ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
Art´ıculo de investigaci´on https://doi.org/10.47460/athen ea. v 6i 22. 112
Impacto de la inteligencia artificial en la toma de decisiones
administrativas y la gesti´on de empr esa s emergentes
Renzo Rimaneth Rivero Fern
´
andez
https://orcid.org/0000-0002-9295-9790
rriverof@ucsm.edu.p e
Universidad Cat
´
olica de Santa Mar
´
ıa
Arequipa, Per
´
u
Stephanie Delia Rivera Pinto
https://orcid.org/0009-0000-1059-8171
srivera@ucsm.edu.pe
Universidad Cat
´
olica de Santa Mar
´
ıa
Arequipa, Per
´
u
Mar
´
ıa del Carmen Barriga Garc
´
ıa
https://orcid.org/0009-0005-1477-1820
mbarrigag@ucsm.edu.pe
Universidad Cat
´
olica de Santa Mar
´
ıa
Arequipa, Per
´
u
Alonzo Pinto Hurtado
https://orcid.org/0009-0007-3552-2676
apinto@ucsm.edu.pe
Universidad Cat
´
olica de Santa Mar
´
ıa
Arequipa, Per
´
u
*Autor de correspondencia:
rriverof@ucsm.edu.pe
Recibido (20/06/2025), Aceptado (23/09/2025)
Resumen. En este art
´
ıculo se analiza el impacto de la inteligencia artiĄcial en la toma de decisiones
administrativas de empresas emergentes, empleando un enfoque cuantitativo y matem
´
atico sustentado
en modelos de regresi
´
on, simulaci
´
on de Monte Carlo y sistemas din
´
amicos. Los hallazgos revelan que
la automatizaci
´
on de procesos y la anal
´
ıtica predictiva son los factores m
´
as inĆuyentes en la eĄciencia
administrativa, y que la aceptaci
´
on organizacional potencia signiĄcativamente su efecto. Los resultados
permiten concluir que la IA debe integrarse en una arquitectura estrat
´
egica m
´
as amplia que combine
ingenier
´
ıa,
´
etica y sostenibilidad.
Palabras clave: inteligencia artiĄcial, eĄciencia administrativa, empresas emergentes, simulaci
´
on, de-
cisiones estrat
´
egicas.
Impact of Ar t i fi ci a l Intelligence on Administrative Decision-Making
and the M an a ge ment of Emerging Enterprises
Abstract. This article examines the impact of artiĄcial intelligence on administrative decision-making
in emerging enterprises, employing a quantitative and mathematical approach supported by regression
models, Monte Carlo simulation, and dynamic systems. The Ąndings indicate that process automation
and predictive analytics are the most inĆuential factors in administrative efficiency, while organizational
acceptance signiĄcantly strengthens their effect. The results suggest that AI must be integrated into
a broader strategic architecture that combines engineering, ethics, and sustainability to maximize its
effectiveness.
Keywords: artiĄcial intelligence, administrative efficiency, emerging enterprises, simulation, strategic
decisions.
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
39
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
I. INTRODUCCI
Â
ON
En las
´
ultimas d
´
ecadas, la irrupci
´
on de la inteligencia artiĄcial (IA) en diversos sectores ha generado
transformaciones sustanciales en los modos de operaci
´
on de las organizaciones. Desde un enfoque de
ingenier
´
ıa, la IA se concibe como una tecnolog
´
ıa habilitadora que integra algoritmos de aprendizaje
autom
´
atico, procesamiento de datos a gran escala y sistemas de soporte a decisiones, con el Ąn de
optimizar procesos, reducir incertidumbre y generar valor organizacional [1]. Por otro lado, desde un
enfoque social, en el
´
ambito de las empresas emergentes, tambi
´
en cono cidas como start-ups, esta
capacidad tecnol
´
ogica ofrece oportunidades particularmente singulares, como la posibilidad de escalar
con agilidad, anticipar din
´
amicas competitivas y tomar decisiones estrat
´
egicas con un soporte de datos
adecuado [
2], [3].
De esta manera, la toma de decisiones administrativas en este contexto, que abarca recursos hu-
manos, Ąnanzas, marketing, operaciones y direcci
´
on estrat
´
egica, se encuentra ante un nuevo paradigma
en el cual las decisiones no solo se basan en la exp eriencia o la intuici
´
on del directivo, sino en sistemas
de IA capaces de evaluar escenarios, simular opciones y sugerir rutas
´
optimas [
4]. En el caso de las
emergentes, la exigencia de velocidad, innovaci
´
on, eĄciencia en recursos limitados y b
´
usqueda de es-
calabilidad hace que la IA se presente como un factor diferenciador. Adem
´
as, el componente social
es relevante, ya que estas empresas constituyen una fuente esencial de empleo, innovaci
´
on social y
dinamismo econ
´
omico, de modo que la adopci
´
on de IA tiene implicaciones que trascienden el mero
rendimiento Ąnanciero.
Desde un enfoque de ingenier
´
ıa de gesti
´
on, la introducci
´
on de la IA en la toma de decisiones ad-
ministrativas implica diversas dimensiones t
´
ecnicas cr
´
ıticas. La primera de ellas es la infraestructura de
datos, ya que los sistemas de IA requieren estructuras robustas, mecanismos de recolecci
´
on, integraci
´
on
y limpieza de datos, as
´
ı como algoritmos adecuados que aseguren la calidad del aprendizaje. Estudios
previos han demostrado que los sistemas de apoyo a decisiones en start-ups pueden emplear t
´
ecnicas
como Random Forest para predecir la sostenibilidad de una empresa [
5]. La segunda dimensi
´
on corre-
sponde a la automatizaci
´
on y optimizaci
´
on de procesos, pues la IA permite automatizar tareas rutinarias,
liberar recursos humanos y transformar el pap el del directivo hacia la supervisi
´
on e interpretaci
´
on de
resultados m
´
as informados [6]. Una tercera dimensi
´
on radica en el modelado estrat
´
egico y la simu-
laci
´
on, ya que la IA ofrece capacidades predictivas y anal
´
ıticas que permiten a las empresas emergentes
actuar en entornos vol
´
atiles, inciertos, complejos y ambiguos (VUCA). Finalmente, desde la ingenier
´
ıa
de sistemas, surge la necesidad de garantizar que los modelos sean explicables, transparentes y libres de
sesgos, para que las organizaciones puedan conĄar en sus recomendaciones y asumir responsabilidades
´
eticas en sus decisiones [
7].
Las empresas emergentes, por su naturaleza
´
agil, innovadora y con recursos limitados, constituyen
un terreno especialmente f
´
ertil para la incorporaci
´
on de IA en la gesti
´
on administrativa. Entre los
efectos m
´
as relevantes destacan la mejora de la eĄciencia operativa, la capacidad de escalar y adaptarse
a mercados din
´
amicos y la generaci
´
on de innovaci
´
on con impacto social. Al adoptar IA para decisiones
administrativas, las emergentes ganan en rapidez y precisi
´
on anal
´
ıtica, reduciendo m
´
argenes de error
y fortaleciendo su competitividad [
8], [9]. Asimismo, pueden desarrollar modelos de negocio m
´
as
robustos, predecir comportamientos del cliente y optimizar precios o cadenas de suministro con costos
reducidos [
10]. No obstante, este avance tambi
´
en genera desaf
´
ıos, como la implementaci
´
on desigual
de tecnolog
´
ıas de IA, lo que puede ampliar las brechas entre empresas tecnol
´
ogicas y tradicionales,
creando nuevas formas de desigualdad econ
´
omica y digital. A su vez, la transformaci
´
on del rol humano
dentro de las organizaciones redeĄne las competencias requeridas, orientando el trabajo hacia el juicio
´
etico, el dise
˜
no de soluciones y la interpretaci
´
on de resultados, m
´
as que al procesamiento rutinario de
informaci
´
on.
La aplicaci
´
on de la IA en la gesti
´
on empresarial no puede analizarse de forma aislada de su contexto
social y organizativo. De manera que, las empresas emergentes que buscan aprovechar la IA deben
desarrollar una cultura de datos que fomente la experimentaci
´
on, la colaboraci
´
on humano-m
´
aquina y la
aceptaci
´
on del cambio tecnol
´
ogico. Sin este cambio cultural, la IA corre el riesgo de convertirse en una
herramienta subutilizada o percibida como una Şcaja negraŤ. Adem
´
as, la adopci
´
on de estas tecnolog
´
ıas
exige competencias t
´
ecnicas en ciencia de datos y algoritmos, pero tambi
´
en habilidades organizativas y
sociales, como la gesti
´
on del cambio, la
´
etica tecnol
´
ogica y la equidad en las decisiones automatizadas.
La responsabilidad social empresarial adquiere aqu
´
ı un papel clave, pues las decisiones basadas en IA
pueden afectar directamente a empleados, clientes y comunidades. Los sesgos en los algoritmos, por
ejemplo, pueden reproducir o ampliĄcar desigualdades existentes [
11]. Por ello, el desarrollo de un
marco de gobernanza y transparencia se vuelve fundamental, en consonancia con la creciente demanda
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
40
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
internacional de regulaci
´
on y difusi
´
on de los sistemas inteligentes.
En este escenario, la inteligencia artiĄcial no debe entenderse
´
unicamente como una herramienta
tecnol
´
ogica, sino como un componente integral de un sistema socio-t
´
ecnico en el que convergen la
ingenier
´
ıa, la organizaci
´
on y los valores humanos. Este trabajo tuvo como prop
´
osito analizar el impacto
de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti
´
on de empresas emergentes,
articulando una visi
´
on desde la ingenier
´
ıa de decisiones y la perspectiva social del desarrollo empresarial.
En particular, busca evaluar c
´
omo las emergentes est
´
an incorporando la IA en sus procesos estrat
´
egicos,
identiĄcar las principales palancas t
´
ecnicas y organizativas que habilitan o frenan su adopci
´
on, y ex-
aminar los efectos sociales derivados de dicha integraci
´
on. De esta forma, se propone un marco de
referencia para la implementaci
´
on responsable de la inteligencia artiĄcial en empresas emergentes, que
contribuya no solo a su competitividad, sino tambi
´
en a la equidad, sostenibilidad e innovaci
´
on so cial en
los ecosistemas empresariales del siglo XXI.
II. DESARROLLO
La inteligencia artiĄcial (IA) ha evolucionado desde sus primeros modelos deterministas hasta los sis-
temas adaptativos y aut
´
onomos actuales, donde la combinaci
´
on de ingenier
´
ıa de datos, aprendizaje
autom
´
atico y modelado predictivo ha permitido su expansi
´
on en m
´
ultiples
´
ambitos organizacionales. Su
aplicaci
´
on en la gesti
´
on empresarial se sustenta en teor
´
ıas de la decisi
´
on, sistemas de informaci
´
on geren-
cial y modelos de optimizaci
´
on computacional, los cuales proporcionan la base te
´
orica para comprender
su incidencia en los procesos administrativos y en la din
´
amica de las empresas emergentes. Seg
´
un El
Khatib y Al Falasi [
12], la IA redeĄne la gesti
´
on al permitir que los procesos de toma de decisiones pasen
de una l
´
ogica reactiva a una predictiva, basada en datos hist
´
oricos, an
´
alisis de patrones y aprendizaje
continuo. Desde la ingenier
´
ıa, esto representa una transici
´
on de sistemas de control convencionales
hacia arquitecturas inteligentes capaces de autorregularse y mejorar con cada ciclo de decisi
´
on.
En el campo de la ingenier
´
ıa de gesti
´
on, la teor
´
ıa de los sistemas de apoyo a la decisi
´
on (Decision
Support Systems, DSS) constituye uno de los fundamentos m
´
as relevantes. Estos sistemas, introducidos
por Gorry y Scott-Morton, se basan en la integraci
´
on de modelos anal
´
ıticos, bases de datos y simulaciones
que asisten al directivo en la elecci
´
on de alternativas
´
optimas. La IA ha ampliĄcado este concepto
mediante la incorporaci
´
on de redes neuronales artiĄciales, algoritmos de clasiĄcaci
´
on y optimizaci
´
on
estoc
´
astica que mejoran la capacidad de los DSS para procesar informaci
´
on compleja en tiempo real [
4].
En este sentido, la toma de decisiones administrativas apoyada en IA no se limita a automatizar
c
´
alculos, sino que modela procesos cognitivos de selecci
´
on y evaluaci
´
on, acerc
´
andose a lo que Csaszar et
al. [13] denominan Şinteligencia estrat
´
egica algor
´
ıtmicaŤ, una convergencia entre razonamiento humano
y procesamiento computacional.
Otro pilar te
´
orico se encuentra en la teor
´
ıa de sistemas complejos y adaptativos, la cual sostiene que
las organizaciones se comportan como sistemas abiertos que interact
´
uan con su entorno, adapt
´
andose
a trav
´
es de retroalimentaciones no lineales. Las empresas emergentes, por su naturaleza din
´
amica
y su b
´
usqueda constante de innovaci
´
on, son ejemplos claros de sistemas complejos donde peque
˜
nas
variaciones en las condiciones iniciales pueden generar grandes impactos en los resultados. La IA permite
modelar y anticipar estas interaccione s mediante simulaciones basadas en agentes, algoritmos gen
´
eticos
y redes bayesianas, facilitando decisiones m
´
as resilientes frente a la volatilidad del mercado [
14]. Este
enfoque se vincula con los modelos de optimizaci
´
on multiobjetivo empleados en ingenier
´
ıa para balancear
variables de costo, tiempo, rendimiento y sostenibilidad, aplicables en la planiĄcaci
´
on y control de
procesos administrativos.
En la literatura sobre gesti
´
on de empresas emergentes, la teor
´
ıa del emprendimiento innovador
aporta una perspectiva socio econ
´
omica que complementa el enfoque t
´
ecnico. Seg
´
un Koliou et al. [
15],
las start-ups son estructuras orientadas al aprendizaje r
´
apido y la experimentaci
´
on, condiciones que se
alinean naturalmente con la l
´
ogica de la IA. Desde esta
´
optica, la adopci
´
on de sistemas inteligentes
permite reducir la incertidumbre y acelerar la validaci
´
on de modelos de negocio. No obstante, la relaci
´
on
entre IA y gesti
´
on no es unidimensional: tambi
´
en intervienen factores humanos y culturales que inĆuyen
en la aceptaci
´
on tecnol
´
ogica, la interpretaci
´
on de los resultados y la
´
etica en la toma de decisiones.
Kubatko et al. [
16] destacan que la IA modiĄca el proceso cognitivo de los l
´
ıderes empresariales al
introducir un nuevo tipo de racionalidad h
´
ıbrida, en la que los juicios humanos se complementan con
evaluaciones algor
´
ıtmicas basadas en evidencia.
Asimismo, se integra la teor
´
ıa del aprendizaje organizacional, que explica c
´
omo las organizaciones
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
41
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
adquieren, transforman y aplican conocimiento. La IA act
´
ua aqu
´
ı como un catalizador que convierte
los datos en conocimiento accionable, retroalimentando los procesos de planeaci
´
on, control y mejora
continua. Las t
´
ecnicas de aprendizaje supervisado, no supervisado y por refuerzo se vinculan direc-
tamente con los niveles de aprendizaje propuestos por Argyris y Sch
¨
on [
17], donde el nivel de doble
bucle (double-loop learning) se alcanza cuando la organizaci
´
on es capaz de cuestionar y redeĄnir sus
supuestos fundamentales a partir de la informaci
´
on generada por sistemas inteligentes. En consecuencia,
las empresas emergentes que integran IA no solo aprenden de los resultados, sino tambi
´
en del proceso
mismo de decisi
´
on, lo cual incrementa su capacidad adaptativa y su ventaja competititiva sostenible.
Adem
´
as, se reconoce la dimensi
´
on
´
etica y social de la IA en la gesti
´
on. El uso de mo delos predictivos
en decisiones administrativas, como contrataci
´
on, evaluaci
´
on de desempe
˜
no o asignaci
´
on de recursos,
introduce dilemas sobre transparencia, equidad y responsabilidad. De acuerdo con Uzialko [?], la inge-
nier
´
ıa contempor
´
anea debe incorporar principios de difusi
´
on y gobernanza de algoritmos para garantizar
decisiones justas y veriĄcables. La integraci
´
on de estos principios dentro de las estructuras de gesti
´
on
empresarial contribuye a la consolidaci
´
on de un modelo de empresa emergente tecnol
´
ogicamente avan-
zada, pero tambi
´
en socialmente responsable. Bajo esta perspectiva, la IA no sustituye la inteligencia
humana, sino que la ampliĄca dentro de un marco de decisiones m
´
as informadas, sostenibles y
´
eticamente
orientadas, permitiendo una convergencia efectiva entre la ingenier
´
ıa, la gesti
´
on y el desarrollo social.
III. METODOLOG
Â
IA
La presente investigaci
´
on adopta un enfoque cuantitativo-explicativo y un dise
˜
no no experimental,
sustentado en la modelaci
´
on matem
´
atica e ingenier
´
ıa de datos aplicada a la gesti
´
on empresarial. El
objetivo metodol
´
ogico fue desarrollar un modelo de an
´
alisis que permita evaluar de manera integral el
impacto de la inteligencia artiĄcial (IA) en la toma de decisiones administrativas y en la eĄciencia de
gesti
´
on de empresas emergentes.
Se articula una metodolog
´
ıa compuesta por tres fases (Fig.
1.): (1) estructuraci
´
on del sistema de
variables e indicadores; (2) desarrollo del modelo matem
´
atico e ingenier
´
ıa de an
´
alisis; y (3) validaci
´
on
emp
´
ırica y simulaci
´
on computacional de escenarios. Este esquema metodol
´
ogico combina fundamentos
de la ingenier
´
ıa industrial, la anal
´
ıtica de datos y la teor
´
ıa de decisiones, garantizando rigor t
´
ecnico y
reproducibilidad cient
´
ıĄca.
Fig. 1. Fases de la investigaci
Â
on
En la primera fase, se deĄnen las variables que intervienen en el modelo. La variable independiente
es la adop ci
´
on de inteligencia artiĄcial (X), expresada como un
´
ındice compuesto que integra cuatro di-
mensiones: infraestructura tecnol
´
ogica (x
1
), automatizaci
´
on de procesos (x
2
), anal
´
ıtica predictiva (x
3
)
y soporte algor
´
ıtmico a decisiones (x
4
). Cada dimensi
´
on se cuantiĄca mediante indicadores espec
´
ıĄcos
medidos en escala Likert de 1 a 5.
La variable dependiente es la eĄciencia administrativa (Y), medida a partir de tres componentes:
precisi
´
on de la decisi
´
on (y
1
), tiempo de respuesta (y
2
) y rendimiento op erativo (y
3
). Se considera
adem
´
as una variable mediadora (Z) asociada al desarrollo organizacional y a la aceptaci
´
on tecnol
´
ogica
del p ersonal, representada mediante un coeĄciente de interacci
´
on β
3
Z.
El mo delo general se formaliza como una ecuaci
´
on estructural de tipo m
´
ultiple:
Y = β
0
+ β
1
X + β
2
Z + β
3
XZ + ε (1)
donde β
0
representa la constante, β
1
Űβ
3
los coeĄcientes de regresi
´
on, y ε el t
´
ermino de error estoc
´
astico.
Este modelo se estim
´
o mediante an
´
alisis de regresi
´
on m
´
ultiple y se complement
´
o con simulaciones en
lenguaje Python y R para evaluar la sensibilidad y el impacto marginal de cada variable.
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
42
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
En la segunda fase, se emplea un modelo matem
´
atico de optimizaci
´
on multicriterio basado en
t
´
ecnicas de ingenier
´
ıa de decisiones. El objetivo fue maximizar la eĄciencia administrativa (Y) sujeta
a restricciones de recursos, costo de implementaci
´
on de IA (C), tiempo (T) y nivel de madurez digital
(M). La funci
´
on objetivo se expresa en (2):
Max Y = f (x) = w
1
∆y
1
∆x
1
+ w
2
∆y
2
∆x
2
+ w
3
∆y
3
∆x
3
(2)
sujeto a: C ≤ C
max
, T ≤ T
max
, M ≥ M
0
Los valores w
1
, w
2
y w
3
son ponderaciones obtenidas mediante an
´
alisis de componentes principales
(PCA), que permiten reducir la dimensionalidad y capturar la contribuci
´
on relativa de cada subcom-
ponente a la eĄciencia global. Los incrementos marginales
∆y
i
∆x
i
representan derivadas parciales que
miden la sensibilidad del resultado frente a la mejora en cada dimensi
´
on de IA. El modelo se resolvi
´
o
num
´
ericamente utilizando t
´
ecnicas de optimizaci
´
on no lineal (m
´
etodo de gradiente conjugado y algo-
ritmo de Lagrange) y se implement
´
o en entorno MATLAB para validar convergencia y estabilidad. Este
enfoque permiti
´
o veriĄcar la robustez del sistema bajo distintas conĄguraciones de adopci
´
on tecnol
´
ogica.
Para complementar el an
´
alisis, se introdujo un subsistema de simulaci
´
on estoc
´
astica que representa
la interacci
´
on din
´
amica entre decisiones administrativas y resultados empresariales. Se emplea un
modelo de Monte Carlo con N = 10
4
iteraciones, generando distribuciones de probabilidad para las
variables de salida (Y, Z) bajo distintos escenarios de adopci
´
on de IA. La distribuci
´
on se asume normal
con media µ y desviaci
´
on est
´
andar σ estimadas emp
´
ıricamente a partir de la muestra de empresas. La
probabilidad acumulada de mejora en eĄciencia se expresa como se describe en (3).
P
(
Y > Y
0
)
=
Z
∞
Y
0
1
σ
√
2π
exp
−
(Y − µ)
2
2σ
2
dY (3)
lo que p ermite calcular la probabilidad de que la implementaci
´
on de IA sup ere un umbral determinado
de eĄciencia administrativa Y
0
. Este an
´
alisis probabil
´
ıstico se integra con la simulaci
´
on de escenarios
deterministas desarrollada en MATLAB Simulink, donde se modelan bucles de retroalimentaci
´
on entre
las decisiones administrativas (input), los recursos (estado del sistema) y los resultados (output). Dicho
sistema din
´
amico se representa mediante ecuaciones diferenciales ordinarias descritas en (4)
dY
dt
= α
1
x
1
+ α
2
x
2
+ α
3
x
3
− δY (4)
donde α
i
son coeĄcientes de impacto de cada dimensi
´
on tecnol
´
ogica sobre la eĄciencia, y δ representa la
tasa de disipaci
´
on organizacional o p
´
erdida de eĄciencia a lo largo del tiempo. La integraci
´
on num
´
erica
se realiza con el m
´
etodo de RungeŰKutta de cuarto orden, con paso temporal ∆t = 0,01, garantizando
estabilidad y precisi
´
on.
En la tercera fase, se efect
´
ua la validaci
´
on emp
´
ırica con una muestra representativa de 40 empresas
emergentes del sector tecnol
´
ogico y de servicios. Los datos se obtuvieron mediante encuestas estruc-
turadas y fuentes secundarias (bases de datos empresariales, informes de adopci
´
on digital y m
´
etricas de
productividad). Se aplican pruebas de normalidad (KolmogorovŰSmirnov), homocedasticidad (Levene)
y multicolinealidad (VIF < 5) para asegurar la validez de los supuestos estad
´
ısticos. Posteriormente, se
eval
´
ua el modelo mediante an
´
alisis de regresi
´
on m
´
ultiple y estimaci
´
on de efectos indirectos utilizando
el procedimiento bootstrap (5 000 repeticiones). La validaci
´
on del modelo de optimizaci
´
on se realiza
a trav
´
es del error cuadr
´
atico medio (MSE) y del coeĄciente de determinaci
´
on (R
2
), veriĄcando que
R
2
> 0,85 como criterio de ajuste satisfactorio. Adem
´
as, se calcula el
´
ındice de impacto tecnol
´
ogico
(I
t
) deĄnido en (5):
I
t
=
Y
1
−
Å
Y
0
σ
0
(5)
Donde
Y
1
y Y
0
representan las medias de eĄciencia administrativa con y sin IA, respectivamente, y
σ
0
corresponde a la desviaci
´
on est
´
andar del grupo base. Este
´
ındice permiti
´
o cuantiĄcar el efecto
estandarizado de la IA sobre el desempe
˜
no empresarial.
Finalmente, se integr
´
o un m
´
odulo de evaluaci
´
on de riesgos
´
eticos y sociales, utilizando an
´
alisis
de escenarios para identiĄcar posibles impactos negativos asociados a la automatizaci
´
on excesiva o a
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
43
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
sesgos algor
´
ıtmicos. Se introdujo un factor correctivo F
e
= (1 − ρ
s
), donde ρ
s
mide la sensibilidad del
sistema frente a sesgos o inequidades detectadas en el proceso de decisi
´
on. Este factor se aplic
´
o como
penalizaci
´
on en la funci
´
on objetivo, ajustando el modelo hacia soluciones tecnol
´
ogicamente eĄcientes
pero socialmente responsables. La metodolog
´
ıa ofrece un marco reproducible, cuantitativo y
´
eticamente
orientado para comprender el papel de la inteligencia artiĄcial en la toma de decisiones administrativas de
las empresas emergentes, articulando con precisi
´
on la dimensi
´
on matem
´
atica, ingenieril y organizacional
del fen
´
omeno estudiado.
IV. RESULTADOS
En esta secci
´
on se presenta la estructura de las variables consideradas en el modelo matem
´
atico
propuesto. La Tabla
1 resume las variables independientes, mediadoras y dependientes, as
´
ı como sus
indicadores asociados y la escala de medici
´
on utilizada.
Tabla 1. Estructura de las variables.
Variable Indicador SÂımbolo Escala de mediciÂon
Adopci
Â
on de IA
Infraestructura tecnol
Â
ogica x
1
Likert 1±5
Automatizaci
Â
on de procesos x
2
Likert 1±5
Anal
Â
ıtica predictiva x
3
Likert 1±5
Soporte a decisiones x
4
Likert 1±5
Desarrollo organizacional Aceptaci
Â
on tecnol
Â
ogica Z Likert 1±5
Eficiencia administrativa
Precisi
Â
on de la decisi
Â
on y
1
Escala t
Â
ecnica
Tiempo de respuesta y
2
Escala t
Â
ecnica
Rendimiento operativo y
3
Â
Indice porcentual
El dise
˜
no de indicadores permite descomponer de manera operativa las dimensiones tecnol
´
ogicas
y organizacionales del modelo. La utilizaci
´
on de escalas tipo Likert y medidas t
´
ecnicas facilita la
aplicaci
´
on emp
´
ırica del modelo de regresi
´
on y la posterior simulaci
´
on computacional. Esta estructura
modular tambi
´
en p ermite una adaptaci
´
on Ćexible a distintos contextos empresariales.
A. AnÂalisis de sensibilidad marginal
Con el objetivo de identiĄcar qu
´
e dimensiones tecnol
´
ogicas de la adopci
´
on de inteligencia artiĄcial
generan mayor efecto sobre la eĄciencia administrativa, se realiz
´
o un an
´
alisis de sensibilidad marginal,
evaluando el incremento relativo de Y ante variaciones unitarias en cada componente x
i
del modelo.
La Figura
2 presenta los resultados obtenidos.
Fig. 2. Resultados de la evaluaci
Â
on en la dimensi
Â
on tecnol
Â
ogica.
Los resultados muestran que la dimensi
´
on con mayor impacto marginal es la automatizaci
´
on de
procesos (∆y/∆x
2
= 0.45), seguida de la anal
´
ıtica predictiva (∆y/∆x
3
= 0.41). Esto sugiere que
las inversiones dirigidas a automatizar tareas administrativas y a incorporar herramientas anal
´
ıticas
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
44
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
pueden generar mayores mejoras en la eĄciencia. La infraestructura tecnol
´
ogica y el soporte algor
´
ıtmico
tambi
´
en presentan efectos positivos, aunque de menor magnitud. Estas diferencias pueden atribuirse a
la madurez de implementaci
´
on y al grado de dependencia operativa que cada dimensi
´
on mantiene con
los procesos internos de la empresa.
B. Resultados del modelo de regresiÂon m Âultiple
A partir de los datos recolectados de las 40 empresas emergentes encuestadas, se estim
´
o el modelo de
regresi
´
on m
´
ultiple (Tabla
2) para determinar el efecto conjunto de la adopci
´
on de inteligencia artiĄcial
y del desarrollo organizacional sobre la eĄciencia administrativa.
Tabla 2. Coeficientes estimados, errores est
Â
andar, valores t y niveles de significancia asociados.
Variable Coeficiente (β) Error est. Valor t p-valor
Constante 0.82 0.12 6.83 < 0.001
x
1
: Infraestructura 0.21 0.08 2.63 0.012
x
2
: Automatizaci
Â
on 0.36 0.09 4.00 < 0.001
x
3
: Anal
Â
ıtica predictiva 0.29 0.07 4.14 < 0.001
x
4
: Soporte algor
Â
ıtmico 0.25 0.07 3.57 0.001
Z: Aceptaci
Â
on organizacional 0.31 0.09 3.44 0.001
Interacci
Â
on XZ 0.18 0.06 3.00 0.004
Los resultados indican que todas las variables independientes y mediadoras tienen efectos es-
tad
´
ısticamente signiĄcativos (p < 0.05) sobre la eĄciencia administrativa. Destaca el coeĄciente de la
automatizaci
´
on de procesos (β = 0.36), que conĄrma su papel central en la transformaci
´
on operativa
de las empresas emergentes. Tambi
´
en se observa una interacci
´
on signiĄcativa entre la adopci
´
on de IA y
la aceptaci
´
on organizacional (β = 0.18), lo que sugiere que el impacto de la tecnolog
´
ıa se ve potenciado
en contextos con alto nivel de compromiso del personal. El valor de R
2
ajustado del modelo fue de
0.88, lo que indica una excelente capacidad explicativa.
C. SimulaciÂon Monte Carlo de eficiencia administrativa
Para complementar el an
´
alisis determinista, se realiz
´
o una simulaci
´
on estoc
´
astica mediante el
m
´
etodo de Monte Carlo con 10 000 iteraciones, suponiendo una distribuci
´
on normal para la eĄciencia
administrativa (Y) con media observada µ = 3.8 y desviaci
´
on est
´
andar σ = 0.65. El objetivo fue
calcular la probabilidad de que una empresa emergente supere un umbral de eĄciencia predeterminado
(Y
0
= 4.2) tras implementar IA (Fig.
3).
Fig. 3. Resultados de la simulaci
Â
on.
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
45
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
Los resultados de la simulaci
´
on muestran que la probabilidad de alcanzar o superar un valor de
eĄciencia administrativa Y
0
= 4.2 es aproximadamente del 26,74%. Esta baja probabilidad indica
que, si bien la inteligencia artiĄcial puede mejorar el desemp e
˜
no general de las empresas emergentes,
la superaci
´
on de ciertos umbrales de excelencia depende de m
´
ultiples factores, incluyendo el contexto
organizacional, la capacidad de implementaci
´
on y la madurez digital. Este tipo de an
´
alisis probabil
´
ıstico
permite evaluar escenarios realistas, considerando la variabilidad inherente a los sistemas humanos y
tecnol
´
ogicos.
La Ągura
4 ilustra el comportamiento de la funci
´
on objetivo durante el proceso de optimizaci
´
on no
lineal, desarrollado mediante el m
´
etodo de gradiente conjugado e implementado en entorno MATLAB.
Esta curva representa la evoluci
´
on de los valores obtenidos a lo largo de las iteraciones, reĆejando el
ajuste progresivo del sistema hacia una soluci
´
on
´
optima. El gr
´
aĄco evidencia la tendencia convergente
del modelo, validando la estabilidad num
´
erica y la robustez computacional del enfoque adoptado. Esta
representaci
´
on respalda la aplicabilidad del algoritmo en la simulaci
´
on de escenarios organizacionales
complejos, donde se requiere alcanzar soluciones eĄcientes bajo restricciones multidimensionales.
Fig. 4. Proceso de optimizaci
Â
on no lineal implementado en entorno MATLAB.
La representaci
´
on gr
´
aĄca permite observar que la funci
´
on objetivo converge de forma estable hacia
una soluci
´
on factible, conĄrmando la efectividad del algoritmo implementado. Las oscilaciones iniciales,
propias de m
´
etodos como el gradiente conjugado en espacios multidimensionales, disminuyen progre-
sivamente hasta alcanzar una meseta de optimizaci
´
on. Este comportamiento es indicativo de que el
sistema logra una soluci
´
on
´
optima local bajo las restricciones impuestas, validando as
´
ı la consistencia
del modelo en condiciones reales de adopci
´
on tecnol
´
ogica. La visualizaci
´
on complementa la validaci
´
on
num
´
erica al ofrecer una perspectiva din
´
amica del ajuste iterativo, esencial para estudios de simulaci
´
on
y control en ingenier
´
ıa de decisiones administrativas.
CONCLUSIONES
La presente investigaci
´
on ha evidenciado, desde una perspectiva integral de ingenier
´
ıa y gesti
´
on, que
la adopci
´
on de inteligencia artiĄcial en empresas emergentes genera un impacto positivo, signiĄcativo
y multifac
´
etico sobre la eĄciencia administrativa. A trav
´
es de un enfoque cuantitativo con soporte en
modelaci
´
on matem
´
atica, an
´
alisis de sensibilidad, simulaci
´
on estoc
´
astica y din
´
amica de sistemas, se ha
demostrado que los beneĄcios de la IA no s
´
olo dependen de su implementaci
´
on t
´
ecnica, sino tambi
´
en
del contexto organizacional que la sustenta.
En t
´
erminos cuantitativos, la automatizaci
´
on de procesos y la anal
´
ıtica predictiva se posicionaron
como los factores con mayor capacidad de transformaci
´
on administrativa, superando incluso a variables
estructurales como la infraestructura tecnol
´
ogica. Este hallazgo reaĄrma la idea de que la inteligencia
artiĄcial cobra valor no por su presencia tecnol
´
ogica per se, sino por su integraci
´
on funcional con los
procesos de decisi
´
on. Asimismo, el an
´
alisis de regresi
´
on revel
´
o un efecto moderador signiĄcativo de la
aceptaci
´
on organizacional, destacando que el capital humano sigue siendo un componente irremplazable
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
46
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
para que las tecnolog
´
ıas inteligentes puedan desplegar todo su potencial.
Los modelos simulados conĄrman que la eĄciencia administrativa no responde de manera lineal ni
autom
´
atica a la adopci
´
on tecnol
´
ogica. La simulaci
´
on de Monte Carlo mostr
´
o que s
´
olo un 26,74% de los
casos logr
´
o superar el umbral de excelencia deĄnido, lo que advierte que el
´
exito no est
´
a garantizado
por el uso de IA, sino por un ecosistema de variables t
´
ecnicas, humanas y contextuales. Esta visi
´
on se
refuerza en el an
´
alisis din
´
amico, donde la eĄciencia tiende a estabilizarse tras un per
´
ıodo de crecimiento,
indicando que los beneĄcios de la IA pueden alcanzar un l
´
ımite si no son acompa
˜
nados de estrategias
adaptativas, retroalimentaci
´
on continua y renovaci
´
on de procesos.
Desde una mirada sist
´
emica, se puede aĄrmar que la IA debe ser concebida no como un Ąn en
s
´
ı mismo, sino como parte de una arquitectura estrat
´
egica m
´
as amplia que combine ingenier
´
ıa de
decisiones, dise
˜
no organizacional,
´
etica tecnol
´
ogica y sostenibilidad. Las empresas emergentes que
logren articular estas dimensiones podr
´
an no s
´
olo optimizar sus procesos internos, sino tambi
´
en generar
valor social, innovar con responsabilidad y adaptarse con resiliencia a entornos inciertos.
REFERENCIAS
[1]
´
A. Szukits and P. M
´
oricz, ŞTowards data-driven decision making: the role of analytical
culture and centralization efforts,Ť Review of Managerial Science, vol. 18, no. 10, pp.
2849Ű2887, 2024.
[2] S. S. Nudurupati, S. Tebb oune, P. Garengo, R. Daley, and J. Hardman, ŞPerformance
measurement in data intensive organisations: resources and capabilities for decision-
making process,Ť Production Planning & Control, vol. 35, no. 4, pp. 373Ű393, 2024.
[3] K. Bahamazava, ŞAi-driven scenarios for urban mobility: Quantifying the role of ode
models and scenario planning in reducing traffic congestion,Ť Transport Economics and
Management, vol. 3, pp. 92Ű103, 2025.
[4] B. Mallala, A. I. U. Ahmed, S. V. Pamidi, M. O. Faruque, and R. Reddy, ŞForecasting
global sustainable energy from renewable sources using random forest algorithm,Ť Results
in Engineering, vol. 25, p. 103789, 2025.
[5] U. Nweje and M. Taiwo, ŞLeveraging artiĄcial intelligence for predictive supply chain
management: focus on ai-driven tools,Ť International Journal of Science and Research
Archive, vol. 14, no. 1, pp. 230Ű250, 2025.
[6] C. Barroso Camiade and E. M. P
´
erez Castrej
´
on, ŞDesaf
´
ıos
´
eticos y legales en el uso de la
inteligencia artiĄcial (ia),Ť Sintaxis, no. 14, pp. 102Ű118, 2025.
[7] N. S. L. Tafur, M. J. C. Ramos, B. Y. J. Giraud, and R. D. H. Calero, ŞIa y big data:
Optimizaci
´
on de la estrategia Ąnanciera y el modelo de negocios de eduplanet,Ť SAPIENS
International Multidisciplinary Journal, vol. 1, no. 3, pp. 214Ű230, 2024.
[8] L. T. M. Ugalde, H. K. R. Moran, T. B. J. Alvarado, J. N. F. Pibaque, M. F. M. Pico, and
M. P. V. Bravo, ŞModelos de negocios din
´
amicos basados en inteligencia de mercados,Ť
Ciencia y Desarrollo, vol. 28, no. 1, pp. 605Ű612, 2025.
[9] A. D. T. Rivera and L. A. D
´
ıaz-Torres, ŞAplicaciones de la inteligencia artiĄcial en los
modelos de negocios digitales,Ť Recherches en Sciences de Gestion, vol. 141, no. 6, pp.
67Ű88, 2020.
[10] R. R. Autr
´
an, ŞSesgos y discriminaciones sociales de los algoritmos en inteligencia artiĄcial:
Una revisi
´
on documental,Ť Entretextos, vol. 15, no. 39, p. 4, 2023.
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
47
ISSN-e: 2737-6419
Per
Â
ıodo: octubre-diciembre 2025
Revista Athenea
Vol.6, N
Â
umero 22, (pp. 39-48)
[11] M. El Khatib and A. Al Falasi, ŞEffects of artiĄcial intelligence on decision making in
project management,Ť American Journal of Industrial and Business Managem ent, vol. 11,
pp. 251Ű260, 2021.
[12] F. A. Csaszar, H. Ketkar, and H. Kim, ŞArtiĄcial intelligence and strategic decision-
making: Evidence from entrepreneurs and investors,Ť Strategic Management Science,
2024.
[13] F. M. V. Flores, ŞLa inteligencia artiĄcial como herramienta para la predicci
´
on de esce-
narios econ
´
omicos en mercados inestables,Ť Revista Pulso Cient
´
ıĄco, vol. 2, no. 1, pp.
1Ű15, 2024.
[14] P. G. Koliou et al., ŞStartup sustainability forecasting with artiĄcial intelligence,Ť Applied
Sciences, vol. 14, no. 19, p. 8925, 2024.
[15] O. V. Kubatko, S. C. Ozims, and V. I. Voronenko, ŞInĆuence of artiĄcial intelligence on
business decision-making,Ť Mechanism of Economic Regulation, vol. 103, no. 3, 2024.
[16] C. Argyris and D. A. Sch
¨
on, Organizational Learning: A Theory of Action Perspective.
Reading, MA: Addison-Wesley, 1978, vol. 1.
[17] A. Uzialko, ŞHow artiĄcial intelligence will transform businesses,Ť Business News Daily,
2024, published 27 Aug. 2024.
Rivero R. et al. Impacto de la inteligencia artiĄcial en la toma de decisiones administrativas y la gesti´on
de empresas emergentes
48
