La discusión sobre inteligencia artificial suele concentrarse en sus capacidades tecnológicas: Qué tareas puede automatizar, qué tan precisos son sus modelos o cuánto puede aumentar la productividad. Sin embargo, una pregunta diferente comienza a ganar espacio en la investigación académica: ¿Qué ocurre con el modelo de negocio de una empresa cuando la IA deja de ser solamente una herramienta y pasa a formar parte de su lógica de creación de valor?

Esta pregunta es relevante porque incorporar inteligencia artificial no implica necesariamente innovar el modelo de negocio. Una empresa puede utilizar IA para mejorar procesos existentes sin modificar sustancialmente la manera en que crea, entrega o captura valor.

Un campo de investigación que todavía se está construyendo

Uno de los trabajos que mejor permite comprender el estado actual de esta discusión es la revisión sistemática realizada por Jorzik, et al. (2024). Los autores analizaron 180 artículos científicos sobre innovación de modelos de negocio impulsada por IA, con el propósito de ordenar una literatura que se ha desarrollado de manera fragmentada y desde perspectivas teóricas diversas.

El interés académico por este vínculo creció fuertemente a partir de 2016. Sin embargo, la revisión encuentra que buena parte de los trabajos se concentra todavía en los aspectos tecnológicos de la IA y tiende a considerar la innovación del modelo de negocio como una consecuencia de la adopción tecnológica. El problema de esta mirada es que deja en segundo plano una cuestión central: La tecnología no determina por sí misma cómo una empresa crea y captura valor.

Jorzik et al (2024) proponen entonces distinguir entre una perspectiva estática y una dinámica de la innovación del modelo de negocio. La primera observa principalmente la configuración resultante: qué componentes tiene un modelo de negocio y cómo se relacionan. La segunda se interesa por el proceso: cómo y por qué esos componentes cambian a lo largo del tiempo. En lugar de preguntar solamente ¿Qué modelo de negocio surge a partir de la IA?, la investigación comienza a preguntarse ¿Cómo las organizaciones utilizan la IA para experimentar, aprender y modificar sus modelos de negocio?

No toda IA transforma un modelo de negocio

La revisión también muestra que la influencia de la IA puede asumir diferentes niveles. En algunos casos funciona como soporte, mejorando actividades que ya existen. En otros actúa como habilitador, haciendo posibles procesos que antes eran difíciles o inviables. Puede también tener un papel innovador, al generar nuevas dimensiones de valor, o convertirse en un disruptor, cuando la transformación alcanza al modelo de negocio y a la dinámica competitiva de un sector. Esta distinción ayuda a evitar una confusión bastante extendida: considerar que toda incorporación de IA constituye innovación del modelo de negocio.

Los autores introducen además otra diferencia relevante: la IA puede tener una importancia periférica o central para la creación de valor. En el primer caso, mejora actividades existentes sin modificar la lógica fundamental del negocio. En el segundo, la propia propuesta de valor y los mecanismos mediante los cuales la empresa crea valor dependen de manera sustantiva de la IA.

En su revisión, los autores identifican cuatro perspectivas para comprender estas transformaciones: las implicaciones tecnológicas, la reconfiguración de modelos existentes, la Innovación de modelo de negocio centrada en IA (Focused BMI, por sus siglas en inglés) donde la IA ocupa un lugar central en nuevos modelos, y una Innovación transformativa del modelo de negocio, asociada a cambios más amplios en ecosistemas y entornos empresariales.

El paso de una perspectiva a otra supone, en definitiva, pasar de pensar la IA como una tecnología que se incorpora a una empresa a pensarla como parte de procesos de transformación organizacional.

Los datos tampoco generan valor por sí solos

La importancia de las capacidades organizacionales aparece con mayor claridad en el trabajo de Mikalef, Krogstie, Pappas y Pavlou (2020). Su estudio busca explicar cómo las capacidades de analítica de datos pueden contribuir al desempeño competitivo y, sobre todo, qué ocurre entre la disponibilidad de esas capacidades y los resultados obtenidos.

Los autores analizaron datos provenientes de 202 Chief Information Officers (Directores de información) y gerentes de tecnologías de información de empresas noruegas. Su planteamiento combina la perspectiva basada en recursos con la teoría de capacidades dinámicas.

El resultado central es particularmente relevante para la discusión sobre IA: el efecto de las capacidades de analítica de datos sobre la ventaja competitiva no es directo. Los datos y las capacidades analíticas permiten generar conocimiento e insights, pero estos fortalecen primero las capacidades dinámicas de la organización. Son estas, a su vez, las que contribuyen al desarrollo de capacidades operativas, específicamente de marketing y tecnológicas, que finalmente inciden sobre el desempeño competitivo.

La implicancia es clara. Disponer de datos, infraestructura y herramientas analíticas constituye una condición importante, pero no suficiente. El valor aparece cuando la organización puede convertir información en conocimiento, conocimiento en decisiones y decisiones en cambios efectivos.

En este sentido, el trabajo de Mikalef et al. aporta evidencia empírica a una cuestión que la revisión de Jorzik et al. identifica desde otra perspectiva: la distancia entre adoptar una tecnología y conseguir que esa tecnología transforme efectivamente la organización.

¿Cómo ocurre entonces la transformación?

Un trabajo más reciente de Firmansyah (2026) intenta avanzar precisamente sobre este punto. Su contribución es conceptual: integra la literatura sobre capacidades de IA, innovación de modelos de negocio y capacidades dinámicas para proponer un mecanismo que explique cómo puede producirse esa transformación.

El modelo se estructura alrededor de tres procesos conocidos dentro de la perspectiva de capacidades dinámicas:

Sensing: identificar oportunidades, amenazas y cambios relevantes en el entorno a partir de los datos y de las capacidades analíticas.

Seizing: transformar esos conocimientos en decisiones, experimentos y compromisos estratégicos.

Reconfiguring: modificar recursos, procesos y estructuras para hacer posible la nueva configuración del modelo de negocio.

La propuesta de Firmansyah es que la IA fortalece estos tres procesos, pero no los sustituye. La tecnología puede ampliar la capacidad de detectar patrones, simular escenarios o automatizar determinadas actividades, pero la transformación requiere que la organización sea capaz de incorporar esos resultados a sus procesos estratégicos y operativos.

El modelo incorpora además una característica particularmente interesante: la transformación genera nuevos datos que vuelven a alimentar el proceso de aprendizaje. De este modo, la innovación del modelo de negocio no aparece como un proyecto con un principio y un final claramente delimitados, sino como un proceso potencialmente iterativo.

La secuencia deja entonces de ser simplemente una relación directa entre IA e innovación. La transformación puede entenderse como un proceso en el que los datos y las capacidades de IA permiten detectar oportunidades, experimentar con nuevas alternativas y reconfigurar el modelo de negocio. A su vez, los cambios implementados generan nuevos datos que alimentan el aprendizaje organizacional y vuelven a poner en marcha el proceso. La innovación aparece así no como un resultado puntual de la incorporación de una tecnología, sino como parte de un ciclo continuo de aprendizaje y adaptación.

Se trata de una diferencia conceptual importante. La cuestión deja de ser solamente qué tecnología incorpora una empresa y pasa a ser qué capacidad tiene para aprender de lo que esa tecnología le permite observar y hacer.

Tres estudios, una misma dirección

Aunque los tres trabajos tienen objetivos y metodologías diferentes, considerados conjuntamente permiten identificar una dirección bastante clara en la investigación.

Jorzik et al. (2024) muestran que el campo necesita superar una visión predominantemente tecnológica y avanzar hacia una comprensión dinámica de la innovación de modelos de negocio.

Mikalef et al. (2020) aportan evidencia empírica de que las capacidades de analítica de datos no generan por sí mismas resultados competitivos, sino que necesitan ser articuladas con capacidades organizacionales.

Firmansyah (2026) propone un mecanismo conceptual para comprender esa articulación, basado en procesos de detección, aprovechamiento y reconfiguración.

Una posible síntesis de estos trabajos sería entonces que la IA no transforma por sí misma los modelos de negocio. La transformación aparece cuando los recursos tecnológicos y los datos se articulan con capacidades organizacionales que permiten interpretar información, experimentar, tomar decisiones y reconfigurar la organización.

¿Qué nos dicen estas investigaciones?

Los trabajos analizados permiten comprender mejor los mecanismos que pueden vincular IA, datos y transformación empresarial. Sin embargo, la mayor parte de esta literatura está basada en contextos tecnológicos, institucionales y económicos muy diferentes de los que existen en América Latina. Esto abre preguntas que no pueden resolverse simplemente trasladando las conclusiones de otros contextos:

¿La incorporación de IA está permitiendo a las empresas tecnológicas latinoamericanas modificar efectivamente sus modelos de negocio o se concentra todavía en mejoras operativas?

¿Qué capacidades organizacionales están permitiendo aprovechar los datos disponibles?

¿Las restricciones de talento, financiamiento, infraestructura y acceso a datos afectan de manera particular estos procesos?

¿En qué medida los contextos de alta incertidumbre, frecuentes en los mercados latinoamericanos, pueden convertirse en obstáculos o, por el contrario, estimular procesos de adaptación y experimentación?

Y hay una pregunta adicional para quienes trabajan en los ecosistemas emprendedores: si el desafío ya no consiste solamente en facilitar el acceso a tecnología, ¿qué tipo de capacidades deberíamos estar ayudando a construir?

Para universidades, incubadoras, aceleradoras, organismos públicos, inversores y otras organizaciones del ecosistema, esto supone mirar más allá de la adopción tecnológica. Facilitar el acceso a herramientas de IA puede ser necesario, pero la evidencia revisada sugiere que el desafío más profundo está en desarrollar capacidades para interpretar datos, experimentar, aprender y transformar esas experiencias en cambios organizacionales.

Una agenda de investigación que recién comienza

La propia revisión de Jorzik et al. (2024) identifica importantes vacíos: hacen falta más estudios longitudinales, metodologías capaces de capturar procesos de cambio y una mayor comprensión de cómo las organizaciones aprenden y gestionan la innovación de modelos de negocio impulsada por IA.

Estas preguntas adquieren una relevancia particular cuando se las traslada a América Latina. No sabemos todavía lo suficiente sobre cómo las empresas tecnológicas de la región están recorriendo estos procesos ni sobre las capacidades que les permiten convertir datos e IA en mecanismos de adaptación y transformación.

Desde PRODEM estamos trabajando sobre estas preguntas a partir del análisis de empresas tecnológicas latinoamericanas. El interés no está solamente en identificar si una empresa utiliza inteligencia artificial, sino en observar qué ocurre a partir de ese uso: cómo interpreta información, cómo experimenta, cómo aprende y, finalmente, cómo modifica su forma de crear, entregar y capturar valor.

La investigación académica comienza a mostrar que la discusión ya no debería centrarse exclusivamente en cuánta IA incorpora una empresa, sino en qué es capaz de hacer con ella.

Para América Latina, comprender esa diferencia puede ser particularmente importante. No solo para las empresas que están intentando crecer y adaptarse, sino también para quienes desde los distintos espacios del ecosistema buscan crear las condiciones para que esas transformaciones sean posibles.

Quienes deseen profundizar en los contenidos de cada uno de los estudios, hacer click en los siguientes enlaces:

https://www.sciencedirect.com/science/article/pii/S0148296324002686

https://www.sciencedirect.com/science/article/pii/S0378720618301022

https://ojs.sciedex.com/index.php/innogest/article/view/53?utm