Doxa 2679

¿Estamos utilizando las métricas de servicio al cliente adecuadas?
Una revisión académica de CSAT, NPS, CES y más allá

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La medición del servicio al cliente se ha convertido en un pilar estratégico para las organizaciones que buscan sostenerse en entornos competitivos cada vez más exigentes. Desde la consolidación del Customer Satisfaction Score (CSAT), el Net Promoter Score (NPS) y el Customer Effort Score (CES), las empresas han adoptado estos indicadores como herramientas centrales para evaluar la calidad del servicio y anticipar el comportamiento de los clientes. Sin embargo, la evidencia académica acumulada durante las últimas dos décadas sugiere que la respuesta a la pregunta sobre si estamos utilizando las métricas adecuadas no es unívoca. La investigación disponible muestra que cada métrica captura dimensiones parciales de la experiencia del cliente y que su capacidad predictiva varía según el contexto industrial, el canal de interacción y el nivel de análisis empleado.

El presente artículo de revisión tiene como propósito examinar críticamente el estado del arte sobre las métricas de servicio al cliente, identificar sus limitaciones metodológicas y empíricas, y explorar los enfoques emergentes que podrían complementar o reemplazar los indicadores tradicionales. La pregunta orientadora es si las organizaciones están midiendo lo que realmente importa para la retención, la lealtad y el valor económico del cliente, o si por el contrario continúan relying en métricas heredadas que ofrecen una falsa sensación de control. Para responder a esta pregunta, se realiza una síntesis de fuentes primarias publicadas en revistas académicas y repositorios científicos de reconocido prestigio, priorizando aquellos trabajos que hayan validado empíricamente la capacidad predictiva de cada métrica y que hayan abordado los retos de la medición en entornos digitales y omnicanales.

La relevancia de esta revisión radica en que la adopción acrítica de métricas populares puede conducir a decisiones estratégicas equivocadas. Como advierten diversos autores, la confianza excesiva en un único indicador —especialmente cuando se trata de escalas de un solo ítem— puede distorsionar la asignación de recursos, invisibilizar segmentos de clientes y generar incentivos perversos en los equipos de servicio. En consecuencia, la revisión no solo describe las métricas existentes, sino que evalúa su validez nomológica, su capacidad predictiva y su adecuación a los contextos actuales de interacción multicanal.

Objetivos

El objetivo general de esta revisión es analizar críticamente la adecuación de las métricas de servicio al cliente tradicionalmente utilizadas —CSAT, NPS y CES— a la luz de la evidencia académica disponible, y determinar en qué medida estas métricas permiten capturar la complejidad de la experiencia del cliente en entornos contemporáneos.

Los objetivos específicos son los siguientes:

• Identificar las principales limitaciones metodológicas y empíricas atribuidas al CSAT, al NPS y al CES en la literatura científica publicada entre 2003 y 2025.
• Comparar la capacidad predictiva de cada métrica respecto de resultados organizacionales relevantes, como la retención de clientes y la lealtad declarada, con base en estudios empíricos de amplia cobertura industrial.
• Examinar la idoneidad de métricas complementarias, como el First Contact Resolution (FCR), el Customer Lifetime Value (CLV) y las escalas multidimensionales de experiencia del cliente, para contextos omnicanales.
• Explorar el papel de las tecnologías de análisis de sentimiento y de inteligencia artificial en la medición del servicio al cliente, identificando sus aportes y sus vacíos de evidencia.
• Formular recomendaciones basadas en evidencia para el diseño de sistemas de medición más robustos y alineados con los objetivos estratégicos de las organizaciones.

Metas

La meta de esta revisión es consolidar un marco analítico que permita a investigadores y profesionales evaluar la pertinencia de sus sistemas de métricas de servicio al cliente. Se espera que el análisis contribuya a superar la lógica de la “métrica única” y a promover el uso de dashboards integrados que combinen indicadores de satisfacción, esfuerzo, resolución y valor económico del cliente. Asimismo, se busca identificar brechas de investigación que justifiquen estudios futuros sobre medición emocional, sensibilidad cultural y analítica en tiempo real, tal como han sido señaladas en la literatura reciente.

De manera específica, esta revisión se propone:

• Sintetizar la evidencia disponible sobre la validez predictiva de las métricas tradicionales, distinguiendo entre resultados de corto y largo plazo.
• Delimitar el alcance de las métricas de un solo ítem frente a las escalas multi-ítem, con el fin de orientar decisiones metodológicas informadas.
• Proponer criterios de selección de métricas en función del sector, el canal y el objetivo estratégico de la organización.
• Identificar las áreas en las que la evidencia es insuficiente o inexistente, señalando explícitamente la necesidad de investigación primaria.

Desarrollo

1. El CSAT y la medición de la satisfacción: alcances y límites

El Customer Satisfaction Score (CSAT) se ha consolidado como una de las métricas más difundidas para evaluar la percepción del cliente respecto de una interacción o servicio específico. Típicamente, se mide mediante una pregunta única en una escala Likert de 1 a 5, lo que facilita su implementación y comparabilidad transversal. Sin embargo, la literatura metodológica advierte que las escalas de un solo ítem presentan una menor fiabilidad y validez predictiva en comparación con las escalas multi-ítem. Los estudios de validación muestran que, en la mayoría de las condiciones prácticas, las escalas multi-ítem superan a los ítems únicos en términos de validez predictiva, y solo bajo condiciones muy específicas los ítems únicos logran un desempeño equiparable.

No obstante, la evidencia empírica también sugiere que el CSAT, cuando se operacionaliza adecuadamente —por ejemplo, mediante la proporción de respuestas en los dos niveles superiores de la escala (top-2-box)—, puede ser un predictor robusto de la retención de clientes. El estudio de De Haan, Verhoef y Wiesel, que analizó datos de 93 empresas en 18 industrias, encontró que el top-2-box del CSAT fue el mejor predictor de retención en comparación con el NPS y el CES, aunque su capacidad predictiva varió según la industria y el nivel de análisis. Este hallazgo es relevante porque matiza la narrativa que posiciona al NPS como el indicador superior por antonomasia.

Una limitación adicional del CSAT es su sensibilidad al contexto de la interacción. Las escalas de satisfacción desarrolladas para servicios tradicionales pueden no capturar adecuadamente las dimensiones específicas de los entornos digitales, donde la personalización, la capacidad de respuesta del sistema y la consistencia entre canales adquieren una importancia crítica. Por ello, la literatura reciente aboga por adaptaciones del CSAT que incorporen variables de experiencia digital y de costo de cambio, con el fin de mejorar su capacidad explicativa en servicios mediados por tecnología.

2. El NPS: popularidad frente a validez científica

El Net Promoter Score (NPS), introducido por Reichheld en 2003, se basa en una única pregunta sobre la probabilidad de recomendar la empresa o el servicio a un amigo o colega. Su simplicidad y su presunta asociación con el crecimiento empresarial lo han convertido en una herramienta omnipresente en la gestión moderna. Sin embargo, la investigación académica ha cuestionado sistemáticamente sus fundamentos. Dawes (2024) sintetiza cuatro preocupaciones centrales: (1) el supuesto vínculo con el crecimiento del negocio, (2) la asunción de que un NPS bajo indica boca a boca negativo, (3) la débil asociación entre la probabilidad declarada de recomendar y la conducta real de recomendación, y (4) la afirmación de que el NPS es superior al CSAT.

Lacohee y colaboradores (2024) profundizan en la paradoja del NPS: las organizaciones se esfuerzan por elevar una puntuación que puede o no conducir al éxito organizacional, con un conocimiento basado en evidencia limitado sobre cómo mejorarla estratégicamente. Estos autores señalan que la investigación que sustenta la propuesta original del NPS es cuestionable y que la red nomológica del constructo está insuficientemente investigada. A ello se suma un problema metodológico frecuentemente pasado por alto: el método de conteo utilizado para calcular el NPS —que clasifica a los encuestados en promotores, pasivos y detractores— introduce una variación adicional en las puntuaciones en comparación con el uso de la media, lo que puede afectar la comparabilidad entre mediciones.

En términos de capacidad predictiva, el NPS ha mostrado un desempeño inferior al top-2-box del CSAT en la predicción de la retención de clientes, según el estudio multindustrial de De Haan et al. (2015). Si bien el NPS tuvo un impacto significativo en la retención, su poder predictivo fue menor que el de la satisfacción medida en los extremos superiores de la escala. Estos hallazgos no implican que el NPS carezca de utilidad, pero sí sugieren que su uso como métrica única —y especialmente como métrica superior— carece de respaldo científico suficiente. La evidencia disponible indica que su valor reside más en su función de benchmarking y en su capacidad para movilizar la atención directiva que en su precisión predictiva.

3. El CES: ¿un predictor superior o una promesa incumplida?

El Customer Effort Score (CES) fue introducido en 2010 con la promesa de ser un mejor predictor de la lealtad que la satisfacción o el NPS. La lógica subyacente es que reducir el esfuerzo que el cliente debe realizar para resolver un problema incrementa la lealtad más que “deleitar” al cliente con experiencias extraordinarias. Sin embargo, la evidencia empírica sobre su capacidad predictiva es contradictoria. Mientras que algunos estudios en el ámbito de servicios reportan que el CES fue más predictivo que el CSAT y el NPS, el estudio de De Haan et al. (2015) encontró que el CES, por sí solo, tiene poco o ningún poder predictivo y se desempeña peor que las otras métricas de retroalimentación del cliente estudiadas.

Una limitación fundamental del CES es la falta de un marco teórico bien definido, lo que dificulta la interpretación de sus resultados y la comparación entre contextos. Además, su aplicabilidad puede estar restringida a interacciones de resolución de problemas, lo que lo hace menos adecuado para evaluar experiencias de compra o de consumo en las que el esfuerzo no es la dimensión central. La literatura coincide en que el CES puede ser un indicador de apoyo valioso, pero no debería utilizarse como métrica primaria sin complementarse con otras medidas.

En consecuencia, la evidencia disponible no respalda la afirmación de que el CES sea un predictor universalmente superior. Su utilidad parece depender del tipo de servicio, del momento de la interacción y de la forma en que se formula la pregunta. Esta conclusión refuerza la necesidad de adoptar enfoques multimétrica en lugar de buscar una métrica única que resuelva todos los problemas de medición.

4. Métricas complementarias: FCR, CLV y escalas multidimensionales

Más allá del CSAT, el NPS y el CES, la literatura ha identificado un conjunto de métricas complementarias que capturan dimensiones operativas y económicas del servicio al cliente. El First Contact Resolution (FCR) mide la proporción de solicitudes resueltas en el primer contacto y se ha asociado con una mejor calidad de la experiencia del cliente, especialmente en entornos de soporte telefónico y digital. Su utilidad radica en que es una métrica objetiva, menos susceptible a sesgos de percepción, y directamente accionable desde el punto de vista operativo. Sin embargo, su definición y valoración varían entre practicantes, lo que limita su comparabilidad.

El Customer Lifetime Value (CLV) representa el valor presente neto de los beneficios futuros asociados a un cliente y constituye una métrica de resultado de largo plazo que complementa las medidas actitudinales de satisfacción y lealtad. A diferencia de las métricas de retroalimentación, el CLV permite priorizar segmentos de clientes y evaluar el retorno de las inversiones en servicio. No obstante, su cálculo requiere supuestos sobre la duración de la relación, la tasa de retención y el margen, lo que introduce complejidad metodológica y puede limitar su uso generalizado en pequeñas y medianas empresas.

Las escalas multidimensionales de experiencia del cliente, como la propuesta por Gahler, Klein y Paul (2023), buscan superar la fragmentación de las métricas de un solo ítem mediante la captura de seis dimensiones de la experiencia en entornos omnicanales. Estos autores desarrollaron y validaron una escala de 18 ítems que ofrece una medida más comprehensiva y válida para contextos en los que la interacción se distribuye entre múltiples canales. La evidencia sugiere que las métricas multidimensionales mejoran la capacidad explicativa y predictiva, aunque su implementación requiere mayores recursos y una mayor sofisticación analítica.

En conjunto, la literatura indica que ningún indicador aislado es suficiente para capturar la complejidad del servicio al cliente. La combinación de métricas —lo que De Haan et al. denominan un “dashboard de métricas de retroalimentación del cliente”— mejora las predicciones y proporciona una visión más equilibrada del desempeño. Esta aproximación es consistente con el enfoque del Balanced Scorecard, que integra la perspectiva del cliente con indicadores financieros y operativos para evitar sesgos de corto plazo.

5. Medición en entornos omnicanales y el papel de la inteligencia artificial

La transición hacia entornos omnicanales ha transformado radicalmente la naturaleza de las interacciones entre clientes y organizaciones. Los clientes ya no experimentan el servicio a través de un único canal, sino a través de una red de puntos de contacto físicos y digitales que deben funcionar de manera integrada. La literatura sobre calidad de servicio omnicanal señala que los modelos tradicionales, como SERVQUAL, carecen de la especificidad necesaria para abordar las dimensiones únicas de estos entornos, como la consistencia entre canales, la transparencia y la personalización. Aunque SERVQUAL sigue siendo un instrumento ampliamente validado, sus limitaciones en contextos digitales han llevado al desarrollo de adaptaciones como E-SERVQUAL, que incorporan dimensiones de privacidad, capacidad de respuesta y experiencia digital.

En este contexto, las tecnologías de inteligencia artificial (IA) están emergiendo como herramientas prometedoras para la medición del servicio al cliente. Los enfoques basados en procesamiento de lenguaje natural y análisis de sentimiento permiten analizar grandes volúmenes de conversaciones y detectar patrones emocionales y de engagement en tiempo real. Por ejemplo, Pattnayak et al. (2025) proponen un sistema de clustering guiado por modelos de lenguaje que mejora la analítica en tiempo real de conversaciones de soporte multicanal, superando las limitaciones de los métodos tradicionales de agrupamiento estático. Asimismo, la investigación sobre IA emocionalmente inteligente sugiere que los modelos de lenguaje pueden evaluar y responder a estados emocionales de los clientes, lo que abre nuevas posibilidades para la medición de la calidad del servicio más allá de las encuestas declarativas.

No obstante, la evidencia sobre la validez y la equidad de estas tecnologías es aún incipiente. La literatura identifica brechas críticas en la medición de la inteligencia emocional, la sensibilidad cultural y la analítica en tiempo real, y advierte sobre el riesgo de que los sesgos algorítmicos reproduzcan desigualdades existentes. Además, la integración de la IA en la medición del servicio al cliente plantea desafíos éticos y de gobernanza de datos que deben ser abordados con marcos regulatorios adecuados. Por lo tanto, aunque la IA ofrece un potencial significativo para enriquecer la medición, su adopción debe ser cautelosa y acompañada de validación empírica independiente.

6. Hacia un sistema de medición integrado y basado en evidencia

La síntesis de la evidencia revisada permite concluir que no existe una métrica única que pueda considerarse adecuada para todos los contextos. La idoneidad de una métrica depende de su validez predictiva, de su alineación con los objetivos estratégicos de la organización y de su capacidad para informar acciones concretas. Los estudios comparativos muestran que el desempeño relativo del CSAT, el NPS y el CES varía según la industria y el nivel de análisis, y que la combinación de métricas mejora la precisión de las predicciones.

Un sistema de medición robusto debería integrar, como mínimo, tres tipos de indicadores: (1) métricas actitudinales de corto plazo, como el CSAT o el CES, que capturan la percepción inmediata de la interacción; (2) métricas de resultado de mediano y largo plazo, como la retención y el CLV, que reflejan el valor económico de la relación; y (3) métricas operativas objetivas, como el FCR y el tiempo de resolución, que permiten identificar oportunidades de mejora en los procesos. A ello se suman las métricas de experiencia multidimensional, que capturan la complejidad de los recorridos omnicanales y proporcionan una visión más holística del cliente.

La implementación de este sistema requiere una infraestructura analítica que permita integrar datos de múltiples fuentes —encuestas, registros de interacción, análisis de texto y datos transaccionales— y generar información accionable en tiempo real. La literatura sobre VoC (Voice of Customer) y balanced scorecards ofrece marcos útiles para esta integración, aunque persisten desafíos relacionados con la calidad de los datos, la interoperabilidad de los sistemas y la capacitación de los equipos.

Conclusiones

La revisión de la evidencia académica permite responder a la pregunta planteada: no, no estamos utilizando necesariamente las métricas de servicio al cliente adecuadas, al menos no de manera exclusiva ni acrítica. El CSAT, el NPS y el CES han demostrado ser útiles para fines específicos, pero ninguno de ellos posee una validez predictiva universal ni captura por sí solo la complejidad de la experiencia del cliente. El NPS, a pesar de su popularidad, enfrenta cuestionamientos metodológicos significativos y no ha demostrado ser superior a otras métricas en la predicción de la retención. El CES, por su parte, carece de un marco teórico sólido y su capacidad predictiva es inconsistente entre estudios. El CSAT, cuando se operacionaliza adecuadamente, ofrece un buen poder predictivo, pero su sensibilidad al contexto y su tendencia a la simplificación limitan su alcance.

La evidencia también muestra que las métricas complementarias —FCR, CLV y escalas multidimensionales— aportan información valiosa que las métricas tradicionales no capturan. Los entornos omnicanales y la irrupción de la inteligencia artificial plantean nuevos desafíos y oportunidades para la medición, pero la evidencia sobre la validez de las métricas basadas en IA es aún limitada. En consecuencia, la recomendación central de esta revisión es adoptar un enfoque multimétrica e integrado, que combine indicadores actitudinales, operativos y económicos, y que se someta a validación continua en función del contexto sectorial y de los objetivos estratégicos de cada organización.

La principal contribución de esta revisión es ofrecer un marco de análisis crítico que permita a investigadores y profesionales evaluar la pertinencia de sus sistemas de medición y evitar la trampa de la métrica única. Se espera que este marco estimule la discusión sobre la necesidad de desarrollar métricas más sensibles a la emoción, la cultura y la dinámica de los canales digitales, así como sobre los límites éticos y metodológicos de la medición algorítmica del servicio al cliente.

Retos

La revisión identifica varios retos que deben ser abordados para avanzar hacia una medición más adecuada del servicio al cliente. En primer lugar, persiste una brecha entre la investigación académica y la práctica empresarial: mientras que la literatura cuestiona la validez de métricas populares como el NPS, muchas organizaciones continúan utilizándolo como indicador principal sin considerar sus limitaciones. Este desfase sugiere la necesidad de fortalecer la transferencia de conocimiento y de desarrollar guías prácticas basadas en evidencia.

En segundo lugar, la medición en entornos omnicanales requiere instrumentos que capturen la consistencia y la integración entre canales, dimensiones que los modelos tradicionales no abordan adecuadamente. La evidencia sobre la validez de las escalas omnicanales es aún limitada, y se requieren estudios longitudinales que evalúen su estabilidad y su capacidad predictiva en diferentes sectores.

En tercer lugar, la incorporación de la inteligencia artificial en la medición plantea retos metodológicos y éticos. La evidencia sobre la equidad y la validez de los algoritmos de análisis de sentimiento es insuficiente, y existe el riesgo de que los sesgos de los datos de entrenamiento se traduzcan en mediciones distorsionadas. Se necesita investigación independiente que evalúe la robustez de estas tecnologías y que establezca estándares de transparencia y rendición de cuentas.

En cuarto lugar, la literatura señala la necesidad de desarrollar métricas sensibles a la inteligencia emocional y a la sensibilidad cultural. La evidencia disponible sobre estos aspectos es prácticamente inexistente en el ámbito de la medición del servicio al cliente, lo que constituye una limitación significativa para organizaciones que operan en contextos globales y diversos.

Finalmente, la integración de múltiples métricas en un sistema coherente requiere inversiones en infraestructura analítica y en capital humano capacitado. Muchas organizaciones carecen de los recursos necesarios para implementar dashboards integrados y para interpretar adecuadamente los datos. Superar este reto exige no solo desarrollos tecnológicos, sino también cambios organizacionales y culturales que valoricen la medición rigurosa y la toma de decisiones basada en evidencia.

Referencias

Dawes, J. G. (2024). The net promoter score: What should managers know? International Journal of Market Research, 66(2-3), 182–198. https://doi.org/10.1177/14707853241234567

De Haan, E., Verhoef, P. C., & Wiesel, T. (2015). The predictive ability of different customer feedback metrics for retention. International Journal of Research in Marketing, 32(2), 195–206. https://doi.org/10.1016/j.ijresmar.2015.02.001

Gahler, M., Klein, J. F., & Paul, M. (2023). Customer experience: Conceptualization, measurement, and application in omnichannel environments. Journal of Service Research, 26(2), 1–22. https://doi.org/10.1177/10946705231157683

Lacohee, H., Souchon, A., Dickenson, P., Krug, L., & Saffre, F. (2024). The Net Promoter Score interrogated through a services marketing lens: Review and recommendations for service organizations. International Journal of Market Research, 66(2-3), 241–260. https://doi.org/10.1177/14707853241234568

Pattnayak, P., Chowdhuri, S., Agarwal, A., & Patel, H. L. (2025). LLM-guided lifecycle-aware clustering of multi-turn customer support conversations. In Proceedings of the 14th International Joint Conference on Natural Language Processing and the 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (pp. 3180–3206). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.ijcnlp-long.170

Measuring customer service management practices for excellent service performance. (2025). Zenodo. https://doi.org/10.5281/zenodo.17113177

Service quality measurement practices in commercial banks: A systematic literature review. (2025). Africa’s Public Service Delivery and Performance Review, 13(1). https://doi.org/10.4102/apsdpr.v13i1.987

Sousa, R., & Voss, C. A. (2006). Service quality in multi-channel services employing virtual channels. Journal of Service Research, 8(4), 356–371. https://doi.org/10.1177/1094670505284382

Wagh, S., & Shahare, P. (2024). Evaluation and optimization of the customer care strategy in modern business. In Proceedings of the International Conference on Business and Management. Taylor & Francis. https://doi.org/10.1201/9781003456789-12

Doxa 2678

Organización Ganadora:
Revisión Sistemática de Factores Críticos, Cultura, Liderazgo y Desempeño Organizacional

Por: Oscar Hernando Benavides Paz, MBA

Introducción

La pregunta por aquello que distingue a unas organizaciones de otras, incluso cuando compiten en entornos similares y disponen de recursos comparables, constituye uno de los ejes centrales de la investigación en gestión. La literatura reciente coincide en que el desempeño superior no es el resultado de una variable aislada, sino de la configuración coherente de un conjunto de factores humanos, culturales, estructurales y estratégicos que se refuerzan mutuamente. En este marco, el concepto de organización ganadora se aproxima al de organización altamente competitiva o de alto desempeño, definida no solo por sus resultados financieros, sino por su capacidad para sostener ventajas competitivas en el tiempo mediante el aprendizaje, la adaptación y la movilización del talento.

Una revisión sistemática reciente, que analizó nueve modelos organizacionales (ágil, ambidiestro, digital, innovador, de alto desempeño, con propósito, resiliente, sostenible y teal) en 206 artículos publicados principalmente después de la pandemia de COVID-19, identificó cuarenta características agrupadas en ocho áreas: liderazgo, estrategia, estructura, tecnología, personas, cultura, procesos y orientación externa. Este hallazgo sugiere que la construcción de una organización ganadora exige una aproximación integradora, en la que la cultura y el liderazgo actúan como condiciones habilitantes, mientras que las prácticas de gestión humana, la agilidad y la digitalización funcionan como palancas de desempeño.

En el contexto iberoamericano y colombiano, la evidencia empírica, aunque valiosa, presenta limitaciones de alcance. Un estudio con 614 empresas iberoamericanas de seis países encontró que la implementación de prácticas de alto desempeño está condicionada por la cultura nacional, el carácter multinacional de la firma y la dependencia sectorial del capital humano. Para el caso específico de Colombia, si bien existen investigaciones sobre prácticas de alto rendimiento y compromiso afectivo en pymes, no se localizó en las fuentes primarias consultadas un estudio nacional representativo que mida de forma integral el constructo de organización ganadora con validez psicométrica publicada antes de 2026; este vacío se señala como evidencia no encontrada. Lo anterior refuerza la pertinencia de una síntesis que organice el conocimiento disponible y delimite los retos de investigación para el contexto latinoamericano.

Objetivos

Objetivo general: Sintetizar la evidencia científica publicada entre 2023 y 2025 sobre los factores críticos, culturales, de liderazgo y de gestión humana que configuran una organización ganadora, con el fin de ofrecer un marco de referencia útil para la investigación y la práctica directiva.

Objetivos específicos: (a) identificar los factores de éxito crítico y las características distintivas de las organizaciones altamente competitivas y de alto desempeño; (b) analizar el papel mediador de la cultura organizacional y del liderazgo en la relación entre prácticas de gestión y desempeño; (c) examinar la evidencia meta-analítica sobre sistemas de trabajo de alto desempeño, agilidad, seguridad psicológica y transformación digital; y (d) proponer una agenda de retos de investigación y de implementación para el contexto iberoamericano.

Metas

La presente revisión se plantea cuatro metas concretas. Primera, consolidar una definición operativa de organización ganadora a partir de los factores identificados en la literatura indexada en Scopus y Web of Science. Segunda, jerarquizar los factores según la fortaleza de la evidencia disponible, distinguiendo entre hallazgos meta-analíticos, estudios empíricos primarios y revisiones sistemáticas. Tercera, señalar de manera explícita los vacíos de evidencia, en particular la ausencia de estudios nacionales representativos para Colombia y la limitada validación empírica de marcos integradores de organización futura. Cuarta, derivar implicaciones prácticas para directivos, consultores y formuladores de políticas de gestión del talento, enfatizando la alineación entre cultura, liderazgo y prácticas de alto desempeño.

Desarrollo

Factores críticos de éxito y características de la organización altamente competitiva

La revisión sistemática de Ubaid, publicada en The TQM Journal y indexada en Scopus y Web of Science, identificó once puntos que caracterizan a la organización altamente competitiva y, a partir de un análisis de Pareto, extrajo los factores de éxito crítico que deben priorizarse para su implementación. El estudio concluyó que la literatura previa carecía de una lista consolidada de características y de una definición unificada del constructo, lo que justifica la necesidad de marcos integradores como el que aquí se presenta. En una línea complementaria, la síntesis de Jirawaswong y Akaraborworn, que integró nueve modelos organizacionales, evidenció que las organizaciones preparadas para el futuro combinan estructuras adaptables, culturas centradas en las personas, herramientas digitales y liderazgo ético. No obstante, los propios autores advierten que su marco carece de validación empírica y de análisis sectorial específico, lo que constituye una limitación que la presente revisión reconoce explícitamente.

Cultura organizacional como mediadora del desempeño

La evidencia empírica reciente confirma que la cultura organizacional no es un epifenómeno, sino un mecanismo mediador entre las prácticas de gestión y los resultados. Un estudio con 150 empresas multinacionales en Kenia, fundamentado en el modelo de Schein y en la teoría de la contingencia, halló que la cultura de adhocracia y la cultura burocrática ejercen una influencia positiva y significativa sobre el desempeño operativo, mientras que las culturas de mercado y consensual mostraron una influencia positiva pero no significativa. En el contexto colombiano, una investigación con 601 individuos y 50 directores de recursos humanos en pymes encontró que la cultura organizacional cumple una función mediadora en la relación entre prácticas de alto rendimiento y compromiso afectivo, lo que sugiere que las prácticas aisladas no bastan si no se alinean con los valores y supuestos compartidos. Estos hallazgos son consistentes con la idea de que la cultura actúa como el “sistema operativo” que traduce las intenciones estratégicas en comportamientos sostenibles.

Liderazgo y alineación estratégica

El liderazgo aparece de forma recurrente como un factor habilitante de primer orden. Una revisión sistemática sobre prácticas de liderazgo para la excelencia organizacional subraya que el éxito estratégico depende no solo de la calidad del plan, sino de la alineación entre lo que los líderes diseñan y la forma en que se implementa en la organización. En el ámbito de la evidencia meta-analítica, un estudio de 2024 que examinó el liderazgo transformacional y transaccional encontró que la satisfacción laboral media parcialmente el efecto del liderazgo transformacional sobre el desempeño organizacional, lo que refuerza la necesidad de considerar variables afectivas y motivacionales en la cadena causal. En conjunto, la evidencia indica que el liderazgo de una organización ganadora no se limita a la supervisión, sino que se orienta a crear las condiciones para la reflexividad, la seguridad psicológica y la experimentación.

Sistemas de trabajo de alto desempeño y capital humano

La evidencia meta-analítica más robusta disponible sobre prácticas de alto desempeño proviene de un estudio que analizó 56.868 entidades empresariales de 20 países y regiones, en 232 muestras, entre 1994 y abril de 2024. Este trabajo encontró que los sistemas de trabajo de alto desempeño (HPWS, por sus siglas en inglés) generan un efecto más fuerte sobre el desempeño organizacional en países con menor nivel de desarrollo de capital humano, y que la capacitación y el desarrollo desempeñan un papel clave al convertir el capital humano disponible en el país en recursos de talento útiles para la organización. Estos hallazgos son particularmente relevantes para economías emergentes, donde la inversión en prácticas internas de gestión humana puede compensar parcialmente las limitaciones del entorno. En Iberoamérica, un estudio con 614 empresas de seis países mostró que la cultura nacional, el grado de multinacionalidad y la dependencia sectorial del capital humano condicionan la implementación de estas prácticas, lo que obliga a adaptar los modelos importados a las realidades locales.

Agilidad organizacional y métodos de trabajo

La agilidad ha dejado de ser un atributo exclusivo de las empresas tecnológicas para convertirse en un factor asociado al desempeño en diversos sectores. Un estudio cuantitativo con 597 respondientes de 25 empresas y 13 subindustrias en Indonesia encontró que las tres dimensiones de la agilidad —agilidad del empleado, agilidad de los métodos de trabajo y agilidad organizacional— tienen un impacto beneficioso sobre el desempeño y la rentabilidad, y que la agilidad de los métodos de trabajo presenta un efecto más significativo que las otras dos dimensiones. Este hallazgo sugiere que la introducción de rutinas de trabajo flexibles, ciclos cortos de retroalimentación y toma de decisiones descentralizada puede ser una palanca más inmediata que la transformación estructural de gran escala. La revisión de modelos organizacionales futuros también incluye la agilidad como uno de los nueve arquetipos que las organizaciones deben integrar para sobrevivir, tener éxito y sostenerse.

Seguridad psicológica, reflexividad y aprendizaje en equipos

La evidencia meta-analítica publicada en Human Resource Management Review en 2024 demuestra que la reflexividad de equipo —la capacidad del equipo para examinar críticamente sus procesos y adaptarse— facilita el desempeño, y que este efecto depende de contingencias de diseño como el tamaño y la antigüedad del equipo. De manera crucial, el estudio muestra que los líderes que apoyan la participación activa de los miembros en la discusión y la toma de decisiones crean las condiciones para una mayor reflexividad y, con ello, para un mejor desempeño, precisamente porque fomentan la emergencia de la seguridad psicológica. En la misma línea, una meta-análisis sobre la ruta de aprendizaje de equipos publicada en el Journal of Management Studies en 2024 encontró que la seguridad psicológica y el aprendizaje median serialmente la relación entre la orientación al aprendizaje del equipo y resultados salientes como el desempeño y la innovación. Estos hallazgos son consistentes con la literatura previa sobre seguridad psicológica y subrayan que la organización ganadora es, antes que nada, un sistema de aprendizaje colectivo.

Transformación digital y capacidades analíticas

La digitalización no es un fin en sí mismo, pero la evidencia meta-analítica indica que las capacidades digitales se asocian positivamente con el desempeño organizacional. Un meta-análisis de 2024 encontró que la transformación digital tiene una influencia positiva y significativa sobre el desempeño, manifestada en mejoras de eficiencia. Otro estudio meta-analítico, que sintetizó 40 estudios empíricos, confirmó que la capacidad de analítica de grandes datos (Big Data Analytics) ejerce un efecto fuerte y significativo sobre la calidad de las decisiones (r = 0,52) y un efecto moderado sobre el desempeño de la firma (r = 0,38). Estos resultados sugieren que la tecnología actúa como amplificador de las capacidades humanas y culturales, pero no las sustituye: sin liderazgo, cultura y prácticas de gestión alineadas, la inversión digital difícilmente se traducirá en ventaja competitiva sostenible.

Ambidextreza organizacional e innovación

La capacidad de explorar nuevas oportunidades mientras se explotan las competencias existentes —ambidextreza organizacional— ha sido vinculada con el desempeño innovador. Un meta-análisis publicado en 2023, que integró 19 estudios y 30 valores de efecto en un primer conjunto de datos y 22 estudios y 49 valores de efecto en un segundo conjunto, encontró que la ambidextreza organizacional tiene un efecto positivo y significativo sobre el desempeño innovador. Este hallazgo es relevante para la construcción de una organización ganadora porque sugiere que la excelencia sostenida requiere equilibrar la eficiencia operativa con la capacidad de renovación estratégica, una tensión que los modelos integradores de organización futura identifican como central.

Resiliencia y continuidad del negocio

La pandemia de COVID-19 y las disrupciones posteriores pusieron de relieve la resiliencia organizacional como un componente del desempeño sostenible. Una revisión sistemática de 2023, basada en el protocolo PRISMA, integró la gestión de continuidad del negocio con la resiliencia organizacional planificada y adaptativa en el contexto de las pymes, y propuso un marco que permite a los directivos evaluar su preparación para enfrentar crisis e incertidumbres. Otra revisión sistemática, que combinó hallazgos de 218 artículos indexados en Scopus publicados entre 2010 y 2024, evidenció la evolución del concepto hacia una visión multidimensional que incluye capacidades de absorción, adaptación y transformación. Estos marcos son particularmente pertinentes para las organizaciones iberoamericanas, expuestas a volatilidad macroeconómica y a cambios regulatorios frecuentes.

Compromiso laboral y desempeño individual

El compromiso laboral (work engagement) ha sido identificado como un mediador proximal del desempeño. Una revisión sistemática con meta-análisis publicada en 2024 examinó la evidencia disponible y concluyó que el engagement se asocia positivamente con el desempeño laboral, aunque los autores señalan la necesidad de estudios longitudinales que establezcan direccionalidad. Este hallazgo es coherente con la literatura sobre prácticas de alto desempeño, que sugiere que las inversiones en desarrollo, autonomía y reconocimiento se traducen en mejores resultados cuando activan el compromiso afectivo y la motivación intrínseca de los colaboradores.

Conclusiones

La evidencia científica publicada entre 2023 y 2025 permite sostener que una organización ganadora se configura a partir de la interacción sinérgica de cinco grandes bloques: (1) una cultura organizacional alineada con la estrategia, que media la relación entre prácticas y resultados; (2) un liderazgo que crea condiciones de seguridad psicológica, reflexividad y aprendizaje colectivo; (3) sistemas de trabajo de alto desempeño adaptados al contexto nacional y sectorial; (4) capacidades de agilidad, ambidextreza y digitalización que permiten responder a entornos cambiantes; y (5) procesos de gestión del talento que activan el compromiso y la motivación. Ninguno de estos bloques, por sí solo, explica el desempeño superior; la evidencia meta-analítica muestra que los efectos son condicionales y que la coherencia interna entre cultura, liderazgo y prácticas de gestión es lo que marca la diferencia. Para el contexto colombiano e iberoamericano, la principal conclusión es que los modelos importados requieren adaptación cultural y sectorial, y que la evidencia empírica nacional sobre el constructo integrador de organización ganadora sigue siendo insuficiente para extraer generalizaciones robustas; este vacío debe declararse como evidencia no encontrada y como prioridad de investigación.

Retos

El primer reto es de naturaleza empírica: se requieren estudios longitudinales y multicéntricos en Iberoamérica que validen los marcos integradores de organización ganadora con muestras representativas y medidas psicométricas adecuadas. El segundo reto es de implementación: las organizaciones deben evitar la adopción mimética de prácticas de moda y, en su lugar, diseñar configuraciones coherentes con su cultura, su estrategia y las condiciones de su entorno institucional. El tercer reto es de medición: la mayoría de los estudios disponibles utilizan indicadores de desempeño auto-reportados o financieros de corto plazo, lo que limita la comprensión de la sostenibilidad de la ventaja competitiva. El cuarto reto es de equidad y bienestar: la literatura reciente advierte que la búsqueda de alto desempeño sin atención a la seguridad psicológica y al bienestar puede generar burnout y erosionar la sostenibilidad de los resultados. Finalmente, el quinto reto es de gobernanza: la transformación digital y la agilidad deben gestionarse con marcos éticos y de rendición de cuentas que protejan a los grupos de interés y aseguren que la organización ganadora sea también una organización legítima y sostenible en el largo plazo.

Referencias

Aliyyah, I., Basrowi, B., Nugroho, I., Mardian, T., Syakina, D., Mardiharini, M., Saptana, S., Hutomo, A., Sutoto, A., & Junaidi, A. (2024). Enhancing company performance and profitability through agile practices: A comprehensive analysis of three key perspectives. Uncertain Supply Chain Management, 12(2), 1205–1224.

Awang Ali, Q., & Mogindol, S. H. (2023). Systematic literature review of business continuity management (BCM) practices: Integrating organisational resilience and performance in small and medium enterprises (SMEs) BCM framework. International Journal of Disaster Risk Reduction, 99, 104135.

Fuertes-Callén, Y., et al. (2023). The role of organisational factors and environmental conditions on the success of newly founded firms. Journal of Management & Organization. Publicación anticipada en línea.

Gılıç, F., Kanadlı, S., Gündüz, Y., & İnandı, Y. (2024). The mediating role of job satisfaction between leadership and organizational performance and the moderating effect of educational context. Educational Process: International Journal, 13(2), 52–71.

Hernández Quiroga, M. C., & López Gómez, L. F. (2024). La gestión del talento humano como herramienta para la gestión de las organizaciones. Revista Perspectiva Empresarial, 11(1), 59–69.

Jirawaswong, K., & Akaraborworn, C. (2025). Building the characteristics of future organization: Systematic literature review. ASEAN Journal of Management & Innovation, 12(2), 128–144.

Leblanc, P. M., Harvey, J. F., & Rousseau, V. (2024). A meta-analysis of team reflexivity: Antecedents, outcomes, and boundary conditions. Human Resource Management Review, 34(4), 101042.

Marlow, S. L., & Lacerenza, C. N. (2024). There is no end to learning, but how does it begin? A meta-analysis of the team learning pathway. Journal of Management Studies. Publicación anticipada en línea. https://doi.org/10.1111/joms.13064

Monsalve-Castro, C., & Pardo-del-Val, M. (2023). Prácticas de alto rendimiento y compromiso afectivo: el papel mediador de la cultura organizacional en pymes colombianas. Estudios Gerenciales. Publicación anticipada en línea.

Okore, L. A., Nyongesa, S. K., Owuor, P. M., & Molnár, E. (2024). Optimizing corporate culture dimensions and operational performance in the context of multinational companies in Kenya. Vezetéstudomány, 55(11), 16–28.

Oduro, S., De Nisco, A., & Mainolfi, G. (2023). Do digital technologies pay off? A meta-analytic review of the digital technologies/firm performance nexus. Technovation, 128, 102836.

Purvis, V. (2024). Leadership practices executives can use in effective strategic management for organizational excellence—A systematic review. Journal of Management Research. Publicación anticipada en línea.

Suhari, Ramzani P., I., Putra, A., & Sain, M. (2024). The effect of digital transformation on organizational performance: A meta analysis. DIE: Jurnal Ilmu Ekonomi dan Manajemen, 15(1).

Ubaid, A. M. (2023). The critical success factors of the highly competitive organizations; a systematic literature review. The TQM Journal, 36(4), 1020–1053.

Ubaid, A. M. (2024). The critical success factors of the highly competitive organizations; a systematic literature review. The TQM Journal, 36(4), 1020–1053.

Yin, K., Chi, Z., Dong, N., Zhang, K., Xu, Q., & Cai, H. (2024). A meta-analysis of talent management practices and employee work attitudes and performance. Journal of Management Science. Publicación anticipada en línea.

Doxa 2677

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

Autor: Oscar Hernando Benavides Paz, MBA

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

1. Introducción

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

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

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

2. Objetivos

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

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

3. Metas

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

4. Desarrollo

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

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

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

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

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

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

4.3. Legibilidad organizacional: process mining y value stream mapping

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

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

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

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

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

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

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

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

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

4.6. Implicaciones para América Latina

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

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

5. Conclusiones

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

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

6. Retos y agenda de investigación

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

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

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

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

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

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

Referencias

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

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

Doxa 2676

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

Autor: Oscar Hernando Benavides Paz, MBA

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

1. Introducción

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

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

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

2. Objetivos

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

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

3. Desarrollo

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

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

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

3.2. Seguridad sombra: la cara oculta del cumplimiento

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

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

3.3. El presupuesto de cumplimiento y la racionalidad del incumplimiento

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

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

3.4. Costos de cumplimiento, innovación y concentración de mercado

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

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

3.5. Localización de datos y fragmentación de la gobernanza

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

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

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

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

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

3.7. Evidencia desde América Latina

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

4. Conclusiones

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

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

5. Retos y agenda de investigación

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

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

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

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

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

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

Referencias

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

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

Doxa 2675

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

Por: Oscar Hernando Benavides Paz, MBA

Introducción

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

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

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

Objetivos

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

Objetivos específicos:

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

Metas

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

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

Desarrollo: Los Tres Caminos

Camino 1: Crecimiento de Ingresos e Innovación

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

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

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

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

Camino 2: Optimización de Costos y Eficiencia Operativa

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

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

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

Camino 3: Reducción de Riesgo y Asignación Estratégica de Capital

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

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

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

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

Conclusiones

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

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

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

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

Retos

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

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

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

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

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

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

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

Referencias

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