Inteligencia artificial aplicada a la transformación digital: Fundamentos, tecnologías, aplicaciones y estrategias para organizaciones inteligentes

Autores/as

Darwin Pino Cordero, Universidad Nacional del Altiplanohttps://orcid.org/0000-0002-8761-5184; Cynthia Shakira Enriquez Fierro, Universidad Internacional del Ecuador- UIDEhttps://orcid.org/0009-0002-5389-9892; Raúl Rigoberto Rivera Callehttps://orcid.org/0009-0002-9448-4407; Jonathan Flavio Barco Acosta, Educa Plus Editorial Académicahttps://orcid.org/0009-0009-2475-7503; Juan Pablo Moncayo Guarnizo, Universidad Nacional de Lojahttps://orcid.org/0009-0002-8206-3015
DOI: https://doi.org/10.66646/educa-plus/10oct2620

Palabras clave:

Inteligencia artificial, Transformación digital, Organizaciones inteligentes, Aprendizaje automático, Innovación tecnológica, Gestión organizacional, Automatización inteligente, Analítica de datos, Gobernanza de datos, Estrategia digital, Sostenibilidad empresarial, Ética de la inteligencia artificial

Sinopsis

La inteligencia artificial se ha consolidado como una tecnología estratégica para la transformación digital de las organizaciones, al ampliar las posibilidades de automatización, análisis de información, innovación y apoyo a la toma de decisiones. En este contexto, la obra Inteligencia artificial aplicada a la transformación digital: Fundamentos, tecnologías, aplicaciones y estrategias para organizaciones inteligentes examina los fundamentos conceptuales, las principales tecnologías habilitadoras y las condiciones organizacionales necesarias para integrar sistemas inteligentes de manera responsable, eficiente y sostenible.

Estructurado en diez capítulos, el libro aborda la evolución de la inteligencia artificial y su convergencia con la transformación digital, diferenciando la incorporación de herramientas tecnológicas de los procesos integrales de cambio institucional. Analiza tecnologías como el aprendizaje automático, el aprendizaje profundo, el procesamiento del lenguaje natural, la visión por computadora, la inteligencia artificial generativa y la computación distribuida. Asimismo, estudia la importancia de la infraestructura digital, la calidad de los datos y la interoperabilidad para el desarrollo de soluciones tecnológicas confiables.

Desde una perspectiva estratégica e interdisciplinaria, examina la aplicación de la inteligencia artificial en la gestión de operaciones, las cadenas de suministro, las relaciones con los clientes, las finanzas y la administración del talento humano. También aborda la planificación de iniciativas digitales, el diagnóstico de capacidades institucionales, la innovación de procesos y la evaluación de resultados mediante indicadores pertinentes.

La publicación incorpora una reflexión transversal sobre gobernanza tecnológica, ética algorítmica, protección de datos, ciberseguridad, supervisión humana y sostenibilidad. Destaca que la adopción de inteligencia artificial no garantiza por sí misma mejoras organizacionales, sino que requiere liderazgo, competencias profesionales, evaluación continua y decisiones fundamentadas.

La obra está dirigida a estudiantes universitarios, docentes, investigadores, directivos y profesionales interesados en comprender las oportunidades, limitaciones y desafíos de la inteligencia artificial aplicada a la transformación digital. Su contribución consiste en proporcionar fundamentos académicos y criterios de aplicación para promover organizaciones inteligentes, capaces de integrar tecnología, conocimiento humano y responsabilidad institucional en procesos sostenibles de innovación y transformación.

Biografía del autor/a

Darwin Pino Cordero, Universidad Nacional del Altiplano

Contador Público Colegiado, Doctor en Administración, Magíster en Contabilidad y Administración, Magíster en Informática y con Segunda Especialidad en Didáctica Universitaria. Docente investigador reconocido en el Registro Nacional Científico, Tecnológico y de Innovación Tecnológica (RENACYT), con trayectoria en la docencia universitaria, la investigación científica, la gestión empresarial y la consultoría especializada.

Es docente ordinario de la Escuela Profesional de Ciencias Contables de la Universidad Nacional del Altiplano (UNA Puno) y docente de la Escuela de Posgrado, donde participa en la formación académica de estudiantes de la Maestría en Contabilidad y Administración y de programas de doctorado.

Desarrolla actividades de investigación científica orientadas a la generación y difusión de conocimientos en las áreas de contabilidad, administración, finanzas, tecnologías de la información e innovación, articulando la investigación con la enseñanza universitaria y la solución de problemas del entorno empresarial y social.

En el ámbito institucional, fue presidente del Comité de Informática Contable del Colegio de Contadores Públicos de Puno. En el sector empresarial, se desempeña como gerente de DARTECK E.I.R.L., consultor financiero de AXON Consultores & Constructores S.A.C. y consultor tecnológico de Grupo JICA Ingeniería y Construcción S.A.C.

Actualmente, combina la docencia universitaria de pregrado y posgrado, la investigación científica y la consultoría profesional, contribuyendo a la formación de nuevos profesionales, la producción de conocimiento y la incorporación de tecnologías innovadoras en la gestión contable, financiera y empresarial.

Cynthia Shakira Enriquez Fierro, Universidad Internacional del Ecuador- UIDE

 Cynthia Enríquez Fierro es una profesional de la comunicación y el marketing con una sólida trayectoria en la academia y en el ámbito empresarial. Se desempeña como docente investigadora y coordinadora de maestrías de posgrado en la UIDE Business School, donde lidera procesos de gestión académica, acompañamiento a estudiantes y fortalecimiento de la calidad educativa. Su experiencia abarca el marketing estratégico, el marketing digital, la comunicación corporativa y la gestión de marcas, áreas en las que combina el conocimiento teórico con una visión práctica orientada a resultados. Cuenta con una amplia producción científica en revistas y libros académicos, y participa activamente en proyectos de investigación vinculados a la comunicación, los medios digitales y las nuevas tendencias del mercado. Se caracteriza por su liderazgo, su capacidad de innovación y su compromiso con la formación de profesionales capaces de responder a los desafíos de un entorno empresarial más dinámico y competitivo.

Raúl Rigoberto Rivera Calle

Magíster en Inteligencia Artificial Aplicada a la Educación e Ingeniero en Sistemas, con experiencia en docencia, desarrollo tecnológico e innovación educativa. Su formación combina competencias pedagógicas y técnicas orientadas al uso de herramientas digitales e inteligencia artificial para mejorar los procesos de enseñanza, evaluación y aprendizaje.

Realizó su Maestría en Inteligencia Artificial Aplicada a la Educación en la Universidad Estatal de Milagro (UNEMI), con énfasis en modelos predictivos de rendimiento académico, automatización de la evaluación y desarrollo de agentes conversacionales para el aprendizaje adaptativo. Es también Ingeniero en Sistemas por la Universidad Católica de Cuenca, sede Azogues.

Desde 2023 se desempeña como docente de Informática y Emprendimiento en la Unidad Educativa Fiscomisional Corazón de María, donde participa en planificación curricular, integración de tecnologías educativas y desarrollo del sitio web institucional. Asimismo, ejerce como instructor en el Sindicato de Choferes Profesionales del Cantón Biblián y como instructor y director técnico de la Escuela de Artes Marciales Bushido Shotokan Karate Do.

Su experiencia incluye proyectos de investigación sobre inteligencia artificial generativa, asistentes virtuales y herramientas pedagógicas adaptativas, además del desarrollo de soluciones tecnológicas para seguimiento e inserción laboral. Sus áreas de especialización abarcan inteligencia artificial aplicada a la educación, tecnología educativa, e-learning, desarrollo web, Python, JavaScript, integración de API, Firebase y Cloudflare Pages.

Jonathan Flavio Barco Acosta, Educa Plus Editorial Académica

Licenciado, magíster y doctorando, con una trayectoria profesional vinculada a la educación, la gestión editorial y la promoción de la investigación científica. Su labor se orienta al fortalecimiento de la producción intelectual, la difusión del conocimiento y el desarrollo de iniciativas académicas que contribuyan al progreso educativo y científico.

Es fundador y director general de Educa Plus Editorial Académica, institución ecuatoriana cuyos orígenes se remontan a 2015 y que promueve la edición, evaluación y publicación de libros académicos y científicos en diversas áreas del conocimiento.

Asimismo, se desempeña como Editor en Jefe de la Revista Ecuatoriana de Desarrollo Social y Ambiental (REDSA), donde impulsa las buenas prácticas editoriales, la revisión por pares, el acceso abierto y la visibilidad internacional de la investigación.

Su interés profesional se centra en la innovación educativa, la gestión del conocimiento y la transformación de los procesos académicos mediante herramientas tecnológicas. Desde su experiencia institucional, promueve una cultura de investigación basada en la ética, la responsabilidad y el compromiso social, convencido de que la educación y la producción científica constituyen pilares fundamentales para el desarrollo sostenible y la transformación de la sociedad.

Juan Pablo Moncayo Guarnizo, Universidad Nacional de Loja

Docente ecuatoriano con una destacada trayectoria académica y profesional orientada al fortalecimiento de la educación y la formación integral de sus estudiantes. Con formación Magíster en Pedagogía por la Universidad Técnica Particular de Loja (UTPL) y Licenciado en Ciencias de la Educación mención Informática Educativa por la Universidad nacional de Loja (UNL) formación que le permitió consolidar su vocación por la enseñanza, y la certificación como Formador de Formadores, su formación continua actualmente cursando el Doctorado en Educación en la Universidad Católica Andrés Bello, y en diversos cursos de actualización relacionados con el Diseño Universal para el Aprendizaje y  práctica  docente. 

En el ámbito profesional, actualmente se desempeña como docente de la Carrera Pedagogía de las Ciencias Experimentales Informática, modalidad presencial de la Universidad Nacional de Loja, imparte asignaturas de Pedagogía, Teorías del Aprendizaje, Planificación Curricular, diseño Curricular en Informática, Evaluación Curricular; también ejerció la docencia en la modalidad abierta y a distancia de la Universidad Técnica Particular de Loja en la carrera de Educación Básica y director de más de veinte tesis de la misma carrera. Fue docente del Ministerio de Educación en dos colegios de la ciudad de Loja en asignaturas relacionadas con el área de las Tic e Informática y en el área de las Ciencias Sociales.

Su trayectoria se caracteriza por la búsqueda permanente de actualización académica, la innovación educativa, la inclusión y el compromiso con una educación humana, asertiva, equitativa y transformadora.

Referencias

Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019). Guidelines for human-AI interaction. En Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems (pp. 1–13). Association for Computing Machinery. https://doi.org/10.1145/3290605.3300233

Armbrust, M., Ghodsi, A., Xin, R., & Zaharia, M. (2021). Lakehouse: A new generation of open platforms that unify data warehousing and advanced analytics. En Proceedings of the 11th Conference on Innovative Data Systems Research. https://www.vldb.org/cidrdb/papers/2021/cidr2021_paper17.pdf

Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80–98. https://doi.org/10.1509/jmr.16.0163

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3

Bertsimas, D., & Kallus, N. (2020). From predictive to prescriptive analytics. Management Science, 66(3), 1025–1044. https://doi.org/10.1287/mnsc.2018.3253

Bharadwaj, A., El Sawy, O. A., Pavlou, P. A., & Venkatraman, N. (2013). Digital business strategy: Toward a next generation of insights. MIS Quarterly, 37(2), 471–482. https://doi.org/10.25300/MISQ/2013/37:2.3

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., … Liang, P. (2021). On the opportunities and risks of foundation models. arXiv. https://doi.org/10.48550/arXiv.2108.07258

Breck, E., Cai, S., Nielsen, E., Salib, M., & Sculley, D. (2017). The ML test score: A rubric for ML production readiness and technical debt reduction. En 2017 IEEE International Conference on Big Data (Big Data) (pp. 1123–1132). IEEE. https://doi.org/10.1109/BigData.2017.8258038

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386

Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, Artículo 106024. https://doi.org/10.1016/j.cie.2019.106024

Dal Pozzolo, A., Boracchi, G., Caelen, O., Alippi, C., & Bontempi, G. (2018). Credit card fraud detection: A realistic modeling and a novel learning strategy. IEEE Transactions on Neural Networks and Learning Systems, 29(8), 3784–3797. https://doi.org/10.1109/TNNLS.2017.2736643

DAMA International. (2017). DAMA-DMBOK: Data management body of knowledge (2.ª ed.). Technics Publications. https://technicspub.com/wp-content/uploads/2023/07/DAMA-DMBOK2.pdf

Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383. https://doi.org/10.2307/2666999

Fagan, M., Megas, K. N., Scarfone, K., & Smith, M. (2020). IoT device cybersecurity capability core baseline (NISTIR 8259A). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.IR.8259A

Financial Stability Board. (2024). The financial stability implications of artificial intelligence. https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/

Financial Stability Board. (2025). Monitoring adoption of artificial intelligence and related vulnerabilities in the financial sector. https://www.fsb.org/2025/10/monitoring-adoption-of-artificial-intelligence-and-related-vulnerabilities-in-the-financial-sector/

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (ILO Working Paper 140). International Labour Organization. https://doi.org/10.54394/HETP0387

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/

Henderson, P., Hu, J., Romoff, J., Brunskill, E., Jurafsky, D., & Pineau, J. (2020). Towards the systematic reporting of the energy and carbon footprints of machine learning. Journal of Machine Learning Research, 21(248), 1–43. https://jmlr.org/papers/v21/20-312.html

Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3.ª ed.). OTexts. https://otexts.com/fpp3/

International Energy Agency. (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai

International Organization for Standardization & International Electrotechnical Commission. (2023). Information technology—Artificial intelligence—Management system (ISO/IEC 42001:2023). https://www.iso.org/standard/42001

Iorga, M., Feldman, L., Barton, R., Martin, M. J., Goren, N., & Mahmoudi, C. (2018). Fog computing conceptual model (NIST Special Publication 500-325). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.500-325

Jurafsky, D., & Martin, J. H. (2026). Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition with language models (3.ª ed., manuscrito en línea del 19 de agosto de 2026). https://web.stanford.edu/~jurafsky/slp3/

Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2015). Strategy, not technology, drives digital transformation. MIT Sloan Management Review y Deloitte University Press. https://doi.org/10.63383/uzyq6766

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174

Kleinberg, J., Ludwig, J., Mullainathan, S., & Obermeyer, Z. (2015). Prediction policy problems. American Economic Review, 105(5), 491–495. https://doi.org/10.1257/aer.p20151023

Kotter, J. P. (1995). Leading change: Why transformation efforts fail. Harvard Business Review, 73(2), 59–67. https://hbr.org/1995/03/leading-change-why-transformation-efforts-fail-2

Kreuzberger, D., Kühl, N., & Hirschl, S. (2023). Machine learning operations (MLOps): Overview, definition, and architecture. IEEE Access, 11, 31866–31879. https://doi.org/10.1109/ACCESS.2023.3262138

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Lee, H. L., Padmanabhan, V., & Whang, S. (1997). Information distortion in a supply chain: The bullwhip effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546

Lei n.º 13.709, de 14 de agosto de 2018: Lei Geral de Proteção de Dados Pessoais. (2018). Diário Oficial da União. https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm

Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69–96. https://doi.org/10.1509/jm.15.0420

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://doi.org/10.48550/arXiv.2005.11401

Ley Orgánica de Protección de Datos Personales. (2021, 26 de mayo). Registro Oficial, Quinto Suplemento n.º 459. https://www.registroficial.gob.ec/quinto-suplemento-al-registro-oficial-no-459/

Martin, K. D., Borah, A., & Palmatier, R. W. (2017). Data privacy: Effects on customer and firm performance. Journal of Marketing, 81(1), 36–58. https://doi.org/10.1509/jm.15.0497

Matt, C., Hess, T., & Benlian, A. (2015). Digital transformation strategies. Business & Information Systems Engineering, 57(5), 339–343. https://doi.org/10.1007/s12599-015-0401-5

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955, 31 de agosto). A proposal for the Dartmouth summer research project on artificial intelligence [Propuesta de investigación]. https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

Mell, P., & Grance, T. (2011). The NIST definition of cloud computing (NIST Special Publication 800-145). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-145

National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1

National Institute of Standards and Technology. (2024). The NIST cybersecurity framework (CSF) 2.0 (NIST CSWP 29). https://doi.org/10.6028/NIST.CSWP.29

Nissenbaum, H. (2004). Privacy as contextual integrity. Washington Law Review, 79(1), 119–158. https://digitalcommons.law.uw.edu/wlr/vol79/iss1/10/

Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2021). Recomendación sobre la ética de la inteligencia artificial. https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence

Organización Internacional del Trabajo. (2025, 20 de mayo). Uno de cada cuatro empleos en riesgo de transformarse por la IA generativa, revela nuevo índice global de la OIT y NASK. https://www.ilo.org/es/resource/noticias/uno-de-cada-cuatro-empleos-en-riesgo-de-transformarse-por-la-ia-generativa

Organización para la Cooperación y el Desarrollo Económicos. (2023a). OECD employment outlook 2023: Artificial intelligence and the labour market. OECD Publishing. https://doi.org/10.1787/08785bba-en

Organización para la Cooperación y el Desarrollo Económicos. (2023b). OECD guidelines for multinational enterprises on responsible business conduct. OECD Publishing. https://doi.org/10.1787/81f92357-en

Organización para la Cooperación y el Desarrollo Económicos. (2024). Revised recommendation of the Council on artificial intelligence (C/MIN[2024]16/FINAL). https://one.oecd.org/document/C/MIN%282024%2916/FINAL/en

Organización para la Cooperación y el Desarrollo Económicos. (2025). Strategic foresight toolkit for resilient public policy: A comprehensive foresight methodology to support sustainable and future-ready public policy. OECD Publishing. https://doi.org/10.1787/bcdd9304-en

Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354

Parker, S. K., & Grote, G. (2022). Automation, algorithms, and beyond: Why work design matters more than ever in a digital world. Applied Psychology, 71(4), 1171–1204. https://doi.org/10.1111/apps.12241

Phillips, P. J., Hahn, C. A., Fontana, P. C., Yates, A. N., Greene, K. K., Broniatowski, D. A., & Przybocki, M. A. (2021). Four principles of explainable artificial intelligence (NISTIR 8312). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.IR.8312

Porter, M. E. (1996). What is strategy? Harvard Business Review, 74(6), 61–78. https://hbr.org/1996/11/what-is-strategy

Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. En Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 469–481). Association for Computing Machinery. https://doi.org/10.1145/3351095.3372828

Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072

Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). (2024). Diario Oficial de la Unión Europea, L, 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Ricci, F., Rokach, L., & Shapira, B. (Eds.). (2022). Recommender systems handbook (3.ª ed.). Springer. https://doi.org/10.1007/978-1-0716-2197-4

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4.ª ed., ed. global). Pearson. https://aima.cs.berkeley.edu/global-index.html

Schein, E. H., & Schein, P. A. (2017). Organizational culture and leadership (5.ª ed.). Wiley. https://www.wiley.com/en-ae/organizational-culture-and-leadership-5th-edition-p-9781119212041

Schluntz, E., & Zhang, B. (2024, 19 de diciembre). Building effective agents. Anthropic. https://www.anthropic.com/engineering/building-effective-agents

Schumacher, A., Erol, S., & Sihn, W. (2016). A maturity model for assessing Industry 4.0 readiness and maturity of manufacturing enterprises. Procedia CIRP, 52, 161–166. https://doi.org/10.1016/j.procir.2016.07.040

Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems, 28, 2503–2511. https://research.google/pubs/hidden-technical-debt-in-machine-learning-systems/

Selbst, A. D., boyd, d., Friedler, S. A., Venkatasubramanian, S., & Vertesi, J. (2019). Fairness and abstraction in sociotechnical systems. En Proceedings of the Conference on Fairness, Accountability, and Transparency (pp. 59–68). Association for Computing Machinery. https://doi.org/10.1145/3287560.3287598

Shao, G. (2024). Manufacturing digital twin standards. En Proceedings of the ACM/IEEE 27th International Conference on Model Driven Engineering Languages and Systems (pp. 370–377). Association for Computing Machinery. https://doi.org/10.1145/3652620.3688250

Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289–310. https://doi.org/10.1214/10-STS330

Suresh, H., & Guttag, J. (2021). A framework for understanding sources of harm throughout the machine learning life cycle. En Equity and Access in Algorithms, Mechanisms, and Optimization (pp. 1–9). Association for Computing Machinery. https://doi.org/10.1145/3465416.3483305

Szeliski, R. (2022). Computer vision: Algorithms and applications (2.ª ed.). Springer. https://doi.org/10.1007/978-3-030-34372-9

Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640

Teece, D. J. (2010). Business models, business strategy and innovation. Long Range Planning, 43(2–3), 172–194. https://doi.org/10.1016/j.lrp.2009.07.003

Thomas, D. S. (2017). Investment analysis methods: A practitioner’s guide to understanding the basic principles for investment decisions in manufacturing (NIST Advanced Manufacturing Series 200-5). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AMS.200-5

Thomas, D. S. (2024). Economics of digital twins: Costs, benefits, and economic decision making (NIST Advanced Manufacturing Series 100-61). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AMS.100-61

Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial intelligence in supply chain management: A systematic literature review. Journal of Business Research, 122, 502–517. https://doi.org/10.1016/j.jbusres.2020.09.009

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433

van der Aalst, W. M. P. (2016). Process mining: Data science in action (2.ª ed.). Springer. https://doi.org/10.1007/978-3-662-49851-4

van der Aalst, W. M. P., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business & Information Systems Engineering, 60(4), 269–272. https://doi.org/10.1007/s12599-018-0542-4

Vassilev, A., Oprea, A., Fordyce, A., Anderson, H., Davies, X., & Hamin, M. (2025). Adversarial machine learning: A taxonomy and terminology of attacks and mitigations (NIST AI 100-2e2025). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-2e2025

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://doi.org/10.48550/arXiv.1706.03762

Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118–144. https://doi.org/10.1016/j.jsis.2019.01.003

Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S. D., Tegmark, M., & Fuso Nerini, F. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature Communications, 11, Artículo 233. https://doi.org/10.1038/s41467-019-14108-y

Wang, R. Y., & Strong, D. M. (1996). Beyond accuracy: What data quality means to data consumers. Journal of Management Information Systems, 12(4), 5–33. https://doi.org/10.1080/07421222.1996.11518099

Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing, 80(6), 97–121. https://doi.org/10.1509/jm.15.0413

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3, Artículo 160018. https://doi.org/10.1038/sdata.2016.18

World Wide Web Consortium. (2017). Data on the web best practices [Recomendación del W3C]. https://www.w3.org/TR/2017/REC-dwbp-20170131/

Descargas

PDF

Publicado

31 octubre 2026

Colección

Ingeniería y Tecnología
Derechos de autor 2026 Darwin Pino Cordero, Cynthia Shakira Enriquez Fierro, Raúl Rigoberto Rivera Calle, Jonathan Flavio Barco Acosta, Juan Pablo Moncayo Guarnizo (Autor/a)

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Política de Derechos de Autor y Licencia de Publicación

Los autores conservan la titularidad de los derechos de autor de sus obras. EDUCA-PLUS Editorial Académica ejerce únicamente los derechos de edición, publicación, distribución, preservación y difusión concedidos mediante el acuerdo editorial o la autorización correspondiente, sin transferencia de la titularidad.

Licencia de uso

Las obras cuya publicación haya sido autorizada bajo Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) pueden copiarse, compartirse y adaptarse, siempre que se cumplan estas condiciones:

• Atribución: reconocer adecuadamente a los autores y la fuente, proporcionar un enlace a la licencia e indicar si se realizaron cambios, sin sugerir respaldo de los autores o de la editorial.

• NoComercial: no utilizar el material con fines comerciales al amparo de esta licencia.

• CompartirIgual: cuando se distribuyan adaptaciones, hacerlo bajo la misma licencia o una licencia compatible reconocida por Creative Commons.

No se pueden imponer restricciones legales ni medidas tecnológicas que impidan los usos permitidos por la licencia.

Texto de la licencia:
https://creativecommons.org/licenses/by-nc-sa/4.0/

Publicaciones anteriores y condiciones particulares

La licencia aplicable a cada obra es la que figure en su ficha y en el archivo publicado, conforme a los derechos efectivamente autorizados. Esta política no sustituye automáticamente las licencias históricas ni amplía los derechos concedidos por sus titulares.

Cuando existan períodos con condiciones diferentes, se publicarán sus fechas de vigencia y se identificará la licencia correspondiente a cada obra. Cualquier modificación que requiera nuevos permisos se realizará después de obtener y documentar las autorizaciones necesarias.

Los materiales de terceros expresamente identificados pueden estar sujetos a condiciones diferentes. Los usos que excedan la licencia requieren autorización del titular correspondiente, salvo las excepciones y limitaciones legalmente aplicables.

Detalles sobre esta monografía

ISBN-13 (15)

978-9907-9622-1-5

Cómo citar

Pino Cordero, D. ., Enriquez Fierro, C. S. ., Rivera Calle, R. R. ., Barco Acosta, J. F. ., & Moncayo Guarnizo, J. P. . (2026). Inteligencia artificial aplicada a la transformación digital: Fundamentos, tecnologías, aplicaciones y estrategias para organizaciones inteligentes. EDUCA-PLUS Editorial Académica. https://doi.org/10.66646/educa-plus/10oct2620