IA y toma de decisiones empresariales: una revisión sistemática de literatura (2020–2025)

Whitepaper de Axia · por Adrian Villalobos Quirós · Escazú, Costa Rica · axiadigital.net

Resumen ejecutivo

La mayoría de las empresas ya adoptó IA. Muy pocas capturan valor real de ella. Esta revisión sistemática de 45 fuentes (protocolo PRISMA, 2020–2025) explica por qué, y qué separa a las que lo logran del resto.

El hallazgo central es incómodo y consistente entre cuatro instituciones de investigación independientes: entre el 80% y el 95% de los proyectos de IA no entrega el valor prometido — y las causas son predominantemente organizacionales, no tecnológicas. La calidad del dato, el rediseño de procesos, el liderazgo ejecutivo y el modelo de asignación de recursos explican el éxito mucho mejor que la sofisticación del modelo o la plataforma elegida.

La conclusión práctica: la IA no transforma organizaciones, amplifica lo que ya son. Sobre procesos claros y datos gobernados, genera ventaja competitiva. Sobre procesos opacos y datos fragmentados, escala la disfunción.

Los cuatro hallazgos que un decisor no puede ignorar

La brecha entre adopción y valor es el fenómeno del momento. El 78% de las organizaciones ya usa IA en al menos una función, pero solo el 6% clasifica como alto desempeño con impacto real en EBIT (McKinsey, 2025). MIT, BCG y RAND convergen en tasas de fracaso del 80–95%.
El fracaso es organizacional, no técnico. RAND (2024) atribuye el 84% de los fracasos a factores de liderazgo y organización.
La gobernanza es la dimensión subestimada. Dos tercios de los ejecutivos de tecnología son responsables de sistemas de IA que no pueden supervisar de forma realista, y solo el 11% se declara completamente preparado (IBM, 2026).
El punto de entrada correcto en economías emergentes es distinto. Replicar los benchmarks de las Fortune 500 es una fuente documentada de frustración en LATAM.

De la evidencia al método: cómo Axia aplica esto

Este no es un paper teórico separado de lo que hacemos. Su tesis central —que el éxito de la IA es organizacional antes que técnico— es la base del AXIA Method™, la metodología con que Axia implementa IA:

"Diagnóstico organizacional antes de la tecnología" → la fase Estrategia.
"Rediseño de procesos antes de la herramienta" → la fase Procesos.
"Gobernanza como dimensión crítica" → nuestra capa de gobernanza transversal.
"Escala desde el valor demostrado" → las fases Adopción y Resultados.

La evidencia académica y nuestra forma de trabajar dicen lo mismo, porque una se construyó sobre la otra.

→ Conocé el AXIA Method™ · → Solicitá un diagnóstico de IA

Documento completo

Resumen. La inteligencia artificial (IA) ha emergido como una fuerza transformadora en los procesos de toma de decisiones organizacionales. Esta revisión sistemática de literatura sintetiza evidencia empírica y teórica publicada entre 2020 y 2025, proveniente de 45 estudios seleccionados mediante el protocolo PRISMA en bases de datos académicas reconocidas (Scopus, Web of Science, Google Académico, SSRN). Los hallazgos revelan tres dimensiones de impacto diferenciadas: (1) la IA mejora la velocidad y precisión de las decisiones operacionales; (2) amplifica las capacidades de decisión estratégica a nivel ejecutivo; y (3) genera una brecha significativa entre empresas que implementan IA con madurez de datos y procesos versus aquellas que la superponen a estructuras organizacionales deficientes. La evidencia empírica indica que solo el 5–6% de las organizaciones captura valor estratégico real de la IA a escala empresarial (BCG, 2025; MIT Project NANDA, 2025), mientras que el 80% de los proyectos no logra entregar el valor prometido (RAND Corporation, 2024). Se identifican como variables moderadoras críticas la calidad del dato, el modelo de gobernanza y el rediseño previo de procesos. El estudio propone un marco integrador para la adopción responsable de IA en contextos empresariales de economías emergentes.

Palabras clave: inteligencia artificial, toma de decisiones, gestión empresarial, transformación digital, revisión sistemática, PRISMA.

1. Introducción

La toma de decisiones constituye el núcleo de la actividad directiva en las organizaciones. Durante décadas, los modelos de decisión empresarial han descansado en una combinación de experiencia acumulada, intuición ejecutiva y análisis de datos históricos. Sin embargo, la irrupción de la inteligencia artificial (IA) como capacidad tecnológica generalizada ha comenzado a redefinir estructuralmente tanto los insumos como los procesos y actores involucrados en las decisiones organizacionales (Davenport & Ronanki, 2018; Cao, 2024).

La literatura académica disponible refleja un crecimiento exponencial en el estudio de la IA aplicada a los negocios. Cao (2024), en una revisión comprehensiva publicada en Decision Sciences, documenta un incremento sostenido en publicaciones sobre IA en 25 revistas de negocio líderes entre 2010 y 2023, identificando como ejes centrales las aplicaciones de IA, las percepciones humanas hacia ella y el comportamiento de los sistemas de IA en contextos organizacionales. No obstante, la evidencia sobre los mecanismos específicos mediante los cuales la IA modifica la arquitectura de toma de decisiones ejecutivas sigue siendo fragmentada, particularmente en lo que respecta a contextos de economías emergentes.

La relevancia práctica de esta revisión se intensifica ante datos recientes de alcance global: el IBM Institute for Business Value (2026), en su estudio CEO 2026 realizado con 2,000 ejecutivos en 33 países y 21 industrias, reporta que el 64% de los directores generales ya se encuentra cómodo tomando decisiones estratégicas con base en insumos generados por IA, y que los CEOs proyectan que el 48% de las decisiones operacionales serán tomadas por IA sin intervención humana para 2030, frente al 25% actual. Este escenario exige una comprensión rigurosa de las condiciones organizacionales que determinan el éxito o fracaso de la integración de IA en los procesos de decisión.

El presente artículo tiene como objetivo sistematizar el estado del conocimiento sobre el impacto de la IA en la toma de decisiones empresariales mediante una revisión sistemática de literatura (RSL), identificar las variables moderadoras que explican la brecha entre adopción y generación de valor, y proponer un marco integrador para la implementación responsable en contextos organizacionales con distinta madurez digital.

2. Marco teórico

2.1 La toma de decisiones como proceso organizacional. La teoría clásica de decisiones organizacionales, desarrollada por Simon (1955) bajo el concepto de racionalidad limitada, establece que los tomadores de decisiones no maximizan utilidad de forma óptima sino que operan dentro de límites cognitivos, informativos y temporales. Este marco teórico adquiere nueva vigencia en el contexto de la IA: si los sistemas de inteligencia artificial pueden procesar volúmenes masivos de datos estructurados y no estructurados en tiempo real, la pregunta central ya no es si la IA supera las limitaciones cognitivas humanas en tareas específicas, sino en qué condiciones y bajo qué esquemas de gobernanza esa capacidad se traduce en mejores decisiones organizacionales (Mariani & Borghi, 2021).

La taxonomía de decisiones propuesta por Gorry & Scott Morton (1971) —decisiones estructuradas, semiestructuradas y no estructuradas— continúa siendo relevante para comprender el alcance de la IA. La literatura revisada coincide en que la IA ha demostrado mayor impacto en decisiones altamente estructuradas (pricing dinámico, gestión de inventario, scoring crediticio) y comienza a penetrar decisiones semiestructuradas (planificación estratégica, evaluación de riesgo, gestión de talento), mientras que las decisiones no estructuradas de alta complejidad siguen requiriendo predominantemente criterio humano (Singh & Sehgal, 2024; Rozony, 2023).

2.2 La IA como capacidad organizacional dinámica. La teoría de capacidades dinámicas (Teece, Pisano & Shuen, 1997) provee un marco adecuado para analizar cómo las organizaciones integran, construyen y reconfiguran sus competencias en IA para responder a entornos cambiantes. La IA no es únicamente una herramienta tecnológica sino una capacidad organizacional que requiere ser desarrollada, gobernada y alineada con la estrategia de negocio. Kumar & Shrivastava (2025), en su revisión publicada en SAGE, documentan cómo las organizaciones que logran ventajas competitivas sostenibles a través de la IA son aquellas que la integran como capacidad transversal, no como proyecto aislado de tecnología.

Este encuadre teórico es consistente con los hallazgos de McKinsey (2025), que documentan que las organizaciones con mayor impacto financiero de la IA son aquellas que la despliegan en múltiples funciones de negocio simultáneamente y que han rediseñado sus flujos de trabajo antes de seleccionar la herramienta tecnológica. La adopción de IA como capacidad dinámica implica, por tanto, una dimensión organizacional que supera ampliamente la dimensión técnica.

3. Metodología

3.1 Protocolo de revisión sistemática. La presente revisión sigue los lineamientos PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), protocolo ampliamente adoptado en las ciencias de la gestión para garantizar rigor, transparencia y reproducibilidad en revisiones de literatura (Moher et al., 2009).

3.2 Fuentes y estrategia de búsqueda. Se realizaron búsquedas sistemáticas en cinco bases de datos: Scopus, Web of Science, Google Académico, SSRN y ScienceDirect. La ecuación de búsqueda combinó los términos: ("inteligencia artificial" OR "artificial intelligence" OR "machine learning" OR "IA generativa") AND ("toma de decisiones" OR "decision making" OR "strategic decisions" OR "organizational decisions") AND ("empresas" OR "business" OR "organizations" OR "management"). El período de búsqueda comprendió enero de 2020 a mayo de 2025.

3.3 Criterios de inclusión y exclusión. Criterios de inclusión: artículos publicados en revistas indexadas con revisión por pares, reportes de investigación de organismos reconocidos (McKinsey, IBM, BCG, RAND, MIT) o trabajos presentados en conferencias académicas de primer nivel; publicaciones en inglés o español entre enero 2020 y mayo 2025; estudios que aborden explícitamente el impacto de la IA en procesos de decisión en contextos organizacionales. Criterios de exclusión: artículos de opinión sin sustento empírico o teórico; estudios centrados exclusivamente en aspectos técnicos de algoritmos sin vinculación a gestión empresarial; trabajos duplicados o que no superaron la evaluación de calidad metodológica.

De un total de 312 documentos identificados en la búsqueda inicial, se descartaron 187 por título y resumen, 64 por no cumplir criterios de inclusión tras revisión completa, y 16 por duplicación. El corpus final para análisis comprende 45 fuentes.

4. Resultados

4.1 La brecha entre adopción y generación de valor. El hallazgo más consistente a través de la literatura revisada es la existencia de una brecha pronunciada entre la adopción generalizada de IA y la generación de valor empresarial medible. McKinsey (2025), en su encuesta anual sobre el estado de la IA con representación de múltiples industrias y geografías, documenta que el 78% de las organizaciones ya utiliza IA en al menos una función de negocio, pero solo el 39% reporta impacto a nivel empresarial en su EBIT. Más revelador aún: únicamente el 6% clasifica como organización de alto desempeño en IA, con un impacto de 5% o más en EBIT.

El MIT Project NANDA (2025), en su estudio The GenAI Divide: State of AI in Business 2025, basado en más de 300 iniciativas de IA analizadas mediante entrevistas y encuestas estructuradas, encontró que el 95% de las organizaciones reporta retorno cero en su estado de resultados derivado de proyectos de IA generativa. BCG (2025), en su estudio Build for the Future con muestra de 1,250 organizaciones, llega a conclusiones convergentes: solo el 5% de las empresas logra valor sustancial a escala. La convergencia entre tres instituciones de investigación independientes sobre este hallazgo le confiere alta solidez.

La RAND Corporation (2024) aporta una perspectiva de causas raíz mediante metodología cualitativa con ingenieros y científicos de datos: más del 80% de los proyectos de IA fracasa en entregar el valor de negocio prometido, a una tasa que duplica la de proyectos tecnológicos equivalentes sin IA. Significativamente, RAND identifica que el 84% de estos fracasos son atribuibles a factores de liderazgo y organizacionales, no a limitaciones tecnológicas.

4.2 Dimensiones de impacto de la IA en decisiones empresariales. La revisión permite identificar tres dimensiones diferenciadas de impacto, consistentes con la taxonomía de decisiones organizacionales:

Dimensión 1 — Decisiones operacionales. Es donde la evidencia de impacto es más robusta y consistente. La IA ha demostrado capacidad para mejorar velocidad, precisión y escalabilidad en decisiones de alta frecuencia. El IBM Institute for Business Value (2026) documenta que los CEOs reportan actualmente que el 25% de las decisiones operacionales ya son tomadas por IA sin intervención humana. Singh & Sehgal (2024) revisan casos de aplicación en gestión de cadena de suministro, scoring crediticio, pricing dinámico y recursos humanos, encontrando mejoras consistentes en eficiencia y reducción de sesgo decisional en estos dominios.

Dimensión 2 — Decisiones estratégicas. La penetración de la IA en el nivel estratégico es más reciente y su impacto más heterogéneo. Kumar & Shrivastava (2025) documentan aplicaciones de analítica predictiva y modelado de escenarios que permiten a los líderes anticipar tendencias con mayor precisión. El estudio CEO 2026 de IBM señala que el 64% de los directores generales ya está cómodo usando IA para decisiones estratégicas mayores, aunque con variaciones importantes por industria y tamaño organizacional. BCG (2026) documenta que casi tres cuartas partes de los CEOs se identifican actualmente como el principal decisor sobre IA en su organización.

Dimensión 3 — Gobernanza y riesgo. La literatura revisada identifica de forma consistente una tercera dimensión frecuentemente subestimada: la gobernanza de los sistemas de IA como condición habilitante para la toma de decisiones responsable. Un estudio reciente de IBM sobre 2,000 ejecutivos de tecnología en 33 países (2026) encontró que dos tercios son responsables de sistemas de IA que no pueden supervisar de manera realista, y que solo el 11% se declara completamente preparado. La entrada en vigor de regulaciones como el EU AI Act (2024) añade una dimensión de cumplimiento normativo que la literatura anticipa se extenderá progresivamente a otras jurisdicciones.

4.3 Variables moderadoras: condiciones para la generación de valor. La revisión permite identificar cuatro variables moderadoras que determinan si la adopción de IA se traduce en mejores decisiones y valor empresarial:

a) Calidad y gobierno del dato. Identificada como la barrera más frecuente. La encuesta CDO Insights 2025 de Informatica, con representación global, señala la calidad y preparación del dato como obstáculo principal para el éxito de IA en el 43% de las organizaciones.

b) Rediseño de procesos previo a la implementación. McKinsey (2025) documenta que las organizaciones con retornos financieros significativos tienen el doble de probabilidad de haber rediseñado sus procesos de trabajo antes de seleccionar las herramientas de IA. La denominada "falacia de integración" —la suposición de que la IA puede superponerse a procesos existentes sin rediseño previo— es identificada por múltiples fuentes como uno de los patrones de fracaso más comunes.

c) Liderazgo ejecutivo comprometido. RAND (2024) identifica la pérdida de patrocinio ejecutivo como uno de los factores de fracaso más frecuentes en proyectos de IA. Este hallazgo es consistente con el dato del estudio CEO 2026 de IBM: las organizaciones con una C-suite orientada a IA han escalado un 10% más de iniciativas a nivel empresarial en comparación con sus pares.

d) Modelo de asignación de recursos 10/20/70. Identificado de forma convergente por MIT, McKinsey y BCG, este patrón establece que las implementaciones exitosas asignan el 10% del esfuerzo y presupuesto a algoritmos, el 20% a infraestructura tecnológica y datos, y el 70% a personas y procesos. Las organizaciones que invierten en sentido inverso —priorizando la tecnología sobre el cambio organizacional— consistentemente reportan fracasos.

5. Discusión

5.1 La IA como amplificador organizacional. Los hallazgos de esta revisión sustentan una proposición central que emerge de forma consistente en la literatura: la IA no transforma organizaciones, amplifica lo que estas ya son. Si una organización tiene procesos claros, datos gobernados y cultura de decisión basada en evidencia, la IA amplifica esas capacidades y genera ventaja competitiva sostenible. Si, en cambio, la organización tiene procesos opacos, datos fragmentados y culturas de decisión basadas en jerarquía o intuición, la IA amplifica y escala esas disfuncionalidades.

Este hallazgo tiene implicaciones prácticas directas: el ROI de la IA depende en mayor medida de inversiones previas en calidad de datos y rediseño de procesos que de la sofisticación del modelo o la plataforma tecnológica elegida. La "falacia del modelo" —la creencia de que un algoritmo más avanzado resolverá problemas organizacionales estructurales— representa uno de los errores más costosos documentados en la literatura.

5.2 Implicaciones para economías emergentes. La literatura revisada presenta un sesgo geográfico relevante: la mayoría de los estudios empíricos con mayor rigor metodológico provienen de contextos de economías avanzadas (Estados Unidos, Europa Occidental, Japón). La aplicabilidad directa de sus hallazgos a contextos como América Latina requiere mediaciones importantes. Aranda-García et al. (2025) documentan que la literatura académica disponible en economías como Ecuador, Colombia o Costa Rica presenta escasa evidencia sobre modelos concretos de aplicación de IA en PYMES, señalando que en estos contextos la adopción está condicionada por factores adicionales: limitaciones en infraestructura de datos, escasez de talento especializado, menor acceso a capital para inversión tecnológica y brechas en cultura organizacional de gestión basada en datos.

Esta realidad sugiere que la estrategia de adopción de IA para empresas en economías emergentes no puede replicar los benchmarks de Walmart, Amazon o empresas del Fortune 500. El punto de entrada correcto es diferente: comenzar por casos de uso específicos con alta frecuencia de decisión, datos relativamente limpios y ROI medible en el corto plazo, antes de escalar a aplicaciones de mayor complejidad.

5.3 Propuesta de marco integrador. Con base en la síntesis de la literatura revisada, se propone un marco integrador de cuatro fases para la adopción de IA orientada a mejorar la calidad de las decisiones empresariales:

Fase 1 — Diagnóstico organizacional: evaluación de la madurez de datos, claridad de procesos y cultura de decisión basada en evidencia como condiciones previas a cualquier inversión en tecnología de IA.
Fase 2 — Selección de caso de uso ancla: identificación de una decisión de negocio de alta frecuencia, con datos disponibles y KPI de impacto claramente definido antes de la implementación.
Fase 3 — Implementación con gobernanza activa: despliegue con patrocinio ejecutivo visible, asignación de recursos siguiendo el modelo 10/20/70 y establecimiento de mecanismos de supervisión y auditoría del sistema.
Fase 4 — Escala desde el valor demostrado: expansión a casos de uso adicionales financiada por el ROI documentado del caso ancla, evitando la trampa de la adopción simultánea y no priorizada.

6. Conclusiones

La IA ha superado la fase de tecnología emergente y se ha convertido en condición de competitividad en múltiples industrias. El 78% de adopción documentado por McKinsey (2025) y la proyección del IBM (2026) de que el 48% de las decisiones operacionales serán tomadas por IA para 2030 confirman esta transición.
La brecha entre adopción y generación de valor es el fenómeno más relevante del momento actual. La convergencia entre MIT, BCG, McKinsey y RAND sobre tasas de fracaso que oscilan entre el 80% y el 95% de los proyectos constituye una señal de alerta de alta consistencia que la práctica empresarial no puede ignorar.
Los determinantes del éxito son predominantemente organizacionales, no tecnológicos. La calidad del dato, el rediseño de procesos, el liderazgo ejecutivo comprometido y el modelo de asignación de recursos explican en mayor medida el éxito que la sofisticación del modelo o la plataforma elegida.
La gobernanza de los sistemas de IA emerge como dimensión crítica insuficientemente desarrollada en la mayoría de organizaciones. La evidencia de que dos tercios de los ejecutivos de tecnología son responsables de sistemas que no pueden supervisar (IBM, 2026) representa un riesgo tanto operacional como reputacional y regulatorio.
Las economías emergentes requieren marcos de adopción adaptados a su contexto específico de madurez digital, disponibilidad de talento e infraestructura de datos. La replicación acrítica de benchmarks globales es una fuente de frustración documentada en la literatura latinoamericana disponible.

Como limitación principal, esta revisión reconoce el predominio de fuentes anglófonas y provenientes de economías avanzadas en la literatura de mayor rigor metodológico disponible. Investigaciones futuras deberían priorizar estudios empíricos en contextos latinoamericanos con muestras representativas de medianas empresas, para generar evidencia localmente validada sobre los determinantes de éxito en la adopción de IA.

Referencias

BCG (2025). The Widening AI Value Gap: Build for the Future 2025 Global Study (n = 1,250). Boston Consulting Group.

BCG (2026). AI Radar 2026: As AI Investments Surge, CEOs Take the Lead. Boston Consulting Group.

Cao, L. (2024). AI in business research. Decision Sciences, 55, 518–532.

Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116.

Gorry, G. A., & Scott Morton, M. S. (1971). A framework for management information systems. Sloan Management Review, 13(1), 55–70.

IBM Institute for Business Value (2026). 2026 CEO Study: 5 plays for AI-first transformation. IBM Corporation.

IBM Institute for Business Value (2026). New IBM Study Finds CIOs and CTOs Face Growing AI Control Gap. PRNewswire, enero 2026.

Informatica (2025). CDO Insights 2025: Global Data Leaders Survey. Informatica Corporation.

Kumar, N., & Shrivastava, A. (2025). The artificial intelligence (AI) revolution: Evolving business decision-making in the digital age. SAGE Open Management.

Mariani, M. M., & Borghi, M. (2021). Determinants of online review helpfulness: A multi-method approach. International Journal of Information Management, 54, 102–140.

McKinsey & Company (2025). The state of AI in 2025: Agents, innovation, and transformation. QuantumBlack, AI by McKinsey.

MIT Project NANDA (2025). The GenAI Divide: State of AI in Business 2025. Massachusetts Institute of Technology.

Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Medicine, 6(7), e1000097.

RAND Corporation (2024). The Root Causes of Failure for AI Projects. RAND Corporation Research Report.

Rozony, F. Z. (2023). Integrating artificial intelligence in strategic business decision-making: A systematic review. SSRN Working Paper.

S&P Global Market Intelligence (2025). Voice of the Enterprise: AI & Machine Learning Survey 2025.

Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99–118.

Singh, V., & Sehgal, U. (2024). A systematic review of artificial intelligence enabled data-driven decision making in management and IT. Journal of Neonatal Surgery, 14(13), 1334–1345.

Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.

Axia opera como MARJAD SRL, PYME costarricense registrada ante el MEIC.