Brechas de preparación digital e informacional en la empresa Latinoamericana: una evaluación multipaís
Palabras clave:
preparación digital; gestión de la información; preparación organizativa; América Latina; aprendizaje automático explicable; desacoplamiento medios-fines; encuestas de empresasResumen
Objetivo. Examinar si la preparación digital y la capacidad operativa de gestión de la información se desarrollan de forma paralela en las empresas latinoamericanas de países determinados, e identificar las características organizativas asociadas a configuraciones equilibradas y asimétricas de preparación. Diseño/Metodología/Enfoque. Se armonizaron microdatos de 2143 establecimientos con veinte trabajadores o más de Colombia, Costa Rica, El Salvador, México, Paraguay y Perú, procedentes de las Encuestas de Empresas del Banco Mundial de 2023. Se aplicó un análisis de conglomerados ponderado y se interpretaron los modelos de clasificación mediante valores de Shapley. La estructura dimensional de ambas medidas se contrastó mediante análisis factorial confirmatorio sobre matrices policóricas. Resultados/Discusión. Ambas dimensiones se asociaron de manera positiva, con análisis correlacionales, El perfil digitalmente avanzado persistió sin los ceros estructurales, si bien con un centroide informacional muy superior (38,67 frente a 10,09). El contexto nacional, el tamaño de la empresa, la capacitación formal y la certificación de calidad fueron los factores explicativos de mayor peso, si bien la discriminación predictiva resultó moderada (exactitud balanceada de 0,49 a 0,58). Conclusiones. La adopción digital no supone necesariamente un uso maduro de la información en la operación, y las configuraciones de preparación conservan un carácter marcadamente nacional. La brecha propuesta es un contraste descriptivo entre dominios y no debe emplearse como índice de ordenamiento entre países. Originalidad/Valor. El estudio propone un marco conjunto y reproducible para detectar el desajuste entre la capacidad digital y la gestión basada en información, a partir de microdatos comparables a escala de empresa y aprendizaje automático explicable.
Descargas
Citas
Banco Mundial. (2026). Enterprise Surveys indicator descriptions. https://www.enterprisesurveys.org/content/dam/enterprisesurveys/documents/methodology/Indicator-Description.pdf
Bloom, N.; & Van Reenen, J. (2007). Measuring and explaining management practices across firms and countries. The Quarterly Journal of Economics, 122(4), 1351–1408. https://doi.org/10.1162/qjec.2007.122.4.1351
Bloom, N.; Brynjolfsson, E.; Foster, L.; Jarmin, R.; Patnaik, M.; Saporta-Eksten, I.; & Van Reenen, J. (2019). What drives differences in management practices? American Economic Review, 109(5), pp. 1648–1683. https://doi.org/10.1257/aer.20170491
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Bromley, P.; & Powell, W. W. (2012). From smoke and mirrors to walking the talk: Decoupling in the contemporary world. The Academy of Management Annals, 6(1), 483–530. https://doi.org/10.1080/19416520.2012.684462
Brynjolfsson, E.; & Hitt, L. M. (2000). Beyond computation: Information technology, organizational transformation and business performance. Journal of Economic Perspectives, 14(4), 23–48. https://doi.org/10.1257/jep.14.4.23
Comisión Económica para América Latina y el Caribe. (2025). Overcoming development traps in Latin America and the Caribbean in the digital age: The transformative potential of digital technologies and artificial intelligence (LC/CMSI.9/3/Rev.1). CEPAL. https://hdl.handle.net/11362/81383
Chavarry Galvez, D. P.; & Revinova, S. (2025). Assessing digital technology development in Latin American countries: Challenges, drivers, and future directions. Digital, 5(2), 20. https://doi.org/10.3390/digital5020020
Chen, T.; & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. En Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785
Correani, A.; De Massis, A.; Frattini, F.; Messeni Petruzzelli, A.; & Natalicchio, A. (2020). Implementing a digital strategy: Learning from the experience of three digital transformation projects. California Management Review, 62(4), pp. 37–56. https://doi.org/10.1177/0008125620934864
Cragg, J. G. (1971). Some statistical models for limited dependent variables with application to the demand for durable goods. Econometrica, 39(5), pp. 829–844. https://doi.org/10.2307/1909582
Diamantopoulos, A.; & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277. https://doi.org/10.1509/jmkr.38.2.269.18845
Dini, M.; Gligo, N.; & Patiño, A. (2021). Transformación digital de las mipymes: elementos para el diseño de políticas (LC/TS.2021/99). CEPAL. https://hdl.handle.net/11362/47183
Ester, M.; Kriegel, H.-P.; Sander, J.; & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. En Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (pp. 226–231). AAAI Press.
Fox, J.; & Monette, G. (1992). Generalized collinearity diagnostics. Journal of the American Statistical Association, 87(417), 178–183. https://doi.org/10.1080/01621459.1992.10475190
Fraley, C.; & Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association, 97(458), pp. 611–631. https://doi.org/10.1198/016214502760047131
Gonzalez-Tamayo, L. A.; Maheshwari, G.; Bonomo-Odizzio, A.; Herrera-Avilés, M.; & Krauss-Delorme, C. (2023). Factors influencing small and medium size enterprises development and digital maturity in Latin America. Journal of Open Innovation: Technology, Market, and Complexity, 9(2), 100069. https://doi.org/10.1016/j.joitmc.2023.100069
Grupo Banco Mundial. (2025). World Bank Enterprise Survey 2023: Colombia, Costa Rica, El Salvador, Mexico, Paraguay, and Peru [conjuntos de datos]. World Bank Microdata Library. https://microdata.worldbank.org/collections/enterprise_surveys
Hausmann, V.; Williams, S. P.; Hardy, C. A.; & Schubert, P. (2014). Enterprise information management readiness: A survey of current issues, challenges and strategy. Procedia Technology, 16, 42–51. https://doi.org/10.1016/j.protcy.2014.10.066
Hubert, L.; & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2, 193–218. https://doi.org/10.1007/BF01908075
Kalleparambil, S. A.; & Akoum, M. (2025). AI organisational readiness for SMEs: A tailored model for AI adoption success. Journal of Information & Knowledge Management, 24(6), 1–21. https://doi.org/10.1142/S0219649225500765
Kettinger, W. J.; Ryoo, S. Y.; & Marchand, D. A. (2021). We’re engaged! Following the path to a successful information management capability. The Journal of Strategic Information Systems, 30(3), 101681. https://doi.org/10.1016/j.jsis.2021.101681
Li, C.-H. (2016). Confirmatory factor analysis with ordinal data: Comparing robust maximum likelihood and diagonally weighted least squares. Behavior Research Methods, 48(3), 936–949. https://doi.org/10.3758/s13428-015-0619-7
Lundberg, S. M.; & Lee, S.-I. (2017). A unified approach to interpreting model predictions. En Advances in Neural Information Processing Systems 30 (pp. 4765–4774).
Lundberg, S. M.; Erion, G.; Chen, H.; DeGrave, A.; Prutkin, J. M.; Nair, B.; Katz, R.; Himmelfarb, J.; Bansal, N.; & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2, pp. 56–67. https://doi.org/10.1038/s42256-019-0138-9
Mithas, S.; Ramasubbu, N.; & Sambamurthy, V. (2011). How information management capability influences firm performance. MIS Quarterly, 35(1), 237–256. https://doi.org/10.2307/23043496
Naheed, S.; Pinto, R.; & Pirola, F. (2025). A preliminary multidimensional AI readiness assessment model for SME’s. Procedia Computer Science, 253, pp. 774–783. https://doi.org/10.1016/j.procs.2025.01.139
OCDE/CAF/SELA. (2024). SME policy index: Latin America and the Caribbean 2024: Towards an inclusive, resilient, and sustainable recovery. OECD Publishing. https://doi.org/10.1787/ba028c1d-en
Ojala, M.; & Garriga, G. C. (2010). Permutation tests for studying classifier performance. Journal of Machine Learning Research, 11, 1833–1863.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, pp. 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Shafiabady, N.; Hadjinicolaou, N.; Hettikankanamage, N.; MohammadiSavadkoohi, E.; Wu, R. M. X.; & Vakilian, J. (2024). eXplainable Artificial Intelligence (XAI) for improving organisational regility. PLOS ONE, 19(4), e0301429. https://doi.org/10.1371/journal.pone.0301429
Sriwichien, W.; Narkbunnum, W.; & Wisaeng, K. (2026). Profiling organizational AI readiness in Thailand’s logistics industry using TOE-UTAUT features, clustering analysis, and explainable machine learning. Information, 17(7), 672. https://doi.org/10.3390/info17070672
Verhoef, P. C.; Broekhuizen, T.; Bart, Y.; Bhattacharya, A.; Dong, J. Q.; Fabian, N.; & Haenlein, M. (2021). Digital transformation: A multidisciplinary reflection and research agenda. Journal of Business Research, 122, 889–901. https://doi.org/10.1016/j.jbusres.2019.09.022
Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), + 118–144. https://doi.org/10.1016/j.jsis.2019.01.003
Viganola, D.; & Diallo, M. Y. (2025). How management practices differ in the EU-27 (Enterprise Note No. 42). Banco Mundial. https://doi.org/10.1596/42897
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 José Isaac Zablah, Lupe Carolina Espinosa, Lilian Elisa Sosa Díaz
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
