El costo real de la IA en las empresas de TI

Columna

Inteligencia Artificial

22 de mayo de 2026

El costo real de la IA en las empresas de TI

El próximo ciclo de la tecnología en las organizaciones debe estar menos marcado por la euforia de la sustitución y más por la disciplina de la sostenibilidad operativa

La incorporación acelerada de la inteligencia artificial en las empresas de tecnología se ha presentado como un camino casi inevitable para aumentar la productividad, reducir costos y sustituir parte del trabajo humano en actividades técnicas, administrativas y, a menudo, incluso para tareas creativas, dependiendo de la situación.

Esta narrativa ha guiado, en los últimos años, decisiones empresariales de reorganización interna, reducción de equipos, creación de productos basados en automatización y adopción de herramientas generativas a gran escala. Sin embargo, comienza a hacerse más evidente una tensión económica central: la inteligencia artificial utilizada a escala no es gratuita, no es ilimitada y depende de una infraestructura computacional cada vez más cara.

Este punto aparece de forma concreta en el cambio de cobro de GitHub Copilot. En abril de 2026, GitHub anunció que todos los planes de Copilot pasarían a cobro basado en uso a partir de junio de 2026, con consumo calculado por créditos de IA asociados a tokens de entrada, salida y caché. La propia empresa justificó el cambio afirmando que el uso del agente, con sesiones largas y múltiples etapas de programación, elevó de forma significativa las demandas de computación e inferencia, haciendo insostenible el modelo anterior de peticiones premium (Rodriguez, 2026).

El movimiento en cuestión es importante porque revela un cambio de fase. Durante el período inicial de expansión de la IA generativa, se ofrecieron muchas herramientas en modelos comerciales simplificados, con suscripciones mensuales, límites poco claros y un fuerte subsidio implícito de uso.

A medida que los usuarios comenzaron a delegar tareas más largas, complejas y cercanas al trabajo profesional real, el costo dejó de ser marginal. La IA dejó de operar solo como un complemento de productividad individual y pasó a representar una línea de gasto variable, dependiente de la intensidad de uso, el tamaño del contexto, el modelo elegido y la complejidad de las operaciones solicitadas.

Costo operativo

El primer signo de esta transformación se encuentra en la revisión de los modelos de precios de las propias herramientas de desarrollo basadas en IA. Cursor, una de las plataformas más asociadas con el uso de IA en la programación, modificó su plan “Pro” en 2025 para incluir una cuota mensual de 20 USD en el uso de modelos de vanguardia, calculada en función del precio de la API. La empresa explicó que los modelos más recientes pueden consumir más tokens por solicitud en tareas de horizonte más largo y que las solicitudes más difíciles pueden costar una orden de magnitud más que las solicitudes simples (Cursor, 2025).

Este dato es decisivo para las empresas de TI, porque desmonta la idea de que la IA tiene un costo fijo y predecible en cualquier escenario. Cuanto más intenta la organización usar la IA para resolver problemas complejos, como refactorización de sistemas, análisis de grandes repositorios, generación de pruebas, revisión de código y automatización de flujos completos, mayor tiende a ser el consumo computacional. El costo no crece solo con el número de usuarios, sino con la profundidad de las tareas delegadas al modelo. Así, la automatización deja de ser solo una promesa de ahorro y pasa a exigir contabilidad técnica.

La documentación de Anthropic para Claude Code sigue la misma dirección. Según la empresa, Claude Code cobra en función del consumo de tokens por API, y los costos por desarrollador varían según el modelo utilizado, el tamaño de la base de código y los patrones de uso, como múltiples instancias o automatización. En implementaciones corporativas, Anthropic informa un costo promedio aproximado de 13 USD por desarrollador por día activo y entre 150 y 250 USD por desarrollador por mes (Anthropic, 2026).

Estos valores no significan que el uso de IA sea inviable. Indican, sin embargo, que su adopción debe tratarse como costo operativo recurrente, y no como una simple suscripción de software. Para las empresas que redujeron equipos creyendo que las herramientas generativas absorberían una parte sustancial del trabajo técnico, la cuenta puede volverse más compleja. El ahorro obtenido con menos profesionales puede verse parcialmente anulado por gastos de inferencia, revisión humana, retrabajo, integración, seguridad y gobernanza.

Infraestructura y repercusión de costos

El problema no se limita a las herramientas utilizadas en la punta. Comienza en la infraestructura de las empresas centrales de IA. En febrero de 2026, Reuters informó que OpenAI proyectaba aproximadamente 600 mil millones de dólares en gastos totales de computación hasta 2030, según una fuente familiarizada con el asunto.

El mismo informe registró que los costos de inferencia de la empresa se habrían cuadruplicado en 2025, con una caída del margen bruto ajustado del 40% en 2024 al 33% en 2025, según un informe atribuido a The Information (Reuters, 2026).

Aunque estas cifras deban interpretarse como estimaciones e información reportada por fuentes, apuntan a un aspecto estructural: la IA generativa a gran escala exige capital intensivo, chips, energía, centros de datos, redes de alta capacidad y contratos de infraestructura a largo plazo.

El costo no desaparece. En algún momento, debe ser absorbido por los proveedores, los inversores o los clientes. Cuando el ciclo de subsidio disminuye, la tendencia es que parte de este costo se transfiera a las empresas que dependen de las plataformas de IA para operar sus propios productos y servicios.

En este contexto, el riesgo no es la desaparición de la inteligencia artificial, sino el debilitamiento de modelos de negocio construidos sobre la hipótesis de una IA barata, abundante y capaz de sustituir profesionales a gran escala. Empresas que vendieron soluciones con fuerte dependencia de llamadas a modelos externos pueden enfrentar compresión de margen, en caso de que el coste por uso aumente.

De la misma manera, organizaciones que internalizaron la idea de que podrían operar áreas técnicas con equipos muy reducidos pueden descubrir que la reducción de nómina fue compensada por nuevos costos invisibles, distribuidos entre plataformas, APIs, créditos, monitoreo, revisión y corrección de salidas automatizadas.

Productividad y sustitución

El segundo punto de tensión radica en la diferencia entre automatización aparente y productividad efectiva. Muchas empresas de TI han adoptado herramientas de IA basándose en la idea de que escribir código más rápido equivale a entregar software mejor, más barato y con menor dependencia de profesionales especializados.

Esta equivalencia es limitada. El desarrollo de software involucra arquitectura, entendimiento de requisitos, mantenimiento, pruebas, documentación, seguridad, integración, comunicación con usuarios y responsabilidad técnica. La IA puede acelerar partes de este proceso, pero también puede introducir retrabajo, inconsistencias, soluciones frágiles y aumento de deuda técnica.

Un estudio de Becker, Rush, Barnes y Rein (2025), publicado en versión preliminar en arXiv, evaluó a desarrolladores experimentados trabajando en sus propios repositorios de código abierto. Los autores analizaron 246 tareas y verificaron que, cuando el uso de herramientas de IA estaba permitido, los desarrolladores tardaban un 19% más tiempo en completar las actividades. El resultado contrarió la expectativa de los propios participantes, quienes antes del estudio estimaban una reducción de tiempo del 24% con IA (Becker et al., 2025).

Este resultado no debe generalizarse a todos los escenarios de programación. Se refiere a un contexto específico, con desarrolladores experimentados, bases de código maduras y herramientas disponibles a principios de 2025. Aun así, el estudio es relevante por cuestionar la suposición de ganancia automática y universal de productividad. En sistemas reales, el tiempo ahorrado en la generación de código puede ser consumido por la lectura, validación, ajuste, prueba, corrección y descarte de respuestas inadecuadas. Para empresas que redujeron equipos apostando por una sustitución directa, esta diferencia entre producción aparente y entrega confiable puede convertirse en un problema operativo.

La consecuencia probable no es la eliminación de la IA en las empresas de tecnología, sino la recomposición del papel del trabajo humano. Los profesionales técnicos tienden a seguir usando la IA, pero de manera más selectiva, supervisada y económicamente controlada.

La promesa de reemplazar equipos enteros con herramientas tiende a encontrar límites cuando el costo de inferencia aumenta, cuando los sistemas críticos exigen revisión constante y cuando la entrega de valor depende de la responsabilidad técnica. En este escenario, las empresas que confundieron la generación automatizada de artefactos con capacidad organizacional pueden necesitar reconstruir equipos, recontratar profesionales o crear funciones orientadas a la supervisión, validación e integración de sistemas basados en IA.

Retorno sobre inversión

El tercer elemento es la dificultad para demostrar un retorno económico consistente. En 2024, Gartner estimó que al menos el 30% de los proyectos de IA generativa serían abandonados después de la prueba de concepto para finales de 2025, debido a la baja calidad de los datos, controles de riesgo inadecuados, costos crecientes o un valor de negocio poco claro. La consultora también observó que las organizaciones enfrentaban dificultades para justificar inversiones sustanciales en IA generativa cuando las ganancias de productividad no se traducían directamente en beneficio financiero (Gartner, 2024).

En 2025, Gartner proyectó que más del 40% de los proyectos de IA de agentes serían cancelados para finales de 2027, nuevamente debido a costos crecientes, valor de negocio indefinido o controles de riesgo insuficientes. El análisis también advirtió que muchos proyectos aún se encontraban en etapa experimental y a menudo eran impulsados por el entusiasmo del mercado, sin claridad sobre el costo y la complejidad de la implementación a escala (Gartner, 2025).

El informe “The GenAI Divide: State of AI in Business 2025”, del MIT NANDA —basado en entrevistas con líderes de 52 organizaciones de varios lugares del mundo, recopiladas en cuatro grandes conferencias del sector—, refuerza este diagnóstico. Según Challapally, Pease, Raskar y Chari (2025), a pesar de inversiones empresariales estimadas entre 30.000 y 40.000 millones de dólares en IA generativa, el 95% de las organizaciones analizadas no obtuvieron un retorno medible.

El informe también señaló que herramientas como ChatGPT y Copilot son ampliamente exploradas e implementadas, pero tienden a mejorar la productividad individual más que el desempeño financiero agregado (Challapally et al., 2025). Este punto es central para las empresas de TI que han comenzado a construir productos y procesos sobre IA. La cuestión deja de ser si la herramienta impresiona en demostraciones y pasa a ser si sostiene margen, calidad, recurrencia y escala.

Durante la fase de entusiasmo, la IA permite crear prototipos rápidamente, reducir el tiempo inicial de desarrollo y producir textos, códigos, interfaces y análisis con baja fricción. Sin embargo, cuando el producto necesita operar con clientes reales, cumplir contratos, lidiar con excepciones, mantener la seguridad y preservar la calidad, la economía inicial puede transformarse en un gasto permanente.

Gobernanza económica

En el plano empresarial, la adopción de IA pasa a exigir gobernanza económica tan rigurosa como la gobernanza técnica. No basta preguntar si una tarea puede ser automatizada. Es necesario evaluar cuánto cuesta automatizarla, cuál es el costo de la revisión humana, cuál es el riesgo de error, cuál es la dependencia de un proveedor externo, cuál es la frecuencia de uso y cuál es el impacto sobre la capacidad interna de la organización. Las empresas que dispensan conocimiento técnico en nombre de la automatización pueden perder precisamente la competencia necesaria para evaluar, corregir e integrar los sistemas que pretenden utilizar.

La tendencia más plausible es una selección más dura de los casos de uso. Las actividades repetitivas, delimitadas y de bajo riesgo deben seguir automatizándose. Los procesos complejos, ambiguos y críticos tienden a permanecer dependientes de profesionales cualificados, aunque apoyados por IA.

El error estratégico de las empresas de TI no será utilizar inteligencia artificial, sino estructurar costos, equipos y productos basándose en la suposición de que la IA reemplazará el trabajo especializado sin pérdida de calidad, sin aumento de riesgo y sin presión económica.

Ante este conjunto de señales, el próximo ciclo de la IA en las empresas de tecnología tiende a estar menos marcado por la euforia de la sustitución y más por la disciplina de la sostenibilidad operativa. Las herramientas generativas seguirán siendo relevantes, pero la idea de automatización ilimitada tiende a ceder espacio a modelos de uso controlado, presupuesto por equipo, límites de consumo, análisis de retorno y revisión humana intensiva. La IA no debe desaparecer de las empresas de TI. Lo que tiende a derrumbarse es la fantasía de que permitirá operar empresas complejas con pocos profesionales, bajo costo marginal y productividad automáticamente creciente.

En conclusión, el punto central no es negar la importancia de la IA, sino comprender que su adopción entra en una fase económicamente más realista. A medida que los proveedores repercuten costos, ajustan planes, limitan usos intensivos y organizan el cobro por consumo, las empresas que construyeron su estrategia sobre IA barata pueden enfrentar una recomposición de costos y la necesidad de recontratación técnica.

El futuro próximo tiende a favorecer a las organizaciones capaces de combinar la automatización con la competencia humana, y no a aquellas que han sustituido la estructura profesional por una dependencia acrítica de plataformas externas. En este sentido, la IA no elimina la necesidad de personas cualificadas. Por el contrario, cuanto más cara, compleja y estratégica se vuelve, mayor es la necesidad de profesionales capaces de decidir cuándo, cómo y hasta qué punto debe ser utilizada.

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

Quién publicó esta columna

Maurício Acconcia Dias

Possui graduação em Ciência da Computação pela Universidade Federal de Lavras, mestrado e doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo e MBA em Data Science Analytics pela USP/Esalq. Atua com desenvolvimento de hardware para sistemas inteligentes aplicados à robótica. É consultor em Data Science & Analytics e Desenvolvimento de sistemas embarcados e orientador do MBA USP/Esalq.

También te puede interesar

16 de noviembre de 2026

Eficiencia Fiscal e Impacto Social: la integración de los mecanismos de renuncia fiscal a la planificación tributaria empresarial

Los mecanismos de renuncia fiscal de aplicación social sectorial en Brasil representan un instrumento de planificación tributaria viable y subutilizado por el sector privado. El estudio objetivó demostrar la operatividad, calculabilidad y relevancia estratégica de la incorporación de estos mecanismos a la gestión tributaria empresarial. Para ello, se analizó la estructura normativa de los principales incentivos fiscales federales, estatales y municipales, y se desarrolló un modelo de cálculo del potencial de destinación. Se aplicó el modelo en simulaciones con datos contables y fiscales de dos empresas con perfiles tributarios distintos, utilizando un enfoque cualitativo y cuantitativo, con estudio de casos múltiples. Los resultados indicaron que, para ambos perfiles simulados, el potencial de destinación fue significativo y su utilización no implicó un incremento del costo fiscal total. La comparación entre los perfiles reveló que la composición de la cartera de incentivos debe ser calibrada conforme a la predominancia del IRPJ, del ICMS o del ISS en la estructura tributaria de cada contribuyente. Como contribución, el trabajo ofreció una sistematización de los mecanismos disponibles en las tres esferas y un modelo replicable de estimación del potencial de destinación, herramienta ausente en la literatura nacional sobre planificación tributaria.

Palabras clave: Extrafiscalidad; Gestión fiscal; Gobernanza tributaria; Incentivos tributarios; Responsabilidad corporativa.

16 de noviembre de 2026

Modelado exploratorio del efecto del tratamiento preventivo de la citomegalovirosis en pacientes con SIDA

El citomegalovirus (CMV) es altamente prevalente y causa enfermedad grave en individuos inmunocomprometidos, como pacientes con VIH. Ante la escasez de datos robustos sobre el tratamiento preventivo para esta infección, se desarrolló un modelo exploratorio. El objetivo fue identificar subgrupos potenciales que se beneficiarían de este enfoque. Se realizó un estudio observacional retrospectivo, analizando 176 historias clínicas de pacientes internados en un hospital terciario entre 2017 y 2022. Tras aplicar criterios de inclusión y exclusión, 116 pacientes se dividieron en un grupo de tratamiento preventivo (19) y un grupo control (97). Se utilizaron técnicas de aprendizaje automático, como LinearDML y CausalForestDML, y análisis de variables por Importancia de Características y SHAP. El análisis de las variables indicó que la alta viremia de CMV estuvo asociada al fallecimiento, con una Odds Ratio de 1,85 (p = 0,004). El modelo estimó un aumento en la mortalidad global asociado al tratamiento preventivo (ATE del 48%, p = 0,0180), posiblemente reflejando la mayor gravedad basal de los pacientes tratados. Sin embargo, el análisis de heterogeneidad identificó que los pacientes de mayor edad presentaron un efecto estimado relativamente más favorable. Las limitaciones incluyeron el pequeño tamaño muestral y el carácter retrospectivo y observacional. No obstante, con la ampliación del grupo evaluado, el modelo podrá servir como base para la construcción de herramientas de apoyo a la decisión clínica.

Palabras clave: Aprendizaje automático; Double machine learning; Inferencia causal; Mortalidad.

16 de noviembre de 2026

Modelos de regresión para gastos en productos de higiene y cuidado personal en la región Sudeste

Se evaluaron modelos de regresión para correlacionar los gastos en productos de higiene y cuidado personal de la población de la Región Sudeste de Brasil. Se utilizaron datos de la Encuesta de Presupuestos Familiares (POF) de 2017-2018, realizada por el Instituto Brasileño de Geografía y Estadística. Los modelos se estimaron por mínimos cuadrados ordinarios y se verificaron los supuestos de normalidad de los términos de error, multicolinealidad y heterocedasticidad. Se evaluaron modelos de regresión lineal, regresión no lineal con transformación de Box-Cox y regresión lineal con variables dummy. Se obtuvieron coeficientes estadísticamente diferentes de cero para los tres modelos, confirmados por los p-valores de las pruebas F y t, y la adherencia de los residuos a la normalidad se evaluó gráficamente. Sin embargo, se observaron problemas de heterocedasticidad en todos los casos, lo que indica la omisión de variables relevantes para el modelo. Los bajos valores de R² obtenidos, entre 2,19% y 5,56%, sugirieron que la variable dependiente fue poco explicada por los modelos. A pesar de ello, se observó un perfil creciente de los gastos en higiene y cuidado personal en función de la renta disponible per cápita. Se recomienda, para estudios futuros, la evaluación de otras variables explicativas para mejorar el coeficiente de ajuste del modelo y eliminar la heterocedasticidad.

Palabras clave: Gastos familiares; Mínimos cuadrados ordinarios; Renta per cápita; Transformación de Box-Cox; Variables dummy.

16 de noviembre de 2026

Accesibilidad cognitiva y TEA: directrices de diseño para aplicaciones de comunicación aumentativa y alternativa

El Trastorno del Espectro Autista (TEA) impone desafíos específicos al diseño de interfaces digitales, afectando el procesamiento cognitivo, la regulación sensorial y la comunicación funcional. En este contexto, la Comunicación Aumentativa y Alternativa (CAA) se configura como un recurso esencial para apoyar a individuos con limitaciones en el lenguaje oral. Este estudio tuvo como objetivo analizar la usabilidad y la accesibilidad de aplicaciones de CAA dirigidas al público neurodivergente. La investigación se caracterizó como descriptiva, de enfoque cuantitativo, y se basó en la observación sistemática de las interfaces de las aplicaciones brasileñas Livox, Matraquinha y Expressia. Como instrumento de recolección de datos, se utilizó un checklist estructurado, desarrollado a partir de la convergencia entre directrices de Interacción Humano-Computadora (IHC), Análisis del Comportamiento Aplicado (ABA) y la Guía GAIA. Los resultados revelaron que Livox y Expressia presentaron mayor conformidad técnica y soporte al aprendizaje, mientras que Matraquinha se destacó por la literalidad semántica, pero con limitaciones en personalización y arquitectura. Se identificó una brecha crítica generalizada en la detección proactiva de frustración, evidenciando oportunidades de innovación estratégica para el mercado de negocios digitales y para el avance del diseño neuroinclusivo.

Palabras clave: Diseño Neuroinclusivo; Inclusión Digital; Innovación Estratégica; Tecnología Asistiva; Usabilidad.

16 de noviembre de 2026

Métodos de costeo e impactos en la fijación de precios: el escenario de las empresas paulistanas

La gestión de costos ha ganado relevancia en el entorno empresarial debido a la creciente competitividad y a la necesidad de decisiones gerenciales más precisas. Se investigó la adopción de métodos de costeo y sus impactos en la fijación de precios en empresas industriales del municipio de São Paulo. La investigación se caracterizó como descriptiva, de naturaleza aplicada, con enfoque cuanti-cualitativo, y se desarrolló a través de un levantamiento tipo survey. La recolección de datos se realizó mediante la aplicación de un cuestionario en línea estructurado, y la muestra se obtuvo por conveniencia en una red de contactos profesionales, totalizando cien respuestas válidas. Los resultados indicaron la predominancia del costeo por absorción, seguido por el costeo variable, el costeo estándar y el método ABC. Se verificó que el método de costeo influyó en la definición de precios y apoyó decisiones gerenciales, especialmente en el control de costos del mix de productos y en la evaluación de la rentabilidad. También se identificaron limitaciones relacionadas con la subjetividad en el prorrateo, la dificultad en la recolección de datos y la implementación de los sistemas. Se concluyó que el costeo ejerce un papel estratégico en la fijación de precios y en la gestión empresarial, aunque su efectividad esté condicionada a la estructura organizacional y a la calidad de la información disponible.

Palabras clave: Controlaría; Contabilidad gerencial; Formación de precios; Gestión estratégica; Industria.

16 de noviembre de 2026

Pobreza Multidimensional y Programa Bolsa Família: desafíos y perspectivas de inclusión por las políticas públicas

El concepto de pobreza ha evolucionado en los siglos XX y XXI, incorporando una perspectiva más inclusiva que trasciende la renta monetaria. El Índice de Pobreza Multidimensional (IPM) surgió como una herramienta complementaria para caracterizar la pobreza y orientar programas como el Bolsa Família, con el objetivo de mejorar su eficacia y focalización. El estudio tuvo como objetivo crear un IPM nacional a partir de los datos de la Encuesta Nacional por Muestra de Domicilios Continua (PNADC) de 2024, buscando identificar la correlación entre la recepción del beneficio y la pobreza multidimensional, además de detectar poblaciones desatendidas. Se utilizó la metodología Alkire-Foster para el cálculo del IPM, descomponiendo los resultados en grupos de beneficiarios y no beneficiarios del PBF. Posteriormente, se aplicó un Modelo Lineal Generalizado con función logit para analizar las correlaciones. Los resultados revelaron que el 4,84% de la población brasileña vivía en pobreza multidimensional, con una incidencia tres veces mayor entre los beneficiarios del Bolsa Família. Se identificaron dos perfiles de pobreza multidimensional y dos posibles puntos ciegos en la cobertura del PBF, incluyendo al 9,0% de los pobres multidimensionales no beneficiarios en extrema pobreza monetaria y al 25,2% en vulnerabilidad de bajos ingresos. La condición de ser beneficiario del PBF se asoció con una probabilidad dos veces mayor de ser clasificado como pobre multidimensional. Se concluyó que el IPM es una herramienta valiosa para el diseño de políticas públicas, aumentando la capacidad de focalización y demandando acciones para resolver problemas estructurales que perpetúan la pobreza.

Palabras clave: Alkire-Foster; IPM; Políticas públicas.

16 de noviembre de 2026

La influencia de la Gestión de Personas en la Salud y Bienestar de los colaboradores

En un escenario organizacional dinámico, la comprensión de la influencia de las prácticas de Gestión de Personas en la salud y el bienestar de los colaboradores se ha vuelto esencial. El estudio tuvo como objetivo analizar cómo las prácticas de Gestión de Personas influyen en la percepción de salud, bienestar y calidad de vida de los colaboradores en diversas organizaciones. La metodología adoptada fue descriptiva, de enfoque cuantitativo, y empleó la técnica de encuesta. Se recopilaron datos a través de un cuestionario estructurado con 15 preguntas sociodemográficas y ítems en escala Likert, difundido durante 40 días en redes sociales. La muestra estuvo compuesta por colaboradores de diferentes empresas, seleccionados por conveniencia y con participación voluntaria y anónima. Los resultados revelaron que las prácticas de gestión de personas impactaron la motivación, el compromiso y la percepción de calidad de vida en el trabajo, pero no fueron percibidas de manera consistente por todos los colaboradores. Se observó que las acciones organizacionales orientadas a la salud y el bienestar fueron reconocidas de manera moderada y no equivalente, con presencia de percepciones neutras y discordantes. Se concluyó que, aunque las prácticas de Gestión de Personas poseen potencial estratégico, su efectividad depende de una mayor estructuración, continuidad y comunicación. El estudio contribuyó a evidenciar brechas entre las prácticas adoptadas y la percepción de los colaboradores, proporcionando subsidios para el perfeccionamiento de estrategias organizacionales y para la producción de conocimiento académico en el área.

Palabras clave: Bienestar organizacional; Clima organizacional; Compromiso; Motivación; Calidad de vida en el trabajo.

16 de noviembre de 2026

Optimización de Malla Logística de Entregas por medio de Modelado Matemático y Clusterización

La eficiencia en la logística de distribución constituye un diferencial competitivo esencial para la reducción de costos operativos y la sostenibilidad financiera de las organizaciones contemporáneas. El objetivo general de este trabajo consistió en optimizar la red de entregas de una empresa, con el fin de reducir costos mediante la disminución del kilometraje recorrido. La metodología empleada se basó en los principios de la Investigación Operativa y se estructuró en tres fases secuenciales: asignación geográfica de clientes a depósitos respetando restricciones de Unidad Federativa, clusterización de tiendas mediante el algoritmo K-Means y ruteo de la flota heterogénea utilizando la formulación matemática del Problema de Ruteo de Vehículos. Los principales resultados obtenidos demostraron una reducción en la distancia total recorrida, lo que representó un ahorro absoluto de 5.116 km y una ganancia porcentual de 3,24%. El modelo se validó como una herramienta robusta, capaz de optimizar la ocupación de los vehículos y eliminar la subjetividad en la planificación logística. Se concluyó que el uso de modelado matemático avanzado permitió convertir restricciones operativas en una ventaja competitiva medible. La solución validó la viabilidad de sistemas de soporte a la decisión basados en datos para la automatización y optimización de flujos logísticos a gran escala.

Palabras clave: Clusterización; Optimización logística; Investigación operativa; Reducción de Costos; Ruteo de vehículos.

16 de noviembre de 2026

Atención basada en la seguridad como diferencial competitivo en una reventa de GLP

El gas licuado de petróleo (GLP) es una fuente de energía ampliamente utilizada en Brasil, en un mercado de producto estandarizado y alta competitividad, donde la calidad de los servicios se destaca como diferencial. Este estudio tuvo como objetivo analizar cómo la seguridad en la atención influye en la decisión de compra de los consumidores en un distribuidor de GLP. Se realizó una investigación aplicada, de enfoque cuantitativo y carácter descriptivo. Los datos se recolectaron a través de un cuestionario estructurado, con preguntas de opción múltiple, aplicado a 53 clientes de un distribuidor de GLP en Bahía, seleccionados por conveniencia. El análisis de los datos se realizó mediante estadística descriptiva, utilizando frecuencias y porcentuales. Los resultados revelaron que, a pesar de la relevancia del precio y la agilidad, atributos como seguridad, calidad de la atención y confianza ejercieron mayor influencia en la elección del distribuidor, destacando la percepción de riesgo en el comportamiento del consumidor. Se observaron, además, inconsistencias en las prácticas operativas y en la orientación al cliente, indicando brechas entre el servicio esperado y el efectivamente entregado. Se concluyó que la seguridad, cuando se integra a la calidad de la atención, constituye un elemento estratégico para la construcción de valor y la fidelización del cliente, contribuyendo a la diferenciación competitiva en el sector.

Palabras clave: Decisión de compra; Fidelización; GLP; Calidad en servicios; Seguridad en la atención.