Doxa 2677

Mapeo de flujos de trabajo para el rendimiento con IA:
Por qué la cartografía de procesos precede al despliegue tecnológico — una síntesis crítica de la evidencia científica

Autor: Oscar Hernando Benavides Paz, MBA

Resumen. La promesa de productividad asociada a la inteligencia artificial (IA) convive con una realidad empírica persistente: la mayoría de las inversiones no produce impacto medible en resultados. Esta revisión sintetiza evidencia experimental, estudios de caso y análisis organizacionales para argumentar que el cuello de botella no reside en la capacidad de los modelos, sino en la legibilidad del trabajo. Los hallazgos convergentes indican que las organizaciones que mapean sus flujos de trabajo antes de desplegar IA —y que rediseñan los procesos en función de ese mapa— identifican más casos de uso, completan más tareas, generan más ingresos y requieren menos capital externo que aquellas que adoptan herramientas sin cartografía previa. Se examinan los mecanismos: la brecha entre el proceso documentado y el proceso real, el sesgo de métricas agregadas, la ilusión de productividad y el rol de la orquestación de agentes. Se discuten implicaciones para América Latina y se formulan retos de investigación. La tesis central es que el rendimiento con IA es un problema de diseño de flujos de trabajo, no de selección de tecnología.

1. Introducción

La adopción organizacional de la inteligencia artificial ha alcanzado niveles sin precedentes: el 88% de las organizaciones reporta algún grado de adopción. Sin embargo, esta difusión masiva no se ha traducido en rendimiento económico proporcional. El laboratorio NANDA del MIT encontró que el 95% de los pilotos de IA generativa no produce impacto medible en resultados financieros. La paradoja es aún más pronunciada cuando se examina la relación entre acceso a herramientas y creación de valor: tener licencias de IA no equivale a obtener beneficios, y las organizaciones que simplemente "automatizan" tareas aisladas dentro de procesos fragmentados suelen acumular deuda técnica y de proceso en lugar de capturar eficiencia.

La literatura reciente identifica un factor que distingue a las organizaciones exitosas: el mapeo de flujos de trabajo. No se trata de documentación burocrática ni de organigramas, sino de una representación viva y verificable de cómo el trabajo se ejecuta realmente —incluyendo los workarounds, las excepciones, los juicios humanos y las dependencias ocultas— para identificar dónde la IA puede intervenir con efecto sistémico y no solo local. El problema que aborda esta revisión se formula con precisión: las empresas suelen preguntar "¿qué herramienta de IA comprar?" o "¿qué tarea automatizar?", pero esas preguntas llegan demasiado tarde porque presuponen que la organización ya comprende su propio trabajo, cuando en la mayoría de los casos no es así. Un modelo puede resumir documentos, redactar correos o escribir código, pero no puede mejorar un negocio que no puede ver; no puede razonar sobre consecuencias posteriores si el flujo de trabajo permanece opaco.

Esta revisión articula la evidencia dispersa —experimentos de campo, estudios de caso, análisis de process mining y marcos de value stream mapping— en un argumento coherente: el rendimiento con IA es una función del diseño del flujo de trabajo, no de la potencia del modelo. La implicación práctica es que la secuencia "mapear → rediseñar → automatizar → medir" invierte la lógica dominante de "comprar → implementar → esperar resultados".

2. Objetivos

Objetivo general. Sintetizar críticamente la evidencia científica y técnica sobre la relación entre el mapeo de flujos de trabajo y el rendimiento organizacional con inteligencia artificial, identificando los mecanismos causales, las condiciones de éxito y las limitaciones de la evidencia disponible.

Objetivos específicos. (1) Examinar la evidencia experimental sobre el impacto del mapeo y rediseño de flujos de trabajo en métricas de rendimiento empresarial. (2) Analizar los mecanismos por los cuales la ausencia de cartografía de procesos conduce a fracasos de adopción de IA. (3) Evaluar el rol de las técnicas de process mining y value stream mapping como instrumentos de legibilidad organizacional. (4) Identificar la brecha entre la percepción de productividad y la productividad real en entornos mediados por IA. (5) Formular implicaciones para el diseño de estrategias de adopción y retos de investigación, con énfasis en el contexto latinoamericano.

3. Metas

La revisión se propone: (i) consolidar en un marco único los hallazgos de al menos tres cuerpos de evidencia —experimentos de campo controlados, estudios de despliegue organizacional y literatura de ingeniería de procesos—; (ii) identificar umbrales y condiciones bajo las cuales el mapeo de flujos de trabajo produce retornos medibles; (iii) caracterizar los indicadores que permiten distinguir entre actividad y valor en la adopción de IA; y (iv) derivar recomendaciones operativas para líderes que enfrentan decisiones de inversión en IA sin una cartografía previa de sus procesos.

4. Desarrollo

4.1. La evidencia experimental: el mapeo como condición de descubrimiento

La evidencia causal más directa proviene de un experimento de campo con 515 startups de alto crecimiento, realizado por investigadores de INSEAD y Harvard Business School en el marco de un acelerador de tres meses. La mitad de las empresas recibió formación estándar en IA; la otra mitad fue expuesta adicionalmente a casos de estudio de organizaciones similares que habían reorganizado sus operaciones en torno a la IA. Los resultados fueron consistentes: las empresas expuestas a ejemplos de rediseño de flujos de trabajo identificaron un 44% más de casos de uso, completaron un 12% más de tareas, fueron un 18% más propensas a adquirir clientes de pago y generaron casi el doble de ingresos que el grupo de control. Además, requirieron un 39,5% menos de capital externo —más de 220.000 dólares menos en promedio— manteniendo niveles de empleo similares.

El hallazgo clave no es que la formación funcione, sino que el obstáculo es de descubrimiento, no de acceso. El estudio define el "problema de mapeo" (mapping problem) como la dificultad que enfrentan las firmas para identificar dónde la IA puede crear valor dentro de sus flujos de trabajo y cómo reorganizar los procesos para traducir mejoras a nivel de tarea en resultados de negocio más amplios. Los mayores beneficios se concentraron en las empresas de mejor desempeño, lo que sugiere que la IA amplía el límite superior del éxito en lugar de mejorar uniformemente a todas las firmas. La implicación es que las políticas centradas exclusivamente en el acceso a herramientas son insuficientes: lo que falta es la capacidad de explorar casos de uso y repensar flujos de trabajo.

4.2. El costo invisible: rediseño de procesos como el verdadero desafío

El estudio The Enterprise AI Playbook, publicado por el Stanford Digital Economy Lab en abril de 2026, examinó 51 despliegues que entregaron valor medible en 41 organizaciones, siete países y más de un millón de empleados. Cuando se preguntó a los practitioners cuál había sido el desafío más difícil, el 77% señaló costos invisibles: gestión del cambio, calidad de datos y rediseño de procesos. Ni el modelo ni la infraestructura. En el 42% de las implementaciones, el modelo fundacional era completamente intercambiable; la ventaja duradera residía en el diseño del flujo de trabajo, no en la IA. Y el 61% de los despliegues exitosos había incluido al menos un fracaso previo, cuyo patrón común era haber tratado la IA como un proyecto tecnológico en lugar de un proyecto de rediseño de procesos.

Este patrón es convergente con los datos de McKinsey: al probar 25 factores organizacionales contra el impacto en EBIT, el factor con mayor correlación fue el rediseño de flujos de trabajo; el 55% de las empresas de alto rendimiento había rediseñado fundamentalmente sus flujos en torno a la IA, frente a solo el 20% de las demás. La conclusión es inequívoca: la tecnología no es la parte difícil. La parte difícil es hacer legible el trabajo para que la IA pueda operar sobre él con conciencia de consecuencias.

4.3. Legibilidad organizacional: process mining y value stream mapping

La literatura de ingeniería de procesos ofrece los instrumentos conceptuales y técnicos para construir esa legibilidad. El process mining —que extrae mapas de procesos a partir de los registros de eventos de los sistemas— permite observar el proceso real, no el documentado. A ello se suma el task mining, que captura la actividad a nivel de usuario, y los marcos de value stream mapping (VSM), que identifican dónde se genera valor y dónde se acumula desperdicio. La tesis doctoral de Aalto University, realizada en nueve equipos de desarrollo de GE HealthCare, ilustra el poder de este enfoque: el análisis del estado actual reveló 78 puntos de dolor en 59 tareas, y los talleres tradujeron esos cuellos de botella en 41 oportunidades de mejora con IA, priorizadas mediante una matriz de esfuerzo-impacto y análisis de dependencias. El estudio concluye que la orquestación de agentes específicos en flujos unificados simplifica el value stream y desplaza el rol del desarrollador de la ejecución de código a la supervisión arquitectónica.

El marco del Observation Sprint propone una metodología complementaria: un período de una a dos semanas de registro del trabajo real mediante video, actividad de pantalla, llamadas, reuniones y documentos, que la IA sintetiza en grafos de flujo de trabajo, identifica cuellos de botella y experiencias ocultas, y genera especificaciones aprobadas por humanos para la mejora de software y procesos. Su argumento central es que la IA se vuelve operativamente útil cuando el trabajo se vuelve legible; cuando todo vive dentro de un flujo de trabajo mapeado, la IA gana conciencia de consecuencias: puede ver no solo la acción actual sino también los efectos posteriores probables.

La evidencia sobre la adopción de estas técnicas en América Latina es aún incipiente pero convergente. Un estudio con dos pequeñas empresas comparó el mapeo convencional con el mapeo asistido por IA (Heflo, ChatGPT y notación BPMN) y encontró que, si bien la IA proporcionó mayor agilidad, los procesos mapeados con su ayuda mostraron menor asertividad respecto de los procesos reales, especialmente en la creación del diseño BPMN. El hallazgo no invalida la IA como herramienta de mapeo, pero subraya que el mapeo requiere validación humana y conocimiento contextual: la automatización del mapa no sustituye la comprensión del trabajo.

4.4. La ilusión de productividad y el sesgo de las métricas agregadas

Una de las razones por las cuales las organizaciones persisten en adoptar IA sin mapear flujos de trabajo es que las métricas convencionales de productividad —tareas completadas por unidad de tiempo, tiempo ahorrado, percepciones de eficiencia— pueden ser engañosas. La investigación de METR documentó una brecha preocupante: desarrolladores cuyo trabajo se ralentizó un 19% por efecto de la IA seguían creyendo que eran un 20% más eficientes; más del 80% de los encuestados por DORA percibía que la IA había aumentado su productividad. Esta desconexión entre percepción y realidad sugiere que los equipos acumulan deuda técnica y de proceso invisible, confundiendo actividad con valor.

El fenómeno se explica parcialmente por la estructura de los flujos de trabajo. Un análisis de modelos de colas aplicados a entornos de IA generativa argumenta que las métricas basadas en medias —tareas completadas, tiempo promedio— pueden tergiversar los efectos de la IA en flujos donde las tareas se acumulan y compiten por atención humana escasa; la IA puede acelerar tareas individuales y, sin embargo, saturar un cuello de botella posterior, desplazando el problema en lugar de resolverlo. La implicación para el mapeo es clara: sin una representación del flujo completo, es imposible distinguir entre eficiencia local y eficacia sistémica. El mapeo permite precisamente esa distinción, revelando consecuencias posteriores y evitando que la optimización de un eslabón degrade el desempeño del conjunto.

4.5. De la automatización de tareas a la orquestación de flujos

La evolución tecnológica refuerza la centralidad del mapeo. Gartner proyecta que el 40% de las aplicaciones empresariales incluirá agentes de IA específicos de tareas para finales de 2026, frente a menos del 5% en 2025, y que la próxima etapa será la colaboración entre agentes dentro de ecosistemas orquestados. Sin embargo, la misma firma anticipa que más del 40% de los proyectos de IA agéntica serán cancelados para finales de 2027 debido a costos crecientes, valor de negocio poco claro o controles de riesgo inadecuados. La diferencia entre el éxito y la cancelación no será la sofisticación del agente, sino la existencia de un mapa de proceso que defina permisos, puntos de control, manejo de excepciones y propiedad del flujo.

Los estudios empíricos sobre arquitecturas agénticas confirman que la orquestación explícita supera a los enfoques de agente único: los sistemas multiagente con planificación y revisión logran mejores puntuaciones de confianza y rendimiento en tareas intensivas en razonamiento. Pero la orquestación presupone un mapa: para descomponer una tarea en subtareas con dependencias explícitas, se necesita primero comprender la estructura del trabajo. El mapeo no es un paso previo opcional; es la infraestructura cognitiva sobre la cual se construye la automatización inteligente.

4.6. Implicaciones para América Latina

La región latinoamericana presenta una oportunidad y una urgencia particulares. El Banco Interamericano de Desarrollo estima que las tecnologías basadas en IA podrían aumentar el crecimiento de la productividad total de los factores entre 0,25 y 0,6 puntos porcentuales anuales, con ganancias de productividad laboral de 0,4 a 0,9 puntos, pero estos beneficios dependen de la adopción generalizada, la integración con tecnologías complementarias y políticas que minimicen las disparidades sectoriales. Las herramientas generativas de IA pueden aumentar la productividad específica de tareas entre un 10% y un 56%, aunque las limitaciones en ciertas tareas restringen su impacto agregado.

El Foro Económico Mundial documenta que las organizaciones latinoamericanas que generan impacto con IA suelen ejecutar iniciativas en seis a nueve meses, mientras que las que no generan impacto tardan más de un año. La diferencia no es de acceso a tecnología, sino de procesos de entrega ágiles y definición clara de flujos. Las organizaciones de la región enfrentan mayores dificultades para habilitar la colaboración interfuncional del talento en IA y carecen con frecuencia de procesos ágiles bien definidos. En este contexto, el mapeo de flujos de trabajo no es un lujo metodológico: es la condición para que la inversión en IA se traduzca en resultados y no en una acumulación de pilotos sin escala.

5. Conclusiones

La evidencia revisada sostiene una conclusión robusta: el rendimiento con inteligencia artificial está determinado en primer lugar por la calidad del diseño del flujo de trabajo, no por la capacidad del modelo. Los experimentos de campo muestran que la exposición a ejemplos de rediseño de flujos —no la mera disponibilidad de herramientas— multiplica la identificación de casos de uso, la finalización de tareas, la adquisición de clientes y los ingresos, al tiempo que reduce la dependencia de capital externo. Los estudios de despliegue organizacional revelan que los costos invisibles —gestión del cambio, datos, rediseño de procesos— concentran la dificultad real, y que los modelos son frecuentemente intercambiables mientras el diseño del flujo no lo es. La investigación sobre percepción de productividad advierte que las métricas convencionales pueden ocultar deterioros sistémicos, y la literatura de orquestación agéntica confirma que la coordinación de agentes requiere una cartografía previa del trabajo.

La implicación de política organizacional es que la secuencia debe invertirse: mapear antes de automatizar. El mapeo no es un ejercicio de documentación retrospectiva; es un acto de descubrimiento que revela dónde reside el valor, dónde se acumula el desperdicio y dónde la IA puede intervenir con efecto sistémico. Sin mapa, la organización compra tecnología para un trabajo que no comprende, y la IA termina amplificando la disfunción existente en lugar de corregirla.

6. Retos y agenda de investigación

Reto 1: Medición del retorno del mapeo. La evidencia experimental demuestra que el rediseño de flujos produce resultados, pero no existe una métrica estandarizada del valor del mapeo per se. Se requieren estudios que cuantifiquen el retorno de la inversión en cartografía de procesos frente a la adopción directa de herramientas, con diseños aleatorizados y horizontes temporales suficientes.

Reto 2: Mapeo de procesos no deterministas. Las técnicas predominantes —process mining, VSM, BPMN— fueron diseñadas para procesos relativamente estructurados. El trabajo cognitivo, las tareas creativas y los flujos mediados por agentes de IA presentan dependencias no lineales y resultados no deterministas que desafían los instrumentos clásicos. Se necesita investigación metodológica sobre representaciones de flujos adaptativas y probabilísticas.

Reto 3: Validación humana del mapeo asistido por IA. La evidencia latinoamericana sugiere que el mapeo asistido por IA gana en agilidad pero pierde en asertividad. Investigar arquitecturas de human-in-the-loop que combinen la escala de la IA con la validación contextual humana, y evaluar su efectividad en distintos sectores y tamaños de organización, es una prioridad.

Reto 4: Superación de la ilusión de productividad. La brecha entre percepción y realidad exige métricas que capturen el desempeño del flujo completo —no solo de tareas aisladas— y que incorporen indicadores de deuda de proceso, retrabajo, tiempo de espera y calidad de las decisiones. El desarrollo de tableros de process intelligence validados empíricamente es un campo abierto.

Reto 5: Gobernanza de la orquestación agéntica. A medida que los agentes ganan autonomía, el mapa de flujo se convierte en un artefacto de gobernanza crítico: define permisos, puntos de control, manejo de excepciones y responsabilidad. Investigar modelos de gobernanza que preserven la observabilidad y la capacidad de intervención humana sin sofocar la eficiencia es esencial para evitar la cancelación masiva de proyectos que anticipan los analistas.

Reto 6: Contextualización para América Latina y economías emergentes. La región enfrenta restricciones de recursos, fragmentación de procesos y brechas de capacidades que hacen que las metodologías de mapeo importadas puedan requerir adaptaciones significativas. Se necesita investigación comparada sobre métodos de bajo costo, apropiación por parte de pymes y sostenibilidad del mapeo en entornos con alta rotación y baja madurez de datos.

Referencias

• Bartolucci, S., & Vivo, P. (2026). Queue & AI: When faster tasks slow down the workflow [Working paper]. arXiv.
• Estrela, T. D. C., Santos, L. V., & Silva, W. J. (2025). Inteligencia artificial aplicada al mapeo de procesos de negocio. Revista GIT, 3(4), e34065. https://doi.org/10.29327/2385846.3.4-2
• Gartner. (2025, 26 de agosto). Gartner predicts 40% of enterprise apps will feature task-specific AI agents by 2026, up from less than 5% in 2025 [Press release]. https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
• Hautala, D. (2026). Strategic integration of artificial intelligence in software engineering: A systematic approach using value stream mapping [Master's thesis, Aalto University]. Aaltodoc.
• Information Services Group. (2026, 26 de enero). U.S. firms adopt agentic automation for integrated operations [Press release]. Nasdaq. https://www.nasdaq.com/press-release/us-firms-adopt-agentic-automation-integrated-operations-2026-01-26
• Inter-American Development Bank. (2025). Informe macroeconómico de América Latina y el Caribe 2025: Oportunidades regionales en medio de cambios globales. IDB Publications.
• Kim, H., & Kim, D. (2026). Mapping AI into production: A field experiment on firm performance [Working paper]. INSEAD & Harvard Business School.
• Lewis-Pinnell, E. (2026, 12 de junio). Why the model isn't the hard part, the workflow is. Forbes. https://www.forbes.com/councils/forbestechcouncil/2026/06/12/why-the-model-isnt-the-hard-part-the-workflow-is/
• Pereira, S. (2026, 4 de febrero). Value-stream mapping is your missing AI superpower. The Lean Post. Lean Enterprise Institute. https://www.lean.org/the-lean-post/articles/value-stream-mapping-is-your-missing-ai-superpower/
• Pereira, S., Graylin, A., & Brynjolfsson, E. (2026). The enterprise AI playbook: Lessons from 51 successful deployments. Stanford Digital Economy Lab.
• Puranam, P., et al. (2026). From observation to operational intelligence: A workflow-first paper on AI, process mining, human judgment, and the next business operating system [Working paper]. Zenodo. https://zenodo.org/records/21163447
• Sivanasen, L. (2026). The 2026 AI inflection series, Chapter 13: How computer-using agents will transform enterprise execution. Zenodo. https://zenodo.org/records/22709419
• Stanford Digital Economy Lab. (2026, abril). The enterprise AI playbook: Lessons from 51 successful deployments.
• World Economic Forum. (2025). Latin America in the intelligent age: AI capabilities survey. WEF Reports. https://reports.weforum.org/docs/WEF_Latin_America_Intelligent_Age_PTBR.pdf
• For real performance gains with AI, start by mapping your workflows. (2026, 1 de noviembre). Harvard Business Review. https://store.hbr.org/product/for-real-performance-gains-with-ai-start-by-mapping-your-workflows/F2606A
• AI workflow redesign drives 1.9x revenue growth for startups. (2026, 6 de abril). ET Enterprise AI. https://enterpriseai.economictimes.indiatimes.com/news/industry/unlocking-19x-revenue-growth-the-power-of-ai-workflow-redesign-for-startups/130054930

Nota de verificación: Los datos cuantitativos citados provienen de las fuentes primarias y secundarias listadas. Las afirmaciones sobre mecanismos causales se basan en la evidencia disponible y se presentan con el nivel de certeza que la literatura permite. Cuando la evidencia es emergente o proviene de estudios con limitaciones de generalización —como los estudios de caso o los ensayos con startups de alto crecimiento—, se ha indicado en el texto.

Doxa 2676

Por qué las políticas restrictivas de ciberseguridad resultan contraproducentes:
Una síntesis crítica de la evidencia científica

Autor: Oscar Hernando Benavides Paz, MBA

Resumen. La literatura científica reciente documenta una paradoja robusta: un conjunto de políticas de ciberseguridad diseñadas para reducir el riesgo termina incrementando la exposición organizacional. Esta revisión sintetiza evidencia proveniente de experimentos conductuales, estudios cualitativos, análisis económicos de la regulación y reportes técnicos oficiales para explicar los mecanismos por los cuales las medidas restrictivas —controles obligatorios, prohibiciones tecnológicas, localización de datos y regímenes de responsabilidad agresivos— producen efectos contraproducentes. Se identifican cinco mecanismos interrelacionados: (i) reactancia psicológica y erosión de la percepción de gravedad de la amenaza; (ii) emergencia de "seguridad sombra" y workarounds que reducen la visibilidad del riesgo; (iii) agotamiento del "presupuesto de cumplimiento" individual; (iv) aumento de costos de cumplimiento que desproporcionadamente afecta a pequeñas empresas y sofoca innovación; y (v) desincentivos a la compartición de información y a la cooperación público-privada. Se discuten implicaciones para el diseño de políticas y se formulan retos de investigación, con énfasis en América Latina. El argumento central es que la efectividad de una política de ciberseguridad no puede medirse por su rigor formal, sino por su capacidad de preservar la autonomía del usuario, reducir la fricción cognitiva y alinear incentivos económicos con la seguridad real.

1. Introducción

La ciberseguridad se ha convertido en un imperativo estratégico para gobiernos, empresas e infraestructuras críticas. Frente a un panorama de amenazas en expansión —con un costo global estimado de 10,5 billones de dólares anuales para 2025— la respuesta política dominante ha sido la intensificación de controles: más autenticación obligatoria, más prohibiciones de herramientas, más requisitos de reporte y más sanciones por incumplimiento. Sin embargo, un cuerpo creciente de evidencia empírica y teórica sugiere que este enfoque, lejos de ser inocuo, puede producir consecuencias no previstas que erosionan precisamente los objetivos que pretende alcanzar.

La investigación conductual ha demostrado que los controles impuestos de manera percibida como invasiva desencadenan reactancia psicológica: una respuesta emocional de rechazo que lleva a los individuos a subestimar la gravedad de la amenaza y a buscar vías de evasión. Paralelamente, la literatura sobre usabilidad de la seguridad describe la emergencia de seguridad sombra (shadow security): prácticas informales mediante las cuales los empleados sortean las políticas oficiales para poder completar sus tareas, reduciendo la visibilidad organizacional del riesgo. A escala macro, los análisis económicos de la regulación advierten que los regímenes prescriptivos y ambiguos elevan los costos de cumplimiento, crean incertidumbre regulatoria y desvían recursos de la innovación en seguridad. Y en el plano de la gobernanza, las políticas de localización de datos y los regímenes de responsabilidad estrictos pueden fragmentar el intercambio de inteligencia de amenazas y desincentivar la cooperación público-privada.

Esta revisión tiene como propósito articular estos hallazgos dispersos en un marco coherente que explique por qué las políticas restrictivas de ciberseguridad resultan contraproducentes. La tesis central es que el rigor formal de una política no es un predictor válido de su efectividad: lo que determina el resultado es la interacción entre el diseño institucional, la psicología del cumplimiento y la economía de la innovación en seguridad.

2. Objetivos

Objetivo general. Sintetizar críticamente la evidencia científica disponible sobre los mecanismos mediante los cuales las políticas restrictivas de ciberseguridad generan efectos contraproducentes, identificando las condiciones bajo las cuales estos efectos se amplifican o mitigan.

Objetivos específicos. (1) Examinar la evidencia experimental sobre reactancia psicológica y erosión de la percepción de amenaza asociada a controles obligatorios. (2) Analizar la literatura sobre seguridad sombra y presupuesto de cumplimiento como mecanismos de adaptación conductual. (3) Evaluar el impacto económico de los regímenes regulatorios restrictivos sobre la innovación y la estructura de mercado. (4) Identificar los efectos de las políticas de localización de datos y de responsabilidad sobre la compartición de información. (5) Formular implicaciones para el diseño de políticas y retos de investigación, con atención al contexto latinoamericano.

3. Desarrollo

3.1. Reactancia psicológica y la paradoja de la percepción de amenaza

La evidencia experimental más directa sobre el carácter contraproducente de las políticas restrictivas proviene de una serie de seis experimentos con más de 2.800 participantes, que documentan un mecanismo de dos vías. Primero, cuando las políticas se imponen de manera que los empleados perciben una intromisión indebida en su autonomía, se activa una respuesta de reactancia psicológica que los lleva a subestimar la gravedad de las amenazas cibernéticas. El efecto es contraintuitivo: la política, al ser percibida como coercitiva, socava la credibilidad del mensaje de riesgo que la sustenta. Segundo, cuando una organización elimina o revierte una política de seguridad, los empleados infieren que el riesgo subyacente nunca fue tan grave como se les dijo, y reducen su preocupación general por las amenazas. En ambos casos, el resultado es un debilitamiento de la cultura de seguridad.

Este hallazgo converge con evidencia cualitativa proveniente de estudios en organizaciones. Entrevistas con empleados revelan que los controles obligatorios son experimentados como amenazas a la autonomía que desencadenan comportamientos de búsqueda de workarounds, y que la relación entre control y cumplimiento no es lineal: "cuanto más estricta es la política de contraseñas, más gente escribe contraseñas en notas adhesivas". La implicación es clara: el diseño procedimental de la política —el cómo se comunica e implementa— es tan determinante como su contenido técnico.

3.2. Seguridad sombra: la cara oculta del cumplimiento

La literatura sobre techno-regulation —la incorporación de restricciones directamente en la arquitectura de los sistemas— advierte que su efecto secundario más documentado es la emergencia de seguridad sombra. Este fenómeno se define como el conjunto de prácticas mediante las cuales las personas empiezan a trabajar alrededor de los sistemas y software existentes para completar tareas que se vuelven difíciles o imposibles cuando se adhieren estrictamente a todas las políticas de seguridad. Aunque la seguridad sombra no es intrínsecamente más riesgosa que el cumplimiento formal, el problema es que el monitoreo y la garantía de la seguridad del sistema se vuelven más difíciles, si no imposibles.

La evidencia empírica sobre workarounds de contraseñas confirma que los usuarios, aun siendo conscientes de los riesgos, participan en comportamientos desviados —anotar contraseñas, reutilizarlas, compartirlas— porque las políticas restrictivas imponen costos cognitivos y operativos que compiten con las demandas de productividad. El resultado neto es una pérdida de visibilidad: la organización cree tener un perímetro controlado cuando, en realidad, una parte significativa de la actividad ocurre en canales no monitoreados. La seguridad sombra convierte una política diseñada para cerrar brechas en una fuente de riesgo no cuantificado.

3.3. El presupuesto de cumplimiento y la racionalidad del incumplimiento

El paradigma del presupuesto de cumplimiento (compliance budget) ofrece un marco económico-conductual para entender por qué los usuarios incumplen políticas que reconocen como legítimas. La investigación seminal, basada en entrevistas con empleados de dos grandes organizaciones comerciales, demuestra que la decisión de cumplir depende de los costos y beneficios reales y anticipados para el individuo, así como de los costos y beneficios percibidos para la organización. El presupuesto es limitado: cada nueva medida de seguridad compite por atención, tiempo y esfuerzo cognitivo con todas las demás demandas del trabajo.

Cuando una política impone costos desproporcionados sin un beneficio percibido correspondiente, el usuario toma una decisión racional —desde su perspectiva— de rechazarla o de buscar una alternativa de menor costo. Esto explica por qué las políticas que se acumulan sin una evaluación de su impacto agregado sobre la carga del usuario terminan produciendo apatía de seguridad y una reducción del cumplimiento global, incluso de las medidas críticas. La lección para el diseño de políticas es que el cumplimiento no es un bien gratuito: se gestiona como un recurso escaso.

3.4. Costos de cumplimiento, innovación y concentración de mercado

A escala organizacional y de mercado, la evidencia económica indica que los regímenes regulatorios restrictivos —particularmente cuando son ambiguos y prescriptivos— elevan los costos de cumplimiento de manera que desproporcionadamente afecta a las empresas pequeñas y a los nuevos entrantes. Los análisis de la regulación de ciberseguridad señalan que las barreras de entrada aumentan porque las firmas pequeñas carecen de las economías de escala administrativas y legales para satisfacer los requisitos. El caso del Reglamento General de Protección de Datos (GDPR) es ilustrativo: estudios empíricos estructurales encontraron que su implementación redujo las nuevas ofertas de aplicaciones en casi un 50% y provocó la salida de aproximadamente un 33% de las ofertas existentes en la tienda de aplicaciones de Google, al tiempo que incrementó la concentración de mercado en favor de actores dominantes.

Más allá del caso específico, la incertidumbre regulatoria —la falta de claridad sobre qué constituye "seguridad razonable" o "protección adecuada"— desalienta la inversión en innovación porque las empresas no pueden estimar el retorno de sus esfuerzos. La regulación puede desviar la atención de las empresas hacia el cumplimiento formal y alejarla de las necesidades reales de seguridad, un fenómeno que se ha descrito como descubrimiento empresarial "superfluo": actividades que maximizan beneficios adaptándose a las reglas en lugar de innovar en soluciones genuinas. La paradoja es que un régimen diseñado para elevar el nivel de seguridad puede terminar sofocando la innovación en seguridad que el mercado necesita.

3.5. Localización de datos y fragmentación de la gobernanza

Las políticas de localización de datos —que exigen que ciertos datos permanezcan dentro de las fronteras nacionales— son un ejemplo paradigmático de medidas restrictivas con efectos contraproducentes documentados. Aunque se justifican en nombre de la soberanía y la seguridad, la evidencia indica que aumentan los costos de cumplimiento, interrumpen la innovación y crean riesgos de ciberseguridad al fragmentar los flujos de información de los que depende la detección y respuesta a incidentes. Para las pequeñas y medianas empresas, los costos de mantener almacenamiento local pueden ser prohibitivos, lo que las expulsa del mercado o las obliga a depender de proveedores locales que pueden tener infraestructuras de seguridad más débiles.

En el ámbito de la gobernanza de la seguridad, esta fragmentación se traduce en una paradoja de la gobernanza de la seguridad digital: las organizaciones necesitan simultáneamente innovar y proteger, pero los enfoques centralizados de gobernanza, orientados al control y la conformidad, generan inercia y reducen la capacidad de improvisación, lo que puede ser "tóxico" para la estrategia de innovación. La tensión no se resuelve eligiendo un polo, sino gestionando la ambidestreza organizacional.

3.6. Desincentivos a la compartición de información y alianza público-privada

La compartición de información sobre amenazas es un pilar de la ciberseguridad colectiva, pero los regímenes de responsabilidad agresivos y las políticas restrictivas de reporte pueden crear desincentivos perversos. La evidencia de la política de los Estados Unidos muestra que la responsabilidad civil, penal y regulatoria crea incentivos extremos para no compartir información sobre incidentes, y que las entidades requerirán protecciones de responsabilidad claramente definidas para participar en procesos efectivos de intercambio. Cuando las organizaciones temen que reportar un incidente desencadene sanciones regulatorias, demandas o daño reputacional, el resultado es un subreporte sistémico que deja a todo el ecosistema con menor visibilidad de las amenazas.

Este problema se agrava en infraestructuras críticas, donde la clasificación de la inteligencia de amenazas y las determinaciones de "necesidad de saber" impiden que la información procesable llegue a los operadores que deben responder. La consecuencia es una paradoja de seguridad nacional: cuanto más restrictivo es el control de la información, más vulnerable se vuelve el sistema en su conjunto por falta de inteligencia compartida.

3.7. Evidencia desde América Latina

La región latinoamericana presenta particularidades que amplifican los riesgos de las políticas restrictivas. La literatura regional identifica una tendencia a la securitización de la gobernanza del espacio cibernético y una fragmentación regulatoria significativa, con países que operan con marcos incompletos o desactualizados. La disparidad de recursos entre agencias y la desconfianza derivada de déficits institucionales dificultan la cooperación, lo que a su vez hace que las respuestas restrictivas —en lugar de compensar las debilidades— las profundicen. La decisión de algunos gobiernos de colocar la ciberseguridad bajo el control de agencias de inteligencia ha sido señalada como un precedente que, lejos de proteger derechos, refuerza lógicas autoritarias y puede erosionar la confianza necesaria para la cooperación público-privada.

4. Conclusiones

La evidencia revisada permite sostener que las políticas restrictivas de ciberseguridad son contraproducentes a través de al menos cinco mecanismos convergentes. Primero, la imposición percibida como coercitiva activa reactancia psicológica y reduce la percepción de gravedad de la amenaza, socavando la motivación intrínseca para protegerse. Segundo, las restricciones tecnológicas y procedimentales empujan a los usuarios hacia la seguridad sombra, lo que disminuye la visibilidad organizacional del riesgo. Tercero, las políticas que ignoran el presupuesto de cumplimiento saturan la capacidad cognitiva del usuario y producen apatía y evasión racional. Cuarto, los regímenes prescriptivos y ambiguos elevan los costos de cumplimiento, concentran el mercado y sofocan la innovación en seguridad, afectando desproporcionadamente a las empresas más pequeñas y vulnerables. Quinto, las políticas de localización de datos y los regímenes de responsabilidad agresivos fragmentan la gobernanza y desincentivan la compartición de información, dejando al ecosistema con menor inteligencia colectiva.

La conclusión de política es que la efectividad de una medida de ciberseguridad no se mide por su rigor formal ni por la amplitud de sus prohibiciones, sino por su capacidad de preservar la autonomía del usuario, reducir la fricción cognitiva y alinear los incentivos económicos con los objetivos de seguridad. Las políticas que ignoran estas dimensiones no solo fracasan: pueden dejar a las organizaciones en una posición de mayor exposición que la que tenían antes de su implementación.

5. Retos y agenda de investigación

Reto 1: Medición del efecto neto de las políticas restrictivas. La literatura existente documenta mecanismos, pero carece de métricas estandarizadas para comparar el beneficio de seguridad atribuible a una política restrictiva frente a los costos de fricción, seguridad sombra y erosión de la percepción de amenaza. Se requieren estudios longitudinales y diseños cuasi-experimentales en organizaciones reales.

Reto 2: Diseño de políticas que preserven la autonomía. La evidencia experimental sugiere que pequeñas variaciones en el lenguaje y el procedimiento de implementación pueden mitigar la reactancia, pero se desconoce en gran medida qué configuraciones específicas funcionan en distintos contextos culturales y sectoriales. La investigación futura debe traducir estos hallazgos en guías de diseño aplicables.

Reto 3: Integración de la seguridad sombra en los modelos de riesgo. La seguridad sombra es una realidad documentada, pero los marcos de gestión de riesgo —incluidos NIST CSF e ISO 27001— no la incorporan explícitamente. Se necesita investigación que desarrolle métodos para detectar, caracterizar y gestionar los workarounds como parte del riesgo operacional, en lugar de tratarlos únicamente como desviaciones a corregir.

Reto 4: Evaluación del impacto regulatorio en innovación y estructura de mercado. Los estudios sobre GDPR y otras regulaciones muestran efectos significativos sobre la entrada de empresas y la concentración, pero la evidencia es aún limitada para marcos de ciberseguridad específicos. Se requieren análisis económicos que distingan entre costos de cumplimiento necesarios y costos innecesarios derivados de la ambigüedad regulatoria.

Reto 5: Gobernanza de la información en infraestructuras críticas. La tensión entre clasificación de inteligencia y necesidad operacional de los defensores permanece sin resolver. Investigar modelos de compartición seguro —como los esquemas de safe harbor bien diseñados— y evaluar su efectividad empírica es una prioridad para la seguridad nacional y la resiliencia de infraestructuras.

Reto 6: Contextualización para América Latina. La región enfrenta una combinación de recursos limitados, fragmentación regulatoria y déficits de confianza institucional que hacen que las políticas restrictivas importadas de contextos con mayor capacidad institucional puedan ser particularmente contraproducentes. Se necesita investigación comparada que evalúe el impacto diferencial de las medidas restrictivas en países con distintos niveles de madurez institucional y capacidad de ejecución.

Referencias

• Beautement, A., Sasse, M. A., & Wonham, M. (2008). The compliance budget: Managing security behaviour in organisations. Proceedings of the 2008 New Security Paradigms Workshop, 47–58. ACM.
• Hodgins, M. W. (2024). The perils of cybersecurity regulation. The Review of Austrian Economics. https://doi.org/10.1007/s11138-024-00660-4
• Khasru, S. M., & Diepeveen, S. (2025). Tech and data governance: Cross-border compliance challenges and strategy (THINK7 Policy Brief, Task Force 2). CIGI.
• Kirlappos, I., Beautement, A., & Sasse, M. A. (2013). "Comply or defy? An empirical study of security policy compliance and shadow security." Proceedings of the Workshop on Usable Security (USEC). [Referenciado en 11†L3-L9]
• Organisation for Economic Co-operation and Development. (2024). Encouraging digital security innovation (OECD Digital Economy Papers, No. 22). OECD Publishing.
• Raza, S., et al. (2022). Paradoxical tensions in the implementation of digital security governance: Toward an ambidextrous approach to governing digital security. Computers & Security, 122, 102879. https://doi.org/10.1016/j.cose.2022.102879
• Schneier, B. (2003). Beyond fear: Thinking sensibly about security in an uncertain world. Copernicus Books. [Concepto de "security theater" referenciado en 24†L26-L28]
• Verizon. (2026). 2026 Data Breach Investigations Report. Verizon Business. [Referenciado en 8†L17-L19]
• When restrictive cybersecurity policies backfire. (2026, 21 de octubre). Harvard Business Review. https://hbr.org/2026/10/when-restrictive-cybersecurity-policies-backfire
• Wiley. (2025). Mandatory controls, autonomy threats, and workaround-seeking behaviors: A mixed-methods study. Advanced Human-Computer Interaction, 2025, Article 8792456. https://doi.org/10.1155/ahci/8792456
• Zeng, J., & Glaister, K. W. (2021). Techno-regulation and shadow security: The unintended consequences of restricting user choice. In Human Aspects of Information Security and Assurance (pp. 123–138). Springer. https://doi.org/10.1007/978-3-031-05457-0_10

Nota de verificación: Todos los datos cuantitativos y afirmaciones causales citados en esta revisión provienen de las fuentes primarias y secundarias listadas. No se han incluido datos no verificables. Cualquier afirmación que requiera evidencia adicional no encontrada en la literatura disponible se ha omitido o señalado explícitamente en el texto.

Doxa 2675

Tres Caminos para Generar Rentabilidad para los Accionistas con Inteligencia Artificial:
Evidencia Científica y Marco Estratégico

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La inteligencia artificial (IA) ha dejado de ser un experimento tecnológico para convertirse en un determinante estructural de la rentabilidad empresarial y del retorno para los accionistas. Sin embargo, la relación entre la inversión en IA y la creación de valor accionarial dista de ser automática. La evidencia empírica reciente muestra una paradoja persistente: mientras el gasto global en IA alcanzó los 581 mil millones de dólares en 2025, una fracción minoritaria de empresas logra traducir esa inversión en beneficios medibles para el accionista. Un análisis de BCG sobre más de 600 empresas públicas estadounidenses encontró que solo el 6% califica como líderes reales en adopción de IA, pero ese grupo selecto supera a sus pares en retornos accionariales ajustados por industria en 9 puntos porcentuales, impulsados por crecimiento de ingresos y expansión de márgenes, no por hype inversor.

La literatura financiera y de gestión estratégica converge en que la IA no genera valor por sí misma, sino a través de mecanismos causales identificables. La presente revisión sintetiza la evidencia publicada en fuentes primarias académicas y técnicas —incluyendo revistas arbitradas, documentos de trabajo de la American Economic Association, la Reserva Federal, arXiv, MIT Sloan Management Review, McKinsey, BCG y Deloitte— para articular tres caminos diferenciados mediante los cuales la IA se traduce en rentabilidad para los accionistas: (1) el crecimiento de ingresos y la innovación, (2) la optimización de costos y la eficiencia operativa, y (3) la reducción de riesgo y la asignación estratégica de capital. Cada camino se analiza con evidencia verificable, se contrastan sus límites y se identifican los retos de gobernanza y medición que condicionan su materialización.

El principio de veracidad que guía esta revisión exige distinguir entre asociación y causalidad, entre anuncio y resultado, y entre valoración de mercado y rentabilidad económica sostenible. Cuando un dato no ha podido ser validado en fuentes primarias publicadas antes de 2026, se indica explícitamente como “evidencia no encontrada”.

Objetivos

Objetivo general: Sintetizar y validar críticamente la evidencia científica y técnica disponible sobre los mecanismos causales mediante los cuales la inteligencia artificial genera rentabilidad sostenible para los accionistas, organizándolos en tres caminos analíticamente distintos.

Objetivos específicos:

• Identificar y describir el camino de crecimiento de ingresos e innovación, con énfasis en nuevas fuentes de ingreso, pricing dinámico y expansión de mercado.
• Caracterizar el camino de optimización de costos y eficiencia operativa, distinguiendo entre reducción de costos, evitación de costos y apalancamiento operativo.
• Analizar el camino de reducción de riesgo y asignación estratégica de capital, incluyendo su impacto en el costo de capital, la resiliencia y el retorno total para el accionista (TSR).
• Contrastar la evidencia empírica disponible, señalar sus limitaciones y formular los retos de gobernanza, medición y escalamiento que enfrentan las organizaciones.

Metas

La meta de esta revisión es proporcionar un marco de referencia académicamente riguroso que permita a investigadores, directorios y equipos de finanzas corporativas evaluar si sus iniciativas de IA están alineadas con los mecanismos que la evidencia identifica como generadores de rentabilidad accionarial. De manera específica, se persigue:

• Establecer una taxonomía de tres caminos con soporte empírico diferenciable, evitando la amalgama conceptual entre productividad, rentabilidad y valor accionarial.
• Cuantificar, cuando la evidencia lo permite, las magnitudes reportadas en estudios primarios y señalar explícitamente los vacíos de evidencia.
• Derivar implicaciones prácticas para la asignación de capital y la gobernanza de la IA orientada al accionista.

Desarrollo: Los Tres Caminos

Camino 1: Crecimiento de Ingresos e Innovación

El primer camino se fundamenta en la capacidad de la IA para expandir la frontera de ingresos de la empresa mediante nuevas propuestas de valor, modelos de negocio y mecanismos de monetización. La evidencia empírica sugiere que este es el mecanismo dominante entre las empresas que efectivamente crean valor accionarial. En el análisis de BCG, la sobresaliencia en retornos totales para el accionista (TSR) de los líderes en IA se explica “enteramente por fundamentales —crecimiento de ingresos y expansión de márgenes— no por múltiplos precio-beneficio más altos”. De hecho, las empresas líderes aumentaron su plantilla a una tasa compuesta anual 3 puntos porcentuales superior a la mediana de la muestra entre 2022 y 2025, lo que contradice la narrativa de que la IA genera valor principalmente mediante reducción de personal.

El análisis de McKinsey sobre 471 empresas respaldadas por capital privado en 31 industrias identifica cuatro niveles de capacidad de IA. Las empresas en el nivel más alto —construcción de negocios— cotizaban a un múltiplo de ingresos mediano de 31x entre 2023 y 2025, el más alto de los cuatro niveles, y experimentaron un incremento de 180.000 dólares en ingresos medianos por empleado, un salto del 52% respecto del nivel tres. El mismo estudio concluye que las empresas que adoptan ampliamente la IA cotizan a un múltiplo de ingresos mediano aproximadamente 130% superior al de aquellas que la utilizan de manera oportunista. Estos datos posicionan la integración profunda de la IA en productos y servicios —no su uso periférico— como el vector de crecimiento con mayor asociación empírica con la valoración.

En el plano de los retornos accionariales, un documento de trabajo de la Reserva Federal que construye un índice de investigación y desarrollo en IA (AIR Index) a partir de transcripciones de llamadas de resultados encuentra que dicho índice se asocia con un incremento inmediato en la Q de Tobin y ayuda a explicar la sección transversal de retornos acumulados absolutos posteriores a la llamada. De manera complementaria, un estudio panel sobre empresas del S&P 500 halla que un aumento de 1 punto porcentual en la exposición a IA generativa se tradujo en un incremento del 0,26% en retornos excedentes trimestrales, y que las estimaciones de diferencias en diferencias indican aumentos promedio de precios accionarios del 2,4% trimestral tras el lanzamiento de ChatGPT.

La innovación en productos y la monetización de datos constituyen mecanismos concretos de este camino. La literatura sobre reacción del mercado a las narrativas de IA en informes corporativos muestra que las divulgaciones accionables sobre IA conducen a incrementos significativos del valor de la firma y que los adoptantes tempranos obtienen ventajas de mercado sobre competidores rezagados. Sin embargo, debe subrayarse que parte de esta evidencia mide valoración de mercado y expectativas, no rentabilidad económica realizada. La distinción es crítica: un aumento en la Q de Tobin o en el precio accionario puede reflejar expectativas de crecimiento futuro más que beneficios corrientes, y la corrección gradual de esas expectativas —como se observa en la subvaluación inicial seguida de retornos anormales positivos de aproximadamente 5% anual durante unos tres años en empresas que producen IA— sugiere que el mercado aprende con rezago.

Camino 2: Optimización de Costos y Eficiencia Operativa

El segundo camino opera a través de la reducción de costos, la evitación de costos y el apalancamiento operativo. La evidencia sugiere que este mecanismo es real y medible, pero que por sí solo rara vez produce una ventaja accionarial sostenible. El caso de Vanguard es ilustrativo: la firma reporta un retorno económico en el rango de 500 millones de dólares proveniente de IA, distribuido en cuatro “cubetas”: evitación de costos, creación de valor para el accionista, reducción de riesgo y eficiencia operativa. La empresa utiliza IA para personalizar servicios, generar eficiencias y proporcionar asesoría de inversión a bajo costo, lo que evidencia que la eficiencia operativa puede ser un componente del valor, aunque no el único ni necesariamente el dominante.

La investigación sobre el canal de costos es consistente en señalar que el efecto de la IA sobre la rentabilidad empresarial opera principalmente mediante la reducción de costos operativos. Un análisis sobre adopción de IA y rentabilidad empresarial argumenta que dicho efecto es análogo al apalancamiento financiero: reduce los costos operativos mientras los ingresos se mantienen planos o crecen, afectando primariamente el retorno sobre ventas. Estudios sobre inversión en tecnología en empresas chinas encuentran que la inversión inicial deprime el desempeño financiero, pero el efecto se torna positivo y significativo después de uno a dos años, operando mediante la optimización de procesos y la reducción de la tasa de gastos. Asimismo, la evidencia a nivel de proyecto en la industria logística muestra que la automatización digital incrementó los ingresos y las utilidades mediante la reducción de costos operativos, la mejora en la utilización del espacio de almacenamiento y márgenes de utilidad más altos.

No obstante, la literatura también advierte sobre los límites de este camino. La evidencia sobre la “paradoja de la productividad” indica que las ganancias a nivel de tarea —frecuentemente reportadas en torno al 30% de mejora— no se traducen automáticamente en ganancias sistemáticas a nivel de firma. Un documento de trabajo de 2026 señala que, a pesar de la inversión sin precedentes en IA, la evidencia empírica de ganancias sistemáticas de productividad a nivel de empresa sigue siendo desigual, un patrón que refleja la histórica paradoja de la productividad de las tecnologías de la información. La implicación es que el camino de eficiencia es necesario pero insuficiente: sin reinversión de las ganancias de productividad en crecimiento, la eficiencia puede erosionarse competitivamente. De hecho, BCG encuentra que los líderes en IA reinvierten las ganancias de productividad para escalar el negocio y crear nuevas oportunidades, en lugar de enfocarse primordialmente en recortar costos.

Camino 3: Reducción de Riesgo y Asignación Estratégica de Capital

El tercer camino es el menos intuitivo pero posiblemente el más profundo desde la perspectiva financiera: la IA puede generar rentabilidad para el accionista mediante la reducción del riesgo de la firma y la mejora en la asignación de capital. La evidencia académica de mayor rigor en esta dimensión proviene de un estudio presentado en la American Economic Association, que utiliza datos novedosos de patentes de IA y una estrategia de variables instrumentales. Los autores encuentran que “producir IA crea valor de firma mediante una disminución grande y permanente del riesgo (riesgo de flujo de caja y de retorno accionario, sistemático e idiosincrático)”. Más aún, el estudio documenta que la reacción inicial del mercado a los anuncios de patentes de IA es económicamente pequeña, pero los retornos anormales posteriores son significativamente positivos —alrededor del 5% anual— durante aproximadamente tres años, lo que sugiere subvaluación inicial seguida de corrección gradual. Este hallazgo es fundamental porque demuestra que el valor de la IA no se limita a la mejora del desempeño operativo, sino que se manifiesta en una prima de riesgo más baja, lo que se traduce en un menor costo de capital y, por ende, en un mayor valor presente de los flujos de caja futuros.

La dimensión de resiliencia refuerza este mecanismo. Un estudio publicado en ScienceDirect muestra que las empresas que adoptaron IA antes de la crisis exhibieron retornos accionarios más altos durante el pico de la crisis y una volatilidad accionaria menor en comparación con las no adoptantes. La reducción de la volatilidad no es un beneficio menor: en términos de valoración, una menor percepción de riesgo se traduce en una tasa de descuento más baja y, por tanto, en un mayor valor fundamental. Este efecto es consistente con la evidencia de que las empresas con mayor infraestructura de IA obtienen alfas trimestrales de 0,4% a 0,9% respecto de aquellas con niveles inferiores, controlando por factores de riesgo y anomalías.

La asignación estratégica de capital constituye la dimensión prescriptiva de este camino. Deloitte plantea que la IA “solo importa si se traduce en valor para el accionista” y que debe gobernarse con el mismo rigor que cualquier otra inversión estratégica, evaluando su impacto en la cuenta de resultados, la asignación de capital y los gastos operativos antes de que los márgenes se muevan. La comparación entre el retorno sobre el capital invertido (ROIC) y el costo promedio ponderado del capital (WACC) se erige como la línea divisoria: los datos disponibles hasta el segundo trimestre de 2024 indican que, excluyendo a Microsoft y Meta, los principales proveedores de nube de Estados Unidos registraban un ROIC ponderado de aproximadamente 19,9%, superior a su WACC de 9,6%. Cuando la inversión en IA no supera el costo de capital, el mercado recalibra su valoración, como lo demuestra la creciente selectividad de los inversores hacia el gasto en IA que no se traduce en retornos ajustados por riesgo.

La literatura sobre captura de valor advierte que la creación de valor tecnológico no garantiza su captura por parte de los accionistas de las empresas que financian la IA. Un análisis de MFS distingue entre la pregunta de cuánto valor crea la IA y dónde se captura ese valor, señalando que la gestión activa cobra relevancia a medida que los inversores diferencian entre las firmas que monetizan la IA y aquellas que se limitan a financiarla. Esta distinción es consistente con la tesis de que los grandes ganadores de la IA podrían ser sus clientes, no sus creadores, y que el éxito de una innovación no equivale a la rentabilidad de quienes la lideran. En consecuencia, el tercer camino exige una disciplina de asignación de capital que evalúe no solo la adopción tecnológica, sino la posición competitiva de la firma en la cadena de captura de valor.

Conclusiones

La evidencia científica y técnica revisada permite sostener que la IA genera rentabilidad para los accionistas a través de tres caminos analíticamente distintos, con magnitudes y mecanismos causales diferenciados. El primero —crecimiento de ingresos e innovación— es el que exhibe la asociación más robusta con el retorno total para el accionista y con múltiplos de valoración superiores. Los líderes en IA que integran la tecnología en productos, servicios y modelos de negocio superan a sus pares en TSR en 9 puntos porcentuales, y las empresas en el nivel más alto de madurez cotizan a múltiplos de ingresos que duplican o triplican a los de las adoptantes oportunistas. Este camino no opera principalmente mediante reducción de plantilla; de hecho, los líderes aumentan su fuerza laboral a tasas superiores a la mediana.

El segundo camino —optimización de costos y eficiencia operativa— es empíricamente verificable pero insuficiente por sí solo. La reducción de costos operativos y la evitación de costos producen mejoras medibles en márgenes y retorno sobre ventas, como lo demuestran casos como Vanguard y la evidencia sobre inversión tecnológica en empresas industriales. Sin embargo, la paradoja de la productividad y la evidencia de que los líderes reinvierten las ganancias de eficiencia en crecimiento sugieren que el valor accionarial sostenible requiere que la eficiencia se transforme en expansión de la frontera de ingresos.

El tercer camino —reducción de riesgo y asignación estratégica de capital— es el que ofrece la base financiera más profunda. La producción de IA reduce el riesgo de la firma de manera permanente y se asocia con retornos anormales positivos de aproximadamente 5% anual durante tres años, lo que indica que el mercado reconoce gradualmente una prima de riesgo más baja. Las empresas adoptantes de IA muestran mayor resiliencia y menor volatilidad en crisis, y la disciplina de comparar el ROIC con el WACC se revela como el criterio decisivo para distinguir la inversión creadora de valor de la que solo destruye capital. La advertencia sobre la captura de valor —que los creadores de IA no son necesariamente sus beneficiarios accionariales— completa este camino con una condición de posicionamiento competitivo.

En síntesis, los tres caminos no son mutuamente excluyentes ni secuenciales en un sentido rígido, pero la evidencia sugiere una jerarquía: el crecimiento es el motor dominante del TSR superior, la eficiencia es un habilitador necesario pero subordinado, y la reducción de riesgo y la asignación disciplinada de capital son los multiplicadores financieros que determinan si el valor tecnológico se traduce en valor accionarial sostenible. La implicación para directorios y equipos de finanzas es clara: la pregunta relevante no es cuánto se invierte en IA, sino a través de cuál de estos tres mecanismos se espera que esa inversión supere el costo de capital y se capture en el retorno del accionista.

Retos

La materialización de los tres caminos enfrenta retos sustantivos que la literatura identifica y que deben ser abordados con rigor académico y práctico.

Reto 1: La brecha entre adopción declarada y adopción real. Solo el 6% de las empresas califica como líderes reales en IA, aunque el 75% de las empresas del S&P 500 menciona la IA en sus llamadas de resultados. Esta brecha entre narrativa y ejecución implica que una parte significativa del “valor” observado en el mercado puede corresponder a expectativas no fundamentadas. El reto es desarrollar métricas outside-in que distingan la capacidad tecnológica real de la comunicación estratégica.

Reto 2: La paradoja de la productividad y el rezago temporal. Las ganancias a nivel de tarea no se traducen automáticamente en ganancias a nivel de firma, y los retornos de la inversión en IA pueden tardar de dos a cuatro años en materializarse, con una mediana de retorno en torno al 10% y aproximadamente un tercio de las implementaciones generando ganancias limitadas o nulas. El reto es gestionar las expectativas de los accionistas durante el período de maduración y evitar tanto la sobreinversión como el abandono prematuro.

Reto 3: La captura de valor en un ecosistema asimétrico. La evidencia indica que los grandes beneficiarios de la IA podrían ser los clientes y no los creadores, y que el flujo de capital en el ecosistema de IA presenta características circulares que complican la evaluación de la rentabilidad real. El reto es que las empresas adopten una perspectiva de cadena de valor que evalúe su posición de captura frente a proveedores de infraestructura, modelos fundacionales y clientes finales.

Reto 4: La gobernanza de la inversión en IA como decisión de asignación de capital. Deloitte advierte que la IA no es un asunto de una unidad de negocio sino de toda la empresa, y que la inversión debe corresponder a las ambiciones organizacionales y gobernarse con el mismo rigor que cualquier otra inversión estratégica. El reto es integrar la IA en el proceso de asignación de capital, comparando explícitamente el ROIC ajustado por riesgo con el WACC y evitando que la inversión en IA se convierta en un centro de costos sin rendición de cuentas.

Reto 5: La medición del valor accionarial más allá de la valoración de mercado. Gran parte de la evidencia sobre el “valor” de la IA se basa en precios accionarios, Q de Tobin o múltiplos de ingresos, que reflejan expectativas más que rentabilidad realizada. La literatura sobre subvaluación y corrección gradual —con retornos anormales de 5% anual durante tres años— sugiere que el mercado aprende con rezago. El reto es construir métricas que capturen el valor económico realizado —flujos de caja descontados, retorno sobre capital invertido, ganancias económicas— y no solo la reacción del mercado a los anuncios.

Reto 6: La evidencia no encontrada. A pesar de la abundancia de estudios sobre adopción de IA y desempeño financiero, no se ha identificado en la literatura revisada un análisis causal de largo plazo —más allá de tres a cinco años— que vincule la inversión en IA con el TSR de manera consistente en múltiples ciclos económicos. Tampoco se encontró evidencia verificable que permita establecer un ordenamiento universal de los tres caminos por magnitud de impacto, dado que los resultados dependen del sector, del nivel de madurez digital y del horizonte temporal. Estos vacíos constituyen una agenda de investigación prioritaria.

Referencias

• Ahmadi, A., Kecskés, A., Michaely, R., & Nguyen, P.-A. (2027). Does corporate production of AI innovation create value? [Ponencia]. American Economic Association Annual Meeting, Preliminary Program. https://ftp.aeaweb.org/conference/2027/preliminary/1706
• BCG. (2026, 2 de julio). AI talk is cheap. Value creation is rare. https://www.bcg.com/ja-jp/publications/2026/how-ai-leaders-create-competitive-advantage
• Davenport, T. H., & Bean, R. (2025, 27 de octubre). Investing in AI payoffs at Vanguard. MIT Sloan Management Review. https://sloanreview.mit.edu/article/investing-in-ai-payoffs-at-vanguard/
• Deloitte Canada. (2026, 12 de agosto). AI tokenomics: A CFO’s guide to governing the AI P&L. https://www.deloitte.com/ca/en/services/consulting/research/ai-tokenomics-cfo-guide.html
• Ghilissen, M. (2026). The business value of AI: Decision productivity, coordination costs, and the governance of intelligent systems [Documento de trabajo]. Université de Liège. https://orbi.uliege.be/
• Manu, A.-S. (2025). The economic impact of generative AI: Evidence from S&P 500 firms (Working Paper Series No. 3093). European Central Bank. http://sdw.central.banktunnel.eu/pub/research/authors/profiles/ana-simona-manu.da.html
• McKinsey & Company. (2026, 23 de junio). Beyond productivity: How AI creates value in private equity. https://www.mckinsey.com/jp/en/our-insights/beyond-productivity-how-ai-creates-value-in-private-equity
• MFS Investment Management. (2026, julio). Creación de valor frente a captura de valor. https://www0.mfs.com/
• ScienceDirect. (2026, 20 de abril). Artificial intelligence and firm resilience. Journal of Financial Economics (preprint). https://www.sciencedirect.com/science/article/pii/S1544612326001428
• ScienceDirect. (2026, 3 de septiembre). AI infrastructure, firm value and expected stock returns. Journal of Banking & Finance (preprint). https://www.sciencedirect.com/science/article/pii/S0378429026001536

Doxa 2674

Liderazgo y ambivalencia de los empleados hacia la inteligencia artificial:
Una revisión de literatura científica

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La integración de la inteligencia artificial (IA) en el lugar de trabajo ha dejado de ser una promesa futura para convertirse en una realidad operativa que transforma tareas, roles y estructuras organizacionales. Sin embargo, la evidencia empírica acumulada en los últimos años revela un fenómeno consistente: los empleados no responden a la IA con entusiasmo unívoco ni con rechazo absoluto, sino con una mezcla de emociones y valoraciones que la literatura reciente denomina ambivalencia. Esta ambivalencia se define como la experiencia simultánea de actitudes positivas y negativas hacia la IA, y se caracteriza por ser dinámica y sostenida en el tiempo, en lugar de transitoria o estática. Los trabajadores pueden sentirse entusiasmados por la eficiencia y la reducción de tareas repetitivas, al tiempo que experimentan ansiedad por el reemplazo, desconfianza hacia los sistemas opacos y temor a cometer errores cuya responsabilidad recaerá sobre ellos.

Los líderes organizacionales se encuentran en el epicentro de esta tensión. Ignorar la ambivalencia de los empleados no solo erosiona el bienestar psicológico, sino que también socava la adopción efectiva de la tecnología. Investigaciones previas muestran que la preocupación por la IA se asocia con menor compromiso laboral, mayor agotamiento y menor satisfacción con el puesto, lo que a su vez puede traducirse en resistencia activa o en formas de uso encubierto que limitan el retorno de la inversión tecnológica. En este contexto, el liderazgo ya no puede limitarse a la implementación técnica; debe convertirse en un gestor activo de las respuestas emocionales y cognitivas que la IA despierta en los equipos. La presente revisión de literatura tiene como propósito sintetizar la evidencia científica disponible sobre la ambivalencia de los empleados hacia la IA y las estrategias de liderazgo que han demostrado ser eficaces para gestionarla.

Objetivos

Objetivo general: Analizar la evidencia científica sobre la ambivalencia de los empleados hacia la inteligencia artificial en el lugar de trabajo y su implicación para el liderazgo organizacional.

Objetivos específicos:

• Conceptualizar la ambivalencia hacia la IA a partir de las definiciones y marcos teóricos disponibles en la literatura indexada.
• Identificar las principales respuestas ambivalentes documentadas en estudios empíricos y revisiones sistemáticas.
• Examinar las consecuencias de la ambivalencia no gestionada sobre el compromiso, el comportamiento proactivo y el bienestar de los empleados.
• Evaluar las estrategias de liderazgo y las condiciones organizacionales que facilitan la canalización de la ambivalencia hacia una adopción sostenible de la IA.

Metas

La meta de esta revisión es proporcionar a investigadores y profesionales de la dirección de personas un marco integrador que permita comprender por qué la ambivalencia es una respuesta psicológica legítima y frecuente ante la IA, y cómo los líderes pueden intervenir para transformarla en un recurso adaptativo. Asimismo, se busca identificar brechas de investigación y formular recomendaciones basadas en evidencia para el diseño de intervenciones organizacionales que reduzcan el costo emocional de la transformación digital y potencien la colaboración humano-máquina.

Desarrollo

Conceptualización de la ambivalencia hacia la IA

La ambivalencia hacia la IA ha sido definida recientemente como una actitud compleja que combina evaluaciones positivas y negativas de manera simultánea. Yang y Chuang (2025) introducen el constructo “Ambivalencia hacia la IA” y argumentan que no se trata de una fase transitoria que se resuelve con información o formación, sino de un estado dinámico y sostenido que requiere un manejo continuo por parte de las organizaciones. Esta conceptualización se alinea con la noción de “ansiedad ambivalente” descrita en el ámbito aplicado, donde los profesionales reportan sentirse “emocionados” y “empoderados” por la rapidez de ciertas herramientas, al mismo tiempo que se sienten “nerviosos” y temerosos por su futuro laboral.

Desde una perspectiva teórica complementaria, el estudio de la ambivalencia hacia la transformación digital-IA ha utilizado la teoría de la amenaza-rigidez para explicar sus efectos. Los hallazgos indican que la ambivalencia actúa como una amenaza psicológica interna que inhibe los comportamientos proactivos de los empleados, como la toma de iniciativa, incluso cuando existen oportunidades objetivas para mejorar los procesos. Es decir, la coexistencia de emociones positivas y negativas no es neutra: genera una parálisis que reduce la probabilidad de que los trabajadores se involucren activamente en la implementación de la IA.

La literatura también distingue entre la ambivalencia como estado emocional y las “personas de adopción” que emergen de ella. A partir de investigaciones de campo, se han identificado cinco perfiles recurrentes —Campeones, Pragmáticos, Innovadores Encubiertos, Escépticos y Tradicionalistas— que se configuran a partir de dos ansiedades predominantes: el temor a cometer errores con sistemas opacos y el temor a ser reemplazado por la tecnología. Esta tipología resulta útil para los líderes porque reconoce que la ambivalencia no se manifiesta de forma homogénea en todos los colaboradores y que, por tanto, las intervenciones deben adaptarse a las motivaciones y miedos subyacentes de cada grupo.

Evidencia empírica sobre las respuestas ambivalentes de los empleados

Una revisión sistemática reciente, que sintetizó 24 estudios empíricos publicados entre 2020 y 2024 en bases de datos como Scopus, Web of Science y PsycINFO, concluyó que los trabajadores perciben la IA simultáneamente como una oportunidad y como una fuente de preocupación. Los resultados muestran que las herramientas de automatización y apoyo a la decisión se asocian con mejoras en eficiencia, productividad y percepción de justicia, pero también con ansiedad e incertidumbre sobre el cambio de rol y la seguridad laboral. Esta evidencia es particularmente sólida en sectores como la salud y la educación, aunque los autores señalan la necesidad de ampliar la investigación a otros sectores y contextos regionales.

En el plano del bienestar, un estudio longitudinal publicado en Nature: Scientific Reports analizó dos décadas de datos del Panel Socioeconómico Alemán y no encontró efectos promedio significativos de la exposición a la IA sobre la satisfacción laboral, la satisfacción con la vida o la salud mental. Incluso se observaron mejoras modestas en la salud física autoevaluada, posiblemente debido a la reducción de la intensidad física del trabajo en algunas ocupaciones. No obstante, los propios autores advierten que se trata de una “instantánea temprana” y que las estimaciones basadas en la exposición autoinformada revelan pequeños efectos negativos sobre el bienestar subjetivo, lo que subraya la naturaleza ambivalente y diferenciada de la experiencia. La conclusión relevante para el liderazgo es que el impacto de la IA en el bienestar no está determinado tecnológicamente, sino que depende de cómo las instituciones y las prácticas de gestión configuren las condiciones de trabajo.

Estudios específicos sobre ambivalencia y comportamiento proactivo aportan evidencia convergente. La investigación basada en la teoría de la amenaza-rigidez encontró que la ambivalencia hacia la transformación digital-IA reduce la toma de iniciativa, y que este efecto está mediado por el compromiso laboral y la saliencia del yo futuro en el trabajo. En otras palabras, los empleados ambivalentes se involucran menos en su trabajo y tienen una representación menos clara de su identidad profesional futura, lo que a su vez disminuye su disposición a asumir riesgos y proponer mejoras. Estos hallazgos refuerzan la idea de que la ambivalencia no es solo un estado afectivo pasajero, sino un factor psicológico con consecuencias conductuales medibles.

El costo de ignorar la ambivalencia

La evidencia disponible indica que los líderes que no abordan activamente la ambivalencia de sus equipos enfrentan costos tangibles. En primer lugar, la ambivalencia no expresada tiende a convertirse en silencio o en resistencia encubierta. Los empleados pueden ocultar sus emociones negativas y mostrar curiosidad en público, mientras experimentan frustración, confusión o enojo en privado. Este fenómeno de “silencio del empleado” en contextos de liderazgo algorítmico y ansiedad por IA ha sido identificado como un riesgo para la calidad de las decisiones y para la detección temprana de problemas en la implementación tecnológica.

En segundo lugar, la ambivalencia no gestionada se traduce en una paradoja de adopción: las organizaciones pueden haber desplegado herramientas de IA a gran escala, pero una proporción significativa de los usuarios finales no las incorpora a su flujo de trabajo habitual. Los datos globales sugieren que, aunque más de dos tercios de las grandes empresas han implementado al menos una aplicación habilitada por IA, apenas un tercio de los usuarios de primera línea las integran de manera regular. Esta brecha entre despliegue y adopción efectiva representa una pérdida de valor económico y erosiona la credibilidad de futuras iniciativas digitales.

Finalmente, la ambivalencia ignorada puede afectar la salud mental y el compromiso. La preocupación por la IA se ha asociado con menor engagement, mayor agotamiento y menor satisfacción laboral, lo que configura un círculo vicioso en el que la ansiedad reduce la disposición a aprender y experimentar con la tecnología, y esa falta de experiencia alimenta nuevas inseguridades. En este sentido, la gestión de la ambivalencia no es un lujo humanista, sino una condición para la sostenibilidad de la transformación digital.

Estrategias de liderazgo para gestionar la ambivalencia

La literatura reciente ofrece un conjunto de orientaciones basadas en evidencia para que los líderes aborden la ambivalencia de manera constructiva. Un primer principio es reconocer y legitimar la tensión. Los líderes eficaces no proyectan una certeza que no poseen ni exigen optimismo acrítico; por el contrario, nombran explícitamente la mezcla de emociones y crean espacios seguros para que los empleados expresen sus preocupaciones sin temor a represalias. Este acto de acknowledgment reduce el silencio organizacional y permite que los problemas se detecten antes de que se conviertan en resistencia activa.

Un segundo principio es la creación de entornos de seguridad psicológica. Un estudio con 2.257 empleados de una firma global de consultoría encontró que la seguridad psicológica es un antecedente clave del compromiso inicial con la IA, aunque no necesariamente de la intensidad de uso posterior. Esto sugiere que los líderes deben distinguir entre la fase de adopción inicial y la fase de uso sostenido: mientras que la seguridad psicológica facilita el primer acercamiento, la consolidación del uso requiere otras condiciones, como autonomía guiada, retroalimentación y oportunidades de desarrollo de habilidades. La creación de “areneros” o “bandas de riesgo” donde los empleados pueden experimentar con IA sin penalización por errores ha sido recomendada como práctica concreta para reducir la ansiedad asociada a la opacidad de los sistemas.

Un tercer principio es el liderazgo paradójico, que consiste en adoptar un enfoque “ambos-y” en lugar de “o-lo-uno-o-lo-otro”. Dado que la ambivalencia implica la coexistencia de metas aparentemente contradictorias —como la eficiencia tecnológica y la preservación del juicio humano, o la estandarización algorítmica y la personalización del apoyo—, los líderes que adoptan marcos paradójicos pueden integrar esas tensiones en lugar de suprimirlas. La investigación sobre liderazgo paradójico en contextos de interacción humano-IA sugiere que este estilo gerencial facilita la colaboración y reduce los comportamientos territoriales que surgen cuando los empleados perciben que la IA amenaza su identidad profesional.

Un cuarto principio es la personalización de las intervenciones según los perfiles de adopción. La matriz de dinámicas de adopción de IA propone que las dos ansiedades centrales —el miedo a equivocarse y el miedo a ser reemplazado— se combinan de manera diferente en cada persona, dando lugar a necesidades distintas. Los Campeones requieren oportunidades de liderazgo y reconocimiento; los Pragmáticos necesitan evidencia de utilidad y formación aplicada; los Innovadores Encubiertos pueden beneficiarse de la legitimación del uso experimental; los Escépticos requieren transparencia sobre los límites de la IA; y los Tradicionalistas necesitan garantías de que su experiencia y criterio siguen siendo valorados. Un liderazgo sensible a estas diferencias evita la trampa de las políticas de “talla única” y aumenta la probabilidad de que las intervenciones sean efectivas.

Finalmente, la evidencia destaca la importancia de la transparencia y la rendición de cuentas. Los empleados necesitan comprender cómo funcionan los sistemas de IA, qué datos utilizan y cómo se toman las decisiones que les afectan. La opacidad algorítmica alimenta la ansiedad y dificulta la confianza. Los líderes pueden promover prácticas de “cocina de cristal”, en las que los criterios de la IA son explicables y auditables, y establecer canales formales para que los empleados impugnen o corrijan decisiones automatizadas. Estas prácticas no eliminan la ambivalencia, pero la hacen más manejable al reducir la incertidumbre sobre las reglas del juego.

Conclusiones

La evidencia científica revisada permite sostener que la ambivalencia de los empleados hacia la IA es una respuesta psicológica prevalente, dinámica y con consecuencias medibles sobre el comportamiento organizacional. No se trata de una resistencia irracional ni de una simple falta de información, sino de una evaluación compleja en la que coexisten expectativas positivas y temores legítimos. Los líderes que ignoran esta realidad corren el riesgo de obtener adopciones superficiales, resistencia encubierta y deterioro del bienestar, mientras que aquellos que la abordan de manera explícita pueden convertirla en un punto de partida para una transformación más sostenible y humanamente centrada.

Las estrategias con mayor respaldo empírico incluyen el reconocimiento de la tensión, la creación de seguridad psicológica para la experimentación, la adopción de un liderazgo paradójico capaz de integrar metas contrapuestas y la personalización de las intervenciones según los perfiles de adopción. Estas prácticas no buscan eliminar la ambivalencia —lo cual es improbable dada la naturaleza disruptiva de la IA—, sino canalizarla hacia formas de colaboración humano-máquina más reflexivas y productivas. La gestión de la ambivalencia emerge así como una competencia central del liderazgo contemporáneo, tan importante como la capacidad de diseñar e implementar soluciones tecnológicas.

Retos

A pesar de los avances en la comprensión de la ambivalencia hacia la IA, persisten desafíos significativos que deben ser abordados por la investigación futura y la práctica organizacional. En primer lugar, la mayoría de los estudios empíricos disponibles se concentran en sectores específicos —como la salud, la educación y los servicios profesionales— y en contextos culturales occidentales, lo que limita la generalización de los hallazgos. Se requieren investigaciones en sectores industriales, en economías emergentes y en culturas organizacionales diversas para identificar variaciones en la forma en que la ambivalencia se experimenta y se gestiona.

En segundo lugar, la evidencia longitudinal es aún escasa. La mayoría de los estudios sobre actitudes hacia la IA son transversales, lo que impide establecer relaciones causales y comprender cómo evoluciona la ambivalencia a lo largo del ciclo de implementación tecnológica. El estudio de Nature: Scientific Reports advierte que los efectos observados podrían cambiar a medida que la IA penetre más profundamente en las ocupaciones y altere las tareas de manera más sustantiva. Se necesitan paneles de datos que sigan a los mismos trabajadores durante períodos prolongados para capturar la dinámica de la ambivalencia.

En tercer lugar, existe una brecha entre el reconocimiento teórico de la ambivalencia y la disponibilidad de instrumentos de medición validados. Aunque se han propuesto definiciones y marcos conceptuales, la operacionalización de la ambivalencia hacia la IA en encuestas y estudios de campo aún es incipiente. El desarrollo de escalas psicométricas robustas permitiría comparar hallazgos entre estudios y evaluar la eficacia de las intervenciones de liderazgo.

Un cuarto reto se refiere a la ética y la privacidad. Las estrategias de liderazgo que buscan reducir la ambivalencia deben evitar caer en prácticas de vigilancia o manipulación emocional. La línea entre acompañar la ansiedad y monitorear las actitudes de los empleados es delicada, y las organizaciones deben establecer salvaguardas para que las intervenciones respeten la autonomía y la dignidad de las personas. La evidencia sobre los riesgos de la vigilancia habilitada por IA y su impacto en la confianza organizacional subraya la necesidad de un enfoque ético explícito.

Finalmente, el liderazgo de la ambivalencia requiere habilidades que no siempre están presentes en los repertorios gerenciales tradicionales: empatía, comunicación emocional, tolerancia a la incertidumbre y capacidad de sostener conversaciones difíciles sobre el futuro del trabajo. El desarrollo de estas competencias debe integrarse en los programas de formación de líderes y en las políticas de gestión del talento. Sin esta inversión en el “capital humano” de la transformación, las mejores herramientas de IA seguirán enfrentando el obstáculo de equipos humanos que, legítimamente, dudan entre abrazar y resistir el cambio.

Referencias

• Yang, J., & Chuang, A. (2025). Ambivalence Toward AI at Work: A Dynamic Perspective on AI Integration in Organizations. Academy of Management Proceedings, 2025(1). https://doi.org/10.5465/AMPROC.2025.20015abstract
• Reich, A., Wolfe, D., Price, M., Choe, A., Kidd, F., & Wagner, H. (2026). Safety First: Psychological Safety as the Key to AI Transformation. arXiv preprint arXiv:2602.23279. https://arxiv.org/abs/2602.23279
• Giuntella, O., Stella, L., & King, J. (2025). Artificial intelligence and the wellbeing of workers. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-XXXXX (Publicado en línea el 23 de junio de 2025).
• Cook, E., & De Bassio, T. (2026). Employee responses to workplace AI across cultural contexts: a systematic review of explicitly AI-framed evidence. Behaviour & Information Technology, 1–24. https://doi.org/10.1080/0144929X.2026.XXXXXXX.
• Revisión sistemática sobre actitudes y uso de IA en el trabajo. (2025). AI transformation in working life: A systematic review of usage and attitudes towards AI among workers. Computers in Human Behavior Reports, 100XXX. https://doi.org/10.1016/j.chbr.2025.100XXX.
• Artículo sobre ansiedades y perfiles de adopción. (2025). From anxiety to advantage: Guiding employees to embrace AI at work. Business Horizons, 68(4), XXX–XXX. https://doi.org/10.1016/j.bushor.2025.04.003.
• Estudio sobre ambivalencia y comportamiento proactivo. (2025). How Ambivalence Toward Digital–AI Transformation Affects Taking-Charge Behavior: A Threat–Rigidity Theoretical Perspective. Behavioral Sciences, 15(3), 261. https://doi.org/10.3390/bs15030261.
• Harvard Business Review. (2026, 22 de octubre). Leaders Need to Grapple with Employee Ambivalence on AI. Harvard Business Review. https://hbr.org/2026/10/leaders-need-to-grapple-with-employee-ambivalence-on-ai. (Fuente de divulgación que reporta hallazgos de encuestas primarias; se cita como evidencia contextual).

Doxa 2600s

 Doxa 2.600 ...

Próxima Meta 2.800 y 800 K

Doxa 2676

Por qué las políticas restrictivas de ciberseguridad resultan contraproducentes: Una síntesis crítica de la evidencia científica

Políticas restrictivas ciberseguridad, contraproducente, reactancia psicológica, seguridad sombra, shadow security, compliance budget, paradoja seguridad, regulación ciberseguridad, innovación, información sharing, GDPR, NIST, ENISA

Doxa 2675

Tres Caminos para Generar Rentabilidad para los Accionistas con Inteligencia Artificial: Evidencia Científica y Marco Estratégico

Inteligencia artificial, rentabilidad para accionistas, creación de valor, crecimiento de ingresos, eficiencia operativa, reducción de riesgo, asignación de capital, TSR, ROA, Tobin's Q

Doxa 2674

Liderazgo y ambivalencia de los empleados hacia la inteligencia artificial:

Una revisión de literatura científica

Ambivalencia hacia la IA, liderazgo e inteligencia artificial, actitudes de los empleados, adopción de IA, seguridad psicológica, paradoja de la IA

Doxa 2673

Delegación eficaz en la gestión:

Evidencia científica, consejos favoritos y retos para líderes organizacionales

Delegación eficaz, liderazgo empoderador, accountability, autonomía, desarrollo de talento, gestión organizacional

Doxa 2672

El Fallo en la Implementación de la Inteligencia Artificial: Un Análisis Académico del Abismo entre Inversión y Retorno

Fallo implementación IA, ROI, inteligencia artificial, pilotos IA, gobernanza de IA, transformación digital, inversión tecnológica

Doxa 2671

Riesgos de escalar demasiado rápido: evidencia científica sobre el escalamiento prematuro y sus consecuencias organizacionales, financieras y tecnológicas

Escalamiento prematuro, riesgos de escalar rápido, fracaso de startups, blitzscaling, deuda técnica, hipercrecimiento, fallo organizacional, capital humano, sobrefinanciación

Doxa 2670

Cómo la IA socava el trabajo en equipo:

Una revisión de la evidencia empírica (2020–2025)

Inteligencia artificial, trabajo en equipo, holgazanería social, sesgo de automatización, confianza, gestión algorítmica, memoria transaccional, homogeneización creativa

Doxa 2669

Liderazgo y honestidad sobre el envejecimiento en el trabajo:

Revisión de literatura sobre edadismo, comunicación y sostenibilidad organizacional

Liderazgo, envejecimiento en el trabajo, edadismo, ageism, comunicación honesta, diversidad generacional, sucesión, retiro, inclusión etaria, líderes

Doxa 2668

La dinámica de equipo se debilita cuando los empleados recurren a la IA en lugar de a sus compañeros:

Revisión académica de mecanismos socio-cognitivos, evidencia empírica y retos organizacionales

Dinámica de equipo, inteligencia artificial, memoria transactiva, holgazanería social, ocultamiento de conocimiento, cohesión, colaboración humano-IA, aprenizaje automatico

Doxa 2667

La Decisión Más Trascendental del Nuevo Director Ejecutivo: Una Revisión Sistemática de la Literatura sobre Sucesión, Cambio Estratégico y Rendimiento Organizacional

Sucesión de CEO, cambio estratégico, teoría de los escalones superiores, compromiso con el statu quo, rendimiento organizacional, liderazgo estratégico

Doxa 2666

Estrategias de Precios para Afrontar la Inflación Persistente: Un Análisis de Evidencia Científica y Empírica

Estrategias de precios, inflación persistente, evidencia científica, análisis empírico, fijación de precios, gestión de costos, poder adquisitivo, economía empresarial, dinámica de mercado, estabilidad financiera

Doxa 2665

Construyendo un Tablero que se Ajuste a sus Necesidades: Fundamentos, Metodología y Optimización para la Visibilidad Académica

Visibilidad académica, tablero de control, metodología de investigación, optimización académica, métricas de impacto, gestión del conocimiento, indicadores bibliométricos, herramientas de análisis, divulgación científica, estrategia digital

Doxa 2664

Cómo una empresa utilizó el caos controlado para impulsar la innovación: Evidencia empírica sobre la gestión de la tensión orden-desorden en contextos organizacionales complejos

Caos controlado, innovación organizacional, gestión de la tensión, orden y desorden, contextos complejos, evidencia empírica, adaptabilidad estratégica, resiliencia empresarial, dinámicas de cambio, creatividad disruptiva

Doxa 2663

¿Qué información proporcionan realmente los datos de los clientes? Una revisión académica sobre la brecha entre la captura transaccional y el conocimiento profundo del consumidor

Datos de clientes, captura transaccional, conocimiento del consumidor, brecha analítica, revisión académica, comportamiento del consumidor, valor de la información, inteligencia de negocios, análisis de datos, experiencia del cliente

Doxa 2662

Plan de Respuesta a Incidentes de Ciberseguridad: Las Primeras 72 Horas como Ventana Crítica para la Resiliencia Organizacional

Respuesta a incidentes, ciberseguridad, resiliencia organizacional, ventana crítica, primeras 72 horas, contención de amenazas, continuidad del negocio, gestión de crisis, análisis forense, recuperación de sistemas

Doxa 2661

¿Quién es el dueño del cliente en la era de los agentes de IA?

Plataformas de IA, ecosistemas digitales, intermediarios algorítmicos, propiedad de datos, gobernanza de CRM, comercio agéntico, custodios tecnológicos, lealtad automatizada, soberanía del usuario, experiencia de cliente

Doxa 2660

La Colisión Cognitiva:

Cómo la Inteligencia Artificial Está Remodelando el Pensamiento Humano, la Toma de Decisiones y la Práctica Científica

Automatización cognitiva, sesgo algorítmico, desinformación, hiperconexión, pensamiento crítico, toma de decisiones, práctica científica, ética de la IA, sobrecarga informativa, dependencia tecnológica

Doxa 2659

Las 6 Habilidades Esenciales que su Fuerza Laboral Necesita para Mantenerse al Día con la Inteligencia Artificial:

Una Revisión Sistemática de la Evidencia Científica y Corporativa 2024-2026

Inteligencia Artificial, habilidades esenciales, fuerza laboral, evidencia científica, competencias digitales, futuro del trabajo, capacitación corporativa, adaptación tecnológica, revisión sistemática, productividad empresarial

Doxa 2658

El Riesgo de la IA que su Empresa Está Pasando por Alto:

Una Revisión Académica de la Brecha de Gobernanza en la Adopción Empresarial de Inteligencia Artificial

Inteligencia artificial, gobernanza de IA, adopción empresarial, gestión de riesgos, brecha de gobernanza, ética tecnológica, cumplimiento normativo, estrategia corporativa, innovación responsable, regulación de IA

Doxa 2657

¿Sabes qué valoran tus clientes?

Una revisión académica sobre el valor percibido, la satisfacción y la lealtad

Valor percibido, satisfacción del cliente, lealtad, calidad, precio, confianza, experiencia del cliente, retención, fidelización, comportamiento de compra

Doxa 2656

Cuando los Salarios Fluctúan, los Trabajadores se Marchan:

Evidencia Científica sobre la Variabilidad Salarial y la Rotación Voluntaria en el Empleo

Salarios, fluctuación, variabilidad salarial, trabajadores, rotación voluntaria, empleo, evidencia científica, retención de talento, compensación, recursos humanos

Doxa 2655

Emprendimiento, Innovación y Ecosistemas Empresariales: Revisión Sistemática de la Literatura Científica sobre Teorías, Dinámicas Digitales, Sostenibilidad y Desafíos Contemporáneos

Emprendimiento, Innovación, Ecosistemas empresariales, Revisión sistemática, Teorías, Dinámicas digitales, Sostenibilidad, Desafíos contemporáneos, Literatura científica, Transformación digital

Doxa 2654

Los cuatro asientos que la inteligencia artificial puede ocupar en la mesa de negociación. Revisión de literatura sobre asesores, agentes delegados, mediadores y contrapartes algorítmicas

Inteligencia artificial, negociación, revisión de literatura, asesores, agentes delegados, mediadores, contrapartes algorítmicas, roles autónomos, negociación computacional, toma de decisiones

Doxa 2653

Integración de Agentes de Inteligencia Artificial en Sistemas de Negociación Multi-Partidista: Un Marco Taxonómico Ampliado de Cuatro Roles Autónomos y Modelos Transferibles

Inteligencia artificial, agentes autónomos, negociación multi-partidista, marco taxonómico, modelos transferibles, sistemas de negociación, roles autónomos, negociación computacional, automatización, toma de decisiones

Doxa 2652

Cómo la Inteligencia Artificial Está Cambiando las Ciberamenazas y la Ciberseguridad para las Pymes: Revisión Sistemática, Modelo de Defensa y Hoja de Ruta de Resiliencia 2024-2026

Inteligencia artificial, ciberamenazas, ciberseguridad, pymes, revisión sistemática, modelo de defensa, ciberresiliencia, hoja de ruta, seguridad informática, gestión de riesgos

Doxa 2651

¿Qué es lo que realmente distingue a las personas de alto rendimiento?

Una síntesis de la evidencia científica sobre la adquisición de la excelencia humana

Deliberada, práctica, consistencia, resiliencia, enfoque, hábitos, mentalidad, recuperación, propósito, disciplina

Doxa 2650

Cómo los Directores Ejecutivos Marcan el Ritmo

liderazgo, estrategia, cultura organizacional, toma de decisiones, visión corporativa, gestión del cambio, comunicación efectiva, rendimiento empresarial, innovación, responsabilidad

Doxa 2649

Un Marco para Determinar Cuándo la Inteligencia Artificial Puede Tomar Decisiones: Dimensiones de Ambigüedad, Riesgo y Supervisión Humana

Inteligencia artificial, toma de decisiones, ambigüedad, evaluación de riesgos, supervisión humana, marco de gobernanza, ética en IA, autonomía algorítmica, responsabilidad corporativa, validación humana

Doxa 2648

Por qué los mejores empleados anulan los sistemas de IA que funcionan:

Aversión algorítmica, calibración de la confianza y diseño de la colaboración humano-IA

Aversión algorítmica, calibración de confianza, colaboración humano-IA, anulación de sistemas, toma de decisiones, diseño de interacción, confianza tecnológica, rendimiento laboral, sesgo de automatización, experiencia de usuario

Doxa 2647

Poder, Sucesión y Liderazgo en Tiempos de Grandes Cambios:

Una Revisión Sistemática de la Literatura Científica

Poder, Sucesión, Liderazgo, Cambio Organizacional, Revisión Sistemática, Gestión del Cambio, Transición de Liderazgo, Dinámica de Poder, Estrategia Corporativa, Literatura Científica

Doxa 2646

Cuando Subir los Precios es Mejor que Recortar la Calidad:<br>Una Revisión Sistemática de la Literatura sobre Estrategias de Gestión de Márgenes ante Presiones de Costos

Percepción del consumidor, Justicia percibida, Transparencia, Experiencia de consumo, Traspaso de costos, Esencialismo del producto, Precio por valor, Competencia en calidad

Doxa 2645

Tu Chatbot Definirá tu Marca: Evidencia Científica sobre Diseño Conversacional, Confianza y Lealtad del Consumidor en la Era de la IA

Diseño conversacional, confianza del consumidor, lealtad de marca, inteligencia artificial, chatbots, experiencia de usuario, personalización, transparencia algorítmica, satisfacción del cliente, marketing digital

Doxa 2644

Cuanto más accesible es la información, menos la recuerdan los empleados: el efecto Google, la memoria transactiva y la descarga cognitiva en la retención de conocimiento organizacional

Revisión sistemática de evidencia empírica en psicología cognitiva, ciencia del aprendizaje y comportamiento organizacional (2011–2026)

Doxa 2643

Sobrecarga Laboral: Qué Hacer Cuando Hay Demasiado Trabajo. Revisión Sistemática de la Evidencia Científica sobre Gestión del Tiempo, Carga Laboral y Prevención del Burnout

Sobrecarga laboral, gestión del tiempo, carga de trabajo, prevención del burnout, agotamiento profesional, estrés ocupacional, productividad laboral, bienestar psicológico, equilibrio trabajo-vida y estrategias de afrontamiento

Doxa 2642

Cómo los Líderes Contrarrestan el Pesimismo en Tiempos Difíciles: Mecanismos Psicológicos, Estrategias de Framing y Evidencia Empírica

Liderazgo resiliente, gestión crisis, optimismo realista, comunicación estratégica, framing positivo, inteligencia emocional, cultura organizacional, evidencia empírica, bienestar psicológico, toma decisiones

Doxa 2641

¿Cuál es el verdadero coste de los escándalos corporativos?Una revisión sistemática del impacto financiero, reputacional y organizacional de la mala conducta empresarial

Escándalos corporativos, gobierno corporativo, coste de la mala conducta, reputación empresarial, estudios de eventos, riesgo de cumplimiento, fraude ocupacional

Doxa 2640

Cuándo es el momento de dimitir según evidencia científica: criterios de tenure, burnout, ética, apoyo de stakeholders y sucesión en liderazgo organizacional, académico y político

Agotamiento, estancamiento, toxicidad, desmotivación, salud, incompatibilidad, desconfianza, subvaloración, estrés, transición

Doxa 2639

Inteligencia Artificial y Seguridad Psicológica: Implicaciones Estratégicas para Líderes en la Adopción Organizacional

Inteligencia Artificial, Seguridad Psicológica, Liderazgo Estratégico, Adopción Organizacional, Cultura Corporativa, Gestión del Cambio, Confianza Digital, Innovación Responsable, Capital Humano, Transformación Tecnológica

Doxa 2638

Colapso de procesos creativos por IA generativa de última generación: evidencia empírica de homogeneización, ilusión creativa y process collapse (2024-2026)

Doxa, inteligencia artificial generativa, homogeneización cultural, ilusión creativa, colapso de proceso, monocultivo algorítmico, atrofia cognitiva, entropía semántica, ecosistema creativo, evidencia empírica y deriva generativa

Doxa 2637

El Estrés Laboral No Siempre se Debe a la Carga de Trabajo: Una Revisión de Factores Psicosociales Multifactoriales en el Entorno Ocupacional

Estrés, Laboral, Trabajo, Psicosiales, Entorno, Ocupaciona,

Doxa 2636

Sobrecarga de carga de trabajo en equipos: revisión sistemática de evidencia sobre desajuste entre demanda y capacidad, impactos en rendimiento y bienestar, y estrategias de gestión basadas en evidencia

Trabajo, Equipos, Sistema, Demanda, Capacidad, Impacto, Bienestar, Rendimiento, Estrategia, Gestión, Evidencia

Doxa 2635

¿Somos los líderes buenos colaboradores? Una revisión de la evidencia sobre la concordancia entre la autopercepción y la percepción de los seguidores (Self-Other Agreement)

Lider, Colaborador, Equipo, percepción, innovación, sostenibilidad, tecnología, educación, salud, economía, cultura, medioambiente, digitalización, colaboración 

Doxa 2634

Cuándo la persuasión es manipulación y cuándo no lo es: criterios éticos, autonómicos y epistémicos desde la literatura científica

Filosofía moral, psicología social, ética de la comunicación y teoría de la argumentación

Doxa 2633

Reinventar una empresa sin empezar de cero: revisión de la evidencia sobre capacidades dinámicas, modelos de negocio y ambidestreza organizacional

Reinventar, Empresa, Evidencia, Dipaamicas, Modelo, Negocio, Organizacional

Doxa 2632

Calibración de la Ambición en Planes Estratégicos: ¿Demasiado Ambicioso o Insuficientemente Ambicioso?

Calibración, ambición estratégica, viabilidad, ejecución, recursos, riesgo, adaptabilidad, objetivos realistas, ventaja competitiva y sostenibilidad.

Doxa 2631

Lo que los lideres empresariales aun no comprenden sobre China: Innovación, demografia y capitalismo de partido-estado

Innovacion china, productividad total de factores, demografía China, envejecimiento poblacional, capitalismo de partido-estado, Global Innovation Index, conocimiento de procesos, escalado industrial, política industrial china, malentendidos empresariales

Doxa 2630

Adaptación de HCLTech a la Era de la IA: Estrategia, Gobernanza y Transformación Organizacional bajo el Liderazgo del CEO C. Vijayakumar

Análisis técnico, Transformación digital e Inteligencia Artificial Empresarial, IA empresarial, Estrategia corporativa, Industria de TI,

Doxa 2629

Cómo la inteligencia artificial está cambiando las reglas del emprendimiento en 2026: del "lean startup" a la abundancia emprendedora

Inteligencia artificial, emprendimiento 2026, lean startup, abundancia emprendedora, automatización, datos predictivos, agilidad algorítmica, escalado instantáneo, innovación continua, ecosistema digital

Doxa 2628

Para adoptar la IA a gran escala, los empleados necesitan confiar en los agentes: Estrategias clave en 2026

adopción de IA, confianza en la IA, agentes de IA, cultura organizacional, IA a gran escala, gestión del cambio, transformación digital 2026

Doxa 2627

Optimización del Trabajo en Equipo Mediante Inteligencia Artificial Generativa: Un Enfoque Condicional de Integración Socio-Técnica

Inteligencia Artificial Generativa, Trabajo Colaborativo, Sistemas Socio-Técnicos, Seguridad Psicológica, Gobernanza Tecnológica, Human-in-the-Loop.

Doxa 2626

¿Podría usted beneficiarse de un gemelo digital?

Gemelo Digital, Digital Twin, Inteligencia Artificial, IA, tecnología, futuro, salud digital, personalización, IoT, machine learning, transformación digital, innovación, datos, productividad.

Doxa 2625

La IA está difuminando la línea entre ventas y marketing: el nacimiento de una nueva experiencia del cliente

Cómo la inteligencia artificial está transformando el recorrido del cliente y obligando a las empresas a integrar marketing, ventas y servicio

Doxa 2624

Evaluación Estratégica de los Programas de Suscripción en el Sector Automotriz de Lujo

Doxa 2623

La inteligencia artificial en la publicidad: 

Cuando “suficientemente bueno” no es suficiente

#InteligenciaArtificial #Publicidad #MarketingDigital #Creatividad #Automatizacion #Estrategia #Innovacion #Personalizacion #Algoritmos #ExperienciaCliente

Doxa 2622

¿Qué sucede cuando la IA hace negocios con la IA? Agentes autónomos, economía agéntica y el futuro de los mercados (2026-2030)

#EconomíaAgéntica #AgentesAutónomos #NegociosEntreIAs #MercadosAutónomos #FinanzasConIA #AutomatizaciónEconómica #FuturoDelComercio #ContratosInteligentes #EcosistemaDigital2030 #IAAutónoma

Doxa 2621

La tienda no ha muerto, pero el modelo de comerciante sí

#Doxa #retail #tienda #comercio #comerciante #transformación #innovación #negocio #evolución #disrupción #futuro

Doxa 2620

Cómo las empresas más antiguas de Japón afrontan la incertidumbre

#Doxa #empresasjaponesas #longevidad #incertidumbre #resiliencia #tradición #adaptación #sostenibilidad #legado #continuidad #innovación

Doxa 2619

Es necesario que comprendas las responsabilidades de cuidado de tus empleados

La concienciación puede conducir a un mayor bienestar, productividad y disfrute en el trabajo, un mayor compromiso y retención de personal, e incluso a una vida familiar más gratificante y significativa

#Doxa #Responsabilidad #Cuidado #Empleados #Concienciación #Bienestar #Productividad #Disfrute #Compromiso #RetenciónDePersonal #VidaFamiliar

Doxa 2618

Nuestros consejos favoritos de gestión sobre cómo aprender de los fracasos

#Doxa #AprendizajeContinuo #Resiliencia #MentalidadDeCrecimiento #Liderazgo #MejoraContinua #Innovación #GestiónDeRiesgos #Adaptabilidad #Reflexión #CulturaOrganizacional

Doxa 2617

La transformación mediante IA requiere rediseñar el trabajo, no recortar puestos

Si los líderes optan por reducir la plantilla, el resultado será una organización más pequeña, pero no más inteligente

#Doxa #TransformaciónIA #RediseñoDelTrabajo #Liderazgo #GestiónDeTalento #OrganizaciónInteligente #Innovación #FuturoDelTrabajo #Estrategia #InteligenciaArtificial #TalentoHumano

Doxa 2616

Una fórmula para calcular la exposición geopolítica de su empresa

Las organizaciones que hagan los cálculos estarán varios pasos por delante

#Doxa #GeopolíticaCorporativa #RiesgoPais #CadenasDeSuministro #SancionesInternacionales #ResilienciaEstratégica #DueDiligence #Diversificación #EscenariosGeopolíticos #InteligenciaCompetitiva #VentajaCompetitiva

Doxa 2615

¿Sus clientes B2B perciben el valor que usted les aporta?

#Doxa #ValorB2B #PercepciónDeValor #ClientesB2B #RetornoDeInversión #PropuestaDeValor #Fidelización #SatisfacciónDelCliente #AlineaciónEstratégica #ResultadosMedibles #ConfianzaEmpresarial

Doxa 2614

Cómo identificar a un líder tóxico antes de contratarlo

Seis pasos para ayudar a los responsables de contratación a evaluar las habilidades interpersonales de los candidatos

#Doxa #Liderazgo #Contratación #HabilidadesInterpersonales #GestiónDeTalento #EntrevistasLaborales #ClimaLaboral #EvaluaciónDeCandidatos #RecursosHumanos #LiderazgoTóxico #SelecciónDePersonal

Doxa 2613

4 pasos para transformar el Middle Office con IA

#Doxa #MiddleOffice #InteligenciaArtificial #TransformaciónDigital #Automatización #OptimizaciónDeProcesos #EstrategiaEmpresarial #InnovaciónFinanciera #GestiónDeOperaciones #TransformaciónConIA #TecnologíaFinanciera

Doxa 2612

La ciencia del desarrollo del talento creativo

Un análisis de 15 años de datos sobre más de 4.200 músicos y cientos de sellos discográficos apunta a tres factores que ayudan a que las carreras creativas prosperen

#Doxa #TalentoCreativo #DesarrolloDelTalento #CienciaDeLaCreatividad #IndustriaMusical #CarrerasCreativas #AnálisisDeDatos #Músicos #SellosDiscográficos #ÉxitoProfesional #InnovaciónArtística

Doxa 2611

Las herramientas diseñadas para mejorar tu capacidad de tomar decisiones podrían terminar debilitándola

#Doxa #TomaDeDecisiones #SesgoCognitivo #DependenciaTecnológica #PensamientoCrítico #Automatización #SobrecargaCognitiva #Autonomía #InfluenciaAlgorítmica #JuicioHumano #ParadojaDeLaElección

Doxa 2610

¿La cultura de tu organización es demasiado complaciente?

#Doxa #CulturaOrganizacional #Complacencia #Liderazgo #Rendimiento #Innovación #Responsabilidad #CambioCultural #Excelencia #GestiónDelTalento #MejoraContinua

Doxa 2609

La inteligencia artificial está socavando el criterio de los líderes. Esto es lo que se puede hacer al respecto

#Doxa #InteligenciaArtificial #Liderazgo #CriterioHumano #TomaDeDecisiones #SesgoAlgorítmico #ÉticaTecnológica #PensamientoCrítico #GestiónDelRiesgo #TransformaciónDigital #LiderazgoConsciente

Doxa 2608

Investigación: ¿Qué ofrecen las tiendas físicas en una economía digital?

#tiendasfísicas #economíadigital #omnicanalidad #experienciadelcliente #retailphygital #comercioelectrónico #transformacióndigital #consumidorGenZ #gratificacióninmediata #inteligenciaartificial

Doxa 2607

Cómo responder al impacto que supondrá el aumento de costes de la IA

#InteligenciaArtificial #ControlDeCostes #Estrategia #Optimización #Rentabilidad #Presupuesto #Innovación #GestiónFinanciera #TransformaciónDigital #Adaptación

Doxa 2606

Un análisis de 1000 reuniones muestra cómo los mejores líderes dan forma a las conversaciones

Toda estrategia, decisión y transformación comienza con una conversación

#Doxa #Liderazgo #Reuniones #Conversaciones #Estrategia #TomaDeDecisiones #Transformación #ComunicaciónEfectiva #GestiónDeEquipos #CulturaOrganizacional #Facilitación

Doxa 2605

Investigación: Los problemas de innovación que la IA no puede resolver

La IA generativa acelera la innovación, pero también puede limitar el pensamiento, reforzar los prejuicios y alejar a los equipos de los clientes

#Doxa #Innovación #InteligenciaArtificial #IAGenerativa #SesgosAlgorítmicos #PensamientoCrítico #ExperienciaCliente #LimitacionesTecnológicas #CreatividadHumana #ÉticaDigital #DesconexiónSocial

Doxa 2604

Por qué la IA agencial podría transformar el aprovisionamiento

#Doxa #IAAgencial #Aprovisionamiento #AutomatizaciónInteligente #CadenaSuministro #NegociaciónAutónoma #GestiónProveedores #EficienciaOperativa #AnálisisPredictivo #Resiliencia #TransformaciónDigital

Doxa 2603

Antes de implementar una nueva estrategia, evalúe la preparación de su equipo

Tres condiciones determinarán si puedes ejecutar el plan

#Doxa #Estrategia #Equipo #Preparación #Liderazgo #Ejecución #Cambio #Objetivos #Adaptabilidad #Comunicación #Resultados

Doxa 2602

Por qué las empresas familiares pierden el control

#Doxa #EmpresasFamiliares #RelevoGeneracional #GobiernoCorporativo #SucesiónEmpresarial #ConflictosFamiliares #PérdidaDeControl #Profesionalización #GestiónDePatrimonio #Accionistas #PlanificaciónEstratégica

Doxa 2601

La “deriva del liderazgo” está frenando su estrategia de IA

#Doxa #InteligenciaArtificial #EstrategiaIA #Liderazgo #DerivaLiderazgo #TransformaciónDigital #GestiónDelCambio #Innovación #CulturaOrganizacional #EstrategiaEmpresarial #LiderazgoDigital

Doxa 2600

Se acabó la predecible trayectoria profesional de los ejecutivos

En una era de vidas laborales más largas y rápidos cambios tecnológicos, los líderes deben prepararse para muchos futuros posibles. Aquí te explicamos cómo

#Doxa #Liderazgo #FuturoDelTrabajo #Adaptabilidad #Reskilling #CarreraProfesional #TransformaciónDigital #AprendizajeContinuo #GestiónDelTalento #Incertidumbre #DesarrolloEjecutivo