Cuando la IA no es suficiente

Columna

Inteligencia Artificial

29 de julio de 2026

Cuando la IA no es suficiente

Las empresas recontratan el conocimiento que intentaron reemplazar

La adopción acelerada de la inteligencia artificial en las empresas fue acompañada por una promesa simple, seductora y peligrosa: reemplazar personas, reducir costos y mantener, o incluso ampliar, la capacidad productiva de las organizaciones.

Esta promesa guió discursos empresariales, decisiones de inversión, reorganizaciones internas y recortes de personal en diferentes sectores. En muchos casos, la IA se presentó no como una herramienta de apoyo, sino como una alternativa directa al trabajo humano, especialmente en áreas consideradas repetitivas, administrativas, técnicas o de atención.

Sin embargo, la realidad operativa comienza a imponer una corrección importante: automatizar tareas no equivale a sustituir conocimiento, experiencia, juicio y responsabilidad profesional.

Este punto aparece con claridad en el reciente caso de Ford. En junio de 2026, la empresa pasó a ser citada como ejemplo de reversión parcial de la confianza excesiva en sistemas automatizados y herramientas de IA. Según reportajes basados en información de la propia compañía y en relatos divulgados inicialmente por Bloomberg, Ford contrató, promovió o trajo de vuelta a unos 300 a 350 ingenieros experimentados, incluyendo antiguos empleados y profesionales provenientes de proveedores, tras constatar que los sistemas automatizados de calidad y las herramientas de IA no entregaban, por sí solos, el nivel de confiabilidad esperado.

Estos profesionales pasaron a actuar en revisiones de proyecto, identificación temprana de fallas, orientación de equipos más jóvenes y mejora de los propios sistemas automatizados (Ha, 2026).

El caso es relevante porque no indica abandono de la inteligencia artificial. Al contrario, muestra algo más importante: la IA pasó a funcionar mejor cuando fue recolocada bajo supervisión de profesionales experimentados. Ford no concluyó que los algoritmos, la visión computacional y las pruebas automatizadas fueran inútiles. La conclusión fue otra: las herramientas automatizadas dependen de datos, criterios, validación, contexto y conocimiento acumulado.

Cuando la empresa reorganizó sus procesos, contrató ingenieros veteranos y fortaleció la integración entre ingeniería, manufactura, cadena de suministro y calidad, los resultados comenzaron a aparecer.

En 2026, Ford alcanzó el liderazgo entre las marcas masivas en el estudio de calidad inicial de J.D. Power, después de años de bajo rendimiento. La propia empresa asoció esta mejora a una combinación de colaboración interna, revisión técnica, contratación de ingenieros experimentados y uso de sistemas automatizados de apoyo (Ford, 2026; J.D. Power, 2026).

Recontratación técnica

El primer aspecto importante del caso Ford es la recuperación del valor de la experiencia técnica. Durante años, parte del discurso empresarial sobre IA trató el conocimiento profesional como algo fácilmente capturable por datos, documentos, requisitos y modelos estadísticos. Esta visión es limitada. En sectores industriales complejos, como el automotriz, la calidad de un producto no depende solo de verificar si una pieza cumple una especificación aislada.

Ella depende de la interacción entre diseño, material, montaje, software, proveedores, uso real, mantenimiento, historial de fallos y decisiones acumuladas a lo largo de ciclos sucesivos de desarrollo.

Por eso, la recontratación de ingenieros experimentados no debe leerse solo como un movimiento de recursos humanos. Representa una corrección epistemológica. La empresa reconoció que parte del conocimiento necesario para producir calidad no estaba plenamente formalizado en bases de datos, ni podía ser sustituido por la ingesta de requisitos en sistemas de IA.

Charles Poon, vicepresidente de ingeniería de hardware vehicular de Ford, afirmó que la IA es una herramienta importante, pero depende de la calidad de la información utilizada en su entrenamiento. También reconoció que la empresa no había prestado suficiente atención a la experiencia de sus ingenieros más conocedores, quienes habían pasado por muchos ciclos de producto (Ha, 2026).

Este reconocimiento es central, porque expone una falla común en las estrategias de automatización: la confusión entre información y competencia. Una base documental puede contener requisitos, diseños, patrones y registros de fallas. Esto no significa que contenga juicio técnico.

El profesional experimentado no solo consulta información. Interpreta señales incompletas, reconoce patrones débiles, anticipa efectos indirectos, identifica incompatibilidades entre áreas y percibe riesgos que aún no han aparecido como defectos medibles. La IA puede apoyar este proceso, pero no sustituye automáticamente la capacidad de formular el problema correcto.

En este sentido, la experiencia de Ford es una respuesta práctica al discurso de que basta con implementar IA para sustituir a profesionales cualificados. El propio resultado de calidad de la empresa sugiere lo contrario.

La mejora se produjo cuando el sistema técnico se reorganizó en torno a la colaboración, la auditoría interna, la revisión de ingeniería, la integración con proveedores y el uso de herramientas automatizadas como apoyo al trabajo humano. La empresa no mejoró porque eligió entre personas e IA. Mejoró porque dejó de tratar la IA como un sustituto suficiente y comenzó a usarla dentro de una arquitectura organizacional más madura.

Atención y calidad percibida

El mismo tipo de corrección aparece en otro sector: atención al cliente. Klarna, una empresa sueca de servicios financieros, se ha convertido en uno de los ejemplos más conocidos de apuesta agresiva por la IA para la reducción de personal.

En 2024, la empresa informó que su asistente de IA realizaba un trabajo equivalente al de 700 agentes de atención. La narrativa era sólida, ya que asociaba chatbot, reducción de costos y aumento de la productividad. Sin embargo, en 2025, la empresa volvió a contratar personas para funciones de atención y reconoció la necesidad de reequilibrar la estrategia.

Según Reuters, el CEO Sebastian Siemiatkowski afirmó que la empresa había “ido demasiado lejos” en el énfasis en el recorte de costos y estaba intentando corregir el rumbo. La compañía también volvió a tener vacantes abiertas, después de reducir la plantilla de 5.000 a 3.800 empleados el año anterior (Mukherjee; Wang, 2025).

Los casos de Klarna y Ford son distintos, pero apuntan al mismo límite estructural. En atención al cliente, la rapidez no es el único criterio de valor. Una respuesta automatizada puede reducir el tiempo medio de resolución, estandarizar procedimientos y disminuir el coste por contacto. Sin embargo, la experiencia del cliente implica confianza, empatía, negociación, excepciones, ambigüedad, frustración y percepción de cuidado. Cuando un cliente busca soporte en una situación simple, un sistema automatizado puede ser suficiente.

Cuando el problema involucra conflicto, pérdida financiera, error recurrente, urgencia o interpretación contextual, la ausencia de atención humana puede generar deterioro de la calidad percibida.

En mayo de 2025, Customer Experience Dive informó que Klarna estaba volviendo a contratar personas para atención al cliente y que la empresa había pasado a defender la existencia de una opción humana disponible. La propia comunicación de la compañía indicó un cambio de énfasis: la IA ofrecería velocidad, mientras que el talento humano ofrecería empatía.

La formulación es relevante, porque abandona la tesis de la sustitución total y adopta una lógica de complementariedad. Automatizar lo rutinario puede ser eficiente. Eliminar la posibilidad de intervención humana en situaciones complejas puede ser un error estratégico (Doerer, 2025).

Este movimiento desmonta otra simplificación frecuente: la de que la calidad puede reducirse a indicadores operativos de corto plazo. Un chatbot puede responder más rápido; un sistema puede cerrar más llamadas; un panel puede mostrar reducción de costos, pero nada de esto garantiza que el cliente tuvo el problema resuelto de forma satisfactoria, que la relación con la marca fue preservada o que el sistema no solo desplazó el costo a reclamaciones futuras, pérdida de confianza, cancelaciones y desgaste reputacional. La IA puede optimizar métricas locales y, al mismo tiempo, empeorar el resultado global.

El error de la sustitución directa

Por otro lado, la recontratación de profesionales después de despidos asociados a la IA no debe interpretarse como un fracaso general de la tecnología. Esa sería otra simplificación. El problema es más específico y más grave: varias empresas parecen haber adoptado la IA como justificación para decisiones de despido antes de comprobar, a escala, que las herramientas serían capaces de sostener la calidad, la continuidad y la responsabilidad operativa. En otras palabras, la IA se utilizó como narrativa de eficiencia antes de ser validada como infraestructura de producción.

Esta diferencia es decisiva. Una demostración de IA puede impresionar en un entorno controlado. Un piloto puede generar ahorros puntuales. Un chatbot puede resolver preguntas frecuentes. Un asistente de código puede producir fragmentos útiles. Sin embargo, las empresas no operan solo en demostraciones.

Operan con excepciones, clientes reales, sistemas heredados, contratos, integración entre áreas, fallas intermitentes, datos incompletos, decisiones regulatorias, riesgo reputacional y responsabilidad jurídica. El trabajo humano que parecía prescindible a menudo era precisamente el mecanismo que absorbía estas irregularidades.

Gartner estimó, en febrero de 2026, que para 2027 la mitad de las empresas que atribuyeron la reducción de personal en atención al cliente a la IA volverían a contratar profesionales para funciones similares, aunque posiblemente con nuevos títulos.

La consultoría también resaltó que la mayoría de las reducciones recientes de fuerza de trabajo no se debieron solo a la automatización, sino a condiciones económicas más amplias, y que las organizaciones tendrían que reinvertir en talento humano para sostener la calidad del servicio y el crecimiento.

El análisis es importante porque evita tanto el alarmismo como la propaganda. La IA afecta al trabajo, pero no elimina automáticamente la necesidad de experiencia, empatía y juicio humano (Gartner, 2026).

Forrester llegó a una conclusión similar en enero de 2026. La empresa proyectó que la automatización y la IA tendrían un impacto real, pero menor de lo que sugiere el discurso de sustitución generalizada. Según la consultora, solo el 6% de los empleos en Estados Unidos serían automatizados para 2030, mientras que el 20% de los puestos serían aumentados por la IA en el mismo período.

El informe también indicó que más de la mitad de los despidos atribuidos a la IA tienden a revertirse silenciosamente, a medida que las empresas se dan cuenta de las dificultades operativas de reemplazar prematuramente el talento humano. La propia Forrester advirtió sobre el riesgo de “AI washing“, es decir, atribuir recortes financieramente motivados a una automatización que aún no está madura para asumir esas funciones (Forrester, 2026).

Este punto debe ser enfatizado. No todos los despidos anunciados en nombre de la IA implican una sustitución real por IA. En muchos casos, la tecnología funciona como justificación pública para reestructuraciones que implican una caída de la demanda, presión por márgenes, contratación excesiva previa, costos financieros o reposicionamiento estratégico. Esto no disminuye el problema. Por el contrario, agrava la situación, porque la IA se utiliza como argumento genérico para decisiones que no siempre corresponden a la capacidad técnica efectiva de las herramientas implementadas.

Costo organizacional

La sustitución precipitada de personas por IA también produce costos que no aparecen inmediatamente en el presupuesto. La primera es la pérdida de memoria institucional. Cuando una empresa despide a profesionales experimentados, no pierde solo horas de trabajo. Pierde conocimiento sobre decisiones anteriores, problemas recurrentes, proveedores, clientes, limitaciones técnicas, atajos peligrosos, excepciones y errores ya cometidos. Este conocimiento rara vez está completamente documentado. Incluso cuando hay documentación, su utilidad depende de personas capaces de interpretarla.

El segundo costo es la degradación de la capacidad de supervisión. Una organización que reduce demasiado su personal técnico puede perder la competencia necesaria para evaluar la IA que ha comenzado a utilizar. Esta paradoja es central. Cuanto más depende la empresa de herramientas automatizadas para producir, revisar, atender, diagnosticar o decidir, mayor debe ser su capacidad interna para validar resultados. Si la organización recorta precisamente a los profesionales capaces de verificar errores, interpretar resultados y corregir desviaciones, aumenta su dependencia de sistemas que no comprende integralmente.

El tercer costo es el retrabajo. La IA puede producir respuestas, textos, códigos, diagnósticos, informes y recomendaciones a gran velocidad. Sin embargo, la velocidad de producción no es sinónimo de calidad entregada. En muchos contextos, el ahorro inicial se consume por revisión humana, corrección de errores, descarte de respuestas inadecuadas, reapertura de incidencias, fallos de integración y reconstrucción de confianza. La empresa cree haber reducido costos porque disminuyó la nómina, pero parte del trabajo reaparece de forma fragmentada, distribuida y menos visible.

El cuarto costo es la recontratación. Recontratar después de despedir no es simplemente volver al punto anterior. Hay costos de búsqueda, integración, capacitación, pérdida de continuidad, caída de la moral y posible aumento salarial para atraer profesionales que la propia empresa había despedido o devaluado.

Además, los profesionales anteriores no siempre están disponibles, dispuestos a regresar o interesados en reconstruir procesos que fueron interrumpidos por decisiones precipitadas. La corrección de un error de automatización puede costar más que el ahorro que la justificó.

Los datos del mercado refuerzan que el fenómeno no se limita a casos aislados. En junio de 2026, Business Insider, basándose en un informe de Challenger, Gray & Christmas, informó que la IA se había convertido en la razón más citada por las empresas norteamericanas al anunciar recortes de personal.

En mayo de 2026, la IA se asoció con el 40% de los 97.006 despidos anunciados por empleadores de Estados Unidos. En lo que va del año, ya se habían atribuido 87.714 despidos a la IA, por encima de los 54.836 registrados en todo el año 2025. El propio informe, sin embargo, destacó que la relación causal es cuestionada y que parte de las empresas puede estar utilizando la IA como explicación para decisiones de ajuste más amplias (Griffiths, 2026).

Este conjunto de datos indica un mercado en corrección. Por un lado, las empresas continúan anunciando recortes bajo el argumento de la IA. Por otro lado, casos como Ford, Klarna y las proyecciones de Gartner y Forrester indican que una parte de estas decisiones tendrá que ser revisada. La contradicción revela que el problema no está solo en la tecnología, sino en la gestión. Hay empresas que confunden herramienta con estrategia, automatización con competencia y reducción de personal con aumento de productividad.

Productividad y valor real

La dificultad de convertir la IA en valor económico medible también aparece en estudios sobre adopción empresarial. El informe The GenAI Divide: State of AI in Business 2025, asociado al MIT NANDA, señaló que, a pesar de inversiones estimadas entre US$ 30 y 40 mil millones en IA generativa, cerca del 95% de las organizaciones analizadas no obtenían retorno medible.

Según el análisis publicado por Fortune, el problema principal no era solo la calidad de los modelos, sino una brecha de aprendizaje e integración: las herramientas genéricas funcionan bien para individuos, pero tienden a fallar cuando necesitan adaptarse a flujos corporativos, procesos internos, sistemas heredados y responsabilidades organizacionales (Estrada, 2025).

Este diagnóstico está directamente relacionado con el tema de la recontratación. Cuando la IA se implementa sin una integración real con los procesos, no sustituye el trabajo. Crea una capa adicional de producción aparente. Las empresas pasan a generar más documentos, más respuestas, más código, más informes y más interacciones automatizadas, pero no necesariamente entregan más valor. El aumento de la producción simbólica puede ocultar la caída de la calidad decisoria. Producir más no significa resolver mejor.

La productividad real depende del encaje entre tecnología, proceso y competencia. Una IA aplicada a una tarea bien delimitada, con datos adecuados, supervisión humana y criterio de evaluación claro puede generar ganancias relevantes. La misma IA, aplicada a un proceso mal comprendido, con datos malos, metas vagas y ausencia de especialistas, puede producir solo ruido a escala. El error de muchas empresas fue asumir que la presencia de la herramienta bastaba. No basta. Las herramientas aumentan capacidades existentes. Cuando la capacidad organizacional es frágil, ellas también amplían fragilidades.

Esta distinción es decisiva para evitar una lectura equivocada de la crítica. La cuestión no es defender el retorno al trabajo pre-digital, ni negar que la IA pueda generar productividad. La cuestión es reconocer que la productividad no nace de la sustitución automática de personas, sino de la reorganización inteligente del trabajo.

La IA puede reducir tareas repetitivas, acelerar el análisis de datos, reconocer patrones, automatizar triajes, apoyar diagnósticos y ampliar la capacidad de profesionales cualificados. Sin embargo, cuando se utiliza para eliminar conocimiento antes de comprender el proceso, puede hacer que la empresa se equivoque más rápido.

Gobernanza del trabajo con IA

La lección principal de este ciclo es que la adopción de IA debe tratarse como una decisión de gobernanza, no como una moda administrativa. Antes de despedir personas, la empresa debe demostrar que la tecnología respalda una calidad equivalente o superior, que se han mapeado los riesgos, que existe supervisión competente, que se han estimado los costos indirectos y que hay un plan para las excepciones. El criterio no debe ser si la IA puede ejecutar una tarea en una demostración, sino si puede operar de manera confiable dentro del sistema real de la organización.

Esto exige un cambio de pregunta. En lugar de preguntar “¿cuántas personas reemplaza la IA?”, la empresa debería preguntar “¿qué tareas pueden automatizarse sin pérdida de calidad, cuáles requieren supervisión y cuáles dependen del juicio humano especializado?”. La primera pregunta induce recortes. La segunda induce diseño organizacional. La primera atiende al entusiasmo a corto plazo. La segunda protege la capacidad productiva a medio plazo.

También es necesario distinguir tres categorías de trabajo. Hay tareas repetitivas y estandarizadas, en las que la automatización puede ser dominante. Hay tareas semiestructuradas, en las que la IA puede preparar, organizar y sugerir, pero la decisión debe permanecer supervisada. Hay tareas complejas, ambiguas, críticas o relacionales, en las que la sustitución directa tiende a producir un riesgo elevado. El fracaso empresarial ocurre cuando estas categorías se tratan como si fueran equivalentes.

En el caso de Ford, la solución no fue abandonar la tecnología, sino reintroducir especialistas para guiar, revisar y mejorar el uso de la automatización. En el caso de Klarna, la corrección no fue negar el chatbot, sino restaurar la posibilidad de contacto humano y desplazar la estrategia de corte de costos hacia calidad y crecimiento.

En las proyecciones de Gartner y Forrester, el movimiento esperado no es la desaparición de la IA, sino la reversión parcial de recortes precipitados y la creación de nuevas funciones asociadas a la supervisión, integración y uso responsable de la tecnología.

Ante este escenario, la crítica necesaria es simple: es técnicamente ingenuo y gerencialmente irresponsable tratar la IA como una solución universal para problemas de productividad. La IA no sustituye automáticamente el conocimiento tácito, la memoria institucional, la empatía, el juicio profesional, la responsabilidad técnica y la capacidad de integración. En algunas situaciones, reduce costos. En otras, simplemente desplaza costos. En otras, aumenta el riesgo. En otras, revela que la empresa no entendía su propio proceso antes de intentar automatizarlo.

En conclusión, el reciente movimiento de recontratación y corrección estratégica muestra que la fase más ingenua de la IA empresarial comienza a encontrar límites concretos. Las empresas que anunciaron la automatización como una amplia sustitución de personas empiezan a enfrentar problemas de calidad, atención, integración, supervisión y retorno económico. La tecnología seguirá siendo relevante, pero la creencia de que resolvería todo empieza a mostrarse como una simplificación costosa.

El futuro más probable no estará compuesto por empresas sin profesionales, operadas por sistemas autónomos genéricos. Estará compuesto por organizaciones capaces de combinar IA con especialistas, procesos maduros, datos confiables y gobernanza. La empresa que entiende esto usa IA para ampliar competencia. La empresa que no entiende despide personas, pierde conocimiento, descubre tarde demasiado el valor de lo que cortó y luego necesita reconstruir, a costo mayor, la capacidad que creía haber automatizado.

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.