La era de la inteligencia artificial y el crecimiento empresarial

La era de la inteligencia artificial y el crecimiento empresarial Evidencia científica y estrategia de adopción y gobernanza para organizaciones de América Latina Terry Alexander Mendieta Guachichulca Loja Ecuador Primera edición 2026

Derechos de autor Copyright © 2026 Terry Alexander Mendieta Guachichulca Todos los derechos reservados. Ninguna parte de esta publicación puede reproducirse, almacenarse o transmitirse por medios electrónicos, mecánicos, fotográficos o de cualquier otra naturaleza sin autorización previa del titular de los derechos, salvo las citas breves permitidas por la legislación aplicable.

Primera edición digital 2026 Loja Ecuador El contenido presenta una revisión académica y una propuesta de gestión. No constituye asesoría jurídica, financiera, laboral, médica ni de ciberseguridad para un caso particular. Las organizaciones deben evaluar sus obligaciones legales, contractuales y sectoriales antes de desplegar sistemas de inteligencia artificial.

Nota del autor La inteligencia artificial ya forma parte del trabajo cotidiano de las empresas. Se utiliza para redactar, analizar, programar, clasificar información, atender consultas y apoyar decisiones. Sin embargo, su disponibilidad no garantiza que una organización crezca. El crecimiento aparece cuando la tecnología se integra a procesos claros, datos confiables, equipos capacitados y una dirección que mide resultados y asume responsabilidad por las decisiones.

empresarial. Los ejemplos aplicados se apoyan en esa experiencia multisectorial, pero se presentan como escenarios ilustrativos y no como resultados experimentales propios. La evidencia empírica proviene de investigaciones y documentos institucionales identificados en las referencias.

para comprender qué puede aportar la inteligencia artificial, qué límites conserva y cómo implantarla sin delegar el criterio humano. La tesis central es sencilla: la IA produce valor cuando amplía capacidades organizacionales; destruye valor cuando acelera errores, debilita controles o sustituye el juicio que todavía necesita contexto, experiencia y responsabilidad.

Resumen Objetivo. Analizar de qué manera la inteligencia artificial, con énfasis en la IA generativa, puede apoyar el crecimiento empresarial y bajo qué condiciones sus beneficios se traducen en productividad, innovación, calidad, aprendizaje organizacional y creación de valor.

Método. Se realizó una revisión narrativa crítica de literatura académica y documentos institucionales publicados principalmente entre 2021 y 2026. Se priorizaron experimentos de campo, estudios revisados por pares, documentos de la OCDE, el Banco Mundial, la Organización Technology. La evidencia se organizó en cinco dimensiones: productividad, innovación, experiencia del cliente, capacidades laborales y gobernanza.

Resultados. La evidencia muestra mejoras relevantes en tareas de redacción, atención al cliente y trabajo de conocimiento cuando el problema está delimitado y la persona usuaria puede validar el resultado. Los efectos son heterogéneos. Los trabajadores con menor experiencia suelen obtener ganancias mayores en tareas estructuradas, mientras que los expertos aprovechan mejor la IA en dominios complejos cuando conservan el control de la evaluación. Los estudios también documentan fallos fuera de la frontera de capacidad de los modelos, riesgo de confianza excesiva, homogeneización de resultados y exposición de información sensible. A nivel empresarial, la relación entre IA y crecimiento depende de inversiones complementarias en procesos, formación, datos, seguridad y medición.

sociotécnica que combina tecnología, personas, reglas, conocimiento y aprendizaje. Las empresas verificables, definen responsables humanos, protegen sus datos y escalan después de comprobar resultados. Para las pequeñas y medianas empresas de América Latina, el acceso a herramientas de propósito general abre oportunidades, aunque la brecha digital, la informalidad, la conectividad y la escasez de capacidades pueden limitar su distribución.

Palabras clave: inteligencia artificial, inteligencia artificial generativa, crecimiento empresarial, productividad, innovación, transformación digital, gobernanza, ciberseguridad, pymes, América Latina.

Abstract Objective. This study examines how artificial intelligence, particularly generative AI, can support business growth and under which conditions its benefits translate into productivity, innovation, quality, organizational learning, and value creation.

Method. A critical narrative review was conducted using academic literature and institutional reports published mainly between 2021 and 2026. Priority was given to field experiments, peer- reviewed studies, OECD reports, World Bank and International Labour Organization research, and evidence was organized around productivity, innovation, customer experience, workforce capabilities, and governance.

Results. Evidence shows meaningful improvements in writing, customer support, and knowledge work when tasks are bounded and users can validate outputs. Effects are heterogeneous. Less complex domains when they retain control over evaluation. Research also documents failures information. At the firm level, the relationship between AI and growth depends on complementary investments in processes, training, data, security, and measurement.

capability that combines technology, people, rules, knowledge, and learning. Companies can reduce cases, assign human accountability, protect data, and scale after results are demonstrated.

Keywords: artificial intelligence, generative artificial intelligence, business growth, productivity, innovation, digital transformation, governance, cybersecurity, SMEs, Latin America.

Contenido Introducción

Capítulo 1 La inteligencia artificial como capacidad empresarial

Capítulo 2 Marco teórico del crecimiento apoyado por IA

Capítulo 3 Método y alcance de la revisión

Capítulo 4 Qué demuestra la evidencia empírica

Capítulo 5 Mecanismos de creación de valor

Capítulo 6 Aplicaciones empresariales por función

Capítulo 7 Pymes América Latina y Ecuador

Capítulo 8 Trabajo capacidades y cambio organizacional

Capítulo 9 Gobernanza ciberseguridad y uso responsable

Capítulo 10 Ruta de implementación en noventa días

Capítulo 11 Medición de resultados y retorno

Capítulo 12 Escenarios aplicados desde la práctica empresarial

Capítulo 13 Discusión

Conclusiones Apéndice A Política mínima de uso empresarial Apéndice B Ficha de evaluación de un caso de uso Referencias Sobre el autor

Introducción La discusión empresarial sobre inteligencia artificial suele oscilar entre dos errores. El primero consiste en presentarla como una solución automática para cualquier problema. El segundo la reduce a una amenaza que debe evitarse hasta que desaparezca la incertidumbre. Ninguno ayuda a dirigir una organización. La pregunta útil no es si la IA reemplazará a las empresas, sino qué empresas aprenderán a combinarla con conocimiento, procesos y responsabilidad antes que sus competidores.

La inteligencia artificial generativa redujo la barrera de acceso a capacidades que antes exigían equipos especializados. Una microempresa puede redactar una primera versión de una propuesta, ordenar datos dispersos, preparar respuestas para clientes, generar código, resumir documentos o crear materiales de formación con herramientas disponibles por suscripción. Esta democratización importa, pero no elimina las diferencias entre organizaciones. La ventaja no está en abrir una cuenta en una plataforma. Está en seleccionar problemas valiosos, aportar contexto propio, verificar las respuestas, integrar el resultado al flujo de trabajo y aprender más rápido que el mercado.

La evidencia disponible respalda una posición condicional. Noy y Zhang (2023) observaron que la calidad en 18 %. Brynjolfsson, Li y Raymond (2025) encontraron que un asistente generativo aumentó la productividad de agentes de atención al cliente en alrededor de 14 %, con mayores ganancias entre quienes tenían menos experiencia. Dell Acqua y colaboradores (2026), en un experimento con 758 consultores, documentaron mejoras de velocidad, cantidad y calidad en tareas situadas dentro de las capacidades del modelo. El mismo estudio mostró que el desempeño podía empeorar cuando la tarea quedaba fuera de esa frontera y la persona confiaba en una respuesta incorrecta.

Estos resultados no equivalen a una promesa de crecimiento. Resolver una tarea más rápido no aumenta por sí solo los ingresos, el margen, la retención de clientes o la capacidad de innovación.

Para que una mejora local se convierta en desempeño empresarial, deben existir mecanismos de captura de valor. El tiempo ahorrado puede dedicarse a más ventas, mejor atención, control de calidad o desarrollo de nuevos productos. También puede perderse en retrabajo, respuestas imprecisas, herramientas duplicadas y riesgos que nadie gobierna.

Esta obra sostiene que la IA contribuye al crecimiento a través de cinco rutas: incrementa la productividad de tareas específicas; difunde conocimiento dentro de la organización; reduce costos de experimentación; mejora la personalización de productos y servicios; y acelera ciclos de decisión. Cada ruta requiere complementos humanos y organizacionales. La empresa debe rediseñar procesos, clasificar datos, formar a su equipo, definir controles y medir resultados. Sin esos complementos, la adopción puede aumentar la actividad sin aumentar el valor.

El análisis se orienta a empresas y organizaciones de América Latina, con atención a la realidad ecuatoriana. La región enfrenta una combinación particular de microempresas, informalidad, desigualdad de conectividad y restricciones de capital. Al mismo tiempo, posee sectores de servicios, comercio, comunicación, educación, turismo, salud y producción creativa donde una herramienta de propósito general puede reducir barreras de entrada. El reto consiste en evitar que la IA amplíe la brecha entre quienes tienen datos, conectividad y capacidades y quienes solo acceden a una interfaz sin formación ni protección.

Pregunta de investigación ¿Bajo qué condiciones la inteligencia artificial puede apoyar el crecimiento sostenible de las empresas y qué capacidades organizacionales son necesarias para convertir mejoras en tareas individuales en resultados verificables de productividad, innovación y calidad?

Tesis central La inteligencia artificial apoya el crecimiento empresarial cuando se aplica a problemas delimitados, se integra a procesos rediseñados, utiliza datos adecuados, mantiene supervisión humana proporcional al riesgo y se evalúa mediante indicadores de negocio. Su valor depende menos del acceso al modelo que de la capacidad de la organización para aprender, gobernar y escalar.

Capítulo 1 La inteligencia artificial como capacidad

empresarial De la automatización a la generación La inteligencia artificial comprende sistemas capaces de realizar tareas asociadas con percepción, predicción, clasificación, recomendación, generación de contenido y apoyo a decisiones. En la empresa, muchas aplicaciones previas a la IA generativa ya operaban en motores de recomendación, detección de fraude, mantenimiento predictivo, segmentación de clientes y optimización logística. La diferencia visible de la etapa reciente es la interfaz en lenguaje natural y la capacidad de producir texto, imágenes, audio, video y código a partir de instrucciones.

Los modelos generativos no consultan una base de hechos del mismo modo que un sistema transaccional. Producen secuencias plausibles según patrones aprendidos y el contexto proporcionado. Esta propiedad explica su versatilidad y también sus errores. Un modelo puede redactar un documento coherente y, en la misma respuesta, atribuir una norma inexistente, confundir un dato o completar un vacío con información inventada. Por ello, la fluidez de la salida no debe confundirse con evidencia de verdad.

Desde una perspectiva empresarial, conviene distinguir cuatro modos de uso. En el modo de asistencia, la IA ayuda a una persona que conserva la decisión. En la automatización supervisada, el sistema ejecuta una tarea repetible y una persona revisa excepciones o muestras. En la integración, la IA participa en un flujo que combina bases de datos, aplicaciones y reglas. En la autonomía limitada, un agente ejecuta varias acciones dentro de permisos y límites previamente definidos. El riesgo aumenta cuando el sistema actúa sobre clientes, dinero, datos sensibles o infraestructura sin una revisión adecuada.

La unidad correcta de análisis es la tarea decisiones. Los puestos agrupan tareas con diferentes niveles de estructura, contexto, responsabilidad e interacción humana. Un gerente puede usar IA para resumir informes, pero no debe delegar sin control una decisión de contratación. Un periodista puede generar una transcripción, pero necesita verificar fuentes y preservar la atribución. Un desarrollador puede recibir una propuesta de código, aunque mantiene la obligación de revisar seguridad, rendimiento y licencias.

El análisis por tareas permite separar lo que puede automatizarse, lo que puede ampliarse y lo que debe permanecer bajo control humano. Las tareas más favorables suelen tener una entrada clara, un resultado verificable, bajo costo de error y suficiente volumen. Las menos favorables combinan ambigüedad, consecuencias altas, información incompleta o criterios éticos y legales que no pueden reducirse a una respuesta estadísticamente probable.

La IA como infraestructura de conocimiento Una empresa acumula conocimiento en documentos, conversaciones, bases de datos y experiencia no escrita de su personal. Cuando ese conocimiento está fragmentado, cada nuevo integrante repite búsquedas, depende de pocas personas y comete errores ya resueltos. Una arquitectura de IA conectada a fuentes autorizadas puede facilitar la recuperación de procedimientos, antecedentes y criterios. El beneficio no consiste en que el modelo sepa más que la organización, sino en que ayuda a localizar y aplicar lo que la organización ya sabe.

Este uso exige distinguir entre un asistente general y un sistema conectado a contenido interno.

La empresa debe controlar permisos, versiones, vigencia de documentos y trazabilidad. Si el repositorio contiene información contradictoria, la IA puede presentar la contradicción con apariencia de certeza. La calidad del conocimiento institucional sigue dependiendo de quién lo produce, quién lo aprueba y quién lo actualiza.

Capítulo 2 Marco teórico del crecimiento apoyado por IA

Tecnología de propósito general e inversiones complementarias Las tecnologías de propósito general pueden aplicarse en muchos sectores y generar innovaciones complementarias. Sin embargo, sus efectos agregados suelen aparecer después de un periodo de adaptación. Brynjolfsson, Rock y Syverson (2021) describen una curva de productividad en J: durante la adopción, las empresas invierten en activos intangibles que no siempre se reflejan de inmediato en la productividad medida; después, cuando los procesos y capacidades maduran, los beneficios pueden hacerse visibles.

La idea es especialmente útil para interpretar la IA. Una licencia puede adquirirse en minutos, pero una capacidad empresarial requiere selección de casos, limpieza de datos, integración, formación, protocolos de revisión y cambios en responsabilidades. Estas inversiones pueden aumentar inicialmente el costo y reducir la velocidad. Si la dirección exige un retorno inmediato, puede abandonar proyectos prometedores o escalar soluciones sin haber construido los complementos necesarios.

Capacidades dinámicas La teoría de capacidades dinámicas explica cómo una organización detecta oportunidades, moviliza recursos y transforma su operación ante cambios tecnológicos. Teece (2007) resume este proceso en tres actividades: identificar, aprovechar y reconfigurar. Aplicado a la IA, identificar significa reconocer procesos donde el beneficio es plausible y medible; aprovechar supone ejecutar pilotos, adquirir herramientas y asignar responsables; reconfigurar implica modificar estructuras, habilidades y reglas para sostener el resultado.

Una empresa puede tener excelentes herramientas y una capacidad dinámica débil. Esto ocurre cuando los experimentos quedan aislados, cada área compra soluciones incompatibles o nadie documenta lo aprendido. La ventaja surge cuando los hallazgos de un piloto se convierten en estándares reutilizables, componentes técnicos, políticas y conocimiento compartido.

Capacidad de absorción Cohen y Levinthal (1990) definieron la capacidad de absorción como la habilidad de reconocer, asimilar y aplicar conocimiento externo. La IA aumenta el volumen de conocimiento accesible, pero no reemplaza esta habilidad. Una organización sin bases conceptuales puede recibir cientos de respuestas y carecer de criterio para seleccionar una. Los expertos, por el contrario, pueden usar la IA para explorar alternativas y concentrar su tiempo en evaluación y decisión.

La formación no debe limitarse a escribir instrucciones. Los equipos necesitan alfabetización en datos, pensamiento crítico, conocimiento del proceso, capacidad para verificar y comprensión de los riesgos. El uso de IA se vuelve más productivo cuando el personal sabe formular el problema, aporta restricciones relevantes y reconoce señales de error.

Sistema sociotécnico Una implantación de IA modifica simultáneamente tecnología y trabajo. Cambia quién prepara un borrador, quién revisa, qué información se registra, cuándo se escala un caso y cómo se distribuye la responsabilidad. Por eso debe diseñarse como un sistema sociotécnico. El flujo completo incluye personas, datos, modelos, interfaces, normas, incentivos y consecuencias.

Esta perspectiva evita dos simplificaciones. La primera atribuye todo resultado al modelo y oculta la calidad del proceso. La segunda responsabiliza únicamente al usuario, aunque la organización haya desplegado una herramienta sin instrucciones, controles o capacitación. La dirección conserva la responsabilidad de diseñar condiciones razonables de uso.

Capítulo 3 Método y alcance de la revisión

Diseño El trabajo adopta una revisión narrativa crítica. No pretende estimar un efecto promedio mediante metaanálisis ni agotar la literatura técnica. Su objetivo es integrar evidencia relevante para la gestión empresarial y traducirla en criterios de implementación. La revisión se concentró en estudios causales sobre productividad, trabajos sobre innovación y crecimiento, investigaciones regionales sobre empleo y marcos institucionales de gobernanza.

Se priorizaron publicaciones revisadas por pares, experimentos aleatorizados o cuasiexperimentales, documentos de organismos internacionales y estándares de gestión. Las cifras se presentan con su contexto y no se generalizan de manera automática. Un efecto observado en obtendrá en manufactura, salud, educación, finanzas o una microempresa ecuatoriana.

Criterios de interpretación

• Distinguir capacidad técnica de resultado empresarial. Una herramienta puede completar

una tarea sin generar ingresos, ahorro neto o satisfacción del cliente.

• Separar asociación de causalidad. Los estudios de firmas que invierten en IA pueden

reflejar diferencias previas de capital, talento y estrategia.

• Conservar la heterogeneidad. Los efectos cambian por tarea, experiencia, idioma, calidad

de datos, sector y forma de integración.

• Incluir riesgos junto con beneficios. Velocidad sin exactitud, privacidad o responsabilidad

puede producir valor negativo.

• Reconocer el carácter cambiante de la evidencia. Los modelos, prácticas y normas

evolucionan más rápido que los ciclos tradicionales de publicación.

Limitaciones Una parte importante de la investigación se concentra en organizaciones grandes, trabajadores con educación superior y tareas digitales. Existen menos estudios longitudinales en microempresas latinoamericanas. También hay sesgo de publicación hacia resultados novedosos y positivos, mientras que los proyectos empresariales fallidos rara vez se documentan con el mismo detalle.

La literatura analiza versiones específicas de herramientas que pueden cambiar. La mejora de un modelo no elimina automáticamente la necesidad de validación, porque las aplicaciones empresariales incorporan datos, instrucciones, interfaces y decisiones propias. La unidad que debe evaluarse es el sistema desplegado, no la reputación general del proveedor.

Capítulo 4 Qué demuestra la evidencia empírica

ocupaciones. El acceso a ChatGPT redujo el tiempo promedio de finalización en 40 % y elevó la calidad evaluada en 18 %. La brecha entre participantes se redujo porque quienes tenían menor desempeño inicial obtuvieron mayores mejoras. El hallazgo sugiere que la IA puede actuar como un mecanismo de difusión de buenas prácticas en tareas estructuradas.

La interpretación empresarial debe ser prudente. El experimento midió productos breves y evaluables, no todo el desempeño de un puesto. La organización que adopta una herramienta de redacción necesita definir tono, fuentes, criterios de revisión, propiedad intelectual y protección de información. El ahorro bruto de tiempo debe descontar la preparación del contexto, la verificación y la corrección.

Atención al cliente y aprendizaje Brynjolfsson, Li y Raymond (2025) estudiaron el despliegue gradual de un asistente generativo entre miles de agentes de soporte. El acceso a sugerencias aumentó la productividad promedio, medida como problemas resueltos por hora, en aproximadamente 14 %. Las ganancias fueron mayores entre agentes nuevos o de menor desempeño, mientras que el efecto fue pequeño entre los más experimentados.

El resultado es importante porque ocurrió en trabajo real y muestra un mecanismo de aprendizaje. La herramienta podía condensar patrones de los agentes de mejor desempeño y ponerlos a disposición de quienes todavía no dominaban el servicio. Para una empresa, esto abre la posibilidad de reducir el tiempo de incorporación y estandarizar respuestas. También exige monitorear si la estandarización oculta casos atípicos o reduce la autonomía necesaria para resolver problemas complejos.

Trabajo de conocimiento y frontera irregular Dell Acqua y colaboradores (2026) realizaron un experimento con 758 consultores y tareas realistas. En 18 actividades situadas dentro de la capacidad del modelo, quienes usaron IA completaron 12,2 % más tareas, trabajaron 25,1 % más rápido y produjeron resultados de mayor calidad. En una tarea diseñada fuera de esa frontera, el uso de IA aumentó la probabilidad de una respuesta incorrecta.

Los autores denominan frontera tecnológica irregular a la dificultad de anticipar qué tareas aparentemente similares serán resueltas bien o mal por la IA. Esta irregularidad impide diseñar una política basada en la intuición de que una tarea sencilla para una persona también será sencilla para el modelo. Cada caso debe probarse con ejemplos reales, criterios de aceptación y escenarios adversos.

Creatividad e innovación La IA generativa puede ampliar el número de ideas disponibles y ayudar a personas con menor desempeño inicial. Sin embargo, Doshi y Hauser (2024) encontraron que el acceso a ideas generadas por IA elevó la creatividad individual en escritura, pero redujo la diversidad colectiva de las historias. En una empresa, muchas personas que usan el mismo modelo con instrucciones parecidas pueden producir propuestas correctas y homogéneas.

La innovación requiere tanto volumen de ideas como diversidad, selección y conocimiento del problema. Una práctica útil consiste en separar la fase divergente de la fase convergente. Primero se generan alternativas desde fuentes humanas y técnicas diferentes; después se usa IA para contrastar, combinar o evaluar. Si la herramienta interviene desde el inicio como única fuente, puede estrechar el espacio de posibilidades.

Crecimiento de la firma Babina, Fedyk, He y Hodson (2024) relacionaron la inversión empresarial en IA con mayor crecimiento de ventas, empleo y valor de mercado, principalmente a través de innovación de reducción de costos. No obstante, se trata de una relación observada entre firmas con diferentes capacidades y no de una garantía para cualquier adopción.

La conclusión consistente entre niveles de análisis es que la IA es más valiosa cuando permite hacer algo que la empresa antes no podía hacer bien: atender más casos sin sacrificar calidad, crear reducción de costos importa, pero una estrategia exclusivamente orientada a reemplazar horas puede ignorar fuentes de crecimiento más duraderas.

Síntesis de los principales estudios Estudio Hallazgo y lectura empresarial alto en tareas delimitadas con revisión.

Brynjolfsson et al 2025 La productividad en atención al cliente aumentó alrededor de 14 %. La IA puede difundir prácticas y acelerar aprendizaje.

Dell Acqua et al 2026 Los consultores completaron más tareas, con mayor velocidad y calidad dentro de la frontera del modelo. Cada caso debe probarse porque tareas parecidas pueden fallar.

Doshi y Hauser 2024 La creatividad individual mejoró, pero disminuyó la diversidad colectiva. Conviene combinar fuentes para evitar homogeneización.

Babina et al 2024 La inversión en IA se asoció con crecimiento e innovación. Los complementos organizacionales median el resultado.

Capítulo 5 Mecanismos de creación de valor

Productividad y capacidad liberada La primera ruta de valor consiste en producir la misma cantidad con menos recursos o una mayor cantidad con recursos similares. La IA puede disminuir tiempo de búsqueda, preparación, clasificación y borrador. Sin embargo, el indicador relevante no es la cantidad de texto generado ni el número de usuarios activos. La empresa debe observar el tiempo total del ciclo, incluido el control de calidad, y verificar si la capacidad liberada se reasigna a una actividad valiosa.

La productividad aumenta cuando desaparece una restricción del proceso. Si un equipo comercial tarda tres días en preparar una propuesta y la IA reduce ese tiempo a un día, la empresa puede responder más rápido y participar en más oportunidades. Si la aprobación interna continúa tardando una semana, la mejora local no cambia el resultado para el cliente. La automatización debe analizar el flujo completo.

Calidad y consistencia Los modelos pueden aplicar listas de verificación, detectar omisiones y adaptar una respuesta a un formato estándar. Esto ayuda en documentos, catálogos, informes, código y atención. La consistencia tiene valor cuando reduce errores evitables y facilita la revisión. No debe confundirse con uniformidad absoluta. En comunicación, estrategia y servicio, la respuesta necesita conservar contexto, criterio y sensibilidad hacia la situación concreta.

La calidad debe definirse antes del piloto. Puede incluir exactitud factual, cumplimiento de instrucciones, tono, tiempo de respuesta, completitud y satisfacción del usuario. Sin un criterio explícito, los equipos tienden a valorar la fluidez y subestiman errores menos visibles.

Aprendizaje y transferencia de conocimiento La IA puede convertir ejemplos, manuales y conversaciones autorizadas en apoyo contextual.

Esto reduce la dependencia de una sola persona y mejora la incorporación de nuevos colaboradores. El beneficio es mayor cuando las fuentes internas están actualizadas y la herramienta puede indicar de dónde proviene una respuesta.

Existe un riesgo inverso. Si las personas aceptan respuestas sin comprender el fundamento, la organización puede perder conocimiento y capacidad de diagnóstico. La IA debe diseñarse como tutor y copiloto, no como un sustituto permanente de la comprensión. Las actividades de formación pueden exigir que el usuario explique la decisión, compare alternativas y documente excepciones.

Innovación y reducción del costo de experimentar Una empresa pequeña suele descartar ideas porque preparar un prototipo, una campaña o una prueba técnica consume tiempo. La IA reduce el costo de producir primeras versiones. Permite ensayar nombres, interfaces, segmentos, escenarios y código antes de comprometer recursos mayores. El valor surge de aumentar la frecuencia de experimentos y aprender con datos, no de publicar automáticamente el primer resultado.

La reducción del costo de experimentar puede cambiar la estrategia. Una organización que antes realizaba dos pruebas por trimestre puede realizar varias por semana. Para evitar ruido, cada prueba debe partir de una hipótesis, una métrica y una decisión prevista. Más experimentos sin disciplina producen más actividad, no más aprendizaje.

Experiencia del cliente y personalización La IA puede adaptar contenidos, recomendaciones y respuestas a la necesidad del cliente. La personalización es útil cuando reduce fricción, mejora comprensión o facilita una decisión. Se vuelve problemática cuando usa datos sin base legítima, manipula vulnerabilidades o crea expectativas que la empresa no puede cumplir.

La empresa debe decidir qué mensajes pueden generarse automáticamente, cuáles requieren aprobación y qué situaciones deben pasar a una persona. Reclamos, casos sensibles, decisiones con efectos económicos y comunicaciones legales necesitan controles más estrictos que una respuesta informativa de bajo riesgo.

Capítulo 6 Aplicaciones empresariales por función

Dirección y estrategia La dirección puede usar IA para ordenar información, comparar escenarios, identificar supuestos y preparar preguntas. Un modelo puede resumir reportes y construir una primera matriz de riesgos, pero no conoce por sí mismo la tolerancia al riesgo, las relaciones internas ni las obligaciones no documentadas. La decisión estratégica debe conservar un responsable humano que contraste fuentes y explique por qué acepta o descarta una recomendación.

Un uso de alto valor consiste en emplear la IA como interlocutor crítico. En lugar de pedir una única respuesta, el directivo solicita objeciones, escenarios adversos, información faltante y criterios para detener una iniciativa. Este método mejora la calidad de la discusión cuando el equipo no confunde una lista plausible con un análisis comprobado.

Marketing comunicación y ventas Las aplicaciones incluyen investigación inicial de audiencias, variantes de mensajes, calendarios, borradores, adaptación de formatos y apoyo a propuestas comerciales. La empresa debe aportar identidad, información verificable y criterios editoriales. Cuando todos usan las mismas plantillas, la comunicación pierde diferenciación y puede transmitir datos incorrectos con rapidez.

En ventas, la IA puede resumir conversaciones, preparar seguimientos y recuperar antecedentes del cliente. El sistema no debe inventar compromisos, precios, plazos o condiciones. La integración con el CRM necesita permisos, registro de fuentes y aprobación de comunicaciones que creen obligaciones.

Operaciones logística y calidad La IA puede clasificar solicitudes, prever demanda, detectar anomalías y asistir en la planificación. En operaciones, los datos estructurados y las reglas explícitas suelen ser más importantes que la elocuencia de un modelo generativo. Una arquitectura sólida combina sistemas transaccionales para mantener el estado real con IA para interpretar texto, explicar y apoyar excepciones.

Las decisiones de inventario, despacho y asignación deben incluir límites y controles. Un modelo puede sugerir, pero el sistema de registro debe conservar consistencia y trazabilidad.

Cuando se usan lotes, fechas de expiración o reservas, la lógica determinista debe permanecer en Finanzas y administración En finanzas, los casos iniciales más seguros incluyen clasificación preliminar, explicación de variaciones, preparación de notas y extracción de datos para revisión. La IA no debe crear cifras ni registrar movimientos sin reconciliación. Las decisiones tributarias, contables y financieras La empresa debe evitar cargar estados financieros, datos bancarios o información identificable en herramientas no aprobadas. El costo de una filtración supera con facilidad el ahorro de una tarea administrativa. Los contratos con proveedores deben revisarse para conocer retención, uso de datos, ubicación, acceso y mecanismos de eliminación.

Talento humano La IA puede apoyar la redacción de perfiles, materiales de inducción, rutas de aprendizaje y análisis agregado de necesidades. El uso para evaluar candidatos, desempeño o permanencia exige especial cuidado por sesgo, explicabilidad, privacidad y derecho a revisión. La automatización no libera a la empresa de responsabilidad por una decisión laboral.

Una política razonable prohíbe que una salida generativa sea el único fundamento de una decisión que afecta a una persona. También exige documentar los criterios, revisar impactos y cómo reportar un error.

Los asistentes de código pueden acelerar prototipos, documentación, pruebas y refactorización.

La velocidad aumenta el volumen que debe revisarse. Código funcional puede contener dependencias vulnerables, errores de autorización, manejo inseguro de datos o supuestos que no coinciden con la arquitectura. La revisión humana, las pruebas automatizadas, el análisis de dependencias y la evaluación de seguridad siguen siendo obligatorios.

En ciberseguridad, la IA ayuda a resumir alertas, correlacionar información y preparar respuestas. También amplía la capacidad de los atacantes para redactar engaños, descubrir superficies expuestas y automatizar reconocimiento. Una adopción empresarial debe considerar simultáneamente el valor defensivo y el nuevo riesgo de ataque.

Capítulo 7 Pymes América Latina y Ecuador

Oportunidad y restricción servicios separados. Esta accesibilidad puede reducir costos de entrada y permitir que equipos está condicionado por conectividad, calidad de gestión, formalización, competencias digitales y acceso a datos.

Gmyrek y Winkler (2024), en un estudio del Banco Mundial y la Organización Internacional del Trabajo, estimaron que entre 26 % y 38 % de los empleos de América Latina y el Caribe presentan alguna exposición a la IA generativa. Entre 8 % y 14 % podrían experimentar mejoras de productividad, mientras que una proporción menor enfrenta riesgo de automatización completa.

Los autores también advierten que la brecha digital puede impedir que millones de trabajadores accedan a los beneficios potenciales.

La exposición no equivale a pérdida de empleo. Indica que algunas tareas pueden cambiar. La respuesta empresarial responsable consiste en rediseñar puestos, capacitar y medir, no en asumir que una herramienta puede reemplazar de inmediato una función completa. En economías con alta informalidad, la falta de protección y formación puede concentrar los beneficios en empresas ya digitalizadas.

Una agenda para empresas ecuatorianas En Ecuador, muchas organizaciones operan con equipos reducidos y una dependencia alta de WhatsApp, hojas de cálculo, documentos y conocimiento personal. La IA puede aportar valor al ordenar información y conectar canales, siempre que primero se definan fuentes y procesos.

Automatizar un flujo desordenado puede acelerar duplicidades y errores.

Las primeras oportunidades suelen encontrarse en tareas de soporte: preparación de cotizaciones, seguimiento comercial, clasificación de solicitudes, documentación, contenidos con revisión, soporte interno y análisis de datos no sensibles. Los casos que afectan salud, crédito, empleo, seguridad o derechos deben recibir un nivel superior de evaluación y asesoría especializada.

La Ley Orgánica de Protección de Datos Personales establece obligaciones para el tratamiento de datos en Ecuador. Una empresa que utiliza IA debe saber qué datos envía, con qué finalidad, bajo qué base, durante cuánto tiempo y a qué proveedor. La conveniencia tecnológica no sustituye la obligación de proteger a las personas.

Cooperación y ecosistemas Las pymes pueden reducir barreras mediante alianzas con universidades, gremios, cámaras, proveedores tecnológicos y organizaciones de formación. Los programas de prácticas y proyectos aplicados permiten experimentar con supervisión y formar talento local. Para que estas alianzas funcionen, deben definir propiedad intelectual, acceso a datos, seguridad y criterios de entrega.

Los repositorios compartidos de casos, plantillas de evaluación y políticas básicas pueden elevar la capacidad de un ecosistema. La cooperación no requiere revelar secretos comerciales. Puede concentrarse en prácticas de seguridad, formación, medición y aprendizaje sobre errores comunes.

Capítulo 8 Trabajo capacidades y cambio organizacional

De puestos a portafolios de tareas La introducción de IA cambia la composición del trabajo. Algunas tareas disminuyen, otras aumentan y aparecen nuevas responsabilidades de verificación, configuración, integración y control. La empresa debe mapear tareas antes de anunciar cambios de puestos. Esto permite identificar qué conocimiento se vuelve más importante y dónde la automatización podría eliminar una instancia de aprendizaje necesaria.

Los trabajadores principiantes pueden beneficiarse de orientación inmediata, como muestra la evidencia de atención al cliente. A la vez, si nunca resuelven problemas sin asistencia, pueden desarrollar una comprensión superficial. La formación debe alternar práctica asistida, práctica independiente y revisión de errores.

Competencias para trabajar con IA

• Formulación de problemas: definir objetivo, restricciones, audiencia, fuentes y criterio de

éxito.

• Conocimiento del dominio: reconocer si una respuesta es aplicable al contexto real.
• Verificación: contrastar datos, referencias, cálculos, código y cumplimiento.
• Gestión de datos: clasificar información y utilizar solo herramientas autorizadas.
• Diseño de procesos: integrar la herramienta sin crear pasos redundantes.
• Comunicación y responsabilidad: explicar decisiones y registrar cuándo intervino la IA.

Gestión del cambio La resistencia puede expresar temor, experiencia previa con proyectos fallidos o preocupación legítima por la calidad y el empleo. Una dirección que impone la herramienta sin escuchar pierde información valiosa. El cambio debe comenzar con problemas que el equipo reconoce y con una distribución transparente de beneficios, responsabilidades y riesgos.

Los incentivos importan. Si se premia únicamente la cantidad, la IA facilitará producir más contenido de menor valor. Si se castiga cada error sin permitir experimentación controlada, el personal ocultará el uso. Las métricas deben equilibrar velocidad, calidad, aprendizaje y cumplimiento.

Responsabilidad de la dirección La dirección debe definir qué decisiones no pueden delegarse, qué datos no pueden cargarse y qué evidencia se necesita para escalar. También debe asignar presupuesto para capacitación y control. Pedir innovación sin tiempo para aprender produce adopción informal y riesgos invisibles.

Un comité pequeño y multidisciplinario puede revisar casos de mayor riesgo. No necesita convertirse en una burocracia. Su función es establecer criterios, resolver excepciones y asegurar que negocio, tecnología, seguridad, datos y personas estén representados.

Capítulo 9 Gobernanza ciberseguridad y uso responsable

Gobernar mapear medir y gestionar El AI Risk Management Framework del NIST organiza la gestión en cuatro funciones: gobernar, mapear, medir y gestionar. Gobernar define políticas, responsabilidades y tolerancia al riesgo.

Mapear describe el contexto, las personas afectadas y las consecuencias. Medir evalúa desempeño, confiabilidad, seguridad y sesgo. Gestionar prioriza respuestas, monitorea y mejora. El perfil para IA generativa adapta estas funciones a riesgos como contenido falso, privacidad, propiedad intelectual, seguridad de la información y dependencia excesiva.

Una empresa pequeña puede aplicar el principio sin construir una estructura compleja. Cada caso de uso debe tener propietario, finalidad, datos permitidos, criterio de calidad, revisión humana, registro de incidentes y fecha de reevaluación. La intensidad del control debe aumentar con el impacto potencial.

Clasificación por riesgo

• Riesgo bajo: lluvia de ideas, mejora de estilo y borradores con información pública y

revisión humana.

• Riesgo moderado: respuestas a clientes, análisis interno y generación de código sin acceso

autónomo a producción.

• Riesgo alto: decisiones laborales, financieras, médicas, legales o de seguridad; tratamiento

de datos sensibles; acciones automáticas sobre cuentas, pagos o infraestructura.

La clasificación no depende únicamente de la herramienta. El mismo modelo puede usarse para corregir una invitación o recomendar una decisión que afecta a una persona. El contexto define la consecuencia.

Datos y privacidad Antes de introducir datos en un sistema, la organización debe identificar su categoría y autorización. Una política mínima diferencia información pública, interna, confidencial y sensible.

Los datos personales, credenciales, secretos comerciales, expedientes, contratos y código privado no deben cargarse en servicios no aprobados.

El proveedor debe evaluarse más allá de la interfaz. Importan la retención, el uso para entrenamiento, los controles de acceso, la eliminación, la ubicación, los subencargados, el historial de incidentes y la posibilidad de exportar datos. La empresa también necesita un procedimiento para revocar accesos cuando una persona cambia de rol o termina su relación.

Exactitud trazabilidad y revisión humana La revisión humana debe ser sustantiva. Una persona que aprueba cientos de resultados sin tiempo, fuentes o criterios no constituye un control real. El diseño debe proporcionar evidencia, mostrar incertidumbre, registrar la fuente y facilitar la corrección.

Las respuestas de alto impacto requieren trazabilidad. La organización debe poder reconstruir qué información se utilizó, qué versión del sistema intervino, quién revisó y qué decisión se tomó.

Esta práctica permite investigar incidentes y mejorar el proceso.

Seguridad de aplicaciones con IA Las aplicaciones que integran modelos enfrentan riesgos adicionales: instrucciones maliciosas, extracción de datos, dependencia de contenido externo, acciones excesivas de agentes y respuestas inseguras. Los permisos deben seguir el principio de mínimo privilegio. Un agente no necesita acceso total a correo, archivos, CRM y pagos para ejecutar una tarea limitada.

Las pruebas deben incluir entradas adversas, datos incompletos, conflictos entre instrucciones y fallos del proveedor. También se requiere un modo seguro de detener el sistema y continuar la operación cuando la IA no esté disponible.

Capítulo 10 Ruta de implementación en noventa días

Días 1 a 15 diagnóstico y selección

• Inventariar procesos con alto volumen, demoras, retrabajo o dependencia de búsqueda

manual.

• Descomponer cada proceso en tareas y clasificar su riesgo.
• Estimar volumen, tiempo actual, costo de error y calidad de la línea base.
• Seleccionar uno o dos casos con resultado verificable, datos disponibles y un responsable

operativo.

• Definir qué información puede utilizarse y qué herramientas están autorizadas.

El primer piloto debe ser suficientemente importante para justificar el esfuerzo, pero lo bastante acotado para aprender sin exponer a la organización. Un caso que tarda meses en integrar y no tiene línea base dificulta distinguir el valor real.

Días 16 a 30 diseño y control

• Documentar el flujo actual y el flujo propuesto.
• Preparar ejemplos representativos, casos difíciles y criterios de aceptación.
• Definir la revisión humana, las excepciones y el mecanismo de escalamiento.
• Configurar accesos, privacidad, registro y seguridad.
• Capacitar al grupo piloto en uso, verificación y reporte de incidentes.

En esta etapa se evita automatizar decisiones finales. El objetivo es observar el comportamiento del sistema y del equipo. La instrucción, la fuente y la interfaz se tratan como componentes que pueden modificarse.

Días 31 a 60 piloto controlado

• Ejecutar una comparación con el proceso anterior o un grupo de control cuando sea viable.
• Registrar tiempo total, calidad, correcciones, errores y satisfacción del usuario.
• Revisar semanalmente casos fallidos y ajustar instrucciones, fuentes o límites.
• Estimar el costo completo, incluidas licencias, integración, revisión y soporte.
• Documentar qué tareas mejoran, cuáles no y por qué.

El éxito no se define antes de observar la evidencia. Si la herramienta ahorra tiempo pero aumenta errores, el equipo puede restringir el alcance o abandonar el caso. Detener un piloto que no crea valor es una decisión correcta.

Días 61 a 90 decisión y escala

• Comparar resultados con los umbrales definidos.
• Realizar una revisión de riesgo, seguridad y cumplimiento.
• Decidir entre detener, rediseñar, mantener limitado o escalar.
• Convertir los aprendizajes en procedimiento, formación y componentes reutilizables.
• Establecer monitoreo, propietario, presupuesto y fecha de reevaluación.

Escalar significa repetir un resultado bajo condiciones controladas. No significa habilitar una herramienta para toda la organización y esperar que cada persona descubra su uso. La expansión debe preservar calidad, permisos y soporte.

Capítulo 11 Medición de resultados y retorno

Línea base y unidad de medida Toda evaluación comienza con una línea base. La empresa necesita saber cuánto tarda hoy una tarea, qué calidad alcanza, cuántos errores produce y qué costo tiene. Sin esa información, cualquier percepción de mejora puede atribuirse a novedad, entusiasmo o selección de ejemplos fáciles.

La unidad de medida debe corresponder al proceso. En atención puede ser resolución correcta por hora y satisfacción. En ventas, tiempo de respuesta, tasa de conversión y margen. En desarrollo, tiempo hasta una entrega aceptada, defectos y vulnerabilidades. En contenido, costo por pieza aprobada, exactitud y desempeño ante la audiencia.

Indicadores esenciales

• Tiempo total del ciclo, incluida revisión y corrección.
• Calidad medida mediante una rúbrica definida antes del piloto.
• Tasa y severidad de errores.
• Porcentaje de resultados que requiere retrabajo.
• Adopción efectiva y frecuencia de uso útil.
• Satisfacción del trabajador y del cliente.
• Ingresos, ahorro o capacidad adicional atribuible al cambio.
• Incidentes de privacidad, seguridad o cumplimiento.

Cálculo económico Una estimación básica del beneficio anual suma el valor de horas efectivamente reasignadas, ingresos incrementales y costos evitados. A esa cifra se restan licencias, integración, formación, operación, revisión, seguridad y costo esperado de incidentes. El tiempo ahorrado solo tiene valor económico si permite reducir una restricción, aumentar capacidad o mejorar un resultado.

El retorno sobre la inversión puede expresarse como beneficio neto dividido para el costo total.

Este indicador debe acompañarse de calidad y riesgo. Un retorno positivo calculado sobre horas, pero obtenido con información incorrecta o incumplimiento, no representa valor sostenible.

Diseño de evaluación Cuando sea posible, conviene comparar grupos o periodos equivalentes. Un diseño antes y después es vulnerable a estacionalidad, aprendizaje y cambios externos. La asignación aleatoria es más fuerte, aunque no siempre práctica. Alternativas útiles incluyen rotación de equipos, comparación por tipo de caso y revisión ciega de la calidad.

La evaluación debe cubrir suficientes casos difíciles. Un piloto formado por ejemplos ideales sobreestima el rendimiento. La empresa necesita registrar excepciones, fallos y condiciones en las que la revisión consume más tiempo que el ahorro obtenido.

Capítulo 12 Escenarios aplicados desde la práctica

empresarial Los siguientes escenarios reflejan sectores en los que el autor ha participado como desarrollador, gestor y directivo. Se presentan para mostrar cómo aplicar el marco; no constituyen experimentos ni resultados financieros auditados.

Medio de comunicación y proyecto cultural Un medio local produce notas, entrevistas, publicaciones para redes, revista física y cobertura de eventos. La IA puede transcribir entrevistas, proponer resúmenes, clasificar archivo, adaptar una nota a distintos formatos y revisar consistencia. El proceso debe conservar verificación periodística, atribución, criterio editorial y aprobación de imágenes.

El caso de uso inicial podría medir tiempo desde la entrevista hasta el primer borrador, número de correcciones factuales y tiempo de edición. La IA no debe inventar citas, completar declaraciones ni publicar sin revisión. El repositorio de fuentes y la identidad editorial son activos más importantes que la velocidad de generación.

Una plataforma organiza congresos, certificación y acceso a contenidos. La IA puede ayudar a estructurar programas, generar descripciones desde información confirmada, crear guías de ponentes, horarios, avales y requisitos debe mantenerse en un sistema estructurado.

El sistema puede recuperar información autorizada para responder, pero debe indicar la fuente y derivar a una persona cuando existe una excepción. Los certificados, horas y datos de participantes requieren controles deterministas. La IA puede explicar; no debe alterar registros académicos.

Comercio electrónico y trazabilidad En un comercio con variantes, inventario, pedidos, lotes y despacho, la IA puede enriquecer descripciones, apoyar búsqueda, resumir pedidos y asistir al operador. El stock disponible, la reserva, la asignación por lote y los estados deben mantenerse en servicios transaccionales. Esta separación evita que una salida probabilística modifique la verdad operativa.

El piloto puede comparar conversión de búsqueda, tiempo para crear una ficha aprobada, consultas resueltas y errores. Las afirmaciones técnicas y de salud deben provenir de documentación válida. La personalización no debe inferir atributos sensibles sin una base legítima.

Empresa de servicios de campo Una empresa de limpieza y control de plagas recibe solicitudes, coordina visitas, prepara cotizaciones, documenta servicios y entrega recomendaciones. La IA puede clasificar mensajes, extraer datos para una orden, preparar un borrador de cotización y explicar cuidados posteriores a partir de protocolos aprobados.

El diagnóstico técnico, la selección de productos, la seguridad ocupacional y la emisión de certificados permanecen bajo personal competente. El valor puede medirse en tiempo de respuesta, porcentaje de solicitudes completas, puntualidad y reducción de errores administrativos.

Un equipo que desarrolla plataformas puede usar IA para convertir requisitos en historias preliminares, proponer casos de prueba, documentar APIs y revisar código. El flujo debe exigir revisión por pares, pruebas, análisis de seguridad y aprobación antes de producción. Los repositorios privados solo pueden conectarse a servicios autorizados.

La medición no debe limitarse a líneas de código. Debe observar tiempo hasta una funcionalidad aceptada, defectos posteriores, incidentes, mantenibilidad y satisfacción del equipo. Un aumento de velocidad acompañado de deuda técnica no representa crecimiento de capacidad.

Capítulo 13 Discusión

La paradoja de acceso La IA generativa reduce la distancia entre una idea y una primera versión. Al mismo tiempo, eleva la importancia de capacidades que no se compran con una licencia: criterio, datos, procesos y confianza. Por eso la democratización del acceso puede coexistir con una concentración de resultados. Las empresas mejor gestionadas convierten la herramienta en aprendizaje; las demás acumulan contenido, aplicaciones y riesgos sin una dirección común.

Para una pyme, esta conclusión es favorable y exigente. No necesita entrenar un modelo propio para obtener valor, pero sí necesita conocer su proceso y sus datos. Una organización pequeña puede decidir y aprender rápido. Esa agilidad se convierte en ventaja si existe disciplina para probar y detener.

Aumentar antes que sustituir La evidencia inicial muestra ganancias especialmente claras cuando la IA amplía a personas en tareas delimitadas. El enfoque de aumento conserva conocimiento humano y crea oportunidades de aprendizaje. La sustitución completa exige una confiabilidad y una capacidad de manejar Esto no significa que ningún puesto cambiará. Las tareas repetibles pueden reducirse y la organización puede requerir menos tiempo para ciertos productos. La transición responsable debe anticipar capacitación, reasignación y diseño del trabajo. La productividad no debe financiarse mediante riesgos ocultos para trabajadores y clientes.

Escala y dependencia La escala aumenta el beneficio y el costo del error. Una respuesta equivocada enviada una vez puede corregirse; una respuesta integrada a miles de interacciones puede dañar reputación y crear obligaciones. Antes de escalar, la empresa necesita pruebas, monitoreo, límites y capacidad de reversión.

También existe riesgo de dependencia del proveedor. Los precios, modelos y condiciones pueden cambiar. La arquitectura debe separar datos, reglas y flujos críticos de una interfaz específica. Los contratos y el diseño técnico deben facilitar exportación, reemplazo y continuidad.

Implicaciones para investigación Se necesitan estudios longitudinales que midan efectos sobre ingresos, márgenes, calidad, innovación y empleo después de la fase inicial. La investigación debe incluir microempresas, idiomas distintos del inglés, sectores regulados y contextos con conectividad limitada. También conviene estudiar cómo cambia el aprendizaje cuando las personas dependen de asistentes desde el inicio de su carrera.

Otro campo relevante es la gobernanza proporcional. Las grandes organizaciones pueden sostener comités y equipos especializados; las pymes necesitan controles simples que no bloqueen la innovación. Evaluar qué combinación de políticas, formación y herramientas reduce incidentes con un costo razonable sería de gran utilidad para América Latina.

Conclusiones La inteligencia artificial ya puede mejorar el desempeño en tareas empresariales concretas. La evidencia muestra reducciones de tiempo, mejoras de calidad y aprendizaje acelerado, especialmente cuando el problema está bien definido y existe capacidad de verificación. También demuestra que el rendimiento es irregular y que la confianza indebida puede empeorar resultados.

El crecimiento empresarial no proviene de la herramienta de manera automática. Aparece cuando las mejoras de tarea se conectan con una restricción de negocio, una capacidad nueva o una mejor experiencia para el cliente. Esta conexión requiere rediseñar procesos, formar personas, organizar datos, proteger información y medir resultados completos.

Las empresas deben comenzar pequeñas y pensar de forma sistémica. Un piloto acotado permite observar dónde funciona la IA y dónde falla. La escala debe depender de evidencia, no de presión comercial ni entusiasmo. El responsable humano conserva la obligación de explicar y corregir decisiones.

Para las pymes de América Latina, la IA puede reducir barreras de entrada y ampliar capacidad.

La oportunidad será desigual si no se atienden conectividad, habilidades, formalización y para formar talento y producir conocimiento aplicado al contexto regional.

La ventaja competitiva sostenible no será poseer la misma herramienta que todos. Será construir una organización que aprende con ella sin renunciar a su criterio. La IA debe aumentar la capacidad humana, convertir conocimiento en mejores procesos y liberar tiempo para decisiones, relaciones e innovación. Cuando esos elementos se gobiernan con responsabilidad, la tecnología puede convertirse en una infraestructura real de crecimiento.

Apéndice A Política mínima de uso empresarial Objetivo Establecer condiciones básicas para utilizar herramientas de inteligencia artificial de manera segura, responsable y medible dentro de la organización.

Reglas mínimas

• Utilizar únicamente herramientas aprobadas por la organización para trabajo institucional.
• No ingresar credenciales, datos sensibles, secretos comerciales, expedientes, contratos

confidenciales ni información personal sin autorización y controles específicos.

• Verificar hechos, cifras, fuentes, código y recomendaciones antes de utilizarlos o

comunicarlos.

• Mantener revisión humana en decisiones que afecten derechos, dinero, empleo, salud,

seguridad o cumplimiento.

• Informar al responsable del proceso sobre errores, respuestas peligrosas, filtraciones o

comportamientos inesperados.

• Documentar el uso de IA en procesos de riesgo moderado o alto y conservar trazabilidad

suficiente.

• Respetar propiedad intelectual, licencias, derechos de autor y atribución.
• No presentar contenido generado como testimonio, evidencia, cita o dato real si no ha sido

comprobado.

• Revisar periódicamente accesos, proveedores, costos, calidad y vigencia del caso de uso.
• Suspender la herramienta cuando el riesgo supere el beneficio o no exista capacidad de

control.

Apéndice B Ficha de evaluación de un caso de uso Campo Pregunta de evaluación Problema ¿Qué demora, costo, error u oportunidad se quiere atender?

Usuario ¿Quién ejecutará la tarea y quién recibirá el resultado?

Tarea ¿Qué parte concreta del proceso realizará o apoyará la IA?

Línea base ¿Cuánto tiempo, costo y calidad tiene el proceso actual?

Datos ¿Qué información se utilizará y cuál es su clasificación?

Riesgo ¿Qué ocurre si la respuesta es incorrecta, sesgada o se filtra?

Revisión ¿Quién verificará y con qué criterio?

Métrica ¿Qué resultado de negocio demostrará valor?

Umbral ¿Qué valor mínimo justifica mantener o escalar?

Propietario ¿Quién responde por operación, calidad e incidentes?

Decisión ¿Se detiene, rediseña, mantiene limitado o escala?

Referencias Asamblea Nacional del Ecuador. (2021). Ley Orgánica de Protección de Datos Personales. Registro Oficial Quinto Suplemento 459, 26 de mayo de 2021.

Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., y Roberts, K. (2024). Artificial Babina, T., Fedyk, A., He, A., y Hodson, J. (2024). Artificial intelligence firm growth and product innovation.

140(2), 889-942. https://doi.org/10.1093/qje/qjae044 Brynjolfsson, E., Rock, D., y Syverson, C. (2021). The productivity J curve how intangibles complement general purpose technologies. American Economic Journal Macroeconomics, 13(1), 333-372. https://doi.org/10.1257/mac.20180386 entrepreneurship. OECD Artificial Intelligence Papers No. 39. OECD Publishing.

ai-on-productivity-innovation-and-entrepreneurship_da1d085d/b21df222-en.pdf Cohen, W. M., y Levinthal, D. A. (1990). Absorptive capacity a new perspective on learning and innovation.

Administrative Science Quarterly, 35(1), 128-152. https://doi.org/10.2307/2393553 Dell Acqua, F., McFowland, E., Mollick, E. R., Lifshitz Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., y Lakhani, K. R. (2026). Navigating the jagged technological frontier field experimental Organization Science, 37(2), 403-423. https://doi.org/10.1287/orsc.2025.21838 Doshi, A. R., y Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective Gmyrek, P., y Winkler, H. (2024). Buffer or bottleneck employment exposure to generative AI and the digital divide in Latin America. Policy Research Working Paper 10863. World Bank.

https://doi.org/10.1596/1813-9450-10863 intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586 Artificial Intelligence Papers No. 22. OECD Publishing. https://doi.org/10.1787/2476b1a4-en evidence from GitHub Copilot. arXiv. https://doi.org/10.48550/arXiv.2302.06590 Tabassi, E. (2023). Artificial Intelligence Risk Management Framework AI RMF 1.0. NIST AI 100-1. National enterprise performance. Strategic Management Journal, 28(13), 1319-1350.

https://doi.org/10.1002/smj.640 Strategic Information Systems, 28(2), 118-144. https://doi.org/10.1016/j.jsis.2019.01.003

Sobre el autor Terry Alexander Mendieta Guachichulca es ingeniero en Informática y Multimedia, con formación de posgrado en ciberseguridad, gestión y gerencia. Se desempeña en desarrollo web y móvil, seguridad de aplicaciones, dirección de proyectos y gestión empresarial.

Es gerente y fundador de iniciativas vinculadas con tecnología, comunicación, formación empresarial, producción de contenidos y coordinación de equipos multidisciplinarios. También ejerce como perito informático acreditado en Loja.

Su interés en inteligencia artificial se centra en su aplicación responsable para ampliar capacidades humanas, fortalecer organizaciones locales y crear soluciones tecnológicas con impacto verificable.