Vol. 5, N° e794, año 2023
ISSN – Online: 2708-3039
DOI:
https://doi.org/10.47796/ing.v5i0.794
Artículo
de revisión
Impacto de la
inteligencia artificial en la gestión de servicios de tecnología de información
en una organización
Impact of artificial intelligence
on the management of information technology services in an organization
Cristhian Aldair Villacorta Vidal[1]
https://orcid.org/0009-0008-2504-7354
Joel Renato Enciso Suárez[2]
https://orcid.org/0009-0008-5535-0717
Alberto Carlos Mendoza De Los Santos[3]
https://orcid.org/0000-0002-0469-915X
Resumen
En el estudio realizado se llevó a cabo una
revisión sistemática para analizar el impacto de la inteligencia artificial
(IA) en la gestión de servicios de TI en una organización. Se utilizaron varios
motores de búsqueda como SciELO, Scopus, Google
Académico y World Wide Science
para encontrar documentos relevantes. Los documentos encontrados se
estandarizaron según idioma y año de publicación. A partir de esta revisión, se
llegó a la conclusión de que la incorporación de la IA en la gestión de
servicios de TI tiene un impacto positivo en las organizaciones. Esto se debe a
que la IA puede mejorar la eficiencia y la calidad del servicio ofrecido,
reducir costos y facilitar la toma de decisiones. Sin embargo, también se
identificó que la IA puede tener un impacto negativo, como la pérdida de
empleos. La automatización de ciertas tareas puede llevar a la sustitución de
roles asignados a personas. Además, se mencionó que la IA puede generar rechazo
debido a su comportamiento poco humano o amigable, especialmente en áreas de
atención al cliente.
Palabras
clave: predicciones; análisis de datos;
inteligencia artificial.
Abstract
In the study conducted, a systematic review was carried out to analyze
the impact of artificial intelligence (AI) on IT service management in an
organization. Several search engines such as SciELO,
Scopus, Google Scholar and World Wide Science were
used to find relevant papers. The articles found were standardized based on
language and year of publication. Based on this review, it was concluded that
the incorporating of AI into IT service management has a positive impact on
organizations. This is because AI can enhance efficiency, improve the quality
of the offered service, reduce costs and facilitate decision-making. However,
it was also identified that AI can have negative consequences, such as job
losses. The automation of certain tasks can result in the replacement of roles
traditionally performed by humans. Additionally, it was mentioned that AI can
generate rejection due to its non-human or unfriendly behavior, particularly in
customer service areas
Keywords:
predicting;
data analysis; artificial intelligence.
1. Introducción
La inteligencia artificial ha tenido un
impacto significativo en la sociedad actual, ya que ha transformado la forma en
que las empresas utilizan los datos en diversas áreas; por ejemplo, se ha
empleado en la asistencia al cliente a través de chatbots,
en servicios de marketing digital y en soluciones de seguridad, con el objetivo
de beneficiar a las empresas y ofrecer un mejor servicio a los clientes. El
avance de la IA se ve influenciado por la disponibilidad ilimitada de
información, debido a la estrecha relación de la sociedad con internet. Esto ha
permitido que tanto el conocimiento explícito como el implícito pueda
almacenarse y utilizarse de manera digital. A partir de esta premisa, podemos
aprovechar estos sistemas para mejorar y estructurar de manera más efectiva los
algoritmos, lo que a su vez nos permite generar más conocimiento y llevar a
cabo acciones mediante la computación automatizada.
En relación a esto, Beal V. (2021)
argumenta que la información es una herramienta esencial para el buen manejo de
los sistemas y señala que el análisis estructurado ha evolucionado con la
aparición de la inteligencia artificial, lo que ha generado grandes mejoras en
el enfoque del método de análisis y diseño de sistemas estructurados SSADM (Structured Systems Analysis and Design Method). Este enfoque implica que el equipo de sistemas
revise de forma continua el análisis y diseño de los productos, lo que permite
una mayor agilidad en la fase de programación. El análisis estructurado nos
permite distinguir los elementos lógicos de los componentes físicos, como
terminales y sistemas de almacenamiento, tratándolos por separado. Además, se
utiliza el método de definición integrada IDEF (Integrated Definition) como una guía para
descomponer las funciones en entradas, salidas, controles y mecanismos,
mejorando así la optimización de los procesos (Medina, Y. T., 2015).
La inteligencia artificial (IA) puede ser
definida como una disciplina informática que se ocupa de diseñar algoritmos y
sistemas capaces de llevar a cabo tareas que normalmente requieren inteligencia
humana, como el aprendizaje, la toma de decisiones y el reconocimiento de
patrones (Burgos, Suarez & Benzadón,2023).
El objetivo de la revisión sistemática
realizada fue analizar el impacto de la inteligencia artificial en la gestión
de servicios de tecnología de la información en una organización. Se buscó
recopilar información relevante sobre cómo la implementación de la inteligencia
artificial ha afectado la forma en que se gestionan los servicios de TI en las
organizaciones, así como las implicaciones positivas y negativas que se derivan
de su adopción. El propósito principal fue obtener una visión general de los
beneficios que la inteligencia artificial puede brindar en términos de eficiencia,
calidad del servicio, reducción de costos y toma de decisiones en la gestión de
servicios de TI.
2. Metodología
El artículo se fundamenta en la
metodología PRISMA, desarrollada por Urrútia y Bonfill (2010),
considerando las interrogantes de investigación: ¿Cómo influye la incorporación
de la IA en la satisfacción del cliente? ¿Dé que manera la inteligencia
artificial está transformando la forma en que se diseñan y operan las empresas?
Se llevó a cabo un análisis exhaustivo de la literatura científica
respaldado por la metodología PRISMA (Prefeered Reporting Items for Systematic Reviews and Meta Analyses),
Beal V. (2021).
La metodología PRISMA permite realizar un estudio estructurado de
información respaldada por otros autores con el objetivo de abordar la
interrogante propuesta.
Asimismo, Beltrán G. y Oscar A. (2005) sostienen
que las revisiones sistemáticas son un diseño de investigación observacional y
retrospectivo que sintetiza los resultados de múltiples investigaciones
primarias. Según estos autores, las revisiones sistemáticas son una parte
fundamental de la medicina basada en la evidencia debido a su rigurosa
metodología, que permite identificar los estudios pertinentes para responder
preguntas específicas en la práctica clínica.
Según Carmen P. (2012), en julio de 2009 se publicó la declaración
PRISMA, la cual es una actualización con propósitos educativos que acompaña la
lista de verificación que justifica cada uno de los 27 elementos, e incluye 7
tablas que describen aspectos clave de la metodología. Además, PRISMA se ajusta
a todo tipo de revisiones sistemáticas, no solo a los metaanálisis de ensayos
clínicos. Según la autora, PRISMA se concibe como una herramienta para los
estudios en términos de contextos, intervenciones, entre otros.
Teniendo en cuenta estas definiciones, se detallarán los siguientes
pasos de investigación: diseño de la estrategia de búsqueda, selección de la
literatura relevante, registro de resultados y, finalmente, la interpretación
de los resultados.
2.1. Criterios
de Inclusión, exclusión y calidad
Los criterios de inclusión son los siguientes: se busca Información en
los idiomas inglés, portugués y español relacionada con el impacto de la
Inteligencia artificial (IA) en la gestión de servicios en los últimos 4 años
(2019-2023) que afecten a los sistemas estructurados.
Los criterios de
calidad considerados fueron los siguientes: Se tuvo en cuenta la relevancia
temporal debido a la constante evolución de la tecnología, la coherencia en la
presentación de ideas, la originalidad para evitar duplicaciones y un riguroso
enfoque metodológico para minimizar sesgos, errores e interpretaciones
incorrectas. Estos criterios de calidad fortalecen la validez de los resultados
obtenidos.
La búsqueda y
extracción de información se llevaron a cabo de forma individual, y mediante
consenso entre los colaboradores se resolvieron las discrepancias observadas,
con el objetivo de lograr una revisión sistemática como se muestra en la Figura
1.
|
Figura 1 Proceso de Extracción
de Datos |
|
|
|
Nota.
El esquema proporciona una representación detallada del proceso utilizado al
aplicar la metodología PRISMA. |
2.2. Proceso de recolección de información
Para dar inicio a la solución de la pregunta planteada, primero se
definieron algunas palabras claves y términos significativos. Estos son: "Artificial
intelligence”, “Structural analysis”, “Structural management and control”,
“Structured system”, “Data Flow diagram”, “Structured design”.
Por otra parte, la
metodología PRISMA comienza con una búsqueda de registros o citas en diferentes
bases de datos, seguida de la eliminación de duplicados, y finaliza con
estudios que incluyen síntesis cualitativa y cuantitativa (revisiones
sistemáticas y metaanálisis, respectivamente) (Urrútia G. y Bonfill X.
(2010). Las bases de datos seleccionadas para esta revisión sistemática
se eligieron debido a su amplio uso en diversos estudios sistemáticos y a la
abundancia de artículos académicos que contienen información relevante. A
continuación, se mostrará las bases de datos seleccionadas:
|
Tabla 1 La obtención
de artículos se realizó mediante la búsqueda en motores de búsqueda
académicos y sus respectivos buscadores |
|||
|
Motor Búsqueda |
Términos
de Búsqueda |
Resultados |
Seleccionados |
|
SciELO |
(IT service) AND
(artificial intelligence) AND year_cluster:("2022"
OR "2021" OR "2020" OR "2019") |
13 |
2 |
|
Scopus |
(TITLE-ABS-KEY ( service
AND management ) AND TITLE-ABS-KEY ( intelligence AND artificial ) ) AND
PUBYEAR > 2018 AND PUBYEAR < 2024 AND ( LIMIT-TO ( LANGUAGE ,
"English" ) OR LIMIT-TO ( LANGUAGE , "Spanish" ) OR
LIMIT-TO ( LANGUAGE , "Portuguese" )) AND ( EXCLUDE ( SUBJAREA , "MEDI"
) OR EXCLUDE ( SUBJAREA , "MATH" ) OR EXCLUDE ( SUBJAREA ,
"ENER" ) OR EXCLUDE ( SUBJAREA , "SOCI" ) OR EXCLUDE (
SUBJAREA , "PHYS" )) AND ( LIMIT-TO ( EXACTKEYWORD ,
"Artificial Intelligence" ) ) |
1
315 |
12 |
|
Google Academy |
(''IT service
management" AND ''impact of artificial intelligence'' AND ''finance''
AND "Customer" -Medicine -Energy) |
631 |
4 |
|
World Wide Science |
(“IT service
management with AI and impact of artificial intelligence in organization”) |
521 |
1 |
|
Nota. El cuadro presenta los distintos
motores de búsqueda utilizados en la investigación. En la sección de términos
de búsqueda se muestran las diferentes palabras clave que se introdujeron en
cada buscador académico correspondiente. Los resultados muestran el número de
artículos encontrados después de aplicar los filtros pertinentes para
garantizar la certeza del tema tratado en nuestra investigación. Finalmente,
se seleccionaron los artículos relevantes siguiendo la metodología PRISMA. |
|||
3. Resultados
3.1. información de
artículos revisados
La información con el resumen que incluye título, autores y año, así
como el aporte se muestran en la tabla 2.
|
Tabla 2 Aporte dado por
cada artículo elegido en la revisión sistemática |
|||
|
Título |
Autor/año |
Aporte |
|
|
1 |
Enterprise Information Security Management Using Internet of Things
Combined with Artificial Intelligence Technology |
Hongbin Sun y Shizhen Bai (2022) |
Singh y Kaur (2021) propusieron un marco
integral de ciberseguridad que puede establecer de manera efectiva un entorno
de seguridad objetivo. Este marco se compone de dos dimensiones estructurales
y dos dimensiones programáticas. Las dimensiones estructurales abarcan el
alcance y los criterios de evaluación, mientras que las dimensiones
programáticas se centran en los procesos y herramientas de evaluación. Según Hoeglund, et al. (2020), se proponen
algunas desventajas de IoT, que son las siguientes:
la seguridad, ya que los sistemas IoT están
interconectados y comunican a través de la red, lo que puede dar lugar a
diversos ataques cibernéticos debido a la falta de control del sistema; la
privacidad, ya que los sistemas IoT pueden
recopilar datos personales detallados y extensos incluso sin la participación
activa de los usuarios; y la complejidad, dado que el diseño, desarrollo,
mantenimiento y soporte de grandes sistemas de tecnología IoT
son bastante complejos. |
|
2 |
The Impact of Artificial Intelligence on the Labor Market |
Michael Webb (2019) |
Webb (2019) describe
los impactos distributivos del software se provocan mediante: los puntajes de
exposición por percentil de salario ocupacional, los puntajes de exposición
por niveles de educación de los individuos, la traza de las puntuaciones de
exposición promedio frente al porcentaje de trabajadoras en la ocupación y,
por último, la muestra que la exposición al software está aumentando
moderadamente en edad. |
|
3 |
Artificial Intelligence: The Ambiguous Labor Market Impact of
Automating Prediction |
Ajay Agrawal, Joshua S. Gans y Avi Goldfarb (2019) |
Agrawal et al. (2019)
examinaron los efectos de los avances en la tecnología de predicción en la
fuerza laboral. Identificaron cuatro efectos principales: sustitución de mano
de obra por capital en tareas de predicción, automatización de tareas de
decisión rentables, mejora de la mano de obra al automatizar la tarea de
predicción y creación de nuevas tareas de decisión al reducir la
incertidumbre mediante la automatización de la predicción. En resumen, los
avances en la tecnología de predicción tienen implicaciones en la fuerza
laboral, incluyendo cambios en el trabajo y mejoras en la productividad. Sin
embargo, se necesita una comprensión más profunda para evaluar su impacto
completo en el mercado laboral y la distribución de beneficios entre el
trabajo y el capital |
|
Tabla 2 (continuación) |
|||
|
N° |
Título |
Autor/año |
Aporte |
|
4 |
Artificial Intelligence, Machine Learning, Automation, Robotics,
Future of Work and Future of Humanity: A Review and Research Agenda |
Weiyu Wang y Keng Siau
(2019) |
Müller y Bostrom (2016) afirman que la IA puede clasificarse en
dos categorías principales. La IA débil, también conocida como IA estrecha,
se destaca en tareas específicas. La mayoría de los avances en IA logrados
hasta la fecha pueden clasificarse como IA débil, como Google Assistant y AlphaGo. Por otro
lado, la IA fuerte o general, también conocida como superinteligencia
artificial, es capaz de realizar múltiples tareas con facilidad. La preocupación
es que cuanto más avanzada sea la IA, más riesgos traerá para la humanidad y
la sociedad. Por ejemplo, la IA puede tomar una decisión que las personas no
pueden controlar ni comprender. Además, la IA puede crear desempleo y ampliar
la desigualdad de la riqueza (Wang y Siau, 2019). |
|
5 |
Machine Learning and Artificial Intelligence: Definitions,
Applications, and Future Directions |
J. Matthew Helm, Et al. (2020) |
Helm et al. (2020)
describen el aprendizaje automático (ML) como un subconjunto de la
inteligencia artificial que muestra similitudes con el aprendizaje
experiencial presente en la inteligencia humana. Lo que distingue al ML es su
capacidad para aprender y mejorar sus análisis mediante el uso de algoritmos
computacionales. El ML se basa en el procesamiento de grandes conjuntos de
datos para descubrir patrones, extraer conocimiento y tomar decisiones de
manera automatizada. A medida que se le proporciona más datos, el ML puede
perfeccionar sus habilidades y adaptarse a situaciones cambiantes, lo que lo
convierte en una herramienta valiosa en diversos campos, como la medicina, la
industria y el comercio. |
|
6 |
Customer satisfaction in service delivery with artificial intelligence
A meta-analytic study |
Laura M. Aguiar
Costa, C. Cunha, Wallysson K. M. Silva y Nelsio R. Abreu (2022) |
Ivanov (2018)
afirma que el logro de la prestación del servicio no se basa únicamente en el
valor producido para el usuario, sino también en el valor que aporta o afecta
a la red en la que el usuario está integrado. En un entorno donde los
clientes son cada vez más exigentes, la implementación y mejora de bots e inteligencia artificial (IA) se vuelve cada vez
más crucial, ya que contribuyen a mejorar las experiencias de servicio al
cliente. |
|
7 |
On The Path To Artificial Intelligence The
Effects Of A Robotics Solution In A Financial |
Hamieda Parker y Stephanie Appel (2021) |
Smilansky (2018) sugiere
que una forma práctica de implementar la automatización en los servicios
financieros es mediante la incorporación de inteligencia artificial (IA) en
un centro de contacto. Esta estrategia permite una rápida recuperación de
información, lo que resulta en una experiencia mejorada tanto para los
agentes como para los clientes. |
|
Tabla 2 (continuación) |
|||
|
N° |
Título |
Autor/ año |
Aporte |
|
8 |
The collaborative role of blockchain, artificial intelligence, and
industrial internet of things in digitalization of small and médium-size enterprises |
Abdullah Ayub Khan, Asif Ali Laghari, Peng
Li, Mazhar Ali Dootio y Shahid Karim (2023) |
Khan et al. (2023)
presentan un marco integrado de blockchain y
habilitado para IA que se compone de tres componentes principales. Primero,
se encuentra la jerarquía de procesos de IoT, que
se encarga de recopilar, separar, examinar y analizar los datos generados o
las transacciones de las pymes. En segundo lugar, se encuentra el
compartimento de IA, que se divide en dos partes: la gestión de recursos
computacionales y el algoritmo de red neuronal habilitado para IA. Por
último, se implementa una red pública sin permiso de blockchain,
que es una red peer-to-peer con interconectividad
de nodos, junto con dos cadenas de comunicación diferentes: fuera de la
cadena y en la cadena. |
|
9 |
Artificial intelligence-based lead propensity prediction |
Aissam Jadli, Mustapha Hain, Anouar
Hasbaoui (2023) |
Järvinen y Taiminen (2016) señalan que el sistema de calificación de
prospectos basado en inteligencia artificial (IA) utiliza el modelado de
propensión, un enfoque estadístico, para predecir la probabilidad de un
evento. Este enfoque sirve como base para la calificación predictiva de
prospectos, con el objetivo de predecir las probabilidades de conversión de
un visitante de un sitio web en un cliente potencial en un sitio web
comercial. |
|
10 |
Voice artificial intelligence service failure and customer complaint
behavior: The mediation effect of customer emotion |
Bin Li, Luning Liu, Weicheng Mao, Yongcuomu Qu e Yanhong Chen (2023) |
Leo y Huh (2020) plantean dos razones que pueden explicar la
diferencia entre la falla en el servicio de IA y la falla en el servicio
proporcionado por un empleado. Una de ellas es la autoatribución
del cliente. Los servicios de IA fomentan una mayor participación del cliente
en comparación con los servicios brindados por empleados. Los clientes no
solo reciben el servicio, sino que también participan en su creación. Como
resultado, los clientes tienden a asumir más responsabilidad por cualquier
falla que ocurra durante una interacción entre humano y IA. |
|
11 |
The Impact of Digitalization on Macroeconomic Indicators in the New
Industrial Age |
Chenic Alina Ștefania, et al. (2023) |
Alina et al. (2023)
El impacto de la digitalización en los indicadores macroeconómicos durante la
nueva era industrial es resaltado. Es necesario tener en cuenta las
disparidades entre sectores y las variadas tecnologías involucradas para
lograr una comprensión completa de cómo la digitalización afecta la economía
y el mercado laboral. Papanyan (2015) argumenta
que la teoría económica tradicional ve a la tecnología como un factor que combina
capital y trabajo para generar resultados económicos. Sin embargo, en la
actualidad, la tecnología desempeña un papel mucho más integral en el proceso
de producción, y va más allá de ser solo un elemento integrador. |
|
Tabla 2 (continuación) |
|||
|
N° |
Título |
Autor/ año |
Aporte |
|
12 |
Empathetic creativity for frontline employees in the age of service
robots: conceptualization and scale development |
Khoa The Do, Huy Gip,
Priyanko Guchait, Chen-Ya Wang y Eliane Sam Baaklini (2023) |
Marshall (2021)
describe el liderazgo colaborativo como una forma ética y basada en
principios de liderazgo que fomenta una cultura de seguridad psicológica,
propiedad y confianza. Esta cultura permite a los empleados alcanzar su
máximo potencial y generar resultados sobresalientes en su trabajo. |
|
13 |
Artificial intelligence and big data: ontological and communicative
perspectives in multi-sectoral scenarios of modern businesses |
Manpreet Arora y Roshan Lal Sharma (2023) |
Arora et al. (2023). Examinan
las implicaciones ontológicas y comunicativas de la inteligencia artificial y
la Big data en el entorno empresarial moderno. Se analiza cómo estas
tecnologías transforman nuestra comprensión de la realidad y la relación
entre los humanos y la tecnología. Además, se enfocan en los aspectos
comunicativos de la IA y la Big data, destacando su capacidad para recopilar,
analizar e interpretar grandes cantidades de datos, lo que permite a las
empresas mejorar la toma de decisiones y personalizar sus servicios. |
|
14 |
Machine Learning for Data Center Optimizations: Feature Selection
Using Shapley Additive exPlanation (SHAP) |
Gebreyesus Yibrah, |
Gebreyesus et al. (2023)
SAP calcula la importancia de cada característica basándose en conceptos de
la teoría de juegos que calculan la contribución de cada característica al
desarrollo del modelo. Como resultado, el método SFS basado en el valor SHAP
es útil para identificar SFS relevantes para modelar eficazmente las
operaciones de los centros de datos, al tiempo que proporciona una visión de
los datos, mejora el rendimiento del modelo y reduce los costes. |
|
15 |
Understanding the choice of human resource and the artificial intelligence:
“strategic behavior” and the existence of industry equilibrium |
Das Dipankar (2023) |
Das (2023)
explora el comportamiento estratégico de una empresa individual dentro de una
industria al seleccionar IA y recursos humanos (RRHH). Se ha demostrado que
la elección una empresa individual en la industria depende de la elección del
líder de la industria. El autor considera que tanto la IA como los RRHH son
insumos para la empresa y explica la elección entre ambos en referencia a la
gestión de las relaciones con los clientes. |
3.2. Influencia de la IA en
la satisfacción de cliente
La tabla 3 muestra los diferentes aspectos en los que la inteligencia
artificial puede influir en la satisfacción del cliente. Estos incluyen la
reducción del tiempo de espera en consultas, la mejora de la experiencia de
usuario a través de procesos intuitivos y la facilidad de uso, y el
fortalecimiento de la seguridad y privacidad de los datos de los clientes.
Estos factores pueden desempeñar un papel crucial en la satisfacción general
del cliente y en su confianza en la empresa.
|
Tabla 3 Influencias dadas
por la implementación en la IA por parte de la empresa para la satisfacción
del cliente agrupado por artículos |
||
|
Influencias |
Artículo(s) |
Total |
|
I1: La
inteligencia artificial influye de forma directa cuando el cliente requiere
una consulta, por lo tanto, el tiempo de espera es el factor determinante de
esa satisfacción. |
Sun & Bai (2022); Wang & Siau, (2019); Helm et al. (2020); Aguiar-Costa
et al. (2022); Parker (2021); Li et al. (2023); Arora
& Sharma (2023) |
7 |
|
I2: Un factor
determinante en la satisfacción de cliente es la facilidad de manejo de
procesos intuitivos y su facilidad de uso. Un ejemplo de esto es cuando
accedemos a una página web y esta proporciona sugerencias en tiempo real para
ayudar a los clientes en su búsqueda. |
Agrawal et al.(2019);
Wang & Siau (2019); Helm et al. (2020); Arora & Sharma
(2023); Das (2023) |
5 |
|
I3: La
inteligencia artificial puede tener un impacto significativo en la
satisfacción del cliente en términos de seguridad, ya que puede contribuir a
mejorar la protección de los datos y la privacidad de los clientes. Esto, a
su vez, puede aumentar la confianza de los clientes en la empresa y mejorar
su satisfacción. |
Sun & Bai (2022); Wang & Siau (2019); Khan et al. (2023); Li X et
al. (2023); Soori et al. (2023) |
5 |
3.3. Transformaciones
organizacionales impulsadas por la IA
En la tabla 4 se destacan cambios significativos en diferentes áreas,
como la creación de valor para el consumidor, el marketing, el análisis de
riesgos y detección de fraude, la gestión de recursos humanos y la estructura
organizativa. Estos cambios son impulsados por la aplicación de la IA y tienen
como objetivo mejorar la eficiencia, la personalización y la colaboración en
las empresas.
|
Tabla 4 Transformaciones
por la IA en la organización en el diseño y operación agrupado por artículos |
||
|
Transformaciones |
Artículo(s) |
Total |
|
T1: Cambio en la forma de crear valor para el consumidor gracias al análisis
de datos de financieros para predecir patrones, tendencias, rendimiento y la
evolución de los mercados financieros. Cambio en el análisis de datos financieros, que solía basarse en
métodos tradicionales como el análisis estadístico y el modelado financiero. |
Webb, (2020); Agrawal et al.(2019c); Parker
(2021); Jadli et al. (2023); Li X et al. (2023b); Soori
et al. (2023); Wang & Siau, (2019) |
7 |
|
T2: Cambio en el marketing de la empresa. Anteriormente, la
personalización se basaba en la segmentación de los clientes según su edad,
género, ubicación geográfica, entre otros criterios. |
Aguiar-Costa et
al. (2022); Hyder
(2023) |
2 |
|
T3: Cambio en el análisis de riesgos y detección de fraude.
Anteriormente, los métodos tradicionales de detección de fraude y análisis de
riesgos se basaban en técnicas manuales, lo que podía dar lugar a errores y
omisiones. |
Sun & Bai (2022);
Gebreyesus et al. (2023) |
2 |
|
T4: Cambio en la gestión de recursos humanos gracias a la
identificación de habilidades y talentos de los empleados. Los métodos
tradicionales se basaban en entrevistas y evaluaciones manuales, lo que podía
dar lugar a sesgos y errores en la identificación de los talentos. |
Parker (2021c); Khan et al. (2023); Arora & Sharma
(2022); Das (2023) |
2 |
|
T5: Cambios en la estructura organizativa, con la adopción de equipos
interfuncionales y multidisciplinarios, por mayor importancia de habilidades
digitales y tecnológicas que ayudan a abordar los desafíos y oportunidades de
la IA, que a menudo requieren un enfoque que abarque múltiples áreas de la
empresa, como tecnología, datos, negocios, legal, ética, entre otras. En
lugar de jerarquía centralizada, empresas eligen estructuras planas y
colaborativas. |
Arora & Sharma (2022), Chenic et al. (2023); Webb (2020),
Gebreyesus et al. (2023) |
4 |
3.4. Principales hallazgos
Los resultados de investigación presentados en los artículos
seleccionados ofrecen una visión del impacto de la IA en la gestión de
servicios de TI en una organización. A continuación, se presentará una
descripción y agrupación general de cada uno de ellos:
Seguridad cibernética: Singh y Kaur (2021) proponen un marco
integral de ciberseguridad para implementar de manera segura la IA.
Aprendizaje automático: Helm et al. (2020) describen el aprendizaje automático (ML) como un
subconjunto de la IA basado en la experiencia humana.
Experiencia del cliente: Ivanov (2018) destaca la importancia de los chatbots
e IA para mejorar las experiencias de servicio al cliente.
Automatización financiera: Smilansky (2018) sugiere utilizar la IA en
centros de contacto para automatizar servicios financieros y mejorar la
experiencia tanto para los agentes como para los clientes.
Integración de blockchain e IA: Khan et al. (2023)
presentan un marco integrado de blockchain e IA para
mejorar la eficiencia y seguridad en aplicaciones de IoT.
Predicción de eventos: Järvinen y Taiminen
(2016) utilizan IA y modelado de propensión para predecir eventos en sistemas
de calificación de prospectos.
Fallas en el servicio: Leo y Huh (2020) exploran las diferencias
entre las fallas en el servicio de IA y las fallas en el servicio por parte de
un empleado.
Implicaciones ontológicas y
comunicativas: Arora
et al. (2023) examinan cómo la IA y el big data
transforman nuestra comprensión de la realidad y la relación humano-tecnología
en el entorno empresarial.
4. Discusión
En este apartado se
presentan diferentes impactos que las organizaciones han obtenido al
implementar la IA en la gestión de servicios TIC.
Con el objetivo de
aumentar la lealtad de sus clientes, las empresas están intensificando su
competitividad. Actualmente, la implementación de la IA se ha convertido en un
factor clave que permite a las empresas mejorar su servicio, impactando no solo
en el ámbito del servicio en sí, sino también en la operativa interna y en la
estructura organizacional.
Según, Li Mahei et al. (2023) se debe tener en cuenta que los
sistemas de inteligencia híbrida dependen de la aportación humana para
proporcionar datos de alta calidad con los que entrenar sus modelos de IA
subyacentes. Por lo tanto, se produciría un cambio estructural dentro de la
organización, prestando más atención a las áreas de tecnología y formando
equipos interfuncionales y multidisciplinarios que también pueden ayudar a
abordar los desafíos y oportunidades de la IA. Además, según Hamieda y Stephanie (2021), el RPA incorpora el aprendizaje
automático para mejorar los procesos administrativos. Estos procesos pueden ser
complicados y requieren un alto grado de interpretación y juicio por parte de
quienes toman las decisiones, lo que logra una mayor eficiencia operativa en la
organización.
A esto se suma un
cambio clave según Hyder (2023), que es la eliminación de cuellos de botella
para la toma de decisiones en la implementación de la inteligencia artificial
utilizando la ciencia del marketing. Esto se ve respaldado por (Järvinen & Taiminen,2016, como se citó en Jadli et al.,2023) quienes señalan que el sistema de
calificación de prospectos basado en IA utiliza el modelado de propensión, un
enfoque estadístico, para predecir la probabilidad de un evento. Este enfoque
sirve como base para la calificación predictiva de prospectos, con el objetivo
de predecir las probabilidades de conversión de un visitante de un sitio web en
un cliente potencial en un sitio web comercial.
No solo se mejora en
el ámbito de marketing, sino también en el ámbito del producto o servicio entregado
al cliente. Z. Huang et al. (2021) afirmaron que los algoritmos de inteligencia
artificial pueden detectar imperfecciones en los productos y notificar al
equipo de producción para realizar cambios inmediatos. Esta capacidad beneficia
a los fabricantes al permitirles detectar y solucionar problemas rápidamente,
reducir el desperdicio y mejorar la eficiencia en la producción.
Por otra parte, Omar y
Padlee (2019) concluyeron que la evaluación del
rendimiento de una organización ahora incluye la satisfacción del cliente como
un factor clave, considerándola como un estándar de desempeño básico y un
posible criterio de excelencia para cualquier empresa. También se puede
argumentar, según Siau y Wang (2018), que existe
preocupación en torno a los posibles riesgos que podría acarrear la evolución
de la IA, ya que su creciente complejidad podría llevar a que tome decisiones
que las personas no puedan controlar ni comprender. Además, la IA podría
provocar un aumento del desempleo y acentuar la brecha económica entre los más
ricos y los más pobres.
Como se puede apreciar
en el párrafo anterior, aunque la IA, al ser implementada tanto para la mejora
de procesos internos como enfocada netamente en los clientes, ya proporciona
los posibles riegos de no poder comprender ni controlar las decisiones que esta
toma. Por lo tanto, las futuras líneas de investigación deberían estar
enfocadas en el ámbito de las regulaciones y marcos éticos que guíen el
desarrollo, para así mejorar la transparencia y lograr una mejor comprensión y
control de las decisiones que toma la IA.
Las limitaciones que
se encontraron en este estudio son que la mayoría de artículos fueron
implementados en países desarrollados, lo que dificulta ver cómo sería su impacto
en países con menor desarrollo tecnológico y cuál sería la respuesta de sus
clientes. Además, muchos de los artículos no eran de acceso abierto. Por otro
lado, la fortaleza encontrada es la relevancia en la actualidad al explicar los
cambios internos de una organización, ya sea compleja o no, y cuál sería el
impacto en los clientes.
5. Conclusiones
La incorporación o
integración de IA en la gestión de servicios de TI trae múltiples beneficios a
una organización, como la mejora en la toma de decisiones, ya sea tomadas por
el trabajo o capital, la automatización de la organización y la mejora en la
estructura de datos, de los cuales se obtendrá información para la emisión y
recepción entre clientes y trabajadores. Además, con la información obtenida se
puede deducir que existe una mayor probabilidad de que la inteligencia
artificial afecte múltiples tipos de ocupaciones, tanto a los trabajadores con
mayor nivel educativo como a los de menor nivel. Asimismo, se concluye que la
IA puede afectar el mercado laboral a través de canales indirectos que podrían
vulnerar la seguridad y privacidad de las personas.
Por otra parte, la
relación entre la digitalización y la productividad laboral radica en que los
beneficios de la digitalización no se han distribuido de manera equitativa
entre las organizaciones, favoreciendo a aquellas con mayor acceso a
habilidades técnicas, gerenciales y organizacionales.
6. Referencias Bibliográficas
Agrawal, A., Gans, J. S., &
Goldfarb, A. (2019). Artificial Intelligence: The Ambiguous Labor Market Impact
of Automating Prediction. Journal of Economic Perspectives, 33(2), 31–50. https://doi.org/10.1257/jep.33.2.31.
Alina. Ș., Burlacu, A., Dobrea, R. C.,
Tescan, L., Creţu, A. I., Stanef-Puica, M. R., Godeanu, T. N., Manole, A. M.,
Virjan, D., & Moroianu, N. (2023). The Impact of Digitalization on
Macroeconomic Indicators in the New Industrial Age. Electronics, 12(7), 1612. https://doi.org/10.3390/electronics12071612.
Arora, M. and Sharma, R.L. (2023),
"Artificial intelligence and big data: ontological and communicative
perspectives in multi-sectoral scenarios of modern businesses", Foresight,
Vol. 25 No. 1, pp. 126-143. https://doi.org/10.1108/FS-10-2021-0216.
Beal, V. (2021). What is SSADM? |
Webopedia. Webopedia. https://www.webopedia.com/definitions/ssadm/
Beltrán, A. G. Ó.,
& Cochrane, A. (2005). Revisiones sistemáticas de la literatura. Revista
Colombiana de Gastroenterología, 20(1), 60-69.
https://www.gastrocol.com/file/Revista/v20n1a09.pdf.
Bui, T. X. (2023). 56th Hawaii
International Conference on System Sciences (HICCS), Hyatt Regency Maui,
January 3-6, 2023.
Burgos, L. M., Suárez, L. L., & Benzadón, M. (s/f).
Inteligencia artificial chatgpt y su utilidad en la investigación: el futuro ya
está aquí. Medicinabuenosaires.com. de https://medicinabuenosaires.com/revistas/vol83-23/destacado/carta_8031.pdf.
Carmen Pérez Rodrigo (2012).“ Las revisiones sistemáticas:
declaración PRISMA”. Consultado de https://renc.es/imagenes/auxiliar/files/Nutr_1-2012%20Taller%20escritura.pdf.
Das, D. (2023), "Understanding
the choice of human resource and the artificial intelligence: “strategic
behavior” and the existence of industry equilibrium", Journal of Economic
Studies, Vol. 50 No. 2, pp. 234-267. https://doi.org/10.1108/JES-06-2021-0305.
Gebreyesus, Y., Dalton, D., Nixon, S., De Chiara, D., &
Chinnici, M. (2023). Machine Learning for Data Center
Optimizations: Feature Selection Using Shapley Additive exPlanation (SHAP). Future Internet, 15(3), 88.
MDPI AG. http://dx.doi.org/10.3390/fi15030088.
Helm, J. M., Swiergosz, A. M.,
Haeberle, H. S., Karnuta, J. M., Schaffer, J. L., Krebs, V. E., Spitzer, A. I.,
& Ramkumar, P. N. (2020). Machine
learning and artificial intelligence: Definitions, applications, and future
directions. Current Reviews in Musculoskeletal Medicine, 13(1), 69–76. https://doi.org/10.1007/s12178-020-09600-8.
Höglund, J., Lindemer, S., Furuhed,
M., & Raza, S. (2020). PKI4IoT: Towards
public key infrastructure for the Internet of Things. Computers & Security,
89, 101658. https://doi.org/10.1016/j.cose.2019.101658.
Huang, Z., Shen, Y., Li, J., Fey, M.,
& Brecher, C. (2021). A survey on AI-driven digital twins in industry 4.0:
Smart manufacturing and advanced robotics. Sensors (Basel, Switzerland),
21(19), 6340. https://doi.org/10.3390/s21196340.
Hyder, A. (2023). Special Session: Marketing Science at the
Service of Innovative Startups and Vice Versa: An Abstract. In Developments
in marketing science: proceedings of the Academy of Marketing Science (pp.
105–106). Springer International Publishing. https://doi.org/10.1007/978-3-031-24687-6_41.
Ivanov, S., Webster, C., &
Seyyedi, P. (2018). Consumers’ attitudes
towards the introduction of robots in accommodation establishments. Tourism:
An International Interdisciplinary Journal, 66(3), 302–317. https://hrcak.srce.hr/206163.
Järvinen, J., & Taiminen, H.
(2016). Harnessing marketing automation
for B2B content marketing. Industrial Marketing Management, 54, 164–175. https://doi.org/10.1016/j.indmarman.2015.07.002.
Khan, A., Laghari, A. A., Li, P.,
Dootio, M. A., & Karim, S. (2023). The
collaborative role of blockchain, artificial intelligence, and industrial
internet of things in digitalization of small and medium-size enterprises.
Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-28707-9.
Leo, X., & Huh, Y. E. (2020). Who gets the blame for service failures?
Attribution of responsibility toward robot versus human service providers and
service firms. Computers in Human Behavior, 113(106520), 106520. https://doi.org/10.1016/j.chb.2020.106520.
Li, M. M., Löfflad, D., Reh, C.,
& Oeste-Reiß, S. (2023). Towards the
design of hybrid intelligence frontline service technologies - A novel
human-in-the-loop configuration for human-machine interactions. Paper
presented at the Proceedings of the Annual Hawaii International Conference on
System Sciences, 2023-January 332-341.
Li, X., Zhang, J., Long, H., Chen,
Y., & Zhang, A. (2023). Optimization
of Digital Information Management of Financial Services Based on Artificial
Intelligence in the Digital Financial Environment. Journal of
Organizational and End User Computing, 35(3), 1–17. https://doi.org/10.4018/joeuc.318478.
Marshall, E. & Holst, A. (2021). El liderazgo
colaborativo y el papel de la IA. Welcome to the Video Conferencing
Hub. https://blog.webex.com/es/videoconferencias/el-liderazgo-colaborativo-y-el-papel-de-la-ia/.
Medina, Y. T. (2015). IDEF Una alternativa para modelamiento
de negocio con RUP. Gestiopolis. https://www.gestiopolis.com/idef-alternativa-modelamiento-negocio-rup/
Müller, VC y Bostrom, N. (2016). Progresos futuros en
inteligencia artificial: una encuesta de opinión de expertos. En Cuestiones
fundamentales de inteligencia artificial 553–570. DOI:10.1007/978-3-319-26485-1_33.
P. Singh y G. Kaur (2021). Integrating artificial intelligence/internet of things technologies to
support Medical devices and systems. Artificial Intelligence to Solve
Pervasive Internet of ings Issues, vol. 6, núm. 9, págs. 121–125, 2021.
Papanyan, S. (2015). 5/33 Working Paper. Bbvaresearch.com. https://n9.cl/h93ihe
Shmueli, & Koppius. (2011). Predictive Analytics in Information Systems
Research. Management Information Systems Quarterly, 35(3), 553. https://doi.org/10.2307/23042796.
Smilansky, O. (2018). The Contact Center in 2018: Helping
Customers Help Themselves. (2018b, January 8). CRM Magazine. https://n9.cl/s16y2
Urrútia G. & Bonfill X.(2010). Declaración PRISMA: una propuesta para mejorar la publicación
de revisiones sistemáticas y metaanálisis. Medicina clínica, 135(11), 507–511. https://doi.org/10.1016/j.medcli.2010.01.015.
Wang, W., & Siau, K. (2019). Artificial Intelligence, Machine Learning, Automation, Robotics, Future of
Work and Future of Humanity. Journal of Database Management, 30(1), 61–79. https://doi.org/10.4018/jdm.2019010104.
Webb, M. (2019). The impact of
artificial intelligence on the labor market. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3482150.
Yepes-Nuñez, J. J.,
Urrútia, G., Romero-García, M., & Alonso-Fernández, S. (2021). Declaración
PRISMA 2020: una guía actualizada para la publicación de revisiones
sistemáticas. Revista Espanola De Cardiologia, 74(9), 790-799.
https://doi.org/10.1016/j.recesp.2021.06.016.