Universidad del Zulia (LUZ)
Revista Venezolana de Gerencia (RVG)
Año 29 No. Especial 12, 2024, 1558-1579
julio-diciembre
ISSN 1315-9984 / e-ISSN 2477-9423
Como citar: Torres, C. P., Martínez, R. T., Holgado, A. M., y Castro, M. C. (2024). De la incertidumbre a la precisión: Inteligencia artificial y su irrupción en la transformación gerencial. Revista Venezolana De Gerencia, 29(Especial 12), 1558-1579. https://doi.org/10.52080/rvgluz.29.e12.43
De la incertidumbre a la precisión: Inteligencia artificial y su irrupción en la transformación gerencial
Torres Vásquez, Charles Pastor*
Martínez García, Regina Terezzina**
Holgado Quispe, Ana María***
Castro Rojas, Miriam Corina****
Resumen
El artículo explora la irrupción de las aplicaciones emergentes de la inteligencia artificial (IA) en la toma de decisiones gerenciales y la transformación de los modelos tradicionales de gestión en diversos sectores industriales. La investigación destaca cómo la IA ha mejorado la eficiencia y precisión en la gestión empresarial, especialmente en sectores como la manufactura, la salud y las finanzas. Los resultados indican que las tecnologías de IA han optimizado la toma de decisiones a través de algoritmos predictivos, sistemas de recomendación y automatización de procesos. El principal hallazgo del estudio es que la IA ha transformado profundamente los modelos tradicionales, facilitando la descentralización de las decisiones operativas y aumentando la adaptabilidad de las organizaciones. Para llevar a cabo este análisis, el estudio utilizó una revisión sistemática basada en la metodología PRISMA, identificando estudios clave entre 2018 y 2024. La importancia de esta investigación radica en la creciente adopción de IA a nivel mundial, resaltando su relevancia en el contexto mundial, donde las empresas enfrentan desafíos relacionados con la competitividad y la optimización de recursos. El estudio concluye que la integración de la IA en los procesos gerenciales es crucial para mejorar la eficiencia organizacional y enfrentar los desafíos.
Palabras clave: inteligencia artificial; toma de decisiones; gestión empresarial; modelos de gestión; innovación tecnológica.
Recibido: 23.07.24 Aceptado: 20/11/24
* Doctor en Educación; Maestro en Docencia Universitaria, Licenciado en Educación Secundaria, en la Especialidad de Educación Física con Mención en Futbol, Docente de Pre y Post Grado Universidad Nacional Federico Villareal. Lima Perú. Correo: ctorresv@unfv.edu.pe; ORCID ID: https://orcid.org/0000-0002-5716-2575
** Magister en Educación con Mención en Evaluación Y Acreditación de la Calidad de la Educación; Licenciada en Educación Especialidad: Lenguaje y Literatura, de la Universidad Nacional Mayor de San Marcos, Docente de Pre y Post Grado Universidad Nacional Federico Villareal. Lima Perú. Correo: rmartinezg@unfv.edu.pe; ORCID ID: https://orcid.org/0000-0002-8693-8459
*** Doctora en Educación, Maestra en Docencia Universitaria y Gestión Educativa, Licenciada en Educación Secundaria. Especialidad: Matemática y Física. Docente de Pre y Post Grado Universidad Nacional Federico Villareal. Lima Perú. Correo: aholgado@unfv.edu.pe ORCID ID: https://orcid.org/0000-0002-7510-9188
**** Docente Investigador RENACYT-Nivel IV, Doctora en Educación, Maestra en Administración y Servicios de Salud, Especialidad: Con Mención En Gestión de la Calidad. Médico Cirujano Especialista, Expedida Por La U.P. Cayetano H. en Administración de Salud. Docente de Pre y Post Grado Universidad Nacional Federico Villareal. Lima Perú. Correo: mcastror@unfv.edu.pe ORCID ID: https://orcid.org/0000-0003-3547-9026
From Uncertainty to Precision: AI and Its Disruption in Managerial Transformation
Abstract
The article explores the emergence of artificial intelligence (AI) applications in managerial decision-making and the transformation of traditional management models across various industrial sectors. The research highlights how AI has improved efficiency and accuracy in business management, particularly in sectors such as manufacturing, healthcare, and finance. The results indicate that AI technologies have optimized decision-making through predictive algorithms, recommendation systems, and process automation. The study’s main finding is that AI has profoundly transformed traditional models, facilitating the decentralization of operational decisions and increasing organizational adaptability. To conduct this analysis, the study employed a systematic review based on the PRISMA methodology, identifying key studies between 2018 and 2024. The importance of this research lies in the growing global adoption of AI, highlighting its relevance in a global context, where companies face challenges related to competitiveness and resource optimization. The study concludes that integrating AI into managerial processes is crucial for improving organizational efficiency and addressing these challenges.
Keywords: artificial intelligence; decision-making; business management; management models; technological innovation.
1. Introducción
La inteligencia artificial (IA) ha registrado un crecimiento notable en las últimas décadas, propiciando avances clave en múltiples áreas, entre ellas la gerencial. Este desarrollo ha sido facilitado por el aumento en la capacidad de procesamiento de datos y la mejora de los algoritmos, así como por el acceso a grandes volúmenes de información. Según González-Moralejo (2024), las crisis globales, como la pandemia de COVID-19 y el conflicto en Ucrania, han revelado la necesidad de adaptar rápidamente las estrategias gerenciales, especialmente en sectores dependientes de tecnologías avanzadas como la inteligencia artificial.
En el contexto empresarial, la IA ha pasado de ser una tecnología experimental para consolidarse como un recurso esencial para optimizar procesos y mejorar la eficiencia en la toma de decisiones. Investigaciones recientes han mostrado que, en sectores como la manufactura y la salud, la IA ha permitido identificar patrones ocultos y hacer recomendaciones más precisas en tiempo real, mejorando significativamente la precisión gerencial (Li et al, 2024; Recskó & Aranyossy, 2024). Dado que las organizaciones se enfrentan a entornos cada vez más dinámicos y competitivos, la adopción de soluciones basadas en IA ha cobrado gran importancia, convirtiéndose en una estrategia clave para aumentar la competitividad y adaptabilidad empresarial (Da Ros et al, 2024; Jakobsen et al, 2024).
En el ámbito de la gerencia, la toma de decisiones es un proceso crucial que afecta directamente el éxito y la sostenibilidad de las empresas. Según Abawari et al, (2024), el éxito de las transformaciones gerenciales mediante tecnologías emergentes, como la inteligencia artificial, depende significativamente de la interacción entre la cultura organizacional y estilos de liderazgo efectivos. Una cultura constructiva y un liderazgo transformacional se han identificado como un factor esencial para el éxito en la gestión del cambio, especialmente al fomentar la motivación y el compromiso del equipo en la implementación efectiva de transformaciones tecnológicas (Moosa et al,, 2023). Facilitando la adaptación de las organizaciones a contextos dinámicos y complejos, maximizando así los beneficios de estas tecnologías.
Tradicionalmente, los gerentes han basado sus decisiones en la experiencia, la intuición y el análisis manual de datos. Sin embargo, investigaciones recientes muestran que estos enfoques son limitados ante la creciente cantidad y complejidad de los datos actuales (Wissuwa & Durach, 2023; Li et al, 2024). En este contexto, la inteligencia artificial (IA) ofrece una ventaja significativa, ya que permite procesar grandes volúmenes de información en tiempo real, identificar patrones ocultos y generar recomendaciones basadas en algoritmos predictivos. Estas capacidades proporcionan a los gerentes la posibilidad de tomar decisiones más informadas y precisas, lo que mejora notablemente la eficiencia y la adaptabilidad en entornos empresariales complejos (Da Ros et al, 2024; Jakobsen et al, 2024).
El uso de la inteligencia artificial (IA) en la toma de decisiones gerenciales no solo ha mejorado la eficiencia operativa, sino que ha transformado profundamente la gestión de recursos y el diseño de estrategias empresariales. Estudios recientes como el de Chu et al, (2024), determinan que la transformación digital requiere una integración tecnológica profunda y el fortalecimiento de capacidades internas para optimizar procesos y asegurar la competitividad en la era 4.0. o el de Csedő (2023), donde la integración de redes interorganizacionales sostenibles puede actuar como un catalizador para la transformación digital, al fomentar la colaboración y la innovación a través de la gestión del cambio.
Han destacado que las aplicaciones emergentes de esta tecnología han generado un impacto considerable en sectores como el financiero, la manufactura, el comercio minorista y la atención médica, donde la toma de decisiones rápidas y precisas es clave para mantener la competitividad (Wissuwa & Durach, 2023; Li et al, 2024). A medida que las aplicaciones de IA continúan diversificándose, se ha observado una evolución en los modelos de gestión tradicionales, que ahora integran la IA como parte de los sistemas de apoyo a la toma de decisiones, facilitando una mayor adaptabilidad y optimización de los procesos organizacionales (Da Ros et al, 2024; Trujillano et al, 2024).
A pesar de los avances, existen áreas que aún no han sido exploradas por completo, lo que destaca la necesidad de llevar a cabo estudios sistemáticos que examinen cómo las aplicaciones emergentes de la inteligencia artificial (IA) están transformando los paradigmas de la toma de decisiones en diversos sectores industriales. Investigaciones recientes sugieren que, aunque la IA ha mostrado un potencial significativo, su adopción y sus efectos en la gestión todavía no están plenamente documentados (Wiechers, 2024; Jakobsen et al, 2024). Este artículo tuvo como objetivo develar las principales innovaciones en este campo y analizar cómo estas están alterando los modelos gerenciales tradicionales, con el fin de proporcionar una comprensión más profunda de su impacto y futuras aplicaciones (Carl & Hinz, 2024; Recskó & Aranyossy, 2024).
La necesidad de llevar a cabo una revisión sistemática en el campo de las aplicaciones emergentes de la inteligencia artificial (IA) en la toma de decisiones gerenciales y su impacto en la transformación de los modelos tradicionales de gestión surge de la creciente adopción de la IA en el ámbito empresarial. Actualmente, existe una carencia de una síntesis exhaustiva que conecte estas innovaciones con la evolución de los modelos gerenciales en diferentes sectores. A medida que la IA se consolida como una herramienta clave para optimizar procesos y mejorar la toma de decisiones, las transformaciones que provoca en la gerencia son profundas, pero, a menudo, dispersas y poco documentadas en la literatura científica (Jakobsen et al, 2024; Recskó & Aranyossy, 2024). Este panorama fragmentado dificulta que los líderes empresariales evalúen de manera integral el verdadero impacto de la IA y, por lo tanto, limita su capacidad para implementar estrategias coherentes que maximicen los beneficios de estas tecnologías en sus organizaciones (Carl & Hinz, 2024; Wiechers, 2024).
La literatura actual se caracteriza por una serie de estudios individuales que abordan las aplicaciones específicas de la inteligencia artificial (IA) en sectores industriales como el financiero, la manufactura y la salud. No obstante, estos estudios a menudo carecen de un análisis comparativo o transversal que permita identificar tendencias globales, impactos comunes y los desafíos compartidos en la adopción de la IA para la toma de decisiones gerenciales (Li et al, 2024; Recskó & Aranyossy, 2024). Por esta razón, una revisión sistemática ofrece una oportunidad única para consolidar estos estudios dispersos, proporcionando una visión holística sobre cómo la IA está transformando los modelos tradicionales de gestión (Da Ros et al, 2024).
Esta perspectiva integral facilita la identificación de mejores prácticas y señala áreas clave que requieren mejoras en su implementación, contribuyendo a optimizar la adopción de la IA en la toma de decisiones empresariales (Wissuwa & Durach, 2023; Jakobsen et al, 2024).
El objetivo general de esta revisión sistemática es explorar la irrupción de aplicaciones emergentes de la inteligencia artificial en la toma de decisiones gerenciales y su incidencia en la transformación de los modelos tradicionales de gestión en diversos sectores industriales.
Esto permitirá no solo reunir los estudios más relevantes, sino también evaluar críticamente cómo la IA está modificando las estructuras y procesos de decisión en la gerencia, aportando claridad sobre los beneficios, limitaciones y oportunidades que esta tecnología ofrece para diferentes industrias. De este modo, la revisión sistemática no solo proporcionará una síntesis actualizada y rigurosa del estado del arte, sino que también contribuirá al diseño de nuevos modelos de gestión adaptados a la era digital, fundamentados en la inteligencia artificial.
Este enfoque resulta fundamental para abordar los vacíos en el conocimiento y promover el desarrollo de estrategias innovadoras que permitan a las organizaciones integrar la inteligencia artificial (IA) de manera más eficiente en sus procesos gerenciales. Al hacerlo, no solo se mejora la eficiencia operativa, sino también la capacidad de las empresas para adaptarse a un entorno empresarial cada vez más competitivo y tecnológicamente avanzado (Wissuwa & Durach, 2023; Recskó & Aranyossy, 2024).
La revisión sistemática contribuye a que los líderes empresariales adopten una visión estratégica, ayudándoles a aprovechar las oportunidades que ofrece la IA para transformar sus modelos de gestión y consolidar su competitividad en el mercado (Carl & Hinz, 2024).
2. Perspectiva metodológica de la investigación
En un contexto global, la integración de tecnologías como la inteligencia artificial ha demostrado ser un catalizador para optimizar procesos y decisiones estratégicas, tal como señalan Abdel-Basset et al, (2024), quienes destacan cómo los algoritmos y metodologías avanzadas pueden transformar paradigmas operativos tradicionales, aumentando la precisión y reduciendo la incertidumbre. En esta revisión sistemática se utilizó un protocolo basado en las directrices de PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). El protocolo incluyó una búsqueda exhaustiva de estudios relevantes sobre las aplicaciones emergentes de la inteligencia artificial (IA) en la toma de decisiones gerenciales y su impacto en la transformación de los modelos tradicionales de gestión en diversos sectores industriales.
La estrategia de búsqueda fue diseñada para abarcar una variedad de términos clave, combinando sinónimos y conceptos relacionados con inteligencia artificial y toma de decisiones gerenciales. Se emplearon términos como “artificial intelligence”, “managerial decision-making”, “emerging applications”, “management transformation” e “industrial sectors”. Estos términos se combinaron utilizando operadores booleanos para asegurar una búsqueda completa y exhaustiva en las siguientes bases de datos: Scopus, Web of Science, IEEE Xplore, Google Scholar y ACM Digital Library. La búsqueda se limitó a estudios publicados entre 2018 y 2024, en inglés, español y portugués, con el fin de garantizar la inclusión de investigaciones recientes y relevantes.
En otras palabras, las búsquedas se realizaron bajo las siguientes combinaciones de términos con los operadores booleanos, quedando de esta manera:
· “Artificial Intelligence” OR “AI”: Este término cubre tanto la mención completa de “inteligencia artificial” como su abreviación más común.
· “Managerial Decision-Making” OR “Management Decisions” OR “Decision Support Systems”: Estos términos abarcan la toma de decisiones en un contexto gerencial y la posible referencia a sistemas de apoyo a la decisión.
· “Emerging Applications” OR “Innovative Applications” OR “New Technologies”: Esta combinación permite incluir tanto las aplicaciones emergentes como aquellas que podrían ser referidas como innovaciones o nuevas tecnologías.
· “Management Transformation” OR “Business Transformation” OR “Organizational Change”: Estos términos permiten capturar estudios que mencionen cambios o transformaciones en la gestión empresarial, asegurando que se incluyan todas las formas de transformación a nivel gerencial.
· “Industrial Sectors” OR “Industries” OR “Business Sectors”: Esta variación permite cubrir referencias a sectores industriales o empresariales, maximizando la inclusión de estudios de diferentes áreas económicas.
Los criterios de inclusión fueron estudios revisados por pares que abordaran directamente el uso de IA en la toma de decisiones gerenciales en cualquier sector industrial, y que discutieran explícitamente su impacto en los modelos de gestión. Se excluyeron estudios que se centraran únicamente en aspectos técnicos de la IA sin aplicabilidad en el contexto gerencial, así como revisiones literarias no sistemáticas, editoriales y conferencias sin revisión por pares.
El proceso de selección de estudios siguió las fases descritas en el diagrama de flujo PRISMA, que incluyó cuatro etapas: identificación, cribado, elegibilidad y selección final. En la fase de identificación, se recolectaron todos los estudios que cumplían con los términos de búsqueda en las bases de datos. Posteriormente, se llevó a cabo un cribado inicial basado en los títulos y resúmenes para descartar los que no cumplían con los criterios de inclusión. En la etapa de elegibilidad, los estudios seleccionados fueron revisados en texto completo, y se evaluaron aquellos que cumplían con todos los requisitos. Finalmente, se seleccionaron los estudios más relevantes y de mayor calidad para su análisis detallado en el diagrama 1.
Diagrama 1
Flujo Método Prisma
La evaluación de la calidad de los estudios se realizó mediante el uso de herramientas estándar como CASP (Critical Appraisal Skills Programme) para estudios cualitativos y GRADE (Grading of Recommendations Assessment, Development and Evaluation) para estudios cuantitativos. Estos instrumentos permitieron evaluar la robustez metodológica, la consistencia de los resultados y la aplicabilidad de los estudios en el contexto de la toma de decisiones gerenciales con IA. Solo se incluyeron aquellos estudios que alcanzaron un nivel de calidad alto o moderado en estas evaluaciones.
Este enfoque riguroso garantizó que la revisión sistemática integrara únicamente estudios relevantes y de calidad, ofreciendo una visión clara y fundamentada sobre el impacto de la inteligencia artificial en la transformación de los modelos de gestión.
Tabla 1
Estudios seleccionados de alta calidad
|
Authors |
Title |
Year of Publication |
Results and Conclusions |
|
Abawari, A. M., Debela, K. L., & Abegaz, M. B. |
The effects of organizational culture on change management in Oromia public sectors: the mediating role of leadership styles |
2024 |
Constructive culture and transformational leadership are critical for change success in public sectors |
|
Abdel-Basset et al, |
CNN-IKOA: Convolutional Neural Network with Improved Kepler Optimization Algorithm for Image Segmentation |
2024 |
Achieved high accuracy in image segmentation using CNN-IKOA |
|
Allahhama, M., Sharabati, A.-A., Al-Sager, M., Sabra, S., Awartani, L., & Khraim, A. S. L. |
Supply chain risks in the age of big data and artificial intelligence: The role of risk alert tools and managerial apprehensions |
2024 |
AI apprehensions reduce the effectiveness of risk alert tools, despite strong IT infrastructure |
|
Andrés González-Moralejo |
From COVID-19 to the War in Ukraine: Evidence of a Schumpeterian Transformation of Food Logistics |
2024 |
Food logistics firms have undergone Schumpeterian transformation during crises |
|
Brekke, T.; Lenka, S.; Kohtamäki, M.; Parida, V.; Solem, B.A.A. |
Overcoming barriers to transformation in manufacturing firms: A path-dependence perspective of digital servitization |
2024 |
Digital servitization depends on overcoming organizational inertia and reconfiguring business models |
|
Carl, K. V., & Hinz, O |
What we already know about corporate digital responsibility in IS research: A review and conceptualization of potential CDR activities |
2024 |
The study identifies 10 dimensions of CDR, emphasizing transparency and stakeholder integration as critical elements. It highlights the role of AI in addressing digital ethics and corporate responsibility. |
|
Chang, H.J.; Bruess, F.; Chong, J.W. |
Opportunities and challenges of smart technology for small independent fashion retailers: a reflexive thematic analysis using the technology-organization-environment framework |
2024 |
Small retailers face challenges in adopting smart technology, but it is essential for future success |
|
Chen, C.T.; Khan, A.; Chen, S.C. |
Modeling the impact of BDA-AI on sustainable innovation ambidexterity and environmental performance |
2024 |
BDA-AI significantly enhances sustainable innovation and environmental performance through improved supply chain management |
|
Chu et al, |
Identification of Key Factors of Digital Transformation of Manufacturing Companies Using Hybrid DEMATEL Method |
2024 |
Investment in digital technology is crucial for manufacturing transformation |
|
Csedő, Z. |
Sustainability change management in inter-organizational innovation networks |
2023 |
Sustainability-led innovations emerge from inter-organizational collaboration |
|
Da Ros, A., Pennucci, F., & De Rosis, S. |
Unlocking organizational change: a deep dive through a data triangulation in healthcare |
2023 |
The research identifies fragmented change management strategies and highlights the necessity of a hybrid approach to organizational resilience and adaptability in healthcare. The findings underscore the importance of robust data analysis for long-term change and innovation in healthcare systems. |
|
Del Cerro Martínez, M.; Palomo Zurdo, R.; Molina López, M. |
Proposal for a generational integration model in Digital Transformation processes: A strategic challenge for a socially inclusive digital economy |
2023 |
Digital transformation requires generational integration to avoid exclusion and enhance productivity |
|
Devarapali et al, |
Electric Tugboat Deployment in Maritime Transportation: Detailed Analysis of Advantages and Disadvantages |
2024 |
Presents managerial insights for electric tugboat deployment |
|
Dyduch, W., Dominiczewska, M., & Kubiczek, J |
Value Creation and Value Capture Revisited: Resource, Entrepreneurial, and Relational Perspectives |
2023 |
The study highlights digitalisation, entrepreneurial orientation, and stakeholder relationships as key strategies for value creation and capture. It underscores the importance of dynamic capabilities in responding to disruptions like COVID-19 and enhancing long-term competitive advantage. |
|
Ebrahimi, S.; Matt, C. |
Not seeing the (moral) forest for the trees? How task complexity and employees’ expertise affect moral disengagement with discriminatory data analytics recommendations |
2024 |
Task complexity and expertise critically affect moral disengagement with discriminatory data analytics recommendations |
|
Gamage et al, |
Emotion AWARE: An Artificial Intelligence Framework for Adaptable, Robust, Explainable, and Multi-Granular Emotion Analysis |
2024 |
Proposes a robust AI framework for emotion detection |
|
Hamza et al, |
Impact of Transformational Leadership on Employees’ Affective Commitment and Intention to Support Change: Mediation Role of Innovative Behavior |
2024 |
Transformational leadership fosters innovative behavior and change support |
|
Haputhanthrige, V., Asghar, I., Saleem, S., & Shamim, S. |
The Impact of a Skill-Driven Model on Scrum Teams in Software Projects: A Catalyst for Digital Transformation |
2024 |
The proposed model aids in the accurate assignment of roles in software projects, enhancing outcomes |
|
Herzog, B. |
Is artificial intelligence a hazardous technology? Economic trade-off model |
2024 |
AI risks and benefits require careful regulation, with a small probability of catastrophic outcomes |
|
Hine, E., Novelli, C., Taddeo, M., & Floridi, L. |
Supporting Trustworthy AI Through Machine Unlearning |
2024 |
Machine unlearning can address AI bias and privacy issues, promoting ethical AI |
|
Huang and Chen |
Enhancing Academic Performance Prediction with Temporal Graph Networks for Massive Open Online Courses |
2024 |
Achieved high accuracy in predicting student performance using temporal graph neural networks |
|
Hüllermeier, E.; Słowiński, R. |
Preference learning and multiple criteria decision aiding: Differences, commonalities, and synergies—part II |
2024 |
MCDA and PL share commonalities and can be combined for enhanced decision aiding |
|
Intalar et al, |
Enhancing Competitiveness: Driving and Facilitating Factors for Industry 4.0 Adoption in Thai Manufacturing |
2024 |
Identified five critical factors for Industry 4.0 adoption in Thai manufacturing |
|
Jakobsen, H. S., Brix, J., & Jakobsen, R. S. |
Unraveling data from an idea management system of 11 radical innovation portfolios: key lessons and avenues for artificial intelligence integration |
2024 |
The study highlights the effectiveness of idea management systems in radical innovation, emphasizes the role of absorptive capacity, and suggests AI integration as a promising avenue to enhance innovation outcomes. |
|
Ji, H., Sheng, S., & Wan, J. |
Symbolic or Substantive? The Effects of the Digital Transformation Process on Environmental Disclosure |
2024 |
Digital transformation often leads to symbolic environmental disclosures rather than substantive changes |
|
Li, H., Tian, H., Liu, X., & You, J. |
Transitioning to low-carbon agriculture: the non-linear role of digital inclusive finance in China’s agricultural carbon emissions |
2024 |
The study identifies an inverted “U-shaped” relationship between digital inclusive finance and agricultural carbon emissions. The depth of use and degree of digitization significantly reduce emissions, but green cooperatives exhibit a decoupling effect with digital finance. Recommendations include improving education and finance infrastructure. |
|
Maes, G.; Van Hootegem, G. |
Power and Politics in Different Change Discourses |
2022 |
Power and politics are integral to managing change successfully in organizations |
|
Majnoor, N., & Vinayagam, K. |
The Ascendency of the Paradigm Shift from Organizational Change Management to Change Agility |
2023 |
Organizational agility improves change management outcomes |
|
Maksymova et al, |
Digitally Driven Model of a Climate-Neutral Economy in Terms of Global Financial Capacity |
2024 |
Highlights the role of digital transformation in green finance |
|
Marcel et al, |
Digital Transformation Adoption: An Extended Step-by-Step Framework |
2023 |
Presents a practical framework for business digital transformation |
|
McLaren, T. A. S., van der Hoorn, B., & Fein, E. C. |
Why Vilifying the Status Quo Can Derail a Change Effort: Kotter’s Contradiction, and Theory Adaptation |
2023 |
Proposes leveraging status quo bias positively to reduce resistance and stress during organizational change. Calls for replacing fear-based urgency with motivational approaches that highlight future opportunities and retained status quo elements. |
|
Miklosik, A.; Krah, A.B. |
Pinpointing the Driving Forces Propelling Digital Business Transformation |
2023 |
Both external and internal factors drive digital transformation, with mixed factors like work-life balance playing a role |
|
Moosa, M.D.; Moosa, V.; Faheem, S. |
Prevailing Leadership Styles in Change Management: Evidences from Existing Research |
2023 |
Transformational and transactional leadership styles are most effective in managing change |
|
Qu et al, |
Establishment of an Automatic Diagnosis System for Corneal Endothelium Diseases Using Artificial Intelligence |
2024 |
Developed the first AI-based diagnostic system for corneal diseases with high accuracy |
|
Recskó, M., & Aranyossy, M. |
User acceptance of social network-backed cryptocurrency: a UTAUT-based analysis |
2024 |
Performance expectancy is the strongest predictor of behavioral intention, followed by trust. Effort expectancy has an indirect influence, while social influence and facilitating conditions show negligible effects. Perceived risk negatively impacts acceptance. |
|
Trujillano et al, |
Using image segmentation models to analyse high-resolution earth observation data: new tools to monitor disease risks in changing environments |
2024 |
The study demonstrates SAM’s potential to identify water bodies and human settlements but highlights variable performance influenced by geographic and landscape characteristics. Manual adjustments remain necessary, but the tool provides significant time-saving benefits. |
|
Wissuwa, F., & Durach, C. F. |
Turning German automotive supply chains into sponsors for sustainability |
2023 |
The study develops a nine-step SSCM framework divided into planning, execution, and stabilizing phases, contributing to SSCM literature by detailing specific measures, emphasizing transparency, collaboration, and ongoing evaluation for sustainability improvements. |
|
Wiechers, H. E. |
Unraveling Disruptions: How Employees Pick Up Signals of Change |
2024 |
Highlights that triggers linger for approximately 11 days, disrupting psychological contracts through cumulative effects. Suggests proactive management of triggers to mitigate negative consequences and maintain employee relationships. |
Nota: esta tabla muestra el Titulo, Año, Resultados y Conclusiones de los estudios seleccionados de alta calidad.
Es por ello que, en el análisis de la irrupción de las aplicaciones emergentes de la inteligencia artificial (IA) en la toma de decisiones gerenciales, se identificaron siete categorías clave que permitieron estructurar el estudio de manera sistemática. En primer lugar, las aplicaciones emergentes de IA abarcaron herramientas como los algoritmos predictivos, sistemas de recomendación y automatización de decisiones. Estas tecnologías, implementadas en diversos sectores, optimizaron procesos y aumentaron la precisión en la toma de decisiones, mejorando la capacidad de los gerentes para responder a situaciones complejas en tiempo real.
Asimismo, la transformación de los modelos tradicionales de gestión representó otra categoría crítica. Se observó una evolución significativa en los enfoques gerenciales, donde la IA impulsó la innovación en modelos de gestión, facilitó cambios organizacionales y mejoró la eficiencia operativa. En particular, la integración de la IA permitió la adaptación a entornos tecnológicos más avanzados, generando nuevas formas de gestionar recursos y diseñar estrategias empresariales.
Por otro lado, en cuanto a los sectores industriales impactados, el análisis destacó la adopción de IA en áreas como el sector financiero, la manufactura, la salud y el comercio minorista. Estos sectores aprovecharon las capacidades de la IA para mejorar la toma de decisiones rápidas y precisas, lo que fue crucial para su éxito en mercados altamente competitivos. En cada sector, la IA se aplicó de manera diferente, ajustándose a las necesidades específicas de cada industria.
También el impacto en la toma de decisiones gerenciales fue evidente en varios aspectos. La IA permitió reducir la incertidumbre, mejorar la capacidad de análisis en tiempo real y transformar la estructura de las decisiones. La descentralización de las decisiones operativas y la agilidad en la respuesta fueron algunos de los beneficios más destacados en los estudios revisados. Además, se observó un cambio profundo en la forma en que los gerentes gestionan los datos y estructuran sus decisiones estratégicas.
Sin embargo, surgieron diversas barreras y limitaciones en la adopción de la IA, tales como la falta de infraestructura tecnológica adecuada y la desconfianza de los líderes gerenciales hacia los algoritmos. La resistencia al cambio y las preocupaciones sobre la transparencia de los sistemas de IA también fueron identificadas como obstáculos significativos. Estas limitaciones destacaron la necesidad de superar barreras tanto tecnológicas como humanas para maximizar el potencial de la IA.
Además, la categoría de innovaciones tecnológicas jugó un papel central en la investigación. Se destacó la importancia de los avances en algoritmos de aprendizaje automático y en sistemas de inteligencia artificial explicable. Estos avances permitieron que las empresas mejoraran su capacidad para interpretar los resultados de los sistemas de IA, aumentando la confianza en la tecnología y facilitando su implementación en la gestión.
Finalmente, los desafíos éticos y regulatorios fueron una categoría relevante en la revisión. La protección de datos, la privacidad y la transparencia de los algoritmos de IA fueron temas recurrentes. Los estudios indicaron que, a medida que la IA se integra más profundamente en la toma de decisiones gerenciales, es crucial que las empresas y los legisladores aborden estos desafíos de manera proactiva para asegurar una implementación ética y responsable de la tecnología.
Este marco de siete categorías permitió una visión integral de la irrupción de la IA en la gestión gerencial, proporcionando un análisis detallado de los beneficios, barreras y oportunidades que la IA presenta en el ámbito empresarial actual.
3. Irrupción de las aplicaciones emergentes de la inteligencia artificial: principales resultados
Según Gamage et al, (2024), el uso de marcos de inteligencia artificial explicables y adaptables, como el modelo Emotion AWARE, permite analizar emociones humanas complejas con un alto grado de granularidad y precisión, lo que facilita una mejor comprensión de los comportamientos organizacionales y de consumo. El diagrama de Sankey que se muestra en el diagrama 2 es el resultado visual clave en el análisis cualitativo de la revisión literaria, proporcionando una representación clara y concisa de cómo se distribuyen y relacionan las diversas temáticas, enfoques y conceptos presentes en la literatura revisada.
Diagrama 2
Flujos de Conocimiento y Tendencias en la Investigación “De la incertidumbre a la precisión: la IA y su irrupción en la transformación gerencial”.
A través del grosor de las flechas y la disposición de los nodos, este diagrama de Sankey destacará las conexiones entre los estudios clave, mostrando cómo ciertas teorías o metodologías han influido en el desarrollo de nuevas investigaciones o han sido adoptadas en diferentes contextos. Además, ayudará a visualizar de manera intuitiva las áreas de mayor convergencia y divergencia dentro de los temas tratados, permitiendo a los lectores comprender rápidamente dónde se concentran las principales contribuciones científicas y dónde persisten vacíos teóricos.
4. Aplicaciones de la inteligencia artificial en la toma de decisiones gerenciales y la transformación de los modelos tradicionales
En el desarrollo de esta revisión sistemática sobre la Irrupción de las aplicaciones emergentes de la inteligencia artificial (IA) en la toma de decisiones gerenciales, se exploraron diversas categorías clave para entender estas tecnologías. Esto lo podemos expresar en el diagrama 3.
Diagrama 3
Irrupción de la Inteligencia Artificial (IA) en la Toma de Decisiones Gerenciales
- Aplicaciones emergentes de IA
Las innovaciones recientes en inteligencia artificial incluyen herramientas como los algoritmos predictivos, los sistemas de recomendación y la automatización de decisiones. También lo indicado por Huang y Chen (2024), donde las redes de gráficos temporales han demostrado ser fundamentales para capturar interacciones complejas y cambios dinámicos, mejorando significativamente las predicciones en contextos de aprendizaje automatizado y procesos de toma de decisiones.
El uso de tecnologías emergentes en la gestión organizacional ha transformado profundamente los procesos de toma de decisiones, generando nuevas dinámicas en las estructuras tradicionales de poder. Según Maes y Van Hootegem (2022), el uso estratégico del poder y la política dentro de las organizaciones puede facilitar la adopción de estas tecnologías, abordando las barreras internas y promoviendo una integración más efectiva en los procesos gerenciales.
Estas tecnologías, implementadas en sectores como la manufactura y el comercio minorista, optimizaron los procesos operativos y aumentaron la capacidad de los gerentes para tomar decisiones rápidas y precisas, respondiendo a entornos dinámicos (Devarapali et al, 2024; Wissuwa & Durach, 2023; Recskó & Aranyossy, 2024).
- Transformación de los modelos tradicionales de gestión
La adaptación de los modelos tradicionales de gestión fue evidente, ya que la IA impulsó cambios significativos en los enfoques gerenciales. En sectores como la salud y las finanzas, la IA facilitó la innovación en los modelos de gestión, permitiendo la descentralización de decisiones y una mejor adaptación a las demandas tecnológicas actuales (Haputhanthrige et al, 2024; Hamza et al, 2024).
Tal como lo indican Del Cerro Martínez et al, (2023), quienes destacan que la integración generacional en procesos de transformación digital es clave para maximizar el impacto de las tecnologías emergentes, promoviendo la inclusión social y laboral. Así mismo, según Ji et al, (2024), la transformación digital no solo optimiza los procesos operativos, sino que también impulsa la capacidad de las organizaciones para responder rápidamente a las demandas del mercado, integrando tecnologías como la inteligencia artificial y el análisis de datos avanzados.
Este proceso incrementó la eficiencia operativa, pero también requirió un replanteamiento de las estructuras tradicionales de toma de decisiones, ajustándolas a los nuevos marcos tecnológicos (Jakobsen et al, 2024; Da Ros et al, 2024; Brekke et al, 2024).
- Sectores industriales impactados
En cuanto a las áreas industriales influenciadas, la adopción de la IA fue particularmente notable en sectores como la salud, la manufactura y la logística, donde las decisiones rápidas y precisas son fundamentales para mantener la competitividad.
En la rama financiera, la IA permitió una reducción de la incertidumbre en la toma de decisiones estratégicas, mejorando la capacidad de los gerentes para responder a cambios repentinos en los mercados (Dyduch et al, 2024; Li et al, 2024; Trujillano et al, 2024).
- Impacto en la toma de decisiones gerenciales
La repercusión en las decisiones estratégicas de gestión destacó por la capacidad de la IA para reducir la incertidumbre y mejorar la eficiencia en el análisis de datos en tiempo real. Allahham et al, (2024) señalan que las herramientas de alerta de riesgos basadas en big data y la inteligencia artificial ofrecen ventajas significativas para mitigar interrupciones en la cadena de suministro, aunque su efectividad depende de una infraestructura tecnológica robusta y de la confianza gerencial en estas tecnologías.
Esto permite a los gerentes estructurar mejor sus decisiones estratégicas y responder de manera más flexible a los cambios del entorno empresarial. Tomando en cuenta lo indicado por Chen et al, (2024), donde destacan que la implementación de big data analytics (BDA) y la inteligencia artificial (AI) como mediadores en la gestión de cadenas de suministro sostenibles impulsa la innovación y mejora el rendimiento ambiental.
Además, la descentralización de la toma de decisiones y un enfoque estructurado para la adopción de transformación digital son cruciales para integrar capacidades empresariales con avances tecnológicos, asegurando una implementación sostenible, como operativas, que fue una de las mayores transformaciones impulsadas por la IA (Marcel et al, 2023; Wissuwa & Durach, 2023; Da Ros et al, 2024).
- Barreras y limitaciones en la adopción de IA
Sin embargo, surgieron desafíos y/o dificultades en la incorporación de inteligencia artificial, como la falta de infraestructura tecnológica y la desconfianza hacia los algoritmos automatizados. Es por ello por lo que McLaren et al, (2023) destacan que enfrentar directamente el sesgo hacia el statu quo en contextos de cambio organizacional puede reducir significativamente la resistencia de los empleados, mejorando la efectividad de las estrategias de transformación.
Además, las iniciativas de transformación digital dependen tanto de factores externos como internos, tales como la aceleración de procesos, la reducción de costos y las demandas del mercado, factores clave para competir en un entorno global dinámico (Miklosik and Krah, 2023).
En sectores con estructuras jerárquicas rígidas, como la manufactura tradicional, la resistencia al cambio limitó la adopción de tecnologías disruptivas como la IA. Además, la transparencia de los algoritmos y la dificultad para interpretarlos se destacaron como desafíos críticos, lo que subraya la necesidad de una mayor inversión en modelos explicables (Jakobsen et al, 2024; Wiechers, 2024).
- Desarrollos tecnológicos y su relevancia en la gerencia
En relación con las innovaciones tecnológicas y su rol en la gestión, los avances en algoritmos de aprendizaje automático y los sistemas de IA explicable han sido fundamentales para mejorar la confianza en la tecnología y facilitar su adopción.
En este contexto, la IA ha mostrado su capacidad para transformar profundamente los modelos de gestión y los procesos operativos, destacando su potencial para aumentar la competitividad empresarial. Según (Intalar et al, 2024; Hüllermeier y Słowiński 2024; Majnoor y Vinayagam 2023), el éxito en la adopción de tecnologías emergentes como la IA en contextos industriales requiere un enfoque estratégico en el desarrollo de capacidades internas, incluidas las habilidades técnicas y la formación continua de los equipos de trabajo, permitiendo a las empresas adaptarse rápidamente a cambios inesperados en entornos dinámicos, lo que resulta fundamental para mantener la competitividad en mercados en constante evolución.
Estos avances han permitido a los sectores como la salud y las finanzas beneficiarse significativamente de la IA, especialmente en la mejora de la toma de decisiones operativas y estratégicas (Recskó & Aranyossy, 2024; Trujillano et al, 2024).
- Retos éticos y normativos
Los desafíos éticos y regulatorios también fueron una preocupación constante en los estudios revisados. Temas como la privacidad de los datos, la transparencia de los algoritmos y la responsabilidad de las decisiones automatizadas plantean retos que las organizaciones deben abordar.
Se puede resaltar a Hine et al, (2024), que destaca cómo el Machine Unlearning (MU) puede fortalecer la confianza en la inteligencia artificial (IA) al adherirse a principios éticos fundamentales. Según los autores, el MU no solo facilita el “derecho al olvido”, sino que también apoya los cinco principios de la OCDE para una IA confiable.
La gobernanza de la IA fue identificada como un aspecto crucial para garantizar una implementación ética, especialmente en sectores sensibles como el financiero y el de la salud, donde la confianza de los usuarios es esencial (Carl & Hinz, 2024; Wiechers, 2024).
- Brechas significativas
El estado actual de la investigación muestra un creciente interés en las aplicaciones de la IA en la toma de decisiones gerenciales, pero aún existen diferencias notables. En primer lugar, la literatura se ha centrado en aplicaciones específicas y casos de uso aislados, lo que limita una visión comparativa y transversal de los efectos de la IA en diversos sectores.
Si bien la IA ha demostrado mejorar la eficiencia y precisión en la toma de decisiones, se necesita más investigación para comprender cómo estas tecnologías pueden integrarse de manera coherente en las estructuras gerenciales tradicionales (Li et al, 2024; Wissuwa & Durach, 2023).
Una de las principales brechas es la falta de estudios que exploren el impacto a largo plazo de la IA en la cultura organizacional y en la toma de decisiones estratégicas. Aunque algunos estudios han destacado la capacidad de la IA para transformar los modelos de gestión, no se ha profundizado en cómo estos cambios afectan la sostenibilidad y la evolución de las organizaciones a lo largo del tiempo (Jakobsen et al, 2024; Da Ros et al, 2024).
- Implicaciones éticas
Además, los desafíos éticos siguen siendo una preocupación subestimada. Aunque muchos estudios reconocen la importancia de la transparencia y la responsabilidad en los sistemas de IA, pocos han propuesto marcos regulatorios o éticos robustos para guiar su implementación.
Según Herzog (2024), la integración de inteligencia artificial en la toma de decisiones gerenciales presenta un delicado equilibrio entre los riesgos existenciales y las oportunidades de crecimiento económico, requiriendo una regulación internacional equilibrada para maximizar los beneficios y mitigar los riesgos.
Esto genera una oportunidad clave para futuras investigaciones que analicen cómo las organizaciones pueden integrar principios éticos y de gobernanza en el uso de la IA para la toma de decisiones gerenciales (Ebrahimi y Matt 2023; Carl & Hinz, 2024; Wiechers, 2024).
- Potenciales futuros
Finalmente, es fundamental explorar oportunidades futuras en la creación de modelos de IA más explicables y transparentes. La resistencia hacia los algoritmos opacos sigue siendo una barrera importante, especialmente en sectores donde la toma de decisiones debe ser justificable ante las partes interesadas. Futuras investigaciones deben centrarse en desarrollar herramientas y algoritmos que no solo optimicen la toma de decisiones, sino que también proporcionen una mayor confianza y comprensión entre los usuarios finales (Recskó & Aranyossy, 2024; Trujillano et al, 2024).
Por otro lado, está lo señalado por Maksymova et al, (2024), donde la digitalización actúa como un motor clave para la transición hacia economías climáticamente neutrales, promoviendo soluciones sostenibles mediante tecnologías avanzadas.
Se cierra entonces con la idea de que, aunque la IA ha mostrado un potencial transformador en la toma de decisiones gerenciales, el campo aún está en sus primeras etapas. Hay amplias oportunidades para futuras investigaciones que aborden las limitaciones actuales, proporcionen una visión integral de su impacto a largo plazo y exploren cómo superar los desafíos éticos y técnicos para asegurar una implementación responsable y efectiva.
5. Conclusiones
La conclusión fundamental de esta investigación se centra en el cumplimiento del objetivo principal: analizar la irrupción de las aplicaciones emergentes de inteligencia artificial (IA) en la toma de decisiones gerenciales y su incidencia en la transformación de los modelos tradicionales de gestión en diversos sectores industriales. Se determinó que la IA ha demostrado ser una herramienta poderosa para optimizar la toma de decisiones, mejorando la eficiencia y la precisión en los sectores analizados, como la manufactura, la salud y el financiero. Estas tecnologías han permitido una mejor gestión de los datos y han facilitado la adaptación de los modelos gerenciales a entornos cada vez más complejos y cambiantes, impulsando la innovación y la competitividad empresarial.
En segundo lugar, se ha observado que la adopción de IA no solo transforma las operaciones gerenciales, sino que también implica una evolución en la estructura organizacional, promoviendo la descentralización de decisiones operativas y una mayor agilidad en la respuesta empresarial. Sin embargo, aunque las aplicaciones de IA han demostrado ser efectivas, aún existen barreras significativas, como la falta de infraestructura adecuada y la desconfianza hacia los sistemas automatizados, lo que subraya la necesidad de continuar abordando estos obstáculos para maximizar el potencial de la IA.
También es relevante indicar la importancia de la transparencia y la ética en el uso de IA para la toma de decisiones gerenciales. Los desafíos éticos y regulatorios, como la privacidad de los datos y la responsabilidad en las decisiones automatizadas, siguen siendo una preocupación central para las organizaciones. Esto resalta la necesidad de desarrollar marcos de gobernanza sólidos que aseguren que la IA se implemente de manera ética y responsable, especialmente en sectores donde las decisiones afectan a múltiples partes interesadas.
Asimismo se tiene que las aplicaciones emergentes de IA, como los algoritmos predictivos, sistemas de recomendación y automatización de decisiones, han transformado la manera en que las organizaciones manejan grandes volúmenes de datos y toman decisiones. Estas herramientas permiten a los gerentes optimizar la operación diaria generando respuestas rápidas y precisas, lo que resulta clave en sectores con alta demanda de toma de decisiones en tiempo real.
Además de la transformación de modelos tradicionales de gestión, la IA ha jugado un papel crucial en la evolución de estos, promoviendo una mayor descentralización en la toma de decisiones y adaptabilidad a entornos altamente dinámicos. Esta transformación no solo ha facilitado una mejor asignación de recursos, sino que también ha permitido a las organizaciones mejorar su competitividad a largo plazo.
Por otro lado, los sectores industriales impactados por IA: los más notables han sido los sectores financieros, de manufactura, logísticos y de la salud. La capacidad de la IA para mejorar la toma de decisiones precisas en estos sectores ha impulsado su adopción, permitiendo a las empresas mantener su competitividad en mercados cada vez más exigentes y volátiles. Además, la personalización y adaptación de la IA a las necesidades sectoriales han sido claves para su éxito.
Del mismo modo, el impacto en la toma de decisiones gerenciales: esta irrupción de IA transformó la toma de decisiones gerenciales al reducir la incertidumbre y mejorar la capacidad de análisis de datos en tiempo real. La IA ha facilitado un cambio significativo en la estructura de la toma de decisiones, permitiendo a los gerentes centrarse en estrategias más dinámicas y en la mejora de su capacidad de respuesta ante las fluctuaciones del mercado.
Se puede agregar que, a pesar de los beneficios de la IA, la investigación concluye que existen barreras importantes, como la falta de infraestructura tecnológica y la desconfianza hacia los sistemas automatizados. Estas barreras continúan siendo un obstáculo significativo para la adopción de IA, particularmente en industrias donde la resistencia al cambio es fuerte. Superar estas barreras será clave para lograr una adopción más amplia y efectiva de la IA.
Igualmente, las innovaciones tecnológicas y su rol en la gestión de estos avances en tecnologías como los algoritmos de aprendizaje automático y los modelos explicables de IA han sido fundamentales para generar confianza en la implementación de IA. Estas innovaciones han facilitado la comprensión de los resultados generados por los sistemas de IA, lo que a su vez ha permitido una integración más eficiente en los procesos gerenciales. La investigación muestra que continuar innovando en estas áreas es esencial para una mayor adopción.
Finalmente, con respecto a los desafíos éticos y regulatorios, la investigación resaltó que, aunque la IA ofrece múltiples beneficios, los desafíos éticos y regulatorios siguen siendo una preocupación central. Aspectos como la privacidad de los datos, la transparencia en los algoritmos y la responsabilidad en las decisiones automatizadas requieren un marco regulatorio robusto. La implementación de IA en la toma de decisiones gerenciales debe estar alineada con principios éticos para garantizar su sostenibilidad y aceptación a largo plazo.
En resumen, aunque la IA está transformando rápidamente la toma de decisiones gerenciales y los modelos de gestión, la investigación también revela áreas importantes que necesitan mayor atención, como la superación de barreras tecnológicas, la creación de marcos regulatorios sólidos y la necesidad de continuar innovando en las capacidades de la IA para garantizar su implementación.
Referencias bibliográficas
Abawari, A. M., et al, (2024). The effects of organizational culture on change management in Oromia public sectors. Cogent Business & Management, 11(1), 2375623. https://doi.org/10.1080/23311975.2024.2375623
Abdel-Basset, M., Mohamed, R., Alrashdi, I., Sallam, K. M., & Hameed, I. A. (2024). CNN-IKOA: Convolutional neural network with improved Kepler optimization algorithm for image segmentation. Journal of Big Data, 11(13). https://doi.org/10.1186/s40537-023-00858-6
Allahham, M., et al, (2024). Supply chain risks in the age of big data and artificial intelligence. Uncertain Supply Chain Management, 12(4), 399–406. https://doi.org/10.5267/j.uscm.2023.9.012
Andrés González-Moralejo, S. (2024). From COVID-19 to the war in Ukraine: Evidence of a Schumpeterian transformation of food logistics. Agricultural and Food Economics, 12, 8. https://doi.org/10.1186/s40100-024-00300-2
Brekke, T., Lenka, S., Kohtamäki, M., Parida, V., & Solem, B.A.A. (2024). Overcoming barriers to transformation in manufacturing firms: A path-dependence perspective of digital servitization. Review of Managerial Science, 18, 385-412. https://doi.org/10.1007/s11846-023-00641-0
Carl, K. V., & Hinz, O. (2024). What we already know about corporate digital responsibility in IS research: A review and conceptualization of potential CDR activities. Electronic Markets, 34(27). https://doi.org/10.1007/s12525-024-00708-0
Chang, H.J., Bruess, F., & Chong, J.W. (2024). Opportunities and challenges of smart technology for small independent fashion retailers: A reflexive thematic analysis using the technology-organization-environment framework. Fashion and Textiles, 11(26). https://doi.org/10.1186/s40691-024-00391-x
Chen, C.T., Khan, A., & Chen, S.C. (2024). Modeling the impact of BDA-AI on sustainable innovation ambidexterity and environmental performance. Journal of Big Data, 11(124). https://doi.org/10.1186/s40537-024-00995-6
Chu, M., Li, B., & Yu, X. (2024). Identification of key factors of digital transformation of manufacturing companies using hybrid DEMATEL method. Decision Making: Applications in Management and Engineering, 7(1), 380-395. https://doi.org/10.31181/dmame712024931
Csedő, Z. (2023). Sustainability change management in inter-organizational innovation networks. Society and Economy, 45(4), 355–371. https://doi.org/10.1556/204.2023.00011
Da Ros, A., Pennucci, F., & De Rosis, S. (2024). Unlocking organizational change: a deep dive through a data triangulation in healthcare. Management Decision, 11(1), 17-38. https://doi.org/10.1108/MD-06-2023-0898
Del Cerro Martínez, M., Palomo Zurdo, R., & Molina López, M. (2023). Proposal for a generational integration model in Digital Transformation processes: A strategic challenge for a socially inclusive digital economy. REVESCO, 145, e92556. https://doi.org/10.5209/reve.92556
Devarapali, S., Manske, A., Khayamim, R., Jacobs, E., Li, B., Elmi, Z., & Dulebenets, M. A. (2024). Electric tugboat deployment in maritime transportation: Detailed analysis of advantages and disadvantages. Maritime Business Review, 9(3), 263-291. https://doi.org/10.1108/MABR-12-2023-0086
Dyduch, W., Dominiczewska, M., & Kubiczek, J. (2024). Value creation and value capture revisited: Resource, entrepreneurial and relational perspectives. Forum Scientiae Oeconomia, 11(4). https://doi.org/10.23762/FSO_VOL11_NO4_3
Ebrahimi, S., & Matt, C. (2024). Not seeing the (moral) forest for the trees? How task complexity and employees’ expertise affect moral disengagement with discriminatory data analytics recommendations. Journal of Information Technology, 39(3), 477–502. https://doi.org/10.1177/02683962231181148
Gamage, G., De Silva, D., Mills, N., Alahakoon, D., & Manic, M. (2024). Emotion AWARE: An artificial intelligence framework for adaptable, robust, explainable, and multi-granular emotion analysis. Journal of Big Data, 11, 93. https://doi.org/10.1186/s40537-024-00953-2
Hamza, K. A., Alshaabani, A., & Rudnak, I. (2024). Impact of transformational leadership on employees’ affective commitment and intention to support change: Mediation role of innovative behavior. Problems and Perspectives in Management, 22(2), 325-338. https://doi.org/10.21511/ppm.22(2).2024.25
Haputhanthrige, V., et al, (2024). The impact of a skill-driven model on scrum teams in software projects. Systems, 12(149). https://doi.org/10.3390/systems12050149
Herzog, B. (2024). Is artificial intelligence a hazardous technology? Economic trade-off model. European Journal of Futures Research, 12, 18. https://doi.org/10.1186/s40309-024-00241-5
Hine, E., et al, (2024). Supporting trustworthy AI through machine unlearning. Science and Engineering Ethics, 30(43). https://doi.org/10.1007/s11948-024-00500-5
Huang, Q., & Chen, J. (2024). Enhancing academic performance prediction with temporal graph networks for massive open online courses. Journal of Big Data, 11, 52. https://doi.org/10.1186/s40537-024-00918-5
Hüllermeier, E., & Słowiński, R. (2024). Preference learning and multiple criteria decision aiding: Differences, commonalities, and synergies—part II. 4OR, 22(313-349). https://doi.org/10.1007/s10288-023-00561-5
Intalar, N., Ueki, Y., & Jeenanunta, C. (2024). Enhancing competitiveness: Driving and facilitating factors for Industry 4.0 adoption in Thai manufacturing. Economies, 12(8), 210. https://doi.org/10.3390/economies12080210
Jakobsen, H. S., Brix, J., & Jakobsen, R. S. (2024). Unraveling data from an idea management system of 11 radical innovation portfolios: key lessons and avenues for artificial intelligence integration. Journal of Innovation and Entrepreneurship, 13(9). https://doi.org/10.1186/s13731-024-00368-6
Ji, H., Sheng, S., & Wan, J. (2024). Symbolic or substantive? The effects of the digital transformation process on environmental disclosure. Systems, 12(197). https://doi.org/10.3390/systems12060197
Li, H., Tian, H., Liu, X., & You, J. (2024). Transitioning to low-carbon agriculture: the non-linear role of digital inclusive finance in China’s agricultural carbon emissions. Humanities and Social Sciences Communications, 11(818). https://doi.org/10.1057/s41599-024-03354-1
Maes, G., & Van Hootegem, G. (2022). Power and politics in different change discourses. Administrative Sciences, 12(64). https://doi.org/10.3390/admsci12020064
Majnoor, N., & Vinayagam, K. (2023). The ascendency of the paradigm shift from organizational change management to change agility. International Journal of Professional Business Review, 8(4), e01151. https://doi.org/10.26668/businessreview/2023.v8i4.1151
Maksymova, I., Kurilyak, V., Mietule, I., Arbidane, I., & Kurilyak, M. (2024). Digitally driven model of a climate-neutral economy in terms of global financial capacity. Financial and Credit Activity: Problems of Theory and Practice, 3(56), 334-356. https://doi.org/10.55643/fcaptp.3.56.2024.4399
Marcel, A., Ramadhan, A., Trisetyarso, A., Abdurachman, E., & Zarlis, M. (2023). Digital transformation adoption: An extended step-by-step framework. Journal of System and Management Sciences, 13(2), 45-63. https://doi.org/10.33168/JSMS.2023.0204
McLaren, T. A. S., van der Hoorn, B., & Fein, E. C. (2023). Why vilifying the status quo can derail a change effort: Kotter’s contradiction, and theory adaptation. Journal of Change Management, 23(1), 93-111. https://doi.org/10.1080/14697017.2022.2137835
Miklosik, A., & Krah, A.B. (2023). Pinpointing the driving forces propelling digital business transformation. Journal of Risk and Financial Management, 16(488). https://doi.org/10.3390/jrfm16110488
Moosa, M.D., Moosa, V., & Faheem, S. (2023). Prevailing leadership styles in change management: Evidences from existing research. International Journal of Professional Business Review, 8(5), e01289. https://doi.org/10.26668/businessreview/2023.v8i5.1289
Qu, J., Qin, X., Xie, Z., Qian, J., Zhang, Y., Sun, X., ... & Hong, J. (2024). Establishment of an automatic diagnosis system for corneal endothelium diseases using artificial intelligence. Journal of Big Data, 11, 67. https://doi.org/10.1186/s40537-024-00913-w
Recskó, M., & Aranyossy, M. (2024). User acceptance of social network-backed cryptocurrency: a unified theory of acceptance and use of technology (UTAUT)-based analysis. Financial Innovation, 10(57). https://doi.org/10.1186/s40854-023-00511-4
Trujillano, F., Jimenez, G., Manrique, E., Kahamba, N. F., Okumu, F., Apollinaire, N., Carrasco-Escobar, G., Barrett, B., & Fornace, K. (2024). Using image segmentation models to analyze high-resolution earth observation data: new tools to monitor disease risks in changing environments. International Journal of Health Geographics, 23(13). https://doi.org/10.1186/s12942-024-00371-w
Wissuwa, F., & Durach, C. F. (2023). Turning German automotive supply chains into sponsors for sustainability. Production Planning & Control, 34(2), 159-172. https://doi.org/10.1080/09537287.2021.1893405
Wiechers, H. E. (2024). Unraveling Disruptions: How Employees Pick Up Signals of Change. Group & Organization Management., 49(4), 1045–1068. https://doi.org/10.1177/10596011231172658