32
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Desarrollo de sistemas inteligentes para la gestión de
conflictos laborales: Un enfoque desde la ingeniería industrial
y la sociología organizacional
José Calizaya López
https://orcid.org/
0000-0001-6221-0909
jcalizayal@unsa.edu.pe
Universidad Nacional
de San Agustín de
Arequipa
Arequipa, Perú
https://doi.org/10.47460/athenea.v6i19.89
DOI: https://doi.org/10.47460/athenea.v6i19.89
Edición: Primera
Editorial: AutanaBooks
Fecha de publicación: 27/03/2025
Lady Concha-Diaz
https://orcid.org/
0000-0003-3733-8665
lconcha@unsa.edu.pe
Universidad Nacional
de San Agustín de
Arequipa
Arequipa, Perú
Ariosto Carita-
Choquecahua
https://orcid.org/
0000-0001-6878-6925
acarita@unsa.edu.pe
Universidad Nacional
de San Agustín de
Arequipa
Arequipa, Perú
Renzo Rimaneth
Rivero Fernández
https://orcid.org/
0000-0002-9295-9790
rriverof@ucsm.edu.pe
Universidad Católica de
Santa María
Arequipa, Perú
Ana Rosario Miaury-Vilca
https://orcid.org/
0000-0002-2992-1239
amiaury@unsa.edu.pe
Universidad Nacional de
San Agustín de Arequipa
Arequipa, Perú
Claudia Patricia
Cardenas-Ticona
https://orcid.org/
0000-0002-2739-1668
ccardenast@unsa.edu.pe
Universidad Nacional
de San Agustín de
Arequipa
Arequipa, Perú
33
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Resumen: El desarrollo del sistema inteligente para la gestión de conflictos laborales se llevó a cabo con
el objetivo de mejorar la identificación, prevención y resolución de conflictos en el entorno organizacional
mediante el uso de herramientas avanzadas de inteligencia artificial y análisis de redes sociales. El sistema
fue diseñado para detectar patrones de conflicto, generar soluciones automatizadas y ajustar
dinámicamente sus respuestas mediante técnicas de machine learning, procesamiento de lenguaje
natural y análisis de teoría de grafos. La metodología incluyó un análisis detallado de la estructura
organizacional, la aplicación de una encuesta para evaluar la percepción y las dinámicas laborales, y la
implementación de un sistema de retroalimentación continua para mejorar el rendimiento del sistema. El
análisis de redes permitió identificar empleados clave con alta influencia social y detectar puntos críticos
en la estructura organizacional, mientras que el análisis de sentimiento y las respuestas automatizadas
fortalecieron la capacidad del sistema para resolver conflictos de manera eficiente. Los resultados
mostraron una mejora significativa en la precisión en la detección de conflictos (del 60% al 90%), una
reducción del 30% en el número de conflictos reportados, y un aumento en la satisfacción de los
empleados (del 60% al 88%). La mejora en el clima laboral y la capacidad del sistema para adaptarse a
diferentes entornos organizacionales confirmaron la efectividad y escalabilidad de la solución
implementada.
Palabras clave: sociología, sistemas inteligentes, gestión de conflictos, ingeniería.
I. INTRODUCCIÓN
En un entorno empresarial cada vez más dinámico y complejo, la gestión de conflictos laborales [1] se ha
convertido en un desafío estratégico para las organizaciones. Los conflictos en el ámbito laboral pueden
surgir debido a diversas causas, como discrepancias en las condiciones laborales, diferencias en la
comunicación, problemas de liderazgo, malentendidos culturales y tensiones generadas por la adopción
de nuevas tecnologías o procesos organizacionales. Si no se manejan adecuadamente, estos conflictos
pueden derivar en una disminución de la productividad, un aumento de la rotación de personal, daños en
la reputación corporativa y un ambiente de trabajo negativo. En este contexto, la implementación de
sistemas inteligentes para la gestión de conflictos laborales [2] surge como una solución innovadora y
eficaz que combina herramientas tecnológicas avanzadas con un enfoque sociológico para comprender
las dinámicas organizacionales y las relaciones interpersonales en el trabajo.
El desarrollo de sistemas inteligentes para la gestión de conflictos laborales se sitúa en la intersección de
dos disciplinas clave: la ingeniería industrial y la sociología organizacional. Desde la ingeniería industrial,
el enfoque se centra en la optimización de procesos, la automatización de decisiones y la mejora de la
eficiencia operativa mediante el uso de algoritmos, inteligencia artificial (IA) y análisis de datos. Este
enfoque permite diseñar soluciones personalizadas para identificar, analizar y mitigar conflictos laborales
en tiempo real, basándose en datos históricos, patrones de comportamiento y predicciones generadas
por modelos matemáticos y sistemas de aprendizaje automático [3], [4].
Por otro lado, la sociología organizacional aporta una perspectiva fundamental para comprender las
causas profundas de los conflictos laborales [5], las dinámicas de poder, las relaciones interpersonales y
los factores culturales que influyen en el comportamiento de los empleados. A través del análisis de estas
dimensiones sociales, es posible diseñar sistemas inteligentes que no solo respondan a los conflictos
desde una perspectiva técnica, sino que también consideren los factores humanos y organizacionales
34
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
involucrados [6]. Este enfoque holístico permite desarrollar herramientas capaces de identificar señales
tempranas de conflicto, sugerir intervenciones específicas y promover una cultura organizacional basada
en la colaboración y el entendimiento mutuo.
La combinación de la ingeniería industrial y la sociología organizacional en el desarrollo de sistemas
inteligentes representa una oportunidad para mejorar significativamente la gestión de conflictos laborales
en las organizaciones modernas [7]. La implementación de estos sistemas puede incluir plataformas de
resolución automatizada de conflictos, herramientas de análisis predictivo de clima laboral, chatbots de
apoyo para la mediación de conflictos, y sistemas de retroalimentación continua para evaluar el impacto
de las intervenciones. Estos sistemas no solo mejoran la eficiencia en la gestión de conflictos, sino que
también promueven una cultura empresarial más resiliente, adaptable y centrada en el bienestar de los
empleados.
En un mundo empresarial caracterizado por la globalización, la diversidad cultural y la digitalización
acelerada, la gestión efectiva de los conflictos laborales mediante sistemas inteligentes se convierte en
una ventaja competitiva clave [8]. Las organizaciones que logren implementar estas soluciones de manera
estratégica podrán no solo mejorar la productividad y la satisfacción de los empleados, sino también
fortalecer su capacidad de adaptación y respuesta ante los desafíos del entorno empresarial actual.
Este trabajo explora el potencial de los sistemas inteligentes para la gestión de conflictos laborales desde
una perspectiva interdisciplinaria, destacando los beneficios, desafíos y mejores prácticas en la
implementación de estas soluciones innovadoras. Con estas premisas, en este trabajo se ha desarrollado
una propuesta basada en inteligencia artificial para atenuar las posibles situaciones de conflicto que se
presentan en ambientes laborales.
II. DESARROLLO
La incorporación de herramientas inteligentes en la gestión empresarial y las situaciones laborales ha
transformado radicalmente la forma en que las organizaciones operan y toman decisiones [9]. El auge de
la inteligencia artificial (IA), el aprendizaje automático (machine learning), el procesamiento del lenguaje
natural (NLP) y la analítica avanzada ha permitido diseñar soluciones capaces de automatizar procesos,
mejorar la eficiencia operativa, personalizar la toma de decisiones y anticipar problemas antes de que
ocurran. Estas herramientas no solo están optimizando el funcionamiento interno de las empresas, sino que
también están influyendo en la dinámica laboral, en la relación entre los empleados y en la forma en que
se gestionan los conflictos y las interacciones en el entorno de trabajo [10].
Una de las principales aplicaciones de las herramientas inteligentes en las gestiones empresariales es la
automatización de procesos repetitivos y operativos mediante sistemas de RPA (Robotic Process
Automation) y algoritmos de IA. Estos sistemas pueden encargarse de tareas como la gestión de inventarios,
la facturación, el procesamiento de datos y la atención al cliente [4], [9], lo que permite reducir errores
humanos, mejorar la velocidad de ejecución y liberar tiempo para que los empleados se concentren en
tareas de mayor valor estratégico.
35
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Se ha podido observar que, sistemas basados en machine learning pueden analizar patrones históricos de
ventas y demanda para optimizar la gestión de la cadena de suministro y prever posibles interrupciones
[11]. De manera similar, los sistemas de IA pueden monitorear indicadores clave de rendimiento (KPI) y
ajustar automáticamente las operaciones en función de las condiciones del mercado o las demandas de los
clientes.
Además, las herramientas inteligentes permiten mejorar la toma de decisiones empresariales al
proporcionar análisis predictivo y prescriptivo basados en grandes volúmenes de datos (big data). Los
sistemas de IA pueden identificar patrones y correlaciones complejas que serían difíciles de detectar
mediante métodos tradicionales, ofreciendo recomendaciones basadas en datos para optimizar la
estrategia empresarial.
Un ejemplo de esto es el uso de algoritmos de análisis de sentimientos para evaluar la percepción del
mercado sobre una marca o producto [12], lo que permite a las empresas adaptar sus estrategias de
marketing y posicionamiento en tiempo real. También se están utilizando herramientas inteligentes para
realizar análisis de riesgos y detectar amenazas potenciales en las finanzas o la cadena de suministro,
mejorando así la resiliencia organizacional.
Por otra parte, las herramientas inteligentes están permitiendo una personalización sin precedentes en la
experiencia del cliente y del empleado. Los sistemas de recomendación basados en IA pueden ofrecer
productos o servicios personalizados a los clientes, mejorando la satisfacción y la fidelidad. En el entorno
laboral, los sistemas de IA pueden adaptar los programas de formación y desarrollo profesional según las
competencias y necesidades individuales de cada empleado. Las plataformas de gestión del talento utilizan
IA para analizar el rendimiento y recomendar planes de carrera personalizados, identificando oportunidades
de capacitación y desarrollo de habilidades.
En el ámbito de la gestión de conflictos laborales [13], las herramientas inteligentes están permitiendo una
detección temprana y una respuesta más efectiva. Los sistemas de análisis de datos pueden monitorear
patrones de comportamiento y comunicación en la organización para identificar señales de tensiones o
conflictos emergentes.
Trabajos previos han mostrado que, plataformas de análisis de sentimiento pueden evaluar el tono y
contenido de los correos electrónicos [12], mensajes y comunicaciones internas para detectar signos de
insatisfacción o malestar entre los empleados. Si se detecta un patrón de conflicto, el sistema puede alertar
automáticamente a los responsables de recursos humanos y sugerir medidas para abordar el problema
antes de que escale.
Además, los chatbots y asistentes virtuales están siendo utilizados para ofrecer soporte a los empleados en
la resolución de conflictos menores o para canalizar casos más complejos hacia los departamentos de
recursos humanos. Estas herramientas permiten una atención inmediata y constante, mejorando el acceso
a los recursos de mediación y facilitando la resolución temprana de disputas. Las herramientas inteligentes
también están transformando la manera en que se evalúa el rendimiento y se brinda retroalimentación en
las organizaciones. Los sistemas de IA pueden analizar indicadores de productividad, calidad y desempeño
para ofrecer retroalimentación en tiempo real a los empleados [14].
36
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Algunos sistemas permiten establecer objetivos personalizados y proporcionar sugerencias automáticas
para mejorar el rendimiento, basándose en datos históricos y en la comparación con empleados de perfiles
similares. Esta retroalimentación continua ayuda a los empleados a mantenerse alineados con los objetivos
estratégicos de la empresa y promueve una cultura de mejora constante [11], [14].
Por otra parte, la incorporación de herramientas inteligentes ha facilitado la adopción de modelos de
trabajo flexible y remoto. Las plataformas de colaboración basadas en IA permiten la gestión de equipos
distribuidos, el seguimiento de proyectos en tiempo real y la asignación automática de tareas según las
competencias y la disponibilidad de los empleados.
Herramientas como Microsoft Teams, Slack y Trello, impulsadas por IA, permiten la gestión centralizada de
las comunicaciones [15], la priorización de tareas y la asignación de recursos de manera eficiente. Además,
los sistemas de monitoreo basados en IA pueden evaluar la productividad y el bienestar de los empleados
que trabajan de manera remota, identificando signos de agotamiento o sobrecarga para intervenir de
manera proactiva.
Las herramientas inteligentes también permiten a las organizaciones adaptarse rápidamente a los cambios
en el entorno empresarial y promover una cultura de mejora continua [16]. Los sistemas de análisis
predictivo y las plataformas de aprendizaje automático permiten evaluar el impacto de las decisiones
estratégicas y ajustar rápidamente las operaciones en función de los resultados obtenidos. La capacidad de
responder de manera rápida y efectiva a los cambios en las condiciones del mercado o en las demandas de
los clientes se ha convertido en una ventaja competitiva clave.
Las herramientas inteligentes permiten identificar oportunidades de innovación, optimizar los recursos y
fortalecer la resiliencia organizacional ante los desafíos externos. Es importante señalar que, la
incorporación de herramientas inteligentes en la gestión empresarial y laboral no solo mejora la eficiencia
y la productividad [17], sino que también transforma las relaciones laborales y la dinámica organizacional.
La capacidad de las empresas para integrar sistemas inteligentes en sus operaciones determinará en gran
medida su capacidad para competir en un entorno globalizado y tecnológicamente avanzado.
A medida que las herramientas inteligentes continúan evolucionando, se espera una mayor automatización
de los procesos empresariales y una mejora en la personalización de la experiencia del cliente y del
empleado. Sin embargo, también surgirán desafíos éticos y sociales, como la protección de la privacidad
de los datos, la equidad en el uso de la IA y la gestión de la resistencia al cambio por parte de los empleados.
Las organizaciones que logren equilibrar estos factores mediante un enfoque estratégico e inclusivo estarán
mejor posicionadas para aprovechar el potencial transformador de las herramientas inteligentes en la
gestión empresarial y laboral.
A. Principales herramientas inteligentes utilizadas para el desarrollo de sistemas de gestión empresarial
La implementación de sistemas inteligentes en la gestión empresarial ha revolucionado la forma en que las
organizaciones operan, toman decisiones y optimizan sus procesos. Las herramientas inteligentes basadas
en inteligencia artificial (IA), análisis de datos, automatización y aprendizaje automático permiten mejorar
la eficiencia, la precisión y la adaptabilidad de las empresas en un entorno de mercado altamente
competitivo y dinámico. A continuación, se describen las principales herramientas inteligentes utilizadas
37
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
para el desarrollo de sistemas de gestión empresarial, agrupadas por categorías según su funcionalidad y
tecnología subyacente:
Sistemas de Inteligencia Artificial (IA) y Machine Learning (ML)
Las herramientas basadas en IA y aprendizaje automático son fundamentales para la toma de decisiones
automatizada, la personalización de servicios y la optimización de procesos empresariales mediante el
análisis de datos en tiempo real (Figura 1).
Figura 1. Plataformas de IA para el tratamiento de datos en tiempo real [19].
IBM Watson es una plataforma de IA que utiliza procesamiento del lenguaje natural (NLP) y machine
learning para analizar datos, responder preguntas y automatizar procesos, se usa para desarrollar chatbots,
análisis de sentimientos y sistemas de toma de decisiones. Por otra parte, Google AI proporciona soluciones
de aprendizaje automático y análisis de datos avanzados mediante modelos preentrenados y
personalizables, es utilizado para tareas de procesamiento de datos, reconocimiento de patrones y
automatización. Así mismo, TensorFlow (de Google) es una plataforma de código abierto para el desarrollo
de modelos de machine learning, se usa para tareas como clasificación de datos, análisis predictivo y
optimización de procesos. También está Microsoft Azure AI que es una plataforma que ofrece servicios de
IA, incluyendo análisis de datos, reconocimiento de imágenes y generación de lenguaje, es utilizada para
desarrollar soluciones personalizadas de análisis y automatización empresarial.
Herramientas de automatización de procesos (RPA)
La automatización de procesos mediante RPA (Robotic Process Automation) permite a las empresas reducir
costos [20], minimizar errores y aumentar la velocidad de ejecución de tareas operativas (Tabla 1).
38
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Tabla 1. Herramientas IA para la automatización de procesos.
Herramienta
Descripción
Aplicaciones
UiPath
Plataforma líder en RPA que permite
automatizar tareas repetitivas
mediante robots digitales.
Procesamiento de datos, generación
de informes y gestión de inventarios.
Automation Anywhere
Herramient a que combina RPA con
inteligencia artificial para desarrollar
soluciones de automatización.
Se aplica en sectores como banca,
salud y manufactura para
automatizar flujos de trabajo.
Blue Prism
Plataforma de RPA que facilita la
automatización de procesos
complejos y la integración con
sistemas empresariales.
Usada para optimizar la cadena de
suministro, la atención al cliente y la
contabilidad.
Herramientas de gestión de datos y análisis predictivo
El análisis de datos y la capacidad de generar predicciones permiten a las empresas tomar decisiones
basadas en evidencia y detectar oportunidades o riesgos en tiempo real. Una de las herramientas más
utilizadas es Tableau que consiste en una plataforma de análisis de datos que permite crear visualizaciones
interactivas y paneles de control, es utilizada para identificar patrones en el comportamiento del mercado
y mejorar la toma de decisiones estratégicas. También está Power BI (de Microsoft), que es una herramienta
de inteligencia empresarial que permite el análisis de datos mediante visualización y generación de informes
dinámicos, está integrada con otras plataformas de Microsoft para análisis integral de datos en tiempo real.
Otra herramienta sumamente importante es SAP Business Objects, que es un sistema de análisis empresarial
que permite integrar datos de diversas fuentes y generar informes personalizados, es utilizada para evaluar
el rendimiento financiero y operativo de la empresa.
Herramientas de Procesamiento del Lenguaje Natural (NLP)
El procesamiento del lenguaje natural permite a las empresas analizar textos, interpretar lenguaje humano
y automatizar respuestas en plataformas de comunicación. Google Cloud Natural Language es una
plataforma de procesamiento de texto que permite clasificar y analizar textos mediante inteligencia artificial.
Esta herramienta es utilizada para evaluar el tono de las reseñas de clientes y personalizar respuestas en
tiempo real, lo que mejora significativamente la experiencia del usuario y la interacción con los servicios
digitales de la empresa. IBM Watson Assistant, por su parte, es una herramienta diseñada para el desarrollo
de chatbots y asistentes virtuales basados en procesamiento del lenguaje natural (NLP). Se emplea
principalmente en la atención al cliente y en la automatización de servicios, ofreciendo respuestas precisas
y personalizadas que agilizan la resolución de problemas y mejoran la eficiencia operativa.
ChatGPT, desarrollado por OpenAI, es una plataforma de lenguaje basada en modelos avanzados de
inteligencia artificial que permite generar texto y respuestas naturales. Esta herramienta se utiliza para la
creación de contenido automatizado, la atención al cliente y la resolución de consultas, ofreciendo
respuestas coherentes y adaptadas al contexto, lo que facilita la interacción natural con los usuarios y
optimiza los procesos de comunicación empresarial.
39
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Herramientas de gestión del conocimiento y la colaboración
Las plataformas de gestión del conocimiento permiten centralizar información, mejorar la colaboración
entre equipos y optimizar la transferencia de conocimientos en las organizaciones (Figura 2).
Figura 2. Herramientas para la gestión del conocimiento [21].
Sistemas de gestión de recursos empresariales (erp)
Los sistemas ERP permiten integrar y centralizar la gestión de procesos empresariales, desde las finanzas
hasta la gestión de recursos humanos y la cadena de suministro. SAP ERP es un sistema de planificación de
recursos empresariales que permite gestionar de manera integral las operaciones financieras, logísticas y
de producción. Su uso facilita la centralización de procesos empresariales, mejorando la eficiencia operativa
y permitiendo un control más preciso de las actividades clave dentro de la organización. Oracle NetSuite,
por su parte, es una plataforma de ERP basada en la nube que ofrece soluciones para la gestión de
inventarios, finanzas y operaciones comerciales. Esta herramienta permite mejorar la visibilidad y el control
de las operaciones empresariales, optimizando la toma de decisiones mediante el acceso a datos en tiempo
real y análisis detallados de las actividades comerciales.
Microsoft Dynamics 365 es una plataforma de ERP que integra herramientas de gestión financiera, de ventas
y de operaciones en un entorno unificado. Su implementación facilita la automatización de procesos
empresariales y mejora la toma de decisiones estratégicas, proporcionando una visión completa y
actualizada del desempeño empresarial.
Herramientas de análisis predictivo y modelado
El análisis predictivo y el modelado permiten anticipar eventos futuros y optimizar la planificación
estratégica mediante la simulación de escenarios.
40
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Tabla 2. Herramientas para el análisis predictivo.
Herramienta
Descripción
Aplicaciones
IBM SPSS
Plataforma de análisis estadístico y
modelado predictivo.
Identificar tendencias y patrones de
comportamiento en el mercado.
RapidMiner
Plataforma de análisis predictivo
basada en machine learning.
Detección de riesgos, optimización
de precios y predicción de la
demanda.
SAS Advanced Analytics
Sistema de análisis avanzado que
permite modelar y simular
escenarios complejos.
Evaluar el impacto de decisiones
estratégicas en el mercado.
Herramientas de gestión de conflictos y recursos humanos
Las herramientas de gestión de conflictos y recursos humanos permiten analizar el comportamiento de los
empleados, mejorar el clima laboral y reducir la rotación. Por su parte, Workday es una plataforma de
gestión de talento y planificación de recursos humanos que facilita el análisis de rendimiento y la detección
de conflictos laborales. Su capacidad para proporcionar información detallada sobre el desempeño de los
empleados permite a las organizaciones tomar decisiones más informadas y mejorar la dinámica en el
entorno de trabajo. Bamboo HR, por otro lado, es un sistema de gestión de recursos humanos basado en
la nube que simplifica los procesos de contratación, evaluación de desempeño y análisis de clima laboral.
Gracias a su interfaz intuitiva y sus herramientas automatizadas, las empresas pueden optimizar la gestión
de personal y crear un ambiente laboral más eficiente y estructurado.
Mientras que, Culture Amp es una plataforma de análisis de cultura organizacional diseñada para evaluar
el compromiso de los empleados y mejorar el ambiente de trabajo. Mediante encuestas y análisis
detallados, esta herramienta proporciona información clave para fortalecer la motivación y la satisfacción
de los empleados, promoviendo una cultura empresarial más colaborativa y alineada con los objetivos
estratégicos de la organización.
Impacto en la gestión empresarial
Las herramientas inteligentes están impulsando una transformación integral en la gestión empresarial,
facilitando la automatización de procesos repetitivos, lo que permite a las empresas reducir errores y
aumentar la eficiencia operativa. Además, mejoran significativamente la toma de decisiones al proporcionar
análisis basados en datos precisos y actualizados, lo que fortalece la capacidad de respuesta ante cambios
en el mercado. La personalización de productos y servicios también se ha visto beneficiada, ya que estas
herramientas permiten adaptar las ofertas a las necesidades y preferencias específicas de los clientes,
aumentando así la satisfacción y la fidelidad. El análisis predictivo es otro beneficio clave, ya que posibilita
anticipar riesgos y oportunidades, permitiendo a las organizaciones tomar medidas proactivas para mitigar
problemas o aprovechar nuevas oportunidades. Asimismo, estas herramientas mejoran la experiencia tanto
del empleado como del cliente, optimizando los flujos de trabajo y ofreciendo soluciones más rápidas y
personalizadas. Las organizaciones que adopten e integren estas herramientas de manera estratégica
estarán mejor posicionadas para competir en un entorno empresarial global, dinámico y altamente
tecnológico.
41
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
III. METODOLOGÍA
El desarrollo del sistema inteligente para la gestión de conflictos laborales se llevó a cabo mediante una
metodología estructurada y basada en un enfoque interdisciplinario que combinó principios de ingeniería
industrial y sociología organizacional. El proceso siguió una serie de fases bien definidas para garantizar
una implementación sistemática, optimizada y basada en evidencia. A continuación, se describe en detalle
la metodología empleada.
A. Fase de diagnóstico y análisis del contexto
Se llevó a cabo un análisis detallado de la estructura organizacional y de las dinámicas laborales en las
empresas seleccionadas para la implementación. Este análisis permitió identificar los roles y relaciones
jerárquicas, mapear los procesos empresariales y evaluar el clima laboral mediante encuestas, entrevistas y
análisis de datos internos. También se detectaron conflictos históricos y se analizaron sus causas, lo que
facilitó el diseño de un sistema adaptado a las características específicas de la organización y las dinámicas
sociales internas.
Tabla 3. Característica de la encuesta aplicada.
Característica
Descripción
Objetivo
Evaluar las dinámicas laborales, identificar causas de conflicto y medir la percepción de los
empleados sobre el clima organizacional.
Tipo de encuesta
Mixta (preguntas cerradas y abiertas)
Formato
Online y anónima
Número de
preguntas
25 preguntas
Categorías
1. Comunicación interna
2. Relación entre empleados
3. Liderazgo
4. Resolución de conflictos
5. Satisfacción laboral
Escala de medición
Escala Likert de 5 puntos (1 = Muy en desacuerdo, 5 = Muy de acuerdo)
Duración estimada
10 - 15 minutos
Población objetivo
Todos los empleados de la organización (incluyendo niveles operativos y directivos)
Frecuencia de
aplicación
Trimestral
Análisis de datos
Análisis cuantitativo mediante estadística descriptiva y análisis cualitativo mediante
codificación temática
Por otro lado, las características de la muestra se describen en la tabla 4, donde se puede apreciar que se
trató de una muestra mixta en todos los sentidos, tanto género como nivel operativo en la empresa.
42
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Tabla 4. Descripción de la muestra.
Característica
Descripción
Tamaño de la muestra
150 empleados
Método de muestreo
Muestreo aleatorio estratificado
Estratificación
Nivel jerárquico (operativo, supervisión, dirección) y departamento (ventas, producción,
recursos humanos, administración)
Distribución por género
60% hombres, 40% mujeres
Distribución por edad
20 a 30 años (30%), 31 a 40 años (40%), 41 a 50 años (20%), más de 50 años (10%)
Antigüedad en la empresa
Menos de 1 año (15%), 1 a 5 años (40%), 6 a 10 años (30%), más de 10 años (15%)
Nivel de estudios
Secundaria (10%), Técnico (20%), Pregrado (50%), Postgrado (20%)
Periodo de recolección de
datos
Dos semanas
B. Fase de diseño del sistema inteligente
Definición de objetivos funcionales
Con base en los resultados obtenidos en el diagnóstico, se establecieron los objetivos funcionales del
sistema. Estos objetivos incluyeron la automatización de la detección de conflictos laborales mediante
inteligencia artificial, la generación de alertas y sugerencias para la resolución de conflictos, la provisión de
soluciones personalizadas según el contexto organizacional y la evaluación continua del impacto de las
soluciones implementadas.
Selección de herramientas y tecnologías
Se seleccionaron las herramientas tecnológicas más adecuadas para los objetivos del sistema. Las
tecnologías clave incluyeron machine learning para identificar patrones de conflicto y predecir su aparición,
procesamiento del lenguaje natural (NLP) para analizar correos electrónicos, mensajes internos y otros
canales de comunicación, y análisis de redes sociales (SNA) para mapear las relaciones y dinámicas sociales
dentro de la organización. Además, se incorporaron sistemas de retroalimentación continua para recopilar
datos en tiempo real y ajustar automáticamente las respuestas del sistema.
Diseño del modelo sociotécnico
Se diseñó un modelo sociotécnico que combinó elementos técnicos y sociales para garantizar una solución
equilibrada y adaptada al entorno laboral. El modelo integró datos de rendimiento y comportamiento social,
y se desarrollaron algoritmos que consideraron factores humanos y organizacionales. Las soluciones
priorizaron la promoción de una cultura organizacional positiva y sostenible mediante la resolución eficiente
de conflictos.
43
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
C. Fase de implementación
El desarrollo del sistema siguió un enfoque ágil e iterativo para garantizar su adaptabilidad y optimización
continua. Se codificó la infraestructura del sistema, se desarrollaron los algoritmos de IA y se configuraron
las bases de datos. El sistema fue entrenado utilizando datos históricos para mejorar la precisión en la
detección de conflictos y la efectividad de las soluciones propuestas. Posteriormente, se integró el sistema
con las plataformas de comunicación y las bases de datos empresariales para garantizar un flujo de
información continuo. También se configuraron respuestas automáticas y se generaron informes en tiempo
real para facilitar la toma de decisiones estratégicas.
Pruebas y ajuste del sistema
Se realizaron pruebas exhaustivas para evaluar la eficacia del sistema en la detección y gestión de conflictos.
Las pruebas de rendimiento evaluaron la velocidad y precisión de la detección de conflictos, mientras que
las pruebas de usuario midieron la experiencia y la efectividad de las respuestas automatizadas. Además,
se llevaron a cabo pruebas de estrés para evaluar el desempeño del sistema bajo cargas de trabajo
intensivas y pruebas de respuesta sociológica para analizar la reacción y percepción de los empleados ante
las soluciones propuestas. Los resultados de las pruebas permitieron realizar ajustes y optimizar el
desempeño del sistema antes de su implementación definitiva.
D. Fase de evaluación y ajuste
La eficacia del sistema fue evaluada mediante indicadores clave de rendimiento (KPI) previamente definidos.
Los resultados mostraron una reducción significativa en el número de conflictos reportados, una mayor
velocidad en la resolución de disputas, una mejora en la percepción de los empleados sobre el clima laboral
y un incremento en la satisfacción y productividad de los trabajadores.
Feedback y retroalimentación continua
El sistema fue diseñado para recopilar retroalimentación de manera continua y ajustar automáticamente
sus algoritmos y respuestas en función de los datos obtenidos. El análisis constante de patrones de conflicto
y resolución permitió mejorar la precisión del sistema y ajustar las soluciones propuestas. También se
recopilaron datos mediante encuestas y análisis de sentimiento para evaluar la percepción de los empleados
y realizar mejoras constantes en el funcionamiento del sistema.
E. Fase de escalabilidad y adaptación
El sistema fue diseñado con un alto grado de escalabilidad y flexibilidad, lo que permitió su adaptación a
diferentes contextos empresariales y culturales. Los mecanismos de autoaprendizaje y ajuste dinámico
permitieron adaptar automáticamente el sistema a cambios en la estructura organizacional y expandir su
aplicación a nuevos departamentos y unidades empresariales. También se integró con sistemas de gestión
empresarial (ERP) y plataformas de colaboración, lo que facilitó su adopción en distintos entornos.
44
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
F. Diseño del sistema
Para el diseño del sistema inteligente para la gestión de conflictos laborales desde la ingeniería industrial y
la sociología organizacional, se emplearon diversas herramientas inteligentes basadas en técnicas
avanzadas de inteligencia artificial (IA), machine learning (ML) y procesamiento del lenguaje natural (NLP).
El sistema se diseñó como un modelo sociotécnico que combina elementos técnicos (algoritmos
matemáticos y sistemas automatizados) y sociales (factores humanos y dinámicas organizacionales).
El sistema se basó en varias herramientas tecnológicas para garantizar una respuesta eficiente y adaptativa
a las dinámicas laborales. Por una parte, se utilizaron algoritmos de machine learning para detectar patrones
de conflicto y predecir su aparición. Las herramientas clave incluyeron TensorFlow, Scikit-Learn y Keras.
Estos modelos fueron entrenados con datos históricos para mejorar su precisión con el tiempo. Los
principales algoritmos empleados fueron:
• Regresión logística para predecir la probabilidad de conflicto.
• Redes neuronales para modelar patrones complejos y relaciones no lineales.
• Árboles de decisión para clasificar conflictos y sugerir respuestas específicas.
Además, el análisis de las comunicaciones internas (correos electrónicos, mensajes y reportes) se realizó
mediante técnicas de NLP. Se emplearon herramientas como NLTK, spaCy y Google Cloud Natural
Language. Estas herramientas permitieron evaluar el tono y contenido de las comunicaciones para detectar
conflictos emergentes, clasificar conflictos según su origen (comunicacional, estructural o cultural), ofrecer
respuestas automatizadas adaptadas al contexto de la organización.
Para mapear las dinámicas sociales y las relaciones laborales, se emplearon técnicas de análisis de redes
mediante Gephi y NetworkX. Este análisis permitió identificar empleados clave y evaluar su influencia en las
relaciones laborales, detectar patrones de comunicación y zonas de tensión en la red organizacional, ajustar
dinámicamente las soluciones propuestas para mejorar la cohesión social.
Se integraron sistemas de análisis y ajuste continuo mediante herramientas como Power BI, Tableau y IBM
SPSS. Estos sistemas recopilaron datos en tiempo real y ajustaron automáticamente las respuestas del
sistema mediante técnicas de optimización bayesiana para mejorar la precisión en la detección de
conflictos, refuerzo de aprendizaje para ajustar las respuestas automatizadas con base en los resultados
obtenidos, análisis de correlación para evaluar el impacto de las soluciones implementadas.
G. Características matemáticas del sistema
El sistema se basó en modelos matemáticos avanzados que combinaron técnicas de estadística, teoría de
grafos y optimización. Los algoritmos de machine learning aplicaron modelos de clasificación y regresión
para identificar patrones y hacer predicciones. Los modelos más efectivos fueron la Regresión logística para
calcular la probabilidad de un conflicto específico, la Máquinas de soporte vectorial (SVM) para clasificar
diferentes tipos de conflicto, las redes neuronales artificiales para modelar relaciones complejas entre
múltiples variables.
Mientras que el análisis de redes se basó en teoría de grafos para modelar las relaciones sociales y laborales
dentro de la organización. Se emplearon las siguientes métricas:
45
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
• Centralidad de grado: Para identificar empleados con alta influencia social.
• Centralidad de intermediación: Para detectar puntos críticos en las redes de comunicación.
• Densidad de red: Para medir la cohesión y fragmentación social dentro de la organización.
El sistema fue diseñado para ajustar automáticamente sus respuestas y parámetros mediante la técnica de
optimización de descenso de gradiente para minimizar errores en las predicciones. Además de Redes
bayesianas para ajustar dinámicamente las respuestas en función de los resultados obtenidos.
H. Arquitectura del sistema
El sistema fue diseñado sobre una arquitectura distribuida y modular para garantizar escalabilidad y
flexibilidad. Fue alojado en plataformas como AWS y Google Cloud para permitir el procesamiento en
tiempo real y la disponibilidad global. La arquitectura se basó en microservicios para facilitar la
implementación y escalabilidad de cada módulo del sistema. Además, se diseñó una interfaz intuitiva para
facilitar el acceso de los empleados y el equipo de gestión al sistema. La interfaz permitió visualizar en
tiempo real los conflictos detectados y las soluciones propuestas. El sistema también se integró con
herramientas de gestión empresarial (como SAP y Oracle) para acceder a datos organizacionales y ofrecer
respuestas contextualizadas.
I. Evaluación y ajuste
Una vez implementado, el sistema fue sometido a una fase de prueba y evaluación para medir su impacto
y efectividad. Se evaluó la velocidad y precisión en la detección de conflictos. Alcanzando una tasa de
detección superior al 90% en la identificación de conflictos comunicacionales y estructurales. Por otra parte,
los empleados y los equipos de gestión utilizaron el sistema en situaciones reales. La retroalimentación
recopilada permitió ajustar la interfaz y mejorar la precisión de las respuestas automatizadas.
IV. RESULTADOS
En la figura 3 se presenta un esquema del sistema desarrollado, donde se observa que el flujo comienza
con la entrada de datos (correos electrónicos, mensajes, informes) que alimentan los módulos de machine
learning, procesamiento de lenguaje natural (NLP) y análisis de redes. Los módulos procesan la información,
identifican patrones y clasifican los conflictos. Por otra parte, la información procesada se canaliza hacia el
módulo de generación de respuestas, que propone soluciones automatizadas y personalizadas. Además, la
retroalimentación en tiempo real permite ajustar dinámicamente el sistema en función de los resultados
obtenidos y las respuestas generadas. La base de datos almacena continuamente los resultados y patrones
identificados, proporcionando una fuente de datos para que los módulos de machine learning, NLP y
análisis de redes mejoren su precisión mediante el autoaprendizaje.
46
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Figura 3. Esquema del sistema desarrollado
En la figura 4 se presenta el esquema de la interfaz de usuario, se observa que el flujo del sistema comienza
en el Panel de Navegación, que proporciona a los usuarios un acceso directo y sencillo al Dashboard
Principal. Desde el Dashboard, el sistema muestra el Estado de Conflictos y proporciona Notificaciones y
Sugerencias en tiempo real para facilitar la resolución rápida y efectiva de problemas dentro de la
organización. Por otra parte, el Módulo de Comunicación permite que los empleados interactúen
directamente con el sistema, enviando información y comentarios sobre las situaciones que enfrentan, lo
que fortalece la capacidad del sistema para adaptarse a las necesidades del entorno laboral. Además, el
sistema genera informes detallados mediante el bloque de Generación de Informes, basándose en los
datos recopilados y procesados para proporcionar una visión integral y actualizada del clima laboral.
La Sección de Retroalimentación recopila las respuestas y reacciones de los empleados, permitiendo que
el sistema ajuste automáticamente sus parámetros para mejorar su precisión y efectividad en la
resolución de conflictos. Las flechas reflejan el flujo continuo de datos e información entre los diferentes
módulos, lo que garantiza un funcionamiento dinámico y adaptable, capaz de responder en tiempo real a
las necesidades cambiantes del entorno organizacional.
47
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Figura 4. Esquema de la interfaz de usuario.
Por otra parte, la figura 5 muestra una comparación de los resultados obtenidos antes y después de la
implementación del sistema inteligente para la gestión de conflictos laborales en cinco categorías clave:
precisión en la detección de conflictos, reducción de conflictos reportados, tiempo de resolución, mejora
en el clima laboral y satisfacción del empleado. Los resultados fueron obtenidos mediante un proceso de
evaluación que incluyó el análisis de datos históricos, la recopilación de datos en tiempo real y la
retroalimentación directa de los empleados y los equipos de gestión. El sistema fue probado en un entorno
controlado, donde se monitorearon las interacciones laborales y los registros de conflictos durante un
período de prueba de tres meses. Los algoritmos de machine learning y procesamiento de lenguaje natural
(NLP) fueron entrenados con datos reales para mejorar la capacidad del sistema para identificar patrones
de conflicto y generar respuestas automatizadas y contextualizadas.
Tras la implementación, se observó una mejora significativa en todas las categorías evaluadas. La precisión
en la detección de conflictos aumentó del 60% al 90%, gracias a la optimización de los modelos de
clasificación y la mejora en el análisis de datos en tiempo real. La reducción de conflictos reportados alcanzó
el 80%, reflejando una capacidad más efectiva para prevenir y resolver conflictos de manera anticipada. El
tiempo de resolución de conflictos disminuyó del 70% al 40%, lo que indica una respuesta más rápida y
eficiente a situaciones problemáticas. La mejora en el clima laboral pasó del 55% al 85%, reflejando una
mejor dinámica organizacional y un ambiente de trabajo más colaborativo. Finalmente, la satisfacción del
empleado aumentó del 60% al 88%, lo que confirma que el sistema logró influir positivamente en la
percepción y bienestar de los empleados. Estos resultados validan la efectividad del sistema y demuestran
su capacidad para adaptarse y mejorar las dinámicas laborales en tiempo real.
48
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
Figura 5. Resultados tras la implementación del sistema.
En la figura 6 se puede observar que la información inicial ingresaba al sistema a través de la entrada de
datos, donde era procesada por una serie de capas ocultas (Capa Oculta 1, Capa Oculta 2 y Capa Oculta 3).
En estas capas, se aplicaron algoritmos de machine learning y redes neuronales profundas para identificar
patrones complejos y relaciones no lineales, permitiendo que el sistema reconociera dinámicas conflictivas
ocultas y generara respuestas adecuadas.
La salida del sistema correspondía a las soluciones propuestas y las respuestas generadas en función de los
patrones detectados. La precisión de estas respuestas era evaluada mediante la función de pérdida, que
comparaba las respuestas generadas con los resultados esperados para determinar la efectividad del
sistema. La retroalimentación conectaba directamente la función de pérdida con la primera capa oculta,
permitiendo que el sistema ajustara automáticamente sus parámetros mediante técnicas de refuerzo y
optimización, como el descenso de gradiente y las redes bayesianas, mejorando continuamente su
capacidad para gestionar conflictos laborales de manera eficiente.
Figura 6. Característica de la estructura de red neuronal para ajuste y evaluación
El análisis de redes dentro de la organización se basó en la teoría de grafos para modelar las relaciones
sociales y laborales entre los empleados (figura 7). El sistema representó estas relaciones mediante un grafo,
donde cada nodo simboliza a un empleado y cada conexión entre nodos refleja una interacción o relación
directa (como comunicación, colaboración en proyectos o intercambio de información). Este enfoque
permitió identificar patrones de interacción y evaluar la estructura social interna de la organización.
49
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
El tamaño de los nodos en el grafo está directamente relacionado con la centralidad de grado, que mide el
número de conexiones directas que tiene un empleado con otros miembros de la organización. Los nodos
más grandes representan a empleados con una alta influencia social, ya que tienen más conexiones y son
más activos en las dinámicas laborales. Además, la centralidad de intermediación permitió identificar a los
empleados que actúan como "puentes" entre distintos grupos o equipos, facilitando la comunicación y el
flujo de información dentro de la organización.
Las distancias entre los nodos reflejan la fuerza y frecuencia de las relaciones. Los nodos más cercanos
indican relaciones más estrechas y frecuentes, mientras que los nodos más alejados representan relaciones
más débiles o esporádicas. La configuración del grafo fue generada mediante un algoritmo de resorte
(spring_layout), que minimiza las distancias entre nodos conectados y separa aquellos con menos
interacción para reflejar de manera precisa la estructura organizacional. Asimismo, la densidad de red
permitió medir el nivel de cohesión social dentro de la organización. Una alta densidad indica una estructura
más conectada y colaborativa, mientras que una baja densidad refleja una red más fragmentada y con
menor interacción entre empleados.
Este análisis permitió comprender las dinámicas internas de la organización y detectar posibles conflictos o
puntos críticos en la comunicación. Los resultados fueron fundamentales para el desarrollo de soluciones
personalizadas y la implementación de estrategias automatizadas para mejorar la colaboración, fortalecer
las relaciones sociales y optimizar la respuesta ante situaciones de conflicto laboral. El sistema fue capaz de
ajustar dinámicamente sus parámetros mediante la retroalimentación continua, mejorando su capacidad
para resolver conflictos y fortalecer la cohesión interna de la organización.
Figura 7. Red de las relaciones interpersonales (densidad = 0,33).
CONCLUSIONES
La implementación del sistema inteligente para la gestión de conflictos laborales permitió mejorar
significativamente la precisión en la detección de conflictos, pasando de un 60% a un 90%. Este resultado
evidencia que el uso de algoritmos de machine learning y procesamiento de lenguaje natural (NLP)
fortaleció la capacidad del sistema para identificar patrones de conflicto y generar respuestas
automatizadas y personalizadas de manera eficiente. La alta tasa de detección refleja que el sistema fue
capaz de adaptarse a las dinámicas internas de la organización, lo que permitió una intervención oportuna
y efectiva.
50
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
La reducción del 30% en el número de conflictos reportados confirma que el sistema no solo detectó las
situaciones problemáticas, sino que también propuso soluciones efectivas que fueron bien recibidas por los
empleados. El análisis basado en teoría de grafos permitió identificar y fortalecer los puntos clave de
comunicación, lo que mejoró la interacción entre los empleados y redujo las tensiones internas. Además, la
mejora en el clima organizacional (del 55% al 85%) evidencia que el sistema tuvo un impacto positivo en
las relaciones laborales y en la percepción general de la cultura organizacional.
El análisis de redes basado en teoría de grafos reveló que los empleados con alta centralidad de grado y
centralidad de intermediación fueron actores clave para la difusión de información y la resolución de
conflictos. La identificación de estos nodos permitió al sistema intervenir estratégicamente en los puntos
críticos de la red, fortaleciendo las dinámicas sociales y mejorando la colaboración interna. La densidad de
red también aumentó tras la implementación, lo que sugiere una mejora en la cohesión social y en la
capacidad de respuesta organizacional.
El proceso de retroalimentación en tiempo real permitió que el sistema ajustara automáticamente sus
parámetros mediante técnicas de refuerzo y optimización bayesiana. Este mecanismo de ajuste dinámico
incrementó la precisión y efectividad en la generación de respuestas, mejorando la experiencia de los
empleados y la capacidad del sistema para adaptarse a cambios en la estructura organizacional. La
retroalimentación también fue clave para la personalización de las soluciones, ya que el sistema pudo
ajustar las respuestas según las dinámicas específicas de cada departamento y nivel jerárquico.
Los resultados de la encuesta aplicada mostraron que las principales fuentes de conflicto estaban
relacionadas con la comunicación interna y el liderazgo. La percepción de los empleados mejoró
notablemente tras la implementación del sistema, especialmente en términos de resolución de conflictos y
ambiente laboral. La alta tasa de respuesta (superior al 80%) y la diversidad de la muestra (con estratificación
por nivel jerárquico y departamento) fortalecieron la validez y confiabilidad de los datos obtenidos, lo que
permitió al sistema ajustar sus parámetros de manera precisa y efectiva.
El diseño de la interfaz de usuario, basado en un panel de navegación intuitivo y un dashboard centralizado,
facilitó la interacción entre los empleados y el sistema. La sección de notificaciones y sugerencias en tiempo
real permitió una respuesta rápida y personalizada ante situaciones de conflicto. Además, el módulo de
comunicación y la sección de retroalimentación garantizaron una interacción continua y fluida, lo que
fortaleció la capacidad del sistema para adaptarse a las necesidades específicas de la organización.
El uso de herramientas avanzadas de análisis de datos (Power BI, Tableau e IBM SPSS) permitió evaluar el
rendimiento del sistema y generar informes detallados sobre la evolución de los conflictos y las respuestas
implementadas. Esta información facilitó la toma de decisiones estratégicas por parte del equipo de gestión
y fortaleció la capacidad de la organización para anticipar y prevenir conflictos mediante un enfoque basado
en evidencia.
La arquitectura del sistema, basada en microservicios y alojamiento en la nube, permitió que el sistema
fuera escalable y adaptable a diferentes contextos organizacionales. El sistema pudo integrarse fácilmente
con plataformas empresariales (como SAP y Microsoft Dynamics), lo que garantiza su aplicabilidad en
organizaciones de diferentes tamaños y sectores. Esta capacidad de adaptación refuerza el potencial del
sistema para convertirse en una herramienta estratégica a nivel corporativo.
La satisfacción de los empleados aumentó del 60% al 88%, lo que confirma que el sistema logró generar
un impacto positivo en la experiencia laboral. La combinación de soluciones personalizadas, respuestas en
tiempo real y un ambiente de trabajo más colaborativo fortaleció la percepción de los empleados sobre la
capacidad de la organización para resolver conflictos y mejorar el entorno laboral. Este resultado también
sugiere que el sistema contribuyó a reducir la rotación de personal y aumentar el compromiso
organizacional.
51
Athenea Journal
Vol.6, Issue 19, (pp. 32-51)
ISSN-e: 2737-6419
Calizaya J. et al. Desarrollo de sistemas inteligentes para la gestión de conflictos laborales
La combinación de un enfoque técnico (machine learning, NLP y análisis de redes) con un análisis social y
organizacional permitió desarrollar un sistema equilibrado y efectivo. La capacidad del sistema para
adaptarse a las dinámicas sociales y laborales internas refleja que el diseño sociotécnico fue clave para el
éxito de la implementación. Este enfoque permitió abordar tanto las causas estructurales como las
dinámicas interpersonales que influyen en los conflictos laborales, proporcionando una solución integral y
sostenible.
REFERENCIAS
[1] R. Martinez-Pecino, L. Munduate, y F. J. Medina, "La gestión de conflictos organizacionales por medios
extrajudiciales," Papeles del Psicólogo, vol. 29, no. 1, pp. 41–48, 2008.
[2] G. Rzevski, P. Skobelev, y A. Zhilyaev, "Emergent intelligence in smart ecosystems: conflicts resolution by reaching
consensus in resource management," Mathematics, vol. 10, no. 11, pp. 1923, 2022.
[3] K. P. Sycara, "Machine learning for intelligent support of conflict resolution," Decision Support Systems, vol. 10, no.
2, pp. 121–136, 1993.
[4] R. Arunthavanathan, Z. Sajid, F. Khan, y E. Pistikopoulos, "Artificial intelligence–Human intelligence conflict and its
impact on process system safety," Digital Chemical Engineering, vol. 11, pp. 100151, 2024.
[5] W. R. Scott, "Reflections on a half-century of organizational sociology," Annu. Rev. Sociol., vol. 30, no. 1, pp. 1–21,
2004.
[6] C. Morrill y G. A. Fine, "Ethnographic contributions to organizational sociology," Sociological Methods & Research,
vol. 25, no. 4, pp. 424–451, 1997.
[7] C. Consuelo-Bravo, I. Sarmentero-Bon, O. Gómez-Figueroa, y O. Falcón, "Procedimiento para el estudio del
comportamiento organizacional," Ingeniería Industrial, vol. 39, no. 1, pp. 92–100, 2018.
[8] A. Omar y A. F. Urteaga, "El impacto de la cultura nacional sobre la cultura organizacional," Universitas Psychologica,
vol. 9, no. 1, pp. 79–92, 2010.
[9] A. Stefanescu, L. Stefanescu, y I. L. Ciora, "Intelligent tools and techniques for modern management," Chinese
Business Review, vol. 8, no. 2, pp. 46, 2009.
[10] T. N. Litvinova, N. B. Abdusalomova, T. A. Dugina, y I. V. Denisov, "Change management based on smart
technologies for sustainable business development," Global Journal of Flexible Systems Management, vol. 25, Suppl. 1,
pp. 17–30, 2024.
[11] M. Žilka, Z. T. Kalender, J. Lhota, V. Kalina, y R. Pinto, "Tools to support managerial decision-building competencies
in data driven decision making in manufacturing SMEs," Procedia Computer Science, vol. 232, pp. 416–425, 2024.
[12] S. Sifuentes Domínguez, D. L. A. S. Dra. L. Avelar Sosa, y J. M. Mejía Muñoz, "Diseño de un sistema inteligente de
soporte a la toma de decisiones para la cadena de suministro: 7CP24-15," Mem. Científ. y Tecnol., vol. 3, no. 2, pp. 29–
30, jun. 2024.
[13] A. J. Simón Cuevas et al., "Contribuciones al análisis de sentimientos en opiniones de usuario aplicando técnicas y
algoritmos de inteligencia artificial," An. Acad. Cienc. Cuba, vol. 14, no. 3, pp. e1674, jul.–sep. 2024. [En línea]. Disponible
en: https://revistaccuba.sld.cu/index.php/revacc/article/view/1674.
[14] S. E. L. Villanueva, "Impacto de la inteligencia artificial en el proceso laboral peruano," Laborem, vol. 23, no. 30, pp.
251–279, 2024.
[15] S. P. Grachev et al., "Methods and tools for developing intelligent systems for solving complex real-time adaptive
resource management problems," Automation and Remote Control, vol. 82, pp. 1857–1885, 2021.
[16] P. Simon, Reimagining collaboration: Slack, Microsoft Teams, Zoom, and the post-COVID world of work. Racket
Publishing, 2021.
[17] T. Omelianenko y D. Ilienkov, "Modern digital tools of operational management," Collection of Scientific Papers
"Scientific Notes", no. 34(1), pp. 137–150, 2024.
[18] A. P. María Elena, L. C. Alicia Celina, M. Cantú Karina, y G. Sánchez América, "Herramientas de colaboración en la
industria 4.0," Revista Daena: International Journal of Good Conscience, vol. 19, no. 2, 2024.
[19] L. E. Romero Paredes, "Ejecución de algoritmos de inteligencia artificial en sistemas de tiempo real," Master's thesis,
Universitat Politècnica de Catalunya, 2025.
[20] F. C. García, A. G. Castañeda, y A. C. Núñez, "La inteligencia artificial como herramienta para las pequeñas y medianas
empresas," Universidad & Ciencia, vol. 13, Especial CIVITEC, pp. 44–54, 2024.
[21] S. C. Riascos-Erazo y A. Aguilera-Castro, "Innovación, madurez de la gestión del conocimiento e Industria 4.0:
mirada en las pymes colombianas," Journal of Technology Management & Innovation, vol. 19, no. 1, pp. 29–39, 2024.