DOI:
https://doi.org/10.56712/latam.v6i1.3520
Análisis bibliométrico de las herramientas de
inteligencia artificial principalmente utilizadas por emprendedores
A bibliometric
analysis of artificial intelligence applications mainly used by entrepreneu=
rs
Nathaly Ragde
Riofrío Romero
https://orcid.org/0000-0002-2332-824X
Docente de la
Universidad Técnica de Machala
Machala –
Ecuador
Bernardo Patricio Cordero Torres
https://orcid.org/0000-0001-9139-8672
SENESCYT
investigador auxiliar 1: REG-INV-21-04997
Machala –
Ecuador
Artículo recibido: 13 de febrero de 202=
5.
Aceptado para publicación: 27 de febrero de 2025.
Conflictos de
Interés: Ninguno que declarar.
Resumen
Este
estudio examinó aplicaciones vanguardistas en inteligencia artificial
(IA) y herramientas tecnológicas de punta, que cumplan con la
democratización de la transformación digital. La
metodología empleada formuló una estrategia de búsqued=
a y
aprovechó la bibliometría para analizar el contenido
académico de Dimensions®. La
búsqueda abarcó el período comprendido entre los
años 2016 y 2024, e incluyó los términos
«inteligencia artificial (IA)», «aprendizaje
automático (AM)», «grandes modelos de lenguaje (LLM)», «IA generativa»,
«emprendedores» y «emprendimiento». El enfoque
metodológico implementado se fundamentó en la aplicació=
;n
de análisis cuantitativos y cualitativos a una colección exha=
ustiva
de datos, compuesta por 760 registros bibliográficos, de los cuales
aproximadamente el 80 % respondieron a disciplinas académicas vincul=
adas
a las ciencias de la información y la informática, el comerci=
o,
la gestión, el turismo y los servicios. El análisis de la mue=
stra
reveló que Zotero, el gestor bibliográfico, recopilaba 411
artículos en formato RIS relacionados con 351 libros o capítu=
los,
de los cuales 357 eran documentos de acceso pago. La metodología de
recuento exhaustivo ha puesto de manifiesto que las aplicaciones de la
inteligencia artificial se centran en el modelo ChatGP=
T,
la transformación digital, el marketing 5.0, la industria 4.0 y el
análisis de mercados financieros, entre otras utilidades para la tom=
a de
decisiones. Se ha determinado que el número de estudios sobre estas
herramientas ha experimentado un aumento significativo desde el lanzamiento
público de ChatGPT el 30 de noviembre de=
2022,
lo que convirtió al año 2024 en el más prolífico
respecto a este tipo de investigaciones.
Palabras clave: análisis
bibliométrico, inteligencia artificial, aprendizaje automátic=
o,
grandes modelos lingüísticos, inteligencia artificial generativ=
a,
emprendedores
Abstract
This study focused on an array of state-of-the-art artificial intell=
igence
(AI) and cutting-edge applications of practical entrepreneurial technologic=
al
tools that embrace digital transformation overcrowding. The methodology
entailed formulating a search strategy and leveraging bibliometrics to anal=
yze
the Dimensions® open bibliography search engine. The search was conduct=
ed
from 2016 to 2024, encompassing the terms "artificial intelligence
(AI)," "machine learning (ML)," "large language models
(LLMs)," "generative AI," "entrepreneurs," and
"entrepreneurship." The proposed method entailed the application =
of
quantitative and qualitative analyses to a refined dataset comprising 760
bibliographic records, with approximately 80% of these records on academic
branches of information and computing sciences, commerce, management, touri=
sm,
and services. The sample analysis revealed that Zotero, the bibliographic
manager, collected 411 articles in the RIS form=
at
related to 351 books or chapters, of which 357 were restricted access
documents. The comprehensive counting methodology revealed that AI applicat=
ions
predominantly focused on the ChatGPT model, dig=
ital
transformation, marketing 5.0, industry 4.0, and financial market analysis,
among other decision-making utilities. Consequently, the number of studies =
on
these tools has increased considerably since the public release of ChatGPT on November 30, 2022, which led to the design=
ation
of 2024 as the most prolific year for such research.
Keywords: bibliometric
analysis, artificial intelligence, machine learning, large language models,
generative artificial intelligence, entrepreneurs
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
<= o:p>
Todo el contenido de LATAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, publicado en es=
te
sitio está disponibles bajo Licencia Creative Commons.=
![](3D"0208_RiofrioRomero_archivos/image002.jpg")
<=
o:p>
Cómo citar: R=
iofrío
Romero, N. R., & Cordero Torres, B. P. (2025). Análisis
bibliométrico de las herramientas de inteligencia artificial
principalmente utilizadas por emprendedores. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 6 =
(1),
2559 – 2613. https://doi.org/10.56712/latam.v6i1=
.3520
INTRODUCCIÓN
En tiempos recientes, el proceso de digitaliza=
ción
ha ocasionado cambios significativos en las actividades económicas
relacionadas con bienes y servicios, motivando a un impacto directo en la
eficiencia y la reducción de costos. En este sentido, se ha evidenci=
ado
un enfoque en la inteligencia artificial, el aprendizaje automático =
y la
automatización de procesos. La irrupción de la pandemia de
COVID-19 aceleró este proceso en el mundo entero, obligando inclusiv=
e a
los gobiernos a la adopción de herramientas tecnológicas en p=
ro
de actuar de manera emergente y en mejora de la prestación de servic=
ios
(Rojas Cangahuala et al., 2025).
Uno de los hallazgos clave acerca de la
transformación digital (Baimukhamedova &=
amp; Baimukhamedov, 2022) durante y al momento consensuado=
del
final de la pandemia, correspondió al papel que desempeña la
inteligencia artificial en la toma de decisiones y generación de ide=
as a
las instituciones, empresas y demás optimizar sus macro y micro
procesos, así como modernizar su capacidad de gestión con los
consumidores. Sin embargo, a pesar de estos connotados beneficios, persisten
desafíos importantes relacionados con la seguridad, la privacidad y =
el
acceso equitativo a las tecnologías digitales, lo que evidencia la
existencia de una brecha digital (Romero, 2020).
En el contexto actual, se observa que las
principales potencias lideran la investigación en materia de
transformación digital. En América Latina, se identifican
obstáculos que dificultan la implementación efectiva de estas=
innovaciones,
especialmente para los emprendedores (ElFarmawi,
2023). El objetivo de esta investigación radica en sintetizar las
principales ventajas que en el día a día ofrece una
subclasificación de la Inteligencia Artificial (IA), destacando la
relevancia que conlleva la integración de esta innovación en =
los
procesos o tareas que generen valor a los negocios de los emprendedores.
METODOLOGÍA
Con la finalidad de establecer una
clasificación de las herramientas tecnológicas asociadas al
desarrollo de la inteligencia artificial en las que los emprendedores
fundamentan su apoyo con el objetivo de potenciar o mejorar sus actividades
productivas, fue necesario realizar una investigación de cará=
cter
mixta cuantitativa y cualitativa con fines exploratorios y con un enfoque
inductivo. El procedimiento se realizó mediante un sistemático
examen cienciométrico, que implicó=
; la
revisión de registros bibliométricos de tres categoría=
s de
publicaciones: artículos científicos, libros y secciones de
libros. Estos registros se han cuantificado en una población aproxim=
ada
de «149M» en el momento de realizar=
la
consulta, y estaban indexados en la base de datos Dime=
nsions®.
La muestra se obtendrá, ergo, como prod=
ucto
de una estrategia de búsqueda racionalizada mediante la
introducción de palabras identificadas como claves, relacionadas con=
la
temática de la inteligencia artificial y constantes en repositorios
digitales globales de todas las fuentes involucradas con el portal de Dimensions®, con una temporalidad preestablecida.=
El
objetivo de la muestra es explorar su transversalidad, mediante un enfoque
inductivo.
El análisis preliminar de la muestra
obtenida sin sufrir alteraciones sobre los resultados de la consulta
consistió en la visualización del país de filiaci&oacu=
te;n
de los autores que habían publicado alguno de los temas requeridos
previamente en la consulta. Posteriormente, se complementa con la pertinenc=
ia
mostrada con las categorías del conocimiento científico bajo
normas de la Clasificación de Investigación Estándar de
Australia y Nueva Zelanda (ANZSRC, por sus sigl=
as en
inglés) para señalar los campos de la ciencia (Hider & Coe, 2020) a =
la que
pertenecen las editoriales.
El análisis cuantitativo parte desde
muestra recabada que será sometida a un procedimiento de
depuración de datos primarios, o data cleaning<=
/span>
(Ilyas & Chu, 2019), que de forma consensua=
da en
términos generales comprende:
Se evaluará la calidad de los datos
identificando valores faltantes, valores incorrectos y formatos inconsisten=
tes.
Se eliminarán datos irrelevantes que no=
es
más que quitar los registros duplicados y datos sin valor para el
análisis.
Se corregirán los errores estructurales,
que comprende la estandarización de formatos y la corrección =
de
discrepancias en nombres y tipos de datos.
Se gestionarán los datos faltantes,
imponiendo valores faltantes mediante métodos estadísticos o
eliminando registros con una alta cantidad de valores no registrados
Se normalizaron los datos, organizándose
para reducir redundancias y mejorar la eficiencia del almacenamiento.
Se identificarán y gestionarán v=
alores
atípicos, detectando y manejando valores que se desvíe
significativamente del resto de los datos.
Como señalan Donth=
u
et al. (2021), el análisis bibliométrico facilita la
evaluación de la literatura científica, permitiendo así
conocer la evolución de sus tendencias y su impacto dentro de los ca=
mpos
amplios de la investigación en diversas disciplinas, incluidos los
ámbitos en los cuales está inmersa la aplicabilidad de la IA;=
que
más adelante resaltará su carácter multidisciplinar y
acerca de cómo la bibliometría resulta en la actualidad una
herramienta útil sine qua non para la valoración de la
producción investigadora y orientar futuros estudios. Las
visualizaciones de los datos en lo concerniente con el análisis cuan=
titativo
fueron realizadas a través de la hoja de cálculo Microsoft&re=
g;
Excel® (2025).
Para cubrir con el objetivo que persigue el
análisis cualitativo se estudiarán los términos de may=
or
coocurrencia (Sedighi, 2016), esta técni=
ca que
ha demostrado su versatilidad al ser utilizado en diversos campos del
conocimiento y áreas científicas para comprender las relacion=
es e
interacciones entre entidades, como especies, palabras clave o conceptos, se
fundamenta en el examen de la frecuencia con la que dos o más elemen=
tos
aparecen juntos en un conjunto de datos. Este método dará cab=
ida
a la comprensión de patrones, tendencias y estructuras subyacentes
relacionadas con la transformación digital en la utilización =
de
agentes de IA más buscadas por los emprendedores.
El software de acceso abierto empleado para
administrar la muestra fue el gestor de referencias Zotero (Nikam,
2015), que se usó para afinar la correcta categorización de l=
os
registros bibliográficos en el formato RIS formalmente usado para es=
tos
fines. En consonancia con lo anterior, se implementó el programa
informático VOSviewer (Kirby,
2023) para generar los mapas de concurrencia, que representan la
visualización del conocimiento asociado a los patrones de
conexión entre los constructos contenidos en los títulos y
resúmenes.
DESARROLLO
La figura 1 muestra una representación
esquemática sobre la evolución de la IA, estilizada en una
línea de tiempo que abarca desde sus albores hasta la actualidad,
esbozado por medio de hitos a los más insignes y que de forma
sistemática conlleva hacia el ascenso de modelos más avanzado=
s,
tales como GPT-4. Dada la abundancia que acarre=
a el background de esta tecnología, sobre todo en la
literatura académica, para una mejor comprensión se ha delimi=
tado
en tres bloques temporales. Para describir sus avances más destacado=
s,
se han denominado «nacimiento de la IA (1940-1980)», «IA
generativa (1997-2017)» y «auge de la IA (2020+)».
Al principio de la década de los cincue=
nta,
se planteó la base con la prueba de Turing (1950) para justipreciar =
las
capacidades cognitivas de las máquinas y en los seis años
subsiguientes, en la «Conferencia de Dartmouth» (Watson & <=
span
class=3DSpellE>Myhill, 2018), esta terminología recibe el nom=
bre de
Artificial Intelligence (A=
I);
ulteriormente, los primeros desarrollos y conceptos fundamentales como el A=
prendizaje
Automático (ML, por sus siglas en inglés). Otras notables mej=
oras
incluyen ELIZA (Weizenbaum, 1966) como el primer
programa de procesamiento de lenguaje natural que más tarde ser&iacu=
te;a
la piedra angular de los Grandes Modelos Lingüísticos (LLM, por sus siglas en inglés), Perceptron
(Rosenblatt, 1958), Cognitron, Neocognitron
(Huarote-Zegarra et al., 2019), redes de <=
span
class=3DSpellE>Hopfield, sistemas expertos y la técnica de
Una particularidad que surge durante este espa=
cio
temporal es la del avenimiento del «invierno de la IA»,
caracterizado por una reducción en la financiación y el
interés en la investigación de la IA, atribuible a expectativ=
as
poco realistas y a un limitado adelantó; este fenómeno ha pue=
sto
en manifiesto claramente dos periodos de estancamiento, en un primer momento
entre 1974-1980 y 1987-1993 consecuentemente. Ambos casos sufrieron una des=
aceleración
en I+D (Haigh, 2024=
).
A partir del año 1997 irrumpen las Rede=
s de
Memoria a Largo-Corto Plazo (LSTM, por sus sigl=
as en
inglés), las cuales son un tipo de red neuronal recurrente que emplea
mejor las dependencias a largo plazo en secuencias de datos, desempeñ=
;ando
un papel importante en tareas generativas, siendo el caso del modelado de l=
os
lenguajes. El equipo de Google Brain ha contrib=
uido
sustancialmente a la investigación en aprendizaje profundo y redes
neuronales con logros significativos en el reconocimiento de voz e
imágenes. La IA Generativa (GAI, por sus
siglas en inglés) en este período cotejó un avance
significativo con modelos como las Redes Generativas Antagónicas (GA=
N,
por sus siglas en inglés), que constan de dos componentes: un genera=
dor
y un discriminador.
La introducción de modelos transformado=
res,
como Representaciones de Codificador Bidireccional de Transformadores (BERT,
por sus siglas en inglés) y Transformador Preen=
trenado
Generativo (GPT), ha disminuido la dependencia =
de las
LSTM en el campo del procesamiento del lenguaje
natural y marcó el hito más importante dentro de esa esfera. =
Los GPT son una serie específica de LLM
desarrollados por OpenAI constituidos bajo la
arquitectura de Transformers (Vaswani et a=
l.,
2017). Poseen la capacidad de comprender el contexto y de mimetizar respues=
tas
de forma coherente para engendrar contenido y para la realización de=
una
escritura más creativa; mientras que los LLM,
como una categoría más vasta, garantizan que se aborden
diferentes necesidades de uso mediante varios modelos.
En la presente década se ha producido u=
na
notable aceleración en cuanto a la proliferación de modelos
transformadores, herramientas generativas y aplicaciones masivas, partiendo=
del
GPT-3, que ha demostrado capacidades sin preced=
entes
en la generación de texto y comprensión de muchos idiomas.
Consiguientemente, aparecieron Bing (Copilot), =
Bard (Gemini), Meta (Llama) y An=
thropic
(Claude), los modelos de lenguaje de las grandes firmas tecnológicas=
(Gunes & Cesur, 2024) =
basados
en la arquitectura transformer, las grandes
competidoras con ChatGPT (=
OpenAI,
2022).
John J. Hopfield y
Geoffrey E. Hinton fueron galardonados con el Premio Nobel de Física
2024 (American Physical So=
ciety,
2024) en reconocimiento a sus hallazgos e invenciones fundamentales que
sentaron sólidas bases para el aprendizaje automático mediant=
e el
empleo de redes neuronales artificiales. A continuación, se presentan
sus principales contribuciones:
Hopfield (1982) desarrolló una red de
neuronas artificiales conocida como la red de Hopfield=
,
que se utiliza para almacenar y recuperar patrones, como por ejemplo en
imágenes, o inclusive al ser presentados de forma incompleta o
distorsionada. Esta red se fundamenta en principios físicos y exhibe
similitudes con el comportamiento de los átomos dentro de un material
magnético.
Hinton (1985) desarrolló la máqu=
ina
de Boltzmann, una red neuronal fundamentada en principios de la físi=
ca
estadística que se utiliza para modelar el aprendizaje de patrones
visuales, la cual ha sido primordial en el refinamiento del aprendizaje
profundo; a posteriori, Hinton junto con otros coautores desarrollaron el
método de backpropagation (Rumelhart
et al., 1986), que es esencial para entrenar redes neuronales profundas.
Figura 1
![](3D"0208_RiofrioRomero_archivos/image004.gif")
<=
![endif]>
Reseña histórica de la IA
Fuente: Elaboración propia según Chen et al. (2022)
RESULTADOS
Análisis
preliminar
En el marco de la ejecución del
requerimiento y con posterioridad a la realización de la descarga co=
n el
acceso brindado a la base de datos Dimensions&r=
eg;, se
llevó a cabo una búsqueda que incluyó los térmi=
nos
anglosajones originarios los cuales son más representativos de la IA,
tales como «artificial intelligence (AI)», «machine learning (ML)», &laq=
uo;large language models (LLMs)»,
«generative AI», «entrepreneurs» y «en=
trepreneurship»;
términos en inglés que generalmente están presentes en
todo trabajo académico. Este análisis previo, facilitado por =
la
analítica en línea de la plataforma Dime=
nsions®
(Rusydiana et al., 2020), permite constata=
r en
la figura 2 que, del primer grupo de datos resultantes de 760 consultado el=
18
de enero del 2025, se desprende que Estados Unidos es el país que ma=
yor
influencia el cual lidera el número de publicaciones y de citaciones=
en
esta materia, seguido de Reino Unido y Australia respectivamente.
Figura 2
Países de
filiación de los autores
![](3D"0208_RiofrioRomero_archivos/image006.gif")
<=
![endif]>
Fuente: elaboración propia.
De forma complementaria, se exponen las 608
producciones académicas correspondientes al 80 % del total (Yang &am=
p; Shieh, 2019), como se evidencia en el gráfico =
1, que
revela que las fuentes de las que se obtienen provienen de diversas doctrin=
as,
principalmente de las ciencias de la información, la informát=
ica,
la ciberseguridad, la ciencia de datos, entre otras. En el ámbito
empresarial y de las ciencias sociales, las materias predominantes se centr=
an
en la estrategia, la gestión y el comportamiento organizacional, ban=
ca y
finanzas, los sistemas educativos, marketing, la política y la
administración.
Gráfico =
1
Campos
científicos relacionados con la consulta estratégica
![](3D"0208_RiofrioRomero_archivos/image008.gif")
<=
![endif]>
Fuente: elaboración propia.
Análisis
cuantitativo
Esta revisión parte de una base
bibliográfica procesada con 411 datos limpios, además del
protocolo establecido en la metodología bajo discernimientos de cali=
dad
acorde con los objetivos de esta investigación para llevar a cabo la
posterior contraparte cualitativa y extraer los conceptos clave acordes,
excluyendo los documentos que contengan temáticas no relevantes para
estos fines, como las vinculadas a política o de carácter leg=
al,
ya que estos podrían parecer parcializados como en el caso de la Uni=
ón
Europea; en su refinamiento se descartaron todos aquellos trabajos con
títulos y resúmenes con caracteres diferentes al alfabeto
inglés o español, o carentes de un resumen legible.
En la tabla 1 se exponen aspectos significativ=
os
concernientes a los componentes de esta exploración, tales como la
predominancia de fuentes bibliográficas de carácter de pago, =
la
preeminencia de los libros o capítulos y la necesidad de consultar
más de seis publicaciones cerradas para alcanzar una de carác=
ter
abierto. La jerarquía de los términos indica que, por un lado=
, la
IA denota un primer lugar en número de repeticiones como se
observó en la revisión de la literatura, se trata de un conce=
pto
de mayor antigüedad y, en segundo lugar, puede contener dentro de
sí a los demás conceptos; GenerativeAI,
en menor número de apariciones, puede aludir a que es un térm=
ino
más reciente.
Tabla 1
Compendio de los
resultados cuantitativos
|
Cantidad |
Detalle |
|
411 |
Registros depurados |
|
351 |
Libros o capítulos |
|
357 |
Acceso cerrado |
|
54 |
Acceso abierto |
|
235 |
Artificial Intelligence (AI) |
|
119 |
Machine Learning (ML) |
|
85 |
LLM + ChatGPT |
|
81 |
Generative AI |
Fuente: elaboración propia.
En lo referente al periodo de estudio, el
año 2023 muestra un comportamiento particular que marca un hito
significativo dentro del análisis de las propensiones en la
generación de publicaciones vinculadas a la IA en la base de datos <=
span
class=3DSpellE>Dimensions®, ya que se produce un cambio notable =
en la
trayectoria ascendente de las mismas, que a partir de ese estado experiment=
an
un crecimiento no lineal, como se muestra en la figura 4. Lo anterior muestra una
característica intrínseca que busca integrar en mayor medida =
los
conceptos de IA, ML, LLM y GAI
de manera más dependiente, cada uno dentro de su respectiva
categorización.
Gráfico =
2
Documentos
científicos relacionados entre los años 2016 y 2024
![](3D"0208_RiofrioRomero_archivos/image010.gif")
<=
![endif]>
Fuente: elaboración propia.
Análisis
cualitativo
Los futuros empresarios que formularán =
un
modelo de negocio muestran una inclinación hacia la adquisició=
;n
directa de conocimiento específico sobre la Interfaz
Hombre-Máquina (HMI, por sus siglas en
inglés), mediante el modelo de lenguaje ChatGPT=
como el nodo principal dentro del mapa conceptual. Asimismo, se hace uso de=
una
variedad de fuentes de información que actúan
simultáneamente como elementos de entrada y constituyen la base para=
el
entrenamiento del modelo en cuestión (figura 5). Este diagrama de red
establece acepciones argumentales sólidas tales como:
La transformación digital en la socieda=
d y
en los negocios (Kraus et al., 2021).
El marketing 5.0 de la mano de la
tecnología, la transformación digital y el comportamiento del
consumidor (Kotler et al., 2021).
Industria 4.0 propuesta de valor desde la
génesis del bien o del servicio hasta llegar hacia el consumidor fin=
al (Ghobakhloo, 2019).
Análisis=
de
mercados y financieros (Gu, 2023).
Figura 3
Compendio
conceptual de la coocurrencia de términos
![](3D"0208_RiofrioRomero_archivos/image012.gif")
<=
![endif]>
Fuente: elaboración propia.
La conjunción de los últimos ava=
nces
tecnológicos en cuanto a la IA sumadas con las vastas aplicaciones d=
el
ML se emplean junto con la GAI para explorar las
preferencias emergentes en el mercado y el surgimiento de nuevos productos y
servicios que posibiliten la concepción de una más sól=
ida
planificación estratégica alimentada de entero en datos
empíricos cuya resultante recae en modelos de predicción
más robustos. Al último, pero no menos importante la GAI se especializa en la generación de nuevos =
contenidos,
tales como la generación de leads en redes sociales, y la procura de=
la
innovación en el core del negocio. A man=
era de
última apreciación de este apartado, se destaca la
relación entre ChatGPT y diversas &aacut=
e;reas
y conceptos, tomando en consideración su versatilidad y el impacto q=
ue
esta tiene en múltiples campos, principalmente en la
automatización de servicios de atención al cliente, la
formulación de estrategias en el ámbito de los negocios
específicos y, de manera general, en el contextualizado de cada ento=
rno
empresarial.
DISCUSIÓN
En este trabajo no se ahonda sobre publicacion=
es
que den tratamiento a los tópicos acerca de la confirmación d=
e la
veracidad de los posibles resultados en las conversaciones con ChatGPT, ni se verifican cuáles son sus fuente=
s de
información. Se debe considerar que, al igual que en el modelado del
pensamiento humano, las interacciones con ChatGPT
estarán supeditadas a sesgos cognitivos.
El empleo de la tecnología ChatGPT conlleva una serie de riesgos y sesgos cognit=
ivos,
entre los que se incluyen la privacidad y la seguridad, la
desinformación, la dependencia tecnológica y el impacto en el
ámbito laboral (Ray, 2023). En consecuencia, se torna imperativo enf=
ocar
la atención en la privacidad de los datos y la seguridad de la infor=
mación,
particularmente en el contexto del manejo de documentación sensible,
ante la posibilidad de que terceros accedan al historial de todas las
conversaciones mantenidas con los usuarios y las plataformas instauradas en=
GPT y LLM; por todo lo an=
terior
se torna indispensable reconocer estos riesgos y sesgos para garantizar sob=
re
todo un uso responsable y ético de ChatGPT.
Tampoco se ha incluido en esta
investigación el modo en que se abordarán vertiginosos cambio=
s,
como la IA multimodal, ni se ha profundizado en todas las nuevas versiones =
de GPT de OpenAI, Google, Mi=
crosoft,
Amazon, etc. Dada la rigurosidad observada en cuanto a las regulaciones de =
la
Unión Europea (Pehlivan et al., 202=
4),
que más adelante, se espere más sobre estos tratados provenie=
ntes
esencialmente de bloques tecnológicos en América, Reino Unido,
Asia y Oceanía.
El modelo DeepSeek-V3
(Liu et al., 2024) se presenta como una innovación tecnológic=
a de
acceso abierto en el campo de los LLM, generand=
o un
impacto disruptivo en su entorno en comparación con otras entidades =
tecnológicas
de gran envergadura, como OpenAI, Google y Meta,
entre otras. Este desarrollo sobresale en comparación con otros mode=
los
debido a su economía en términos de entrenamiento y despliegu=
e,
así como por su arquitectura Mixture of =
Experts (MoE), lo que lo =
hace
eficiente y escalable, superando los modelos de lenguaje previamente conoci=
dos
(Hwang et al., 2024).
CONCLUSIÓN
Desde una perspectiva cronológica produ=
cto
de los hallazgos de este estudio, se destaca que el principal uso de las
herramientas de IA es el procesamiento de grandes volúmenes de
información que les es de interés a los emprendedores y
estén a su vez disponibles en el internet, que sintetizada en
conocimiento constituye un pilar fundamental para las propuestas de valor en
todas sus actividades económicas. Adicionalmente se remarca el tiempo
que los potenciales empresarios le han destinado al aprendizaje de la nueva
interacción entre los seres humanos y las máquinas, la indust=
ria
4.0 y la interfaz entre los grandes modelos lingüísticos.
Dentro del ámbito pleno de la
gestión empresarial propiamente dicho, las mayores dinámicas =
se
centran en la automatización de tareas repetitivas con el fin de
optimizar la calidad del producto o servicio, los costos, el tiempo y la
eficiencia que son una constante en la operación de sus actividades =
con
fines económicos. Las técnicas más reconocidas entre
quienes apuestan por su innovadora idea de negocio o aplican
metodologías de investigación de operaciones, ciencias para la
toma de decisiones frente a la incertidumbre, finanzas, detección de
fraudes, tipos de riesgo y marketing digital, entre otros, todos los cuales
tutelan para una más acertada planificación de nuevos proyect=
os
para mejorar sus economías.
Los hallazgos expuestos ponen de manifiesto una
disputa evidente entre las principales empresas de tecnología de Est=
ados
Unidos y China, centrada en la democratización de estas innovaciones
tecnológicas para los usuarios finales. Se prevé que estos
últimos sean en última instancia los principales beneficiario=
s de
este fenómeno, dado que la mayoría de estas corporaciones ope=
ran
bajo esquemas de negocio que implican el uso sin restricciones bajo una
suscripción de pago.
REFERENCIAS
Ackley, D., Hinton, G., & Sejnowski, T. (1985). A learning algorithm for boltzmann machines. Cognitive Science, 9(1), 147-169.=
https://d=
oi.org/10.1016/s0364-0213(85)80012-4
American Physical Society. (2024). APS
congratulates 2024 Nobel Prize winners. American Physical Society. <=
span
lang=3DES-MX>https://w=
ww.aps.org/about/news/2024/10/nobel-physics-2024-winners?_gl=3D15pq67s_gaNT=
k1MjQwNzMxLjE3MzMzMjQyNzY._ga_ZS5V2B2DR1*MTczOTA2ODg1Ny4xLjAuMTczOTA2ODg1Ny=
4wLjAuMTYyMzIyMDA2OQ
Baimukhamedova<=
/span>, A., &
Chen, Y., Li, L., Li, W., Guo, Q., Du, Z.,
& Xu, Z. (2022). AI computing systems: An Application Driven Perspectiv=
e.
Elsevier.
DeepSeek=
-Ai, Liu, A., F=
eng,
B., Xue, B., Wang, B., Wu, B., Lu, C., Zhao, C.,
Deng, C., Zhang, C., Ruan, C., Dai, D., Guo, D.,
Yang, D., Chen, D., Ji, D., Li, E., Lin, F., Dai, F., . . . Pan, Z. (2024, =
27 diciembre). DeepSeek-V3 T=
echnical
Report. arXiv.org. https://arxiv.org/abs/2412.19437v1
Donthu, N., Kumar, S.,
Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a
bibliometric analysis: An overview and guidelines. Journal Of Business
Research, 133, 285-296. https://doi.org/10.1016/j.jbus=
res.2021.04.070
ElFarmawi, W. (2023).
Leveraging Technology to Improve Business during and after the Pandemic.
International Journal of Business Technology and Organizational Behavior (<=
span
class=3DSpellE>IJBTOB), 3(1), 40-50. https://doi.org/10.52218/ijbtob.v3i1.258
Ghobakhloo, M. (2019).
Industry 4.0, digitization, and opportunities for sustainability. Journal Of
Cleaner Production, 252, 119869. https://doi.org/10.1016/j.jclepro.2019.119869
Gu, Y. (2023). Problems and Solutions of Qu=
antitative
Analysis in Financial Market. Highlights In Business Economics and Manageme=
nt,
21, 753-757. https://doi.org/10.54097/hbem.v21i.14757<=
/span>
Gunes, Y. C., & Ces=
ur,
T. (2024). The Diagnostic Performance of Large Language Models and General
Radiologists in Thoracic Radiology Cases. Journal Of Thoracic Imaging.
https://doi.org/10.1097/rti.0000000000000805
Haigh, T. (2024). Between the Booms: AI in
Winter. Communications Of The ACM, 67(11), 18-23.
https://doi.org/10.1145/3688379
Hider, P., & Coe, M. (2020). Discipline=
s in
their organizational context: Mapping Australian faculty structures to the =
ASCED and ANZSRC fields of
education and research. Australian Universities’ Review, 62(1), 10-17.
http://files.eric.ed.gov/f=
ulltext/EJ1244722.pdf
Hopfield, J. J. (1982). Neural networks and
physical systems with emergent collective computational abilities. Proceedi=
ngs
Of the National Academy of Sciences, 79(8), 2554-2558. https://doi.org/10.1=
073/pnas.79.8.2554
Huarote-Zegarra, R., Rojas-Escobar, I., &
Vega-Luján, Y. (2019). IMPROVEMENT OF THE NEO=
COGNITRON
TRAINING STRATEGY.
https://revista-dyna.com/dyna-newtech/index.php/dyna-newtech/article/view/7=
6
Hwang, R., Wei, J., Cao, S., Hwang, C., Tan=
g,
X., Cao, T., & Yang, M. (2024). Pre-gated moe: An
algorithm-system co-design for fast and scalable mixture-of-expert inferenc=
e.
In 2024 ACM/IEEE 51st Annual International Symposium on Computer
Architecture (ISCA) (pp. 1018-1031). IEEE.=
Ilyas, I. F., & Chu, X. (2019). Data
cleaning. ACM Books.
Kirby, A. (2023). Exploratory Bibliometrics:
Using VOSviewer as a Preliminary Research Tool.
Publications, 11(1), 10. https://doi.org/10.3390/publi=
cations11010010
Kotler, P., Kartajaya<=
/span>,
H., & Setiawan, I. (2021). Marketing 5.0: Technology for Humanity.
https://openlibrary.telkomuniversity.ac.id/pustaka/165964/marketing-5-0-tec=
hnology-for-humanity.html
Kraus, S., Jones, P., =
Kailer,
N., Weinmann, A., Chaparro-Banegas, N., & <=
span
class=3DSpellE>Roig-Tierno, N. (2021). Digital Transformation: An Ov=
erview
of the Current State of the Art of Research. SAGE Open, 11(3). https://d=
oi.org/10.1177/21582440211047576
Liu, A., Feng, B., Xue=
,
B., Wang, B., Wu, B., Lu, C., Zhao, C., Deng, C., Zhang, C., Ruan, C., Dai, D., Guo, D., Yang, D., Chen, D., Ji, D=
., Li,
E., Lin, F., Dai, F., . . . Pan, Z. (2024). DeepSeek-V=
3
Technical Report. arXiv.org. https://arxi=
v.org/abs/2412.19437v1
Nikam, K. (2015). Zo=
tero
Software for Effective Reference Management. Journal of Advancements in Lib=
rary
Sciences, 2(1): 36–47p.
OpenAI. (2022, 30
Pehlivan=
, C. N., Forgó, N., & Valcke, P. (2024). The EU
Artificial Intelligence (AI) Act: A Commentary. Kluwer Law International B.=
V.
Pre-gated MoE: =
An
Algorithm-System Co-Design for Fast and Scalable Mixture-of-Expert Inferenc=
e.
(2024, 29 junio). IEEE Conference Publication |=
IEEE
Xplore. https://ieeexplore.ieee.org/document/10=
609634
Ray, P. P. (2023). Cha=
tGPT:
A comprehensive review on background, applications, key challenges, bias,
ethics, limitations and future scope. Internet Of Things and Cyber-Physical
Systems, 3, 121-154. https://doi.org/10.1016/j.iotcps.=
2023.04.003
Romero, A. M. M. (2020). La brecha digital
generacional. Temas Laborales: Revista Andaluza de Trabajo y Bienestar Soci=
al,
151, 77-93. https://dialnet.unirioja.es/descarg=
a/articulo/7464144.pdf
Rosenblatt, F. (1958). The perception: A
probabilistic model for information storage and organization in the brain.
Psychological Review, 65(6), 386-408. https://doi.org/10.1037/h0042519
Rumelhart, D. E., Hinton=
, G.
E., & Williams, R. J. (1986). Learning representations by back-propagat=
ing
errors. Nature, 323(6088), 533-536. https://doi.org/10.1038/323533a0
Rusydiana, A., Taqi, M., Firmansyah, I.,=
Assalafiyah, A., & Kustining=
sih,
N. (2020). A Bibliometric Analysis of Islamic Accounting Research Indexed b=
y Dimensions.ai. Digital Commons University of Nebraska=
-
Lincoln. https://digitalcommons.unl.edu/libphilprac/4803/
Sedighi<=
/span>, M. (2016).
Application of word co-occurrence analysis method in mapping of the scienti=
fic
fields (case study: the field of Informetric). Library Review, 65(1/2), 52-=
64.
https://doi.org/10.1108/lr-07-2015-0075
Turing, A. M. (1950). =
I.COMPUTING
MACHINERY AND INTELLIGENCE. Mind, LIX (236), 433-460.
https://doi.org/10.1093/mind/lix.236.433
Vaswani, A., Shazeer,
N., Parmar, N., Uszkoreit<=
/span>,
J., Jones, L., Gomez, A. N., Kaiser, L., & =
Polosukhin, I. (2017). Attention is All you Need. arXiv
(Cornell University), 30, 5998-6008. https://arxiv.org=
/pdf/1706.03762v5
Watson, A., & Myhi=
ll,
D. (2018). The Dartmouth Conference revisited. En
Routledge eBooks (p. 241-253). https://doi.org/10.4324/9781351024464-19
Weizenbaum, J. (1966).
ELIZA—a computer program for the study of natural language communicat=
ion
between man and machine. Communications Of The ACM, 9(1), 36-45.
https://doi.org/10.1145/365153.365168
Yang, Y., & Shieh, J. (2019). Bibliomining the Pareto Principle of Public Libraries=
. En Advances in intelligent systems and computing (pp.
132-140). https://doi.org/10.1007/978-3-030-30443-0_12
AGRADECIMIENTOS
Esta investigación fue posible gracias =
al
acuerdo de suscripción otorgado a los autores para estudios de desar=
rollo
sostenible en el Ecuador por parte de Digital Science<=
/span>,
lo que facilitó acceder a todas las prestaciones de su plataforma
https://<=
span
class=3DSpellE>app.dimensions.ai/auth/ba=
se/landing
Todo el contenido de LATAM Revista Latinoamericana de Cienci=
as
Sociales y Humanidades, publicados en este sitio está disponible=
s
bajo Licencia Creative Commons ![3D"https://revistacientifica.uamericana.edu.py/public/site/images/aduar=](3D"0208_RiofrioRomero_archivos/image013.jpg")
.