Impacto de la inteligencia artificial generativa en la toma de decisiones estratégicas y la eficiencia operativa de grandes empresas multinacionales
DOI:
https://doi.org/10.67166/v6ajd117Palabras clave:
inteligencia artificial generativa; decisiones estratégicas; eficiencia operativa; empresas multinacionales; economía digital.Resumen
El objetivo de la investigación fue determinar el impacto de la inteligencia artificial generativa en la toma de decisiones estratégicas y la eficiencia operativa de grandes empresas multinacionales. El estudio se diseñó con enfoque cuantitativo, alcance descriptivo-correlacional y diseño cuasi experimental, mediante dos grupos empresariales: un grupo de control que mantuvo procesos analíticos tradicionales y un grupo experimental que incorporó una propuesta denominada GenAI Estratégica Operativa para diagnóstico, simulación de escenarios, generación de reportes, priorización de riesgos, soporte logístico y análisis de productividad. La muestra modelada estuvo conformada por 30 corporaciones multinacionales codificadas, distribuidas en 15 empresas por grupo. Se aplicó un test de base estructurada para medir destrezas económicas y gerenciales asociadas con calidad de decisión, velocidad de análisis, eficiencia de costos, productividad operativa, gestión de riesgos y capacidad de innovación. El instrumento fue validado por diez expertos en economía digital, analítica empresarial, gestión estratégica, operaciones y estadística aplicada; además, alcanzó una confiabilidad Alfa de Cronbach de 0.89, considerada muy alta. Para el procesamiento de los datos se calcularon estadísticos descriptivos, correlación de Pearson, t de Student para muestras independientes y tamaño del efecto mediante d de Cohen. Los resultados modelados evidenciaron diferencias significativas a favor del grupo experimental en reducción del tiempo de decisión, precisión del pronóstico, disminución de costos operativos y retorno estratégico de la inversión digital. Se concluye que la inteligencia artificial generativa puede fortalecer la competitividad corporativa cuando se implementa con gobernanza de datos, supervisión humana, rediseño de procesos y criterios éticos de control.
Descargas
Referencias
Aydiner, A. S., Tatoglu, E., Bayraktar, E., & Zaim, S. (2019). Information system capabilities and firm performance: Opening the black box through decision-making performance and business-process performance. International Journal of Information Management, 47, 168–182. https://doi.org/10.1016/j.ijinfomgt.2018.12.015
Banco Mundial. (2025). Digital Progress and Trends Report 2025: Strengthening AI foundations. World Bank. https://www.worldbank.org/en/publication/dptr2025-ai-foundations
Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
Calvino, F., Samek, L., Squicciarini, M., & Morris, Z. (2025). The effects of generative AI on productivity, innovation and entrepreneurship. OECD Artificial Intelligence Papers, 39. Organisation for Economic Co-operation and Development. https://doi.org/10.1787/b21df222-en
Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E., & Tavares, M. M. (2024). Gen-AI: Artificial intelligence and the future of work. IMF Staff Discussion Notes, 2024(001). International Monetary Fund. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379
CEPAL. (2024). Overcoming development traps in Latin America and the Caribbean in the digital age. Economic Commission for Latin America and the Caribbean. https://www.cepal.org/en/publications/81383-overcoming-development-traps-latin-america-and-caribbean-digital-age
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297–334. https://doi.org/10.1007/BF02310555
Csaszar, F. A., Ketkar, H., & Kim, H. (2024). Artificial intelligence and strategic decision-making: Evidence from entrepreneurs and investors. Strategy Science, 9(4), 1–24. https://doi.org/10.1287/stsc.2024.0190
Culot, G., Podrecca, M., & Nassimbeni, G. (2024). Artificial intelligence in supply chain management: A systematic literature review of empirical studies and research directions. Computers in Industry, 162, 104132. https://doi.org/10.1016/j.compind.2024.104132
Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Organization Science. https://doi.org/10.1287/orsc.2025.21838
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data: Evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021
Dubey, R., Gunasekaran, A., & Papadopoulos, T. (2024). Benchmarking operations and supply chain management practices using generative AI: Towards a theoretical framework. Transportation Research Part E: Logistics and Transportation Review, 189, 103689. https://doi.org/10.1016/j.tre.2024.103689
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. https://doi.org/10.1126/science.adj0998
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence and business value: A literature review. Information Systems Frontiers, 24, 1709–1734. https://doi.org/10.1007/s10796-021-10186-w
Jackson, I., Ivanov, D., Dolgui, A., & Namdar, J. (2024). Generative artificial intelligence in supply chain and operations management: A capability-based framework. International Journal of Production Research, 62(17), 6120–6145. https://doi.org/10.1080/00207543.2024.2309309
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586. https://doi.org/10.1016/j.bushor.2018.03.007
Kanbach, D. K., Heiduk, L., Blueher, G., Schreiter, M., & Lahmann, A. (2024). The GenAI is out of the bottle: Generative artificial intelligence from a business model innovation perspective. Review of Managerial Science, 18, 1189–1220. https://doi.org/10.1007/s11846-023-00696-z
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434
Ministerio de Economía y Finanzas del Paraguay. (2025). El MEF invita a participar del conversatorio Primavera Digital. Gobierno del Paraguay. https://www.mef.gov.py/
Ministerio de Economía y Finanzas del Perú. (2024). Informe de evaluación de la Política Nacional de Competitividad y Productividad 2023. Gobierno del Perú. https://www.mef.gob.pe/
Ministerio de Economía y Finanzas del Perú. (2026). Plan de Gobierno Digital 2024–2026: Actualización 2026. Gobierno del Perú. https://www.mef.gob.pe/
Ministerio de Telecomunicaciones y de la Sociedad de la Información del Ecuador. (2025). Política pública para la transformación digital del Ecuador 2025–2030. Gobierno del Ecuador. https://www.telecomunicaciones.gob.ec/
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
Queiroz, M. M., & Wamba, S. F. (2021). Artificial intelligence in supply chain and logistics management: A bibliometric study and research agenda. The International Journal of Logistics Management, 32(2), 578–603. https://doi.org/10.1108/IJLM-08-2020-0312
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation-augmentation paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072
Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: Appropriate use and interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. https://doi.org/10.1213/ANE.0000000000002864
Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial intelligence in supply chain management: A systematic literature review. Journal of Business Research, 122, 502–517. https://doi.org/10.1016/j.jbusres.2020.09.009
Wamba, S. F., Akter, S., Trinchera, L., & De Bourmont, M. (2019). Turning information quality into firm performance in the big data economy. Management Decision, 57(8), 1756–1783. https://doi.org/10.1108/MD-04-2018-0394
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Karen Andrea Santana Quevedo (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
