AI-FIEM: Un marco conceptual para la gestión financiera y energética integrada en PYMEs mediante inteligencia artificial en tiempo real
Conteúdo do artigo principal
Resumo
La fuerza laboral latinoamericana concentra el 67 % de los trabajadores asalariados en pequeñas y medianas empresas, pero estas solo aportan el 25 % del PBI regional. La brecha de productividad tiene múltiples causas y una de las menos estudiadas es lo que en este trabajo llamamos «latencia informacional»: decisiones financieras y operativas tomadas con datos que llegan tarde o dispersos. En la dimensión energética el cuadro es más crítico todavía. Las PYMEs absorben costos volátiles que manejan de forma reactiva, sin poder estimar su impacto financiero antes de que se materialice. Este artículo presenta AI-FIEM (Artificial Intelligence Framework for Integrated Energy and Financial Management in SMEs), un marco puramente conceptual, sin validación empírica en esta etapa, que integra la gestión financiera y el uso eficiente de la energía a partir de información en tiempo real procesada por inteligencia artificial. La arquitectura tiene tres capas (captura de datos, procesamiento e inferencia con IA, y ciclos de decisión) y se apoya en tres mecanismos que vinculan la dimensión financiera con la energética. Se presentan tres escenarios ilustrativos expandidos que muestran la operacionalización del marco en sectores industriales latinoamericanos representativos. El trabajo cierra con una discusión sobre desafíos de ciberseguridad, condiciones habilitantes para la adopción a escala y una agenda de investigación empírica.
Detalhes do artigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Referências
Ajimati, M. O., Carroll, N., & Maher, M. (2024). Adoption of low-code and no-code development: A systematic literature review and future research agenda. Journal of Systems and Software, 222, 112300. https://doi.org/10.1016/j.jss.2024.112300
Ayala Bolaños, M., Rodríguez Flores, J. L., & Cobo Barcia, D. H. (2025). Adopción de la Inteligencia Artificial en las Pymes Ecuatorianas: percepciones y estrategias clave. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, VI(6), 534-548. https://doi.org/10.56712/latam.v6i6.4910
Ayinaddis, S. G. (2025). Artificial intelligence adoption dynamics and knowledge in SMEs and large firms: A systematic review and bibliometric analysis. Journal of Innovation & Knowledge, 10(3), 100682. https://doi.org/10.1016/j.jik.2025.100682
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120. https://doi.org/10.1177/014920639101700108
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-111. https://doi.org/10.2307/2490171
Bhalerao, K., Kumar, A., Kumar, A., & Pujari, P. (2022). A study of barriers and benefits of artificial intelligence adoption in small and medium enterprise. Academy of Marketing Studies Journal, 26(S1), 1-6.
Bunte, A., Richter, F., & Diovisalvi, R. (2021). Why It is Hard to Find AI in SMEs: A Survey from the Practice and How to Promote It. In Proceedings of the 13th International Conference on Agents and Artificial Intelligence (ICAART), Vol. 2, pp. 614-620. SCITEPRESS. https://doi.org/10.5220/0010204106140620
CEPAL. (2024). Estudio Económico de América Latina y el Caribe 2024.
CEPAL, & OCDE. (2024). Perspectivas económicas de América Latina 2024.
Davenport, T. H., & Prusak, L. (1998). Working Knowledge. Harvard Business School Press.
Deb, C., Zhang, F., Yang, J., Lee, S. E., & Shah, K. W. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902-924. https://doi.org/10.1016/j.rser.2017.03.003
Despeisse, M., Mbaye, F., Ball, P. D., & Levers, A. (2012). The emergence of sustainable manufacturing practices. Production Planning & Control, 23(5), 354-376. https://doi.org/10.1080/09537287.2011.555425
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., ..., Wright, R. (2023). Opinion paper: "So what if ChatGPT wrote it?" Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
Hansen, E. B., & Bøgh, S. (2021). Artificial intelligence and IoT in SMEs: A survey. Journal of Manufacturing Systems, 58, 362-372.
Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75-105.
Hevner, A. R. (2007). A Three Cycle View of Design Science Research. Scandinavian Journal of Information Systems, 19(2), 87-92. https://aisel.aisnet.org/sjis/vol19/iss2/4/
IEA. (2023). Latin America Energy Outlook 2023. https://www.iea.org/reports/latin-america-energy-outlook-2023
Kraus, S., Durst, S., Ferreira, J. J., Veiga, P., Kailer, N., & Weinmann, A. (2022). Digital transformation in business and management research: An overview of the current status quo. International Journal of Information Management, 63, 102466. https://doi.org/10.1016/j.ijinfomgt.2021.102466
Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In 2008 Eighth IEEE International Conference on Data Mining (pp. 413-422). IEEE. https://doi.org/10.1109/ICDM.2008.17
Mocanu, D. C., Mocanu, E., Nguyen, P. H., Gibescu, M., & Liotta, A. (2016). Big IoT data mining for real-time energy disaggregation in buildings. In 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 3765-3769). IEEE. https://doi.org/10.1109/SMC.2016.7844820
OCDE. (2023). SME and Entrepreneurship Outlook 2023.
OCDE-CEPAL. (2024). SME Policy Index: Latin America and the Caribbean 2024. https://doi.org/10.1787/a1bc9f2d-en
OIT. (2024). Panorama Laboral 2024 de América Latina y el Caribe.
O'Reilly, C. A., & Tushman, M. L. (2004). The ambidextrous organization. Harvard Business Review, 82(4), 74-81.
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403-414. https://doi.org/10.1016/j.bushor.2020.01.004
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45-77. https://doi.org/10.2753/MIS0742-1222240302
Sisinni, E., Saifullah, A., Han, S., Jennehag, U., & Gidlund, M. (2018). Industrial Internet of Things: Challenges, Opportunities, and Directions. IEEE Transactions on Industrial Informatics, 14(11), 4724-4734. https://doi.org/10.1109/TII.2018.2852491
Soori, M., Arezoo, B., & Dastres, R. (2023). Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics, 3, 54-70. https://doi.org/10.1016/j.cogr.2023.03.001
Stiglitz, J. E. (2002). Information and the change in the paradigm in economics. American Economic Review, 92(3), 460-501.
Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37-45. https://doi.org/10.1080/00031305.2017.1332219
Vergara Villegas, O. O., Nandayapa, M., Sossa Azuela, J. H., Cossio Franco, E. G., & Trinidad Rubin Linares, G. (2021). Artificial Intelligence for Industry 4.0 in Iberoamerica. Computación y Sistemas, 25(4), 761-773. https://doi.org/10.13053/CyS-25-4-4056