Desempeño laboral en la era de la inteligencia artificial: análisis bajo una perspectiva organizacional
DOI:
https://doi.org/10.36390/telos283.06Resumen
La incorporación de inteligencia artificial (IA) está reconfigurando la forma en que las personas ejecutan, aprenden y se adaptan al trabajo; sin embargo, aún existe evidencia limitada sobre cómo la digitalización inteligente se relaciona con el desempeño laboral desde una perspectiva que integre factores tecnológicos, organizacionales y humanos. Este estudio analizó la relación entre digitalización inteligente basada en IA y desempeño laboral percibido, y evaluó la estructura del índice SINER-IA. Se realizó un estudio cuantitativo, transversal y no experimental con 224 trabajadores de organizaciones públicas y privadas de la región noroeste de México, específicamente de los estados de Sinaloa, Sonora, Durango, Chihuahua, Baja California y Baja California Sur. De ellos, 163 participantes que reportaron utilizar herramientas digitales inteligentes conformaron la muestra analítica. El SINER-IA comprende 16 indicadores agrupados en cuatro dimensiones: automatización inteligente de procesos, cultura organizacional digital, ejecución técnica del trabajo y adaptación y aprendizaje digital. La estructura se examinó mediante análisis factorial exploratorio y confirmatorio para indicadores ordinales, seguido de un modelo de ecuaciones estructurales estimado mediante WLSMV. El instrumento presentó alta consistencia interna (α = .935) y evidencia favorable de validez convergente y discriminante. La digitalización inteligente mostró una relación estructural positiva y significativa con el desempeño laboral percibido (β = .864, p < .001) y explicó el 74.7 % de su varianza latente (R² = .747). Los índices incrementales y residuales respaldaron la representación propuesta, aunque algunos indicadores robustos recomendaron una interpretación cautelosa del ajuste global. Los hallazgos respaldan una comprensión integrada de la digitalización, en la que automatización, cultura organizacional y capacidades humanas de ejecución y adaptación se encuentran estrechamente relacionadas con el desempeño laboral percibido. Debido al diseño transversal, los resultados deben interpretarse como evidencia de asociación y no de causalidad.
Descargas
Referencias
Aghaei Ghaleche, S. (2023). Assessing employee perceptions of AI integration in workplace decisions. Journal of Resource Management and Decision Engineering, 2(4), 24–30. https://doi.org/10.61838/kman.jrmde.2.4.5
Bermeo Almeida, O. X., Guevara Arias, V. I., & Dávila Vargas, W. J. (2023). Gestión inteligente de los datos en la agroindustria. Revista Alfa, 7(19), 139–152. https://doi.org/10.33996/revistaalfa.v7i19.204
Borman, W. C., & Motowidlo, S. J. (1997). Task performance and contextual performance: The meaning for personnel selection research. Human Performance, 10(2), 99–109. https://doi.org/10.1207/s15327043hup1002_3
Campbell, J. P. (1990). Modeling the performance prediction problem in industrial and organizational psychology. In M. D. Dunnette & L. M. Hough (Eds.), Handbook of industrial and organizational psychology (2nd ed., Vol. 1, pp. 687–732). Consulting Psychologists Press.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Flouch, A. (2025, May 20). It’s vital to balance AI agility with workplace stability. The Australian. https://www.theaustralian.com.au/business/tech-journal/its-vital-to-balance-ai-agility-with-workplace-stability/news-story/f61d86390f885dafca9d5e8ccface24a
Gallup. (2016, June 28). The importance of employee recognition: Low cost, high impact. https://www.gallup.com/workplace/236441/employee-recognition-low-cost-high-impact.aspx
Gómez García, C., & Cornejo Gutiérrez, V. (2023). Estrategias de intervención para promover el bienestar laboral. In F. A. Jiménez Bolívar & C. A. Severiche Sierra (Eds.), Seguridad y salud en el trabajo: Aportes multidisciplinarios (pp. 109–131). Corporación de Educación Superior del Litoral.
Hair, J. F., Jr., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
High-Level Expert Group on Artificial Intelligence. (2019). Ethics guidelines for trustworthy AI. European Commission. https://doi.org/10.2759/346720
Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects (NBER Working Paper No. 33777). National Bureau of Economic Research. https://doi.org/10.3386/w33777
Minotakis, A. (2025). Regulating AI in the workplace: A critique of the EU AI Act and the Platform Work Directive through a worker-centred lens. Platforms & Society, 2, 1–14. https://doi.org/10.1177/29768624251396248
Murire, O. T. (2024). Artificial intelligence and its role in shaping organizational work practices and culture. Administrative Sciences, 14(12), 316. https://doi.org/10.3390/admsci14120316
Nguyen, H., Lim, K. Y., Wu, L. L., Fischer, C., & Warschauer, M. (2021). “We’re looking good”: Social exchange and regulation temporality in collaborative design. Learning and Instruction, 74, 101443. https://doi.org/10.1016/j.learninstruc.2021.101443
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Pulakos, E. D., Arad, S., Donovan, M. A., & Plamondon, K. E. (2000). Adaptability in the workplace: Development of a taxonomy of adaptive performance. Journal of Applied Psychology, 85(4), 612–624. https://doi.org/10.1037/0021-9010.85.4.612
Quinde, G. A. L., Muñoz, M. Y. T., Suárez, J. M. R., Villarreal, R. E. P., Vélez, W. A. Z., & Laínez, A. A. D. P. (2024). Perception of university students on the use of artificial intelligence (AI) tools for the development of autonomous learning. Revista de Gestão Social e Ambiental, 18(2), e06170. https://doi.org/10.24857/rgsa.v18n2-136
Sadeghi, S. (2024). Employee well-being in the age of AI: Perceptions, concerns, behaviors, and outcomes [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2412.04796
Schein, E. H., & Schein, P. A. (2017). Organizational culture and leadership (5th ed.). Wiley.
Silva Payró, M. P., Mena de la Rosa, R., & Cruz Romero, R. (2025). La inteligencia artificial y los asistentes virtuales: Uso e incidencia en el aprendizaje y en el desarrollo de proyectos de estudiantes de pregrado y posgrado en una facultad del sureste de México. European Public & Social Innovation Review, 10, 1–20. https://doi.org/10.31637/epsir-2025-1378
Soulami, M., Benchekroun, S., & Galiulina, A. (2024). Exploring how AI adoption in the workplace affects employees: A bibliometric and systematic review. Frontiers in Artificial Intelligence, 7, 1473872. https://doi.org/10.3389/frai.2024.1473872
Stahl, B. C., Antoniou, J., Ryan, M., Macnish, K., & Jiya, T. (2022). Organisational responses to the ethical issues of artificial intelligence. AI & Society, 37(1), 23–37. https://doi.org/10.1007/s00146-021-01148-6
Sued, G. E. (2024). La producción científica mexicana en inteligencia artificial: Un análisis bibliométrico. Investigación Bibliotecológica: Archivonomía, Bibliotecología e Información, 38(100), 87–105. https://doi.org/10.22201/iibi.24488321xe.2024.100.58893
Tursunbayeva, A., & Chalutz-Ben Gal, H. (2024). Adoption of artificial intelligence: A TOP framework-based checklist for digital leaders. Business Horizons, 67(4), 357–368. https://doi.org/10.1016/j.bushor.2024.04.006
Übellacker, T. (2025). Making sense of AI limitations: How individual perceptions shape organizational readiness for AI adoption [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.15870
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
World Economic Forum. (2020). The future of jobs report 2020. https://www.weforum.org/reports/the-future-of-jobs-report-2020



.png)


