La IA y la ética en sectores sensibles

Columna

11 de noviembre de 2025

La IA y la ética en sectores sensibles

Potencial de transformación, riesgos y directrices para el uso responsable de sistemas inteligentes en la salud, seguridad y demás áreas críticas

La inteligencia artificial (IA) ya se ha consolidado como una de las fuerzas transformadoras más destacadas de nuestro tiempo. Con la capacidad de procesar volúmenes inmensos de datos, identificar patrones y generar predicciones en tiempo real, está remodelando cadenas productivas, decisiones estratégicas e incluso modelos de negocio completos. Sin embargo, este avance no está exento de riesgos.

Imagine un sistema de selección de enfermeros que, de forma consistente, apruebe solo a mujeres blancas. O un examen moderno para el diagnóstico de cáncer de piel que falla con frecuencia en pacientes negros. O aún un algoritmo que destina a personas de bajos ingresos a unidades de internación prolongada, mientras que pacientes más ricos reciben el alta para casa. Casos así muestran cómo la IA, cuando no es supervisada, puede cristalizar e incluso ampliar prejuicios existentes (Nelson, 2019).

En este sentido, la aplicación de esta tecnología en áreas sensibles exige atención redoblada y una base sólida de principios éticos y reglas claras. Temas como sesgo algorítmico, transparencia e impacto social deben estar en el centro de la discusión para que el avance tecnológico camine de la mano con justicia y responsabilidad (Kim; Kim; Lee, 2025). Comprender tanto el potencial como los riesgos de la IA es esencial para que gobiernos, empresas y sociedad construyan juntos los límites y condiciones para su uso.

IA en la salud

En el campo de la salud, la IA ya desempeña funciones que van desde el análisis de exámenes de imagen hasta el soporte a diagnósticos clínicos complejos. Herramientas basadas en aprendizaje profundo pueden identificar enfermedades en estadios iniciales, aumentando la eficacia de tratamientos y reduciendo costos hospitalarios. Sin embargo, la integración de estos sistemas exige cuidados en cuanto a la privacidad de los pacientes, la confiabilidad de las bases de datos y la explicabilidad de los algoritmos utilizados. Fallos o sesgos en modelos predictivos pueden resultar en diagnósticos incorrectos o tratamientos inadecuados, con implicaciones éticas y jurídicas relevantes. Es necesario que la innovación sea acompañada por protocolos de validación clínica rigurosos y mecanismos de auditoría continua.

Uno de los casos más emblemáticos sobre riesgos éticos y técnicos en la aplicación de sistemas computacionales en sectores sensibles ocurrió en la década de 1980, con la serie de accidentes que involucraron a la máquina de radioterapia Therac-25. El equipo, desarrollado para tratar pacientes con cáncer mediante haces de electrones y radiación, presentaba una falla de software que, en determinadas condiciones, provocaba que se aplicaran dosis extremadamente elevadas. A diferencia de incidentes causados por fallas mecánicas, en el Therac-25 el error estaba en el código de control, que no poseía salvaguardas adecuadas y se manifestaba solo en situaciones operativas muy específicas, lo que dificultaba su detección. Como resultado, diversos pacientes sufrieron quemaduras graves, daños neurológicos irreversibles e incluso fallecimientos (Leveon; Turner, 1993).

El análisis posterior reveló no solo problemas de programación y ausencia de pruebas rigurosas, sino también fallos en el proceso de ingeniería de software y en la gobernanza del producto, como falta de documentación clara, riesgos subestimados y ausencia de protocolos de auditoría externa. El caso se convirtió en un hito en la historia de la seguridad de sistemas críticos, evidenciando que, en entornos como salud, transporte y energía, los errores tecnológicos no son solo fallos técnicos, sino eventos con profundas implicaciones éticas, jurídicas y sociales, reforzando la necesidad de validación rigurosa, supervisión continua y responsabilidad compartida entre desarrolladores, fabricantes y operadores (Leveon; Turner, 1993).

IA en la seguridad pública

Si en la salud los riesgos implican la vida y la integridad física, en la seguridad pública el debate se centra en los derechos fundamentales y la igualdad de trato. En seguridad, la IA se aplica en reconocimiento facial, monitoreo de áreas de riesgo y análisis predictivo de criminalidad. Estas soluciones prometen mayor eficiencia en el empleo de recursos policiales y prevención de delitos. Sin embargo, el uso de tecnologías de vigilancia a gran escala suscita preocupaciones sobre el derecho a la privacidad y el riesgo de discriminación algorítmica. Estudios muestran que los sistemas de reconocimiento facial pueden presentar tasas de error más elevadas para determinados grupos raciales o de género, reforzando desigualdades. De esta forma, es imprescindible la existencia de marcos legales claros, garantizando que la aplicación de estas herramientas respete los derechos fundamentales y sea sometida a auditorías independientes.

En 2016, una investigación realizada por el sitio ProPublica reveló que el sistema Compas (Correctional Offender Management Profiling for Alternative Sanctions), utilizado en varios estados de EE. UU. para evaluar el riesgo de reincidencia criminal, presentaba un sesgo racial significativo. El algoritmo asignaba puntuaciones de riesgo más altas a acusados negros en comparación con acusados blancos en situaciones similares, sobreestimando la probabilidad de reincidencia para los primeros y subestimando para los segundos. Dado que el Compas era empleado por jueces para fundamentar decisiones sobre fianzas, libertad condicional y sentencias, este sesgo tuvo un impacto directo en la libertad y los derechos de los individuos, perpetuando desigualdades en el sistema de justicia penal. El análisis reveló no solo fallas técnicas en el modelo y en la elección de las variables, sino también falta de transparencia, ya que el algoritmo era propietario y no podía ser auditado públicamente. El caso se convirtió en emblemático en el debate sobre ética en inteligencia artificial en la seguridad pública, destacando la necesidad de auditorías independientes, explicabilidad de los modelos y supervisión constante para evitar la discriminación sistémica (Angwin et al., 2016).

IA en la justicia

En el campo jurídico, los dilemas adquieren otra dimensión: la preservación de la imparcialidad, la autonomía y las garantías procesales. Además de la salud y la seguridad, sectores como el jurídico también se enfrentan a dilemas éticos en el uso de la IA. Un ejemplo emblemático del uso de inteligencia artificial es el sistema chino conocido como Smart Court, implementado en algunas provincias desde 2017. Integrando procesamiento de lenguaje natural, análisis de datos y reconocimiento de voz, la plataforma auxilia a los magistrados en la redacción de sentencias, en la selección de procesos y en la gestión de pruebas digitales. Aunque presenta ganancias de celeridad y estandarización, el sistema suscita preocupaciones en cuanto a la autonomía de la decisión judicial y a la posibilidad de refuerzo de sesgos ya presentes en el historial de juicios.

Los críticos señalan que, al entrenar el algoritmo con datos de decisiones pasadas, se corre el riesgo de perpetuar patrones discriminatorios o interpretaciones restrictivas de la ley. Además, la opacidad de los criterios utilizados y la ausencia de mecanismos robustos de auditoría externa dificultan la impugnación de las decisiones sugeridas o influenciadas por la IA. Este caso ilustra que, en la Justicia, el desafío no es solo técnico, sino que implica la preservación de garantías procesales y el mantenimiento del control humano sobre la decisión final (Wang et al., 2021).

Uso responsable

La adopción ética y responsable de la IA requiere no solo principios generales, sino también prácticas concretas que garanticen la conciliación entre innovación tecnológica y protección social. Experiencias internacionales demuestran que el uso indiscriminado o mal regulado de la IA puede generar impactos significativos en derechos fundamentales, reforzando desigualdades y minando la confianza pública. Por ello, organismos como la Unesco, la OCDE y la Unión Europea han publicado frameworks de gobernanza que enfatizan valores como transparencia, justicia, seguridad, privacidad y responsabilidad. Estas orientaciones parten del presupuesto de que la tecnología debe ser diseñada de forma centrada en el ser humano (human-centered design), asegurando que las decisiones críticas permanezcan bajo control humano efectivo y que cualquier impacto negativo sea identificado y mitigado de forma tempestiva. La protección de datos y la seguridad cibernética, a su vez, deben ser incorporadas desde la concepción (privacy by design y security by design), evitando que sean solo correcciones posteriores ante incidentes.

En este contexto, directrices detalladas se muestran fundamentales para operacionalizar estos principios. La transparencia implica que tanto los criterios de decisión como las limitaciones de la IA sean comunicados de forma clara, permitiendo auditoría externa y participación social. La responsabilización demanda que desarrolladores, proveedores y usuarios asuman obligaciones específicas, con mecanismos para atribuir y cobrar responsabilidades en caso de fallos o abusos. La no discriminación exige la detección y mitigación de sesgos en los datos y algoritmos, especialmente en aplicaciones que afectan derechos, como salud, justicia y seguridad pública.

La supervisión humana continua es imprescindible para revertir decisiones automatizadas injustas o incorrectas, preservando garantías procesales. Además, la educación digital y la alfabetización algorítmica deben ser fomentadas para que ciudadanos, profesionales y autoridades comprendan el funcionamiento, las limitaciones y los riesgos de la IA, pudiendo interactuar críticamente con estas herramientas. Por último, la seguridad y resiliencia de los sistemas debe ser priorizada, garantizando robustez contra ataques cibernéticos y fallos operacionales, de modo que la confianza social en la tecnología sea preservada. Algunas sugerencias pueden ayudar a guiar el uso ético y responsable de la inteligencia artificial:

  • Transparencia y explicabilidad: hacer visibles las lógicas de decisión y las limitaciones del sistema;
  • Supervisión humana efectiva: mantener personas aptas a intervenir y revertir decisiones automatizadas;
  • Auditorías independientes periódicas: verificar sesgos, rendimiento y cumplimiento normativo;
  • Responsabilización clara: asignar deberes y consecuencias a todos los actores involucrados en el ciclo de vida de la IA;
  • Protección de datos y seguridad desde el diseño (by design): prevenir fugas y ataques;
  • Mitigación activa de sesgos: asegurar que grupos vulnerables no sean perjudicados;
  • Educación digital y alfabetización algorítmica: capacitar a la sociedad para comprender y cuestionar la tecnología;
  • Robustez y resiliencia operativa: asegurar que los sistemas funcionen de forma fiable, incluso en escenarios adversos.

La IA representa un punto de inflexión en la evolución tecnológica global, con el potencial de transformar radicalmente sectores como la salud, la seguridad, la justicia, la educación y la economía. Su capacidad para procesar grandes volúmenes de datos, identificar patrones complejos y ofrecer soluciones en tiempo real ya se traduce en ganancias significativas de eficiencia, precisión y calidad. Sin embargo, la misma tecnología que puede generar avances sin precedentes también conlleva el riesgo de ampliar desigualdades estructurales, comprometer derechos fundamentales y provocar impactos sociales y económicos de gran magnitud, especialmente cuando se utiliza de forma indiscriminada o sin la debida regulación.

Para que la IA sea una aliada del progreso y no un vector de exclusión o injusticia, es indispensable que su desarrollo y aplicación estén anclados en un compromiso ético sólido, con reglas claras, mecanismos de fiscalización independientes y gobernanza participativa. Esto implica crear estructuras institucionalescapaces de auditar algoritmos, prevenir sesgos, garantizar la protección de datos y asegurar que la toma de decisión permanezca, en última instancia, bajo control humano. La participación activa de la sociedad —por medio de consulta pública, educación digital y debate abierto— es fundamental para que las soluciones tecnológicas reflejen valores democráticos y atiendan al interés colectivo. Solamente por medio de esta combinación de innovación responsable, supervisión continua y involucramiento social será posible cosechar, de forma equitativa y sostenible, los beneficios de esta revolución tecnológica. El futuro de la IA no será definido solo por su capacidad técnica, sino por la forma en que sociedades, gobiernos y empresas elijan utilizarla, equilibrando eficiencia y justicia, velocidad y prudencia, potencial transformador y responsabilidad ética.

Para tener acceso a las referencias de este texto haga clic aquí.

Quién publicó esta columna

Renato Máximo Sátiro

Doutor em Administração pela UFG, professor e orientador no curso de Data Science, Inteligência Artificial e Analytics, do MBA USP/Esalq. Administrador de Empresas na Saneago e pesquisador em grupos de pesquisa da UFG e da UnB, com foco em IA, políticas públicas e acesso à Justiça. Desenvolve projetos em machine learning, deep learning, modelos estatísticos, algoritmos e ética na IA, domínio de ferramentas R, Python, Gretl, SPSS e Stata.

También te puede interesar

02 de octubre de 2026

Determinantes de la ubicación de supermercados en São Paulo

Un estudio investigó los factores determinantes de la ubicación de supermercados en el estado de São Paulo, con el objetivo de investigar los factores que explican la presencia y expansión de estos establecimientos, considerando dimensiones socioeconómicas, demográficas y de mercado. Se utilizaron datos de los Censos Demográficos de 2010 y 2022 del IBGE y información del Cadastro Nacional de Pessoas Jurídicas de la Receita Federal do Brasil para construir una base de datos georreferenciada. Se aplicó un modelo de clasificación Random Forest, ajustado por grid search con validación cruzada, priorizando la métrica recall-macro debido al desbalanceo de la variable dependiente, que representó la presencia o ausencia de supermercados en un buffer de 50 metros. Los resultados indicaron que la ubicación de supermercados está fuertemente asociada a características demográficas, de ingresos y de población en el entorno. El análisis de importancia de las variables evidenció que factores sociodemográficos, como alfabetización de ancianos, ingresos familiares y la presencia de otros establecimientos de alimentación, ejercieron una influencia significativa, especialmente en el entorno inmediato. Los hallazgos reforzaron la hipótesis de que la distribución espacial de supermercados no es aleatoria, siendo condicionada por características socioeconómicas y por la estructura comercial del territorio, ofreciendo subsidios para decisiones empresariales y planificación urbana.

Palabras clave: Análisis espacial; Aprendizaje automático; Expansión; Ubicación comercial; Supermercados.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Educación Antirracista: Prácticas Educativas Inclusivas y Desarrollo Social

La educación antirracista, comprendida como eje estructurante de la educación inclusiva y del desarrollo social, fue investigada en el contexto brasileño. El estudio tuvo como objetivo identificar y analizar, con base en documentos legales y en la percepción de profesores, las prácticas educativas capaces de promover el antirracismo en la escuela y en la sociedad, y cómo la implementación de las Leyes nº 10.639/03 y nº 11.645/08 contribuyó a la justicia social. Se adoptó un enfoque cualitativo y documental, con análisis de legislación educacional, directrices curriculares, informes institucionales y literatura académica. Complementariamente, se aplicó un cuestionario semiestructurado a 295 profesores de Educación Básica. Los datos fueron evaluados cuantitativa y cualitativamente, por medio de análisis de contenido temático, y validados con estudios bibliográficos. Los resultados revelaron una paradoja: a pesar de un marco legal robusto, la implementación de las políticas antirracistas se mostró frágil y puntual, con carencia de formación docente, materiales didácticos adecuados y monitoreo. Se constató la persistencia de desigualdades educacionales significativas entre estudiantes blancos y negros, y la mayoría de los profesores reconoció la ocurrencia de racismo en las escuelas, pero sin protocolos institucionales claros. El análisis neurocientífico demostró que el racismo impacta negativamente el desarrollo cognitivo y emocional de los estudiantes. Se concluyó que la educación antirracista es central para una educación de calidad, exigiendo compromiso político, inversión pública y articulación intersectorial. La integración de la Neurociencia en la formación docente y la producción de materiales cualificados son cruciales para fortalecer el papel de la escuela en la construcción de una sociedad más justa e inclusiva.

Palabras clave: Desarrollo Social; Educación Antirracista; Justicia Social; Ley 10.639/03; Prácticas Educativas Inclusivas.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Caminos de la Inclusión: Percepciones de Padres y Profesores sobre la Escolarización de Estudiantes con Doble Excepcionalidad en el Contexto Brasileño

La Doble Excepcionalidad, caracterizada por la coexistencia de Altas Habilidades/Superdotación y trastornos del neurodesarrollo, representa un fenómeno complejo que desafía los modelos tradicionales de identificación y escolarización. El estudio tuvo como objetivo comprender las percepciones de padres o tutores, profesores y otros profesionales de la educación sobre la escolarización de estudiantes con Doble Excepcionalidad en el contexto brasileño, investigando desafíos, estrategias pedagógicas y posibilidades de inclusión basadas en la equidad. La investigación adoptó un enfoque cualitativo, exploratorio y descriptivo, y recopiló datos a través de un cuestionario en línea, voluntario y anónimo, respondido por 25 participantes. Los datos discursivos fueron analizados mediante análisis de contenido temático. Los resultados indicaron que el conocimiento sobre el tema se construye frecuentemente a partir de experiencias personales y profesionales, revelando lagunas en la formación sistematizada. Se identificaron dificultades en la identificación de estos estudiantes, en la formación docente y en la implementación de planes educativos individualizados, flexibilización pedagógica y enriquecimiento curricular. Se relataron repercusiones socioemocionales, como frustración y baja autoestima. Sin embargo, algunas escuelas demostraron prácticas inclusivas fundamentadas en la equidad, articulando necesidades específicas y potencialidades. Aunque los resultados no permiten generalizaciones, evidenciaron la necesidad de fortalecer la formación profesional y la articulación entre escuela, familia y servicios especializados. Se concluyó que la inclusión de estudiantes con Doble Excepcionalidad requiere prácticas que reconozcan simultáneamente sus dificultades y potencialidades, garantizando condiciones equitativas de participación, aprendizaje y desarrollo.

Palabras clave: Desarrollo humano; Formación docente; Inclusión escolar; Neurodivergencia; Prácticas pedagógicas.

02 de octubre de 2026

Modelado predictivo para la gestión de inventarios: aumento de la productividad y la eficiencia en un centro de distribución de alimentos

La gestión eficiente de las operaciones logísticas en centros de distribución es fundamental para la competitividad, especialmente en actividades intensivas en mano de obra, que impactan los costos operativos y el nivel de servicio. El estudio tuvo como objetivo desarrollar y evaluar diferentes modelos de pronóstico de demanda para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos. Para ello, se utilizaron datos históricos de movimiento de un sistema WMS, aplicando modelos de regresión lineal, suavización exponencial de Holt-Winters y el algoritmo LightGBM. Los resultados indicaron que los modelos tradicionales presentaron limitaciones en la captura de la dinámica de la demanda, con un rendimiento inferior al LightGBM. El algoritmo de aprendizaje automático demostró un rendimiento superior, especialmente después de la incorporación de mayor granularidad de los datos y variables temporales, lo que permitió una mayor adherencia a la dinámica de la demanda. La aplicación del modelo resultó en una reducción del 36,38% en el desplazamiento para el pallet picking y del 31,98% para el case picking, totalizando una reducción global del 33,64%. Se concluyó que la utilización de modelos predictivos contribuyó a la mejora de la eficiencia operativa, permitiendo una mejor asignación de recursos y organización de los artículos en el proceso de separación de pedidos.

Palabras clave: Aprendizaje automático; Clasificación ABC; Eficiencia operativa; Logística; Pronóstico de demanda.

02 de octubre de 2026

Transformación de Datos en Estrategia: Investigación Aplicada para la Optimización de Operaciones en Ecoturismo

La creciente demanda en el turismo ecológico en Minas Gerais impulsó la búsqueda de inteligencia de negocios para transformar datos de clientes en información estratégica. El estudio objetivó estructurar un pipeline de ciencia de datos para recolectar, segmentar y clasificar la base de clientes de una operación de ecoturismo, con el fin de optimizar acciones de marketing y anticipar movimientos de mercado. Se realizó una investigación exploratoria, de naturaleza cuali-cuantitativa, por medio de un estudio de caso. Se utilizaron 2.777 registros transaccionales de una empresa de ecoturismo, referentes a enero de 2024 a diciembre de 2025. El proceso metodológico involucró recolección automatizada de datos (API Google Sheets), tratamiento y enriquecimiento (ETL), validación y creación de atributos RFM (Recencia, Frecuencia y Valor Monetario). Se aplicó reducción de dimensionalidad vía PCA y agrupamiento K-Means, con el número de clusters definido por el método del Codo y Silhouette Score. Se validaron los resultados con DBSCAN y K-Medoids. Los resultados revelaron la identificación de tres segmentos comportamentales de clientes: “Fiel”, “Bajo Valor” y “Potencial”. El segmento “Fiel” representó el mayor valor económico acumulado, mientras que el “Potencial” se destacó por el alto ticket promedio y potencial de conversión en recurrencia. La integración de las técnicas de análisis de datos demostró ser un método robusto y replicable para generar inteligencia en el ecoturismo. Se concluyó que el pipeline de ciencia de datos estructurado viabilizó la segmentación comportamental de la base de clientes, la validación estadística de los grupos y la creación de un sistema predictivo para nuevos compradores, proporcionando subsidios para decisiones estratégicas basadas en datos y futuros análisis.

Palabras clave: Clusterización; Inteligencia de negocios; Machine Learning; Segmentación de clientes; Toma de decisiones.

02 de octubre de 2026

Clasificación de clientes morosos mediante técnicas supervisadas de aprendizaje automático

El riesgo de incumplimiento en operaciones de crédito demandó enfoques analíticos para anticipar pérdidas. Este estudio evaluó comparativamente el desempeño de modelos supervisados de aprendizaje automático en la clasificación de clientes incumplidos en operaciones de tarjeta de crédito. Se utilizó la base pública “Default of Credit Card Clients”, de la Universidad de California Irvine, con 30.000 observaciones y desbalanceo de clases. Se emplearon los algoritmos Regresión Logística, Random Forest y Extreme Gradient Boosting. El desbalanceo se trató mediante la asignación de pesos a las clases, y la optimización de los modelos se realizó con el método RandomizedSearchCV, priorizando la sensibilidad. Los resultados de la validación cruzada indicaron que el modelo Extreme Gradient Boosting presentó mayor capacidad de identificación de la clase incumplida y mejor desempeño discriminatorio, seguido por Random Forest y Regresión Logística, con una sensibilidad de 0,8250 y un AUC-ROC de 0,7844 para el XGBoost. El análisis de interpretabilidad, realizado por la técnica Shapley Additive Explanations (SHAP), evidenció la predominancia de variables asociadas al comportamiento de pago, especialmente el historial de retrasos. Se concluyó que los modelos basados en árboles, particularmente técnicas de boosting, se mostraron más adecuados para capturar patrones complejos en los datos, configurándose como alternativas consistentes para la gestión de riesgo de crédito.

Palabras clave: Aprendizaje Automático; Tarjeta de Crédito; Clasificación; Extreme Gradient Boosting; Riesgo de Crédito.

02 de octubre de 2026

Análisis de Sentimientos sobre Bancos Brasileños en Twitter/X: Comparación entre Instituciones Tradicionales y Digitales

Un estudio analizó la percepción pública sobre instituciones financieras brasileñas en la plataforma Twitter/X, resaltando la importancia del monitoreo de sentimientos en redes sociales para la comprensión de la reputación y la experiencia del cliente en el sector bancario. El objetivo consistió en comparar la percepción de los usuarios sobre la imagen y la reputación de bancos tradicionales y digitales, a partir de los patrones de sentimiento identificados en las manifestaciones analizadas, buscando identificar diferencias estructurales entre estos grupos. La metodología se basó en el análisis de 1.096 tweets recopilados entre noviembre de 2022 y junio de 2023. Se utilizaron dos enfoques complementarios de análisis de sentimientos, la suma y la media de las etiquetas, para captar el sentimiento mayoritario y los matices de la percepción. Adicionalmente, se desarrollaron el Modelo de Perfil de Mercado, con indicadores de reputación emocional, riesgo reputacional, neutralidad y polarización, y el Modelo de Clusterización Bancaria, que permitió agrupar las instituciones conforme a patrones de percepción. Los resultados indicaron predominancia de sentimientos neutros y negativos, mayor volumen de interacciones en los bancos digitales y diferencias estructurales en la intensidad emocional de las percepciones, con mayor estabilidad en los bancos digitales y mayor polarización en los tradicionales. Se concluyó que la combinación de técnicas analíticas y estadísticas contribuyó a una comprensión profunda de la imagen institucional en el entorno digital, evidenciando la importancia de estrategias de gestión de la reputación basadas en datos.

Palabras clave: Bancos digitales; Bancos tradicionales; Modelado de datos; Opinion mining; Redes Sociales.

02 de octubre de 2026

Optimización de la planificación presupuestaria anual mediante metodologías de gestión de proyectos

El Plan Presupuestario Anual (POA) es un proceso crucial para traducir la estrategia organizacional en metas operativas y financieras, pero frecuentemente enfrenta presiones de plazos, dependencias interdepartamentales y la repetición de gastos habituales. El estudio objetivó analizar cómo la aplicación combinada de prácticas de gestión de proyectos y del Presupuesto Base Cero (PBC) puede optimizar el POA. Para ello, se desarrolló un estudio de caso en la operación brasileña de una compañía abierta del sector de bebidas, utilizando investigación documental de su informe de resultados de 2023 y un cuestionario anónimo aplicado a 47 encuestados. El análisis documental indicó crecimiento de la receta neta, expansión del margen bruto y del EBITDA ajustado, y avance contenido de los gastos de ventas, generales y administrativos, sugiriendo disciplina de costos y apalancamiento operativo. El relevamiento complementario reveló alta percepción de efecto cascada en el cronograma, fuerte apoyo a la definición de responsables por paquetes de costos y preferencia por justificación técnica de los gastos, además de demanda por flexibilidad controlada tras la definición de la línea base. Se concluyó que la estructuración del POA como proyecto, asociada al rigor del PBC, aumentó la previsibilidad del proceso, reforzó la responsabilidad sobre los gastos y amplió la coherencia entre la ejecución presupuestaria y el desempeño económico-financiero.

Palabras clave: Control de Costos; Eficiencia Operativa; Presupuesto Base Cero; PMBOK; Sector de Bebidas.

02 de octubre de 2026

Innovación en modelos de negocio tradicionales y su impacto en el entorno laboral

El estudio analizó cómo la innovación aplicada en modelos de negocio tradicionales impacta el ambiente de trabajo. Con este objetivo, se realizó una investigación de campo que involucró a 225 profesionales de diferentes sectores y niveles jerárquicos. La recolección de datos se llevó a cabo a través de un cuestionario estructurado, que investigó el perfil, las percepciones y los comportamientos de los participantes en relación con la innovación. Los resultados obtenidos indicaron que los colaboradores de empresas consideradas innovadoras percibieron niveles elevados de innovación, demostraron mayor compromiso, motivación para proponer mejoras y una mejor comprensión de los cambios implementados. En contraste, los profesionales de empresas tradicionales presentaron una percepción de innovación más baja, mayor neutralidad frente a las transformaciones y niveles más elevados de estrés e inseguridad en el ambiente laboral. Se observó, además, que el liderazgo, la comunicación clara, el apoyo y la capacitación adecuada fueron identificados como factores esenciales para facilitar la adaptación a los cambios y aumentar la receptividad de los colaboradores. Se concluyó que la tipología organizacional, asociada a la cultura y a las prácticas de gestión, influye directamente en la forma en que se vive la innovación internamente y sus efectos en el ambiente de trabajo.

Palabras clave: Compromiso; Empresas tradicionales; Gestión del cambio.