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

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.