DOI: https://doi.org/10.56712/latam.v7i2.5579  
Automatización inteligente: el impacto de la IA en la gestión y  
optimización de procesos empresariales  
Intelligent automation: how artificial intelligence transforms business  
process management and optimization  
Maria Teodolinda Ortega Ovalle  
maria.ortegao@up.ac.pa  
https://orcid.org/0009-0000-3629-9751  
Universidad de Panamá  
Panamá  
Artículo recibido: 19 de noviembre de 2025. Aceptado para publicación: 26 de marzo de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
La automatización inteligente se ha consolidado entre 2000 y 2025 como uno de los pilares  
conceptuales de la transformación digital, integrando técnicas de automatización robótica de  
procesos, inteligencia artificial, análisis avanzado y sistemas autónomos capaces de ejecutar tareas  
complejas sin intervención humana directa. Este artículo desarrolla un análisis teórico exhaustivo  
sobre, los fundamentos conceptuales de la automatización inteligente y su impacto en la gestión y  
optimización de procesos empresariales. A partir de una metodología teórica mixta que combina  
revisión narrativa especializada, análisis conceptual y comparación estructurada de modelos, se  
examinan los principios que sustentan la automatización inteligente, incluyendo la cognición  
algorítmica, la toma de decisiones autónoma, la trazabilidad operativa y la integración de datos en  
tiempo real. Los resultados teóricos muestran que la automatización inteligente no constituye  
únicamente una evolución de la automatización tradicional, sino un cambio paradigmático que  
redefine la relación entre tecnología, procesos y capacidades organizacionales. Asimismo, se  
discuten desafíos como la gobernanza algorítmica, los sesgos en modelos de IA, la dependencia  
tecnológica y las implicaciones éticas de delegar decisiones críticas a sistemas autónomos. El  
artículo concluye que la automatización inteligente es un componente estratégico para la  
competitividad empresarial, pero requiere marcos conceptuales sólidos y una comprensión profunda  
de sus implicaciones.  
Palabras clave: automatización inteligente, inteligencia artificial, optimización de procesos,  
sistemas autónomos, transformación digital, gobernanza algorítmica  
Abstract  
Intelligent automation has become, between 2000 and 2025, a central pillar of digital transformation,  
integrating robotic process automation, artificial intelligence, advanced analytics, and autonomous  
systems capable of executing complex tasks without direct human intervention. This article presents  
an extensive theoretical analysis of the conceptual foundations of intelligent automation and its  
impact on the management and optimization of business processes. Using a mixed theoretical  
methodology, combining narrative review, conceptual analysis, and structured model comparison, the  
study examines the principles underlying intelligent automation, including algorithmic cognition,  
autonomous decision-making, operational traceability, and real-time data integration. The theoretical  
findings indicate that intelligent automation is not merely an evolution of traditional automation but a  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 711.  
paradigm shift that redefines the relationship between technology, processes, and organizational  
capabilities. Challenges such as algorithmic governance, AI bias, technological dependency, and the  
ethical implications of delegating critical decisions to autonomous systems are also discussed. The  
article concludes that intelligent automation is a strategic component of business competitiveness  
but requires solid conceptual frameworks and a deep understanding of its implications.  
Keywords: Intelligent automation, artificial intelligence, process optimization, autonomous  
systems, digital transformation, algorithmic governance  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,  
publicado en este sitio está disponibles bajo Licencia Creative Commons.  
Cómo citar: Ortega Ovalle, M. T. (2026). Automatización inteligente: el impacto de la IA en la gestión  
y optimización de procesos empresariales. LATAM Revista Latinoamericana de Ciencias Sociales y  
Humanidades 7 (2), 712 – 720. https://doi.org/10.56712/latam.v7i2.5579  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 712.  
INTRODUCCIÓN  
La automatización inteligente ha emergido como uno de los conceptos más influyentes en la  
transformación digital contemporánea, redefiniendo la forma en que las organizaciones diseñan,  
ejecutan y optimizan sus procesos. A diferencia de la automatización tradicional, centrada en la  
ejecución mecánica de tareas repetitivas mediante reglas predefinidas, la automatización inteligente  
integra capacidades cognitivas basadas en inteligencia artificial, lo que permite interpretar  
información, aprender de los datos, tomar decisiones autónomas y adaptarse a contextos cambiantes.  
Este cambio conceptual ha sido impulsado por avances significativos en aprendizaje automático,  
procesamiento de lenguaje natural, visión computacional y análisis predictivo, así como por la creciente  
disponibilidad de datos y la madurez de las plataformas tecnológicas.  
Entre 2000 y 2025, la automatización inteligente ha adquirido un papel central en la estrategia  
empresarial debido a la necesidad de mejorar la eficiencia operativa, reducir costos, aumentar la  
trazabilidad y responder a entornos altamente dinámicos. La pandemia de COVID‑19 aceleró la  
adopción de tecnologías digitales y evidenció la importancia de contar con procesos resilientes  
capaces de operar con mínima intervención humana. En este contexto, la automatización inteligente  
se ha convertido en un habilitador clave para garantizar continuidad operativa, gestionar flujos de  
trabajo complejos y optimizar la toma de decisiones en tiempo real.  
El impacto de la automatización inteligente no se limita a la eficiencia operativa. Su adopción implica  
una reconfiguración profunda de las capacidades organizacionales, la estructura de los procesos y la  
relación entre humanos y sistemas tecnológicos. La automatización inteligente introduce nuevas  
formas de colaboración entre personas y máquinas, donde los sistemas autónomos ejecutan tareas  
cognitivas y los humanos se concentran en actividades estratégicas, creativas o de supervisión. Este  
cambio plantea desafíos conceptuales relacionados con la gobernanza algorítmica, la ética de la  
inteligencia artificial, la transparencia de los modelos y la responsabilidad en la toma de decisiones  
automatizadas.  
El propósito de este artículo es desarrollar un análisis teórico exhaustivo sobre la automatización  
inteligente y su impacto en la gestión y optimización de procesos empresariales. A través de una  
metodología teórica mixta, se examinan los fundamentos conceptuales de la automatización  
inteligente, se analizan sus implicaciones para la gestión organizacional y se discuten los desafíos y  
tensiones que surgen en su adopción.  
El enfoque es estrictamente teórico y busca construir un marco conceptual sólido que permita  
comprender la evolución de la automatización en la era de la inteligencia artificial.  
METODOLOGÍA  
La metodología utilizada en este artículo es estrictamente teórica y se basa en un enfoque mixto que  
combina revisión narrativa especializada, análisis conceptual y comparación estructurada de modelos.  
Este enfoque permite construir un marco interpretativo robusto sin recurrir a datos empíricos, lo cual  
es coherente con el objetivo de desarrollar un análisis teórico profundo sobre la automatización  
inteligente.  
La revisión narrativa especializada constituye el primer componente metodológico. Este tipo de  
revisión permite integrar diversas fuentes de conocimiento, incluyendo artículos científicos, libros  
académicos e informes técnicos de organismos de alta autoridad. La revisión se centra en literatura  
publicada entre 2020 y 2025, lo que permite capturar las tendencias más recientes en automatización  
inteligente. A diferencia de una revisión sistemática, la revisión narrativa no busca exhaustividad, sino  
identificar patrones conceptuales, corrientes teóricas y debates relevantes.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 713.  
El análisis conceptual constituye el segundo componente metodológico. Este análisis se orienta a  
identificar los conceptos clave que estructuran la automatización inteligente, así como las relaciones,  
tensiones y supuestos que los sustentan. El análisis conceptual permite construir un marco teórico  
coherente que integra principios como cognición algorítmica, autonomía operativa, trazabilidad y  
gobernanza algorítmica.  
La comparación estructurada constituye el tercer componente metodológico. Este enfoque permite  
sintetizar las características, ventajas y limitaciones de distintos modelos de automatización mediante  
tablas comparativas y análisis cualitativos. La comparación se basa en criterios teóricos derivados de  
la literatura, como capacidad cognitiva, autonomía, complejidad operativa y riesgos éticos.  
La combinación de estos tres componentes metodológicos permite articular un enfoque teórico mixto  
que va más allá de la descripción de tecnologías y se orienta a la construcción de un marco  
interpretativo robusto. Este enfoque es adecuado para analizar fenómenos complejos y dinámicos  
como la automatización inteligente, donde la comprensión conceptual es tan importante como la  
evidencia empírica.  
DESARROLLO  
El marco teórico de la automatización inteligente se articula en torno a la convergencia de tres  
dominios conceptuales: la automatización robótica de procesos, la inteligencia artificial y la gestión de  
procesos empresariales. La literatura reciente destaca que la automatización inteligente no puede  
entenderse como una simple extensión de la automatización tradicional, sino como un paradigma  
emergente que integra capacidades cognitivas y autonomía operativa.  
El primer dominio conceptual es la automatización robótica de procesos (RPA), que permite  
automatizar tareas repetitivas mediante reglas predefinidas. Aunque RPA ha sido ampliamente  
adoptado por su capacidad para reducir errores y mejorar la eficiencia, sus limitaciones se hacen  
evidentes en entornos dinámicos donde las reglas no son suficientes para gestionar la complejidad.  
La automatización inteligente supera estas limitaciones al integrar algoritmos de aprendizaje  
automático que permiten interpretar datos no estructurados, reconocer patrones y tomar decisiones  
basadas en modelos predictivos.  
El segundo dominio es la inteligencia artificial, que proporciona las capacidades cognitivas necesarias  
para que los sistemas autónomos puedan comprender, razonar y aprender. El aprendizaje automático  
permite construir modelos que se ajustan a los datos y mejoran su desempeño con el tiempo. El  
procesamiento de lenguaje natural permite interpretar textos, correos electrónicos y documentos,  
mientras que la visión computacional permite analizar imágenes y videos. Estas capacidades amplían  
el alcance de la automatización más allá de las tareas estructuradas y permiten automatizar procesos  
que antes requerían juicio humano.  
El tercer dominio es la gestión de procesos empresariales, que proporciona el marco conceptual para  
diseñar, ejecutar y optimizar procesos organizacionales. La automatización inteligente transforma la  
gestión de procesos al introducir capacidades de monitoreo en tiempo real, análisis predictivo y toma  
de decisiones autónoma. Desde una perspectiva teórica, esto implica una transición desde modelos  
de gestión basados en reglas hacia modelos basados en datos y algoritmos.  
La literatura también destaca la importancia de la gobernanza algorítmica como componente central  
de la automatización inteligente. La gobernanza algorítmica se refiere a los mecanismos que permiten  
supervisar, auditar y controlar los modelos de inteligencia artificial utilizados en la automatización. Este  
concepto es fundamental para garantizar la transparencia, la equidad y la responsabilidad en la toma  
de decisiones automatizadas.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 714.  
Finalmente, la automatización inteligente plantea desafíos éticos relacionados con la delegación de  
decisiones críticas a sistemas autónomos. La literatura enfatiza la necesidad de marcos éticos que  
permitan evaluar el impacto de la automatización en los trabajadores, la privacidad de los datos y la  
equidad en la toma de decisiones.  
RESULTADOS Y DISCUSIÓN  
Los resultados del análisis teórico permiten identificar cuatro dimensiones fundamentales que  
caracterizan la automatización inteligente: cognición algorítmica, autonomía operativa, trazabilidad  
integral y gobernanza algorítmica. Estas dimensiones configuran el núcleo conceptual de la  
automatización inteligente y permiten comprender su impacto en la gestión y optimización de procesos  
empresariales.  
La cognición algorítmica se refiere a la capacidad de los sistemas de automatización para interpretar  
información, reconocer patrones y tomar decisiones basadas en modelos predictivos. Esta capacidad  
permite automatizar procesos que antes requerían juicio humano, como la clasificación de  
documentos, la detección de anomalías y el análisis de sentimientos. La literatura destaca que la  
cognición algorítmica no reemplaza el juicio humano, sino que lo complementa al proporcionar  
información más precisa y oportuna.  
La autonomía operativa se refiere a la capacidad de los sistemas de automatización para ejecutar  
tareas de manera independiente, sin intervención humana directa. Esta autonomía permite gestionar  
procesos complejos y dinámicos, como la asignación de recursos, la optimización de rutas y la gestión  
de inventarios. La autonomía operativa también permite mejorar la eficiencia operativa al reducir la  
necesidad de supervisión humana.  
La trazabilidad integral se refiere a la capacidad de los sistemas de automatización para registrar y  
monitorear todas las acciones realizadas. Esta trazabilidad es fundamental para garantizar la  
transparencia, la auditoría y la responsabilidad en la toma de decisiones automatizadas. La literatura  
destaca que la trazabilidad es un componente esencial de la gobernanza algorítmica y permite  
identificar y corregir errores en los modelos de inteligencia artificial.  
La gobernanza algorítmica se refiere a los mecanismos que permiten supervisar, auditar y controlar los  
modelos de inteligencia artificial utilizados en la automatización. La gobernanza algorítmica es  
fundamental para garantizar la transparencia, la equidad y la responsabilidad en la toma de decisiones  
automatizadas. La literatura destaca que la gobernanza algorítmica es un componente esencial de la  
automatización inteligente y permite mitigar riesgos como los sesgos en los modelos de inteligencia  
artificial.  
La comparación de modelos de automatización permite identificar patrones comunes y diferencias  
significativas entre enfoques como RPA tradicional, automatización inteligente y sistemas autónomos.  
El RPA tradicional se caracteriza por su simplicidad y su capacidad para automatizar tareas repetitivas,  
pero presenta limitaciones en términos de flexibilidad y capacidad cognitiva. La automatización  
inteligente ofrece mayor flexibilidad y capacidad cognitiva, pero introduce complejidad operativa y  
riesgos éticos. Los sistemas autónomos ofrecen la mayor autonomía y capacidad cognitiva, pero  
requieren marcos de gobernanza sólidos y una comprensión profunda de sus implicaciones éticas.  
La discusión teórica sugiere que la automatización inteligente no se define por una tecnología  
específica, sino por la convergencia de capacidades cognitivas, autonomía operativa, trazabilidad  
integral y gobernanza algorítmica. La adopción de la automatización inteligente implica un cambio  
profundo en la forma de concebir los procesos empresariales, que pasan de ser estructuras estáticas  
a convertirse en sistemas dinámicos capaces de adaptarse a cambios en el entorno.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 715.  
Los resultados del análisis teórico sobre la automatización inteligente en la gestión y optimización de  
procesos empresariales se estructuran en torno a cuatro tablas comparativas. Cada tabla sintetiza  
dimensiones clave del impacto de la inteligencia artificial en los procesos, y su interpretación permite  
articular una discusión crítica sobre los cambios estructurales que introduce este paradigma en la  
gestión organizacional.  
Tabla 1  
Comparación entre tipos de automatización en procesos empresariales  
Tipo de  
automatización  
Grado de  
intervención  
humana  
Alta  
Capacidad de  
aprendizaje  
Adaptabilidad  
al cambio  
Complejidad de  
implementación  
Automatización  
tradicional alta  
RPA (automatización  
robótica de procesos)  
Automatización  
inteligente basada en  
IA  
Nula  
Baja  
Alta  
Baja  
Media  
Alta  
Media  
Media  
Alta  
Media  
Baja  
Fuente: elaboración propia.  
La Tabla 1 muestra la transición desde esquemas de automatización tradicional hacia modelos de  
automatización inteligente basados en IA. La automatización tradicional se caracteriza por una alta  
dependencia de la intervención humana, ausencia de capacidades de aprendizaje y baja adaptabilidad  
al cambio, lo que limita su impacto en entornos dinámicos. La RPA introduce una reducción parcial de  
la intervención humana y una mayor capacidad para estandarizar tareas, pero su capacidad de  
aprendizaje sigue siendo limitada. En contraste, la automatización inteligente basada en IA se distingue  
por una baja intervención humana, una alta capacidad de aprendizaje y una elevada adaptabilidad, lo  
que la convierte en un mecanismo estructural para la optimización continua de procesos. Este  
contraste evidencia que el salto cualitativo no es solo tecnológico, sino conceptual: la automatización  
deja de ser un mecanismo rígido para convertirse en un sistema adaptativo.  
Tabla 2  
Impacto de la automatización inteligente en indicadores de gestión de procesos  
Indicador  
Escenario sin IA  
Escenario con automatización  
inteligente basada en IA  
Tiempo de ciclo de proceso  
Tasa de error operativo  
Trazabilidad de actividades  
Capacidad de monitoreo en tiempo real  
Flexibilidad ante cambios en la  
demanda  
Alto  
Media o alta  
Baja  
Reducido  
Baja  
Alta  
Alta  
Media o alta  
Baja  
Baja  
Fuente: elaboración propia.  
La Tabla 2 sintetiza el impacto de la automatización inteligente en indicadores clave de gestión de  
procesos. En escenarios sin IA, el tiempo de ciclo suele ser elevado, la tasa de error se mantiene en  
niveles medios o altos y la trazabilidad es limitada, lo que dificulta la supervisión y el control. La  
introducción de automatización inteligente permite reducir significativamente los tiempos de ciclo,  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 716.  
disminuir la tasa de error y aumentar la trazabilidad y el monitoreo en tiempo real. La flexibilidad ante  
cambios en la demanda también se ve incrementada, aunque su nivel depende del grado de integración  
entre los sistemas de IA y la arquitectura organizacional. Estos resultados refuerzan la idea de que la  
automatización inteligente no solo optimiza tareas aisladas, sino que transforma la capacidad de  
gestión integral de los procesos.  
Tabla 3  
Áreas funcionales y nivel de impacto de la automatización inteligente  
Área funcional  
Finanzas  
Nivel de impacto  
Principales efectos observados  
Automatización de conciliaciones, detección de anomalías,  
mejora en la precisión de reportes  
Alto  
Operaciones  
Alto  
Alto  
Optimización de flujos, reducción de tiempos muertos,  
asignación dinámica de recursos  
Mejora en tiempos de respuesta, personalización de  
interacciones, disponibilidad continua  
Atención al  
cliente  
Recursos  
humanos  
Logística  
Medio  
Alto  
Automatización de procesos administrativos, apoyo en  
selección y evaluación  
Mejora en planificación, seguimiento en tiempo real,  
optimización de rutas  
Fuente: elaboración propia.  
La Tabla 3 presenta el nivel de impacto de la automatización inteligente en distintas áreas funcionales.  
Finanzas, operaciones, atención al cliente y logística muestran un impacto alto, lo que se explica por la  
naturaleza repetitiva, intensiva en datos y altamente estructurada de muchos de sus procesos. En estas  
áreas, la IA permite automatizar tareas complejas, mejorar la precisión de la información y habilitar  
capacidades de respuesta en tiempo real. En recursos humanos, el impacto es medio, dado que una  
parte importante de sus procesos sigue requiriendo juicio humano, aunque la automatización  
inteligente contribuye significativamente en tareas administrativas y analíticas. El análisis de esta tabla  
permite concluir que la automatización inteligente no se distribuye de manera homogénea en la  
organización, sino que su impacto depende de la estructura de los procesos y del grado de  
formalización de la información.  
Tabla 4  
Riesgos asociados a la automatización inteligente y mecanismos de mitigación  
Riesgo  
Dependencia excesiva  
de sistemas  
automatizados  
Opacidad algorítmica  
Descripción  
Mecanismo de mitigación  
Diseño de planes de contingencia,  
capacitación continua y  
supervisión humana estratégica  
Implementación de modelos  
explicables y políticas de  
Riesgo de pérdida de capacidades  
críticas humanas y vulnerabilidad  
ante fallos sistémicos  
Dificultad para explicar decisiones  
tomadas por sistemas de IA  
transparencia algorítmica  
Revisión sistemática de datos,  
auditorías algorítmicas y  
Sesgos en los datos  
Reproducción de inequidades o  
errores históricos en los procesos  
gobernanza de datos  
Resistencia al cambio  
organizacional  
Rechazo o desconfianza hacia la  
automatización por parte del  
personal  
Estrategias de gestión del cambio,  
comunicación clara y participación  
activa de los equipos  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 717.  
Fuente: elaboración propia.  
La Tabla 4 aborda los riesgos teóricos y prácticos asociados a la automatización inteligente y los  
mecanismos de mitigación correspondientes. La dependencia excesiva de sistemas automatizados  
puede generar vulnerabilidades críticas si no se preservan capacidades humanas estratégicas y planes  
de contingencia. La opacidad algorítmica plantea desafíos éticos y de gobernanza, especialmente  
cuando las decisiones automatizadas afectan procesos sensibles. Los sesgos en los datos  
constituyen un riesgo estructural que puede comprometer la equidad y la calidad de las decisiones.  
Finalmente, la resistencia al cambio organizacional evidencia que la automatización inteligente no es  
solo un fenómeno tecnológico, sino también cultural. El análisis de esta tabla refuerza la necesidad de  
abordar la automatización inteligente desde una perspectiva integral que combine diseño técnico,  
gobernanza de datos y gestión del cambio.  
En conjunto, las cuatro tablas permiten articular una discusión sólida sobre el impacto de la  
automatización inteligente en la gestión y optimización de procesos empresariales. Los resultados  
muestran que la IA transforma la naturaleza de la automatización, incrementa la capacidad de  
adaptación y mejora indicadores clave de desempeño, pero también introduce nuevos riesgos que  
requieren marcos de gobernanza y estrategias organizacionales robustas. Estas evidencias respaldan  
la tesis central del artículo: la automatización inteligente no debe entenderse únicamente como una  
herramienta de eficiencia, sino como un componente estructural de la arquitectura de gestión en las  
organizaciones contemporáneas.  
CONCLUSIÓN  
La automatización inteligente representa un cambio paradigmático en la gestión y optimización de  
procesos empresariales. Este cambio no se limita a la adopción de nuevas tecnologías, sino que  
implica una transformación conceptual que redefine la relación entre tecnología, procesos y  
capacidades organizacionales. Las dimensiones de cognición algorítmica, autonomía operativa,  
trazabilidad integral y gobernanza algorítmica constituyen el núcleo conceptual de la automatización  
inteligente y permiten construir sistemas adaptativos, robustos y alineados con las exigencias de la  
economía digital.  
El análisis teórico desarrollado en este artículo muestra que la automatización inteligente permite  
mejorar la eficiencia operativa, garantizar la continuidad del negocio y responder de manera ágil a  
cambios en el entorno. Sin embargo, la transición hacia la automatización inteligente no está exenta  
de desafíos. La complejidad operativa, la necesidad de nuevas capacidades organizacionales y los  
riesgos asociados a los sesgos en los modelos de inteligencia artificial requieren estrategias de  
adopción cuidadosamente planificadas.  
Desde una perspectiva teórica, se abre un campo fértil para seguir profundizando en modelos de  
gobernanza algorítmica, marcos éticos y patrones de diseño que permitan orientar decisiones en  
contextos específicos. La evolución de la automatización inteligente continuará impulsando la  
transformación de los procesos empresariales, y su adopción se consolidará como un componente  
esencial de la infraestructura organizacional contemporánea.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 718.  
REFERENCIAS  
Abadi, D. J. (2012). Consistency tradeoffs in modern distributed database system design: CAP is only  
part of the story. Communications of the ACM, 59(4), 37–42. https://doi.org/10.1109/MC.2012.33  
Bass, L., Clements, P., & Kazman, R. (2021). Software architecture in practice (4th ed.). Addison-Wesley.  
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W. W.  
Norton & Company.  
Chang, F., Dean, J., Ghemawat, S., Hsieh, W. C., Wallach, D. A., Burrows, M., Chandra, T., Fikes, A., &  
Gruber, R. E. (2006). Bigtable: A distributed storage system for structured data. En Proceedings of the  
7th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’06) (pp. 205–218).  
USENIX Association.  
Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the  
future of marketing. Journal of the Academy of Marketing Science, 48(1), 24–42.  
https://doi.org/10.1007/s11747-019-00696-0  
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. MIT Sloan Management  
Review, 59(3), 34–42.  
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data  
Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1  
García-Molina, H., Ullman, J. D., & Widom, J. (2020). Database systems: The complete book (3rd ed.).  
Pearson.  
Huang, M. H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal  
of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9  
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets,  
31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2  
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine  
Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2  
Kitchin, R. (2021). The data revolution: Big data, open data, data infrastructures and their consequences.  
Sage. https://doi.org/10.4135/9781473909472  
Kotter, J. P. (2012). Leading change. Harvard Business Review Press.  
Lacity, M., & Willcocks, L. (2018). Robotic process automation and cognitive automation: The next  
phase. SB Publishing.  
Stonebraker, M. (2010, April 5). Errors in database systems, eventual consistency, and the CAP theorem.  
Communications of the ACM. http://cacm.acm.org/blogs/blog-cacm/83396-errors-in-database-  
systems-eventual-consistency-and-the-cap-theorem  
Syed, R., Suriadi, S., Adams, M., Bandara, W., Leemans, S. J. J., Ouyang, C., & van de Weerd, I. (2020).  
Robotic process automation: Contemporary themes and challenges. Computers in Industry, 115,  
103162. https://doi.org/10.1016/j.compind.2019.103162  
van der Aalst, W. M. P., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business &  
Information Systems Engineering, 60(4), 269–272. https://doi.org/10.1007/s12599-018-0542-4  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 719.  
Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading digital: Turning technology into business  
transformation. Harvard Business Review Press.  
Yandamuri, U. S. (2026). Arquitectura de sistemas integrados para industrias modernas. Deep Science  
Publishing. https://doi.org/10.70593/978-93-7185-114-5_2  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este  
sitio está disponibles bajo Licencia Creative Commons  
.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 720.