Introducción

En la actualidad, las industrias 4.0, como parte de la cuarta revolución industrial, evidencian la importancia de la gestión del conocimiento (GC) y de la inteligencia artificial (IA) como pilares fundamentales de la competitividad y la sostenibilidad organizacional. En Latinoamérica, a pesar de las limitaciones en el uso de tecnologías emergentes y en la apertura al cambio, se promueven estrategias empresariales orientadas a mantenerse vigentes y competitivas. La IA se posiciona como una herramienta clave para la optimización, captura, retención y almacenamiento del conocimiento dentro de las organizaciones, permitiendo una planeación estratégica más efectiva y una toma de decisiones más eficiente.

Autores como Domínguez et al. (2024) sostienen que la gestión del conocimiento constituye un elemento esencial para la gestión de la cadena de suministro y un antecedente relevante para las prácticas de sostenibilidad. Para Aguirre et al. (2021), la GC adquiere importancia por su capacidad para facilitar el acceso a la información y los datos disponibles. Desde la perspectiva de Gil Mena y Galvis Ciro (2022), la GC puede considerarse simultáneamente un recurso, un medio, un factor, una práctica y un proceso para impulsar la innovación. En el ámbito de la IA, Jiménez et al. (2023) afirman que el emprendimiento tecnológico se sustenta en una visión compartida en todos los niveles organizacionales, orientada a crear y capturar valor ante los cambios tecnológicos. Cruz y Gordillo Pérez (2022) agregan que la IA aprende de los datos y procesos de manera similar a como lo haría un miembro de la organización durante la toma de decisiones. Finalmente, Rodríguez et al. (2021) plantean las bases para una sociedad digital centrada en la inteligencia artificial como eje de la convivencia entre humanos y sistemas robóticos.

El objetivo de esta investigación es analizar la relación entre la inteligencia artificial y la gestión del conocimiento en el contexto empresarial latinoamericano, identificando los beneficios, desafíos y consideraciones éticas presentes en la implementación de estas tecnologías en casos empresariales recientes. El propósito es aportar nuevo conocimiento al ámbito académico, al ecosistema empresarial y a la comunidad en general, fortaleciendo la comprensión sobre el papel de la IA como herramienta estratégica en la gestión del conocimiento.

Antecedentes generales de la investigación

La gestión del conocimiento, concebida como una herramienta de mejoramiento continuo en los entornos empresariales, desempeña un papel esencial en la articulación con los procesos de transformación industrial asociados a las industrias 4.0. Según Llanes et al. (2023, p. 3), “en la actualidad la gestión de los procesos está matizada por nuevos enfoques centrados en el diseño de diversos modelos de arquitecturas, tales como la interoperabilidad, la información, el big data y la arquitectura tecnológica, que estructuran sus componentes y definen sus relaciones para proyectar y potenciar sus funcionalidades tecnológicas”. La interrelación entre GC e IA permite que las tecnologías emergentes actúen como catalizadores de la innovación continua dentro de las organizaciones.

La gestión del conocimiento se ha consolidado como un instrumento esencial para detectar brechas empresariales, diagnosticadas mediante modelos que facilitan la generación de innovación en procesos, tecnologías, nuevos productos y servicios, además de fortalecer la interacción con los grupos de interés. Huamani et al. (2024) definen la GC como un proceso estratégico y sistemático que comprende la creación, captura, almacenamiento, distribución y aplicación del conocimiento dentro de la organización. En la misma línea, Hernández et al. (2021) argumentan que la GC y las capacidades dinámicas permiten adaptarse a entornos cambiantes, emergentes e inciertos, caracterizados por su complejidad e inestabilidad.

Por su parte, la inteligencia artificial, articulada con la evolución de la industria 4.0, impulsa una dinámica de competitividad mediante la adopción de tecnologías emergentes y disruptivas en el ecosistema empresarial. Estas transformaciones generan procesos de gestión del cambio al interior de las organizaciones, sustentados en la innovación constante y la sostenibilidad. Dante (2023) enfatiza que gran parte de los beneficios actuales y futuros de la IA dependen de procesos de estandarización que, aunque no siempre visibles para el público general, resultan determinantes en la productividad empresarial, especialmente en el contexto latinoamericano. De igual modo, Zapata Cortés (2020) destaca que la IA incide en múltiples áreas empresariales, como la toma de decisiones en marketing, la gestión de relaciones con los clientes, los sistemas de recomendación, la resolución de problemas, la minería de opiniones y la analítica aumentada.

En cuanto a la ética de la información en procesos que integran la gestión del conocimiento y la inteligencia artificial, Reyes Vásquez (2021, p. 3) señala que “la recomendación de la UNESCO considera que la ética es una base dinámica, evolutiva y holística. Sin embargo, el establecimiento de normas éticas, jurídicas y políticas podría generar tensiones con la dinámica de innovación científica y tecnológica en el campo de la inteligencia artificial”. En la misma línea, Verdegay et al. (2021) reflexionan que los sistemas con IA no deben interferir con el derecho a la vida privada, el cual incluye la libertad frente a tecnologías que condicionen el pensamiento, las relaciones humanas o que impliquen vigilancia no consentida. Por ello, se avanza hacia la construcción de marcos éticos y normativos que garanticen seguridad, transparencia y buena praxis en el manejo del flujo de información en los entornos empresariales.

Metodología

Para el desarrollo de este estudio se aplicó un enfoque cualitativo y descriptivo basado en el análisis documental de fuentes académicas especializadas. Se tomaron como referencia los lineamientos del modelo PRISMA, el cual comprende una lista de verificación, un diagrama de flujo y documentos explicativos que orientan la selección y análisis de información (Fuentes Canosa, 2022).

La investigación se estructuró a partir de tres fases de trabajo: identificación, tamizaje y elegibilidad. La primera consistió en la búsqueda de información en plataformas científicas y repositorios documentales; la segunda implicó la evaluación y depuración de los materiales encontrados; y la tercera fase comprendió la selección final de los artículos que cumplían con los criterios establecidos.

Los criterios de elegibilidad se definieron atendiendo a cuatro ejes temáticos principales: gestión del conocimiento, inteligencia artificial, ética e inteligencia artificial, y aplicaciones empresariales en Latinoamérica.

Figura 1
Criterios de elegibilidad
elaboración propia metodología PRISMA 2020, (2025)

En cuanto a la selección de documentos, se emplearon los motores de búsqueda Scopus, Mendeley y Redalyc, delimitando el periodo de análisis entre 2019 y 2024. Posteriormente, se realizó una revisión de los contenidos con el apoyo de herramientas bibliométricas y de sistematización de datos en Microsoft Excel, lo que permitió organizar la información por año, país y tipo de aplicación.

Finalmente, se seleccionaron cuarenta y nueve artículos relevantes que cumplían con los parámetros de rigor académico y científico, excluyendo tesis, trabajos no indexados o documentos sin evidencia metodológica. La búsqueda priorizó estudios que analizaran la relación entre la gestión del conocimiento y la inteligencia artificial, así como su impacto en la innovación y la competitividad de las empresas latinoamericanas.

Resultados

En esta sección se presentan los principales hallazgos obtenidos a partir del análisis de la información recopilada en las bases de datos seleccionadas. Los resultados se organizan de manera progresiva, comenzando con la descripción general de los estudios identificados y su distribución por año, país y área temática, con el fin de ofrecer una visión panorámica del comportamiento investigativo en torno a la gestión del conocimiento y la inteligencia artificial en el contexto empresarial latinoamericano. Posteriormente, se realiza un examen comparativo de los enfoques y modelos encontrados, así como de las tendencias observadas en el uso de estas herramientas dentro de las organizaciones.

Con base en este análisis, los resultados se estructuran en dos categorías principales: desafíos para las empresas latinoamericanas en la aplicación práctica de la gestión del conocimiento y la inteligencia artificial y consideraciones éticas relacionadas con el uso de la inteligencia artificial y el manejo de información derivado de los diagnósticos de gestión del conocimiento. Estas categorías permiten comprender tanto las oportunidades de innovación y mejora como las limitaciones y dilemas que enfrentan las empresas en la incorporación responsable de tecnologías inteligentes.

Por otra parte, se evidencia en la figura 2 los resultados según el análisis PRISMA

Figura 2
Resultados análisis de información
elaboración propia metodología PRISMA 2020

La gestión del conocimiento y la inteligencia artificial como herramientas claves para la competitividad en las empresas de Latinoamérica

Para dar inicio se aborda la GC y la IA como herramientas de innovación de la industria 4.0. de relevancia en el contexto empresarial, desde la gestión del conocimiento se reconocen distintos modelos que abordan dimensiones que permiten diagnosticar las brechas en distintas áreas que puedan tener cuellos de botella y estancamiento, en la tabla 2 se describen algunos modelos.

Algunos autores plantean consideraciones del uso de la IA como herramienta tecnológica que aporta competitividad, análisis estratégico para la toma de decisiones, inteligencia competitiva y relacionamiento con la vigilancia tecnológica.

Desafíos para las empresas de Latinoamérica con relación a la praxis en gestión del conocimiento e inteligencia artificial

Teniendo en cuenta el análisis de tendencias, los principales desafíos para las empresas latinoamericanas son la confianza, la credibilidad y el direccionamiento de los diagnósticos derivados de la gestión del conocimiento, insumo que orienta los planes de acción y mejora de las distintas brechas identificadas en las áreas funcionales de la organización. Otro factor que incide tanto en la GC como en la IA es la resistencia al cambio, asociada a los procesos de transformación organizacional mediante nuevas prácticas que buscan la sostenibilidad y la competitividad en un mercado globalizado y tecnificado. Este entorno se articula con la industria 4.0, cuya relevancia radica en su capacidad para transformar de manera profunda la forma en que las empresas operan y compiten en el mercado actual (Riascos Erazo y Aguilera Castro, 2024). En este contexto, se debe empezar a reconocer la industria 5.0, que complementa y amplía a la industria 4.0 al enfatizar factores no solo económicos o tecnológicos, sino también ambientales y sociales (Carro Suárez y Sarmiento Paredes, 2022).

Aguilera Castro (2024) sostiene que la gestión del conocimiento constituye un camino esencial para administrar los activos intangibles presentes en las organizaciones. Sin embargo, las empresas de América Latina aún presentan deficiencias en sus métricas, sistemas de archivo y aplicación de tecnologías, lo que representa un desafío importante en este campo de acción. De acuerdo con el estudio de Demuner Flores (2021), los resultados indican que, si las pequeñas y medianas empresas (PYME) desean mejorar su nivel de crecimiento mediante la innovación, deben implementar estrategias adecuadas para gestionar de forma efectiva el conocimiento tácito y explícito existente en los trabajadores. En este sentido, resulta necesario fortalecer las políticas de cultura organizacional que disminuyan la resistencia al cambio y faciliten la ejecución de nuevos procesos con los colaboradores. Autores como Núñez et al. (2020), Riascos Erazo (2018), Amaya López (2021) y Guendulay et al. (2024) plantean perspectivas basadas en la innovación, la transformación tecnológica y la consolidación de una cultura organizacional sólida. Además, destacan la rotación del personal como una de las principales causas de fuga de conocimiento, lo que repercute directamente en la productividad y la competitividad.

En cuanto a los procesos relacionados con el uso de inteligencia artificial en las empresas latinoamericanas, Filgueiras (2021) concluye que la falta de confianza en las predicciones generadas por los sistemas de IA compromete la legitimidad de su aplicación en tareas y procesos de toma de decisiones. Por otra parte, una de las deficiencias más señaladas por investigadores y usuarios se relaciona con la falta de claridad sobre cómo se entrenan los modelos de IA para generar respuestas a partir de la información disponible (Stable Rodríguez, 2023). Por tanto, una de las brechas más importantes se asocia con la confianza en la información proporcionada, especialmente en los ámbitos de la inteligencia competitiva y la vigilancia tecnológica, pilares fundamentales para la innovación empresarial.

Rodríguez et al. (2021, p. 153) afirman que “en Latinoamérica existen brechas para la consolidación de la industria 4.0 en el corto y mediano plazo, por cuanto se requiere de la participación activa de todos los actores que conforman la sociedad, involucrando lo público y lo privado, en razón de diseñar políticas públicas que contribuyan al establecimiento de la era digital como eje transversal de convivencia social”.

Consideraciones éticas del uso de la inteligencia artificial y del manejo de información a partir de los diagnósticos de gestión del conocimiento en las empresas

Al aplicar modelos de gestión del conocimiento para diagnosticar las organizaciones, es fundamental que los datos utilizados provengan de información válida, sustentada en un constructo teórico sólido y en dimensiones claramente definidas del conocimiento. Los diagnósticos empresariales deben realizarse con rigor metodológico y con ética profesional, garantizando que la información proporcionada por las organizaciones se maneje con confidencialidad y transparencia. Asimismo, la persona encargada de realizar el diagnóstico debe actuar con idoneidad técnica y compromiso ético, ya que sus resultados influyen directamente en la continuidad, sostenibilidad y toma de decisiones estratégicas derivadas de los planes y acciones formulados a partir de las brechas identificadas.

En lo que respecta al uso de la inteligencia artificial, es evidente la necesidad de perfeccionar sus prácticas de aplicación, asegurando que funcione como un complemento al trabajo humano y no como un sustituto de este. Toda información generada por los sistemas de IA debe ser verificada y validada, garantizando su precisión, coherencia y pertinencia antes de ser utilizada como insumo para la planificación organizacional o el desarrollo de proyectos. Esta verificación contribuye a la construcción de un entorno empresarial más confiable, donde la tecnología se utilice con responsabilidad ética, respetando los principios de integridad de los datos y la protección de la información corporativa.

La tabla anterior refleja distintas perspectivas sobre los retos éticos asociados con la inteligencia artificial en contextos empresariales. Los estudios citados destacan la importancia de la transparencia algorítmica, la protección de los derechos individuales, la gestión responsable del conocimiento y la formulación de marcos regulatorios que promuevan el uso justo y confiable de la tecnología. En este sentido, el equilibrio entre innovación tecnológica y responsabilidad ética se convierte en un eje fundamental para el fortalecimiento de la cultura organizacional y para la consolidación de prácticas sostenibles en el ámbito empresarial latinoamericano.

Discusión o propuesta

Para investigaciones futuras y para las empresas de Latinoamérica, se propone fortalecer las prácticas de mejoramiento continuo mediante la aplicación de herramientas y modelos derivados de la teoría de la gestión del conocimiento. Su relevancia radica en la capacidad de aprovechar el conocimiento interno y externo de la organización como fuente de innovación y sostenibilidad en el mercado frente a las nuevas tendencias globales. Esparza et al. (2020), Ramos Ruiz y Rangel Rojas (2020), Caldera et al. (2020) y Serrano et al. (2022) coinciden en que, para alcanzar mayores niveles de competitividad, es esencial fomentar procesos de aprendizaje organizacional, creatividad y participación activa de los equipos en la toma de decisiones. Esto contribuye a generar un clima laboral óptimo, reducir la rotación del personal —principal causa de fuga de conocimiento— y fortalecer la cultura corporativa.

En esta línea, se plantea la necesidad de establecer políticas que consoliden una cultura organizacional orientada a la gestión del cambio y a la implementación de buenas prácticas con los colaboradores, considerados el grupo de interés más relevante dentro de las organizaciones.

En relación con el uso de la inteligencia artificial y el metaverso, se destaca la importancia de fomentar su incorporación en las empresas de manera responsable y regulada. Es necesario desarrollar normativas claras que orienten su utilización y asegurar que estas tecnologías se entiendan como un complemento al trabajo humano y no como un reemplazo. Su adecuada integración permite mejorar la competitividad mediante la digitalización y la automatización de procesos, pilares fundamentales de la industria 4.0. De acuerdo con Yupanqui García et al. (2023), el autoaprendizaje de los sistemas de IA constituye el eje central de la transformación tecnológica; sin embargo, la falta de capacitación generalizada dentro de las organizaciones limita su aprovechamiento efectivo.

Asimismo, se propone avanzar en estudios que profundicen en la implementación de herramientas asociadas tanto a la industria 4.0 como a la emergente industria 5.0. Este enfoque permitirá fortalecer la relación entre tecnología y factor humano como elementos complementarios en la construcción del conocimiento empresarial. Guzmán Sanabria y Saldarriaga Guillermo (2024) destacan que las empresas se diferencian por su valor agregado, el cual depende de una estructura organizativa sólida, un soporte tecnológico eficiente, un anclaje financiero estable y un equipo humano fortalecido, condiciones indispensables para alcanzar productividad y sostenibilidad.

Travez Tipán y Villafuerte Garzón (2023, p. 1067) afirman que “la industria 5.0 se definiría por una finalidad ampliada que va más allá de la producción de bienes y servicios con fines lucrativos; esta finalidad más amplia está constituida por tres elementos fundamentales: el humanocentrismo (desarrollo considerando al ser humano como eje central y su bienestar), la sostenibilidad (económica y social) y la resiliencia”.

Conclusiones

La incorporación de la inteligencia artificial en los procesos de gestión del conocimiento se consolida como una herramienta estratégica para las organizaciones, especialmente a través del aprendizaje automático, los chatbots, los algoritmos y los árboles de decisión, los cuales facilitan y optimizan los procesos de toma de decisiones. Esta evolución tecnológica potencia el impacto de la gestión del conocimiento en la productividad empresarial mediante la automatización de procesos. No obstante, es esencial garantizar el cumplimiento de principios éticos que aseguren la transparencia, la confiabilidad de la información y las buenas prácticas en su aplicación.

Entre los principales desafíos que enfrenta el tejido empresarial latinoamericano en la integración de la gestión del conocimiento y la inteligencia artificial se encuentran la falta de credibilidad, las limitaciones en el acceso a la información y la percepción errónea de que la tecnología puede reemplazar por completo al ser humano. Sin embargo, la evidencia demuestra que la competitividad depende de la capacidad de adaptación y de la incorporación progresiva de nuevas tendencias. Comprender este proceso como parte del ciclo de mejoramiento continuo permitirá a las organizaciones fortalecer su sostenibilidad y capacidad de innovación.

Los resultados de este estudio también evidencian la necesidad de establecer marcos éticos más sólidos en relación con la regulación del uso de la inteligencia artificial y la validación de la información que esta genera. Aunque la IA puede ofrecer datos de alto valor, algunos carecen de verificación, lo que plantea un riesgo en la toma de decisiones y en la confiabilidad de la información organizacional. Asimismo, se destaca la relevancia de abordar el fenómeno del “sabotaje del conocimiento”, que afecta a los colaboradores al percibir la tecnología como una amenaza para su estabilidad laboral. Este tipo de impacto repercute en su salud mental y en la cultura organizacional, cuando en realidad la IA debe asumirse como un complemento destinado a mejorar la productividad y no a sustituir el trabajo humano.

Finalmente, se invita a continuar con investigaciones que profundicen en la gestión del conocimiento como herramienta para el diagnóstico organizacional y la reducción de brechas en las distintas áreas empresariales. La integración de la inteligencia artificial como soporte tecnológico permitirá avanzar hacia modelos más eficientes y sostenibles, en consonancia con los principios de la industria 5.0, que reconoce la centralidad del ser humano, la resiliencia y las habilidades blandas como factores esenciales para la sostenibilidad empresarial. La realidad latinoamericana exige fortalecer el sector productivo y consolidar estructuras empresariales resilientes que impulsen el desarrollo industrial y económico de la región (Boshell Villamarín, 2023).

Referencias

Aguilera Castro, A. (2024). Madurez de la gestión del conocimiento en pymes de Colombia: Un estudio en los sectores económicos comercio y servicios. Revista Ibérica de Sistemas e Tecnologias de Informação, 5(69), 260–276.

Aguirre, K., Cárdenas, R., Chamba, E., Causapud, D., & Briceño, B. (2021). Modelo para la gestión del conocimiento aplicado en dos empresas. Revista de Investigación SIGMA, 8(1), 27–36.

Amaya López, O. (2021). Situación de la competitividad en la pequeña y mediana empresa (PYME) artesanal en Valle de Ángeles desde la perspectiva de la gestión del conocimiento. ICAP-Revista Centroamericana de Administración Pública, 80, 99–118. https://doi.org/10.35485/rcap80_7

Arango Palacio, I. C. (2021). Oportunidades para la transformación digital de la cadena de suministro del sector bananero basado en software con inteligencia artificial. Revista Politécnica, 17(33), 47–63. https://doi.org/10.33571/rpolitec.v17n33a4

Betancur Amariles, J. H., Rodríguez Santana, G. D., Rave Gómez, E. D., & Moncada Acevedo, E. A. (2022). Knowledge management in 10 Colombian companies: An intertwined multiple case study based on the Nonaka-Takeuchi model. Cuadernos de Administración, 38(14), 1–15. https://doi.org/10.25100/cdea.v38i73.11031

Borrero Tigreros, D., & Bedoya Leiva, O. (2020). Predicción de riesgo crediticio en Colombia usando técnicas de inteligencia artificial. Revista UIS Ingenierías, 19(4), 37–52. https://doi.org/10.18273/revuin.v19n4-2020004

Boshell Villamarín, M. G. (2023). ¿Relación universidad-empresa o universidad-sector productivo? Una mirada desde Latinoamérica. Revista Historia de la Educación Latinoamericana, 25(41), 237–262. https://doi.org/10.19053/01227238.17223

Caicedo Consuegra, L., Márquez Vásquez, P., & Meza Pérez, A. (2023). Algoritmos de inteligencia artificial basada en perfiles socioconductuales para la segmentación inteligente de clientes: Estudio de caso. Ingeniería y Competitividad, 25(3), 1–18. https://doi.org/10.25100/iyc.v25i3.12658

Caldera González, D. D., Escamilla Salazar, Z., & Ruiz Lara, F. (2020). Gestión del conocimiento en pymes del sector servicios: Una aproximación empírica en el Estado de México. Inquietud Empresarial, 20(1), 11–24.

Carro Suárez, J., & Sarmiento Paredes, S. (2022). El factor humano y su rol en la transición a industria 5.0: Una revisión sistemática y perspectivas futuras. Entreciencias: Diálogos en la Sociedad del Estado, 10(24), 2–29. https://doi.org/10.22201/enesl.20078064e.2022.24.81727

Cely Barrera, A. N., & Medina García, V. H. (2024). Modelo de gestión del conocimiento para mejorar la calidad del servicio en empresas comercializadoras. Revista Ibérica de Sistemas e Tecnologias de Informação, 656–667.

Chacón Henao, J., & Arias Pérez, J. (2022). Síndrome “no inventado aquí”, sabotaje de conocimiento y desempeño innovador: El rol de la conciencia de los empleados sobre la inteligencia artificial. Revista Facultad de Ciencias Económicas: Investigación y Reflexión, 30(1), 131–143. https://doi.org/10.18359/rfce.5945

Cruz, J., & Gordillo Pérez, S. (2022). Inteligencia artificial en el campo laboral: Conflicto de rol y bienestar. Revista de Marketing Aplicado, 26(1), 52–61. https://doi.org/10.17979/redma.2022.26.1.9041

Dante, A. (2023). La industria de la inteligencia artificial: Una carrera por su liderazgo. Problemas del Desarrollo, 54(212), 105–127. https://doi.org/10.22201/iiec.20078951e.2023.212.69959

Demuner Flores, M. (2021). Gestión del conocimiento en la innovación en pequeñas empresas de manufactura. Revista Venezolana de Gerencia, 26(95), 741–757. https://doi.org/10.19052/rvgluz.27.95.19

Domínguez Díaz, L. E., Sánchez Suárez, Y., Marqués León, M., & Hernández Nariño, A. (2024). Análisis de la producción científica sobre la implementación de la gestión del conocimiento para la sostenibilidad de la cadena de suministro. DYNA, 91(233), 140–146. https://doi.org/10.15446/dyna.v91n233.113851

Esparza García, I., Sánchez Guerrero, M., Clark Mendivel, Y., Olachea Parra, L., & Velasco Cepeda, R. (2020). Relación de la gestión del conocimiento y la competitividad en empresas de servicios. Revista Espacios, 41(43), 159–168. https://doi.org/10.48082/espacios-a20v41n43p12

Filgueiras, F. (2021). Inteligencia artificial en la administración pública: Ambigüedad y elección de sistemas de IA y desafíos de gobernanza digital. Revista del CLAD Reforma y Democracia, (79), 5–38. Recuperado de https://www.redalyc.org/articulo.oa?id=357570194001

Fuentes Canosa, A. (2022). Reseña de sitio web: Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Declaración PRISMA 2020. Revista de Estudios en Psicología y Educación, 9(2), 323–327. https://doi.org/10.17979/reipe.2022.9.2.9368

Garay Robles, G., Hilario Cárdenas, J. R., & Jesús Tolentino, I. E. (2020). Modelo conceptual de gestión del conocimiento para las medianas y pequeñas empresas (MYPES) del sector panificación de la ciudad de Huánuco, Perú. Ra Ximhai, 16(2), 15–38. https://doi.org/10.35197/rx.16.02.2020.01.gg

Gil Mena, W. L., & Galvis Ciro, J. C. (2022). Análisis de los efectos que genera la gestión del conocimiento sobre las competencias para innovar: Un estudio empírico en empresas de software. Pensamiento y Gestión, (53), 133–162. https://doi.org/10.14482/pege.53.874.258

Guendulay León, K. A., Jiménez Velásco, G., Acevedo Martínez, J. A., & Cruz Cabrera, B. C. (2024). Gestión del conocimiento y pymes: Un análisis bibliométrico de tendencias. Universidad & Empresa, 26(26), 1–34. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.13726

Guzmán Sanabria, L., & Saldarriaga Guillermo, J. (2024). Relevo generacional y gestión del conocimiento en empresas de artesanía de la provincia de Sugamuxi, en el departamento de Boyacá (Colombia). Universidad & Empresa, 26(46), 1–41. https://doi.org/10.12804/revistas.urosario.edu.co/empresa/a.13803

Hernández García de Velazco, J., Ravina Ripoll, R., Chumaceiro Hernández, A. C., & Tobar Pesantez, L. B. (2021). Gestión del conocimiento y factores clave para el éxito organizacional en la perspectiva del siglo XXI. Revista Venezolana de Gerencia, 26(6), 65–81. https://doi.org/10.52080/rvgluz.26.e6.5

Huamani Torres, R., Flores Limo, F. A., Barrios Tinoco, L. M., & Montañez Huancaya de Salinas, A. P. (2024). Gestión del conocimiento como factor clave en la innovación empresarial. Revista Venezolana de Gerencia, 29(106), 760–775. https://doi.org/10.52080/rvgluz.29.106.19

Jiménez Terrazas, C. P., Castillo Luna, E., Rincón Zuluaga, J. M., & Mireles García, J. (2023). Emprendimiento tecnológico en América Latina: Debilidades, actores y caso de estudio del Centro de Inteligencia Artificial–IA Center, Chihuahua. Telos, 25(3), 926–943. https://doi.org/10.36390/telos253.22

Lassi, A. (2022). Implicancias éticas de la inteligencia artificial: Tecnologías y producción de noticias. Inmediaciones de la Comunicación, 17(2), 153–169. https://doi.org/10.18861/ic.2022.17.2.3334

López Guillermón, J. C. (2021). Desenmascarando datos: Igualdad e inteligencia artificial. Revista IUS, 15(48), 137–156. https://doi.org/10.35487/rius.v15i48.2021.740

López Meza, E., Terán Bustamante, A., & Leyva Hernández, S. N. (2024). SECI model of knowledge management: A thematic analysis with emphasis on agricultural organizations. Iberoamerican Journal of Science Measurement and Communication, 4(2), 1–10. https://doi.org/10.47909/ijsmc.133

Núñez Ramírez, M., Banegas Rivero, R., Ozuna Beltrán, A., & Atila Lijerón, J. (2020). Gestión del conocimiento y capacidades de innovación incremental en empresas de México y Bolivia. Información Tecnológica, 31(5), 101–108. https://doi.org/10.4067/S0718-07642020000500101

Ocaña Fernández, Y., Valenzuela Fernández, L. A., Vera Flores, M. Á., & Rengifo Lozano, R. (2021). Inteligencia artificial (IA) aplicada a la gestión pública. Revista Venezolana de Gerencia, 26(94), 696–704.

Peña Guarín, G., Castro Rojas, M. L., & Álvarez Álvarez, M. J. (2020). Modelo de gestión del conocimiento para pymes basado en el sistema de gestión de la calidad y la gestión documental. Signos, 12(2), 127–147. https://doi.org/10.15332/24631140.5941

Perdigón Llanes, R., & González Benítez, N. (2021). Comparación y selección de técnicas de inteligencia artificial para pronosticar las producciones de leche bovina. Revista Cubana de Ciencias Informáticas, 15(2), 24–43.

Pérez González, Á. R., Villegas Estévez, C. J., Cabascango Jaramillo, J. C., & Soria Flores, E. R. (2023). Inteligencia artificial como estrategia de innovación en empresas de servicios: Un análisis bibliográfico. Revista Publicando, 10(38), 74–82. https://doi.org/10.51528/rp.vol10.id2359

Ramírez Hernández, P., & Valle Cruz, D. (2022). Asistentes virtuales basados en inteligencia artificial. ReCIBE: Revista Electrónica de Computación, Informática, Biomédica y Electrónica, 11(2), 1–11.

Ramos Ruiz, J. L., & Rangel Rojas, R. D. (2020). Ventajas competitivas basadas en la gestión del conocimiento: El caso de tres sectores industriales del departamento del Atlántico. Revista de Economía del Caribe, (3), 86–146.

Reyes Vásquez, P. A. (2021). Ética de la inteligencia artificial: Recomendación de la UNESCO (noviembre de 2021). Compendium, 1–5.

Riascos Erazo, S. C. (2018). Adquisición, transferencia y utilización del conocimiento en las pymes vallecaucanas (Colombia). Opción, 34(18), 1225–1255.

Riascos Erazo, S. C., & Aguilera Castro, A. (2024). Innovación, madurez de la gestión del conocimiento e industria 4.0: Mirada en las pymes colombianas. Revista de Innovación y Gestión Tecnológica, 19(1), 29–39. https://doi.org/10.4067/S0718-27242024000100029

Rodríguez Alegre, L. R., Trujillo Valdiviezo, G., & Egusquiza Rodríguez, M. (2021). Revolución industrial 4.0: La brecha digital en Latinoamérica. Revista Arbitrada Interdisciplinaria Koinonía, 6(11), 147–156. https://doi.org/10.35381/r.k.v6i11.1219

Rodríguez Borlado, P., & Pérez Curiel, C. (2024). Impacto de la inteligencia artificial en la moda: Análisis de influencers digitales en las fashion weeks internacionales. Universitas XXI, 41, 75–99. https://doi.org/10.17163/uni.n41.2024.03

Serrano, C., Cruz, R., Salcedo, J., & Malagón, A. (2022). La gestión del conocimiento en la auditoría interna: Un modelo teórico-relacional para el crecimiento empresarial. Información Tecnológica, 33(1), 1–8. https://doi.org/10.4067/S0718-07642022000100003

Stable Rodríguez, Y. (2023). Desafíos en el uso de la inteligencia artificial para el sector salud. Revista Información Científica, 102, 1–5. https://doi.org/10.5281/zenodo.7942911

Travez Tipan, A. V., & Villafuerte Garzón, C. M. (2023). Industria 5.0: Revisión del pasado y futuro de la producción y la industria. Ciencia Latina Revista Científica Multidisciplinar, 7(1), 1059–1070. https://doi.org/10.37811/cl_rcm.v7i1.4457

Verdegay, J. L., Lamata, M. T., Pelta, D., & Cruz, C. (2021). Inteligencia artificial y problemas de decisión: La necesidad de un contexto ético. Suma de Negocios, 12(27), 104–114. https://doi.org/10.14349/sumneg/2021.v12.n27.a2

Yupanqui García, A. B., Larry, Á., Mendoza Castillo, L. F., Walter, M., Valderrama, P., & Llaque Fernández, G. I. (2023). Tendencias del uso de la inteligencia artificial en empresas globales en el periodo 2018–2023: Una revisión sistemática de la literatura científica. Universidad Privada del Norte, 4(6), 1–11. https://dx.doi.org/10.18687/LEIRD2023.1.1.203

Zabala Leal, T. D. (2021). La ética en inteligencia artificial desde la perspectiva del derecho. Via Inveniendi et Iudicandi, 16(2), 1–28. https://doi.org/10.15332/19090528

Zapata Cortés, J. A. (2020). Inteligencia artificial para la toma de decisiones. Revista Perspectiva Empresarial, 7(1), 3–5.

Notas de autor