de la IAG es el soporte a la toma de decisiones estratégicas y
operativas. Las organizaciones generan cada vez más datos —estructurados y no
estructurados— que, sin un procesamiento adecuado, carecen de valor práctico. Aquí,
la IAG actúa como una interfaz cognitiva entre los datos y los tomadores de
decisiones, traduciendo información compleja en insights útiles a través de la
generación automatizada de reportes, análisis predictivos y escenarios de simulación.
Por ejemplo, plataformas empresariales integradas con IAG pueden generar informes
financieros personalizados a partir de bases de datos contables, detectar patrones de
consumo mediante el análisis de comportamiento del cliente, o prever fluctuaciones
de demanda con base en variables externas como clima, noticias o redes sociales
(Ribeiro-Navarrete et al., 2021). Esto no solo acelera la toma de decisiones, sino que
mejora su calidad al reducir la subjetividad y el error humano.
Además, la IAG puede complementar los sistemas tradicionales de Business
Intelligence (BI) al permitir que usuarios sin conocimientos técnicos interactúen con
los datos mediante lenguaje natural. Herramientas como Power BI o Tableau,
integradas con modelos generativos, permiten hacer consultas conversacionales
("¿Cómo ha variado la facturación trimestral respecto al año anterior?") y recibir
visualizaciones automáticas como gráficas o dashboards explicativos (Sun et al.,
2022). Este enfoque democratiza el acceso a los datos dentro de las organizaciones
y promueve una cultura de decisiones basadas en evidencia.
3.1.3. Mejora de la experiencia del cliente
En cuanto a la relación con los consumidores, la inteligencia artificial generativa ha
permitido una evolución significativa en la personalización, empatía e inmediatez de
las interacciones. A través de chatbots generativos, asistentes virtuales y sistemas de
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 34
Enero – Marzo 2023
recomendación, las empresas pueden ofrecer experiencias más humanas, fluidas y
adaptadas al perfil de cada cliente. Estos sistemas son capaces de mantener
conversaciones naturales, recordar preferencias, adaptar el tono comunicacional y
anticipar necesidades, contribuyendo a una experiencia de usuario más enriquecida
(Siau & Wang, 2020).
Un ejemplo relevante es el uso de IAG en centros de atención al cliente, donde se
emplean modelos generativos para resolver consultas frecuentes, gestionar reclamos,
realizar ventas asistidas y dar soporte técnico sin intervención humana directa. Esto
no solo mejora la eficiencia operativa, sino que garantiza una atención continua y
multicanal (Kumar et al., 2023). Asimismo, en el sector bancario y asegurador, se han
implementado soluciones basadas en IAG que asesoran a los clientes sobre
productos financieros mediante simulaciones personalizadas, logrando una
interacción más comprensiva y persuasiva.
Por otro lado, la personalización de contenidos en marketing digital ha alcanzado
nuevos niveles gracias a la IAG. Empresas utilizan algoritmos generativos para crear
correos electrónicos únicos, páginas de destino adaptadas al perfil del usuario, o
recomendaciones de productos en tiempo real basadas en el historial de navegación.
Esta hiperpersonalización se traduce en mayores tasas de conversión, reducción del
abandono de carritos y aumento de la retención de clientes (Liu et al., 2023).
En conjunto, estas tres áreas de aplicación confirman que la inteligencia artificial
generativa no solo representa una herramienta técnica, sino una palanca estratégica
que permite a las empresas innovar en procesos, servicios y modelos de negocio. Su
adopción efectiva requiere, sin embargo, una infraestructura robusta, una gobernanza
ética adecuada y una cultura organizacional dispuesta a asumir el cambio.
3.2. Desafíos en la adopción empresarial de la inteligencia artificial generativa
La implementación de inteligencia artificial generativa (IAG) en entornos
empresariales representa una oportunidad sin precedentes para la innovación digital,
la eficiencia operativa y la creación de valor. Sin embargo, este potencial está
acompañado de una serie de desafíos complejos que deben ser abordados con un
enfoque sistémico y ético. La literatura especializada ha identificado obstáculos de
carácter ético, técnico, organizacional y normativo que afectan la adopción efectiva de
estas tecnologías en distintos sectores industriales. Esta sección desarrolla en
profundidad tres de los desafíos más relevantes: los riesgos éticos y de precisión del
contenido generado, las limitaciones tecnológicas y de formación, y las dificultades de
integración con sistemas empresariales existentes.
3.2.1. Riesgos éticos y de precisión
Uno de los principales problemas que enfrentan las organizaciones al adoptar IAG es
el riesgo asociado a la generación de contenido impreciso, sesgado o éticamente
cuestionable. A diferencia de otras tecnologías deterministas, los modelos generativos
producen resultados de manera probabilística, sin una verificación automática de la
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 35
Enero – Marzo 2023
veracidad de la información. Este fenómeno ha sido ampliamente documentado como
"alucinaciones" (hallucinations), que se refieren a la generación de contenido que,
aunque plausible en forma, es completamente erróneo en fondo (Ji et al., 2023).
En entornos corporativos, esto puede tener consecuencias graves, como decisiones
mal informadas, pérdida de reputación o vulneraciones normativas. Por ejemplo, una
IA generativa utilizada para redactar contratos, informes legales o diagnósticos
técnicos podría introducir inexactitudes difíciles de detectar sin revisión humana
especializada. Asimismo, existe el riesgo de amplificación de sesgos algorítmicos,
dado que los modelos se entrenan con datos históricos que pueden contener
estereotipos o desigualdades estructurales (Binns, 2018). En este sentido, los
sistemas de IAG no solo replican estos sesgos, sino que pueden perpetuarlos y
exacerbarlos a gran escala.
Desde una perspectiva ética, otro aspecto crítico es la dificultad de establecer
responsabilidad sobre los contenidos generados. La falta de trazabilidad y de
explicabilidad de los modelos hace que, en muchos casos, no sea posible determinar
el origen de una determinada decisión automatizada, lo que contraviene los principios
de transparencia y responsabilidad exigidos por regulaciones emergentes como la Ley
de Inteligencia Artificial de la Unión Europea o la iniciativa de gobernanza algorítmica
promovida por la OCDE (Floridi et al., 2018).
Además, la generación de contenidos sintéticos plantea riesgos reputacionales y
legales, especialmente en lo concerniente a la suplantación de identidad, la
falsificación de documentos y la difusión de desinformación. Las empresas deben
establecer marcos éticos robustos para evitar el uso indebido de estas herramientas,
incluyendo políticas de supervisión humana, validación de contenido y trazabilidad de
decisiones automatizadas (Crawford, 2021).
3.2.2. Limitaciones tecnológicas y de formación
Otro desafío relevante es el conjunto de limitaciones tecnológicas y de capacitación
que enfrentan muchas organizaciones al implementar soluciones de IAG. Desde el
punto de vista técnico, estos modelos requieren infraestructuras de cómputo
avanzadas, incluyendo unidades de procesamiento gráfico (GPUs), redes de alto
rendimiento, capacidad de almacenamiento distribuido y plataformas de inteligencia
artificial que faciliten el despliegue escalable y seguro de los modelos. Estas
exigencias representan una barrera significativa, especialmente para las pequeñas y
medianas empresas que no cuentan con recursos tecnológicos ni financieros
suficientes para asumir tales inversiones (Dwivedi et al., 2023).
Además, la implementación exitosa de IAG no se limita a la infraestructura física, sino
que requiere talento humano capacitado en disciplinas como ciencia de datos,
ingeniería de machine learning, ética de la IA y gestión de datos. La escasez global
de estos perfiles especializados constituye un cuello de botella crítico en la
transformación digital basada en IA. Muchas organizaciones enfrentan una "brecha de
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 36
Enero – Marzo 2023
competencias digitales" que limita no solo el desarrollo de aplicaciones internas, sino
también la evaluación, adaptación y mantenimiento de las soluciones ya
implementadas (Echeverri-Gutiérrez & Arango Serna, 2022).
Por otro lado, la formación de los usuarios finales también es una condición necesaria
para la adopción exitosa de estas tecnologías. La apropiación tecnológica por parte
de empleados no técnicos exige estrategias de alfabetización digital, formación
continua y cambio cultural. Sin una comprensión básica del funcionamiento, las
capacidades y las limitaciones de la IAG, los usuarios pueden adoptar actitudes de
dependencia ciega o desconfianza injustificada, ambas perjudiciales para el
aprovechamiento efectivo de la tecnología (Bughin et al., 2019).
3.2.3. Dificultades de integración con sistemas existentes
Finalmente, la integración de la inteligencia artificial generativa con los sistemas de
información empresariales tradicionales presenta una serie de retos estructurales que
pueden obstaculizar su adopción. Muchas empresas operan con arquitecturas
tecnológicas legadas que no están diseñadas para interoperar con servicios basados
en inteligencia artificial. La incompatibilidad entre las plataformas actuales (ERP,
CRM, SCM, entre otros) y las soluciones generativas puede requerir costosos
procesos de reingeniería, refactorización de código o adopción de middleware
específico que permita la comunicación entre sistemas (Zhang et al., 2023).
Asimismo, los modelos generativos no operan de forma aislada, sino que deben
integrarse en los flujos de trabajo existentes, respetando normas de seguridad,
privacidad y control de calidad. Esto implica adaptar procesos de negocio, redefinir
roles y responsabilidades, y establecer mecanismos de supervisión humana para la
validación de los resultados generados. Esta integración funcional es particularmente
compleja en sectores regulados, como el financiero, el sanitario o el gubernamental,
donde el uso de IA debe alinearse con marcos normativos estrictos (Gasser &
Almeida, 2017).
En muchos casos, la dificultad no es únicamente técnica, sino también organizacional.
La introducción de IAG puede generar tensiones internas relacionadas con la
reasignación de tareas, la percepción de amenaza al empleo, o la necesidad de
redefinir flujos de trabajo establecidos durante años. Sin una adecuada gestión del
cambio, los esfuerzos de integración pueden encontrar resistencia activa o pasiva por
parte de los actores clave, comprometiendo su éxito a largo plazo (Westerman et al.,
2014).
Por todo lo anterior, la integración de inteligencia artificial generativa en el ecosistema
empresarial debe entenderse como un proceso multidimensional que exige alineación
entre la estrategia tecnológica, los recursos organizacionales y la cultura empresarial.
El abordaje de estos desafíos es esencial no solo para evitar fallos operativos, sino
para garantizar una adopción ética, inclusiva y sostenible de esta tecnología
emergente.
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 37
Enero – Marzo 2023
4. Discusión
La incorporación de la inteligencia artificial generativa (IAG) en los procesos de
transformación digital empresarial constituye una de las innovaciones tecnológicas
más disruptivas del presente siglo, no solo por su capacidad de automatizar tareas
cognitivas complejas, sino por su potencial para redefinir los modelos de interacción,
producción y análisis dentro de las organizaciones. Los hallazgos obtenidos en esta
revisión bibliográfica permiten sostener que la IAG está dando lugar a un nuevo
paradigma operativo, en el cual los límites entre la creación humana y la
automatización algorítmica se vuelven cada vez más difusos, planteando tanto
oportunidades estratégicas como desafíos estructurales.
Desde una perspectiva funcional, la evidencia demuestra que las aplicaciones de la
IAG han logrado consolidarse especialmente en tres frentes operativos: la generación
automatizada de contenido, el soporte a la toma de decisiones basada en datos y la
mejora de la experiencia del cliente. En lo que concierne a la automatización creativa,
herramientas como GPT-4, Jasper.ai o DALL·E han demostrado ser eficaces para
producir textos, imágenes y otros formatos comunicativos que cumplen funciones
comerciales, informativas y administrativas, lo cual se traduce en una significativa
reducción de los costos operativos y una mejora en los tiempos de respuesta
organizacional (Liu et al., 2023; Kumar et al., 2023). Esta capacidad para generar
contenido personalizado, pertinente y adaptado a distintos contextos comerciales
representa un valor añadido para las empresas que operan en entornos digitales
altamente competitivos.
Del mismo modo, los modelos generativos han empezado a ser utilizados como
instrumentos para la toma de decisiones empresariales, especialmente en áreas como
el análisis financiero, la gestión del conocimiento y la planificación estratégica. La
posibilidad de sintetizar grandes volúmenes de datos en reportes automatizados y
generar escenarios predictivos adaptativos constituye una ventaja competitiva
notable, particularmente en un entorno caracterizado por la volatilidad y la saturación
informativa (Ribeiro-Navarrete et al., 2021; Sun et al., 2022). A ello se suma el valor
de la IAG en la personalización de la experiencia del cliente, a través de interfaces
conversacionales inteligentes y mecanismos de recomendación que promueven
relaciones más empáticas y sostenibles con los consumidores (Siau & Wang, 2020).
En conjunto, estos avances sugieren que la IAG no solo mejora la eficiencia, sino que
transforma la lógica de interacción entre las empresas y su entorno, habilitando
nuevas formas de innovación organizacional.
No obstante, esta expansión de la IAG también trae consigo retos significativos que
deben ser abordados de manera integral. El primero de ellos es el conjunto de riesgos
éticos y de precisión que rodea a los sistemas generativos. Numerosos estudios han
documentado cómo estos modelos pueden producir contenidos erróneos, sesgados o
manipuladores, afectando la calidad de la información y la confiabilidad de los
procesos empresariales (Bender et al., 2021; Ji et al., 2023). La denominada
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 38
Enero – Marzo 2023
"alucinación" en los modelos de lenguaje plantea serios desafíos, especialmente en
industrias reguladas donde la exactitud y trazabilidad de la información son
condiciones sine qua non para la sostenibilidad organizacional. Además, los
problemas relacionados con la explicabilidad de los modelos, la rendición de cuentas
y la equidad algorítmica refuerzan la necesidad de establecer marcos de gobernanza
ética robustos (Floridi et al., 2018; Crawford, 2021).
En paralelo, las limitaciones tecnológicas y de formación constituyen otra barrera
crítica para la adopción efectiva de la IAG. Si bien las grandes corporaciones pueden
contar con la infraestructura tecnológica y el talento especializado necesario, una
parte importante del sector empresarial, particularmente las pequeñas y medianas
empresas, enfrenta restricciones económicas, técnicas y humanas que dificultan el
acceso a estas soluciones (Dwivedi et al., 2023; Echeverri-Gutiérrez & Arango Serna,
2022). La escasez de profesionales formados en ciencia de datos, ingeniería de IA y
ética tecnológica, así como la ausencia de estrategias de formación interna,
representan obstáculos relevantes que limitan el aprovechamiento pleno de las
capacidades de la IAG.
Por último, las dificultades de integración con los sistemas empresariales existentes
suponen una fuente adicional de fricción. La coexistencia de tecnologías heredadas
con arquitecturas avanzadas de inteligencia artificial genera tensiones a nivel de
interoperabilidad, mantenimiento y compatibilidad, lo cual obliga a las organizaciones
a emprender costosos procesos de reingeniería digital y rediseño organizacional
(Zhang et al., 2023; Gasser & Almeida, 2017). En este contexto, la integración de la
IAG no debe concebirse como una simple incorporación de herramientas tecnológicas,
sino como una transformación profunda de los modelos de negocio, los flujos de
trabajo y las competencias organizacionales.
En síntesis, la inteligencia artificial generativa representa una tecnología ambivalente,
que combina un potencial transformador extraordinario con desafíos significativos en
términos de precisión, ética, infraestructura y cultura organizacional. La adopción
empresarial de estas tecnologías requiere una visión estratégica de largo plazo,
sustentada en principios de responsabilidad digital, inversión en capacidades internas
y alineación con objetivos organizacionales. Solo a través de un abordaje crítico y
holístico será posible traducir el potencial de la IAG en beneficios reales, sostenibles
y equitativos para el ecosistema empresarial contemporáneo.
5. Conclusiones
La inteligencia artificial generativa se ha consolidado como una tecnología emergente
de alto impacto en el contexto de la transformación digital empresarial. Su capacidad
para automatizar procesos cognitivos, generar contenido creativo, asistir en la toma
de decisiones complejas y personalizar la interacción con los clientes redefine las
dinámicas tradicionales de producción, comunicación y gestión organizacional. Estas
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 39
Enero – Marzo 2023
aplicaciones estratégicas no solo contribuyen a mejorar la eficiencia operativa, sino
que también habilitan nuevas formas de innovación, adaptabilidad y creación de valor
en mercados altamente competitivos.
Sin embargo, su implementación efectiva está condicionada por una serie de desafíos
que no pueden ser subestimados. La generación de contenido impreciso o sesgado,
los riesgos éticos asociados a la opacidad algorítmica y la reproducción de sesgos
históricos representan amenazas reales para la integridad de los procesos
empresariales. Además, las limitaciones en infraestructura tecnológica, la escasez de
talento especializado y la baja alfabetización digital dentro de muchas organizaciones
dificultan el aprovechamiento pleno de estas herramientas. A ello se suman los
obstáculos técnicos y organizacionales relacionados con la integración de la IAG en
sistemas corporativos ya existentes, lo que requiere inversiones significativas, gestión
del cambio y rediseño de procesos.
Ante este panorama, se concluye que la adopción de inteligencia artificial generativa
en el entorno empresarial debe abordarse desde una perspectiva estratégica,
multidisciplinaria y ética. No se trata únicamente de incorporar nuevas tecnologías,
sino de transformar los modelos de negocio, fortalecer las capacidades organizativas
y establecer marcos de gobernanza que garanticen el uso responsable, transparente
y sostenible de estas soluciones. Solo mediante una planificación integral y una visión
a largo plazo, las empresas podrán convertir el potencial de la IAG en una ventaja
competitiva duradera en la era digital.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers
of stochastic parrots: Can language models be too big?. Proceedings of the
2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT
'21), 610–623. https://doi.org/10.1145/3442188.3445922
Binns, R. (2018). Fairness in machine learning: Lessons from political philosophy.
Proceedings of the 2018 Conference on Fairness, Accountability and
Transparency, 149–159.
Brock, J. K.-U., & von Wangenheim, F. (2019). Demystifying AI: What digital
transformation leaders can teach you about realistic artificial intelligence.
Business Horizons, 62(6), 751–758.
https://doi.org/10.1177/1536504219865226
Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2019). Notes from the AI
frontier: Modeling the impact of AI on the world economy. McKinsey Global
Institute.
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 40
Enero – Marzo 2023
Celi Párraga, R. J., Boné Andrade, M. F., & Mora Olivero, A. P. (2023). Programación
Web del Frontend al Backend. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.18
Celi-Párraga, R. J., Boné-Andrade, M. F., Mora-Olivero, A. P., & Sarmiento-Saavedra,
J. C. (2023). Ingeniería del Software I: Requerimientos y Modelado del
Software. Editorial Grupo AEA. https://doi.org/10.55813/egaea.l.2022.21
Celi-Párraga, R. J., Mora-Olivero, A. P., Boné-Andrade, M. F., & Sarmiento-Saavedra,
J. C. (2023). Ingeniería del Software II: Implementación, Pruebas y
Mantenimiento. Editorial Grupo AEA. https://doi.org/10.55813/egaea.l.2022.23
Celi-Párraga, R. J., Mora-Olivero, A. P., Boné-Andrade, M. F., & Sarmiento-Saavedra,
J. C. (2023). Ingeniería del Software II: Implementación, Pruebas y
Mantenimiento. Editorial Grupo AEA. https://doi.org/10.55813/egaea.l.2022.20
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial
intelligence. Yale University Press.
Dwivedi, Y. K., Hughes, D. L., Baabdullah, A. M., Ribeiro-Navarrete, S., Giannakis, M.,
Al-Debei, M. M., ... & Wamba-Taguimdje, S. L. (2021). Artificial Intelligence (AI):
Multidisciplinary perspectives on emerging challenges, opportunities, and
agenda for research, practice and policy. International Journal of Information
Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Echeverri-Gutiérrez, M. R., & Arango Serna, M. D. (2022). Transformación digital en
la industria manufacturera: competencias, barreras y estrategias. Revista
Ingeniería Industrial, 19(1), 13–30.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... &
Schafer, B. (2018). AI4People—An ethical framework for a good AI society:
Opportunities, risks, principles, and recommendations. Minds and Machines,
28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Galarza-Sánchez, P. C. (2023). Adopción de Tecnologías de la Información en las
PYMEs Ecuatorianas: Factores y Desafíos. Revista Científica Zambos, 2(1),
21-40. https://doi.org/10.69484/rcz/v2/n1/36
Galarza-Sánchez, P. C., Agualongo-Yazuma, J. C., & Jumbo-Martínez, M. N. (2022).
Innovación tecnológica en la industria de restaurantes del Cantón Pedro
Vicente Maldonado. Journal of Economic and Social Science Research, 2(1),
31–43. https://doi.org/10.55813/gaea/jessr/v2/n1/45
Gasser, U., & Almeida, V. A. F. (2017). A layered model for AI governance. IEEE
Internet Computing, 21(6), 58–62. https://doi.org/10.1109/MIC.2017.4180835
Herrera-Sánchez, M. J. (2021). Estrategias de Gestión Administrativa para el
Desarrollo Sostenible de Emprendimientos en La Concordia. Journal of
Economic and Social Science Research, 1(4), 56–69.
https://doi.org/10.55813/gaea/jessr/v1/n4/42
Jaramillo-Chuqui, I. F., & Villarroel-Molina, R. (2023). Elementos básicos de Análisis
Inteligente de Datos. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.65
Revista Científica Ciencia y Método | Vol.01 | Núm.01 | Ene – Mar | 2023 | www.revistacym.com pág. 41
Enero – Marzo 2023
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., ... & Fung, P. (2023). Survey of
Hallucination in Natural Language Generation. ACM Computing Surveys,
55(12), 1–38. https://doi.org/10.1145/3571730
Kumar, A., Bhattacharya, A., & Kumar, M. (2023). Generative AI for business
transformation: Capabilities, applications, and ethical implications. Journal of
Business Research, 157, 113632.
Liu, Y., Xu, X., Qu, Y., & Chen, J. (2023). Content generation with AI: New opportunities
and challenges in business communication. Technological Forecasting and
Social Change, 190, 122361.
Picoy-Gonzales, J. A., Huarcaya-Taype, R., Contreras-Canto, O. H., & Omonte-Vilca,
A. (2023). Fortalecimiento Metodológico de la Seguridad Informática en
Posgrados: Análisis y Estrategias de Mejora. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.56
Picoy-Gonzales, J. A., Huarcaya-Taype, R., Contreras-Canto, O. H., Omonte-Vilca, A.,
Contreras-De La Cruz, C., & Gaspar-Quispe, J. C. (2023). Sabores
Conectados: Transformando la Gastronomía a través de las Tecnologías de la
Información y Comunicación. Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.58
Ribeiro-Navarrete, S., Saura, J. R., & Palacios-Marqués, D. (2021). Towards a new
era of mass data collection: Assessing the quality of research using AI-based
and hybrid data. Journal of Business Research, 124, 354–365.
https://doi.org/10.1016/j.techfore.2021.120681
SIAU, Keng and WANG, W. Building trust in artificial intelligence, machine learning,
and robotics. (2018). Cutter Business Technology Journal. 31, (2), 47-53.
https://ink.library.smu.edu.sg/sis_research/9371
Solano-Gutiérrez, G. A., Núñez-Freire, L. A., Mendoza-Loor, J. J., Choez-Calderón, C.
J., & Montaño-Cabezas, L. J. (2023). Evolución del Computador: desde el ABC
de su Arquitectura hasta la Construcción de una PC Gamer. Editorial Grupo
AEA. https://doi.org/10.55813/egaea.l.2022.24
Sun, T. Q., Medaglia, R., & Zhang, Y. (2022). Exploring the value of AI for public and
business services: Toward intelligent experience. Government Information
Quarterly, 39(1), 101657.
Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading digital: Turning technology
into business transformation. Harvard Business Review Press.