Brechas Territoriales en la Adopción de Inteligencia Artificial en MiPyMEs: Un Análisis Comparativo entre Oaxaca y Puebla

Palabras clave: inteligencia artificial, MiPyMEs, brechas territoriales

Resumen

La Inteligencia Artificial (IA) se ha consolidado como una tecnología clave para la transformación digital y la competitividad empresarial; sin embargo, su adopción en las micro, pequeñas y medianas empresas (MiPyMEs) de países en desarrollo continúa siendo limitada y territorialmente desigual. El objetivo de este artículo es analizar comparativamente la adopción de la Inteligencia Artificial en las MiPyMEs de las capitales de Oaxaca y Puebla, identificando brechas territoriales asociadas a capacidades digitales, organizacionales y culturales. La investigación adopta un enfoque mixto con predominio cuantitativo, de alcance descriptivo–comparativo y diseño no experimental transversal. La recolección de datos se realizó mediante un cuestionario estructurado aplicado a una muestra de 20 MiPyMEs (10 en Oaxaca y 10 en Puebla), cuyos datos fueron analizados mediante estadística descriptiva y análisis comparativo. Los resultados muestran que, aunque la adopción de la IA es incipiente en ambos contextos, las MiPyMEs de Puebla presentan condiciones relativamente más favorables, reflejadas en una mayor aceptación, uso más frecuente en actividades empresariales y mayor disposición a invertir en capacitación. En contraste, en Oaxaca la IA permanece mayormente subutilizada, influida por limitaciones en el capital humano, la capacitación continua y la percepción de la tecnología como gasto más que como inversión estratégica. Se concluye que las brechas territoriales no responden a diferencias extremas, sino a la acumulación de desventajas moderadas que condicionan el aprovechamiento efectivo de la IA. El estudio aporta evidencia empírica relevante para el diseño de estrategias diferenciadas de promoción tecnológica, sensibles al contexto territorial de las MiPyMEs.

Descargas

La descarga de datos todavía no está disponible.

Citas

Aguirre-Contreras, D., Ceja-Pizano, J. J., & Pineda-Domínguez, D. (2020).

Inteligencia artificial como alternativa de desarrollo de las PyMES mexicanas. En XVII Congreso de la Red Internacional de Investigadores en Competitividad (pp. 1–18).

Red Internacional de Investigadores en Competitividad.

Cea, D'ancona. (1996). Metodología cuantitativa. Estrategias y técnicas de investigación social. Síntesis.

Feuer, M. J., Towne, L. y Shavelson, R. J. (2002). Scientific culture and educational research. Educational Researcher, 31 (8), 4-14. https://journals.sagepub.com/doi/10.3102/0013189X031008004

Fontana, A., & Frey, J. H. (1994). Interviewing: The art of science. En N. K. Denzin & Y. S. Lincoln (Eds.), Handbook of qualitative research (pp. 361–376). Sage Publications. https://jan.ucc.nau.edu/~pms/cj355/readings/fontana%26frey.pdf

Gutiérrez Navas, E. B., Sarmiento Suárez, J. E., Ramírez Montañez, J., & Rincón Quintero, Y. A. (2025).

Determining factors for the digitization of micro, small, and medium-sized enterprises (MSMEs) in Ibero-America. Journal of Innovation & Knowledge, 10, 100631.

https://doi.org/10.1016/j.jik.2024.100631

Hernández S. (2014). Metodología de la investigación, Sexta edición, Mc Graw-Hill/Interamericana editores S.A. de C.V. México. https://apiperiodico.jalisco.gob.mx/api/sites/periodicooficial.jalisco.gob.mx/files/metodologia_de_la_investigacion_-_roberto_hernandez_sampieri.pdf

Instituto Nacional de Estadística y Geografía (INEGI). (2020). Censo de población y vivienda 2020: Resultados definitivos. https://www.inegi.org.mx

Instituto Nacional de Estadística y Geografía (INEGI). (2025). A propósito del Día de las Micro, Pequeñas y Medianas Empresas (27 de junio). Instituto Nacional de Estadística y Geografía.

https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2025/EAP_MIPYMES_25.pdf

Kulkarni, A. V., Joseph, S., & Patil, K. P. (2024). Artificial intelligence technology readiness for social sustainability and business ethics: Evidence from MSMEs in developing nations. International Journal of Information Management Data Insights, 4, 100250. https://doi.org/10.1016/j.jjimei.2024.100250

Newman, M. (2002). Assortative Mixing in Networks. Magazine Physical review letters. Vol 89 Numero 20. Department of Physics, University of Michigan, Ann Arbor, MI 48109–1120. http://www.uvm.edu/~pdodds/files/papers/others/2002/newman2002a.pdf

Todd, Z., Nerlich, B., y McKeown, S. (2004). Introduction. En Z. Todd, B. Nerlich, S. McKeown y D. Clarke (Eds.), Mixing methods in psychology (pp. 3-16). Hove, East Sussex, UK: Psy-chology Press. https://doi.org/10.4324/9780203645727

Porras Sandoval, M. I., Solano Rosales, G. F., Rincón Montero, R. I., Rodríguez Zúñiga, M. A., & Pérez Esparza, E. (2025). Transformación digital en las PyMEs mexicanas: Un paradigma emergente de la inteligencia artificial para la competitividad empresarial. Ciencia Latina Revista Científica Multidisciplinar, 9(2), 389–410. https://doi.org/10.37811/cl_rcm.v9i2.16847

Publicado
2026-01-23
Cómo citar
Pérez Larrañaga, H., Degyves Ortega, J. J., & Cisneros Vargas, C. E. (2026). Brechas Territoriales en la Adopción de Inteligencia Artificial en MiPyMEs: Un Análisis Comparativo entre Oaxaca y Puebla. Ciencia Latina Revista Científica Multidisciplinar, 9(6), 8363-8381. https://doi.org/10.37811/cl_rcm.v9i6.21965
Sección
Ciencias Administrativas y Finanzas

Artículos más leídos del mismo autor/a