Inteligencia artificial en las empresas: un marco para innovación, eficiencia y competitividad

En más de un comité de este año me han mostrado el mismo slide: ya tenemos Copilot, ya estamos en IA. Luego pregunto quién rediseñó el cargo que va a usar esa herramienta, quién firma si el output está mal y con qué evidencia se contrata a la persona que va a gobernarlo. El silencio es el dato. La inteligencia artificial en las empresas no es un chatbot en el correo: es la capacidad de una organización de aprender, predecir y reconfigurar procesos con modelos que imitan —a ratos— el razonamiento humano. Importa porque la competitividad ya no se compra en una licencia; se construye en la rutina.

Eso no es una ocurrencia de vendor. Es la tesis de un artículo de acceso abierto publicado en 2026 en Advances in Business and Management Research, firmado por Faisal Binsar, Indra Wahyudi, Gaguk Dwi Prasetyo Atmoko, Fitriadi Nurdin y Teguh Nur Santoso (Bina Nusantara University y universidades asociadas en Indonesia): Optimizing business competitiveness through artificial intelligence: A framework for digital innovation and operational efficiency (doi:10.1016/j.abmr.2026.100002). El paper no «demuestra» que la IA cause competitividad. Hace algo más útil para quien decide: ordena 831 publicaciones Scopus (2015–2024) con modelado de tópicos (LDA), retiene 23 estudios para síntesis cualitativa y propone un marco de cuatro pilares. Lo dice con honestidad: las flechas son mecanismos conceptuales, no efectos causales testados.

Esta columna traduce ese marco a quien contrata, evalúa o lidera personas en Chile y LATAM. El hueco que el propio paper señala —preparación organizacional, gobernanza, límites de la apertura con IA— es exactamente el territorio de headhunting y evaluación psicolaboral: no el modelo, sino quién lo opera y con qué criterio.

En síntesis

• La IA sube competitividad a través de innovación, eficiencia operativa y transformación digital —no en paralelo, como tres proyectos de TI.
• Siete temas (de «performance con datos» a «drivers de estrategia») se agrupan en esos cuatro pilares.
• Automatizar y aumentar no son lo mismo: hay que decidirlo por tarea.
• El paper admite el vacío: poca literatura sobre readiness y gobernanza. Ahí se pierde la plata.
• Zhao et al. (2024): una transformación rápida y ordenada ayuda; un alcance demasiado amplio diluye el efecto.
• En talento, el cargo no desaparece: se parte. Lo que queda es más difícil de evaluar.

Cómo lo midieron (para no confiar en un abstract)

Consulta Scopus del 14 de noviembre de 2024: business/organizational/corporate/firm performance cruzado con artificial intelligence / AI. El embudo es explícito:

Sobre los 831 corrieron Latent Dirichlet Allocation: un modelo que agrupa palabras en tópicos. Eligieron siete tópicos por coherencia estadística y por interpretabilidad. Dos autores mapearon esos tópicos a cuatro aspectos de negocio. Después, los 23 papers pasan a una tabla de hallazgos (su Tabla 2). No es una encuesta a gerentes chilenos. Es un mapa de lo que la literatura de management ya está diciendo sobre IA y desempeño.

El ancla teórica es doble. En la visión basada en recursos (Barney), capacidades de IA —datos, automatización, integración digital— pueden ser recursos valiosos y difíciles de imitar. En capacidades dinámicas (Eisenhardt y Martin, 2000), la firma tiene que sensear oportunidades, capturar innovaciones habilitadas por IA y reconfigurar recursos cuando el entorno cambia. Traducido: comprar el modelo no basta; hay que cambiar cómo se decide y quién decide.

Los siete tópicos y los cuatro pilares

Binsar et al. no inventan un pentágono de consultora. Agrupan lo que el LDA encontró:

Dinámicas de innovación son las capacidades habilitadas por IA para innovar producto, proceso y modelo de negocio con flujos abiertos de conocimiento. Eficiencia operativa es optimización, automatización y analítica en tiempo real que bajan costo y mejoran el uso de recursos. Transformación digital es la reconfiguración de estructuras, procesos y tecnología para ganar agilidad y decidir con datos. Competitividad de negocio es la capacidad de sostener desempeño superior por innovación, eficiencia y adaptabilidad estratégica.

El paper sugiere —como hipótesis de literatura, no como mediación demostrada— que el desempeño de industria y la digitalización de la firma pueden reforzar el paso de la IA a la competitividad. En criollo: la IA no «impacta el EBITDA» en abstracto; lo hace si hay proceso digital y si el sector ya está midiendo otra cosa.

Hay un sesgo que el propio artículo señala y que encaja con lo que vemos en selección. Un río de papers trata la IA como habilitador de innovación con datos y de eficiencia. Muy pocos miran con rigor la preparación organizacional, los dilemas de gobernanza o los límites de esa «apertura». Unos autores la tratan como recurso estratégico (capacidades dinámicas); otros, como herramienta. Esa inconsistencia explica por qué dos empresas compran el mismo vendor y una gana ciclo mientras la otra gana slides.

Pilar 1 — Innovación: datos, cultura y menos carga técnica en el manager

En innovación abierta, la IA puede ser antecedente (habilita producto, proceso o modelo nuevo) y moderador (hace más efectivo un proceso de innovación que ya existía, vía aprendizaje con datos y colaboración). Big data analytics aparece como mediador de capacidad de innovación y de gestión tecnológica (Adiguzel et al., 2024). Una cultura data-driven no es un mural en la oficina: es la condición para que la digitalización no se quede en dashboard (Chaudhuri et al., 2024).

El hallazgo que más uso en comités es el de Correia y Matos (2021): la IA en el proceso de innovación puede reducir la carga técnica de los managers y dejarlos en estrategia. Eso no es «la IA piensa por ti». Es redistribución de atención. Si el gerente sigue pegando Excel porque nadie rediseñó su semana, compraste un copiloto para un cargo que no cambió.

En startups, Hernandez et al. (2024) ligan IA con capacidad de innovación y con estructuras más capaces de idear. Han et al. (2024) muestran digitalización del conocimiento mediando desempeño vía innovación de modelo de negocio. Spanjol et al. (2024) empujan un paso más: la innovación futura se juega también en innovación responsable —impacto social y ambiental, no solo time-to-market.

Para talento, la pregunta deja de ser «¿buscamos un unicornio de IA?» y pasa a ser «¿este cargo todavía pide 70 % de tareas que un modelo ya ejecuta?». El Forbes AI 50 2026 se lee mejor así: el mercado ya cobra por tramos del trabajo. El diccionario de abajo te muestra las habilidades esenciales del rol —no el título— para ver qué parte sigue siendo humana. Fichas útiles para este pilar: ingeniero de IA y machine learning, científico de datos, analista de datos.

Pilar 2 — Eficiencia operativa: cadena visible, no solo robots

Eficiencia operativa es hacer más con el mismo (o menos) recurso: ciclo más corto, menos retrabajo, menos inventario ciego. El paper la ancla sobre todo en cadena de suministro y en optimización de procesos internos.

Al-khatib et al. (2024) ligan IA generativa a desempeño de cadena digital vía innovación ambidiestra (explorar y explotar). Gupta y Jauhar (2023) ponen IA, cloud y sistemas ciberfísicos en la automatización logística. Cannavale et al. (2022), en salud, muestran un efecto de transparencia: menos asimetría de información entre comprador y proveedor, alianzas verticales más útiles. Ali et al. (2024) cierran el eslogan que todos quieren oír —más innovación, decisiones más precisas, más eficiencia— con un matiz que el abstract suele borrar: adopción, no magia.

La literatura también distingue dos funciones de la IA en el negocio (Russell y Norvig como base; Lenskjold et al. y Shaikh et al. en el paper):

En RR.HH. esa tabla es el mismo dilema que ya cubrimos en qué automatiza la IA generativa en Personas: minutas y cribado, sí; firma de un finalista, no. Y es el mismo aviso de cuidado con las «explicaciones» de IA: un gráfico de factores no es gobernanza.

Pilar 3 — Transformación digital: fases, no un big bang

Acá el paper se pone incómodo —y útil—. Digitalizar no es «tener IA». Es reconfigurar. Liang et al. (2024) miran robots industriales e innovación verde. Kiani (2024) mete IA en gestión de proyectos y habla de reemplazo de roles humanos: hay que leerlo como presión sobre el diseño del trabajo, no como profecía de desempleo. Franco et al. (2024) anclan la digitalización de la cadena a gobernanza híbrida de recursos. Wang et al. (2024) y Zhao et al. (2024) miran digitalización financiera y ritmo de la transformación.

El hallazgo operativo de Zhao et al. (2024) merece ir al directorio: un proceso rápido y ordenado fortalece el vínculo entre transformación digital y desempeño; un alcance demasiado amplio puede diluir el efecto positivo. Eso calza con lo que ya vimos en las tres fases de la organización aumentada y con por qué fracasa la adopción de software: la tecnología no adopta sola. El paper, en implicancias gerenciales, pide transformación por etapas con gestión del cambio. No es un apéndice de RR.HH. Es condición del marco.

En Chile, el mapa de Industria 4.0 en emergentes dice algo parecido desde otro corpus: la literatura satura IoT y big data y retrasa competencias y política. Binsar et al. llegan por management global al mismo hueco local: el cuello no es el modelo; es la organización que lo hospeda.

El cargo que suele quedar mudo en estos programas es el que articula sistemas y negocio. La ficha de director de sistemas de información (CIO) y la de director de operaciones sirven para ver si el descriptor todavía pide «implementar ERP» o ya pide gobernar un flujo humano-IA.

Pilar 4 — Competitividad: estrategia con datos, no un ranking de tools

El tópico 7 (business strategy drivers) es el que más se parece a lo que un CEO pide el viernes: ML para anticipar si un producto digital va a fallar (Tagkouta et al., 2023, con KPIs tipo Balanced Scorecard), sistemas de recomendación que diferencian experiencia (Zheng et al., 2020, turismo inteligente). El paper insiste en que la IA, como driver de estrategia, permite ver patrones, reasignar recursos y abrir colaboración externa —innovación abierta de verdad, no un hackathon.

También ancla competitividad a ESG en industrias intensivas en energía y recursos (Wang y Zhang, 2025a, citados en la discusión). No es el núcleo de Obrii, pero sí un recordatorio: las métricas de «ganar» están cambiando. El paper pide, en implicancias, redefinir indicadores de competitividad para incorporar dimensiones digitales y ESG. Si tu tablero sigue siendo solo margen y headcount, estás midiendo la empresa de 2015.

Lo que el paper no cubre (y es exactamente el trabajo de talento)

Binsar et al. son claros en limitaciones: solo Scopus, dos grandes áreas de subject, sin test empírico del marco, sin Chile. Piden investigación futura en cultura organizacional, genAI y mecanismos de gobernanza de IA. Ese vacío no es un defecto menor. Es el lugar donde se decide si el marco sirve o se vuelve otro framework de slide.

En selección, gobernanza quiere decir tres cosas concretas:

1. El criterio del cargo está escrito antes de correr el modelo o de ver al primer candidato.
2. Hay un humano accountable —no un ranking «explicado» a posteriori.
3. La evidencia es comparable entre postulantes (misma pauta, misma rúbrica).

Eso no lo resuelve un LLM. Lo resuelve un descriptor honesto, una pauta de entrevista por competencias (el creador está más abajo) y, en cargos de confianza, una evaluación psicolaboral firmada. La Ley 21.719 en Chile limita las decisiones exclusivamente automatizadas sobre personas: el espíritu es el mismo que el hueco del paper.

Cómo aplicar el marco esta semana

El paper consolida cuatro implicancias gerenciales: capacidades de innovación con IA vía colaboración abierta; cadenas rediseñadas con analítica en tiempo real; transformación por fases con gestión del cambio; métricas de competitividad que incluyan digital y ESG. La aplicabilidad, advierten, depende de tamaño, industria y data readiness. Traducido a Personas:

1. Elige un pilar, no cuatro. Si tu dolor es ciclo y error, trabaja eficiencia. Si es producto nuevo, innovación. Un big bang de «IA en toda la empresa» es el alcance amplio que Zhao asocia a efecto diluido.
2. Reescribe el cargo que va a operar la IA. En el diccionario de este artículo (pilar 1), mira habilidades esenciales —no deseables— y tacha lo que ya ejecuta un modelo. Lo que queda es el aviso real.
3. Arma una pauta comparable. El creador de abajo es gratis y no pide registro: 3 a 5 competencias, pregunta ancla, repreguntas, escala 1–4. Sin eso, el comité vuelve al feeling.
4. Define derechos de decisión. Qué prepara la IA, qué firma un humano. Si no está escrito, el copiloto se come el juicio o el juicio ignora un modelo útil (overreliance / underreliance).
5. Mide otra cosa. Ciclo, tasa de error, time-to-hire del cargo crítico, costo de reemplazo. No «número de licencias».

Si quieres el argumento ejecutivo en tres páginas —marca empleadora con evidencia y potencial más allá del CV— está el PDF libre El futuro del talento. No es este paper; es el puente de talento que el marco deja vacío.

Cómo lo cubrimos en Obrii

El paper posiciona la IA como activo estratégico embebido en rutinas de innovación y operación, no como gadget. En Obrii Consulting eso se traduce en tres capas, en este orden:

• Headhunting para los cargos que el marco vuelve más caros: quien diseña el sistema, gobierna el flujo y responde cuando el modelo se equivoca. El título puede seguir diciendo CIO u operaciones; el mandato ya no.
• Evaluación psicolaboral para validar finalistas de esos cargos con evidencia, no con un ranking de vendor. Criterio, ambigüedad, accountability: lo que la literatura deja en «human-only».
• Obrii App cuando el volumen pide consistencia: pruebas, pautas, trazabilidad de proceso. Complemento tecnológico de la consultora, no el reemplazo.

Activa tu Trial Pro de 14 días en Obrii App —sin tarjeta— y prueba evaluación con evidencia en un proceso real.

La IA va a reconfigurar su competitividad con o sin un framework en el slide. La diferencia está en si el cargo, la pauta y la firma humana se redibujaron antes de la próxima licencia.

---

Fuente: Binsar, F., Wahyudi, I., Atmoko, G. D. P., Nurdin, F. & Santoso, T. N. (2026). Optimizing business competitiveness through artificial intelligence: A framework for digital innovation and operational efficiency. Advances in Business and Management Research, 1, 100002. https://doi.org/10.1016/j.abmr.2026.100002 (acceso abierto, CC BY 4.0). Las relaciones del marco son conceptuales; no son efectos causales testados.