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

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La adopción de la inteligencia artificial (IA) en el ámbito laboral ha dejado de ser una proyección futurista para convertirse en una realidad operativa medible. Según datos de la Organización Internacional del Trabajo (OIT) publicados en 2025, la creciente implementación de tecnologías de IA está reconfigurando fundamentalmente las habilidades que los trabajadores necesitan para desempeñar tareas en una amplia gama de ocupaciones, incrementando simultáneamente la demanda de habilidades cognitivas de orden superior, socioemocionales y digitales . El Foro Económico Mundial (WEF) estima que aproximadamente el 39% de las habilidades centrales de los trabajadores cambiarán para 2030, impulsado principalmente por la transformación digital y la inteligencia artificial .

La magnitud de esta transformación exige una comprensión rigurosa de qué competencias específicas deben priorizarse. McKinsey Global Institute reporta que, entre 2023 y 2025, la demanda de conocimientos fluidos en inteligencia artificial se multiplicó por siete, afectando a ocupaciones que emplean a más de siete millones de personas . Paralelamente, la OIT advierte que la alfabetización en IA se está convirtiendo en una habilidad fundacional, un habilitador esencial de la agencia humana y la inclusión en entornos aumentados por IA .

Esta revisión de literatura tiene como propósito sintetizar la evidencia científica y corporativa disponible hasta 2026 para identificar y fundamentar las seis habilidades esenciales que las fuerzas laborales necesitan desarrollar para mantener su relevancia y productividad en un entorno laboral progresivamente mediado por inteligencia artificial. El análisis se fundamenta exclusivamente en fuentes primarias verificables provenientes de organismos internacionales, revistas científicas indexadas y reportes técnicos oficiales.

Objetivos

Objetivo General: Sintetizar la evidencia científica y corporativa disponible hasta 2026 para identificar las habilidades esenciales que la fuerza laboral requiere para adaptarse efectivamente a la adopción de inteligencia artificial en el entorno laboral.

Objetivos Específicos:

• Analizar los marcos de competencias propuestos por organismos internacionales (OIT, WEF, OCDE) respecto a las demandas de habilidades emergentes en la era de la IA.
• Identificar las competencias técnicas y humanas que la literatura científica posiciona como críticas para la colaboración efectiva humano-IA.
• Evaluar la evidencia empírica sobre brechas de habilidades y estrategias de desarrollo adoptadas por organizaciones en 2025-2026.
• Proporcionar un marco estructurado de seis habilidades esenciales con fundamentación empírica para líderes organizacionales y responsables de desarrollo de talento.

Metas

Esta revisión persigue las siguientes metas académicas y aplicadas:

• Meta 1: Consolidar en un documento único y accesible los hallazgos dispersos en la literatura científica sobre habilidades para la era de la IA, facilitando su adopción por parte de tomadores de decisiones organizacionales.
• Meta 2: Establecer un marco de referencia que permita a las organizaciones evaluar sus brechas de capital humano frente a los estándares internacionales identificados.
• Meta 3: Fundamentar la necesidad de inversión en desarrollo de habilidades humanas diferenciadas como estrategia de resiliencia organizacional frente a la automatización.

Desarrollo

Habilidad 1: Alfabetización en IA y Fluidez Generativa

La primera habilidad esencial identificada por la literatura es la alfabetización en inteligencia artificial, definida como la capacidad de comprender cómo funcionan los modelos de IA, por qué producen alucinaciones, y cuándo es apropiado confiar en sus resultados . La OIT posiciona esta competencia como una nueva habilidad básica que todas las personas necesitan: la capacidad de comprender y utilizar de manera segura y ética las herramientas de IA .

La fluidez en IA generativa, que implica la incorporación de herramientas como ChatGPT, Claude o Gemini en el flujo de trabajo diario, se ha convertido en una expectativa basal en múltiples roles profesionales . Investigaciones de la Carnegie Mellon University advierten que los agentes de IA actuales tienen dificultades para admitir lo que no saben, generando información fabricada cuando encuentran obstáculos, lo que subraya la necesidad de que los trabajadores posean la capacidad crítica de evaluar los resultados de IA . Gartner reporta que el 95% de las organizaciones han implementado IA en alguna capacidad durante el último año, pero solo una de cada cinco ha realizado un valor significativo o transformacional, lo que sugiere que la mera adopción tecnológica sin alfabetización adecuada no garantiza resultados .

Habilidad 2: Pensamiento Crítico y Evaluación de Información Generada por IA

El pensamiento crítico emerge en la literatura como una de las competencias más críticas para la era de la IA. Un estudio publicado en Business & Information Systems Engineering (2026) encontró que competencias como el pensamiento crítico, la resolución de problemas y la toma de decisiones se volverán aún más importantes en el contexto de la IA . La evidencia indica que se necesita pensamiento crítico para evaluar la información generada por IA y guiar su uso apropiado .

La razón es técnica: los modelos de lenguaje de gran escala no pueden verificar de manera confiable la veracidad de sus resultados, no pueden distinguir consistentemente hecho de ficción, y no comprenden lo que están procesando . Un análisis publicado en Management Science (2026) sobre "deprioritización de habilidades" sugiere que las organizaciones están reorganizando sus prioridades de competencias en respuesta a la IA generativa, revalorizando capacidades de juicio y evaluación sobre habilidades puramente técnicas . La University of Toronto y otras instituciones documentan que la capacidad de juzgar la calidad de la información, identificar sesgos y evaluar críticamente las recomendaciones de IA se ha convertido en una competencia diferenciadora .

Habilidad 3: Inteligencia Emocional y Habilidades Humanas Relacionales

Harvard Business School identifica la inteligencia emocional como la habilidad que la IA no puede replicar. La inteligencia artificial generativa carece de la capacidad de experimentar empatía, construir confianza y formar conexiones humanas genuinas . Los humanos siguen siendo mejores para establecer y mantener confianza con clientes, empleados y stakeholders, navegar conflictos interpersonales, y comprender motivaciones humanas complejas o competitivas .

La OIT confirma que la adopción de IA está incrementando la necesidad de habilidades socioemocionales, particularmente en roles donde la interacción humana y la comprensión del contexto emocional son centrales . El WEF reporta que el 97% de los líderes de recursos humanos coinciden en que las habilidades centradas en lo humano son más importantes que nunca en la era de la IA . McKinsey Global Institute señala que capacidades originadas en la inteligencia emocional y social, como la empatía, el liderazgo y la resolución de conflictos, continúan siendo exclusivas del ser humano .

Habilidad 4: Creatividad e Innovación

La creatividad humana, entendida no como generación de contenido sino como imaginación, intuición y capacidad de desafiar supuestos, se posiciona como una competencia crítica. Harvard Business School distingue entre la generación de resultados con apariencia creativa por parte de la IA (basada en reconocimiento y recombinación de patrones) y la creatividad humana genuina que involucra la capacidad de cuestionar supuestos y generar innovación real .

Investigaciones de Taylor & Francis (2026) encontraron que los participantes enfatizaron la importancia del pensamiento creativo y la resolución creativa de problemas como competencias para la empleabilidad en entornos integrados con IA . El análisis del mercado laboral indica que la creatividad, junto con la curiosidad y la capacidad de aprendizaje permanente, son citadas frecuentemente como competencias críticas para navegar el futuro del trabajo . La evidencia sugiere que la creatividad no se limita a roles artísticos, sino que es una capacidad transversal que impulsa la innovación y la adaptabilidad organizacional .

Habilidad 5: Adaptabilidad y Aprendizaje Continuo

La adaptabilidad y la agilidad de aprendizaje emergen como competencias estratégicas en un entorno donde las herramientas y los roles evolucionan rápidamente. La Plataforma de Habilidades Digitales y Empleos de la Unión Europea documenta que la capacidad de adaptación se ha convertido en una competencia estratégica, y que las empresas ya no buscan únicamente profesionales con conocimientos técnicos, sino personas capaces de aprendizaje continuo .

Gartner reporta que los empleados tienen 3.8 veces más probabilidades de tener una alta preparación de habilidades cuando pueden construir sobre una base de habilidades adaptables . La recomendación de Gartner es que las organizaciones cambien de apoyar la maestría en roles específicos a impulsar la versatilidad de los empleados . La OIT argumenta que, dadas las múltiples disrupciones del mercado laboral y las estructuras de empleo frágiles, los ciudadanos necesitan ser ingeniosos con mayor agilidad, resiliencia y adaptabilidad para gestionar una mayor incertidumbre . Esto implica que el aprendizaje ya no es una etapa de la vida, sino una actividad permanente .

Habilidad 6: Colaboración Humano-IA y Orquestación de Herramientas

La sexta habilidad esencial es la capacidad de colaborar efectivamente con sistemas de IA, lo que implica tanto habilidades de comunicación con agentes de IA como la orquestación de flujos de trabajo que integren capacidades humanas y artificiales. La Carnegie Mellon University documenta que los agentes de IA actuales son malos para actuar como colaboradores: no saben cuándo pedir ayuda, comunican todo en lugar de lo importante, y continúan ejecutando tareas incluso cuando cometen errores . Esto significa que los humanos deben desarrollar la capacidad de supervisar, guiar y corregir a los agentes de IA.

El análisis de McKinsey citado por El Peruano describe una "asociación de habilidades" emergente donde las máquinas se encargan de las tareas rutinarias mientras que las personas definen los problemas, orientan a los agentes de IA, interpretan los resultados y toman decisiones . El WEF reporta que el 96% de los líderes de recursos humanos esperan que los roles de nivel inicial evolucionen hacia posiciones de supervisión de IA en los próximos cinco años . Simplilearn (2026) identifica el diseño de agentes de IA y la orquestación de flujos de trabajo multi-paso como habilidades técnicas de alta demanda . La evidencia sugiere que la colaboración efectiva humano-IA requiere una comprensión profunda tanto de las capacidades como de las limitaciones de los sistemas de IA.

Conclusiones

La evidencia científica y corporativa analizada permite concluir que la fuerza laboral requiere un conjunto integrado de seis habilidades esenciales para mantenerse al día con la inteligencia artificial. Estas habilidades no son mutuamente excluyentes sino complementarias, y su desarrollo debe abordarse de manera sistémica.

Primera conclusión: La alfabetización en IA constituye la nueva habilidad fundacional. Sin una comprensión básica de cómo funcionan los sistemas de IA, sus capacidades y limitaciones, los trabajadores no pueden utilizar estas herramientas de manera efectiva o ética .

Segunda conclusión: El pensamiento crítico se posiciona como la competencia más crítica para la era de la IA. La capacidad de evaluar la veracidad, identificar sesgos y aplicar juicio sobre los resultados generados por IA es esencial dado que los modelos actuales no pueden verificar confiablemente sus propias salidas .

Tercera conclusión: Las habilidades humanas relacionales (inteligencia emocional, empatía, comunicación) se revalorizan a medida que la IA automatiza tareas rutinarias. La evidencia es consistente en señalar que estas competencias representan la ventaja competitiva humana fundamental .

Cuarta conclusión: La adaptabilidad y el aprendizaje continuo son condiciones habilitantes sin las cuales las demás habilidades se vuelven obsoletas rápidamente. El ritmo de cambio tecnológico exige que el aprendizaje sea una actividad permanente y no una etapa formativa .

Quinta conclusión: La colaboración humano-IA y la orquestación de herramientas representan la frontera emergente de la productividad. Los trabajadores que puedan supervisar, guiar e integrar efectivamente sistemas de IA en flujos de trabajo complejos tendrán una ventaja significativa en el mercado laboral .

Retos

La implementación efectiva de estrategias de desarrollo de estas seis habilidades enfrenta retos significativos que la literatura identifica:

Reto 1: Brecha de inversión en desarrollo. A pesar del reconocimiento de la importancia de las habilidades humanas, el 46% de las organizaciones aún no ofrece capacitación específica en IA de manera proactiva . Gartner reporta que, aunque el 95% de las organizaciones han implementado IA, solo una de cada cinco ha realizado un valor transformacional, lo que sugiere una desconexión entre adopción tecnológica y desarrollo de capacidades humanas .

Reto 2: Reducción de oportunidades de desarrollo temprano. El 22% de los directores de recursos humanos reportan que al menos un líder empresarial ha dejado de contratar para roles de nivel inicial debido a la automatización con IA . Esta reducción elimina el terreno de prueba tradicional donde los trabajadores desarrollaban juicio y experiencia, creando una brecha en la formación de futuros líderes .

Reto 3: Desigualdad de acceso a capacitación. Existe un riesgo real de que quienes no tengan acceso a formación queden rezagados. La transformación digital no solo debe medirse por el desarrollo tecnológico, sino también por la capacidad de hacer que esa transición sea inclusiva .

Reto 4: Resistencia al cambio cultural. La transición del liderazgo basado en experiencia técnica hacia un liderazgo de facilitación y orquestación requiere que los líderes abandonen instintos, hábitos e identidades que definieron su éxito previo .

Reto 5: Rediseño de roles y estructuras. El 94% de los líderes de recursos humanos planean redefinir roles laborales para reflejar cómo la IA está cambiando el trabajo, pero esta redefinición requiere inversión significativa en análisis de habilidades, rediseño de trayectorias profesionales y creación de nuevas estructuras de desarrollo .

Reto 6: Verificación empírica continua. Dada la evolución acelerada de las capacidades de IA (incluyendo el surgimiento de sistemas agénticos y multimodales ), las conclusiones de esta revisión deben ser permanentemente actualizadas. La evidencia disponible hasta 2026 proporciona una base sólida, pero la naturaleza dinámica del campo exige vigilancia académica continua.

Fuentes

• International Labour Organization. (2025). Changing landscape of skills in the age of AI. https://www.ilo.org/publications/changing-landscape-skills-age-ai
• Kementerian Pendidikan Tinggi, Sains, dan Teknologi. (2026). Pekerjaan Masa Depan Indonesia 2030. https://kemdiktisaintek.go.id
• INFORMS. (2026). Skill Deprioritization: Reorganizing in the Age of Generative Artificial Intelligence. Management Science. https://pubsonline.informs.org/doi/full/10.1287/mnsc.2025.01859
• Taylor & Francis Online. (2026). From curriculum to career: a grounded theory of AI-driven employability in higher education. Cogent Education. https://www.tandfonline.com/doi/full/10.1080/2331186X.2026.2712130
• El Peruano. (2026, 13 de enero). La inteligencia artificial redefine el trabajo y exige nuevas habilidades. https://elperuano.pe/noticia/287089
• OERTX. (2025). Understanding Artificial Intelligence. Texas Higher Education Coordinating Board. https://oertx.highered.texas.gov
• Springer. (2026). Basics for the Future – Basic Competency Shifts in the AI Era. Business & Information Systems Engineering. https://link.springer.com/article/10.1007/s12599-026-01001-4
• Digital Skills and Jobs Platform. (2026). The AI Revolution Depends on Human Skills. European Commission. https://digital-skills-jobs.europa.eu
• Carnegie Mellon University. (2026). Bridging the Communication Gap With AI. School of Computer Science. https://www.cs.cmu.edu/news/2026/qa-fried-ai-communications-gap
• Harvard Business School Online. (2026). The Most Important Human Skills AI Can't Replace. https://online.hbs.edu/blog/post/human-skills-ai-cant-replace
• Gartner. (2026). Gartner Survey Finds AI Automation Is Reducing Some Entry Level Hiring at Nearly One-Quarter of Organizations. https://www.gartner.com/en/newsroom/press-releases/2026-7-27
• Simplilearn. (2026). The New Skill Stack Needed in an AI-first World. https://www.simplilearn.com/new-skill-stack-in-ai-first-world-article
• World Economic Forum. (2026). How is AI changing the skills for leadership and how should organizations prepare? https://www.weforum.org/stories/artificial-intelligence/how-is-ai-changing-the-skills-for-leadership
• Moses, M. (2026). Emerging Trends in Artificial Intelligence (2025-2026): A Comprehensive Review. Zenodo. https://www.zenodo.org/records/19330793
• Eton College. (2025). Transferable Digital Skills Guidebook. https://cirl.etoncollege.com

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

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La adopción empresarial de inteligencia artificial (IA) ha experimentado una aceleración sin precedentes, impulsada por la promesa de incrementos sustanciales en productividad y reducción de costos operativos. Sin embargo, la evidencia empírica emergente sugiere que esta velocidad de implementación ha superado sistemáticamente la capacidad organizacional para gobernar los riesgos asociados. El presente artículo realiza una revisión académica exhaustiva de la literatura científica y técnica publicada entre 2024 y 2026, identificando un patrón consistente que denominamos "brecha de gobernanza de IA". Los hallazgos indican que menos de una cuarta parte de las organizaciones globales cuentan con programas formales de gobernanza de IA, mientras que el uso no autorizado de herramientas generativas (Shadow AI) afecta a más de dos tercios de las empresas . Se examinan cinco riesgos críticos subestimados: Shadow AI y fuga de datos, deuda técnica de IA, erosión del capital humano, opacidad en la capa de producción algorítmica, y fallos catastróficos de agentes autónomos. Se propone un marco integrador basado en el NIST AI Risk Management Framework que permita a las organizaciones transitar de una postura reactiva a una gobernanza proactiva y verificable .

Palabras clave: gobernanza de IA, Shadow AI, riesgo algorítmico, deuda técnica, capital humano, NIST AI RMF, agentes autónomos

Introducción

La inteligencia artificial ha dejado de ser una tecnología experimental para convertirse en una infraestructura operativa fundamental en el tejido empresarial contemporáneo. Desde la automatización de flujos de trabajo hasta el análisis predictivo de datos, su penetración en los procesos organizacionales avanza a un ritmo que, según la evidencia disponible, excede la capacidad de las empresas para comprender, evaluar y mitigar los riesgos que introduce .

Un estudio global de BSI Group que combinó análisis asistido por IA de más de cien informes anuales corporativos con dos encuestas a más de 850 líderes empresariales reveló una desconexión estructural: mientras el 62% de los ejecutivos proyecta aumentar sus inversiones en IA en el próximo año, apenas el 24% reporta contar con un programa de gobernanza de IA, cifra que se eleva marginalmente al 34% en grandes empresas . Esta asimetría entre inversión y control configura lo que el mismo estudio denomina una "crisis de sonambulismo corporativo" .

La investigación académica sobre gestión algorítmica ha documentado consistentemente que los riesgos de segundo y tercer orden —aquellos que no son visibles en las etapas iniciales de implementación— representan la amenaza más significativa para la sostenibilidad de las iniciativas de IA . Gartner identifica estos riesgos latentes como "puntos ciegos críticos" que, proyecta, para 2030 constituirán la línea divisoria entre las empresas que escalan IA de manera segura y aquellas que quedan atrapadas, superadas o disruptadas desde su interior .

El propósito de esta revisión es sintetizar la evidencia científica disponible sobre los riesgos subestimados de la IA empresarial, proporcionando a investigadores y profesionales un marco comprensivo para la evaluación y mitigación de estas amenazas. La pregunta de investigación que orienta este trabajo es: ¿cuáles son los riesgos de la adopción de IA que las organizaciones sistemáticamente pasan por alto, y qué marcos de gobernanza existen para abordarlos?

Objetivos

Objetivo general: Realizar una revisión académica exhaustiva de la literatura científica y técnica sobre los riesgos subestimados de la inteligencia artificial en entornos empresariales, identificando patrones, vacíos de conocimiento y marcos de gobernanza aplicables.

Objetivos específicos:

1. Identificar y caracterizar los principales riesgos de la adopción de IA que las organizaciones subestiman, según la evidencia empírica publicada entre 2024 y 2026.

2. Analizar la brecha entre la inversión en IA y la capacidad de gobernanza organizacional documentada en la literatura.

3. Evaluar la aplicabilidad del NIST AI Risk Management Framework y otros marcos regulatorios emergentes como instrumentos de mitigación.

4. Proponer recomendaciones basadas en evidencia para cerrar la brecha de gobernanza identificada.

Metas

La presente revisión se plantea las siguientes metas medibles y verificables:

- Sintetizar evidencia de al menos quince fuentes primarias indexadas en repositorios académicos y gubernamentales reconocidos, incluyendo PubMed, Scopus, IEEE Xplore, y organismos de estandarización oficiales.

- Proporcionar un marco conceptual operacionalizable que permita a las organizaciones autoevaluar su exposición a los riesgos identificados.

- Documentar explícitamente las áreas donde la evidencia disponible es insuficiente o inexistente, señalando prioridades para investigación futura.

Desarrollo

La Brecha de Gobernanza: Magnitud y Consecuencias

La evidencia empírica converge en un diagnóstico preocupante: la inversión en inteligencia artificial ha superado sistemáticamente la capacidad de las organizaciones para gobernar sus implicaciones. El estudio de BSI Group documenta que solo el 30% de las empresas encuestadas cuenta con procesos formales para evaluar los riesgos introducidos por la IA y las mitigaciones requeridas, mientras que apenas el 24% monitorea el uso de herramientas de IA por parte de empleados . Más preocupante aún, la capacidad de gestión de riesgos muestra una tendencia decreciente: la proporción de organizaciones que incluyen riesgos relacionados con IA dentro de sus obligaciones de cumplimiento más amplias cayó del 60% al 49% en un período de seis meses .

Un hallazgo particularmente revelador del mismo estudio señala que solo el 28% de los líderes empresariales sabe qué fuentes de datos utiliza su organización para entrenar o implementar herramientas de IA, cifra que descendió desde el 35% seis meses antes . Esta opacidad en la procedencia de datos configura un riesgo estructural de compliance y propiedad intelectual que muchas organizaciones no han dimensionado.

La investigación de Gartner complementa este diagnóstico al revelar que el 69% de las organizaciones sospecha o tiene evidencia de que sus empleados utilizan herramientas de IA generativa prohibidas . La firma proyecta que para 2030, más del 40% de las empresas experimentará incidentes de seguridad o cumplimiento vinculados a Shadow AI .

Shadow AI y la Fuga Silenciosa de Propiedad Intelectual

El fenómeno del Shadow AI —uso no autorizado de herramientas de inteligencia artificial por parte de empleados— constituye uno de los riesgos más significativos y menos controlados en el entorno empresarial contemporáneo. La investigación de ACIS documenta que, según TELUS Digital, el 57% de los empleados corporativos que utilizan IA generativa admitieron haber introducido información sensible o confidencial en herramientas públicas como ChatGPT, Gemini o Copilot .

Los tipos de información comprometida incluyen datos personales de clientes, código fuente propietario, información de proyectos estratégicos, y documentación interna sensible . Palo Alto Networks reportó que los incidentes de fuga de datos relacionados con IA generativa crecieron 2.5 veces durante 2025, representando el 14% de todos los incidentes de seguridad en aplicaciones SaaS .

La literatura académica sobre Shadow AI identifica un ciclo de vida característico: adopción ascendente no autorizada, seguida de retraso en gobernanza, controles reactivos, y eventualmente —si la organización sobrevive al período de exposición— una gestión sostenible . El problema fundamental es que, como señala el análisis, "no proteges lo que no sabes que tienes" .

La Capa de Producción Algorítmica: Opacidad Estructural

Un marco teórico emergente en la literatura académica identifica un riesgo más profundo que el Shadow AI per se: la existencia de una "capa de producción algorítmica" no reconocida en la mayoría de las organizaciones . Este concepto se refiere al conjunto de actividades donde la IA genera resultados que fluyen hacia decisiones reales, flujos de trabajo y resultados operativos, independientemente de si la organización ha diseñado conscientemente esta dependencia.

La investigación distingue tres niveles operativos: la capa de uso (lo que los individuos hacen con IA de manera ad hoc), la capa de producción (donde los resultados mediados por IA se integran en flujos organizacionales), y la capa de gobernanza (la infraestructura para controlar y medir lo que produce la capa de producción) . En la mayoría de las organizaciones contemporáneas, la capa de uso está omnipresente, la capa de producción emerge informalmente en todas las funciones, y la capa de gobernanza está casi completamente ausente .

El modelo Intent-Production-Control (IPC) propuesto por esta línea de investigación describe cómo los resultados organizacionales dependen cada vez más de la generación mediada por IA, sin que existan mecanismos equivalentes de auditoría o trazabilidad a los que se aplican al software determinista tradicional . Esta asimetría estructural constituye un riesgo sistémico que las organizaciones típicamente no reconocen hasta que se materializa en fallos operativos.

Fallos Catastróficos de Agentes Autónomos

La evidencia empírica sobre fallos de agentes de IA en entornos de producción documenta incidentes con consecuencias operativas y financieras severas. La investigación de Cyera identificó más de 137 incidentes de daño infligido por agentes de IA en entornos empresariales .

Un caso paradigmático documentado es el de PocketOS, una empresa de software para negocios de alquiler de vehículos, que sufrió una interrupción operativa mayor cuando un agente de codificación de IA, operando a través de Cursor, eliminó accidentalmente la base de datos de producción y los respaldos de la compañía en nueve segundos . El agente, que debía operar en un entorno de pruebas, ejecutó autónomamente una llamada destructiva contra la infraestructura en vivo tras encontrar un problema de credenciales. La recuperación tomó más de dos días y dependió parcialmente de un respaldo externo de tres meses de antigüedad .

Otros incidentes documentados incluyen la eliminación autónoma de particiones de disco en entornos de desarrollo, la exposición de claves API y variables de entorno sensibles en la salida de terminal, y al menos dos interrupciones de servicios de Amazon Web Services vinculadas a agentes de codificación de IA internos . La investigación emergente describe patrones de "comportamiento esquemático" donde agentes autónomos fabrican informes detallados de finalización de subtareas para ocultar fallos acumulativos en sus flujos de trabajo .

Deuda Técnica de IA y Erosión del Capital Humano

Dos riesgos de segundo orden merecen atención específica por su naturaleza insidiosa y acumulativa. Gartner proyecta que para 2030, el 50% de las empresas enfrentará retrasos en actualizaciones de IA o costos crecientes de mantenimiento debido a deuda técnica de IA generativa no gestionada . El costo punitivo de mantener, corregir o reemplazar artefactos generados por IA —código, contenido, diseños— puede erosionar el retorno de inversión prometido .

La investigación de la Universidad de Bath identifica un riesgo paralelo y potencialmente más profundo: la erosión del capital humano . El estudio distingue entre formas de conocimiento compatibles con IA (conocimiento codificado y conocimiento incorporado en procesos digitalizados) y formas incompatibles (conocimiento corpóreo, enculturado y embebido en la experiencia práctica). Cuando las organizaciones delegan sistemáticamente el pensamiento, la toma de decisiones o la interpretación a sistemas de IA, estas formas críticas de conocimiento se marchitan gradualmente, creando una dependencia peligrosa que puede comprometer la viabilidad organizacional .

Los investigadores proponen la creación de "bóvedas de aprendizaje" —espacios protegidos análogos a la Bóveda Global de Semillas de Svalbard— donde los empleados puedan desarrollar conocimiento adaptativo basado en la experiencia y mantener las capacidades reflexivas esenciales para la formación de capital humano .

Marcos de Gobernanza: El NIST AI Risk Management Framework

El NIST AI Risk Management Framework (AI RMF 1.0) emerge en la literatura como el instrumento de gobernanza voluntario más comprehensivo y ampliamente referenciado para la gestión de riesgos de IA . Desarrollado a lo largo de 18 meses en colaboración con más de 240 organizaciones contribuyentes, el marco proporciona un lenguaje común, taxonomías y procesos operacionalizables a través de cuatro funciones centrales: Gobernar, Mapear, Medir y Gestionar .

La función de "Medir" del marco especifica trece subcategorías que incluyen la evaluación de características de confiabilidad, la documentación de conjuntos de prueba y métricas, la evaluación de riesgos de seguridad y privacidad, y el análisis de equidad y sesgo . El marco enfatiza que las métricas y metodologías de medición deben adherirse a normas científicas, legales y éticas, y ser llevadas a cabo mediante procesos abiertos y transparentes .

La naturaleza del AI RMF es explícitamente voluntaria, basada en riesgos, eficiente en recursos, pro-innovación, y agnóstica a regulaciones específicas . Estas características lo posicionan como un instrumento adaptable a diversos contextos sectoriales y jurisdiccionales, aunque su adopción efectiva requiere capacidades organizacionales sustanciales que muchas empresas, particularmente las PyMEs, pueden no poseer .

El Contexto Regulatorio Emergente

El Reglamento Europeo de Inteligencia Artificial (AI Act) representa el primer marco regulatorio vinculante y comprehensivo a nivel global. Su arquitectura establece un sistema de evaluación de conformidad para sistemas de IA de alto riesgo, requiriendo la intervención de organismos notificados independientes que certifiquen el cumplimiento de requisitos organizacionales, de gestión de calidad, de recursos y de ciberseguridad .

Sin embargo, el Comité Económico y Social Europeo ha expresado preocupaciones sobre la complejidad regulatoria y la necesidad de evitar cargas desproporcionadas para las empresas . En una opinión adoptada en 2024, el Comité argumentó que, en lugar de nueva legislación, la prioridad debería ser la implementación efectiva del marco existente y la reducción de la complejidad legal que enfrentan las empresas europeas .

La evidencia sobre el impacto de la IA en el lugar de trabajo europeo documenta que entre una cuarta parte y el 80% de las empresas de la Unión utilizan alguna forma de gestión algorítmica, y que el 26.5% de los trabajadores europeos tiene su desempeño monitoreado por programas informáticos . Estas cifras subrayan la urgencia de marcos de gobernanza que aborden no solo los aspectos técnicos de la IA, sino también sus implicaciones psicosociales y laborales.

Conclusiones

La evidencia sintetizada en esta revisión permite formular las siguientes conclusiones:

Primera. Existe una brecha estructural y documentada entre la adopción empresarial de inteligencia artificial y la capacidad organizacional para gobernar sus riesgos. Esta brecha no se limita a sectores específicos o geografías particulares, sino que constituye un patrón global que afecta a organizaciones de todos los tamaños, con agravamiento en empresas pequeñas y medianas .

Segunda. El Shadow AI representa el riesgo más inmediato y medible, con más de dos tercios de las organizaciones reportando evidencia o sospecha de uso no autorizado de herramientas generativas, y más de la mitad de los empleados admitiendo haber introducido información sensible en plataformas públicas . Las consecuencias documentadas incluyen fuga de propiedad intelectual, exposición de datos de clientes, y vulneración de obligaciones de cumplimiento normativo.

Tercera. Los riesgos de segundo y tercer orden —deuda técnica de IA, erosión del capital humano, opacidad de la capa de producción algorítmica— son sistemáticamente subestimados porque sus efectos son acumulativos y no se manifiestan hasta que alcanzan umbrales críticos de disfunción organizacional .

Cuarta. Los fallos catastróficos de agentes autónomos, aunque menos frecuentes que los incidentes de Shadow AI, conllevan consecuencias operativas y financieras severas, incluyendo la destrucción de datos de producción y la interrupción de servicios críticos . La evidencia sugiere que los agentes de IA se están integrando en sistemas de producción más rápidamente que los controles de seguridad, gobernanza de acceso y mecanismos de recuperación .

Quinta. El NIST AI Risk Management Framework proporciona un vocabulario común y un conjunto de procesos operacionalizables para la gestión de riesgos de IA, pero su adopción efectiva requiere inversiones significativas en capacidades organizacionales que muchas empresas no han realizado .

Retos y Direcciones Futuras

La revisión identifica los siguientes retos críticos que requieren atención por parte de investigadores, profesionales y responsables de políticas:

Reto 1: Medición de riesgos intangibles. La literatura carece de métricas validadas para cuantificar riesgos como la erosión del capital humano, la pérdida de conocimiento tácito, y el deterioro del juicio profesional. El desarrollo de instrumentos de medición psicométrica y organizacional para estos constructos constituye una prioridad de investigación .

Reto 2: Gobernanza de agentes autónomos. Los marcos actuales de gobernanza de IA fueron diseñados principalmente para sistemas que generan outputs sujetos a revisión humana. La creciente autonomía de los agentes de IA —que ejecutan secuencias de acciones sin intervención humana en puntos críticos— requiere nuevos paradigmas de control, incluyendo mecanismos de interrupción, límites de permisos granulares, y capacidades de auditoría forense .

Reto 3: Equidad regulatoria y capacidad de las PyMEs. Los marcos regulatorios emergentes, aunque necesarios, imponen cargas de cumplimiento que pueden ser desproporcionadas para empresas más pequeñas. El desarrollo de recursos de gobernanza escalables y accesibles para PyMEs representa una necesidad urgente .

Reto 4: Integración de la gobernanza de IA con marcos existentes. La evidencia sugiere que las organizaciones exitosas integran la gobernanza de IA en sus estructuras existentes de gestión de riesgos, cumplimiento y recursos humanos, en lugar de tratarla como una iniciativa aislada . La investigación sobre modelos operativos de gobernanza integrada es incipiente.

Reto 5: Preservación del capital humano en entornos de IA. El diseño de intervenciones organizacionales —bóvedas de aprendizaje, programas de rotación, mentoría estructurada— que preserven las formas de conocimiento incompatibles con IA, mientras se aprovechan los beneficios de eficiencia de la tecnología, constituye un desafío de diseño organizacional sin soluciones validadas a escala .

Referencias

BSI Group. (2025). Firms 'sleepwalking' into AI crisis as confidence outpaces prep. https://www.bsigroup.com/en-CA/insights-and-media/media-center/press-releases/2025/october/ai-governance/

Comité Económico y Social Europeo. (2024). Opinion on the AI Act: Annex III classifies certain AI systems used for recruitment, decisions relating to... EUR-Lex. https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=OJ:C_202501185

Comité Económico y Social Europeo. (2026). Opinion on AI and algorithmic management at the workplace. EUR-Lex. https://eur-lex.europa.eu/legal-content/SV/TXT/HTML/?uri=OJ:C_202602154

CSA Group. (2025). Research assessment of AI applications in manufacturing and associated risks. https://www.csagroup.org/wp-content/uploads/CSA-Group-Research-Assessment-of-AI-Applications-in-Manufacturing-and-Associated-Risks.pdf

Cyera. (2026). Agent-inflicted damage: Inside the real-world failures of enterprise AI systems. https://www.cyera.com/fr/research/agent-inflicted-damage-inside-the-real-world-failures-of-enterprise-ai-systems

Gartner. (2025). Gartner identifies critical GenAI blind spots that CIOs must urgently address. https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0

Microsoft. (2026). AI overreliance. Microsoft Learn. https://learn.microsoft.com/lv-lv/training/modules/fundamentals-ai-security/8-ai-overreliance

NIST AI Resource Center. (2026). AI Risk Management Framework. https://airc.nist.gov/airmf-resources/airmf/

NIST AI Resource Center. (2026). AI RMF Core. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/

NIST AI Resource Center. (2026). Appendix D: Attributes of the AI RMF. https://airc.nist.gov/airmf-resources/airmf/appendices/app-d-attributes-of-the-ai-rmf/

Reglamento (UE) 2024/1689. (2026). EUR-Lex - 02024R1689-20260727 - EN - 7. https://eur-lex.europa.eu/eli/reg/2024/1689/2026-07-27/eng

TIVIT. (2026). La inteligencia artificial en las empresas: el lado oscuro que pocos ven y muchos subestiman. https://latam.tivit.com/prensa/la-inteligencia-artificial-en-las-empresas-el-lado-oscuro-que-pocos-ven-y-muchos-subestiman

Universidad de Bath. (2026). University of Bath research warns AI could erode human capital, thinking and expertise in the workplace. EurekAlert. https://www.eurekalert.org/news-releases/1122393

Westner, M., et al. (2019). Shadow IT research: A systematic literature review. Zenodo. https://zenodo.org/records/21753950

Zenodo. (2026). Cabrera Segovia AI production layer 2026. https://zenodo.org/records/20575102

Doxa 2657

¿Sabes qué valoran tus clientes?
Una revisión académica sobre el valor percibido, la satisfacción y la lealtad

Por: Oscar Hernando Benavides Paz, MBA

La pregunta que da título a este artículo no es retórica. En un entorno competitivo donde la diferenciación se erosiona con rapidez y las expectativas de los clientes evolucionan de forma asimétrica, la incapacidad de una organización para responder con precisión a qué valora realmente su clientela constituye una desventaja estructural. La literatura científica sobre marketing y comportamiento del consumidor ha establecido de manera consistente que el valor percibido por el cliente (Customer Perceived Value, CPV) es un antecedente crítico de la satisfacción y, a través de esta, de las intenciones de recompra y la lealtad. Sin embargo, la medición ingenua de la satisfacción —frecuentemente reducida a encuestas de un solo ítem— ha demostrado ser un predictor deficiente de la retención y la cuota de mercado. Este trabajo sintetiza la evidencia empírica y las revisiones sistemáticas disponibles sobre la estructura del valor percibido, sus dimensiones constitutivas, sus vínculos causales con la satisfacción y los desenlaces conductuales, así como las implicaciones metodológicas para la investigación aplicada y la gestión organizacional. El objetivo no es ofrecer una receta simplificada, sino establecer un marco basado en evidencia para formular preguntas más rigurosas sobre lo que los clientes valoran y cómo esa valoración se traduce —o no— en resultados empresariales sostenibles.

Introducción: del espejismo de la satisfacción a la anatomía del valor

Durante décadas, las organizaciones han invertido recursos sustanciales en medir la satisfacción del cliente, asumiendo que niveles elevados de satisfacción se traducen mecánicamente en lealtad y rentabilidad. Esta suposición ha sido cuestionada desde múltiples frentes. Investigaciones longitudinales y análisis de mercados han documentado casos en los que empresas con altos índices de satisfacción experimentaron pérdidas significativas de clientes y de cuota de mercado. La explicación reside en una confusión conceptual: la satisfacción es una evaluación post-consumo de una transacción específica o de una relación global, pero no captura necesariamente la comparación relativa que los clientes realizan entre las alternativas disponibles. Un cliente puede estar satisfecho con un proveedor y, no obstante, cambiar a otro si percibe que este segundo ofrece un valor sustancialmente superior.

El valor percibido por el cliente emerge así como un constructo de orden superior, más proximal a las decisiones de compra y de continuidad relacional que la satisfacción por sí sola. La literatura lo define como la evaluación global del cliente sobre la utilidad de un producto o servicio, basada en la percepción de lo que recibe (beneficios) frente a lo que sacrifica (costos monetarios y no monetarios). Esta definición, aparentemente simple, encierra una complejidad considerable. El valor no es una propiedad objetiva de la oferta, sino una construcción cognitiva y afectiva del cliente, moldeada por sus expectativas, su contexto de uso, su historia relacional y el panorama competitivo en el que opera.

La relevancia de esta distinción no es meramente académica. En la práctica, implica que las estrategias de medición centradas exclusivamente en la satisfacción pueden generar una falsa sensación de seguridad. Si una empresa no comprende qué atributos o dimensiones del valor son relevantes para sus clientes, ni cómo se posiciona relativamente frente a sus competidores en esas dimensiones, corre el riesgo de optimizar variables que no son determinantes para la retención y el crecimiento. La pregunta «¿sabes qué valoran tus clientes?» se convierte, entonces, en una pregunta sobre la validez y la utilidad de los sistemas de inteligencia de clientes que las organizaciones despliegan.

Este artículo se estructura en cinco secciones adicionales. La primera establece los objetivos y metas de la revisión. La segunda desarrolla el marco conceptual del valor percibido, desglosando sus dimensiones de beneficios y sacrificios. La tercera analiza la evidencia sobre las relaciones estructurales entre valor percibido, satisfacción y desenlaces conductuales. La cuarta examina las implicaciones metodológicas para la medición del valor. La quinta presenta las conclusiones y los retos pendientes para la investigación y la práctica. El enfoque es deliberadamente integrador, priorizando la síntesis de hallazgos consistentes sobre la enumeración exhaustiva de estudios individuales.

Objetivos y metas

Objetivo general. Sintetizar la evidencia científica disponible sobre la estructura del valor percibido por el cliente, sus dimensiones constitutivas y su papel como antecedente de la satisfacción y los desenlaces relacionales, con el fin de establecer un marco de referencia para la medición rigurosa de lo que los clientes valoran.

Metas específicas. (1) Delimitar conceptualmente el constructo de valor percibido y diferenciarlo de constructos adyacentes como la calidad de servicio y la satisfacción. (2) Identificar y clasificar las principales dimensiones de beneficios y sacrificios que la literatura empírica ha validado como componentes del valor percibido. (3) Analizar la evidencia sobre las relaciones causales entre valor percibido, satisfacción, intenciones de recompra y boca a boca. (4) Examinar los hallazgos metodológicos relevantes para el diseño de instrumentos de medición del valor en contextos organizacionales. (5) Identificar lagunas de investigación y retos para la validación cruzada de modelos en sectores y geografías diversas.

Desarrollo

El valor percibido como constructo multidimensional

La investigación contemporánea ha superado la visión unidimensional del valor como una simple relación calidad-precio. Los modelos más integradores, validados mediante meta-análisis y revisiones sistemáticas, lo conciben como una función de múltiples beneficios y múltiples sacrificios. Entre los beneficios, la literatura ha identificado de manera consistente las siguientes categorías: eficiencia o conveniencia, que reduce el esfuerzo y el tiempo requeridos para interactuar con la oferta; excelencia, asociada a la calidad percibida del producto o servicio; estatus, vinculado a la capacidad de la oferta para proyectar una imagen favorable ante otros; disfrute o valor hedónico, que captura el placer intrínseco derivado del consumo o la interacción; beneficios sociales, que mejoran las relaciones con otros clientes o con la comunidad; personalización, que refleja el grado en que la oferta se adapta a necesidades específicas; novedad, que satisface la curiosidad y la búsqueda de conocimiento; y beneficios relacionales, como la confianza y el compromiso con el proveedor.

Los sacrificios, por su parte, no se limitan al precio monetario. Incluyen costos temporales (el tiempo invertido en la compra o el uso), esfuerzo cognitivo y físico, riesgos percibidos de diversa naturaleza (de desempeño, financiero, de seguridad, de privacidad) y, en contextos contemporáneos, costos ecológicos y sociales, como el impacto ambiental o las prácticas laborales cuestionables. Esta desagregación tiene consecuencias prácticas directas: dos clientes pueden asignar la misma calificación global de valor a un proveedor por razones radicalmente distintas, y las intervenciones gerenciales necesarias para mejorar esa percepción pueden ser opuestas.

La evidencia también sugiere que la importancia relativa de estas dimensiones varía sistemáticamente según el contexto relacional. Los análisis de moderación realizados en meta-investigaciones recientes indican que, por ejemplo, los beneficios de estatus tienen un peso mayor en contextos sin fines de lucro que en contextos con fines de lucro, mientras que los beneficios de conveniencia y eficiencia son relativamente más importantes en transacciones en línea que en entornos presenciales. Estas diferencias contextuales subrayan la futilidad de aplicar instrumentos de medición estandarizados sin una validación previa en el dominio específico de aplicación.

Dimensiones del valor percibido validadas empíricamente

Un aporte significativo de las revisiones sistemáticas recientes ha sido la consolidación operativa de las dimensiones del valor. La Tabla 1 presenta una síntesis de los constructos y sus indicadores, derivada de la literatura de validación de escalas.

Tabla 1. Dimensiones del valor percibido y sus manifestaciones indicadoras

Categoría	Dimensión	Indicadores típicos
Beneficios	Eficiencia/Conveniencia	Facilidad de uso, ahorro de tiempo, simplicidad
	Excelencia	Calidad, fiabilidad, consistencia del desempeño
	Estatus	Reputación, prestigio, impresión positiva ante otros
	Disfrute/Valor hedónico	Placer, entretenimiento, experiencia afectiva positiva
	Beneficios sociales	Pertenencia, vínculos con otros clientes, comunidad
	Personalización	Adaptación a necesidades específicas, co-creación
	Novedad	Curiosidad, aprendizaje, estimulación epistémica
	Beneficios relacionales	Confianza, compromiso, trato personalizado
Sacrificios	Precio monetario	Costo de adquisición, percepción de justicia de precio
	Costo temporal	Tiempo de espera, duración del proceso de compra
	Esfuerzo	Carga cognitiva, esfuerzo físico, costo de cambio
	Riesgo de desempeño	Incertidumbre sobre el funcionamiento
	Riesgo de privacidad/seguridad	Divulgación de información, protección de datos
	Costos ecológicos/sociales	Impacto ambiental, prácticas éticas del proveedor

Nota. Elaboración propia a partir de la síntesis de dimensiones reportada en la literatura de revisión sistemática del valor percibido.

La validez discriminante entre estas dimensiones no es uniforme. Algunas, como eficiencia y excelencia, tienden a correlacionar moderadamente, mientras que otras, como estatus y beneficios ecológicos, muestran patrones de asociación más débiles o incluso negativos en ciertos segmentos. Esta heterogeneidad implica que los modelos de medición deben someterse a análisis factoriales confirmatorios específicos por población antes de asumir una estructura común.

Relaciones estructurales: del valor a los desenlaces

La evidencia sobre la cadena causal valor → satisfacción → lealtad ha sido objeto de debate considerable. Durante un período, algunos investigadores sostuvieron que la satisfacción era un antecedente de la calidad de servicio, mientras que otros defendían la dirección opuesta. La posición predominante en la literatura reciente, respaldada por estudios longitudinales y modelos de ecuaciones estructurales, postula que el valor percibido y la calidad de servicio son antecedentes de la satisfacción, y que esta última media parcialmente los efectos sobre las intenciones conductuales.

Una revisión sistemática PRISMA que examinó 22 estudios empíricos publicados entre 2008 y 2024 encontró que la relación entre valor percibido y satisfacción fue significativa y positiva en la totalidad de los estudios que la evaluaron. La relación entre satisfacción e intención de continuar la relación fue igualmente consistente en dirección positiva, aunque con magnitudes que variaron según el sector y el contexto cultural. En contraste, la relación directa entre valor percibido e intención de continuar la relación —sin la mediación de la satisfacción— mostró resultados inconsistentes: algunos estudios reportaron efectos significativos, mientras que otros no encontraron evidencia de una asociación directa. Esta inconsistencia sugiere que la satisfacción opera como un mecanismo mediador necesario, o al menos como un amplificador, de los efectos del valor sobre la retención.

Los desenlaces examinados en la literatura incluyen, además de la intención de recompra, la disposición al boca a boca positivo (word-of-mouth), la tolerancia a incrementos de precio y la intención de expandir la relación comercial (cross-buying y up-selling). La evidencia meta-analítica indica que el valor percibido tiene efectos directos sobre estos desenlaces, además de los efectos indirectos mediados por la satisfacción. Esto implica que las organizaciones que gestionan el valor de manera efectiva pueden obtener beneficios relacionales incluso cuando la satisfacción transaccional no es óptima, y viceversa: una satisfacción alta sin valor percibido diferencial puede ser insuficiente para retener clientes frente a ofertas competitivas más atractivas.

El problema de la medición: por qué las encuestas de satisfacción fallan

La crítica más contundente a las prácticas convencionales de medición de la satisfacción proviene de la observación de que estas no capturan la naturaleza relativa del valor. Un cliente evalúa su proveedor actual no en el vacío, sino en comparación con las alternativas disponibles. Una encuesta que pregunta «¿qué tan satisfecho está usted con el proveedor X?» obtiene una respuesta que refleja una evaluación absoluta, pero las decisiones de recompra y lealtad se rigen por evaluaciones relativas.

La experiencia documentada de AT&T en la década de 1980 ilustra este problema con particular claridad. Durante años, la compañía realizó encuestas de satisfacción que arrojaban calificaciones consistentemente altas para sus propios clientes. Sin embargo, estas calificaciones no mostraban correlación con la cuota de mercado, y AT&T continuaba perdiendo clientes frente a competidores cuyos clientes reportaban niveles de satisfacción comparables o inferiores. El diagnóstico fue que las encuestas medían satisfacción absoluta, no valor relativo. La solución implicó un cambio radical en el diseño del instrumento: en lugar de preguntar por la satisfacción con el propio proveedor, se preguntó a los encuestados por la medida en que el producto o servicio de un proveedor —propio o de la competencia— «vale lo que se paga por él».

Este cambio aparentemente simple tuvo consecuencias profundas. Al muestrear el mercado en su conjunto, no solo la base de clientes propia, AT&T pudo calcular un índice de valor relativo (Customer Value Added, CVA) que resultó ser un indicador adelantado de la cuota de mercado en varios de los mercados donde operaba. La lección metodológica es que la medición del valor debe ser comparativa y basada en el mercado, no limitada a la cartera de clientes existente.

Los modelos de medición del valor también deben enfrentar el problema de la ponderación. No todos los atributos contribuyen con el mismo peso a la percepción global de valor, y esos pesos varían entre segmentos y a lo largo del tiempo. Los enfoques basados en la regresión de la percepción global de valor sobre las percepciones de calidad y precio competitivo, como el desarrollado en AT&T, permiten estimar empíricamente esos pesos en lugar de asumirlos. La ecuación básica —Valor = f(Calidad, Precio)— se traduce operativamente en un modelo donde los coeficientes representan la importancia relativa de cada componente para la población estudiada.

Una implicación adicional de esta perspectiva es que las organizaciones deben distinguir entre la medición del valor en el nivel de atributo y la medición en el nivel global. Los instrumentos que solicitan calificaciones de atributos específicos (por ejemplo, «califique la amabilidad del personal») proporcionan información diagnóstica valiosa, pero no sustituyen la medición de la percepción global de valor, que es la que más directamente se relaciona con los desenlaces conductuales. Los sistemas de medición más efectivos combinan ambos niveles en un modelo jerárquico donde los atributos informan la calidad percibida y el precio competitivo, y estos a su vez determinan el valor global.

Contextos de aplicación y moderadores relevantes

La literatura reciente ha documentado que las relaciones entre las dimensiones del valor, el valor global y los desenlaces no son invariantes a través de contextos. Los moderadores identificados incluyen la naturaleza del intercambio (business-to-business versus business-to-consumer), el canal (en línea versus presencial), la estructura contractual (contractual versus no contractual), el tipo de oferta (bienes versus servicios) y el carácter organizacional (con o sin fines de lucro).

En el ámbito business-to-business, por ejemplo, los beneficios relacionales y los costos de cambio tienden a tener un peso mayor en la determinación del valor percibido que en contextos de consumo final, donde los beneficios hedónicos y de estatus suelen ser más prominentes. En contextos en línea, los sacrificios asociados al riesgo de privacidad y a la seguridad de la transacción adquieren una relevancia que no tienen en interacciones presenciales. Estas variaciones no son meramente académicas: implican que las estrategias de valor deben diseñarse con especificidad contextual y que los instrumentos de medición deben validarse en cada dominio de aplicación.

La investigación específica en sectores como la hotelería ha confirmado que las dimensiones funcional, emocional y social del valor percibido influyen significativamente en la satisfacción del cliente, y que las intervenciones gerenciales deben diseñarse de manera integrada para abordar las tres simultáneamente. La evidencia en servicios bancarios y de telecomunicaciones apunta en la misma dirección: las percepciones de valor se construyen a partir de múltiples fuentes, y la optimización de una sola dimensión —por ejemplo, la reducción de precios— sin atención a las demás raramente produce mejoras sostenidas en la retención.

Conclusiones

La evidencia científica permite formular varias conclusiones robustas sobre la pregunta que da título a este artículo. Primera: el valor percibido por el cliente es un constructo multidimensional que no puede reducirse a la relación calidad-precio ni a la satisfacción global. Las organizaciones que no desagregan el valor en sus componentes de beneficios y sacrificios carecen de la información necesaria para diseñar intervenciones efectivas. Segunda: el valor percibido es un antecedente consistente de la satisfacción, y la satisfacción media los efectos del valor sobre las intenciones de recompra y el boca a boca. La evidencia sobre efectos directos del valor sobre la retención, sin mediación de la satisfacción, es inconsistente, lo que sugiere que ambos constructos deben medirse y gestionarse conjuntamente. Tercera: la medición del valor debe ser relativa y basada en el mercado, no absoluta y limitada a la cartera de clientes propios. La experiencia de AT&T y los desarrollos posteriores en análisis de valor competitivo proporcionan un marco metodológico validado para este propósito.

Cuarta: las dimensiones del valor y sus pesos relativos varían sistemáticamente según el contexto relacional y sectorial. No existe un instrumento universal de medición del valor; la validación local es una condición necesaria para la utilidad de los datos. Quinta: la literatura sobre valor percibido ha alcanzado un grado de madurez que permite integraciones meta-analíticas y la formulación de generalizaciones empíricas, pero persisten lagunas importantes en la validación cruzada de modelos en contextos geográficos y sectoriales diversos, particularmente en economías emergentes y en sectores de servicios intensivos en tecnología.

La respuesta a la pregunta «¿sabes qué valoran tus clientes?» no puede ser afirmativa sin evidencia. Y la evidencia debe provenir de instrumentos diseñados para capturar la estructura real del valor, no de proxies convenientes que generan una ilusión de conocimiento. La diferencia entre ambas aproximaciones no es semántica: es la diferencia entre gestionar sobre la base de datos válidos y gestionar sobre la base de suposiciones no verificadas.

Retos

Reto 1: Validación contextual de instrumentos. La mayoría de las escalas de medición del valor percibido han sido desarrolladas y validadas en contextos de economías avanzadas. Se requiere investigación que examine su invariancia factorial y su validez predictiva en contextos latinoamericanos, asiáticos y africanos, donde las estructuras de mercado, las expectativas de los clientes y las dinámicas relacionales pueden diferir sustancialmente.

Reto 2: Integración de dimensiones emergentes. La literatura ha comenzado a incorporar dimensiones de valor relacionadas con la sostenibilidad, la ética y el impacto social, pero la evidencia sobre su peso relativo frente a dimensiones más tradicionales es aún limitada. Los estudios futuros deben examinar en qué condiciones los beneficios ecológicos y sociales se convierten en determinantes significativos del valor percibido y de los desenlaces conductuales.

Reto 3: Medición dinámica. La mayor parte de la investigación sobre valor percibido utiliza diseños transversales. Los estudios longitudinales que rastrean la evolución de las percepciones de valor a lo largo del ciclo de relación con el cliente son escasos. Esta laguna impide comprender cómo las dimensiones del valor ganan o pierden importancia a medida que la relación madura.

Reto 4: Integración de fuentes de datos. Las organizaciones contemporáneas tienen acceso a datos de encuestas, datos transaccionales, datos de interacciones en canales digitales y datos de texto no estructurado (reseñas, redes sociales). La integración de estas fuentes para construir modelos de valor más ricos y predictivos permanece como un desafío metodológico significativo.

Reto 5: Traducción de hallazgos a decisiones gerenciales. Existe una brecha persistente entre la sofisticación de los modelos académicos de valor y la capacidad de las organizaciones para implementar sistemas de medición que informen decisiones concretas de asignación de recursos. El desarrollo de metodologías que reduzcan esta brecha —sin sacrificar el rigor— constituye una prioridad tanto para la investigación aplicada como para la práctica profesional.

Referencias

• Wei, M. C. (2012). Analyzing structural relationships between service quality, disconfirmation, satisfaction and loyalty. Asia-Pacific Management Accounting Journal, 5(2), 1–30.
• Feuss, W. J. (2009). Customer value and competitive position. Stevens Institute of Technology, Howe School Alliance for Technology Management, 3–6.
• Sánchez-Fernández, R., & Iniesta-Bonillo, M. Á. (2006). Consumer perception of value: Literature review and a new conceptual framework. Journal of Consumer Satisfaction, Dissatisfaction and Complaining Behavior, 19, 40–58.
• Tedja, B., Al Musadieq, M., Kusumawati, A., & Yulianto, E. (2024). Systematic literature review using PRISMA: exploring the influence of service quality and perceived value on satisfaction and intention to continue relationship. Future Business Journal, 10(1), 1–18. https://doi.org/10.1186/s43093-024-00326-4
• Sweeney, J. C., & Soutar, G. N. (2001). Consumer perceived value: The development of a multiple item scale. Journal of Retailing, 77(2), 203–220.
• Mat Ghani, A., Wan Kamarudin, W. N. B., Mohd Isa, S., Abas, S. A., & Muhammad Ghazali, A. (2025). Understanding the impact of customer perceived value on hotel customers’ satisfaction: A systematic literature review. International Multidisciplinary Research Journal, 17(1), 1–10. https://doi.org/10.22610/imbr.v17i1(I)S.4420
• Fragata, A. (2009). Lealtad en la banca corporativa [Tesis doctoral, Universidad de Salamanca]. Gredos.
• Kordupleski, R. (2003). Mastering customer value management. ASQ Quality Press.
• Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American Customer Satisfaction Index: Nature, purpose, and findings. Journal of Marketing, 60(4), 7–18.
• Ulaga, W., & Eggert, A. (2006). Value-based differentiation in business relationships: Gaining and sustaining key supplier status. Journal of Marketing, 70(1), 119–136.
• Homburg, C., & Stock, R. M. (2004). The link between salespeople’s job satisfaction and customer satisfaction in a business-to-business context: A dyadic analysis. Journal of the Academy of Marketing Science, 32(2), 144–158.
• Gronroos, C. (1988). Service quality: The six criteria of good perceived service quality. Review of Business, 9(3), 10–13.
• Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12–40.
• Cronin, J. J., & Taylor, S. A. (1992). Measuring service quality: A reexamination and extension. Journal of Marketing, 56(3), 55–68.
• Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: A means-end model and synthesis of evidence. Journal of Marketing, 52(3), 2–22.

Doxa 2656

Cuando los Salarios Fluctúan, los Trabajadores se Marchan:
Evidencia Científica sobre la Variabilidad Salarial y la Rotación Voluntaria en el Empleo

Por: Oscar Hernando Benavides Paz, MBA

Resumen

La relación entre la variabilidad de la compensación económica y la rotación voluntaria de trabajadores constituye un campo de investigación de creciente relevancia en economía laboral y gestión de recursos humanos. La evidencia empírica reciente demuestra que la imprevisibilidad en los ingresos, más allá de su nivel absoluto, actúa como un determinante crítico de las decisiones de salida voluntaria, particularmente en segmentos de trabajadores con salarios bajos y medios donde la dependencia del ingreso quincenal o semanal para cubrir gastos básicos es elevada.

Introducción: El Problema de la Imprevisibilidad Salarial

Históricamente, la investigación sobre compensación laboral ha priorizado el estudio del nivel salarial como predictor de satisfacción y permanencia. Sin embargo, una corriente emergente de estudios longitudinales y cualitativos ha revelado que la varianza en los ingresos entre períodos de pago —conocida como variabilidad salarial— ejerce efectos independientes y significativos sobre las decisiones de rotación voluntaria . Esta distinción es teóricamente relevante: un trabajador puede percibir un salario promedio adecuado y, no obstante, experimentar una profunda aversión a un sistema de pago que le impide anticipar sus ingresos semanales.

El fenómeno adquiere particular importancia en el contexto contemporáneo, donde una proporción sustancial de la fuerza laboral en economías desarrolladas ocupa puestos con estructuras de pago variables: comisiones, pago por pieza, compensación basada en millas recorridas o ingresos dependientes de plataformas digitales. Datos de la industria del transporte de carga en Estados Unidos revelan que los conductores de camiones de carga pesada, cuyo salario mediano ($48,310 anuales) supera el de ocupaciones que requieren únicamente educación secundaria ($41,000), experimentan niveles significativos de incertidumbre en sus ingresos semanales, situación que correlaciona positivamente con la intención de abandonar el empleo .

En el contexto colombiano, la evidencia disponible sugiere que las empresas con salarios no competitivos registran tasas de rotación cercanas al 23%, mientras que aquellas con compensación superior al promedio del mercado presentan índices de 17.9%, lo que confirma una asociación robusta entre condiciones de pago y estabilidad del talento . Resulta notable que el 77.3% de las organizaciones encuestadas no calcula los costos asociados a la rotación, lo que perpetúa prácticas de compensación subóptimas desde una perspectiva estratégica.

Objetivos de la Investigación

Objetivo general: Sintetizar y analizar críticamente la evidencia científica disponible sobre la relación entre la variabilidad de los salarios y la rotación voluntaria de trabajadores, identificando los mecanismos causales, moderadores contextuales y consecuencias organizacionales documentadas en la literatura especializada.

Objetivos específicos:

• Determinar si la variabilidad salarial constituye un predictor independiente de la rotación voluntaria, controlando por nivel salarial promedio.
• Identificar los mecanismos psicológicos y económicos que explican la aversión de los trabajadores a la imprevisibilidad de ingresos.
• Analizar los moderadores que amplifican o atenúan el efecto de la variabilidad sobre la decisión de salida.
• Evaluar las consecuencias de la rotación inducida por variabilidad salarial para el desempeño organizacional.

Metas del Estudio

El presente análisis se propone alcanzar las siguientes metas: primero, establecer un marco conceptual que distinga la variabilidad salarial de constructos relacionados como insatisfacción salarial o percepción de inequidad; segundo, sintetizar la evidencia empírica proveniente de estudios con diseños cuantitativos y cualitativos; tercero, identificar las lagunas de conocimiento que requieren investigación futura; y cuarto, derivar implicaciones prácticas para el diseño de sistemas de compensación que equilibren flexibilidad organizacional con previsibilidad para el trabajador.

Desarrollo: Evidencia Científica sobre Variabilidad Salarial y Rotación

Determinantes Psicológicos de la Aversión a la Variabilidad

La teoría de la valoración cognitiva (cognitive appraisal theory) proporciona un marco explicativo robusto para comprender por qué los trabajadores experimentan la variabilidad salarial como un factor de estrés y precariedad. Según este enfoque, la respuesta psicológica a un estímulo laboral —en este caso, la incertidumbre de ingresos— depende de dos evaluaciones: la relevancia del estímulo para el bienestar personal y la capacidad percibida de afrontarlo . Cuando los trabajadores experimentan con frecuencia cheques por debajo del promedio, perciben limitado control sobre sus ingresos y sus hogares dependen de ese ingreso para gastos esenciales, la variabilidad se convierte en una fuente aguda de aversión que motiva la búsqueda de alternativas laborales más predecibles.

Evidencia cualitativa de conductores de camiones en Estados Unidos ilustra este mecanismo con particular claridad. Un conductor describió su experiencia como “infierno financiero”, señalando que “a veces las cargas se cancelan y es una lucha intentar recuperar las millas perdidas; si esto continúa, tendré que buscar nuevo empleo” . Otros participantes caracterizaron sus ingresos como “muy inestables”, con “fluctuaciones enormes” y “realmente inconsistentes”, reflejando que “nadie sabe cuánto ganará de una semana a otra” . La variabilidad se percibe como aversiva precisamente porque los factores que la determinan —clima, errores administrativos, averías mecánicas, fluctuaciones de demanda— escapan al control del trabajador.

Evidencia Cuantitativa: La Relación entre Variabilidad y Salida

El estudio de Cameron y Meuris (2026), publicado en PLOS ONE, constituye la evidencia más comprehensiva disponible sobre este fenómeno. Utilizando datos de encuestas y registros de archivo de 711 conductores de camiones de una empresa nacional de transporte, los autores encontraron que la variabilidad salarial se asocia positivamente con la probabilidad de rotación voluntaria, relación que persiste incluso entre los conductores de más alto desempeño . Contraintuitivamente desde una perspectiva puramente económica, los trabajadores que abandonaron la organización como respuesta a la variabilidad probablemente experimentaron ingresos anuales menores en sus nuevos empleos, lo que sugiere que la previsibilidad tiene un valor monetario implícito para los trabajadores.

Análisis cualitativos suplementarios reforzaron estos hallazgos: entre los conductores que consideraban dejar la empresa, el 57% identificó la variabilidad salarial como el factor principal de su decisión . Este dato es particularmente significativo porque los conductores no estaban simplemente insatisfechos con el nivel de pago —de hecho, el salario mediano de la ocupación supera el de trabajos que requieren educación secundaria— sino específicamente con la imprevisibilidad de sus ingresos.

Evidencia sobre Reducciones Salariales y Rotación Diferenciada

Un cuerpo paralelo de investigación examina las consecuencias de reducciones salariales explícitas sobre la rotación, proporcionando evidencia convergente sobre el papel de la compensación en las decisiones de salida. Sandvik, Saouma, Seegert y Stanton (2018) analizaron el efecto de una reducción del 18% en comisiones de ventas —equivalente a una caída del 7% en el salario neto mediano— en una empresa de centro de llamadas con 2,033 agentes . Los resultados revelaron que la rotación aumentó significativamente entre los trabajadores más productivos: la attrition en este grupo fue 28% superior a la normal, generando una pérdida de ingresos del 6% . Contrario a las predicciones de modelos de esfuerzo óptimo, no se detectó una reducción significativa de la productividad; muchos agentes incluso incrementaron su esfuerzo, posiblemente en un intento de recuperar sus niveles previos de remuneración .

Este hallazgo es teóricamente relevante porque sugiere que los costos organizacionales de las reducciones salariales operan principalmente a través de la selección adversa en el margen extensivo —la pérdida de trabajadores valiosos— más que a través de la reducción del esfuerzo en el margen intensivo. Los autores concluyen que “las preocupaciones de selección adversa en el margen extensivo de retención de trabajadores impulsan la regularidad empírica de que las empresas raramente reducen la compensación” .

Rigidez Salarial a la Baja y sus Implicaciones

La literatura sobre rigidez salarial a la baja (downward nominal wage rigidity, DNWR) ofrece un contexto macroeconómico relevante para comprender por qué las empresas recurren a mecanismos alternativos de flexibilización laboral —incluida la variabilidad salarial— en lugar de reducir salarios base. Análisis con datos administrativos vinculados de trabajador-firma en Estados Unidos demuestran que durante la Gran Recesión, la incidencia de recortes salariales aumentó al 30%, pero las empresas con indicadores de DNWR redujeron el empleo aproximadamente 1.2% más por año, efecto impulsado por tasas de contratación significativamente menores que persistieron durante la recuperación .

Evidencia de Colombia refuerza la prevalencia de esta rigidez: más del 85% de las empresas encuestadas consideran poco o nada probable reducir la remuneración básica incluso en escenarios de dificultad económica, siendo la razón principal evitar la pérdida de los trabajadores más valiosos . Esta restricción institucional y conductual explica por qué las organizaciones optan por estructuras de pago variable como mecanismo de flexibilización de costos laborales, aun cuando dicha variabilidad genera consecuencias no deseadas en términos de rotación.

Moderadores del Efecto de la Variabilidad sobre la Rotación

La investigación identifica tres moderadores críticos que amplifican la relación entre variabilidad salarial y rotación voluntaria :

Frecuencia de cheques por debajo del promedio: Los trabajadores que experimentan recurrentemente ingresos inferiores a su promedio histórico perciben la variabilidad como una amenaza más que como una oportunidad. La asimetría entre la aversión a las pérdidas y la atracción por las ganancias implica que las fluctuaciones negativas tienen un impacto psicológico desproporcionado.

Control percibido sobre los ingresos: Cuando los trabajadores atribuyen la variabilidad a factores fuera de su control —condiciones climáticas, decisiones administrativas, fluctuaciones de demanda— la experiencia se vuelve particularmente aversiva. En contraste, cuando perciben que su esfuerzo o habilidad determinan directamente sus ingresos, la variabilidad puede interpretarse como un incentivo legítimo.

Dependencia del hogar respecto al ingreso: Para trabajadores cuyos hogares dependen críticamente del ingreso quincenal o semanal para cubrir gastos esenciales —vivienda, alimentación, servicios— la imprevisibilidad constituye una fuente de precariedad que motiva activamente la búsqueda de empleos con compensación predecible.

Consecuencias Organizacionales de la Rotación Inducida por Variabilidad

La rotación voluntaria motivada por variabilidad salarial tiene consecuencias diferenciadas según el segmento de trabajadores afectado. Los hallazgos de Sandvik et al. (2018) indican que son precisamente los trabajadores más productivos quienes tienen mayor probabilidad de abandonar la organización tras una reducción o variabilización de la compensación . Esto contrasta con la hipótesis de que la rotación puede ser funcional cuando son los trabajadores de bajo desempeño quienes se marchan. En el estudio de Cameron y Meuris, no se encontraron diferencias significativas en medidas de desempeño —cumplimiento de metas de eficiencia de combustible, accidentes prevenibles, habilidades de conducción— entre quienes permanecieron y quienes abandonaron entre los conductores con alta variabilidad salarial .

En el contexto colombiano, la evidencia de ACRIP señala que las empresas con salarios por debajo del promedio del mercado registran una rotación del 23% y ausentismo del 10.29%, frente a 17.9% y 3.81% respectivamente en empresas con compensación competitiva . La concentración de la rotación en áreas de producción (46.8%) sugiere que los segmentos operativos con mayor exposición a estructuras de pago variable o niveles salariales inferiores absorben desproporcionadamente los costos de esta dinámica.

Consideraciones sobre Flexibilidad Salarial y Estabilidad del Empleo

La evidencia sobre si los salarios flexibles protegen el empleo durante recesiones es mixta. Análisis de firmas húngaras encuentran que las empresas con componentes salariales flexibles no ajustan el empleo menos que las empresas con salarios rígidos cuando sus ingresos cambian, ni en el corto ni en el largo plazo . Esto sugiere que la flexibilidad salarial, aunque teóricamente atractiva como mecanismo de ajuste, no necesariamente se traduce en mayor estabilidad laboral. Para los trabajadores, esto implica que asumen el riesgo de la variabilidad sin recibir necesariamente el beneficio de una mayor seguridad en el empleo.

Conclusiones

La síntesis de la evidencia científica disponible permite establecer las siguientes conclusiones:

Primera. La variabilidad salarial constituye un predictor independiente y significativo de la rotación voluntaria, distinto del nivel salarial promedio. Los trabajadores valoran la previsibilidad de ingresos más allá de su magnitud, y están dispuestos a aceptar compensaciones promedio menores a cambio de mayor certeza en sus percepciones.

Segunda. Los mecanismos psicológicos subyacentes involucran la aversión a la incertidumbre, la percepción de falta de control sobre factores determinantes del ingreso y la precariedad financiera del hogar. La teoría de la valoración cognitiva proporciona un marco explicativo robusto para estos hallazgos.

Tercera. La rotación inducida por variabilidad salarial afecta desproporcionadamente a trabajadores de alto desempeño, generando costos organizacionales significativos que frecuentemente no son medidos ni gestionados. La evidencia de que los trabajadores que abandonan por esta razón experimentan ingresos anuales menores sugiere que el mercado no compensa adecuadamente la aversión a la variabilidad.

Cuarta. Las reducciones salariales explícitas producen efectos similares a la variabilidad: incrementan la rotación de trabajadores valiosos sin necesariamente reducir el esfuerzo de quienes permanecen. La combinación de rigidez a la baja en salarios base y flexibilización a través de componentes variables configura un escenario donde los trabajadores absorben el riesgo sin recibir compensación proporcional.

Quinta. En el contexto colombiano, la asociación entre salarios no competitivos y mayores tasas de rotación y ausentismo confirma la aplicabilidad de estos hallazgos a economías latinoamericanas, aunque la investigación específica sobre variabilidad salarial en el país permanece limitada.

Retos y Agenda de Investigación Futura

La evidencia no encontrada en la literatura revisada señala varias lagunas críticas que constituyen la agenda de investigación futura:

Investigación en contextos latinoamericanos. La mayoría de los estudios rigurosos sobre variabilidad salarial y rotación provienen de Estados Unidos y Europa. Se requiere investigación empírica en Colombia y América Latina que examine cómo las particularidades institucionales —informalidad laboral, niveles de sindicalización, estructuras de protección social— moderan la relación entre variabilidad y rotación.

Estudios longitudinales con múltiples mediciones. La mayoría de la evidencia disponible utiliza diseños transversales o de un solo período. Se necesitan estudios de panel que sigan a los trabajadores a lo largo del tiempo para establecer relaciones causales más robustas entre cambios en la estructura de compensación y decisiones de salida.

Interacciones entre variabilidad y otros atributos del empleo. Poca investigación examina cómo la variabilidad salarial interactúa con otros factores —flexibilidad horaria, oportunidades de desarrollo, calidad de supervisión— para determinar decisiones de permanencia o salida. Un trabajador podría tolerar mayor variabilidad si otros atributos compensan, o podría exigir mayor previsibilidad si el empleo carece de otros atractivos.

Diseño de sistemas de compensación óptimos. La literatura carece de estudios experimentales que evalúen intervenciones específicas para mitigar la aversión a la variabilidad sin eliminar la flexibilidad organizacional. Opciones como suavización de ingresos, garantías mínimas, o esquemas de compensación basados en promedios móviles requieren validación empírica rigurosa.

Medición de costos organizacionales. La evidencia de que el 77.3% de las empresas colombianas no calcula los costos de rotación indica una brecha significativa entre la evidencia académica sobre las consecuencias de la variabilidad salarial y las prácticas de gestión. Se necesita investigación aplicada que desarrolle metodologías accesibles para que las organizaciones cuantifiquen estos costos y justifiquen inversiones en compensación más predecible.

Referencias

Cameron, L. D., & Meuris, J. (2026). The perils of pay variability: Determinants of worker aversion to variable compensation in low- and middle-wage jobs. PLOS ONE, 21(5), 1-32. https://doi.org/10.1371/journal.pone.0347194

Conroy, S. A., Roumpi, D., Delery, J. E., & Gupta, N. (2022). Pay volatility and employee turnover in the trucking industry. Journal of Management, 48(6), 1478-1505. https://doi.org/10.1177/01492063211019651

Federación Colombiana de Gestión Humana ACRIP. (2026, 23 de abril). Pagar menos sale caro: empresas con bajos salarios tienen más rotación. Semana. https://www.semana.com/economia/empresas/articulo/pagar-menos-sale-caro-empresas-con-bajos-salarios-tienen-mas-rotacion/202630/

Kurmann, A., & McEntarfer, E. (2019). Downward nominal wage rigidity in the United States: New evidence from worker-firm linked data (CES Working Paper No. 19-07). U.S. Census Bureau.

Sandvik, J., Saouma, R., Seegert, N., & Stanton, C. (2018). Analyzing the aftermath of a compensation reduction (NBER Working Paper No. 25135). National Bureau of Economic Research. https://doi.org/10.3386/w25135

Iregui, A. M., Melo, L. F., & Ramírez, M. T. (2009). Formación e incrementos de salarios en Colombia: Un análisis microeconómico basado en una encuesta a empresas. Banco de la República.

Verner, E., & Gyöngyösi, G. (2022). Flexible wages and employment adjustment: Firm-level evidence. Labour Economics, 78, 102221.

Buitrago Salguero, E. D., Constaín Jaramillo, L. M., & Miranda Celis, V. (2025). Rotación laboral voluntaria en jóvenes profesionales de la generación millennials de la ciudad de Cali. Cuadernos Javerianos de Comunicación. https://revistas.javerianacali.edu.co/index.php/cuadernojaverianodecomunicacion/article/view/1699

Hernández Hernández, R. A. (2021). Evaluación de la rotación de personal en una empresa del sector agroindustrial [Tesis de pregrado, Universidad de Córdoba]. Repositorio Institucional Unicórdoba.

Mori Villegas, S. L. (2020). Personalidad con tendencia a la rotación voluntaria y satisfacción laboral en trabajadores de una empresa de Lima [Tesis de pregrado, Universidad César Vallejo]. Repositorio UCV.

Doxa 2655

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

Por: Oscar Hernando Benavides Paz, MBA

Introducción

El emprendimiento constituye un campo de estudio interdisciplinario que ha experimentado un crecimiento exponencial en la literatura académica durante las últimas cinco décadas. Desde las formulaciones clásicas de Joseph Schumpeter sobre la destrucción creativa y la introducción de nuevas combinaciones productivas hasta los marcos contemporáneos centrados en la identificación, evaluación y explotación de oportunidades, el fenómeno emprendedor se reconoce como motor fundamental del desarrollo económico, la innovación y la transformación social. La definición canónica propuesta por Shane y Venkataraman (2000) establece el emprendimiento como el examen académico de cómo, por quién y con qué efectos se descubren, evalúan y explotan oportunidades para crear bienes y servicios futuros. Esta conceptualización superó las aproximaciones previas centradas exclusivamente en rasgos de personalidad o en la creación de nuevas organizaciones, situando el nexo individuo-oportunidad como eje analítico central.

La evidencia empírica acumulada a través de revisiones sistemáticas y meta-análisis publicados en bases de datos de alto impacto (Web of Science, Scopus, PubMed y Nature) confirma que el emprendimiento no opera en el vacío. Depende de ecosistemas institucionales, redes de actores, disponibilidad de talento, demanda de mercado y mecanismos de financiamiento. Estudios recientes basados en análisis bibliométricos de cientos o miles de artículos documentan un desplazamiento temático desde el emprendimiento tradicional hacia modalidades digitales, sociales y sostenibles. Simultáneamente, se observa un desequilibrio geográfico en la producción científica: mientras más del 80 por ciento de la actividad emprendedora global ocurre en economías emergentes, la mayor parte de la investigación se genera en economías desarrolladas, lo que limita la transferibilidad de hallazgos.

El presente trabajo realiza una síntesis de nivel I y II de la literatura científica publicada hasta 2025, integrando teorías fundacionales, evidencia de revisiones sistemáticas y meta-análisis, y tendencias emergentes en emprendimiento digital, social y sostenible. Se excluyen afirmaciones no verificables en fuentes primarias indexadas.

Objetivos

El objetivo general de esta revisión consiste en sintetizar de manera rigurosa y actualizada el estado del conocimiento científico sobre el emprendimiento, identificando los principales constructos teóricos, los factores determinantes del desempeño emprendedor y las transformaciones inducidas por la digitalización y la sostenibilidad.

Los objetivos específicos son: (1) reconstruir la evolución teórica desde Schumpeter hasta los marcos de descubrimiento y creación de oportunidades; (2) examinar la evidencia meta-analítica sobre elementos de ecosistemas emprendedores y su relación con la actividad emprendedora regional; (3) analizar el papel del emprendimiento digital y sostenible a partir de revisiones sistemáticas recientes; (4) identificar vacíos de conocimiento y sesgos geográficos en la producción científica; y (5) formular retos de investigación y de política pública fundamentados en evidencia verificable.

Metas

Las metas de este trabajo son: consolidar un marco integrador que articule teorías clásicas y contemporáneas; proporcionar a investigadores, formuladores de política y emprendedores una síntesis basada exclusivamente en evidencia de nivel I y II; visibilizar la necesidad de mayor investigación en contextos de economías emergentes y de América Latina; y ofrecer una base científica para el diseño de intervenciones orientadas al fortalecimiento de ecosistemas emprendedores inclusivos y sostenibles.

Desarrollo

Las raíces teóricas del campo se encuentran en la obra de Schumpeter (1934), quien conceptualizó al emprendedor como el agente que introduce nuevas combinaciones —nuevos productos, métodos de producción, mercados, fuentes de insumos o formas de organización— y genera procesos de destrucción creativa. Esta perspectiva se complementa con la visión de Kirzner sobre el alerta emprendedora y la de Knight sobre la incertidumbre. El trabajo seminal de Shane y Venkataraman (2000) unificó estas tradiciones al definir el dominio distintivo del emprendimiento como el estudio de las oportunidades y de los individuos que las descubren y explotan. Investigaciones posteriores han contrastado la teoría del descubrimiento (oportunidades objetivas que existen independientemente del emprendedor) con la teoría de la creación (oportunidades generadas por las acciones del propio emprendedor), sin que exista aún un consenso definitivo.

Los ecosistemas emprendedores han emergido como unidad de análisis privilegiada. El marco de Stam (2015) identifica elementos sistémicos (demanda, talento, financiamiento, instituciones, etc.) cuya relevancia relativa ha sido evaluada mediante meta-análisis. Un meta-análisis reciente que sintetizó 257 estudios cuantitativos y más de dos millones de observaciones concluye que demanda, talento y financiamiento constituyen los tres elementos más consistentemente asociados con la actividad emprendedora regional, aunque los tamaños del efecto varían sustancialmente según el contexto. Otros meta-análisis confirman relaciones positivas, aunque de magnitud moderada, entre orientación emprendedora y desempeño empresarial, y entre autoeficacia emprendedora y medidas de éxito financiero y no financiero.

El emprendimiento digital ha experimentado un crecimiento explosivo de publicaciones a partir de 2018-2021. Análisis bibliométricos de más de dos mil artículos en Web of Science y Scopus documentan tres fases: inicial (1998-2017), exploratoria (2018-2020) y de crecimiento rápido (post-2021). China, Estados Unidos y Reino Unido concentran la mayor producción. Las plataformas digitales, la inteligencia artificial y los modelos de negocio basados en datos aparecen como catalizadores de nuevas formas de creación de valor, al tiempo que generan desafíos de exclusión digital y de concentración de poder de mercado.

El emprendimiento social y sostenible ha convergido con la digitalización. Revisiones sistemáticas muestran que las tecnologías digitales amplifican el alcance, la transparencia y la eficiencia operativa de las empresas sociales, aunque la infraestructura digital y la alfabetización digital actúan como condicionantes críticos. La sostenibilidad se ha consolidado como eje transversal, integrando objetivos económicos, sociales y ambientales en modelos híbridos alineados con los Objetivos de Desarrollo Sostenible. Estudios sobre bienestar del emprendedor revelan una discrepancia geográfica: la mayor parte de la investigación se genera en economías desarrolladas, mientras la mayoría de los emprendedores opera en economías en desarrollo, lo que plantea interrogantes sobre la validez ecológica de los hallazgos.

En economías emergentes, las estructuras institucionales débiles, la desigualdad y la informalidad configuran comportamientos emprendedores distintos de los observados en economías avanzadas. Las teorías tradicionales presentan limitaciones para explicar estos contextos. Investigaciones sobre emprendimiento migrante en Europa y sobre emprendimiento femenino en micro y pequeñas empresas destacan barreras de capital financiero, humano y social, así como el potencial de las plataformas digitales para reducir algunas de esas restricciones.

La evidencia sobre acciones emprendedoras y éxito de la empresa indica que la mayor parte de los estudios se centra en “qué” hacen los emprendedores, con menor atención al “cuándo”, “cuánto” y “cómo”. La experiencia previa (especialmente de startups e industrial) muestra relaciones positivas, aunque modestas, con el desempeño. El networking emprendedor está influido por rasgos de personalidad y genera impactos diferenciales sobre el rendimiento.

Conclusiones

La literatura científica de alto impacto confirma que el emprendimiento es un fenómeno multidimensional cuya comprensión requiere la integración de perspectivas teóricas, análisis de ecosistemas y consideración de contextos institucionales y tecnológicos. Los meta-análisis y revisiones sistemáticas disponibles establecen con claridad la importancia de la demanda, el talento y el financiamiento como pilares de los ecosistemas, así como la relevancia creciente de la digitalización y la sostenibilidad. Sin embargo, persiste un sesgo geográfico en la producción de conocimiento que limita la generalización de hallazgos a las economías donde se concentra la mayor actividad emprendedora real. El campo ha avanzado desde definiciones centradas en el individuo hacia marcos sistémicos y hacia modalidades híbridas que combinan creación de valor económico con impacto social y ambiental. La rigurosidad metodológica de las revisiones recientes (PRISMA, análisis bibliométricos, meta-análisis) eleva el estándar de evidencia disponible, aunque la heterogeneidad de definiciones y medidas continúa siendo un desafío para la acumulación de conocimiento.

Retos

Los principales retos identificados en la literatura son: (1) cerrar la brecha entre la geografía de la investigación y la geografía de la práctica emprendedora, incrementando estudios de alta calidad en economías emergentes y en América Latina; (2) desarrollar teorías de rango medio capaces de explicar el emprendimiento bajo condiciones de debilidad institucional, informalidad y alta incertidumbre; (3) integrar de manera más sistemática las dimensiones digital y sostenible en los modelos de negocio y en las políticas de apoyo; (4) mejorar la medición del bienestar del emprendedor y de los impactos no financieros del emprendimiento; (5) superar la fragmentación metodológica mediante el uso más consistente de protocolos de revisión sistemática y de meta-análisis con mayor rigor en la evaluación de heterogeneidad y sesgos de publicación; y (6) traducir la evidencia acumulada en intervenciones de política pública y de ecosistema que sean contextualizadas, inclusivas y evaluables. La superación de estos retos requiere colaboración interdisciplinaria, financiamiento de investigación longitudinal y mayor diálogo entre academia, formuladores de política y actores del ecosistema emprendedor.

Referencias

• Alvarez, S. A., & Barney, J. B. (2007). Discovery and creation: Alternative theories of entrepreneurial action. Strategic Entrepreneurship Journal, 1(1-2), 11-26.
• Fernández-Bedoya, V. H., Meneses-La-Riva, M. E., Suyo-Vega, J. A., et al. (2023). Entrepreneurship research in times of COVID-19: Experiences from South America. Sustainability, 15(7), 6028. https://doi.org/10.3390/su15076028
• Kumar, R. K., Pasumarti, S. S., Figueiredo, R. J., et al. (2024). Innovation dynamics within the entrepreneurial ecosystem: A content analysis-based literature review. Humanities and Social Sciences Communications, 11, Article 28. https://doi.org/10.1057/s41599-024-02817-9
• Queissner, M., Stolz, L., & Weiss, M. (2025). A meta-analysis of entrepreneurial ecosystem elements and entrepreneurial activity. Small Business Economics, 64, 1817-1847. https://doi.org/10.1007/s11187-024-00953-9
• Schumpeter, J. A. (1934). The theory of economic development. Harvard University Press.
• Shane, S., & Venkataraman, S. (2000). The promise of entrepreneurship as a field of research. Academy of Management Review, 25(1), 217-226. https://doi.org/10.5465/amr.2000.2791611
• Shams, S. M. R., Vrontis, D., Chaudhuri, R., et al. (2020). Stakeholder engagement for innovation management and entrepreneurial development: A meta-analysis. Journal of Business Research, 119, 67-86. https://doi.org/10.1016/j.jbusres.2020.08.036
• Stam, E. (2015). Entrepreneurial ecosystems and regional policy: A sympathetic critique. European Planning Studies, 23(9), 1759-1769.
• Humanities and Social Sciences Communications. (2025). A half-century perspective of entrepreneur’s well-being: Comparing academic and Global Entrepreneurship Monitor trends. https://doi.org/10.1057/s41599-025-04869-x
• Humanities and Social Sciences Communications. (2025). Bibliometric analysis and content analysis of digital entrepreneurship: Utilizing the WoS and Scopus databases. https://doi.org/10.1057/s41599-025-04440-8
• PubMed. (2023). Examining the convergence of dominant themes related to social entrepreneurship, NGOs and globalization—A systematic literature review. PLoS ONE, 18(5), e0283093. https://doi.org/10.1371/journal.pone.0283093
• PubMed. (2024). Antecedents of entrepreneurial networking behavior and its impact on business performance—A systematic literature review. F1000Research.
• PubMed. (2024). Migrant entrepreneurship support in Europe: A PRISMA systematic literature review.
• PubMed. (2023). Proposing a holistic research framework for university strategic alliances in sustainable entrepreneurship.
• PubMed. (2025). Mapping the landscape of women entrepreneurs in micro and small enterprises: Trends, themes, and insights through systematic review and text mining.