Vol. 13/ Núm. 2 2026 pág. 1253
https://doi.org/10.69639/arandu.v13i2.2257
Transformación digital basada en IA para la competitividad
en PYMES industriales: Un estudio de caso de la
Constructora La Roca CLR S.A. (Quito, Ecuador)
AI-based digital transformation for competitiveness in industrial SMEs: A case study of
Constructora La Roca CLR S.A. (Quito, Ecuador)
Jaime Vladimir Sancho Zurita
jsancho@itsjapon.edu.ec
https://orcid.org/0000-0002-5915-2100
Instituto Tectológico Universitario Japón
Ecuador- Quito
Alex Ivan Troya Sancho
troya@laroca.com.ec
https://orcid.org/0009-0001-8278-2522
Constructora La Roca Clr S.A.
Ecuador- Quito
Lourdes Elena Monge Amores
emonge@udet.edu.ec
https://orcid.org/0000-0003-0976-7606
Universidad de Especialidades Turísticas
Ecuador- Quito
Gonzalo Napoleón Cadena Echeverría
gcadena@udet.edu.ec
https://orcid.org/0000-0002-5875-9234
Universidad de Especialidades Turísticas
Quito – Ecuador
Diego David Recalde Recalde
drecalde@udet.edu.ec
https://orcid.org/0009-0001-4760-056X
Universidad de Especialidades Turísticas
Ecuador- Quito
Artículo recibido: 10 abril 2026- Aceptado para publicación:16 mayo 2026
Conflictos de intereses: Ninguno que declarar
RESUMEN
El estudio analiza la viabilidad de implementar soluciones de Inteligencia Artificial (IA) en una
PYME industrial ecuatoriana dentro del contexto de la Industria 4.0. A pesar de su potencial
transformador, estas empresas enfrentan barreras importantes para adoptar tecnologías avanzadas.
Se empleó un enfoque de estudio de caso con métodos mixtos, integrando análisis estratégico,
operativo y financiero de la empresa Constructora La Roca CLR S.A., junto con una encuesta a
1,527 personas. Los datos cualitativos se procesaron mediante técnicas de Procesamiento del
Lenguaje Natural para identificar sentimientos y temas clave, mientras que los datos financieros
Vol. 13/ Núm. 2 2026 pág. 1254
se analizaron con modelos de series temporales para detectar patrones y proyectar tendencias. Los
resultados se triangularon para diseñar una hoja de ruta de transformación digital basada en IA.
La empresa presenta ingresos anuales promedio de 1.7 millones de dólares, pero con márgenes
de utilidad bajos (menos del 1.5%). Se identificó bajo posicionamiento de marca: el 60.2% de los
encuestados no la conoce y el 93.6% no ha tenido contacto comercial. El análisis de percepción
reveló una imagen mixta, con atributos positivos como calidad y durabilidad, pero también
asociaciones negativas. Además, se detectó interés del mercado en contenido visual, ejemplos de
uso y promociones. Los ingresos muestran estacionalidad, con picos en el tercer trimestre. Se
concluye que la IA puede transformar debilidades en ventajas competitivas, siendo la
digitalización un paso previo clave. El estudio aporta un modelo metodológico replicable para la
adopción de IA en PYMES latinoamericanas.
Palabras clave: inteligencia artificial, pymes, industria 4.0, mantenimiento predictivo,
transformación digital
ABSTRACT
The study analyzes the feasibility of implementing Artificial Intelligence (AI) solutions in an
Ecuadorian industrial SME within the context of Industry 4.0. Despite its transformative potential,
these companies face significant barriers to adopting advanced technologies. A case study
approach with mixed methods was used, integrating strategic, operational, and financial analysis
of the company Constructora La Roca CLR S.A., along with a survey of 1,527 participants.
Qualitative data were processed using Natural Language Processing techniques to identify
sentiments and key topics, while financial data were analyzed using time series models to detect
patterns and project trends. The findings were triangulated to design a digital transformation
roadmap based on AI. The company reports average annual revenues of $1.7 million but with low
profit margins (below 1.5%). Weak brand positioning was identified: 60.2% of respondents are
unaware of the company, and 93.6% have had no contact with a sales representative. Perception
analysis revealed a mixed image, with positive attributes such as quality and durability, but also
negative associations. Additionally, market interest was identified in visual content, use-case
examples, and promotions. Revenue shows seasonality, with peaks in the third quarter. The study
concludes that AI can transform weaknesses into competitive advantages, with digitalization as a
key prerequisite. It also provides a replicable methodological model for AI adoption in Latin
American SMEs.
Keywords: artificial intelligence, smes, industry 4.0, predictive maintenance, digital
transformation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
se analizaron con modelos de series temporales para detectar patrones y proyectar tendencias. Los
resultados se triangularon para diseñar una hoja de ruta de transformación digital basada en IA.
La empresa presenta ingresos anuales promedio de 1.7 millones de dólares, pero con márgenes
de utilidad bajos (menos del 1.5%). Se identificó bajo posicionamiento de marca: el 60.2% de los
encuestados no la conoce y el 93.6% no ha tenido contacto comercial. El análisis de percepción
reveló una imagen mixta, con atributos positivos como calidad y durabilidad, pero también
asociaciones negativas. Además, se detectó interés del mercado en contenido visual, ejemplos de
uso y promociones. Los ingresos muestran estacionalidad, con picos en el tercer trimestre. Se
concluye que la IA puede transformar debilidades en ventajas competitivas, siendo la
digitalización un paso previo clave. El estudio aporta un modelo metodológico replicable para la
adopción de IA en PYMES latinoamericanas.
Palabras clave: inteligencia artificial, pymes, industria 4.0, mantenimiento predictivo,
transformación digital
ABSTRACT
The study analyzes the feasibility of implementing Artificial Intelligence (AI) solutions in an
Ecuadorian industrial SME within the context of Industry 4.0. Despite its transformative potential,
these companies face significant barriers to adopting advanced technologies. A case study
approach with mixed methods was used, integrating strategic, operational, and financial analysis
of the company Constructora La Roca CLR S.A., along with a survey of 1,527 participants.
Qualitative data were processed using Natural Language Processing techniques to identify
sentiments and key topics, while financial data were analyzed using time series models to detect
patterns and project trends. The findings were triangulated to design a digital transformation
roadmap based on AI. The company reports average annual revenues of $1.7 million but with low
profit margins (below 1.5%). Weak brand positioning was identified: 60.2% of respondents are
unaware of the company, and 93.6% have had no contact with a sales representative. Perception
analysis revealed a mixed image, with positive attributes such as quality and durability, but also
negative associations. Additionally, market interest was identified in visual content, use-case
examples, and promotions. Revenue shows seasonality, with peaks in the third quarter. The study
concludes that AI can transform weaknesses into competitive advantages, with digitalization as a
key prerequisite. It also provides a replicable methodological model for AI adoption in Latin
American SMEs.
Keywords: artificial intelligence, smes, industry 4.0, predictive maintenance, digital
transformation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 2 2026 pág. 1255
INTRODUCCIÓN
La Cuarta Revolución Industrial, o Industria 4.0, está redefiniendo los paradigmas de
producción a nivel global mediante la integración de tecnologías digitales como el Internet de las
Cosas (IoT) y la Inteligencia Artificial (IA) (Schwab, 2016). Herramientas como el aprendizaje
automático (machine learning) y la IA generativa permiten a las organizaciones optimizar
procesos, predecir fallos y personalizar la experiencia del cliente, creando ventajas competitivas
sostenibles (Porter & Heppelmann, 2014). Sin embargo, el ritmo de innovación, inversión y
adopción empresarial de la IA es sin precedentes; un estudio de ESADE (2025) revela que el 65%
de las organizaciones ya utiliza la IA generativa de forma regular, casi el doble que el año anterior.
A pesar de esta rápida adopción global, la literatura existente se ha centrado
predominantemente en grandes corporaciones de economías desarrolladas, dejando un vacío
significativo sobre cómo las pequeñas y medianas empresas (PYMES) en contextos emergentes
pueden emprender este viaje de transformación (Verhoef et al., 2021). En Ecuador, las PYMES
constituyen la columna vertebral de la economía, pero suelen operar con procesos manuales y una
gestión basada en la intuición, lo que limita su competitividad. Investigaciones recientes subrayan
que la verdadera dificultad en la adopción de IA no es técnica sino operacional; la calidad de los
datos, la madurez de procesos y la gobernanza determinan si la IA genera resultados o se queda
en un experimento.
La Industria 4.0 se caracteriza por la creación de fábricas inteligentes donde los sistemas
ciberfísicos, el IoT y la IA convergen para crear entornos de producción autónomos y altamente
eficientes (Brynjolfsson & McAfee, 2017). La IA, definida como la simulación de procesos de
inteligencia humana por parte de sistemas informáticos, ha evolucionado desde un enfoque
centrado en modelos (model-centric) hacia un enfoque centrado en sistemas (system-centric),
donde la arquitectura de soluciones, la integración con procesos existentes y la intervención
humana (human-in-the-loop) son tan importantes como los algoritmos mismos. En 2025, la IA
alcanzó un punto de inflexión operativo, marcado por la maduración en su despliegue a escala
industrial y la integración de múltiples agentes y herramientas externas.
Las aplicaciones de la IA en la cadena de valor industrial son diversas y de alto impacto.
Las empresas que invierten en IA tienen una probabilidad 20% mayor de aumentar sus ingresos
y un 25% menor de disminuirlos (ADEN Business Magazine, 2024). Las áreas de aplicación más
relevantes para este estudio son: Mantenimiento Predictivo (PdM), Optimización de la Cadena de
Suministro, Marketing Predictivo y Analítica de Clientes.
A pesar del potencial, las PYMES enfrentan desafíos significativos. El alto costo de
inversión inicial, la incertidumbre sobre el retorno de la inversión (ROI), y la integración con
sistemas heredados son barreras comunes (Dwivedi et al., 2023). Sin embargo, la principal
limitación identificada en la literatura reciente es la falta de una fuerza laboral calificada con
INTRODUCCIÓN
La Cuarta Revolución Industrial, o Industria 4.0, está redefiniendo los paradigmas de
producción a nivel global mediante la integración de tecnologías digitales como el Internet de las
Cosas (IoT) y la Inteligencia Artificial (IA) (Schwab, 2016). Herramientas como el aprendizaje
automático (machine learning) y la IA generativa permiten a las organizaciones optimizar
procesos, predecir fallos y personalizar la experiencia del cliente, creando ventajas competitivas
sostenibles (Porter & Heppelmann, 2014). Sin embargo, el ritmo de innovación, inversión y
adopción empresarial de la IA es sin precedentes; un estudio de ESADE (2025) revela que el 65%
de las organizaciones ya utiliza la IA generativa de forma regular, casi el doble que el año anterior.
A pesar de esta rápida adopción global, la literatura existente se ha centrado
predominantemente en grandes corporaciones de economías desarrolladas, dejando un vacío
significativo sobre cómo las pequeñas y medianas empresas (PYMES) en contextos emergentes
pueden emprender este viaje de transformación (Verhoef et al., 2021). En Ecuador, las PYMES
constituyen la columna vertebral de la economía, pero suelen operar con procesos manuales y una
gestión basada en la intuición, lo que limita su competitividad. Investigaciones recientes subrayan
que la verdadera dificultad en la adopción de IA no es técnica sino operacional; la calidad de los
datos, la madurez de procesos y la gobernanza determinan si la IA genera resultados o se queda
en un experimento.
La Industria 4.0 se caracteriza por la creación de fábricas inteligentes donde los sistemas
ciberfísicos, el IoT y la IA convergen para crear entornos de producción autónomos y altamente
eficientes (Brynjolfsson & McAfee, 2017). La IA, definida como la simulación de procesos de
inteligencia humana por parte de sistemas informáticos, ha evolucionado desde un enfoque
centrado en modelos (model-centric) hacia un enfoque centrado en sistemas (system-centric),
donde la arquitectura de soluciones, la integración con procesos existentes y la intervención
humana (human-in-the-loop) son tan importantes como los algoritmos mismos. En 2025, la IA
alcanzó un punto de inflexión operativo, marcado por la maduración en su despliegue a escala
industrial y la integración de múltiples agentes y herramientas externas.
Las aplicaciones de la IA en la cadena de valor industrial son diversas y de alto impacto.
Las empresas que invierten en IA tienen una probabilidad 20% mayor de aumentar sus ingresos
y un 25% menor de disminuirlos (ADEN Business Magazine, 2024). Las áreas de aplicación más
relevantes para este estudio son: Mantenimiento Predictivo (PdM), Optimización de la Cadena de
Suministro, Marketing Predictivo y Analítica de Clientes.
A pesar del potencial, las PYMES enfrentan desafíos significativos. El alto costo de
inversión inicial, la incertidumbre sobre el retorno de la inversión (ROI), y la integración con
sistemas heredados son barreras comunes (Dwivedi et al., 2023). Sin embargo, la principal
limitación identificada en la literatura reciente es la falta de una fuerza laboral calificada con
Vol. 13/ Núm. 2 2026 pág. 1256
habilidades en ciencia de datos e ingeniería industrial, necesaria para implementar y gestionar
estas tecnologías (Saup et al., 2026). A esto se suma la dificultad para gestionar la calidad de los
datos, a menudo dispersos y ruidosos en entornos de producción no digitalizados. Un 41% de los
ejecutivos afirma que los problemas de la fuerza laboral, como la capacitación y la gestión del
cambio, se encuentran entre los cinco principales desafíos al usar la IA generativa.
La evidencia sugiere que una estrategia de IA eficaz debe adoptar un enfoque de cartera,
combinando pequeñas victorias, proyectos de alto impacto y apuestas transformadoras,
estableciendo un ciclo de reinversión que impulsa el crecimiento sostenible. Las organizaciones
deben priorizar la creación de una cultura de IA responsable, que incluya la supervisión humana,
la seguridad técnica, la protección de la privacidad, la transparencia algorítmica y la prevención
de sesgos (ADEN Business Magazine, 2024). Los líderes empresariales deben convertirse en
arquitectos de una visión ética y estratégica, capaces de integrar la IA en la cultura organizacional
y liderar para que beneficie tanto a la empresa como a la sociedad (ESADE, 2025).
Este estudio aborda esta brecha mediante un análisis profundo de Constructora La Roca
CLR S.A., una PYME quiteña dedicada al procesamiento de piedra natural. Se busca responder a
la pregunta: ¿De qué manera la integración de herramientas de Inteligencia Artificial puede
abordar las debilidades y amenazas, y potenciar las fortalezas y oportunidades identificadas
en el diagnóstico integral de una PYME industrial ecuatoriana? La hipótesis central es que
un diagnóstico basado en datos empíricos, potenciado por herramientas de IA para el análisis de
información, puede revelar oportunidades concretas para la IA, cuya implementación, aunque
gradual, puede generar un impacto significativo en la eficiencia y el posicionamiento de mercado,
alineándose con la tendencia de que las empresas de alto rendimiento tienen el doble de
probabilidades de obtener valor de la IA generativa en comparación con otras.
MATERIALES Y MÉTODOS
Tipo y diseño de investigación
Esta investigación de tipo exploratorio y descriptivo. La selección del caso, Constructora
La Roca CLR S.A., responde a un muestreo intencional por conveniencia, al tratarse de una
PYME industrial representativa del sector de la construcción en Ecuador, con una trayectoria
consolidada y una necesidad explícita de modernización tecnológica (Yin, 2018)(Hernández-
Sampieri & Mendoza, 2018).
Las dos fases principales:
1. Fase Cualitativa Inicial: Recopilación y análisis de documentos estratégicos y de
procesos para comprender el funcionamiento interno, los objetivos y los problemas
percibidos por la dirección.
habilidades en ciencia de datos e ingeniería industrial, necesaria para implementar y gestionar
estas tecnologías (Saup et al., 2026). A esto se suma la dificultad para gestionar la calidad de los
datos, a menudo dispersos y ruidosos en entornos de producción no digitalizados. Un 41% de los
ejecutivos afirma que los problemas de la fuerza laboral, como la capacitación y la gestión del
cambio, se encuentran entre los cinco principales desafíos al usar la IA generativa.
La evidencia sugiere que una estrategia de IA eficaz debe adoptar un enfoque de cartera,
combinando pequeñas victorias, proyectos de alto impacto y apuestas transformadoras,
estableciendo un ciclo de reinversión que impulsa el crecimiento sostenible. Las organizaciones
deben priorizar la creación de una cultura de IA responsable, que incluya la supervisión humana,
la seguridad técnica, la protección de la privacidad, la transparencia algorítmica y la prevención
de sesgos (ADEN Business Magazine, 2024). Los líderes empresariales deben convertirse en
arquitectos de una visión ética y estratégica, capaces de integrar la IA en la cultura organizacional
y liderar para que beneficie tanto a la empresa como a la sociedad (ESADE, 2025).
Este estudio aborda esta brecha mediante un análisis profundo de Constructora La Roca
CLR S.A., una PYME quiteña dedicada al procesamiento de piedra natural. Se busca responder a
la pregunta: ¿De qué manera la integración de herramientas de Inteligencia Artificial puede
abordar las debilidades y amenazas, y potenciar las fortalezas y oportunidades identificadas
en el diagnóstico integral de una PYME industrial ecuatoriana? La hipótesis central es que
un diagnóstico basado en datos empíricos, potenciado por herramientas de IA para el análisis de
información, puede revelar oportunidades concretas para la IA, cuya implementación, aunque
gradual, puede generar un impacto significativo en la eficiencia y el posicionamiento de mercado,
alineándose con la tendencia de que las empresas de alto rendimiento tienen el doble de
probabilidades de obtener valor de la IA generativa en comparación con otras.
MATERIALES Y MÉTODOS
Tipo y diseño de investigación
Esta investigación de tipo exploratorio y descriptivo. La selección del caso, Constructora
La Roca CLR S.A., responde a un muestreo intencional por conveniencia, al tratarse de una
PYME industrial representativa del sector de la construcción en Ecuador, con una trayectoria
consolidada y una necesidad explícita de modernización tecnológica (Yin, 2018)(Hernández-
Sampieri & Mendoza, 2018).
Las dos fases principales:
1. Fase Cualitativa Inicial: Recopilación y análisis de documentos estratégicos y de
procesos para comprender el funcionamiento interno, los objetivos y los problemas
percibidos por la dirección.
Vol. 13/ Núm. 2 2026 pág. 1257
2. Fase Cuantitativa Posterior: Aplicación de una encuesta a gran escala para validar y
cuantificar los hallazgos cualitativos en el mercado, así como análisis de datos financieros
históricos para establecer tendencias y patrones.
La integración de ambas fases permite una comprensión holística del fenómeno, donde los
hallazgos cualitativos guían la interpretación de los datos cuantitativos y viceversa (Fetters et al.,
2013). Este diseño es particularmente útil cuando se busca explorar un fenómeno en profundidad
y luego medir su alcance, como es el caso de la madurez digital y las oportunidades de IA en una
PYME (Hernández-Sampieri & Mendoza, 2018).
Muestra y fuentes de información
Se utilizaron cuatro fuentes de información principales, lo que permitió una triangulación
metodológica y de datos para aumentar la validez y consistencia de los hallazgos (Denzin, 1978).
Tabla 1
Fuentes de información
Fuente de
Información
Descripción Muestra / Alcance Aporte al Análisis
Documentos
Estratégicos
FODA, FOAR,
Balanced
Scorecard
(BSC)
Documentos internos
de la empresa (2023-
2024)
Comprensión de la visión,
misión, objetivos estratégicos
y la percepción interna de
fortalezas y debilidades.
Matriz de
Eventos
Mapeo de
procesos de
negocio
50+ procesos
documentados en
áreas de Compras,
Ventas, Logística,
Minas, etc.
Identificación de cuellos de
botella, procesos manuales,
puntos de riesgo y
oportunidades de
automatización.
Estados
Financieros
Estados de
Resultados
mensuales
48 meses (2019-2022) Análisis de tendencias de
ingresos, estacionalidad,
costos y rentabilidad. Base
para modelos predictivos.
Encuesta de
Mercado
Cuestionario
estructurado
1,527 encuestas
válidas
Caracterización del mercado
objetivo, medición del brand
awareness, preferencias de
producto, hábitos de
consumo y satisfacción.
Elaborado por: Los autores 2026
Instrumentos y técnicas de recolección
Análisis Documental
Se realizó un análisis de contenido de los documentos estratégicos y la matriz de eventos.
Se utilizó una matriz de codificación temática para identificar categorías recurrentes relacionadas
con fortalezas, debilidades, oportunidades y amenazas, así como procesos clave con potencial de
2. Fase Cuantitativa Posterior: Aplicación de una encuesta a gran escala para validar y
cuantificar los hallazgos cualitativos en el mercado, así como análisis de datos financieros
históricos para establecer tendencias y patrones.
La integración de ambas fases permite una comprensión holística del fenómeno, donde los
hallazgos cualitativos guían la interpretación de los datos cuantitativos y viceversa (Fetters et al.,
2013). Este diseño es particularmente útil cuando se busca explorar un fenómeno en profundidad
y luego medir su alcance, como es el caso de la madurez digital y las oportunidades de IA en una
PYME (Hernández-Sampieri & Mendoza, 2018).
Muestra y fuentes de información
Se utilizaron cuatro fuentes de información principales, lo que permitió una triangulación
metodológica y de datos para aumentar la validez y consistencia de los hallazgos (Denzin, 1978).
Tabla 1
Fuentes de información
Fuente de
Información
Descripción Muestra / Alcance Aporte al Análisis
Documentos
Estratégicos
FODA, FOAR,
Balanced
Scorecard
(BSC)
Documentos internos
de la empresa (2023-
2024)
Comprensión de la visión,
misión, objetivos estratégicos
y la percepción interna de
fortalezas y debilidades.
Matriz de
Eventos
Mapeo de
procesos de
negocio
50+ procesos
documentados en
áreas de Compras,
Ventas, Logística,
Minas, etc.
Identificación de cuellos de
botella, procesos manuales,
puntos de riesgo y
oportunidades de
automatización.
Estados
Financieros
Estados de
Resultados
mensuales
48 meses (2019-2022) Análisis de tendencias de
ingresos, estacionalidad,
costos y rentabilidad. Base
para modelos predictivos.
Encuesta de
Mercado
Cuestionario
estructurado
1,527 encuestas
válidas
Caracterización del mercado
objetivo, medición del brand
awareness, preferencias de
producto, hábitos de
consumo y satisfacción.
Elaborado por: Los autores 2026
Instrumentos y técnicas de recolección
Análisis Documental
Se realizó un análisis de contenido de los documentos estratégicos y la matriz de eventos.
Se utilizó una matriz de codificación temática para identificar categorías recurrentes relacionadas
con fortalezas, debilidades, oportunidades y amenazas, así como procesos clave con potencial de
Vol. 13/ Núm. 2 2026 pág. 1258
mejora mediante IA (ej. "mantenimiento reactivo", "acuerdos verbales con minas", "falta de
registro de leads") (Denzin, 1978).
Encuesta de Mercado
Se diseñó un cuestionario estructurado compuesto por 15 preguntas, incluyendo:
• Preguntas cerradas: Para medir conocimiento de marca, frecuencia de uso, preferencias
de producto y canales de información (escala nominal y ordinal).
• Preguntas abiertas: Para explorar percepciones, asociaciones de marca y sugerencias de
mejora.
El cuestionario fue validado mediante una prueba piloto con 30 personas para ajustar la
claridad y pertinencia de las preguntas. Se distribuyó digitalmente a través de redes sociales y
bases de datos de contactos del sector de la construcción en Quito y sus alrededores, alcanzando
un total de 1,527 respuestas válidas.
Procedimiento de Análisis de Datos con Apoyo de IA
El análisis de datos se estructuró en cuatro fases, integrando herramientas de inteligencia
artificial para el procesamiento de la información:
Fase 1: Análisis Cualitativo Asistido por NLP
Las respuestas abiertas de la encuesta (n 2,500 respuestas textuales) y los documentos
estratégicos se procesaron utilizando técnicas de Procesamiento del Lenguaje Natural (NLP). Se
empleó un modelo de análisis de sentimiento basado en la librería Transformers de Hugging Face
(modelo pysentimiento/bert-base-spanish-wwm-uncased) para clasificar automáticamente las
menciones a la marca como positivas, negativas o neutrales. Adicionalmente, se utilizó un
algoritmo de modelado de tópicos (Latent Dirichlet Allocation - LDA) para identificar temas
recurrentes en las sugerencias de los encuestados.
Fase 2: Análisis Cuantitativo y Financiero
• Encuesta: Los datos de las preguntas cerradas se procesaron con el software SPSS,
generando tablas de frecuencia, análisis de tendencia central y tablas cruzadas (ej.
preferencias de producto por grupo etario). Se aplicó la prueba de Chi-cuadrado para
identificar asociaciones estadísticamente significativas entre variables demográficas y de
comportamiento.
• Estados Financieros: Se construyó una base de datos con los ingresos mensuales (2019-
2022). Utilizando la librería Prophet de Facebook (ahora Meta), se realizó un análisis de
series temporales para descomponer la tendencia, la estacionalidad y los efectos de
calendario. Este modelo, basado en machine learning, permitió proyectar la demanda
esperada para 2023 y validar la estacionalidad observada en los datos históricos (Taylor
& Letham, 2018; Hyndman & Athanasopoulos, 2021).
mejora mediante IA (ej. "mantenimiento reactivo", "acuerdos verbales con minas", "falta de
registro de leads") (Denzin, 1978).
Encuesta de Mercado
Se diseñó un cuestionario estructurado compuesto por 15 preguntas, incluyendo:
• Preguntas cerradas: Para medir conocimiento de marca, frecuencia de uso, preferencias
de producto y canales de información (escala nominal y ordinal).
• Preguntas abiertas: Para explorar percepciones, asociaciones de marca y sugerencias de
mejora.
El cuestionario fue validado mediante una prueba piloto con 30 personas para ajustar la
claridad y pertinencia de las preguntas. Se distribuyó digitalmente a través de redes sociales y
bases de datos de contactos del sector de la construcción en Quito y sus alrededores, alcanzando
un total de 1,527 respuestas válidas.
Procedimiento de Análisis de Datos con Apoyo de IA
El análisis de datos se estructuró en cuatro fases, integrando herramientas de inteligencia
artificial para el procesamiento de la información:
Fase 1: Análisis Cualitativo Asistido por NLP
Las respuestas abiertas de la encuesta (n 2,500 respuestas textuales) y los documentos
estratégicos se procesaron utilizando técnicas de Procesamiento del Lenguaje Natural (NLP). Se
empleó un modelo de análisis de sentimiento basado en la librería Transformers de Hugging Face
(modelo pysentimiento/bert-base-spanish-wwm-uncased) para clasificar automáticamente las
menciones a la marca como positivas, negativas o neutrales. Adicionalmente, se utilizó un
algoritmo de modelado de tópicos (Latent Dirichlet Allocation - LDA) para identificar temas
recurrentes en las sugerencias de los encuestados.
Fase 2: Análisis Cuantitativo y Financiero
• Encuesta: Los datos de las preguntas cerradas se procesaron con el software SPSS,
generando tablas de frecuencia, análisis de tendencia central y tablas cruzadas (ej.
preferencias de producto por grupo etario). Se aplicó la prueba de Chi-cuadrado para
identificar asociaciones estadísticamente significativas entre variables demográficas y de
comportamiento.
• Estados Financieros: Se construyó una base de datos con los ingresos mensuales (2019-
2022). Utilizando la librería Prophet de Facebook (ahora Meta), se realizó un análisis de
series temporales para descomponer la tendencia, la estacionalidad y los efectos de
calendario. Este modelo, basado en machine learning, permitió proyectar la demanda
esperada para 2023 y validar la estacionalidad observada en los datos históricos (Taylor
& Letham, 2018; Hyndman & Athanasopoulos, 2021).
Vol. 13/ Núm. 2 2026 pág. 1259
Fase 3: Triangulación y síntesis
Los hallazgos de las fases cualitativa y cuantitativa se integraron en una matriz de
triangulación (Denzin, 1978). Para cada hallazgo clave (ej. "bajo conocimiento de marca"), se
contrastó la evidencia de las diferentes fuentes:
• Cuantitativa: 60.2% de desconocimiento en la encuesta.
• Cualitativa: Comentarios recurrentes sobre "falta de información" y "marca
desconocida".
• Documental: Ausencia de una estrategia de marketing digital en el BSC y en la matriz de
eventos.
Esta triangulación permitió validar la robustez del diagnóstico y evitar sesgos de una sola
fuente (Denzin, 1978; Fetters et al., 2013).
Fase 4: Formulación de la hoja de ruta de IA
A partir del diagnóstico integrado, se utilizó un enfoque de análisis de brechas para
contrastar la situación actual de la empresa con el estado del arte en aplicaciones de IA para
PYMES industriales (Fortune Business Insights, 2025; GII Research, 2025). Para cada brecha
identificada (ej. procesos manuales de logística), se propuso una solución de IA concreta,
evaluando su viabilidad técnica, el retorno de inversión estimado (basado en la literatura) y los
prerrequisitos necesarios (ej. digitalización, sensores). Esta matriz de priorización (Tabla 4)
constituye la base de la hoja de ruta propuesta.
Consideraciones Éticas
Se garantizó el anonimato de todos los participantes en la encuesta. Los datos financieros
y estratégicos de la empresa fueron tratados con confidencialidad y se utilizaron únicamente con
fines académicos, con la autorización expresa de la dirección de Constructora La Roca CLR S.A.
(American Psychological Association, 2020).
RESULTADOS Y DISCUSIÓN
Análisis Financiero
Tabla 2
Resumen de Resultados Financieros de Constructora La Roca CLR S.A. (2019-2022)
Año Ingresos Totales
($)
Costos y Gastos
($)
Utilidad/Pérdida ($) Margen Neto (%)
2019 1,933,016 1,907,149 25,867 1.3
2020 918,747 957,838 -39,091 -4.3
2021 1,517,211 1,511,155 6,055 0.4
2022 1,636,435 1,615,689 20,746 1.3
Nota. Elaborada a partir de los estados de resultados mensuales de la empresa. Los márgenes bajos y la recuperación
post-pandemia son los hallazgos clave.
Fase 3: Triangulación y síntesis
Los hallazgos de las fases cualitativa y cuantitativa se integraron en una matriz de
triangulación (Denzin, 1978). Para cada hallazgo clave (ej. "bajo conocimiento de marca"), se
contrastó la evidencia de las diferentes fuentes:
• Cuantitativa: 60.2% de desconocimiento en la encuesta.
• Cualitativa: Comentarios recurrentes sobre "falta de información" y "marca
desconocida".
• Documental: Ausencia de una estrategia de marketing digital en el BSC y en la matriz de
eventos.
Esta triangulación permitió validar la robustez del diagnóstico y evitar sesgos de una sola
fuente (Denzin, 1978; Fetters et al., 2013).
Fase 4: Formulación de la hoja de ruta de IA
A partir del diagnóstico integrado, se utilizó un enfoque de análisis de brechas para
contrastar la situación actual de la empresa con el estado del arte en aplicaciones de IA para
PYMES industriales (Fortune Business Insights, 2025; GII Research, 2025). Para cada brecha
identificada (ej. procesos manuales de logística), se propuso una solución de IA concreta,
evaluando su viabilidad técnica, el retorno de inversión estimado (basado en la literatura) y los
prerrequisitos necesarios (ej. digitalización, sensores). Esta matriz de priorización (Tabla 4)
constituye la base de la hoja de ruta propuesta.
Consideraciones Éticas
Se garantizó el anonimato de todos los participantes en la encuesta. Los datos financieros
y estratégicos de la empresa fueron tratados con confidencialidad y se utilizaron únicamente con
fines académicos, con la autorización expresa de la dirección de Constructora La Roca CLR S.A.
(American Psychological Association, 2020).
RESULTADOS Y DISCUSIÓN
Análisis Financiero
Tabla 2
Resumen de Resultados Financieros de Constructora La Roca CLR S.A. (2019-2022)
Año Ingresos Totales
($)
Costos y Gastos
($)
Utilidad/Pérdida ($) Margen Neto (%)
2019 1,933,016 1,907,149 25,867 1.3
2020 918,747 957,838 -39,091 -4.3
2021 1,517,211 1,511,155 6,055 0.4
2022 1,636,435 1,615,689 20,746 1.3
Nota. Elaborada a partir de los estados de resultados mensuales de la empresa. Los márgenes bajos y la recuperación
post-pandemia son los hallazgos clave.
Vol. 13/ Núm. 2 2026 pág. 1260
La tabla 2 muestra que la empresa se recuperó del impacto de la pandemia (2020),
estabilizando sus ingresos alrededor de $1.6M. Sin embargo, los márgenes de utilidad son
extremadamente bajos (promedio <1.5% en los años positivos), lo que indica una alta presión de
costos y posibles ineficiencias operativas (Schwab, 2016).
Figura 1
Ingresos Mensuales y Proyección
Nota. Gráfico de líneas que muestra los ingresos mensuales reales (2019-2022) y los proyectados (2023) mediante el
modelo Prophet. Basado en los estados financieros de la empresa. Se observa un pico recurrente en el tercer trimestre
de cada año.
La Figura 1 visualiza la fuerte estacionalidad de los ingresos de La Roca. Se observa un
patrón recurrente: un pico pronunciado en el tercer trimestre (julio-septiembre) de cada año,
coincidiendo con la temporada de construcción en la región andina, y un valle en el primer
trimestre. El modelo Prophet (Taylor & Letham, 2018) confirma que este patrón es consistente y
predecible, y proyecta una estabilidad similar para 2023 (Tabla 2). Esta estacionalidad genera
importantes desafíos operativos: picos de producción que tensionan la capacidad instalada y la
gestión de inventarios, seguidos de períodos de baja actividad.
La tabla 2 muestra que la empresa se recuperó del impacto de la pandemia (2020),
estabilizando sus ingresos alrededor de $1.6M. Sin embargo, los márgenes de utilidad son
extremadamente bajos (promedio <1.5% en los años positivos), lo que indica una alta presión de
costos y posibles ineficiencias operativas (Schwab, 2016).
Figura 1
Ingresos Mensuales y Proyección
Nota. Gráfico de líneas que muestra los ingresos mensuales reales (2019-2022) y los proyectados (2023) mediante el
modelo Prophet. Basado en los estados financieros de la empresa. Se observa un pico recurrente en el tercer trimestre
de cada año.
La Figura 1 visualiza la fuerte estacionalidad de los ingresos de La Roca. Se observa un
patrón recurrente: un pico pronunciado en el tercer trimestre (julio-septiembre) de cada año,
coincidiendo con la temporada de construcción en la región andina, y un valle en el primer
trimestre. El modelo Prophet (Taylor & Letham, 2018) confirma que este patrón es consistente y
predecible, y proyecta una estabilidad similar para 2023 (Tabla 2). Esta estacionalidad genera
importantes desafíos operativos: picos de producción que tensionan la capacidad instalada y la
gestión de inventarios, seguidos de períodos de baja actividad.
Vol. 13/ Núm. 2 2026 pág. 1261
Tabla 3
Análisis de Estacionalidad de Ingresos con Modelo Prophet
Componente Hallazgo Interpretación
Tendencia Crecimiento sostenido post-
2020, estabilización en 2022
La empresa ha recuperado su nivel
de actividad prepandemia
Estacionalidad
Anual
Pico pronunciado en julio-
septiembre (Q3)
Demanda ligada a temporada de
construcción en región andina
Estacionalidad
Mensual Leve aumento a fin de mes Posible efecto de cierres de
proyectos o pagos quincenales
Proyección 2023 Ingreso anual proyectado:
$1.72M (±$150k)
Estabilidad similar a 2022, con
mismo patrón estacional
Nota. Análisis realizado con la librería Prophet (Taylor & Letham, 2018) sobre la serie de ingresos mensuales 2019-
2022.
Resultados de la Encuesta de Mercado
Figura 2
Distribución de conocimiento y uso de servicio
La figura 2 revela una alta tasa de conversión (68%) entre quienes conocen la marca,
contrastada con un bajísimo conocimiento general (solo el 39.8% de los encuestados ha escuchado
sobre La Roca). Esto indica que el principal problema no es la calidad o aceptación del producto,
sino el alcance de la marca. El cuello de botella más crítico se encuentra en la etapa de contacto
comercial: apenas el 6.4% de quienes conocen la marca han interactuado con un asesor. Esto
sugiere un proceso de ventas completamente pasivo y una oportunidad masiva para implementar
estrategias de prospección activa y automatización (Chaffey & Ellis-Chadwick, 2019).
Tabla 3
Análisis de Estacionalidad de Ingresos con Modelo Prophet
Componente Hallazgo Interpretación
Tendencia Crecimiento sostenido post-
2020, estabilización en 2022
La empresa ha recuperado su nivel
de actividad prepandemia
Estacionalidad
Anual
Pico pronunciado en julio-
septiembre (Q3)
Demanda ligada a temporada de
construcción en región andina
Estacionalidad
Mensual Leve aumento a fin de mes Posible efecto de cierres de
proyectos o pagos quincenales
Proyección 2023 Ingreso anual proyectado:
$1.72M (±$150k)
Estabilidad similar a 2022, con
mismo patrón estacional
Nota. Análisis realizado con la librería Prophet (Taylor & Letham, 2018) sobre la serie de ingresos mensuales 2019-
2022.
Resultados de la Encuesta de Mercado
Figura 2
Distribución de conocimiento y uso de servicio
La figura 2 revela una alta tasa de conversión (68%) entre quienes conocen la marca,
contrastada con un bajísimo conocimiento general (solo el 39.8% de los encuestados ha escuchado
sobre La Roca). Esto indica que el principal problema no es la calidad o aceptación del producto,
sino el alcance de la marca. El cuello de botella más crítico se encuentra en la etapa de contacto
comercial: apenas el 6.4% de quienes conocen la marca han interactuado con un asesor. Esto
sugiere un proceso de ventas completamente pasivo y una oportunidad masiva para implementar
estrategias de prospección activa y automatización (Chaffey & Ellis-Chadwick, 2019).
Vol. 13/ Núm. 2 2026 pág. 1262
Figura 3
Preferencia de producto por grupo etario
La figura 3 evidencia una clara segmentación natural del mercado. Los consumidores más jóvenes
(18-34 años) muestran una marcada preferencia por elementos decorativos (67%), como tallados,
fuentes y piletas. Por el contrario, los mayores de 50 años se inclinan mayoritariamente
por revestimientos de pisos y paredes (79%). El grupo intermedio (35-50 años) presenta una
preferencia más equilibrada. Esta segmentación tiene implicaciones estratégicas directas: las
campañas de marketing, el diseño de productos y los canales de comunicación deben adaptarse a
cada grupo objetivo para maximizar la efectividad (Kotler & Keller, 2016). Ignorar esta
segmentación implica desperdiciar recursos en mensajes genéricos que no resuenan con las
necesidades específicas de cada audiencia.
Figura 4
Preferencia de canales de información
La figura 4 muestra un dominio abrumador de los canales digitales. El 45% de los
encuestados prefiere informarse a través de redes sociales, y un 31% adicional opta por el sitio
web de las empresas. Sumados, representan el 76% de las preferencias, relegando a los canales
tradicionales (ferias, referencias) a un papel secundario. Este hallazgo es consistente con las
tendencias globales de consumo de información (Chaffey & Ellis-Chadwick, 2019). Para La
Roca, esto implica que una estrategia de marketing digital-first no es una opción, sino una
Figura 3
Preferencia de producto por grupo etario
La figura 3 evidencia una clara segmentación natural del mercado. Los consumidores más jóvenes
(18-34 años) muestran una marcada preferencia por elementos decorativos (67%), como tallados,
fuentes y piletas. Por el contrario, los mayores de 50 años se inclinan mayoritariamente
por revestimientos de pisos y paredes (79%). El grupo intermedio (35-50 años) presenta una
preferencia más equilibrada. Esta segmentación tiene implicaciones estratégicas directas: las
campañas de marketing, el diseño de productos y los canales de comunicación deben adaptarse a
cada grupo objetivo para maximizar la efectividad (Kotler & Keller, 2016). Ignorar esta
segmentación implica desperdiciar recursos en mensajes genéricos que no resuenan con las
necesidades específicas de cada audiencia.
Figura 4
Preferencia de canales de información
La figura 4 muestra un dominio abrumador de los canales digitales. El 45% de los
encuestados prefiere informarse a través de redes sociales, y un 31% adicional opta por el sitio
web de las empresas. Sumados, representan el 76% de las preferencias, relegando a los canales
tradicionales (ferias, referencias) a un papel secundario. Este hallazgo es consistente con las
tendencias globales de consumo de información (Chaffey & Ellis-Chadwick, 2019). Para La
Roca, esto implica que una estrategia de marketing digital-first no es una opción, sino una
Vol. 13/ Núm. 2 2026 pág. 1263
necesidad imperiosa. La ausencia de una presencia digital sólida y atractiva explica, en gran
medida, el bajo conocimiento de marca identificado en la Figura 1.
Figura 5
Percepción de experiencias en redes sociales de La Roca
La figura 5 cuantifica la pobre experiencia digital que los usuarios perciben en las redes
sociales de La Roca. El 42% de los comentarios se clasificaron como negativos, asociados a
términos como "aburrido", "falta creatividad", "poca información" y "desactualizado". Solo un
23% fueron positivos, y un 35% neutros. Este resultado es alarmante, considerando que las redes
sociales son el canal de información preferido por los consumidores (Figura 3). La percepción
negativa actúa como un antimarketing, alejando a potenciales clientes y erosionando la imagen
de marca. La necesidad de una estrategia de contenido profesional, dinámica y atractiva es una de
las conclusiones más urgentes del estudio.
Figura 6
Jerarquía de temas solicitadas
La figura 6, derivada del modelado de tópicos con NLP, revela lo que los clientes
potenciales realmente quieren ver en las redes sociales de La Roca. El contenido visual (fotos y
videos de productos aplicados, tutoriales, diseños) es, con diferencia, la demanda más fuerte
(32%). Le siguen las promociones y precios (28%) y la información técnica sobre las propiedades
necesidad imperiosa. La ausencia de una presencia digital sólida y atractiva explica, en gran
medida, el bajo conocimiento de marca identificado en la Figura 1.
Figura 5
Percepción de experiencias en redes sociales de La Roca
La figura 5 cuantifica la pobre experiencia digital que los usuarios perciben en las redes
sociales de La Roca. El 42% de los comentarios se clasificaron como negativos, asociados a
términos como "aburrido", "falta creatividad", "poca información" y "desactualizado". Solo un
23% fueron positivos, y un 35% neutros. Este resultado es alarmante, considerando que las redes
sociales son el canal de información preferido por los consumidores (Figura 3). La percepción
negativa actúa como un antimarketing, alejando a potenciales clientes y erosionando la imagen
de marca. La necesidad de una estrategia de contenido profesional, dinámica y atractiva es una de
las conclusiones más urgentes del estudio.
Figura 6
Jerarquía de temas solicitadas
La figura 6, derivada del modelado de tópicos con NLP, revela lo que los clientes
potenciales realmente quieren ver en las redes sociales de La Roca. El contenido visual (fotos y
videos de productos aplicados, tutoriales, diseños) es, con diferencia, la demanda más fuerte
(32%). Le siguen las promociones y precios (28%) y la información técnica sobre las propiedades
Vol. 13/ Núm. 2 2026 pág. 1264
de la piedra (18%). Estos resultados ofrecen una hoja de ruta clara para la estrategia de contenidos:
publicar regularmente imágenes de alta calidad mostrando proyectos reales, ofrecer transparencia
en precios y promociones, y educar al mercado sobre las ventajas de la piedra natural. Ignorar
estas demandas es continuar con el ciclo de percepción negativa evidenciado en la figura 5.
Figura 7
Conocimiento de beneficios del servicio
La figura 7 revela un profundo desconocimiento del mercado sobre las ventajas de la piedra
natural. El 64% de los encuestados no conoce sus beneficios (durabilidad, propiedades aislantes,
sostenibilidad, bajo mantenimiento). Este hallazgo representa una oportunidad estratégica de gran
magnitud. Mientras que la competencia se enfoca en guerras de precios, La Roca podría
posicionarse como un referente educativo, creando contenido que explique por qué la piedra
natural es una opción superior, especialmente en un contexto de creciente conciencia ambiental
(ADEN Business Magazine, 2024). Una estrategia de marketing de contenidos basada en la
educación del consumidor podría diferenciar radicalmente a la marca y justificar un precio
premium.
Figura 8
Distribución del contacto con asesores comerciales
La figura 8 es, quizás, la más reveladora de todo el estudio. Un 93.6% de los
encuestados nunca ha tenido contacto con un asesor comercial de La Roca. Esto indica que el
de la piedra (18%). Estos resultados ofrecen una hoja de ruta clara para la estrategia de contenidos:
publicar regularmente imágenes de alta calidad mostrando proyectos reales, ofrecer transparencia
en precios y promociones, y educar al mercado sobre las ventajas de la piedra natural. Ignorar
estas demandas es continuar con el ciclo de percepción negativa evidenciado en la figura 5.
Figura 7
Conocimiento de beneficios del servicio
La figura 7 revela un profundo desconocimiento del mercado sobre las ventajas de la piedra
natural. El 64% de los encuestados no conoce sus beneficios (durabilidad, propiedades aislantes,
sostenibilidad, bajo mantenimiento). Este hallazgo representa una oportunidad estratégica de gran
magnitud. Mientras que la competencia se enfoca en guerras de precios, La Roca podría
posicionarse como un referente educativo, creando contenido que explique por qué la piedra
natural es una opción superior, especialmente en un contexto de creciente conciencia ambiental
(ADEN Business Magazine, 2024). Una estrategia de marketing de contenidos basada en la
educación del consumidor podría diferenciar radicalmente a la marca y justificar un precio
premium.
Figura 8
Distribución del contacto con asesores comerciales
La figura 8 es, quizás, la más reveladora de todo el estudio. Un 93.6% de los
encuestados nunca ha tenido contacto con un asesor comercial de La Roca. Esto indica que el
Vol. 13/ Núm. 2 2026 pág. 1265
proceso de ventas es completamente pasivo y reactivo. La empresa espera a que los clientes la
encuentren, en lugar de salir a buscarlos. En un mercado competitivo, esta pasividad es una
sentencia de muerte comercial. Este hallazgo justifica con creces la propuesta de implementar un
sistema CRM para la gestión de leads, automatizar el contacto inicial mediante chatbots y
desarrollar una fuerza de ventas proactiva que realice prospección y seguimiento (Chaffey &
Ellis-Chadwick, 2019). Es el área con mayor potencial de mejora inmediata.
Figura 9
Preferencia de lugar de compra
La figura 9 muestra que los consumidores prefieren abrumadoramente los
canales especializados y físicos para la compra de productos de construcción y decoración.
Las tiendas especializadas (48%) y las ferreterías (35%) concentran la mayor parte de las
preferencias. Las compras en línea (22%) son una opción complementaria, pero no mayoritaria.
Para La Roca, esto implica que una estrategia de distribución omnicanal es clave. No basta con
tener una buena página web; es fundamental fortalecer la presencia en los puntos de venta físicos
donde el cliente decide. Esto podría implicar alianzas estratégicas con cadenas de ferreterías, la
apertura de showrooms propios en zonas estratégicas, o la capacitación al personal de ventas en
estos canales para que sean embajadores de la marca.
Síntesis del Diagnóstico: Oportunidades para IA
Tabla 4
Hallazgos Clave de la Encuesta de Mercado (n=1,527)
Dimensión Hallazgo Principal Dato Relevante
Conocimiento de
Marca
Bajo reconocimiento de la
marca
60.2% NO ha escuchado sobre "La
Roca"
Uso de Piedra
Natural
Alta conversión entre
quienes conocen la marca
Del 39.8% que sí la conoce, el 68%
ha utilizado sus productos
proceso de ventas es completamente pasivo y reactivo. La empresa espera a que los clientes la
encuentren, en lugar de salir a buscarlos. En un mercado competitivo, esta pasividad es una
sentencia de muerte comercial. Este hallazgo justifica con creces la propuesta de implementar un
sistema CRM para la gestión de leads, automatizar el contacto inicial mediante chatbots y
desarrollar una fuerza de ventas proactiva que realice prospección y seguimiento (Chaffey &
Ellis-Chadwick, 2019). Es el área con mayor potencial de mejora inmediata.
Figura 9
Preferencia de lugar de compra
La figura 9 muestra que los consumidores prefieren abrumadoramente los
canales especializados y físicos para la compra de productos de construcción y decoración.
Las tiendas especializadas (48%) y las ferreterías (35%) concentran la mayor parte de las
preferencias. Las compras en línea (22%) son una opción complementaria, pero no mayoritaria.
Para La Roca, esto implica que una estrategia de distribución omnicanal es clave. No basta con
tener una buena página web; es fundamental fortalecer la presencia en los puntos de venta físicos
donde el cliente decide. Esto podría implicar alianzas estratégicas con cadenas de ferreterías, la
apertura de showrooms propios en zonas estratégicas, o la capacitación al personal de ventas en
estos canales para que sean embajadores de la marca.
Síntesis del Diagnóstico: Oportunidades para IA
Tabla 4
Hallazgos Clave de la Encuesta de Mercado (n=1,527)
Dimensión Hallazgo Principal Dato Relevante
Conocimiento de
Marca
Bajo reconocimiento de la
marca
60.2% NO ha escuchado sobre "La
Roca"
Uso de Piedra
Natural
Alta conversión entre
quienes conocen la marca
Del 39.8% que sí la conoce, el 68%
ha utilizado sus productos
Vol. 13/ Núm. 2 2026 pág. 1266
Dimensión Hallazgo Principal Dato Relevante
Preferencia de
Producto por Edad
Segmentación etaria clara
(χ², p<0.01)
18-34 años: 67% prefieren
decoración; +50 años: 79%
prefieren revestimientos
Percepción de
Marca Imagen dual
Positivo: "Calidad", "Durable",
"Elegancia"; Negativo: "Cárcel",
"Actor"
Canales de
Información
Dominio de canales
digitales
Redes Sociales (45%), Sitio Web
(31%)
Experiencia en
Redes Sociales Contenido poco atractivo 42% de comentarios negativos
(análisis de sentimiento)
Contacto con Asesor Proceso de ventas pasivo 93.6% NO ha tenido contacto con
asesor
Conocimiento de
Beneficios
Desconocimiento de
ventajas de la piedra 64% desconoce sus beneficios
Nota. Elaborada a partir de los resultados de la encuesta aplicada. El análisis de sentimiento se realizó con un modelo
de NLP basado en BERT.
Si la empresa está operando con márgenes de utilidad críticos (menores al 1.5%), es
fundamental ir más allá y realizar un análisis de sensibilidad adaptado al mercado nacional. Este
análisis debe contrastar los costos de implementación local (licencias de ERP, sensores IoT y
consultoría especializada) frente a los ahorros esperados en mantenimiento y logística, evaluando
el punto de equilibrio en diferentes escenarios de demanda. Integrar este modelo financiero
permitirá a la dirección de 'La Roca' asegurar la viabilidad de la transformación digital incluso
durante etapas de estacionalidad baja de ingresos identificados en el primer trimestre del año, para
garantizar que la inversión en IA no comprometa la liquidez operativa de la organización.
Tabla 5
Análisis de Brechas y Oportunidades para la Implementación de IA
Perspectiva Debilidad/Problema Aplicación de IA
Propuesta
Beneficio Esperado
(KPI)
Financiera
Bajos márgenes
(<1.5%). Alta
estacionalidad
Análisis
Predictivo de
Ventas
Aumento del margen
neto al 5% en 2 años.
Reducción del 10-15%
en costos de inventario
Dimensión Hallazgo Principal Dato Relevante
Preferencia de
Producto por Edad
Segmentación etaria clara
(χ², p<0.01)
18-34 años: 67% prefieren
decoración; +50 años: 79%
prefieren revestimientos
Percepción de
Marca Imagen dual
Positivo: "Calidad", "Durable",
"Elegancia"; Negativo: "Cárcel",
"Actor"
Canales de
Información
Dominio de canales
digitales
Redes Sociales (45%), Sitio Web
(31%)
Experiencia en
Redes Sociales Contenido poco atractivo 42% de comentarios negativos
(análisis de sentimiento)
Contacto con Asesor Proceso de ventas pasivo 93.6% NO ha tenido contacto con
asesor
Conocimiento de
Beneficios
Desconocimiento de
ventajas de la piedra 64% desconoce sus beneficios
Nota. Elaborada a partir de los resultados de la encuesta aplicada. El análisis de sentimiento se realizó con un modelo
de NLP basado en BERT.
Si la empresa está operando con márgenes de utilidad críticos (menores al 1.5%), es
fundamental ir más allá y realizar un análisis de sensibilidad adaptado al mercado nacional. Este
análisis debe contrastar los costos de implementación local (licencias de ERP, sensores IoT y
consultoría especializada) frente a los ahorros esperados en mantenimiento y logística, evaluando
el punto de equilibrio en diferentes escenarios de demanda. Integrar este modelo financiero
permitirá a la dirección de 'La Roca' asegurar la viabilidad de la transformación digital incluso
durante etapas de estacionalidad baja de ingresos identificados en el primer trimestre del año, para
garantizar que la inversión en IA no comprometa la liquidez operativa de la organización.
Tabla 5
Análisis de Brechas y Oportunidades para la Implementación de IA
Perspectiva Debilidad/Problema Aplicación de IA
Propuesta
Beneficio Esperado
(KPI)
Financiera
Bajos márgenes
(<1.5%). Alta
estacionalidad
Análisis
Predictivo de
Ventas
Aumento del margen
neto al 5% en 2 años.
Reducción del 10-15%
en costos de inventario
Vol. 13/ Núm. 2 2026 pág. 1267
Perspectiva Debilidad/Problema Aplicación de IA
Propuesta
Beneficio Esperado
(KPI)
(ADEN Business
Magazine, 2024)
Clientes
Bajo conocimiento de
marca (60%).
Marketing ineficaz
Personalización y
Segmentación de
Marketing.
Chatbot 24/7
Aumento del 20% en
tráfico web y del 15%
en tasa de conversión
de leads (Chaffey &
Ellis-Chadwick, 2019)
Producción
Gestión empírica de
inventarios. Sin
mantenimiento
predictivo
Mantenimiento
Predictivo de
Maquinaria CNC
Reducción del 20-30%
en tiempo de
inactividad no
planificado (Fortune
Business Insights,
2025)
Logística
Ineficiencia en cadena
de suministro.
Proveedores informales
Optimización de la
Cadena de
Suministro
Reducción del 15% en
costos de transporte y
mejora del 20% en
puntualidad (Ivanov,
2021)
Aprendizaje
Falta de cultura de
innovación y análisis
de datos
Sistema de
Gestión del
Conocimiento.
Capacitación
Número de ideas
implementadas al año.
% de personal
capacitado (Saup et
al., 2026)
Sostenibilidad
Desconocimiento de
beneficios ambientales.
Residuos no
optimizados
Gestión
Inteligente de
Residuos (Visión
por Computador)
Reducción del 10% en
desperdicio de materia
prima (ADEN
Business Magazine,
2024)
Nota. Elaboración propia a partir del análisis de brechas y la revisión de la literatura especializada.
Perspectiva Debilidad/Problema Aplicación de IA
Propuesta
Beneficio Esperado
(KPI)
(ADEN Business
Magazine, 2024)
Clientes
Bajo conocimiento de
marca (60%).
Marketing ineficaz
Personalización y
Segmentación de
Marketing.
Chatbot 24/7
Aumento del 20% en
tráfico web y del 15%
en tasa de conversión
de leads (Chaffey &
Ellis-Chadwick, 2019)
Producción
Gestión empírica de
inventarios. Sin
mantenimiento
predictivo
Mantenimiento
Predictivo de
Maquinaria CNC
Reducción del 20-30%
en tiempo de
inactividad no
planificado (Fortune
Business Insights,
2025)
Logística
Ineficiencia en cadena
de suministro.
Proveedores informales
Optimización de la
Cadena de
Suministro
Reducción del 15% en
costos de transporte y
mejora del 20% en
puntualidad (Ivanov,
2021)
Aprendizaje
Falta de cultura de
innovación y análisis
de datos
Sistema de
Gestión del
Conocimiento.
Capacitación
Número de ideas
implementadas al año.
% de personal
capacitado (Saup et
al., 2026)
Sostenibilidad
Desconocimiento de
beneficios ambientales.
Residuos no
optimizados
Gestión
Inteligente de
Residuos (Visión
por Computador)
Reducción del 10% en
desperdicio de materia
prima (ADEN
Business Magazine,
2024)
Nota. Elaboración propia a partir del análisis de brechas y la revisión de la literatura especializada.
Vol. 13/ Núm. 2 2026 pág. 1268
Figura 10
Priorización de oportunidades IA
Tamaño de la burbuja ∝ Inversión estimada
Nota. Gráfico de burbujas que posiciona las seis oportunidades de IA identificadas según su impacto esperado (eje X)
y la facilidad de implementación (eje Y). El tamaño de la burbuja es proporcional a la inversión estimada. Elaboración
propia a partir del análisis de brechas y la revisión de la literatura.
La figura 10 sintetiza las conclusiones del estudio en una herramienta visual para la toma
de decisiones estratégicas. Las oportunidades se posicionan en cuatro cuadrantes:
• Alta prioridad (superior derecha): Proyectos de alto impacto y fácil implementación.
Aquí se sitúa el marketing predictivo y la automatización de ventas (chatbots) , que
abordan directamente los problemas de bajo conocimiento de marca y contacto comercial
identificados en las Figuras 1, 3, 4 y 7.
• Oportunidades estratégicas (inferior derecha): Proyectos de alto impacto pero que
requieren una inversión y planificación más complejas. El mantenimiento predictivo y
la optimización de la cadena de suministro se ubican aquí, ya que abordan las
ineficiencias operativas (bajos márgenes, estacionalidad) evidenciadas en la Figura 9 y
en la Tabla 1.
• Proyectos de menor urgencia (superior izquierda): La gestión inteligente de residuos y
la cultura de innovación son importantes, pero su impacto es de mediano plazo y
dependen de fases previas de digitalización.
• Esta matriz proporciona una hoja de ruta clara y priorizada para la transformación digital
de la empresa, alineando las inversiones con las necesidades más críticas identificadas en
el diagnóstico.
La triangulación de los resultados permite construir un diagnóstico integral de La Roca
CLR S.A. La empresa posee un claro potencial productivo y una base de clientes leales que
valoran la calidad de sus productos (Figura 1). Sin embargo, este potencial se ve gravemente
Figura 10
Priorización de oportunidades IA
Tamaño de la burbuja ∝ Inversión estimada
Nota. Gráfico de burbujas que posiciona las seis oportunidades de IA identificadas según su impacto esperado (eje X)
y la facilidad de implementación (eje Y). El tamaño de la burbuja es proporcional a la inversión estimada. Elaboración
propia a partir del análisis de brechas y la revisión de la literatura.
La figura 10 sintetiza las conclusiones del estudio en una herramienta visual para la toma
de decisiones estratégicas. Las oportunidades se posicionan en cuatro cuadrantes:
• Alta prioridad (superior derecha): Proyectos de alto impacto y fácil implementación.
Aquí se sitúa el marketing predictivo y la automatización de ventas (chatbots) , que
abordan directamente los problemas de bajo conocimiento de marca y contacto comercial
identificados en las Figuras 1, 3, 4 y 7.
• Oportunidades estratégicas (inferior derecha): Proyectos de alto impacto pero que
requieren una inversión y planificación más complejas. El mantenimiento predictivo y
la optimización de la cadena de suministro se ubican aquí, ya que abordan las
ineficiencias operativas (bajos márgenes, estacionalidad) evidenciadas en la Figura 9 y
en la Tabla 1.
• Proyectos de menor urgencia (superior izquierda): La gestión inteligente de residuos y
la cultura de innovación son importantes, pero su impacto es de mediano plazo y
dependen de fases previas de digitalización.
• Esta matriz proporciona una hoja de ruta clara y priorizada para la transformación digital
de la empresa, alineando las inversiones con las necesidades más críticas identificadas en
el diagnóstico.
La triangulación de los resultados permite construir un diagnóstico integral de La Roca
CLR S.A. La empresa posee un claro potencial productivo y una base de clientes leales que
valoran la calidad de sus productos (Figura 1). Sin embargo, este potencial se ve gravemente
Vol. 13/ Núm. 2 2026 pág. 1269
limitado por una gestión basada en la intuición, procesos manuales y una desconexión casi total
con el cliente en el mundo digital.
El bajísimo conocimiento de marca (60.2% de desconocimiento, Figura 1) y la experiencia
digital pobre (42% de comentarios negativos, Figura 4) contrastan fuertemente con la aspiración
de liderazgo en el mercado. Este hallazgo es consistente con la literatura que señala la adopción
de tecnologías de marketing digital como un diferenciador crítico para las PYMES (Verhoef et
al., 2021). La IA, a través del marketing predictivo, permite abordar este problema de manera
eficiente: mediante el análisis de los datos de la propia encuesta, se pueden crear modelos
de clustering para segmentar a la audiencia (Figura 2) y desplegar campañas publicitarias
hiperpersonalizadas en redes sociales, optimizando la inversión y aumentando la tasa de
conversión (Chaffey & Ellis-Chadwick, 2019).
La baja rentabilidad (márgenes <1.5%, Tabla 1) y la alta estacionalidad (Figura 9) son
síntomas clásicos de una producción que no se anticipa a la demanda. La implementación de un
sistema de pronóstico de ventas basado en machine learning (utilizando los datos históricos de
2019-2022) permitiría a la empresa planificar su producción, compras y gestión de inventarios
con mayor precisión. Esta capacidad predictiva es fundamental para suavizar los picos de trabajo,
reducir los costos de producción y minimizar el riesgo de desabastecimiento o sobreproducción,
tal como lo sugieren los reportes de mercado sobre optimización de la cadena de suministro
(ADEN Business Magazine, 2024; Taylor & Letham, 2018).
Quizás el hallazgo más revelador es el contraste entre la informalidad de procesos críticos
(abastecimiento de minas, logística) y el potencial de la Industria 4.0. Mientras que a nivel global
las empresas están adoptando el mantenimiento predictivo para reducir el downtime en un 30%
(Fortune Business Insights, 2025), La Roca aún opera con "acuerdos verbales". Este abismo
tecnológico, sin embargo, representa una oportunidad de "salto de rana" (leapfrogging).
Implementar un sistema de gestión de la cadena de suministro basado en la nube, aunque requiera
una inversión inicial, podría formalizar y optimizar estos procesos de manera inmediata (Ivanov,
2021).
Un punto crítico que emerge y es consistente con la literatura es la dependencia de los
datos. Sin registros históricos confiables y sistematizados, no es posible alimentar los algoritmos
de IA . La empresa tiene una debilidad estructural en este aspecto ("No hay registros
consolidados"). Por lo tanto, la digitalización a través de un sistema ERP no es solo una
recomendación, sino el prerrequisito indispensable para cualquier iniciativa de IA .
CONCLUSIONES
Diagnóstico Integral Validado: La combinación de análisis estratégico, financiero,
operativo y de mercado, potenciado por herramientas de IA (NLP, Prophet), ha permitido
limitado por una gestión basada en la intuición, procesos manuales y una desconexión casi total
con el cliente en el mundo digital.
El bajísimo conocimiento de marca (60.2% de desconocimiento, Figura 1) y la experiencia
digital pobre (42% de comentarios negativos, Figura 4) contrastan fuertemente con la aspiración
de liderazgo en el mercado. Este hallazgo es consistente con la literatura que señala la adopción
de tecnologías de marketing digital como un diferenciador crítico para las PYMES (Verhoef et
al., 2021). La IA, a través del marketing predictivo, permite abordar este problema de manera
eficiente: mediante el análisis de los datos de la propia encuesta, se pueden crear modelos
de clustering para segmentar a la audiencia (Figura 2) y desplegar campañas publicitarias
hiperpersonalizadas en redes sociales, optimizando la inversión y aumentando la tasa de
conversión (Chaffey & Ellis-Chadwick, 2019).
La baja rentabilidad (márgenes <1.5%, Tabla 1) y la alta estacionalidad (Figura 9) son
síntomas clásicos de una producción que no se anticipa a la demanda. La implementación de un
sistema de pronóstico de ventas basado en machine learning (utilizando los datos históricos de
2019-2022) permitiría a la empresa planificar su producción, compras y gestión de inventarios
con mayor precisión. Esta capacidad predictiva es fundamental para suavizar los picos de trabajo,
reducir los costos de producción y minimizar el riesgo de desabastecimiento o sobreproducción,
tal como lo sugieren los reportes de mercado sobre optimización de la cadena de suministro
(ADEN Business Magazine, 2024; Taylor & Letham, 2018).
Quizás el hallazgo más revelador es el contraste entre la informalidad de procesos críticos
(abastecimiento de minas, logística) y el potencial de la Industria 4.0. Mientras que a nivel global
las empresas están adoptando el mantenimiento predictivo para reducir el downtime en un 30%
(Fortune Business Insights, 2025), La Roca aún opera con "acuerdos verbales". Este abismo
tecnológico, sin embargo, representa una oportunidad de "salto de rana" (leapfrogging).
Implementar un sistema de gestión de la cadena de suministro basado en la nube, aunque requiera
una inversión inicial, podría formalizar y optimizar estos procesos de manera inmediata (Ivanov,
2021).
Un punto crítico que emerge y es consistente con la literatura es la dependencia de los
datos. Sin registros históricos confiables y sistematizados, no es posible alimentar los algoritmos
de IA . La empresa tiene una debilidad estructural en este aspecto ("No hay registros
consolidados"). Por lo tanto, la digitalización a través de un sistema ERP no es solo una
recomendación, sino el prerrequisito indispensable para cualquier iniciativa de IA .
CONCLUSIONES
Diagnóstico Integral Validado: La combinación de análisis estratégico, financiero,
operativo y de mercado, potenciado por herramientas de IA (NLP, Prophet), ha permitido
Vol. 13/ Núm. 2 2026 pág. 1270
construir un diagnóstico profundo y basado en evidencia de Constructora La Roca CLR S.A. Las
Figuras 1 a 10 y las Tablas 1 a 4 sintetizan los hallazgos clave.
Potencial Transformador de la IA: Se han identificado seis áreas de aplicación de IA con
alto potencial de impacto (Tabla 4), que abordan desde la eficiencia operativa (mantenimiento
predictivo, optimización de cadena de suministro) hasta el crecimiento comercial (marketing
predictivo, automatización de ventas) y la sostenibilidad (gestión inteligente de residuos).
La Digitalización como Base Ineludible: La principal barrera para la adopción de IA no es
la falta de tecnología, sino la falta de datos estructurados. La implementación de un ERP y la
digitalización de procesos son el paso "cero" y obligatorio.
Modelo Metodológico para PYMES: Este estudio ofrece un modelo metodológico
replicable para que otras PYMES industriales en contextos similares diagnostiquen su madurez
digital y elaboren una hoja de ruta de transformación basada en IA, integrando herramientas de
IA en el propio proceso de diagnóstico.
Recomendaciones
Se recomienda la implementación de una Hoja de Ruta por Fases (basada en Figura 10)
Fase 1: Digitalización y Fundación de Datos (0-12 meses)
Objetivo: Establecer la infraestructura de datos y formalizar procesos.
Acciones:
o Implementar un ERP en la nube (ej. Odoo, SAP Business One) para integrar contabilidad,
compras, ventas e inventarios.
o Digitalizar todos los acuerdos con proveedores (minas) y transportistas, formalizando las
relaciones comerciales.
o Implementar un CRM (ej. HubSpot, Salesforce) para gestionar leads, clientes y automatizar
el seguimiento comercial.
o Instalar sensores IoT básicos (vibración, temperatura) en la maquinaria CNC más crítica.
Fase 2: Optimización y Pilotaje de IA (12-24 meses)
Objetivo: Demostrar el valor de la IA con proyectos piloto y construir capacidades
internas, priorizando las oportunidades de alto impacto y facilidad de implementación (cuadrante
superior derecho de la Figura 10).
Acciones
o Realizar un pilotaje de mantenimiento, utilizando los datos de sensores IoT y algoritmos
de ML en la nube (ej. AWS IoT, Azure Machine Learning) (Fortune Business Insights,
2025).
o Implementar un sistema de pronóstico de ventas con los datos históricos del ERP, usando
modelos de series temporales (Taylor & Letham, 2018; Hyndman & Athanasopoulos,
2021).
construir un diagnóstico profundo y basado en evidencia de Constructora La Roca CLR S.A. Las
Figuras 1 a 10 y las Tablas 1 a 4 sintetizan los hallazgos clave.
Potencial Transformador de la IA: Se han identificado seis áreas de aplicación de IA con
alto potencial de impacto (Tabla 4), que abordan desde la eficiencia operativa (mantenimiento
predictivo, optimización de cadena de suministro) hasta el crecimiento comercial (marketing
predictivo, automatización de ventas) y la sostenibilidad (gestión inteligente de residuos).
La Digitalización como Base Ineludible: La principal barrera para la adopción de IA no es
la falta de tecnología, sino la falta de datos estructurados. La implementación de un ERP y la
digitalización de procesos son el paso "cero" y obligatorio.
Modelo Metodológico para PYMES: Este estudio ofrece un modelo metodológico
replicable para que otras PYMES industriales en contextos similares diagnostiquen su madurez
digital y elaboren una hoja de ruta de transformación basada en IA, integrando herramientas de
IA en el propio proceso de diagnóstico.
Recomendaciones
Se recomienda la implementación de una Hoja de Ruta por Fases (basada en Figura 10)
Fase 1: Digitalización y Fundación de Datos (0-12 meses)
Objetivo: Establecer la infraestructura de datos y formalizar procesos.
Acciones:
o Implementar un ERP en la nube (ej. Odoo, SAP Business One) para integrar contabilidad,
compras, ventas e inventarios.
o Digitalizar todos los acuerdos con proveedores (minas) y transportistas, formalizando las
relaciones comerciales.
o Implementar un CRM (ej. HubSpot, Salesforce) para gestionar leads, clientes y automatizar
el seguimiento comercial.
o Instalar sensores IoT básicos (vibración, temperatura) en la maquinaria CNC más crítica.
Fase 2: Optimización y Pilotaje de IA (12-24 meses)
Objetivo: Demostrar el valor de la IA con proyectos piloto y construir capacidades
internas, priorizando las oportunidades de alto impacto y facilidad de implementación (cuadrante
superior derecho de la Figura 10).
Acciones
o Realizar un pilotaje de mantenimiento, utilizando los datos de sensores IoT y algoritmos
de ML en la nube (ej. AWS IoT, Azure Machine Learning) (Fortune Business Insights,
2025).
o Implementar un sistema de pronóstico de ventas con los datos históricos del ERP, usando
modelos de series temporales (Taylor & Letham, 2018; Hyndman & Athanasopoulos,
2021).
Vol. 13/ Núm. 2 2026 pág. 1271
o Lanzar campañas de marketing digital segmentadas utilizando la data del CRM y los
insights de la encuesta (Figuras 2, 3 y 5) (ej. anuncios en Meta y Google Ads).
o Implementar un chatbot con IA (ej. usando Rasa o Dialogflow) en el sitio web y redes
sociales para la atención inicial al cliente (Chaffey & Ellis-Chadwick, 2019).
Fase 3: Transformación y Escalamiento (+24 meses)
Objetivo: Integrar la IA en los procesos centrales de la empresa, para actuar
estrategicamente en el mejoramiento de estos (cuadrante inferior derecho de la Figura 10).
Acciones:
o Implementar un sistema de visión por computador para el control de calidad y la
optimización de cortes, reduciendo el desperdicio de materia prima (ADEN Business
Magazine, 2024).
o Desarrollar internamente capacidades de ciencia de datos, ya sea mediante la contratación
de un analista o la formación de personal existente (Saup et al., 2026; GII Research, 2025).
Finalmente, se recomienda implementar programas de capacitación continua en 'ciencia de
datos básica' y 'alfabetización en datos' para el personal actual, con el objetivo de pasar de una
gestión basada en la intuición hacia una cultura de toma de decisiones basada en evidencia, para
asegurar que los empleados vean la IA como una herramienta de apoyo que potencia su trabajo
en lugar de reemplazarlo, en base a que se identifica la falta de una fuerza laboral calificada y la
resistencia cultural como las principales barreras para la adopción de IA (41% de los ejecutivos
lo consideran un desafío crítico), por eso es necesario que la transformación no sea solo técnica,
sino humana.
Limitaciones del Estudio
Generalización Geográfica: La encuesta se concentró en Quito y sus alrededores, por lo
que los resultados no son necesariamente generalizables a todo el Ecuador.
1. Replicar esta metodología en otras PYMES industriales de diferentes sectores para
validar y refinar el modelo de diagnóstico y la hoja de ruta de transformación digital.
2. Investigar el desarrollo de soluciones de hardware de bajo costo adaptadas a las
necesidades y presupuesto de las PYMES (GII Research, 2025).
o Lanzar campañas de marketing digital segmentadas utilizando la data del CRM y los
insights de la encuesta (Figuras 2, 3 y 5) (ej. anuncios en Meta y Google Ads).
o Implementar un chatbot con IA (ej. usando Rasa o Dialogflow) en el sitio web y redes
sociales para la atención inicial al cliente (Chaffey & Ellis-Chadwick, 2019).
Fase 3: Transformación y Escalamiento (+24 meses)
Objetivo: Integrar la IA en los procesos centrales de la empresa, para actuar
estrategicamente en el mejoramiento de estos (cuadrante inferior derecho de la Figura 10).
Acciones:
o Implementar un sistema de visión por computador para el control de calidad y la
optimización de cortes, reduciendo el desperdicio de materia prima (ADEN Business
Magazine, 2024).
o Desarrollar internamente capacidades de ciencia de datos, ya sea mediante la contratación
de un analista o la formación de personal existente (Saup et al., 2026; GII Research, 2025).
Finalmente, se recomienda implementar programas de capacitación continua en 'ciencia de
datos básica' y 'alfabetización en datos' para el personal actual, con el objetivo de pasar de una
gestión basada en la intuición hacia una cultura de toma de decisiones basada en evidencia, para
asegurar que los empleados vean la IA como una herramienta de apoyo que potencia su trabajo
en lugar de reemplazarlo, en base a que se identifica la falta de una fuerza laboral calificada y la
resistencia cultural como las principales barreras para la adopción de IA (41% de los ejecutivos
lo consideran un desafío crítico), por eso es necesario que la transformación no sea solo técnica,
sino humana.
Limitaciones del Estudio
Generalización Geográfica: La encuesta se concentró en Quito y sus alrededores, por lo
que los resultados no son necesariamente generalizables a todo el Ecuador.
1. Replicar esta metodología en otras PYMES industriales de diferentes sectores para
validar y refinar el modelo de diagnóstico y la hoja de ruta de transformación digital.
2. Investigar el desarrollo de soluciones de hardware de bajo costo adaptadas a las
necesidades y presupuesto de las PYMES (GII Research, 2025).
Vol. 13/ Núm. 2 2026 pág. 1272
REFERENCIAS
ADEN Business Magazine. (2025). 10 Tendencias de Inteligencia Artificial para Empresas que
se esperan. Recuperado de
https://www.aden.org/business-magazine/10-tendencias-de-inteligencia-artificial-para-
empresas-que-se-esperan/
Álava Naranjo, E. E., Ruiz Briones, M. G., & Vera Basurto, J. J. (2026). Inteligencia Artificial
Generativa y Toma de Decisiones Estratégicas: Implicaciones para la Eficiencia y
Competitividad en la Gestión Empresarial. Ibero Ciencias - Revista Científica y
Académica, 5(1), 3362-3374. https://doi.org/10.63371/ic.v5.n1.a833
American Psychological Association. (2020). Publication manual of the American Psychological
Association (7th ed.).
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future.
W. W. Norton & Company.
Chaffey, D., & Ellis-Chadwick, F. (2019). Digital marketing: strategy, implementation and
practice. Pearson UK.
Denzin, N. K. (1978). The research act: A theoretical introduction to sociological methods (2nd
ed.). McGraw-Hill.
Dwivedi, Y., Kshetri, N., Hughes, L., Slade, E., Jeyaraj, A., & Kar, A. (2023). Generative AI:
Opportunities, challenges, and implications for business and society. International Journal
of Information Management, 71, 102642.
ESADE. (2025). El futuro de la IA en las empresas. Beyond ESADE. Recuperado de
https://dobetter.esade.edu/es/ia-empresas-transformacion
Fetters, M. D., Curry, L. A., & Creswell, J. W. (2013). Achieving integration in mixed methods
designs—principles and practices. Health services research, 48(6pt2), 2134-2156.
Fortune Business Insights. (2025). *Predictive Maintenance Market Size, Share & Industry
Analysis, 2025-2032*.
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: principles and practice (3rd ed.).
OTexts.
Ivanov, D. (2021). Introduction to supply chain resilience: management, modelling, technology.
Springer Nature.
Kotler, P., & Keller, K. L. (2016). Dirección de marketing (15ª ed.). Pearson.
Porter, M. E., & Heppelmann, J. E. (2014). How smart, connected products are transforming
competition. Harvard Business Review, 92(11), 64-88.
REFERENCIAS
ADEN Business Magazine. (2025). 10 Tendencias de Inteligencia Artificial para Empresas que
se esperan. Recuperado de
https://www.aden.org/business-magazine/10-tendencias-de-inteligencia-artificial-para-
empresas-que-se-esperan/
Álava Naranjo, E. E., Ruiz Briones, M. G., & Vera Basurto, J. J. (2026). Inteligencia Artificial
Generativa y Toma de Decisiones Estratégicas: Implicaciones para la Eficiencia y
Competitividad en la Gestión Empresarial. Ibero Ciencias - Revista Científica y
Académica, 5(1), 3362-3374. https://doi.org/10.63371/ic.v5.n1.a833
American Psychological Association. (2020). Publication manual of the American Psychological
Association (7th ed.).
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future.
W. W. Norton & Company.
Chaffey, D., & Ellis-Chadwick, F. (2019). Digital marketing: strategy, implementation and
practice. Pearson UK.
Denzin, N. K. (1978). The research act: A theoretical introduction to sociological methods (2nd
ed.). McGraw-Hill.
Dwivedi, Y., Kshetri, N., Hughes, L., Slade, E., Jeyaraj, A., & Kar, A. (2023). Generative AI:
Opportunities, challenges, and implications for business and society. International Journal
of Information Management, 71, 102642.
ESADE. (2025). El futuro de la IA en las empresas. Beyond ESADE. Recuperado de
https://dobetter.esade.edu/es/ia-empresas-transformacion
Fetters, M. D., Curry, L. A., & Creswell, J. W. (2013). Achieving integration in mixed methods
designs—principles and practices. Health services research, 48(6pt2), 2134-2156.
Fortune Business Insights. (2025). *Predictive Maintenance Market Size, Share & Industry
Analysis, 2025-2032*.
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: principles and practice (3rd ed.).
OTexts.
Ivanov, D. (2021). Introduction to supply chain resilience: management, modelling, technology.
Springer Nature.
Kotler, P., & Keller, K. L. (2016). Dirección de marketing (15ª ed.). Pearson.
Porter, M. E., & Heppelmann, J. E. (2014). How smart, connected products are transforming
competition. Harvard Business Review, 92(11), 64-88.
Vol. 13/ Núm. 2 2026 pág. 1273
Saup, T., Asghar, J., Kanbach, D., & Kraus, S. (2026). From pilots to decision systems:
embedding generative AI into strategic decision-making through a socio-technical and
governance lens. Journal of Decision Systems, 35(1), 1-31.
Schwab, K. (2016). La cuarta revolución industrial. Debate.
Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37-45.
Verhoef, P., Broekhuizen, T., Bart, Y., Bhattacharya, A., & Qi Dong, J. (2021). Digital
transformation: A multidisciplinary reflection and research agenda. Journal of Business
Research, 122, 889-901.
Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th ed.). Sage
Publications.
Saup, T., Asghar, J., Kanbach, D., & Kraus, S. (2026). From pilots to decision systems:
embedding generative AI into strategic decision-making through a socio-technical and
governance lens. Journal of Decision Systems, 35(1), 1-31.
Schwab, K. (2016). La cuarta revolución industrial. Debate.
Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37-45.
Verhoef, P., Broekhuizen, T., Bart, Y., Bhattacharya, A., & Qi Dong, J. (2021). Digital
transformation: A multidisciplinary reflection and research agenda. Journal of Business
Research, 122, 889-901.
Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th ed.). Sage
Publications.