Artículo de investigación

Descubriendo asimetrías jerárquicas en la transformación de la inteligencia artificial: navegando los lados positivos y oscuros a través de los niveles organizativos

174 vistas

⸱

DOI:

10.3791/70756

⸱

12 de mayo de 2026

 ,  ,  ,  ,  , 
1Seoul Business School, aSSIST University, 2Department of Administration, University of Suwon, 3School of Business, Sungkyunkwan University, 4Department of Management Information Systems, Dong-A University

En este artículo

Resumen

Describimos una metodología de encuesta replicable diseñada para sondear asimetrías jerárquicas en percepciones de transformación por inteligencia artificial (IA) y AX. Tanto ejecutivos como profesionales completan un cuestionario validado alojado en Qualtrics; la línea analítica se ejecuta en SmartPLS 4.0, cubriendo validación de modelos externos, análisis de trayectos, pruebas de invariancia MICOM y análisis multigrupo basado en permutaciones (MGA).

Resumen

Las estructuras de gobernanza que alinean la estrategia ejecutiva con la implementación de primera línea dependen de entender cómo la jerarquía organizativa moldea la percepción de los factores de éxito de la transformación de la inteligencia artificial (IA) (AX). Presentamos una metodología validada y replicable basada en encuestas que acopla el modelado estructural de ecuaciones de mínimos cuadrados parciales (PLS-SEM) con análisis multigrupo (MGA) para detectar y cuantificar asimetrías jerárquicas en las percepciones AX, yendo más allá del análisis agregado para exponer las divisiones estructurales que los métodos de grupo único dejan ocultas. Con 293 profesionales implicados en proyectos de IA, evaluamos cuatro dimensiones dinámicas de capacidad: agilidad operativa, preparación de datos, proximidad al cliente y disciplina estratégica de procesos, junto con factores clave que habilitan: soporte tecnológico, tolerancia al riesgo sensible a la IA, contexto ambiental y liderazgo proactivo. La invariancia composicional se verifica primero mediante pruebas MICOM; solo tras confirmar la comparabilidad entre grupos el análisis pasa a pruebas de significación MGA basadas en permutaciones. Ambos grupos muestran asociaciones positivas entre capacidades dinámicas y rendimiento de AX (ejecutivos: β = 0,637, R2 = 0,406; profesionales: β = 0,531, R2 = 0,282). La MGA basada en permutaciones no detecta diferencias estadísticamente significativas en los coeficientes de camino estructural entre ambos grupos (todos p ≥ 0,178); por lo tanto, el hipotético papel moderador de la posición organizativa sobre las relaciones de trayectoria (H5) carece de apoyo. Sin embargo, el Paso 3a de MICOM muestra que los ejecutivos califican todos los constructos principales significativamente más altos que los profesionales (8 de 11 constructos, todos p ≤ 0,045)—evidencia de que la asimetría jerárquica surge como una brecha en los niveles perceptivos, no en las relaciones estructurales en sí. Como plantilla metodológica transferible, el protocolo equipa a los investigadores que estudian brechas de percepción en la transformación organizativa con herramientas directamente relacionadas con la gobernanza de la IA, la estrategia de gestión del cambio y la alineación a nivel cruzado en entornos intensivos en tecnología.

Introducción

Los rápidos avances en inteligencia artificial han abierto un panorama dual para las organizaciones empresariales: oportunidades extraordinarias de creación de valor por un lado, riesgos y desafíos significativos por elotro. La IA generativa y las tecnologías convencionales de IA prometen una mayor productividad, una innovación más rápida y un posicionamiento competitivo másfuerte 3, pero al mismo tiempo generan preocupaciones sobre sesgos, desplazamiento de empleo, desigualdad y dilemaséticos 4,5. Esta dualidad lado positivo/lado oscuro exige un escrutinio cuidadoso de cómo las organizaciones gestionan tanto la oportunidad como el riesgo mientras buscan la transformación.

Un cuerpo creciente de trabajo documenta el alcance transformador de la IA: optimización de la interacción con el cliente, mejoras en eficiencia operativa y una toma de decisiones másprecisa 6,7. Sin embargo, esos avances tienen contrapesos sustanciales. La discriminación y el sesgo incrustados en los sistemas de IA pueden afianzar desigualdadesexistentes 8, la automatización amenaza la estabilidad laboral9, y la opacidad de muchos algoritmos plantea preguntas de responsabilidad10. La creciente brecha entre las empresas habilitadas por IA y sus homólogos menos avanzados tecnológicamente profundiza la disparidad económica11, mientras que los déficits de transparencia y confianza complican las relaciones con los grupos de interés12.

Aunque la literatura sobre transformación digital esextensa 13, la transformación impulsada por IA merece un tratamiento separado como un fenómenodistinto 14,15. Black et al.16 identificaron facilitadores críticos para la transformación de modelos de negocio habilitados por IA desde una perspectiva dinámica de capacidades, pero su marco no aborda cómo se perciben y se aplican de forma diferente esos factores a través de las jerarquías organizativas. Esa brecha tiene peso dada la creciente evidencia de desalineación entre la estrategia ejecutiva y la implementación por parte delos profesionales 17.

La investigación multinivel ha comenzado a demostrar que la adopción de la IA repercute de manera desigual entre los niveles organizativos, con una marcada variación en cómo ejecutivos y profesionales perciben y viven la transformación de la IA18. Las ganancias en productividad, la toma de decisiones más aguda y la creación de nuevo valor son beneficios ampliamente reconocidos de la IA, pero muchas organizaciones aún tienen dificultades para impulsar las iniciativas de IA más allá de la fase piloto, especialmente cuando percepción y operación dividen niveles jerárquicos separados.

En este estudio, la transformación de la IA (AX) denota el proceso sistemático y a nivel organizativo de entrelazar tecnologías de IA en procesos centrales de operaciones, estrategia y creación de valor. Tal como se ha puesto en funcionamiento aquí, AX abarca tres dimensiones interrelacionadas: (1) la formulación de estrategias de IA empresarial: la planificación deliberada de la inversión, priorización y gobernanza en IA a nivel organizacional; (2) despliegue operativo de sistemas de IA: la adopción técnica, integración y escalabilidad de soluciones de IA dentro de los flujos de trabajo existentes; y (3) gestión del cambio organizacional: los ajustes humanos, culturales y estructurales necesarios para realizar el potencial de creación de valor de la IA a gran escala. Este estudio aborda esta carencia preguntando: (1) si los factores identificados por Black et al.16 tienen validez empírica en contextos organizativos, y (2) cómo difieren ejecutivos y profesionales en sus percepciones de estas relaciones, especialmente en lo que respecta a los aspectos positivos y oscuros de la transformación de la IA. Al introducir la jerarquía organizativa como moderador estructural, examinamos si existen asimetrías sistemáticas en cómo diferentes niveles perciben las promesas y peligros de la IA. Los hallazgos indican que tanto los factores habilitadores como los obstáculos en la transformación de la IA pueden percibirse de manera diferente según los niveles jerárquicos, lo que tiene implicaciones para la alineación y las estrategias de gobernanza.

La investigación académica reconoce cada vez más el doble carácter de AX. Grewal et al.19 analizan la "luz y la oscuridad" de la IA, mientras que Belanche et al.20 exploran los lados brillantes y oscuros en los servicios. Belanche et al.20 trazan los efectos contrastantes de la gestión algorítmica, y Barari et al.1 aportan evidencia metaanalítica del lado oscuro de la IA en el marketing. En conjunto, estos estudios dejan claro que la transformación de la IA no puede entenderse desde una perspectiva puramente optimista; Las organizaciones deben gestionar las oportunidades y mitigar riesgos al mismo tiempo.

Basándose en Black et al.16, se examinaron cuatro capacidades dinámicas centrales para navegar esta dualidad: (1) Capacidad de operar y cambiar, que permite la explotación y exploraciónsimultáneas 21; (2) preparación de datos/sistemas de información orientados a IA, que proporciona infraestructura para el despliegue de IA mientras gestiona la calidad de los datos y los desafíos de integración22; (3) Conciencia del mercado/cliente, que equilibra las oportunidades de personalización con preocupaciones de privacidad23; y (4) Disciplina del proceso estratégico, que salvaguarda la gobernanza sin sacrificar la agilidad24. En este marco, el contexto ambiental, el liderazgo proactivo y los facilitadores (tolerancia al riesgo sensible a la IA y cultura de innovación tecnológica) funcionan como antecedentes que conjuntamente moldean estas cuatro dimensiones de capacidad. Estas capacidades, a su vez, impulsan colectivamente el rendimiento de la transformación de la IA. Esta cadena causal—desde los antecedentes pasando por capacidades y los resultados de rendimiento—constituye la lógica teórica central del modelo, con la posición organizativa (ejecutivo vs. profesional) como una lente moderadora a través de la cual se examinan las asimetrías perceptivas.

La teoría de las capacidades dinámicas explica cómo las empresas mantienen la ventaja competitiva en entornos volátiles detectando, incautando ytransformando 25. Aplicadas a la IA, estas capacidades permiten a las organizaciones aprovechar oportunidades tecnológicas mientras mantienen bajo control los riesgos asociados.

La capacidad de ejecutar y cambiar refleja la agilidad de una organización para equilibrar operaciones en curso con innovación. La agilidad facilita la rápida adopción de la IA, pero también aumenta el riesgo de despliegue prematuro y pruebas insuficientes. Nguyen et al.27 demuestran que la IA rompe con los modelos tradicionales de cambio lineal, exigiendo en su lugar sistemas iterativos y basados en retroalimentación. Sin una gestión cuidadosa, la adaptación constante resultante puede desestabilizar la organización28.

La preparación de datos/IS orientada a IA funciona como infraestructura fundamental, pero la verdadera preparación abarca tanto capacidades técnicas como desafíos organizativos. Los sistemas de datos robustos pueden desbloquear la creación de valorpor IA 22, pero arquitecturas fragmentadas y mala calidad de datos pueden limitar laefectividad 29. Ghosh30 enmarca la preparación como un sistema interdependiente que requiere adaptación continua, destacando tanto su potencial habilitador como su complejidad de implementación.

La conciencia del mercado y del cliente capacita a las organizaciones para percibir las necesidades del cliente y crear experienciaspersonalizadas 23. Al mismo tiempo, esto genera preocupaciones sobre la privacidad y el riesgo de sobrepersonalización. Encontrar el equilibrio adecuado entre la generación de información y la protección de la privacidad es una de las principales tensiones en la transformación de la IA31.

La disciplina de procesos estratégicos proporciona estructuras de gobernanza para las iniciativas de IA, promoviendo la alineación y la rendiciónde cuentas 16. Sin embargo, la disciplina excesiva puede frenar la innovación y ralentizar la adaptación. El reto es mantener suficiente estructura sin levantar barreras burocráticas32.

H1: Las capacidades están positivamente asociadas con el rendimiento.

Black et al.16 distinguen el liderazgo proactivo del "apoyo de la alta dirección" pasivo, enfatizando a líderes que moldean activamente agendas estratégicas, toleran la incertidumbre y supervisan la implementación de la IA33. Sin embargo, la eficacia del liderazgo en AX depende de salvar la brecha entre ejecutivos y profesionales. Los directivos cristalizan la visión de la IA e integran la gobernanza ética34,35, mientras que los profesionales proporcionan retroalimentación experiencial esencial mediante la interacción diaria con herramientas, poniendo a la luz requisitos reales que los ejecutivos pueden pasarpor alto 36. Esta brecha jerárquica suele manifestarse como entusiasmo estratégico en la cúpula, que avanza sin la debida atención a los desafíos de integración de flujos de trabajo y a las limitaciones de usabilidad sobre el terreno. Por tanto, el liderazgo proactivo exige un compromiso bidireccional: ejecutivos que establezcan la dirección estratégica mientras incorporan activamente los conocimientos de los profesionales para que las capacidades de IA coincidan con las realidades operativas. Esta interdependencia conduce a:

H2. El liderazgo proactivo está positivamente asociado con las capacidades.

El contexto ambiental abarca las fuerzas externas que moldean el panorama estratégico de una organización. El dinamismo industrial —definido por Black et al.16 como la velocidad e intensidad del cambio y la competencia— se caracteriza por la sofisticación tecnológica, la disrupción constante y una afluencia constante de nuevos competidores, todo lo cual exige agilidad organizativa. Un alto dinamismo amplifica la urgencia de adoptar tecnologías transformadoras como la IA, haciendo que la velocidad de adopción sea un factor diferenciadorcrítico. Singh et al.38 muestran cómo el dinamismo permite que se formen capacidades reconfigurables basadas en recursos, señalando cómo las capacidades dinámicas se integran en las estructuras organizativas ya sea para apoyar o limitar la innovación y la adaptabilidad. Hallazgos recientes subrayan el carácter complejo y de doble filo del dinamismo medioambiental39, indican que modera tanto positiva como negativamente los efectos de la digitalización en la innovación de modelos de negocio en la manufactura china, mientras que Binsar et al.40 identifican un efecto moderador significativo en las capacidades de adopción digital y en el rendimiento hospitalario en Indonesia. La capacidad de respuesta ambiental, por tanto, va más allá de la mera adaptación externa; Exige alineación entre los sistemas, la cultura y el liderazgo organizativo. En consecuencia, planteamos la hipótesis:

H3. El contexto ambiental está positivamente asociado con las capacidades.

Dos factores clave influyen en cómo las organizaciones gestionan la doble naturaleza de la IA: la tolerancia al riesgo de la IA y la cultura de innovación sensible a la tecnología. La tolerancia al riesgo de la IA refleja la disposición a aceptar la incertidumbre en la experimentación con IA. Aunque esa tolerancia impulsa la innovación, también expone a las organizaciones a posiblesfallos 41. Zhao et al.42 muestran que la cultura de gestión de errores mejora la innovación en los servicios, aunque los beneficios desaparecen sin sistemas de gestión adecuados. Barrett et al.43 subrayan la necesidad de prácticas de gobernanza del riesgo que equilibren la experimentación con las salvaguardas. La Cultura de Innovación Sensible a la Tecnología fomenta la adopción y experimentación de la IA, reconociendo las limitaciones tecnológicas. Estas culturas promueven el aprendizaje continuo y la colaboración interfuncional, pero también pueden presionar a las organizaciones para adoptar prematuramente o evaluar riesgos inadecuadamente. Encontrar el equilibrio adecuado entre fomentar la innovación y garantizar una implementación responsable sigue siendo un desafío organizativo clave45.

H4: Los facilitadores están positivamente asociados con las capacidades.

La jerarquía organizativa ejerce una fuerte influencia en cómo se perciben las oportunidades y riesgos de la IA. Los directivos tienden a centrarse en los beneficios estratégicos: ventaja competitiva, posicionamiento en el mercado y creación de valor alargo plazo 35, viendo la IA desde una perspectiva mayormente optimista que resalta su potencial transformador. Sin embargo, esa perspectiva puede minimizar los desafíos de implementación y las complejidades operativas. Los practicantes se encuentran más directamente con la naturaleza dual de la IA. Aunque reconocen mejoras de eficiencia, también se enfrentan a diario a problemas de calidad de datos, obstáculos de integración y interrupciones en el flujode trabajo, lo que les deja más atentos a las limitaciones, riesgos y consecuencias no deseadasde la IA. La investigación sobre la percepción de los empleados confirma que los profesionales navegan por una compleja interacción entre la ansiedad por automatización y las ganancias de eficiencia, moldeada por la exposición directa a cambios de flujo de trabajo impulsados por IA48. La investigación cognitiva pone de manifiesto estas diferencias. Los directivos se basan más en un procesamiento intuitivo y estratégico adecuado para manejar ambigüedades, mientras que los profesionales emplean razonamiento analítico para la resolución operativade problemas 49,50. Estos estilos cognitivos afectan la interpretación que cada grupo tiene de los lados positivos y oscuros de la IA. Las percepciones culturales también difieren. Los directivos tienden a ver la cultura organizativa como una cohesión y que facilita la innovación, mientras que los profesionales informan de impedimentos estructurales e influencialimitada 51. Estas perspectivas contrastantes alimentan desalineaciones en las estrategias de adopción de la IA, los marcos éticos y la gestiónde riesgos 52. Los directivos intermedios desempeñan un papel fundamental de puente entre la visión estratégica y la realidad operativa. La eficacia que equilibran el optimismo con el pragmatismo puede estar asociada con los resultados de transformación53. Cuando esa mediación falla, las desconexiones pueden ampliarse, minando la adaptabilidad organizativa.

H5: La posición en la organización (Ejecutivos vs. Profesionales) está asociada a diferencias sistemáticas en el nivel perceptual al que se evalúan los constructos relacionados con AX, y se espera que los directivos informen de evaluaciones más altas de capacidades, facilitadores y resultados de rendimiento —reflejando su mayor énfasis en el "lado positivo" de la transformación de la IA— en comparación con los profesionales, que están más próximos a los riesgos operativos y los desafíos de implementación. Es importante señalar que H5 se refiere a diferencias perceptuales (es decir, diferencias en cómo la jerarquía organizativa moldea el nivel de puntuaciones de constructos), no a diferencias en los mecanismos causales subyacentes. El diseño transversal de este estudio apoya la inferencia sobre patrones perceptivos y relaciones asociativas; Las afirmaciones causales sobre la moderación estructural requieren diseños longitudinales o experimentales y no se afirman aquí.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Todos los procedimientos cumplieron con los estándares éticos para la investigación con participantes humanos en la Universidad aSSIST, la Universidad de Suwon, la Universidad Sungkyunwakn y la Universidad Dong-A. Como cada respuesta fue anonimizada en el momento de la recogida y no se recopilaron datos personales identificables en ningún momento, la Junta de Revisión Institucional de la Universidad aSSIST concedió al estudio una exención de revisión completa. Las instituciones coautoras se basaron en esta aprobación de las instituciones líderes en lugar de realizar revisiones independientes del IRB; aSSIST University había aprobado tanto el diseño del estudio como el protocolo de recogida de datos. Dentro de la plataforma Qualtrics, cada participante se encontró con una declaración digital de consentimiento informado antes de que el cuestionario fuera accesible. Esa declaración detallaba el propósito académico del estudio, confirmaba el manejo de datos anónimos, señalaba que los datos solo servirían a fines de investigación y señalaba la ausencia de riesgos previsibles; Cualquiera que no diera su consentimiento activo era automáticamente expulsado de la encuesta.

Modelo de investigación
En nuestro modelo de investigación (Figura 1), las capacidades actúan como mediadores entre tres antecedentes: liderazgo proactivo, contexto ambiental y facilitadores, y el rendimiento, mientras que la posición organizativa entra como variable moderadora. Las capacidades abarcan cuatro dimensiones: Capacidad para Ejecutar y Cambiar (RC), Preparación para Datos/IS orientada a IA (DR), Conciencia de Mercado/Cliente (MC) y Disciplina de Procesos Estratégicos (SP). Los facilitadores comprenden la Cultura de Innovación Sensible a la Tecnología (TS) y la Tolerancia al Riesgo de IA (AS).

figure-protocol-1
Figura 1: Modelo de investigación. Modelo conceptual de investigación que representa las relaciones hipotetizadas entre liderazgo proactivo, contexto ambiental y facilitadores (antecedentes); cuatro dimensiones dinámicas de capacidades (capacidad para ejecutar y cambiar, preparación de datos/sistemas de información orientados a IA, conciencia del mercado/cliente, disciplina estratégica de procesos); y el rendimiento en la transformación de la IA, con la posición organizativa (Ejecutivo vs. Profesional) como variable moderadora. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Datos de investigación
La recopilación de datos se basó en una encuesta en línea administrada a través de Prolific (https://www.prolific.co) para la captación de participantes y Qualtrics (https://www.qualtrics.com) para la organización y administración de la encuesta, durante dos días consecutivos (24–25 de noviembre de 2024). La elegibilidad estaba limitada a personas actualmente empleadas y activamente involucradas en proyectos relacionados con IA dentro de sus organizaciones. Los filtros de preselección de Prolific reforzaban este criterio, y una pregunta de Qualtrics lo confirmó: "¿Cuál de las siguientes opciones describe mejor tu situación actual?" —solo se permitió continuar los encuestados que seleccionaban "actualmente estoy empleado y he estado involucrado en trabajos relacionados con IA". Los participantes también debían confirmar que tenían al menos 20 años mediante el formulario de consentimiento digital al inicio de la encuesta; quienes no consentían eran excluidos automáticamente. Un ítem de atención incrustado ("¿Es IA una abreviatura de Información sobre Alcachofas?"; respuesta correcta: No) marcaba a los encuestados desatentos; La encuesta terminaba automáticamente tras una respuesta incorrecta. La muestra final estaba compuesta por 293 profesionales (mujeres 50,51%, hombres 49,49%). Los encuestados fueron clasificados en dos grupos según su respuesta a un ítem dedicado a la encuesta: "¿Cuál es su papel en los proyectos de IA de su empresa?" con cinco opciones: Ejecutivo/Alta Dirección, Dirección Intermedia, Personal Técnico/Ingeniero, Investigador/Científico y Consultor. Quienes seleccionaban a la Dirección Ejecutiva/Alta Dirección se colocaban en el grupo de Ejecutivos; quienes seleccionaban Personal Técnico/Ingeniero, Investigador/Científico o Consultor se colocaban en el grupo de Profesionales. Los encuestados de la Dirección Media (n = 81) se unieron al grupo de Ejecutivos, argumentando que los puestos de gestión intermedia implican supervisión directa de los equipos operativos y participación en la planificación estratégica, situándolos más cerca de la función ejecutiva que de la práctica de primera línea. El último agrupamiento dio lugar a 112 ejecutivos y 181 profesionales. La Tabla 1 resume el perfil demográfico.

Tabla 1: Características demográficas. Perfil demográfico de los 293 encuestados, incluyendo género, edad, industria y rol organizativo, desglosado por los dos grupos jerárquicos utilizados para el análisis multigrupo (Ejecutivos, n = 112; Practicantes, n = 181). Por favor, haz clic aquí para descargar esta tabla.

Medidas
Todos los ítems de la encuesta se midieron utilizando una escala de Likert de siete puntos que va desde "fuertemente en desacuerdo (1)" hasta "totalmente de acuerdo (7)". Para verificar la claridad conceptual y la idoneidad para la población profesional objetivo, se realizó una prueba previa con 30 participantes prolíficos que reportaron participación activa en proyectos relacionados con IA en sus organizaciones. Las respuestas previas llevaron a pequeñas revisiones de redacción para dos ítems que los participantes encontraron ambiguos, sin cambios estructurales en la escala. Las hipótesis se probaron mediante el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM) estimado en SmartPLS 4.0. Tres características del presente estudio guiaron esta elección. Primero, tanto las Capacidades como los Facilitadores se operacionalizan como constructos formativos de segundo orden—una configuración para la cual la estimación basada en varianzas es más adecuada que el SEM basado en covarianza. En segundo lugar, las asimetrías perceptuales en la transformación de la IA representan un dominio de investigación emergente donde aún se están desarrollando convenciones maduras de medición; En estas condiciones, un énfasis predictivo es más adecuado que la optimización de índices de ajuste confirmatorios. Tercero, los subgrupos de Ejecutivos y Profesionales difieren sustancialmente en tamaño (Ejecutivos n = 112; Profesionales n = 181), y la estimación basada en varianza no está sujeta a los requisitos mínimos de tamaño celular que limitan los enfoques basados en covarianza. Trabajos empíricos previos sobre transformación digital han adoptado este enfoque analítico.

En SmartPLS 4.0, el algoritmo PLS estaba configurado con ponderación de camino, un máximo de 300 iteraciones y un criterio de parada de 10⁻7. El bootstrapping utilizó 5.000 submuestras con intervalos de confianza corregidos por sesgo y acelerados (BCa), sin cambios de signo y arranque completo. Para el enfoque de dos etapas, se obtuvieron puntuaciones de variables latentes de la Etapa 1 ejecutando el algoritmo PLS sobre el modelo de medición de primer orden (Calcular → Algoritmo PLS); estas puntuaciones se exportaron después (Resultados → Puntuaciones de Variables Latentes) y se usaron como indicadores manifiestos para los constructos de segundo orden en la Etapa 2. La MGA basada en permutaciones se ejecutó mediante Calculate → Multi-Group Analysis → Permutation, con 1.000 permutaciones y un nivel de significancia bilateral de 0,05. Las pruebas de MICOM se realizaron a través de Calculate → Permutation → MICOM, también con 1.000 permutaciones. La segmentación FIMIX-PLS se realizó mediante Calculate → FIMIX-PLS con 10 repeticiones y una semilla fija parareproducibilidad 46,54,55,56,57,58,59. En el contexto de este estudio, PLS-SEM cumplió una doble función: evaluar relaciones de ruta a nivel de constructo a lo largo de toda la muestra y apoyar comparaciones entre grupos mediante MGA. Los resultados a nivel de trayectoria también indicaban patrones que justificaban un examen teóricoadicional 60.

Capacidades y Facilitadores se operacionalizan como constructos formativos de segundo orden en este estudio. Las capacidades agregan cuatro dimensiones de primer orden: capacidad de reconfiguración, preparación de datos y sistemas orientados a IA, proximidad al mercado y al cliente, y disciplina estratégica de procesos. Enablers combina dos dimensiones de primer orden: tolerancia al riesgo sensible a la IA y cultura de innovación sensible a la tecnología. La estimación de los constructos formativos de segundo orden siguió el enfoque de dos etapas recomendado para modelos de orden superior enPLS-SEM 61. Este enfoque es distinto del método de indicadores repetidos: en lugar de duplicar todos los indicadores de primer orden en el nivel de segundo orden en un solo paso de estimación, el procedimiento de dos etapas primero genera puntuaciones de variables latentes para cada constructo de primer orden a partir de su respectivo conjunto de indicadores (Etapa 1), y luego utiliza estas puntuaciones como entradas manifiestas para el constructo de segundo orden correspondiente en la Etapa 2. Esta estimación secuencial previene la inflación de indicadores cruzados que puede surgir cuando todos los elementos aparecen simultáneamente dentro de un modelo de orden superior de una solaetapa 62, 63 y 64. El procedimiento de dos etapas evita así la inflación de parámetros y las estimaciones sesgadas que pueden resultar del enfoque repetido del indicador en una estimación de una solaetapa 64. Para examinar H5, se aplicó el análisis multigrupo basado en permutaciones (PLS-MGA)65,66 para examinar si las relaciones estructurales, es decir, las asociaciones entre Capacidades y Rendimiento (H1), Liderazgo y Capacidades Proactivos (H2), Contexto y Capacidades Ambientales (H3) y Facilitadores y Capacidades (H4), difieren entre los grupos categorizados por posición organizativa (H5) (Figura 2)). La función PLS-MGA integrada en SmartPLS se utilizó para este análisis. El contenido del cuestionario se presenta en la Tabla 2.

Tabla 2: Cuestionario. Instrumento de medición completo que lista todos los elementos reflectantes para los once constructos de primer orden, sus referencias de origen y la escala de respuesta de Likert de siete puntos utilizada para cada ítem. Por favor, haz clic aquí para descargar esta tabla.

Se insertaron dos ítems de atención en la encuesta final, que actuaban como filtros para filtrar a los participantes que no respondían correctamente (es decir, "¿Cuál de estas preguntas describe mejor tu situación actual?") y si el participante respondía incorrectamente a una de estas preguntas, la encuesta terminaba inmediatamente.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Como evaluación preliminar del sesgo común de método (CMB), se realizó la prueba de un solo factor de Harman, siendo el primer factor no rotado responsable del 30,21% de la varianza (por debajo del umbral del 50%). Aunque este resultado proporciona evidencia inicial de que el CMB no domina los datos, se reconoce que la prueba de Harman tiene una sensibilidad y especificidad limitadas como herramienta diagnóstica. Como salvaguardas procedimentales adicionales, la encuesta empleó ordenació...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Los hallazgos revelan que la jerarquía organizativa está asociada a diferencias sistemáticas en el nivel en que ejecutivos y profesionales perciben los constructos de transformación de la IA, más que en la estructura de las relaciones entre ellos. Tres enfoques independientes de MGA—MGA basado en permutaciones (1.000 permutaciones), Bootstrap MGA (5.000 submuestras)74 y Parametric y Welch-Satterthwaitetests 66—no encontraron de forma consis...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no declaran conflictos de interés. Durante la preparación del manuscrito, los autores utilizaron IA generativa de forma limitada, específicamente para reescribir borradores de pasajes metodológicos seleccionados y para señalar problemas gramaticales en descripciones técnicas. Cada pasaje generado por IA fue luego contrastado con los datos fuente y reescrito sustancialmente por los autores. Los autores asumen plena responsabilidad por la exactitud, integridad y originalidad de cada parte del manuscrito. Todos los autores contribuyeron por igual al artículo.

Agradecimientos

Este trabajo cuenta con financiación de investigación de la Universidad aSSIST.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Prolific (Plataforma de Reclutamiento de Participantes en Línea)Prolific Academic Ltdhttps://www.prolific.com/Plataforma online utilizada para reclutar participantes en encuestas. Los participantes fueron evaluados en función de criterios de elegibilidad (por ejemplo, empleo actual en una organización con experiencia en adopción de IA) y compensados según las directrices de pago justo de Prolific.
Qualtrics (Plataforma de encuestas en línea)Qualtrics, LLChttps://www.qualtrics.com/Plataforma de encuestas web utilizada para el diseño, distribución y recogida de datos de respuestas de cuestionarios. Todos los ítems de medición se administraron mediante Qualtrics usando una escala de Likert de 7 puntos (1 = fuertemente en desacuerdo, 7 = totalmente de acuerdo). 
SmartPLS 4.0 (Software PLS-SEM)SmartPLS GmbHhttps://smartpls.com/Utilizado para todos los análisis de Modelado Estructural de Mínimos Cuadrados Parciales (PLS-SEM), incluyendo la evaluación del modelo exterior (fiabilidad compuesta, AVE, HTMT), análisis de trayectoria del modelo interior (bootstrapping, 5.000 muestras), pruebas de invariancia composicional MICOM en 3 pasos (permutación, 1.000 extras) y pruebas de diferencias entre grupos PLS-MGA.  

Referencias

  1. Barari, M., Casper Ferm, L. -E., Quach, S., Thaichon, P., Ngo, L. The dark side of artificial intelligence in marketing: Meta-analytics review. Mark Intell Plan. 42 (7), 1234-1256 (2024).
  2. Benlian, A., et al. Algorithmic management: Bright and dark sides, practical implications, and research opportunities. Bus Inf Syst Eng. 64 (6), 825-839 (2022).
  3. Maslej, N., et al. Artificial intelligence index report 2025. , Stanford University. (2025).
  4. Ntoutsi, E., et al. Bias in data-driven artificial intelligence systems—an introductory survey. WIREs Data Min Knowl Discov. 10 (3), e1356(2020).
  5. Ivanov, S. The dark side of artificial intelligence in higher education. Serv Ind J. 43 (15–16), 1055-1082 (2023).
  6. Akerkar, R. Artificial intelligence for business. , Springer. (2019).
  7. Huang, M. -H., Rust, R. T. A strategic framework for artificial intelligence in marketing. J Acad Mark Sci. 49 (1), 30-50 (2021).
  8. Zajko, M. Conservative AI and social inequality: Conceptualizing alternatives to bias through social theory. AI Soc. 36 (3), 1047-1056 (2021).
  9. Mcclure, P. K. “You’re fired,” says the robot: The rise of automation in the workplace, technophobes, and fears of unemployment. Soc Sci Comput Rev. 36 (2), 139-156 (2018).
  10. Gigerenzer, G. How to stay smart in a smart world: Why human intelligence still beats algorithms. , MIT Press. (2022).
  11. Zhang, S., Mehta, N., Singh, P. V., Srinivasan, K. Frontiers: Can an artificial intelligence algorithm mitigate racial economic inequality? An analysis in the context of airbnb. Mark Sci. 40 (5), 813-820 (2021).
  12. Guercini, S. Marketing automation and decision making: The role of heuristics and AI in marketing. , Edward Elgar Publishing. (2023).
  13. Aldoseri, A., Al-Khalifa, K. N., Hamouda, A. M. Ai-powered innovation in digital transformation: Key pillars and industry impact. Sustainability. 16 (5), 1790(2024).
  14. Allen, D., et al. A roadmap for governing ai: Technology governance and power-sharing liberalism. AI Ethics. 5 (3), 3355-3377 (2025).
  15. Smuha, N. A. From a ‘race to ai’to a ‘race to AI regulation’: Regulatory competition for artificial intelligence. Law Innov Technol. 13 (1), 57-84 (2021).
  16. Black, S., Samson, D., Ellis, A. Moving beyond ‘proof points’: Factors underpinning AI-enabled business model transformation. Int J Inf Manag. 77, (2024).
  17. Soulami, M., Benchekroun, S., Galiulina, A. Exploring how AI adoption in the workplace affects employees: A bibliometric and systematic review. Front Artif Intell. 7, 1473872(2024).
  18. Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., Woo, S. E. A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. J Organ Behav. 45 (2), 159-182 (2024).
  19. Grewal, D., Guha, A., Satornino, C. B., Schweiger, E. B. Artificial intelligence: The light and the darkness. J Bus Res. 136, 229-236 (2021).
  20. Belanche, D., Belk, R. W., Casaló, L. V., Flavián, C. The dark side of artificial intelligence in services. Serv Ind J. 44 (3–4), 149-172 (2024).
  21. March, J. G. Exploration and exploitation in organizational learning. Organ Sci. 2 (1), 71-87 (1991).
  22. Wamba, S. F., Akter, S., Edwards, A., Chopin, G., Gnanzou, D. How ‘big data’can make big impact: Findings from a systematic review and a longitudinal case study. Int J Prod Econ. 165, 234-246 (2015).
  23. Rane, N. Enhancing customer loyalty through artificial intelligence (AI), internet of things (IoT), and big data technologies: Improving customer satisfaction, engagement, relationship, and experience. , (2023).
  24. Finkelstein, S., Hambrick, D. C., Cannella, A. A. Strategic leadership: Theory and research on executives, top management teams, and boards. , Oxford University Press. (2009).
  25. Teece, D., Peteraf, M., Leih, S. Dynamic capabilities and organizational agility: Risk, uncertainty, and strategy in the innovation economy. Calif Manage Rev. 58 (4), 13-35 (2016).
  26. Grover, V. Digital agility: Responding to digital opportunities. Eur J Inf Syst. 31 (6), 709-715 (2022).
  27. Nguyen, T., et al. The organisational impact of agility: A systematic literature review. Manag Rev Q. , 1-49 (2024).
  28. Atienza-Barba, M., Del Río, M. D. L. C., Meseguer-Martínez, Ã, Barba-Sanchez, V. Artificial intelligence and organizational agility: An analysis of scientific production and future trends. Eur Res Manag Bus Econ. 30 (2), 100253(2024).
  29. Hiniduma, K., Byna, S., Bez, J. L. Data readiness for ai: A 360-degree survey. ACM Comput Surv. 57 (9), 1-39 (2025).
  30. Ghosh, S. Developing artificial intelligence (AI) capabilities for data-driven business model innovation: Roles of organizational adaptability and leadership. J Eng Technol Manag. 75, 101851(2025).
  31. Cheng, X., Lin, X., Shen, X. -L., Zarifis, A., Mou, J. The dark sides of ai. Electron Mark. 32 (1), 11-15 (2022).
  32. Sinnaiah, T., Adam, S., Mahadi, B. A strategic management process: The role of decision-making style and organisational performance. J Work-Appl Manag. 15 (1), 37-50 (2023).
  33. Augier, M., Teece, D. J. Dynamic capabilities and the role of managers in business strategy and economic performance. Organ Sci. 20 (2), 410-421 (2009).
  34. Sposato, M. Leadership training and development in the age of artificial intelligence. Dev Learn Organ. 38 (4), 4-7 (2024).
  35. Abonamah, A. A., Abdelhamid, N. Managerial insights for ai/ml implementation: A playbook for successful organizational integration. Discover Artif Intell. 4 (1), 22(2024).
  36. Biswas, M. I., Talukder, M. S., Khan, A. R. Who do you choose? Employees' perceptions of artificial intelligence versus humans in performance feedback. China Account Finance Rev. 26 (4), 512-532 (2024).
  37. Porter, M. E. Towards a dynamic theory of strategy. Strategic Manag J. 12 (S2), 95-117 (1991).
  38. Singh, R., Charan, P., Chattopadhyay, M. Dynamic capabilities and responsiveness: Moderating effect of organization structures and environmental dynamism. Decision. 46 (4), 301-319 (2019).
  39. Li, Y., et al. Digitalization and network capability as enablers of business model innovation and sustainability performance: The moderating effect of environmental dynamism. J Inf Technol. 39 (4), 687-715 (2024).
  40. Binsar, F., Mursitama, T. N., Hamsal, M., Rahim, R. K. The role of digital adoption capability on hospital performance in indonesia moderated by environmental dynamism. J Health Organ Manag. 39 (1), 1-21 (2025).
  41. Wu, L., Yang, J. How does tolerance culture affect organizational agility? The moderating effect of top management team diversity. Total Quality Management & Business Excellence. 36 (3–4), 324-344 (2025).
  42. Zhao, B., Lu, Y., Wang, X., Pang, L. Challenge stressors and learning from failure: The moderating roles of emotional intelligence and error management culture. Technol Anal Strateg Manag. 36 (2), 238-251 (2024).
  43. Barrett, A. M., et al. AI Risk-Management Standards Profile for General-Purpose AI Systems (GPAIS) and Foundation Models. , Center for Long-Term Cybersecurity, UC Berkeley. (2023).
  44. Kanski, L., Pizon, J. The impact of selected components of Industry 4.0 on project management. J Innov Knowl. 8 (1), 100336(2023).
  45. Ali, M., Khan, T. I., Khattak, M. N., Şener, İ Synergizing AI and business: Maximizing innovation, creativity, decision precision, and operational efficiency in high-tech enterprises. J Open Innov Technol Mark Complex. 10 (3), 100352(2024).
  46. Rana, J., Daultani, Y., Goswami, M., Kumar, S. Exploring the impact of supply chain digital transformation on supply chain performance: An empirical investigation. Bus Strateg Environ. 34 (3), 3497-3521 (2025).
  47. Koponen, J., Julkunen, S., Laajalahti, A., Turunen, M., Spitzberg, B. Work characteristics needed by middle managers when leading AI-integrated service teams. J Serv Res. 28 (1), 168-185 (2025).
  48. Kelley, S. Employee perceptions of the effective adoption of AI principles. J Bus Ethics. 178 (4), 871-893 (2022).
  49. Caspers, S., et al. Dissociated neural processing for decisions in managers and non-managers. PLoS One. 7 (8), e43537(2012).
  50. Yamazaki, Y., Toyama, M., Putranto, A. J. Comparing managers’ and non-managers’ learning and competencies. J Workplace Learn. 30 (4), 274-290 (2018).
  51. Perry, C. R. D., Lieb, J., Wild, R., Sussman, J. Your AI transformation needs a different leadership approach. , L.E.K. Consulting. (2025).
  52. Rakova, B., Yang, J., Cramer, H., Chowdhury, R. Where responsible AI meets reality: Practitioner perspectives on enablers for shifting organizational practices. Proc ACM Hum-Comput Interact. 5 (CSCW1), 1-23 (2021).
  53. Koloski, D., Porter, C., Almand-Hunter, B., Gatchell, S., Logan, V. Data literacy in industry: High time to focus on operationalization through middle managers. Harv Data Sci Rev. 7 (1), (2025).
  54. Abdelwahed, naA., et al. Enabling sustainable futures: Examining organizational dynamics and technology platforms in digital transformation to achieve firm sustainability. Int J Innov Sci. , (2025).
  55. Depino-Besada, N. I., Sartal, A., León-Mateos, F., Llach, J. Exploring the relationships between digital transformation, organizational slack and business performance: A configurational approach. Bus Process Manag J. 31 (2), 416-442 (2025).
  56. Hongyun, T., et al. Navigating the digital landscape: Examining the interdependencies of digital transformation and big data in driving SMEs' innovation performance. Kybernetes. 54 (3), 1797-1825 (2025).
  57. Mamakou, X. J., Nakos, A. Navigating the digital future: Impact and opportunities of digital transformation and the metaverse. Procedia Comput Sci. 256, 12-19 (2025).
  58. Singh, K., Chaudhuri, R., Chatterjee, S. Assessing the impact of digital transformation on green supply chain for achieving carbon neutrality and accelerating circular economy initiatives. Comput Ind Eng. 201, 110943(2025).
  59. Takagi, N., Menezes, R., Varajao, J., Faria, S. Harnessing information processing theory: Key organizational initiatives for digital transformation projects success. Int J Manag Proj Bus. 18 (2), 410-433 (2025).
  60. Fornell, C., Larcker, D. F. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 18 (1), 39-50 (1981).
  61. Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Thiele, K. O. Mirror, mirror on the wall: A comparative evaluation of composite-based structural equation modeling methods. J Acad Mark Sci. 45 (5), 616-632 (2017).
  62. Loch, K. D., Straub, D. W., Kamel, S. Global information systems. , Routledge. (2008).
  63. Marakas, G., Johnson, R., Clay, P. F. The evolving nature of the computer self-efficacy construct: An empirical investigation of measurement construction, validity, reliability and stability over time. J Assoc Inf Syst. 8 (1), 2(2007).
  64. Gaskin, J., Godfrey, S., Vance, A. Successful system use: It’s not just who you are, but what you do. AIS Trans Hum-Comput Interact. 10 (2), 57-81 (2018).
  65. Henseler, J. PLS-MGA: A Non-Parametric Approach to Partial Least Squares-Based Multi-Group Analysis. Challenges at the Interface of Data Analysis, Computer Science, and Optimization. , Springer. (2012).
  66. Cheah, J. -H., Amaro, S., Roldán, J. L. Multi-group analysis of more than two groups in PLS-SEM: A review, illustration, and recommendations. J Bus Res. 156, 113539(2023).
  67. Podsakoff, P. M., Mackenzie, S. B., Lee, J. -Y., Podsakoff, N. P. Common method biases in behavioral research: A critical review of the literature and recommended remedies. J Appl Psychol. 88 (5), 879(2003).
  68. Henseler, J., Ringle, C. M., Sarstedt, M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 43 (1), 115-135 (2015).
  69. Teece, D. J. Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Manag J. 28 (13), 1319-1350 (2007).
  70. Henseler, J., Ringle, C. M., Sarstedt, M. Testing measurement invariance of composites using partial least squares. Int Mark Rev. 33 (3), 405-431 (2016).
  71. Zhu, C., Li, N., Ma, J., Qi, X. CEOs' digital technology backgrounds and enterprise digital transformation: The mediating effect of R&D investment and corporate social responsibility. Corp Soc Responsib Environ Manag. 31 (3), 2557-2573 (2024).
  72. Packmohr, S., Paul, F. -H., Brink, H. Considering company size, level of responsibility, and employee age for analysing countermeasures against barriers to digital transformation. J Telecommun Digit Econ. 12 (1), 172-195 (2024).
  73. Ringle, C. M., Sarstedt, M. Gain more insight from your PLS-SEM results: The importance-performance map analysis. Ind Manag Data Syst. 116 (9), 1865-1886 (2016).
  74. Henseler, J., Ringle, C. M., Sinkovics, R. R. The use of partial least squares path modeling in international marketing. Advances in International Marketing. 20, 277-319 (2009).
  75. Hahn, C., Johnson, M. D., Herrmann, A., Huber, F. Capturing customer heterogeneity using a finite mixture pls approach. Schmalenbach Bus Rev. 54 (3), 243-269 (2002).
  76. Ringle, C. M., Sarstedt, M., Mooi, E. A. Response-based segmentation using finite mixture partial least squares: Theoretical foundations and an application to American Customer Satisfaction Index data. Data Mining: Special Issue in Annals of Information Systems. 8, 19-49 (2009).
  77. Sjödin, D., Parida, V., Palmié, M., Wincent, J. How AI capabilities enable business model innovation: Scaling AI through co-evolutionary processes and feedback loops. J Bus Res. 134, 574-587 (2021).
  78. Höhener, D. Dynamic capabilities to manage generative artificial intelligence in digital transformation efforts. Wirtschaftsinformatik 2024 Proceedings. 1, (2024).
  79. Teece, D. J. Business models and dynamic capabilities. Long Range Plann. 51 (1), 40-49 (2018).
  80. Hambrick, D. C., Mason, P. A. Upper echelons: The organization as a reflection of its top managers. Acad Manage Rev. 9 (2), 193-206 (1984).
  81. Pinski, M., Hofmann, T., Benlian, A. AI literacy for the top management: An upper echelons perspective on corporate AI orientation and implementation ability. Electron Mark. 34 (1), 1-23 (2024).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Asimetr a Jer rquicaJerarqu a OrganizacionalCapacidades Din micasM nimos Cuadrados ParcialesAn lisis de M ltiples GruposBrechas de Percepci nGesti n del CambioGobernanza de la IAModelado de Ecuaciones Estructurales
Video próximamente

Artículos relacionados