IA en la educación: el desafío de la responsabilidad

Columna

Tecnología

10 de julio de 2026

IA en la educación: el desafío de la responsabilidad

Las tecnologías inteligentes exigen gobernanza, formación docente y sentido crítico para no profundizar las desigualdades

La inteligencia artificial se ha consolidado como una de las fuerzas más relevantes de la transformación digital contemporánea, y la educación ha pasado a ocupar un lugar central en este movimiento. Si antes la discusión giraba en torno a la digitalización de contenidos y la expansión de la enseñanza a distancia, ahora el debate avanza hacia sistemas capaces de generar retroalimentación, adaptar itinerarios de aprendizaje, apoyar la planificación pedagógica y automatizar tareas administrativas (Bond et al., 2024).

En términos prácticos, esto significa que la IA ya no es solo un recurso periférico: comienza a interferir en la propia organización del proceso educativo, en la mediación docente y en la forma en que el conocimiento se produce, se evalúa y se distribuye. Organismos internacionales como la Unesco (Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura) vienen alertando sobre el hecho de que este avance necesita ser guiado por una visión centrada en el ser humano, y no solo por promesas de eficiencia (Miao; Holmes, 2023).

Parte del entusiasmo en torno a la IA en la educación se deriva de un problema antiguo: la dificultad de ofrecer una enseñanza más receptiva en sistemas marcados por la heterogeneidad de perfiles, limitaciones presupuestarias y escasez de tiempo pedagógico. En este contexto, las herramientas de inteligencia artificial ofrecen algo históricamente deseado por escuelas y universidades: la posibilidad de personalizar el aprendizaje a escala.

Las revisiones recientes muestran que el área de AIED (Artificial Intelligence in Education – algo así como “Inteligencia Artificial en la Educación”) ha crecido rápidamente y ha llegado a abarcar desde sistemas tutores inteligentes hasta asistentes generativos, analítica educacional, evaluación automatizada y apoyo a la docencia. La literatura también indica que este ecosistema ya no debe ser visto como una tendencia pasajera, sino como parte de una reconfiguración más amplia de las prácticas educativas (Wang et al., 2024).

Personalización

Uno de los usos más prometedores de la IA se encuentra precisamente en la personalización. Los sistemas tutores inteligentes pueden identificar patrones de error, ajustar el nivel de dificultad, recomendar ejercicios y ofrecer retroalimentación inmediata según el desempeño del estudiante.

Se trata de un cambio importante, porque la enseñanza tradicional frecuentemente opera a un ritmo único para clases muy diversas. Metaanálisis clásicos sobre sistemas de tutoría inteligente ya indicaban efectos positivos moderados sobre el aprendizaje en la enseñanza superior, mostrando que estos sistemas tienden a superar métodos como la enseñanza tradicional, la lectura de materiales, actividades autónomas y la enseñanza asistida por computadora, aunque todavía no reemplazan plenamente la tutoría humana.

Estos hallazgos refuerzan que la IA puede mejorar los resultados educativos cuando se diseña con una base pedagógica consistente y se integra al trabajo docente, y no solo como una solución tecnológica aislada. Más recientemente, revisiones sistemáticas continúan señalando ganancias en compromiso y rendimiento, aunque resaltan la necesidad de experimentos más robustos y mayor atención al contexto de implementación (Steenbergen-Hu; Cooper, 2014; Kulik; Fletcher, 2016).

En el plano del trabajo docente, la IA también puede representar un cambio relevante. Según la Unesco, la inteligencia artificial puede auxiliar al profesor tanto en actividades pedagógicas como en la gestión del aprendizaje, permitiendo personalizar contenidos, analizar patrones de desempeño, automatizar tareas repetitivas y apoyar procesos de toma de decisiones educacionales.

Para la entidad, estas tecnologías pueden mejorar las experiencias de aprendizaje, contribuir a la preparación de clases, apoyar procesos evaluativos y favorecer el seguimiento individualizado de los estudiantes, además de fortalecer el desarrollo profesional continuo de los docentes. Sin embargo, el documento resalta que la IA no debe sustituir al profesor, sino actuar como instrumento de apoyo a la práctica pedagógica, preservando la interacción humana, el pensamiento crítico, la mediación docente y la responsabilidad ética como elementos centrales del proceso educacional (Unesco, 2024a).

Evaluación

Otro campo importante es la evaluación. Con el auge de la IA generativa, la evaluación educativa ha dejado de ser solo un espacio de medición y se ha convertido también en un terreno de disputa epistemológica. La literatura reciente indica que la IA generativa tiende a transformar profundamente los procesos de evaluación en la educación superior, al mismo tiempo que crea oportunidades y desafíos.

Entre las oportunidades, se destacan la posibilidad de ofrecer retroalimentación inmediata, apoyar la autoevaluación de los estudiantes, favorecer la personalización del aprendizaje y estimular prácticas de estudio más autónomas. Sin embargo, el uso de herramientas como ChatGPT también amplía las preocupaciones relacionadas con la integridad académica, ya que estos sistemas pueden producir textos, respuestas y actividades con un alto grado de calidad aparente. Ante esto, Xia et al. (2024) defienden que las evaluaciones necesitan ser rediseñadas, desplazando el foco de la simple reproducción de contenido a competencias más complejas, como pensamiento crítico, creatividad, resolución de problemas, aprendizaje autorregulado y uso ético de la IA.

Los autores también resaltan la necesidad de formación docente en evaluación, alfabetización digital e inteligencia artificial, así como la revisión de las políticas institucionales de evaluación, con mayor valoración de prácticas innovadoras, interdisciplinarias y alineadas a las nuevas demandas educativas.

Existe todavía una dimensión frecuentemente subestimada en el debate sobre IA y educación: la inclusión. En teoría, tecnologías basadas en inteligencia artificial pueden ampliar accesibilidad, apoyar a estudiantes con discapacidad, ofrecer traducción automática, lectura asistida, simplificación textual, feedback en lenguaje claro y trayectorias de aprendizaje más flexibles y personalizadas. Este potencial se vuelve aún más relevante en contextos de masificación de la enseñanza, en los cuales el acompañamiento individualizado tiende a ser limitado.

Sin embargo, el Informe GEM, de la Unesco, advierte que la tecnología no es sinónimo automático de equidad. La expansión de soluciones digitales puede profundizar desigualdades ya existentes cuando persisten problemas de conectividad, infraestructura insuficiente, ausencia de políticas institucionales y bajos niveles de alfabetización digital.

El informe destaca, por ejemplo, que una gran parte de las escuelas en el mundo aún no tiene acceso adecuado a internet y que muchos países carecen de regulaciones claras para el uso de tecnologías educativas. De esta forma, los impactos inclusivos de la IA dependen menos de la tecnología en sí y más de las condiciones sociales, organizacionales y pedagógicas que estructuran su implementación en el entorno educativo (Unesco, 2023).

Desafíos

Los desafíos, por lo tanto, son tan relevantes como las potencialidades. El primero de ellos es el riesgo de superficialización del aprendizaje. Si se utiliza mal, la IA puede estimular respuestas rápidas sin comprensión profunda, debilitar la autoría intelectual y reducir el esfuerzo cognitivo necesario para consolidar el conocimiento. Otro punto crítico es el problema de las alucinaciones, los sesgos y los errores fácticos.

Los modelos generativos pueden presentar información falsa con alta fluidez verbal, lo que es particularmente preocupante en entornos en los que los estudiantes aún están formando repertorio conceptual y criterios de validación. Artículos recientes sobre el uso de grandes modelos de lenguaje en la educación insisten en que el valor pedagógico de estas herramientas depende del desarrollo simultáneo de competencias de verificación, curación, formulación de prompts y lectura crítica (Kasneci et al., 2023).

También merece atención la cuestión de la gobernanza. La educación trabaja con datos sensibles, trayectorias individuales, desigualdades históricas y relaciones asimétricas de poder. En este escenario, adoptar IA sin parámetros claros sobre protección de datos, rastreabilidad, criterios de decisión y responsabilidad institucional sería un error estratégico y ético.

La Unesco sostiene que los sistemas educativos necesitan marcos que articulen derechos, seguridad, supervisión humana y desarrollo de competencias en IA tanto para docentes como para estudiantes. No se trata solo de regular una herramienta, sino de definir qué proyecto educativo se pretende fortalecer con ella (Miao; Holmes, 2023; Unesco, 2024a; Unesco, 2024b).

La gran contribución de la IA a la educación quizás no resida en automatizar la enseñanza, sino en presionar a escuelas, universidades y directivos a repensar lo que realmente importa aprender. En un contexto en el que las respuestas listas se vuelven abundantes, ganan aún más valor capacidades como la argumentación, el juicio, la creatividad, la interpretación contextual, la ética y la resolución de problemas complejos.

La tecnología puede ser una aliada poderosa para ampliar la escala, la personalización y el apoyo a la docencia, pero difícilmente sustituirá el papel formativo de la relación pedagógica. El punto central, por lo tanto, no es elegir entre aceptar o rechazar la IA. Es definir, con lucidez, qué usos fortalecen el aprendizaje y cuáles lo empobrecen. En la educación, como en pocos otros campos, la innovación sin criterio puede ser solo automatización de aquello que ya funcionaba mal. Con criterio, puede convertirse en una oportunidad concreta de cualificar la enseñanza, la gestión y el desarrollo humano.

Para tener acceso a las referencias de este texto haz 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.