Inteligencia artificial y toma de decisiones en MIPYMES comerciales: mediación de los procesos administrativos Mediación de los procesos administrativos
Article Sidebar
Main Article Content
http://orcid.org/0000-0002-0546-2621
Zulema Cordova Ruiz
http://orcid.org/0000-0001-7787-3297
Resumen
La incorporación de inteligencia artificial (IA) en las micro, pequeñas y medianas empresas puede generar valor cuando sus capacidades se integran en procesos concretos. El objetivo de este estudio fue analizar la relación entre la implementación de IA y la toma de decisiones, considerando la optimización de contabilidad, inventarios y ventas como mecanismos mediadores. Se realizó una investigación cuantitativa, no experimental y transversal con una muestra analítica de 359 MIPYMES comerciales de Mexicali, Baja California. La información se obtuvo mediante un instrumento de elaboración propia, sustentado en literatura especializada y validado por juicio de expertos y prueba piloto, y se analizó mediante PLS-SEM. Los resultados mostraron relaciones positivas de la IA con contabilidad (β = 0.5643), inventarios (β = 0.3912) y ventas (β = 0.6614). Los efectos indirectos específicos fueron 0.2724 a través de contabilidad, 0.0937 mediante inventarios y 0.1374 por ventas. Los intervalos Monte Carlo al 95% respaldaron las mediaciones por contabilidad e inventarios, mientras que la vía de ventas incluyó el cero. El efecto indirecto total fue significativo (β = 0.5036) y el modelo explicó 77.8% de la varianza de la toma de decisiones. Se concluye que el valor decisorio de la IA depende de su incorporación efectiva en procesos administrativos específicos.
##plugins.generic.usageStats.downloads##
Article Details
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
De los derechos de autor
Los artículos pueden ser utilizados con fines educativos, informativos o culturales siempre que se cite la fuente.
Política de auto archivo
Una vez que ha sido aceptado el artículo para su publicación se permite el auto archivo (por ejemplo, en un repositorio institucional) en versión post print (versión corregida del autor).
Citas
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). Thousand Oaks, CA: SAGE Publications.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data - evolution, challenges and research agenda. International Journal of Information Management, 48, 63-71. doi:10.1016/j.ijinfomgt.2019.01.021
Dumas, M., La Rosa, M., Mendling, J., & Reijers, H. A. (2018). Fundamentals of business process management (2nd ed.). Berlin, Germany: Springer. doi:10.1007/978-3-662-56509-4
Eller, R., Alford, P., Kallmünzer, A., & Peters, M. (2020). Antecedents, consequences, and challenges of small and medium-sized enterprise digitalization. Journal of Business Research, 112, 119-127. doi:10.1016/j.jbusres.2020.03.004
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence and business value: A literature review. Information Systems Frontiers, 24(5), 1709-1734. doi:10.1007/s10796-021-10186-w
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Thousand Oaks, CA: SAGE Publications.
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. doi:10.1007/s11747-014-0403-8
Instituto Nacional de Estadística y Geografía. (2023). Directorio Estadístico Nacional de Unidades Económicas (DENUE). Recuperado de https://www.inegi.org.mx/app/mapa/denue/
Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation is changing auditing. Journal of Emerging Technologies in Accounting, 14(1), 115-122. doi:10.2308/jeta-51730
Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. doi:10.1016/j.im.2021.103434
Nitzl, C., Roldán, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849-1864. doi:10.1108/IMDS-07-2015-0302
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill.
Organisation for Economic Co-operation and Development. (2025). AI adoption by small and medium-sized enterprises. Paris, France: OECD Publishing. doi:10.1787/426399c1-en
Organisation for Economic Co-operation and Development, Boston Consulting Group, & INSEAD. (2025). The adoption of artificial intelligence in firms: New evidence for policymaking. Paris, France: OECD Publishing. doi:10.1787/f9ef33c3-en
Preacher, K. J., & Selig, J. P. (2012). Advantages of Monte Carlo confidence intervals for indirect effects. Communication Methods and Measures, 6(2), 77-98. doi:10.1080/19312458.2012.679848
Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4), 66-83. doi:10.1177/0008125619862257
Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118-144. doi:10.1016/j.jsis.2019.01.003
Wamba-Taguimdje, S.-L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: The business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924. doi:10.1108/BPMJ-10-2019-0411