DOI: https://doi.org/
10.56712/latam.v7i4.6408
Inteligencia artificial en nuevos emprendimientos: revisión
crítica del desempeño empresarial
Artificial intelligence in new ventures: a critical review of business
performance
Elisa Amelia Cisneros Prieto
1
1
Autor de correspondencia.
elisa.cisneros.prieto@upacifico.edu.ec
https://orcid.org/0000-0002-6211-392X
Universidad del Pacífico
Guayaquil – Ecuador
Ricarte Francisco Carreño Calderón
carreno_ricarte@hotmail.com
https://orcid.org/0009-0001-5080-0968
Investigador independiente
Guayaquil – Ecuador
Daniela María Terán Muñoz
tdaniela@tecnologicoargos.edu.ec
https://orcid.org/0000-0002-4761-2771
Tecnológico Universitario ARGOS
Guayaquil – Ecuador
José Eduardo Ayala Tandazo
jayalat@eespppiura.edu.pe
https://orcid.org/0000-0002-4168-5574
EESPP "PIURA" PERÚ
Piura – Perú
Artículo recibido: 03 de abril 2026. Aceptado para publicación: 03 de septiembre de 2026.
Conflictos de Interés: Ninguno que declarar.
Resumen
La presente revisión tuvo como objetivo analizar la relación entre adoptar herramientas de IA y el
desempeño empresarial de los nuevos emprendimientos, a fin de proponer lineamientos estratégicos.
Se revisó críticamente la literatura publicada entre 2021 y 2026 con un enfoque cualitativo de tipo
documental, se registró cada publicación en una matriz de análisis documental y la información fue
procesada
mediante
análisis
de
contenido
temático
organizado
en
cuatro
categorías.
La
revisión
identificó cinco herramientas con eficacia documentada, la IA generativa, el aprendizaje automático,
la analítica predictiva, los sistemas de inteligencia de negocios y los chatbots inteligentes, y mostró
que sus beneficios sobre la productividad, la eficiencia operativa, la innovación y la competitividad
dependen menos de la herramienta que de la organización que la adopta. Formar digitalmente al
equipo, liderar el cambio, cuidar la calidad de los datos y alinear la tecnología con la estrategia explican
por qué emprendimientos con recursos similares obtienen resultados distintos. Con estos hallazgos
el
estudio
construyó
el
Modelo
Estratégico
para
la
Adopción
de
Inteligencia
Artificial
en
Nuevos
Emprendimientos (MEAINE), que ordena la incorporación de estas tecnologías en cinco componentes,
del
diagnóstico
organizacional
a
la
evaluación
continua,
y
concluye
que
la
IA
fortalece
al
emprendimiento en la medida en que este desarrolla la capacidad de aprovecharla.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2413.
Palabras
clave:
inteligencia
artificial,
desempeño
empresarial,
nuevos
emprendimientos,
transformación digital
Abstract
This review aimed to analyze the relationship between the adoption of artificial intelligence (AI) tools
and
the
business
performance
of
new
ventures
in
order
to
propose
strategic
guidelines
for
their
implementation. A critical review of the literature pub
lished between 2021 and 2026 was conducted
using a qualitative documentary approach. Each publication was recorded in a documentary analysis
matrix, and
the information was processed through thematic
content analysis
organized into four
categories. The rev
iew identified five tools with documented effectiveness: generative AI, machine
learning,
predictive
analytics,
business
intelligence
systems,
and
intelligent
chatbots.
The
findings
showed
that
their
effects
on
productivity,
operational
efficiency,
innovat
ion,
and
competitiveness
depend less on the specific technology than on the organizational conditions under which it is adopted.
Digital
workforce
training,
change
-
oriented
leadership,
data
quality
management,
and
alignment
between
technology
and
business
strategy
explain
why
ventures
with
similar
resources
achieve
different outcomes. Based on these findings, the study developed the Strategic Model for the Adoption
of
Artificial
Intelligence
in
New
Ventures
(MEAINE),
which
structures
the
incorporation
of
th
ese
technologies into five components, ranging from organizational diagnosis to continuous evaluation.
The
study
concludes
that
AI
strengthens
new
ventures
to
the
extent
that
they
develop
the
organizational capabilities required to use it effectively.
Keywords:
artificial intelligence, business performance, new ventures, digital transformation
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia
Creative Commons
.
Cómo citar: Cisneros Prieto, E. A., Carreño Calderón, R. F., Terán Muñoz, D. M., & Ayala Tandazo, J. E.
(2026). Inteligencia artificial en nuevos emprendimientos: revisión crítica del desempeño empresaria.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 7 (4), 2413 – 2432.
https://doi.org/10.56712/latam.v7i4.6408
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2414.
INTRODUCCIÓN
Las empresas ya no compiten como lo hacían hace una década, pues la digitalización modificó la
manera de asignar recursos, de vender y de relacionarse con los clientes, y en medio de ese proceso
la inteligencia artificial (IA) fue ganando un peso que hoy resulta difícil de ignorar en la gestión: donde
antes se necesitaban semanas de trabajo manual para revisar información comercial, un algoritmo
entrega ahora resultados en horas; donde la atención al cliente dependía del horario de oficina, un
asistente automatizado responde a cualquier hora. Empresas de todos los tamaños han incorporado
este tipo de soluciones, aunque con resultados desiguales.
El fenómeno interesa aquí por un motivo puntual, y es que los nuevos emprendimientos, que operan
casi siempre con poco capital, equipos reducidos y una infraestructura tecnológica mínima, son al
mismo tiempo quienes más podrían ganar con estas herramientas y quienes menos margen tienen
para
equivocarse
al
adoptarlas;
una
corporación
grande
puede
absorber
el
costo
de
un
proyecto
tecnológico fallido, mientras que un emprendimiento en sus primeros años difícilmente sobrevive a
ese tropiezo.
La literatura disponible describe con detalle qué hace cada herramienta y con mucha menos frecuencia
cómo se la incorpora a una organización que apenas tiene equipo, y ese desnivel es el que este artículo
intenta
corregir;
la
evidencia
reciente
se
revisa
aquí
de
manera
crítica
para
extraer
criterios
de
implementación
pensados
para
organizaciones
emergentes,
que
son
los
que
sostienen
el
modelo
estratégico propuesto en las secciones finales.
La producción empírica sobre inteligencia artificial en la gestión empresarial acumula ya resultados
obtenidos con muestras amplias: Abrokwah-Larbi & Awuku-Larbi (2024) midieron en 225 pymes de
Ghana
el
efecto
de
la
inteligencia
artificial
aplicada
al
marketing
sobre
cuatro
dimensiones
del
desempeño,
la
financiera,
la
relación
con
los
clientes,
los
procesos
internos
y
el
aprendizaje
organizacional,
con mejoras significativas en
las
cuatro; Ardito
et al. (2025) ampliaron la escala a
11.429 pymes europeas y hallaron una mayor probabilidad de crecimiento en los ingresos, con un
efecto que se intensifica cuando la tecnología opera junto al internet de las cosas y a la analítica de
grandes datos y que resulta más moderado cuando se incorpora de manera aislada; y Adekunle et al.
(2024)
centraron
el
análisis
en
empresas
de
reciente
creación,
donde
registraron
asociaciones
positivas entre la integración de estas herramientas, el crecimiento de los ingresos y el desarrollo de
productos.
El crecimiento de esa producción no ha venido acompañado de integración: Schwaeke et al. (2025)
revisaron 106 artículos arbitrados sobre adopción de inteligencia artificial en empresas pequeñas y los
distribuyeron
en
ocho
agrupaciones
temáticas,
entre
ellas
la
compatibilidad
con
los
sistemas
instalados,
la
infraestructura
disponible,
el
conocimiento
acumulado,
los
recursos
financieros
y
la
cultura organizacional, sin que el conjunto permite establecer cómo emplean estas herramientas las
empresas
pequeñas
en
su
operación
cotidiana;
Ayinaddis
(2025)
obtuvo
un
resultado
equivalente
mediante
revisión
sistemática
y
análisis
bibliométrico
de
la
producción
indexada,
al
comparar
la
dinámica de adopción de las pymes con la de las grandes corporaciones y comprobar que los hallazgos
se acumulan sin converger en un cuerpo de conocimiento articulado.
Ordenar esa evidencia dispersa exige dos preguntas, y ninguna se contesta con la teoría de la otra. La
primera indaga por qué una empresa decide incorporar una tecnología, o por qué la deja pasar, y la
segunda llega más tarde; cuando la herramienta ya está adentro, por qué a unas organizaciones les
mejora el desempeño y a otras no.
El
primero
es
el
marco
tecnología–organización–entorno
(TOE),
formulado
originalmente
por
Tornatzky y Fleischer a inicios de los años noventa y convertido desde entonces en el instrumento más
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2415.
utilizado para estudiar la adopción de tecnología en las empresas; la investigación reciente sobre IA lo
mantiene plenamente vigente, como muestran Sánchez et al. (2025), quienes lo aplicaron al análisis
de la adopción de IA en pequeñas y medianas empresas e identificaron diez desafíos críticos repartidos
entre sus tres contextos: el tecnológico, que abarca la compatibilidad con los sistemas ya instalados,
la complejidad percibida de la nueva herramienta y la infraestructura y calidad de datos con que se
cuenta;
el
organizacional,
que
reúne
el
liderazgo,
los
recursos
financieros,
las
competencias
del
personal y la cultura interna; y el del entorno, que incluye la presión competitiva, la regulación y el apoyo
institucional disponible. La evidencia empírica de los últimos años confirma el poder explicativo de
esas
tres
dimensiones,
pues
Alkhatib
et
al.
(2026)
encontraron,
en
una
muestra
de
pymes
manufactureras de Jordania, que los tres contextos influyen de manera significativa en la adopción de
IA
y
que
está,
a
su
vez,
mejora
el
desempeño
sostenible;
Badghish
&
Soomro
(2024)
obtuvieron
resultados equivalentes en Arabia Saudita, con el matiz de que el tamaño de la empresa modera la
relación; y Mammadov et al. (2024) mostraron para el caso español que la formación universitaria de
quienes dirigen la empresa, la presencia de especialistas informáticos y la capacitación interna en
tecnología elevan de forma notable la probabilidad de adoptar IA, resultados que apuntan directamente
a la dimensión organizacional del marco. Hay además una razón práctica para elegirlo aquí, y es que
los factores condicionantes que la literatura viene reportando para los emprendimientos, entre ellos la
madurez digital, la calidad de datos, la formación del talento humano, la inversión tecnológica y la
cultura de innovación, encajan de manera casi directa en esos tres contextos.
La investigación reciente trasladó ese planteamiento al terreno de la inteligencia artificial: Gao et al.
(2025) analizaron el mecanismo por el que la tecnología incide sobre la capacidad de innovación y lo
situaron en la reconfiguración de los recursos internos, de manera que el efecto aparece cuando la
empresa reordena lo que ya posee y no por la sola incorporación de la herramienta; y Feng et al. (2024),
al examinar la eficiencia en innovación verde, comprobaron que las capacidades dinámicas operan
como
variable
moderadora,
puesto
que
el
efecto
de
la
inteligencia
artificial
se
intensifica
en
las
organizaciones que las tienen más desarrolladas. Ambos resultados atribuyen el rendimiento de la
tecnología a las condiciones internas de la empresa que la adopta, lo que explica que organizaciones
equipadas con herramientas equivalentes registren desempeños distintos; el enfoque procede además
de la visión basada en recursos, perspectiva desde la cual
Abrokwah-Larbi & Awuku-Larbi (2024) y
Ardito et al. (2025) midieron el efecto de la inteligencia artificial sobre el desempeño empresarial, lo
que otorga continuidad teórica al conjunto de la evidencia revisada.
Que la relación existe y es positiva es real, sin embargo, no está claro bajo qué condiciones la IA mejora
efectivamente
sus
resultados,
ni
por
qué
algunas
implementaciones
fracasan
aun
cuando
la
herramienta
elegida
era,
en
principio,
la
adecuada.
Esa
dispersión
le
resta
utilidad
práctica
al
conocimiento acumulado y deja sin responder la pregunta que este estudio aborda: ¿qué relación existe
entre la adopción de herramientas de inteligencia artificial y el desempeño empresarial en los nuevos
emprendimientos, y qué factores condicionan esa relación?
El
objetivo
general
de
esta
investigación
es
analizar,
a
partir
de
la
evidencia
científica
reciente,
la
relación entre la adopción de herramientas de inteligencia artificial y el desempeño empresarial en los
nuevos
emprendimientos,
con
el
propósito
de
proponer
lineamientos
estratégicos
que
orienten
su
implementación
y
contribuyan
al
fortalecimiento
de
la
competitividad
y
la
sostenibilidad
organizacional.
Los
objetivos
específicos
son
cuatro:
Identificar
las
principales
herramientas
de
inteligencia
artificial
utilizadas
en
los
nuevos
emprendimientos
y
analizar
sus
aplicaciones
en
la
gestión
empresarial
y
la
toma
de
decisiones.
Examinar
los
indicadores
empleados
para
evaluar
el
desempeño
empresarial
en
términos
de
eficiencia,
innovación,
competitividad
y
crecimiento
organizacional. Analizar la evidencia científica sobre la relación entre la adopción de herramientas de
IA
y
el
desempeño
empresarial,
identificando
los
factores
que
la
favorecen
o
la
limitan.
Proponer
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2416.
lineamientos estratégicos, sustentados en la literatura revisada, que orienten la adopción de la IA como
recurso para fortalecer la competitividad y la sostenibilidad de los nuevos emprendimientos.
De esta manera, la revisión abarca la literatura publicada entre 2021 y 2026, ventana que se explica por
la difusión masiva de las herramientas de inteligencia artificial generativa, un fenómeno que reorganizó
el panorama de la adopción tecnológica en las
organizaciones pequeñas y dejó buena parte de la
evidencia anterior referida a tecnologías distintas de las que hoy utilizan los emprendimientos. En el
plano conceptual el trabajo se ocupa de las aplicaciones de gestión y no del desarrollo técnico de estas
tecnologías, y de las organizaciones emergentes antes que de las corporaciones consolidadas, cuya
evidencia
se
emplea
como
término
de
comparación;
cuatro
conceptos
atraviesan
el
análisis
y
se
precisan a detalle.
Por inteligencia artificial aplicada a la gestión se entiende el desarrollo de sistemas, principalmente de
software, capaces de ejecutar tareas que requieren capacidades asociadas a la inteligencia humana,
como aprender, razonar y decidir (Sánchez et al., 2025); en el terreno de la gestión sus usos habituales
comprenden la automatización de tareas rutinarias, el pronóstico de la demanda, la personalización
del servicio al cliente, la generación de contenido y el apoyo a la toma de decisiones, funciones que se
ejecutan sobre los datos que la propia empresa produce en su operación diaria.
Los nuevos emprendimientos son empresas de creación reciente, todavía en fase de consolidación,
que operan con restricciones de capital, de personal y de infraestructura tecnológica, y que compensan
en parte esas carencias con una estructura más liviana, decisiones más rápidas y un contacto directo
con el cliente que las organizaciones establecidas suelen haber perdido (Adekunle et al., 2024); tales
características condicionan qué herramientas están a su alcance, en qué orden pueden incorporarlas
y cuánto pueden esperar de ellas.
El
desempeño
empresarial
se
entiende
aquí
como
un
constructo
multidimensional
que
abarca
la
eficiencia operativa, la innovación, la competitividad y el crecimiento organizacional, de modo que su
medición no se agota en los estados financieros, sino que incorpora la rapidez con que la empresa
decide, la calidad del servicio que entrega y su capacidad para sostener el crecimiento en el tiempo
(Abrokwah-Larbi & Awuku-Larbi, 2024; Badghish & Soomro, 2024); la medición se retoma con detalle
en la segunda categoría de la revisión.
La adopción tecnológica, finalmente, se entiende como un proceso y no como un acto puntual de
compra, pues comprende la decisión de incorporar una tecnología y su integración posterior a las
operaciones y a la estrategia; vista desde el marco TOE, está condicionada por factores tecnológicos,
organizacionales y del entorno (Alkhatib et al., 2026), y vista desde las capacidades dinámicas, su éxito
depende de cuánto logre la empresa reconfigurarse en torno a lo incorporado (Gao et al., 2025).
METODOLOGÍA
El enfoque elegido fue cualitativo, de tipo documental. Podría haberse planteado un estudio de campo
con encuestas a emprendedores, y de hecho esa es una de las recomendaciones que este trabajo deja
para el futuro; pero antes de medir hace falta saber qué medir, y en un campo que cambia tan rápido
como el de la inteligencia artificial aplicada a la gestión, con hallazgos repartidos entre disciplinas y
contextos que rara vez dialogan entre sí, lo primero que se necesita es ordenar lo que ya se sabe. Esa
es la tarea que asume esta revisión crítica. Kraus et al. (2022) han defendido que las revisiones de
literatura son estudios independientes con valor científico propio, capaces de responder preguntas que
ningún estudio individual resolvería por sí solo.
El
diseño
corresponde
a
una
revisión
crítica,
no
a
una
revisión
narrativa
ni
a
una
sistemática,
y
la
distinción importa. De la narrativa se aparta porque no se conforma con describir lo publicado, sino
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2417.
que lo interpreta, contrasta enfoques y busca huecos donde construir algo nuevo; de la sistemática
toma prestada la disciplina sin asumir todas sus exigencias, pues el proceso de búsqueda, selección y
síntesis siguió la lógica secuencial que Sauer & Seuring (2023) recomiendan para las revisiones en
investigación
de
gestión,
y
de
la
declaración
PRISMA
2020
(Page
et
al.,
2021)
se
adoptaron
los
principios de transparencia y trazabilidad, de modo que cualquier lector pueda reconstruir el camino
recorrido. El punto de llegada es un producto conceptual, el Modelo Estratégico para la Adopción de
Inteligencia Artificial en Nuevos Emprendimientos (MEAINE), armado por integración de los hallazgos
de la literatura.
La recopilación se realizó en cinco fuentes de literatura científica, Scopus y Web of Science como bases
principales por su cobertura de revistas arbitradas de alto impacto, Scielo y Dialnet para asegurar la
presencia de producción iberoamericana en español, y Google Scholar como fuente complementaria
destinada a detectar publicaciones recientes todavía no indexadas en las anteriores. Las ecuaciones
de búsqueda combinaron descriptores en español y en inglés mediante los operadores booleanos AND
y OR, con el fin de ampliar o cerrar el foco según la etapa: inteligencia artificial, artificial intelligence,
emprendimiento,
entrepreneurship,
desempeño
empresarial,
business
performance,
transformación
digital y digital transformation, articulados en expresiones del tipo (artificial intelligence AND business
performance) AND (SMEs OR startups OR new ventures).
Dos
limitaciones
acotaron
deliberadamente
el
resultado.
La
primera
es
temporal,
ya
que
solo
se
consideraron publicaciones aparecidas entre 2021 y 2026, criterio que responde a la irrupción de la IA
generativa y que deja fuera evidencia anterior cuyo objeto tecnológico difiere del actual; se admitieron
como excepción las obras fundacionales del marco tecnología–organización–entorno y del enfoque
de capacidades dinámicas, referidas en el texto por su valor histórico y citadas siempre a través de
aplicaciones recientes. La segunda es idiomática, pues la búsqueda se restringió al español y al inglés,
lenguas en las que se concentra la producción disponible sobre el tema y que la autora domina, con la
consecuencia asumida de que queda fuera la literatura publicada en otros idiomas.
Se
incluyeron
artículos
científicos
arbitrados,
libros
académicos,
capítulos
e
informes
técnicos
de
organismos
reconocidos,
siempre
que
abordaran
de
manera
directa
la
relación
entre
inteligencia
artificial, emprendimiento y desempeño empresarial y que cumplieran las dos limitaciones anteriores.
Quedaron fuera los documentos duplicados entre bases, los textos de divulgación, las noticias, las
entradas de blog y el material sin respaldo académico, así como los trabajos que rozaban el tema sin
abordarlo o cuya información resultaba demasiado delgada para el análisis, entre ellos los resúmenes
de congreso sin texto completo. La depuración se ejecutó en dos pasos, primero por título y resumen
y después por lectura completa del documento, y el corpus se cerró por
saturación informativa, es
decir, cuando las nuevas lecturas dejaron de aportar hallazgos sustancialmente distintos de los ya
registrados en la matriz de análisis.
El instrumento de registro fue una matriz de análisis documental levantada en hoja de cálculo, con una
fila por publicación y con columnas destinadas a los datos bibliográficos completos, al enfoque teórico
desde el que trabaja cada autor, al diseño metodológico que emplea, al tamaño y la procedencia de la
muestra cuando el estudio es empírico, a los resultados que reporta y al objetivo específico de esta
revisión con el que se vincula. Sobre esa matriz el trabajo avanzó en cinco etapas. La primera fue la
identificación
y
recopilación
de
la
literatura
mediante
las
ecuaciones
de
búsqueda
ya
descritas;
la
segunda, la depuración del material con los criterios de inclusión y exclusión, aplicados primero sobre
títulos
y
resúmenes
y
después
sobre
el
texto
completo;
la
tercera,
la
lectura
analítica
de
cada
documento y su vaciado en la matriz, etapa que consumió la mayor parte del tiempo porque exigía
revisar los artículos íntegros y no solo sus resúmenes; la cuarta, la organización de la información en
las cuatro categorías temáticas derivadas de los objetivos específicos; y la quinta, la síntesis crítica,
que
confrontó
los
aportes
entre
sí
y
desembocó
en
los
lineamientos
estratégicos
y
en
el
modelo
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2418.
propuesto. La Tabla 1 resume las fases con sus actividades y productos, y la Figura 1 muestra la
secuencia completa.
Tabla 1
Fases del proceso metodológico
|
Fase
|
Actividad desarrollada
|
Producto obtenido
|
|
Identificación
|
Definición del problema de investigación y
búsqueda en Scopus, Web of Science, Scielo,
Dialnet y Google Scholar
|
Base documental inicial
|
|
Selección
|
Aplicación de criterios de inclusión y
exclusión por título, resumen y texto
completo
|
Conjunto de publicaciones
pertinentes
|
|
Organización
|
Lectura analítica, valoración de la calidad y
clasificación temática en la matriz de
análisis
|
Categorías de análisis
|
|
Análisis
|
Comparación crítica e integración de los
hallazgos de la literatura
|
Síntesis de la evidencia científica
|
|
Integración
|
Elaboración de lineamientos estratégicos y
propuesta conceptual
|
Modelo estratégico para la
adopción de IA en nuevos
emprendimientos
|
Fuente:
elaboración propia con base en Page et al. (2021), Kraus et al. (2022) y Sauer & Seuring (2023).
Figura 1
Proceso metodológico de la investigación
Fuente:
elaboración propia con base en Page et al. (2021), Kraus et al. (2022) y Sauer & Seuring (2023).
La calidad de cada documento se valoró antes de incorporarlo al análisis mediante cuatro criterios
aplicados de manera uniforme: la pertinencia temática, entendida como el grado en que el estudio
aborda de manera directa la relación entre inteligencia artificial y desempeño y no de forma tangencial;
la actualidad, verificada por la fecha de publicación dentro de la ventana definida; el rigor académico
de la fuente, valorado por el arbitraje por pares, por el posicionamiento de la revista en los índices
consultados y por
la solidez del diseño que
el propio estudio declara, atendiendo al tamaño de la
muestra,
al
procedimiento
de
recolección
y
al
tratamiento
estadístico
cuando
se
trata
de
trabajos
empíricos; y el aporte específico a los objetivos de esta revisión, medido por la posibilidad de vincular
sus resultados con alguna de las cuatro categorías de análisis. La aplicación de estos criterios permitió
jerarquizar la evidencia, de manera que los estudios empíricos con muestras amplias y procedimientos
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2419.
verificables pesan más en la interpretación que los trabajos exploratorios o de carácter ensayístico,
jerarquía que se hace explícita en la discusión de los hallazgos.
La síntesis se realizó mediante análisis de contenido temático, técnica que consiste en codificar el
material documental en categorías definidas a partir de los objetivos, y que aquí dio lugar a cuatro: las
herramientas de inteligencia artificial y sus aplicaciones en la gestión, donde se registraron el tipo de
tecnología y la función empresarial en que se emplea; las dimensiones e indicadores del desempeño
empresarial,
donde
se
anotó
qué
mide
cada
estudio
y
con
qué
instrumento;
los
factores
que
condicionan la adopción, separados según correspondan al contexto tecnológico, al organizacional o
al
del
entorno;
y
las
estrategias
de
implementación
en
organizaciones
emergentes,
donde
se
recogieron las recomendaciones que cada autor formula. Por ello, la comparación entre autores se
efectuó dentro de cada categoría y quedó registrada en la misma matriz: se anotó en qué puntos los
estudios coinciden, en cuáles atribuyen el efecto a factores distintos y qué aspectos de la relación
entre
adopción
y
desempeño
ninguno
de
ellos
aborda;
ese
registro
proporcionó
el
material
de
la
discusión y los criterios con que se construyó el modelo conceptual, procedimiento que Kraus et al.
(2022) denominan síntesis integradora.
El estudio trabaja sobre documentos publicados y no sobre la participación de personas, de manera
que no correspondía solicitar la aprobación de un comité de ética ni recabar consentimiento informado,
y el resguardo ético se concentró en el tratamiento de las fuentes. Las publicaciones analizadas se
citaron conforme a las normas APA en su séptima edición, con atribución expresa de cada idea a quien
la formuló y sin paráfrasis que omitieran la referencia correspondiente; los datos bibliográficos de cada
entrada, esto es, la autoría, el año, el título de la revista, el volumen y la paginación, se contrastaron con
el registro del editor mediante el identificador digital de objeto, procedimiento destinado a descartar
tanto las referencias inexistentes como las consignadas con datos erróneos; los textos completos se
consultaron por vías legítimas, obtenidos a través de bases institucionales
DESARROLLO
La literatura se organizó por temas y no por fechas, dado que el corpus se concentra en un intervalo de
cinco años en el que los trabajos comparten el mismo contexto tecnológico y difieren sobre todo en el
problema que abordan y en el país donde se realizaron, de manera que la agrupación temática reúne
en un mismo apartado los estudios de Ghana, de Europa, de Jordania, de Arabia Saudita y de España
que
examinan
una
misma
cuestión.
Las
cuatro
categorías
reproducen
los
objetivos
específicos
y
avanzan
de
lo
descriptivo
a
lo
propositivo:
la
primera
inventaría
las
herramientas
de
inteligencia
artificial que emplean los emprendimientos y las funciones de gestión en que se aplican; la segunda
examina con qué dimensiones e indicadores mide la literatura el desempeño empresarial; la tercera
confronta la evidencia disponible sobre la relación entre ambas y sobre los factores que la favorecen
o la limitan; y la cuarta reúne los lineamientos estratégicos que dan forma al modelo propuesto. Cierran
el apartado la síntesis de similitudes, discrepancias y tendencias y la identificación de las lagunas que
la revisión deja al descubierto.
Categoría 1. Herramientas de inteligencia artificial aplicadas a los nuevos emprendimientos
Las aplicaciones empresariales de la inteligencia artificial se limitaron durante años a automatizar
tareas repetitivas, mientras que las disponibles hoy procesan volúmenes de información superiores a
los que un equipo humano alcanza a revisar, reconocen patrones en el comportamiento de compra,
estiman la demanda de los períodos siguientes y ordenan datos de mercado que antes obligaban a
contratar un estudio externo; esa diferencia de alcance explica que la tecnología haya dejado de ser
patrimonio de las grandes corporaciones y esté al alcance de organizaciones pequeñas y medianas,
aunque
su
disponibilidad
no
equivale
a
su
aprovechamiento,
pues
los
resultados
dependen
de
las
condiciones en que se la incorpore (Dwivedi et al., 2021; Sánchez et al., 2025).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2420.
La
eficacia
documentada
de
cada
herramienta
se
asocia
a
una
función
determinada
dentro
de
la
gestión: los asistentes virtuales y los chatbots atienden consultas repetidas fuera del horario laboral;
la analítica predictiva estima la demanda y el comportamiento de compra a partir de los registros de
venta; las plataformas de inteligencia de negocios consolidan en un solo tablero datos que las áreas
mantienen por separado; y el aprendizaje automático identifica patrones en las series históricas de
operación. A ese conjunto se incorporó la inteligencia artificial generativa, empleada en la redacción
de contenidos, el diseño de campañas de marketing, la atención automatizada de clientes y el apoyo a
la planificación (Adekunle et al., 2024; Sánchez et al., 2025), cuya adopción cuenta ya con estudios
centrados
específicamente
en
emprendedores:
Gupta
(2024)
validó
empíricamente
un
modelo
de
adopción desde la perspectiva de quienes emprenden y halló que la experimentación gradual con la
herramienta sostiene su incorporación posterior; Gupta & Yang (2024) registraron las percepciones y
las actitudes que guían la adopción de ChatGPT en empresas de reciente creación; y Goel & Nelson
(2025) compararon la difusión de la información referida a la inteligencia artificial en general con la
relativa
a
herramientas
específicas,
y
comprobaron
que
ambas
circulan
entre
emprendedores
por
canales distintos.
También
hay
matices
por
área
de
aplicación.
En
marketing,
Abrokwah-Larbi
y
Awuku-Larbi
(2024)
encontraron que la personalización, los sistemas colaborativos de decisión y el internet de las cosas
explican buena parte de la mejora del desempeño de las pymes; en atención al cliente, Urbani et al.
(2024) advierten que la integración de chatbots depende menos de la sofisticación del sistema que de
la
preparación
organizacional
para
sostenerlo,
y
proponen
un
marco
directivo
para
evaluar
esa
preparación antes de implantarlo; y para las empresas emergentes en particular, Adekunle et al. (2024)
señalan la analítica predictiva, los motores de personalización y las plataformas escalables como las
herramientas de mayor impacto, porque atacan de frente sus tres restricciones de siempre, que son la
competencia de mercado, la escasez de recursos y la presión por innovar. Herani & Angela (2025), en
cambio,
matizan
el
entusiasmo
al
mostrar
que
en
economías
emergentes
el
acceso
a
estas
herramientas convive con dudas sobre su utilidad real para emprender.
Nada de esto garantiza resultados por sí solo. Los beneficios dependen de la calidad de la información
disponible,
de
las
competencias
digitales,
de
la
capacitación
del
talento
humano
y
de
una
cultura
organizacional abierta a la innovación, así que la IA debe tratarse como un recurso estratégico cuya
efectividad está atada a su integración con los procesos de gestión y con los objetivos del negocio
(Abrokwah-Larbi & Awuku-Larbi, 2024; Mammadov et al., 2024). La Tabla 2 sintetiza las principales
herramientas identificadas, sus aplicaciones y sus beneficios.
Tabla 2
Principales herramientas de inteligencia artificial aplicadas a los nuevos emprendimientos
|
Herramienta de IA
|
Aplicaciones principales
|
Beneficios para el emprendimiento
|
|
Inteligencia artificial
generativa
|
Creación de contenido, marketing,
asistencia en planificación
|
Incrementa la productividad y
reduce tiempos de elaboración
|
|
Chatbots
inteligentes
|
Atención al cliente y soporte
automatizado
|
Mejora la experiencia del cliente y la
disponibilidad del servicio
|
|
Analítica predictiva
|
Pronóstico de demanda y
comportamiento del mercado
|
Facilita la toma de decisiones y
disminuye la incertidumbre
|
|
Business Intelligence
|
Análisis e interpretación de datos
empresariales
|
Optimiza la planificación estratégica
y el control de la gestión
|
|
Machine Learning
|
Identificación de patrones y
automatización de decisiones
|
Favorece la innovación y mejora la
eficiencia operativa
|
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2421.
Fuente:
elaboración propia con base en Dwivedi et al.
(2021), Abrokwah
-
Larbi & Awuku
-
Larbi (2024),
Adekunle et al.
(2024), Gupta (2024), Urbani et al. (2024) y Sánchez et al. (2025).
Categoría 2. Desempeño empresarial en los nuevos emprendimientos: dimensiones e indicadores
Medir el desempeño de un emprendimiento solo por sus resultados financieros se quedó corto hace
tiempo. El concepto abarca hoy la eficiencia operativa, la innovación, la satisfacción del cliente, la
competitividad
y
la
capacidad
de
adaptación,
un
constructo
multidimensional
que
refleja
cómo
la
empresa convierte sus recursos en valor, y la evidencia empírica reciente respalda esa lectura con
datos: Abrokwah-Larbi & Awuku-Larbi (2024) midieron el efecto de la IA sobre cuatro dimensiones a la
vez, la financiera, la de clientes, la de procesos internos y la de aprendizaje y crecimiento, y hallaron
mejoras significativas en las cuatro.
Los indicadores tradicionales no sobran, desde luego; el crecimiento de las ventas, la rentabilidad y la
participación de mercado siguen importando, y Ardito et al. (2025) demostraron precisamente que
adoptar IA eleva la probabilidad de crecer en ingresos. Lo que los estudios recientes piden es sumar
variables como la rapidez en la toma de decisiones, la capacidad de innovación, la automatización de
procesos, la calidad del servicio y la experiencia del cliente (Dwivedi et al., 2021), y una más que gana
terreno, la sostenibilidad organizacional, entendida como la capacidad de adaptarse al entorno y seguir
creciendo mediante aprendizaje continuo, que Alkhatib et al. (2026) vincularon empíricamente con la
adopción
de
IA
en
pymes
manufactureras
y
que
Badghish
&
Soomro
(2024)
desagregaron
en
desempeño
operativo
y
económico,
con
la
observación
añadida
de
que
el
tamaño
de
la
empresa
modera la intensidad del efecto. Las dimensiones, además, se tocan entre sí, pues la automatización
puede subir la productividad y de paso empujar la innovación y la competitividad; por eso el impacto
de la IA debe evaluarse de manera integral. La Tabla 3 resume las dimensiones e indicadores utilizados
en la literatura.
Tabla 3
Dimensiones e indicadores del desempeño empresarial identificados en la literatura
|
Dimensión
|
Indicadores representativos
|
Contribución al desempeño
empresarial
|
|
Productividad
|
Eficiencia operativa, reducción de
tiempos y optimización de
recursos
|
Incrementa la capacidad operativa y
reduce costos
|
|
Innovación
|
Desarrollo de nuevos productos,
servicios y procesos
|
Favorece la diferenciación y el
crecimiento organizacional
|
|
Competitividad
|
Posicionamiento en el mercado,
capacidad de respuesta y
adaptación
|
Fortalece las ventajas competitivas
sostenibles
|
|
Satisfacción del
cliente
|
Calidad del servicio,
personalización y fidelización
|
Mejora la experiencia del cliente y
fortalece la relación comercial
|
|
Sostenibilidad
organizacional
|
Aprendizaje continuo, adaptación
al cambio y mejora permanente
|
Garantiza el crecimiento y la
permanencia del emprendimiento en
el largo plazo
|
Fuente:
elaboración propia con base en Dwivedi et al.
(2021), Abrokwah
-
Larbi & Awuku
-
Larbi (2024),
Badghish
& Soomro (2024), Ardito et al.
(2025) y Alkhatib et al. (2026).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2422.
Categoría 3. Relación entre la adopción de inteligencia artificial y el desempeño empresarial
Sobre el papel estratégico de la IA hay consenso creciente; sobre sus condiciones, una advertencia que
se repite en casi todos los estudios, y es que los beneficios no vienen con la herramienta sino con la
organización capaz de integrar en su estrategia, sus procesos y su cultura. La IA habilita capacidades,
no las sustituye. El hallazgo de Ardito et al. (2025) lo ilustra bien, pues el efecto sobre el crecimiento
de los ingresos se amplifica cuando la IA convive con internet de las cosas y con analítica de grandes
datos, es decir, cuando pertenece a un ecosistema tecnológico articulado y no a una compra suelta.
La automatización de tareas rutinarias reduce el tiempo dedicado a los procesos administrativos y
acorta
los
plazos
de
respuesta
al
cliente,
y
el
procesamiento
de
los
registros
internos
permite
reconocer
tendencias
de
consumo,
estimar
variaciones
de
la
demanda
y
apoyar
las
decisiones
comerciales en información sistematizada, efectos que la literatura registra en la productividad, la
innovación, la satisfacción del cliente y la competitividad (Abrokwah-Larbi & Awuku-Larbi, 2024; Gao et
al., 2025). Los obstáculos que impiden alcanzarlos se repiten en estudios realizados en contextos
distintos: la formación digital insuficiente del personal, que limita tanto la definición de lo que debe
resolver la herramienta como la interpretación de los resultados que entrega; la resistencia al cambio
entre quienes ven modificadas sus rutinas de trabajo; las restricciones presupuestarias, que obligan a
repartir un mismo monto entre licencias, infraestructura y capacitación; la baja calidad de los datos
internos,
registrados
con
frecuencia
en
archivos
independientes
y
sin
criterios
comunes
de
clasificación; y la falta de una planificación previa que determine el propósito
de la incorporación.
Schwaeke
et
al.
(2025)
ordenaron
esos
obstáculos
en
ocho
agrupaciones
siguiendo
el
modelo
tecnología, organización y entorno, entre ellas la compatibilidad con los sistemas ya instalados, la
infraestructura disponible, el conocimiento acumulado en la organización, los recursos financieros y la
cultura
interna;
Almashawreh
et
al.
(2024)
comprobaron
en
pymes
jordanas
que
la
orientación
tecnológica y la orientación organizacional pesan de manera decisiva sobre la decisión de adoptar; y
Mammadov et al. (2024) hallaron para el caso español que la probabilidad de adopción se eleva cuando
la dirección cuenta con formación universitaria, cuando la plantilla incluye especialistas informáticos
y cuando la empresa capacita internamente en tecnología, tres condiciones que remiten al contexto
organizacional y no al tecnológico.
Todo
apunta
en
la
misma
dirección:
la
relación
entre
la
inteligencia
artificial
y
el
desempeño
está
mediada por capacidades organizacionales, tal como anticipan los enfoques teóricos adoptados en
este estudio. Gao et al. (2025) mostraron que la IA fortalece la capacidad de innovación a través de la
reconfiguración de capacidades internas, y Feng et al. (2024) encontraron que el efecto crece donde
las capacidades dinámicas están más desarrolladas, lo que explica algo que de otro modo sería un
misterio, que organizaciones con herramientas similares obtengan resultados distintos. La Figura 2
sintetiza esta relación.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2423.
Figura 2
Relación entre la adopción de inteligencia artificial y el desempeño empresarial
Fuente:
laboración propia con base en Dwivedi et al.
(2021), Abrokwah
-
Larbi & Awuku
-
Larbi (2024),
Adekunle et al.
(2024), Mammadov et al. (2024), Ardito et al. (2025), Gao et al. (2025) y Schwaeke et al.
(2025).
Categoría
4.
Modelo
Estratégico
para
la
Adopción
de
Inteligencia
Artificial
en
Nuevos
Emprendimientos (MEAINE)
De todo lo anterior nace la propuesta central del artículo. Si el éxito no depende de la tecnología en sí
sino de la interacción entre lo estratégico, lo organizacional y lo tecnológico, entonces hace falta un
mapa de esa interacción, y eso pretende ser el Modelo Estratégico para la Adopción de Inteligencia
Artificial en Nuevos Emprendimientos (MEAINE), una guía conceptual para incorporar soluciones de IA
de
manera
progresiva
en
organizaciones
emergentes.
Son
cinco
componentes
interrelacionados,
pensados como proceso continuo y no como lista de chequeo, y su filiación teórica es explícita, pues
los tres primeros recogen los contextos del marco tecnología–organización–entorno y el cuarto pone
en práctica el enfoque de capacidades dinámicas.
El
diagnóstico
organizacional
abre
la
secuencia
y
consiste
en
un
relevamiento
de
la
situación
de
partida,
que
comprende
los
procesos
donde
se
concentran
las
horas
de
trabajo
del
equipo,
la
información que la empresa genera en su operación diaria junto con el estado en que la conserva, las
competencias digitales del personal disponible y el monto que puede destinarse a la incorporación sin
comprometer la operación corriente, de manera que la selección posterior de herramientas se apoye
en necesidades identificadas. Urbani et al. (2024) muestran que evaluar esa preparación previa reduce
el riesgo de implantaciones que la organización después no logra sostener. La planificación estratégica
convierte
ese
relevamiento
en
decisiones
operativas,
entre
ellas
los
objetivos
que
persigue
la
incorporación,
el
orden
en
que
se
abordarán
los
procesos
susceptibles
de
automatización,
los
indicadores con que se medirá el resultado y los recursos humanos, financieros y tecnológicos que
demanda cada etapa; la alineación entre la estrategia empresarial y la transformación digital figura
entre los factores que mejor predicen el éxito de la adopción (Badghish & Soomro, 2024; Alkhatib et al.,
2026). La adopción tecnológica comprende la selección e integración de las herramientas escogidas,
entre ellas la analítica predictiva, los asistentes virtuales, los sistemas de inteligencia de negocios, el
aprendizaje automático y la inteligencia artificial generativa, cuya incorporación conviene escalonar
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2424.
comenzando
por
las
aplicaciones
de
resultado
visible
en
el
corto
plazo,
criterio
coherente
con
la
experimentación progresiva que Gupta (2024) documenta entre emprendedores.
El
desarrollo
de
capacidades
organizacionales
constituye
el
cuarto
componente
y
condiciona
el
rendimiento de los tres anteriores, dado que la formación en competencias digitales permite al equipo
delimitar qué debe resolver cada herramienta e interpretar los resultados que entrega; el liderazgo
orientado a la innovación mantiene el respaldo institucional durante el período que media entre la
implantación y la aparición de los primeros resultados medibles; la gestión del cambio atiende las
objeciones del personal cuyas tareas resultan modificadas; y la cultura basada en datos consolida la
práctica de fundamentar las decisiones en los registros que la propia empresa genera (Mammadov et
al., 2024; Gao et al., 2025).
Figura 3
Modelo Estratégico para la Adopción de Inteligencia Artificial en Nuevos Emprendimientos (MEAINE)
Fuente:
elaboración propia a partir de la integración de la evidencia científica revisada (Abrokwah-Larbi
& Awuku-Larbi, 2024; Adekunle et al., 2024; Badghish & Soomro, 2024; Gupta, 2024; Mammadov et al.,
2024; Urbani et al., 2024; Ardito et al., 2025; Gao et al., 2025; Sánchez et al., 2025; Schwaeke et al., 2025;
Alkhatib et al., 2026).
Tabla 4
Componentes
del
Modelo
Estratégico
para
la
Adopción
de
Inteligencia
Artificial
en
Nuevos
Emprendimientos (MEAINE)
|
Componente
|
Objetivo
|
Resultado esperado
|
|
Diagnóstico organizacional
|
Identificar necesidades,
recursos y nivel de madurez
digital
|
Definición de oportunidades para
la implementación de IA
|
|
Planificación estratégica
|
Establecer objetivos, prioridades
e indicadores
|
Alineación entre la IA y la
estrategia empresarial
|
|
Adopción tecnológica
|
Seleccionar e integrar
herramientas de inteligencia
artificial
|
Optimización de procesos y
apoyo a la toma de decisiones
|
|
Desarrollo de capacidades
organizacionales
|
Fortalecer competencias
digitales, liderazgo y gestión del
cambio
|
Mayor apropiación tecnológica e
innovación organizacional
|
|
Evaluación y mejora
continua
|
Monitorear resultados e
implementar ajustes
|
Mejora sostenida del desempeño
empresarial y la competitividad
|
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2425.
Fuente:
elaboración propia a partir de la integración de la literatura revisada (Abrokwah-Larbi & Awuku-
Larbi, 2024; Badghish & Soomro, 2024; Mammadov et al., 2024; Gao et al., 2025; Sánchez et al., 2025;
Alkhatib et al., 2026).
Puestos uno al lado del otro, los estudios revisados convergen en tres afirmaciones. La primera es que
la adopción de IA se asocia positivamente con el desempeño, sostenida por muestras de tamaño y
origen muy distintos, desde las 225 pymes ghanesas de Abrokwah-Larbi & Awuku-Larbi (2024) hasta
las 11 429 empresas europeas de Ardito et al. (2025). La segunda es que ese efecto está condicionado
por factores organizacionales antes que tecnológicos, punto en el que coinciden Mammadov et al.
(2024), Almashawreh et al. (2024), Badghish & Soomro (2024) y las dos revisiones sistemáticas del
campo. La tercera es que el desempeño debe medirse en varias dimensiones a la vez, porque los
efectos financieros llegan más tarde que los operativos.
Las discrepancias son igual de instructivas. Los estudios difieren en el peso que asignan a cada factor,
ya que Ardito et al. (2025) sitúan la clave en la complementariedad entre tecnologías, mientras que
Mammadov et al. (2024) la ubican en las competencias del personal y Feng et al. (2024) y Gao et al.
(2025) en las capacidades dinámicas de la organización; difieren también en la unidad de análisis, pues
la mayoría trabaja con pymes en general y muy pocos con empresas de creación reciente, categorías
que la literatura tiende a confundir pese a que sus restricciones son distintas; y difieren, sobre todo, en
cómo miden el desempeño, ya que conviven indicadores autorreportados de percepción directiva con
datos financieros objetivos, lo que hace que los tamaños de efecto no sean estrictamente comparables
entre estudios. A ello se suma un desacuerdo de fondo sobre el tamaño de la empresa, que para
Badghish & Soomro (2024) modera la relación y para Ayinaddis (2025) implica dinámicas de adopción
cualitativamente diferentes entre pymes y grandes firmas.
Tabla 5
Síntesis de similitudes, discrepancias y tendencias identificadas en la literatura
|
Aspecto
|
Contenido identificado
|
Estudios representativos
|
|
Similitud 1
|
Relación positiva entre adopción de IA y
desempeño empresarial
|
Abrokwah-Larbi & Awuku-Larbi
(2024); Ardito et al. (2025); Alkhatib
et al. (2026)
|
|
Similitud 2
|
Los factores organizacionales
condicionan el efecto más que los
tecnológicos
|
Mammadov et al. (2024);
Almashawreh et al. (2024);
Schwaeke et al. (2025)
|
|
Similitud 3
|
El desempeño requiere medición
multidimensional
|
Abrokwah
-
Larbi & Awuku
-
Larbi
(2024); Badghish & Soomro (2024)
|
|
Discrepancia
1
|
Peso relativo atribuido a la tecnología, a
las competencias o a las capacidades
dinámicas
|
Ardito et al. (2025); Mammadov et al.
(2024); Gao et al. (2025)
|
|
Discrepancia
2
|
Confusión entre pymes consolidadas y
empresas de creación reciente
|
Ayinaddis (2025); Adekunle et al.
(2024)
|
|
Discrepancia
3
|
Heterogeneidad en la medición del
desempeño, entre percepción directiva y
datos financieros
|
Badghish & Soomro (2024); Ardito et
al.
(2025)
|
|
Tendencia 1
|
Desplazamiento del objeto de estudio
hacia la inteligencia artificial generativa
|
Gupta (2024); Gupta & Yang (2024);
Herani & Angela (2025)
|
|
Tendencia 2
|
Traslado del foco explicativo de la
tecnología a la capacidad organizacional
|
Feng et al. (2024); Gao et al. (2025)
|
|
Tendencia 3
|
Maduración metodológica hacia muestras
amplias y revisiones sistemáticas
|
Ayinaddis (2025); Schwaeke et al.
(2025)
|
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2426.
Fuente:
elaboración propia a partir del análisis comparativo del corpus revisado.
La población estudiada constituye el primer vacío, ya que las empresas de creación reciente aparecen
en la literatura revisada integradas al conjunto general de las pequeñas y medianas empresas, sin que
los estudios distingan sus condiciones particulares, pese a que un emprendimiento en sus primeros
ejercicios carece del historial financiero que exige el acceso al crédito, dispone de series de datos
demasiado breves para alimentar modelos predictivos y opera con plantillas donde rara vez figura
personal especializado en tecnología, tres elementos con los que una empresa consolidada ya cuenta
cuando decide adoptar; Ayinaddis (2025) documenta que el tamaño y la trayectoria de la organización
modifican la dinámica de adopción, de modo que la transferencia de esos resultados a organizaciones
emergentes requiere verificación previa.
El segundo vacío es geográfico. Los estudios empíricos revisados se realizaron en Ghana, en varios
países europeos, en Jordania, en Arabia Saudita y en España, y América Latina no figura entre los
contextos analizados, pese a que la región presenta una proporción de micro y pequeñas empresas
superior a la de los mercados estudiados, una infraestructura digital desigual entre zonas urbanas y
rurales y esquemas de financiamiento que restringen la inversión tecnológica inicial, condiciones que
impiden trasladar sin mediación los resultados obtenidos en aquellos entornos. El tercer vacío es a la
vez temporal y metodológico, pues los diseños transversales predominan en la literatura revisada y
registran la relación entre adopción y desempeño en un solo momento, mientras que la incorporación
de tecnología se despliega a lo largo de varios años; en ausencia de estudios longitudinales no es
posible determinar si la inteligencia artificial mejora el desempeño o si son las empresas con mejor
desempeño previo las que disponen de recursos para adoptarla, ambigüedad de causalidad inversa
que los estudios revisados no discuten.
El cuarto vacío afecta directamente a la propuesta de este artículo, y es la ausencia de modelos de
implementación
validados
empíricamente
para
organizaciones
emergentes.
Existen
marcos
explicativos de la adopción y existen mediciones del desempeño, pero casi no hay instrumentos que
ordenen el proceso completo y hayan sido puestos a prueba en el terreno; el MEAINE se sitúa en ese
hueco y comparte, por ahora, la misma limitación que denuncia. A estos cuatro se suma un vacío
emergente sobre la IA generativa, cuya adopción avanza más rápido que la investigación que la estudia,
de
manera
que
buena
parte
de
lo
que
hoy
se
afirma
sobre
ella
en
emprendimientos
descansa
en
muestras pequeñas o en estudios exploratorios (Gupta & Yang, 2024; Herani & Angela, 2025).
DISCUSIÓN
La pregunta que abrió este trabajo indagaba qué relación existe entre la adopción de herramientas de
inteligencia
artificial
y
el
desempeño
empresarial
en
los
nuevos
emprendimientos,
y
qué
factores
condicionan esa relación. La evidencia revisada permite responderla en dos tiempos. La relación existe
y es positiva, con respaldo empírico convergente en muestras de tamaño y procedencia muy distintos,
de modo que esa parte de la pregunta puede darse por resuelta; lo que la revisión aporta es la segunda
parte, porque los factores condicionantes resultaron ser predominantemente organizacionales y no
tecnológicos, y ese desplazamiento cambia por completo el tipo de recomendación que cabe hacerle
a un emprendedor.
La evidencia revisada respalda el planteamiento de Dwivedi et al. (2021), según el cual el valor de la
inteligencia
artificial
procede
de
la
interacción
entre
factores
tecnológicos,
organizacionales
y
humanos, y los estudios empíricos recientes alcanzan esa misma conclusión desde diseños que no se
comunican
entre
sí:
Ardito
et
al.
(2025)
la
sitúan
en
la
complementariedad
entre
tecnologías,
que
corresponde al contexto tecnológico del marco TOE; Mammadov et al. (2024) y Almashawreh et al.
(2024) la ubican en la formación del personal y en las orientaciones organizacionales, propias del
contexto organizacional; y Gao et al. (2025) y Feng et al. (2024) la localizan en la mediación de las
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2427.
capacidades dinámicas, segundo pilar teórico de este estudio. Los estudios citados trabajaron con
muestras, países e instrumentos de medición distintos y atribuyen el efecto a factores que no coinciden
entre
sí,
de
modo
que
sus
resultados
se
complementan
en
lugar
de
superponerse,
y
esa
complementariedad
es
la
que
esta
revisión
ordena
en
la
secuencia
de
adopción
que
el
MEAINE
desarrolla en cinco componentes.
El trabajo enlaza dos marcos que la literatura emplea por separado, ya que el modelo de tecnología,
organización
y
entorno
da
cuenta
de
las
condiciones
que
llevan
a
una
empresa
a
incorporar
la
tecnología, y el enfoque de capacidades dinámicas explica por qué el desempeño mejora solo en una
parte de las organizaciones que la incorporan; el MEAINE reúne ambos en una secuencia aplicada a
las organizaciones emergentes, segmento sobre el que la evidencia disponible resulta más escasa. La
revisión respalda asimismo la medición multidimensional del desempeño, puesto que los efectos de
la inteligencia artificial se distribuyen entre dimensiones financieras y no financieras y aparecen antes
en la eficiencia operativa y en la relación con el cliente que en los estados de resultados. Para quienes
emprenden,
el
orden
que
se
desprende
de
la
evidencia
sitúa
el
diagnóstico
organizacional
y
el
desarrollo de competencias antes de la compra de tecnología y también durante su implantación, dado
que el rendimiento de la inversión en herramientas depende de la inversión previa en formación; las
incubadoras,
aceleradoras
y
organismos
de
fomento
encuentran
en
esos
mismos
resultados
un
argumento para orientar sus programas de apoyo al emprendimiento digital hacia la capacitación y la
gestión del cambio antes que hacia el financiamiento de licencias, cuyo aprovechamiento requiere que
exista en la empresa quien sepa emplearlas.
El origen geográfico de la evidencia acota el alcance de lo que aquí puede afirmarse, dado que los
estudios
empíricos
revisados
se
realizaron
en
Ghana,
en
países
europeos,
en
Jordania,
en
Arabia
Saudita y en España, entornos cuyas condiciones institucionales, infraestructura digital y estructuras
de
financiamiento
difieren
de
las
latinoamericanas,
de
manera
que
las
condiciones
de
éxito
identificadas
conservan
aquí
el
estatuto
de
hipótesis
pendientes
de
verificación;
el
predominio
de
diseños
transversales
impide
descartar
la
causalidad
inversa
y
obliga
a
formular
los
hallazgos
en
términos
de
asociación
entre
variables;
la
medición
del
desempeño
combina
indicadores
autorreportados por la dirección con datos financieros auditados, diferencia que limita la comparación
de magnitudes entre estudios; y la escasez de trabajos centrados en empresas de creación reciente
obliga
a
inferir
desde
la
pyme
consolidada,
procedimiento
que
puede
atribuir
al
emprendimiento
recursos y capacidades de los que todavía no dispone.
De ahí que la literatura identifique con solvencia qué factores intervienen en la relación entre adopción
y desempeño y determine con mucha menor precisión cuánto pesa cada uno o en qué orden conviene
atenderlos, puesto que las magnitudes obtenidas en muestras heterogéneas y con métricas dispares
no
admiten
comparación
directa;
esa
misma
dispersión
explica
la
fragmentación
que
reportan
Schwaeke et al. (2025) y Ayinaddis (2025), ya que un campo que acumula resultados procedentes de
contextos no comparables incorpora hallazgos sin llegar a consolidarlos en conclusiones estables. El
presente trabajo comparte las limitaciones inherentes a los
estudios documentales, dado que
sus
conclusiones proceden del análisis de literatura, sin recolección directa de datos en organizaciones, y
el MEAINE, construido por integración de esa literatura, constituye una propuesta conceptual cuyos
componentes
y
cuya
secuencia
requieren
verificación
empírica
antes
de
formularse
como
recomendaciones.
CONCLUSIONES
El objetivo general planteado al inicio quedó resuelto mediante el análisis de la literatura publicada
entre 2021 y 2026: la inteligencia artificial fortalece la productividad, la innovación, la competitividad y
la sostenibilidad organizacional de los nuevos emprendimientos, si bien su rendimiento depende de la
capacidad de cada organización para integrar en su estrategia, formar a su equipo en competencias
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2428.
digitales y sostener decisiones apoyadas en los registros que ella misma genera, capacidad que explica
por qué los efectos medidos por Abrokwah-Larbi & Awuku-Larbi (2024) en 225 pymes de Ghana y por
Ardito et al. (2025) en 11.429 pymes europeas resultan positivos pero desiguales entre empresas.
Los cuatro objetivos específicos quedaron cubiertos en las categorías del apartado de revisión. La
primera identificó cinco herramientas con eficacia documentada, la inteligencia artificial generativa, el
aprendizaje automático, la analítica predictiva, los sistemas de inteligencia de negocios y los chatbots
inteligentes, cada una asociada a una función determinada dentro de la gestión; la segunda estableció
que el desempeño empresarial exige una evaluación multidimensional, dado que Abrokwah-Larbi &
Awuku-Larbi (2024) registraron mejoras simultáneas en las dimensiones financiera, de clientes, de
procesos
internos
y
de
aprendizaje,
mientras
que
Badghish
&
Soomro
(2024)
lo
desagregaron
en
desempeño
operativo
y
económico;
la
tercera
verificó
una
relación
positiva
entre
adopción
y
desempeño
condicionada
por
el
liderazgo,
las
competencias
digitales
del
personal,
la
gestión
del
cambio, la calidad de los datos internos y la alineación con la estrategia del negocio; y la cuarta derivó
de
esas
condiciones
el
Modelo
Estratégico
para
la
Adopción
de
Inteligencia
Artificial
en
Nuevos
Emprendimientos,
cuyos
cinco
componentes
ordenan
la
incorporación
de
la
tecnología
desde
el
diagnóstico organizacional hasta la evaluación continua.
La contribución de este trabajo al conocimiento disponible reside en el MEAINE, que enlaza en una sola
secuencia el modelo de tecnología, organización y entorno con el enfoque de capacidades dinámicas,
marcos
que
los
estudios
revisados
emplean
por
separado,
y
traslada
esa
articulación
a
las
organizaciones emergentes, ausentes como categoría diferenciada en la mayor parte de la literatura
analizada;
la
síntesis
de
similitudes,
discrepancias
y
tendencias,
junto
con
las
cuatro
lagunas
identificadas, delimita además qué aspectos de la relación entre inteligencia artificial y desempeño
cuentan con respaldo empírico suficiente y cuáles permanecen abiertos, entre ellos la ausencia de
estudios
latinoamericanos,
el
predominio
de
diseños
transversales
y
la
falta
de
modelos
de
implementación sometidos a validación.
El orden que propone el modelo admite aplicación inmediata en tres ámbitos. Un emprendimiento que
se
plantee
incorporar
inteligencia
artificial
dispone
de
un
procedimiento
inicial
consistente
en
diagnosticar su madurez digital y el estado de sus datos con anterioridad a la contratación de cualquier
herramienta, concentrar el esfuerzo en uno o dos procesos de retorno visible en el corto plazo, reservar
parte
del
presupuesto
tecnológico
para
la
formación
del
equipo
y
fijar
desde
el
comienzo
los
indicadores con que juzgará el resultado, incluidos los no financieros. Las incubadoras, aceleradoras
y programas públicos de fomento cuentan con un argumento para orientar el acompañamiento hacia
las
capacidades
organizacionales,
cuya
ausencia
limita
el
aprovechamiento
de
las
licencias
que
financian. Y las instituciones de educación superior encuentran en los resultados de Mammadov et al.
(2024), que asocian la probabilidad de adopción con la formación universitaria de quienes dirigen la
empresa,
un
fundamento
para
incorporar
la
alfabetización
en
datos
e
inteligencia
artificial
a
los
programas de administración y emprendimiento.
Las
cuatro
lagunas
identificadas
delimitan
la
agenda
que
este
trabajo
deja
abierta.
La
validación
empírica del MEAINE mediante estudios de caso, diseños cuantitativos o enfoques mixtos aplicados a
distintos sectores productivos constituye el paso inmediato, y su realización en América Latina resulta
prioritaria, dado que ninguno de los estudios revisados se llevó a cabo en la región y que su estructura
empresarial
difiere
de
la
europea
y
la
asiática
en
el
peso
de
la
microempresa
y
en
el
acceso
al
financiamiento; los diseños longitudinales permitirían determinar si la tecnología mejora los resultados
o si son las empresas con mejores resultados las que logran costearla, cuestión que los estudios
transversales revisados dejan sin resolver; el efecto específico de la inteligencia artificial generativa
requiere
aislamiento,
puesto
que
su
difusión
entre
emprendedores
avanza
más
rápido
que
la
investigación
disponible
sobre
ella;
y
la
elaboración
de
instrumentos
de
medición
del
desempeño
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2429.
multidimensional
adaptados
a
organizaciones
emergentes,
junto
con
la
diferenciación
sistemática
entre pymes consolidadas y empresas de creación reciente, haría comparables magnitudes que hoy
proceden de métricas dispares.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2430.
REFERENCIAS
Abrokwah
-
Larbi, K., & Awuku
-
Larbi, Y. (2024). The impact of artificial intelligence in marketing on the
performance
of
business
organizations:
evidence
from
SMEs
in
an
emerging
economy.
Journal
of
Entrepreneurship in Emerging Economies, 16(4), 1090
–
1117. h
ttps://doi.org/10.1108/JEEE
-
07
-
2022
-
0207
Adekunle, O. K., Ologbon, E. G., & Abiodun, S. J. (2024). Artificial Intelligence (AI) Adoption and Startup
Success Rates. International Journal of Research and Innovation in Social Science, VIII(XI), 3032
–
3043.
https://doi.org/10.47772/ijriss.2024.8110235
Alkhatib, A. W., Zaid, M., & Issa, A. (2026). Antecedents and outcomes of artificial intelligence adoption
on the sustainable performance: the TOE framework perspective. Information Discovery and Delivery,
1
–
16. https://doi.org/10.1108/IDD
-
04
-
2025
-
0076
Almashawreh, R., Talukder, M., Charath, S. K., & Khan, M. I. (2024). AI Adoption in Jordanian SMEs: The
Influence
of
Technological
and
Organizational
Orientations.
Global
Business
Review.
https://doi.org/10.1177/09721509241250273
Ardito, L., Filieri, R., Raguseo, E., & Vitari, C. (2025). Artificial intelligence adoption and revenue growth
in European SMEs: synergies with IoT and big data analytics. Internet Research, 35(4), 1508
–
1534.
https://doi.org/10.1108/INTR
-
02
-
2024
-
0195
Ayinaddis, S. G. (2025). Artificial intelligence adoption dynamics and knowledge in SMEs and large
firms:
A
systematic
review
and
bibliometric
analysis.
Journal
of
Innovation
and
Knowledge,
10(3).
https://doi.org/10.1016/j.jik.2025.100682
Badghish, S., & Soomro, Y. A. (2024). Artificial Intelligence Adoption by SMEs to Achieve Sustainable
Business
Performance:
Application
of
Technology
–
Organization
–
Environment
Framework.
Sustainability (Switzerland) , 16(5). https://doi.org/10.3390/su160518
64
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards,
J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B.,
Lal, B., Lucini, B., … Williams, M.
D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on
emerging challenges, opportunities, and agenda for research, practice and policy. International Journal
of Information Management, 57. https://doi.org/10.1016/j.ijinfomgt.2019.08.00
2
Feng, F., Li, J., Zhang, F., & Sun, J. (2024). The impact of artificial intelligence on green innovation
efficiency: Moderating role of dynamic capability. International Review of Economics and Finance, 96.
https://doi.org/10.1016/j.iref.2024.103649
Gao, Y., Liu, S., & Yang, L. (2025). Artificial intelligence and innovation capability: A dynamic capabilities
perspective.
International
Review
of
Economics
and
Finance,
98.
https://doi.org/10.1016/j.iref.2025.103923
Goel, R. K., & Nelson, M. A. (2025). Awareness of artificial intelligence: diffusion of AI versus ChatGPT
information with implications for entrepreneurship. Journal of Technology Transfer, 50(1), 96
–
113.
https://doi.org/10.1007/s10961
-
024
-
10089
-
3
Gupta, V. (2024). An Empirical Evaluation of a Generative Artificial Intelligence Technology Adoption
Model from Entrepreneurs’ Perspectives. Systems, 12(3). https://doi.org/10.3390/systems12030103
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, septiembre, 2026, Volumen VII, Número 4 p 2431.
Gupta, V., & Yang, H. (2024). Study protocol for factors influencing the adoption of ChatGPT technology
by
startups:
Perceptions
and
attitudes
of
entrepreneurs.
PLoS
ONE,
19(2
February).
https://doi.org/10.1371/journal.pone.0298427
Herani, R., & Angela, J. (2025). Navigating ChatGPT: catalyst or challenge for Indonesian youth in digital
entrepreneurship?
Journal
of
Entrepreneurship
in
Emerging
Economies,
17(3),
602
–
628.
https://doi.org/10.1108/JEEE
-
05
-
2024
-
0181
Kraus, S., Breier, M., Lim, W. M., Dabić, M., Kumar, S., Kanbach, D., Mukherjee, D., Corvello, V., Piñeiro
-
Chousa, J., Liguori, E., Palacios
-
Marqués, D., Schiavone, F., Ferraris, A., Fernandes, C., & Ferreira, J. J.
(2022).
Literature
reviews
as
independen
t
studies:
guidelines
for
academic
practice.
Review
of
Managerial Science, 16(8), 2577
–
2595. https://doi.org/10.1007/s11846
-
022
-
00588
-
8
Mammadov,
H.,
Ruiz-Gándara,
Á.,
González-Abril,
L.,
&
Romero,
I.
(2024).
Adoption
of
Artificial
Intelligence in
Small and
Medium
-
Sized Enterprises
in Spain: The Role
of Competences
and Skills.
Amfiteatru Economic, 26(67), 705
–
705. https://doi.org/10.24818/EA/2024/67/848
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L.,
Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M.
M., Li, T., Loder, E. W., Mayo
-
Wilson
, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement:
An updated guideline for reporting systematic reviews.
Bmj, 372. https://doi.org/10.1136/bmj.n71
Sánchez, E., Calderón, R., & Herrera, F. (2025).
Artificial Intelligence Adoption in SMEs: Survey Based on
TOE
–
DOI Framework, Primary Methodology and Challenges. Applied Sciences (Switzerland), 15(12).
https://doi.org/10.3390/app15126465
Sauer,
P.
C.,
&
Seuring,
S.
(2023).
How
to
conduct
systematic
literature
reviews
in
management
research:
a
guide
in
6
steps
and
14
decisions.
Review
of
Managerial
Science,
17(5),
1899
–
1933. https://doi.org/10.1007/s11846
-
023
-
00668
-
3
Schwaeke, J., Peters, A., Kanbach, D. K., Kraus, S., & Jones, P. (2025). The new normal: The status quo
of
AI
adoption
in
SMEs.
Journal
of
Small
Business
Management,
63(3),
1297
–
1331.
https://doi.org/10.1080/00472778.2024.2379999
Urbani, R., Ferreira, C., & Lam, J. (2024). Managerial framework for evaluating AI chatbot integration:
Bridging organizational readiness and technological challenges.
Business Horizons, 67(5), 595–606.
https://doi.org/10.1016/j.bushor.2024.05.004
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, septiembre, 2026, Volumen VII, Número 4 p 2432.