Convergencia entre Inteligencia Empresarial e Inteligencia Artificial: un modelo conceptual para la toma de decisiones

• Resumen
• Abstract

La convergencia entre Business Intelligence (BI) e Inteligencia Artificial (IA) transforma la toma de decisiones organizacionales; sin embargo, la literatura permanece fragmentada en múltiples disciplinas sin una visión integradora. El objetivo de este artículo consistió en sistematizar la evidencia científica sobre dicha convergencia y proponer un modelo conceptual que explique su impacto en la calidad decisional. Los autores realizaron una revisión sistemática en Scopus mediante un protocolo de identificación, cribado y elegibilidad que partió de 262 registros y culminó en una muestra de 20 estudios publicados entre 2021 y 2026. Los resultados revelan una amplia heterogeneidad tecnológica, desde el aprendizaje automático clásico hasta la IA explicable y los grafos de conocimiento, con aplicación principal en manufactura, cadena de suministro y banca. Los beneficios incluyen mayor precisión predictiva y reducciones de tiempo operativo superiores al 40%; los desafíos principales son de naturaleza organizacional: costo de implementación, escasez de talento, gobernanza de datos y alineación humano-IA. Se concluye que el "BI aumentado" mejora la calidad decisional de forma condicionada por la gobernanza de datos, la gestión del conocimiento y la alineación humano-IA, y no de manera automática. El modelo conceptual integrador propuesto constituye el principal aporte de esta revisión.

The convergence between Business Intelligence (BI) and Artificial Intelligence (AI) is transforming organizational decision-making; however, the literature remains fragmented across multiple disciplines without an integrative vision. The objective of this article was to systematize the scientific evidence regarding this convergence and to propose a conceptual model that explains its impact on decisional quality. The authors conducted a systematic review in Scopus using an identification, screening, and eligibility protocol that began with 262 records and culminated in a sample of 20 studies published between 2021 and 2026. The results reveal extensive technological heterogeneity—ranging from classical machine learning to explainable AI (XAI) and knowledge graphs—with primary applications in manufacturing, supply chain, and banking. Benefits include enhanced predictive accuracy and operational time reductions exceeding 40%; however, the main challenges are organizational in nature: implementation costs, talent shortages, data governance, and human-AI alignment. The study concludes that "Augmented BI" improves decisional quality not automatically, but rather through a process moderated by data governance, knowledge management, and human-AI alignment. The proposed integrative conceptual model constitutes the primary contribution of this review.