Uso de la inteligencia artificial en la toma de decisiones de la
logística de entrada
Using Artificial Intelligence in Inbound Logistics Decision-Making
Recibido: 10/03/2026 - Aceptado: 15/06/2026
Santos Cleber Vega Luján
https://orcid.org/0000-0001-6952-9365
scvegalu@unitru.edu.pe
Universidad Nacional de Trujillo. Trujillo – Perú
Yoya Betzabé Flores Pérez
https://orcid.org/0000-0001-5194-4448
yflores@unitru.edu.pe
Universidad Nacional de Trujillo. Trujillo – Perú
Silvia Elena Mireille Ypanaque Arteaga
https://orcid.org/0000-0002-1705-1221
seypanaquear@unitru.edu.pe
Universidad Nacional de Trujillo. Trujillo – Perú
Iván Rodrigo Talavera López
https://orcid.org/0009-0000-5681-6330
irtalaveralo@unitru.edu.pe
Universidad Nacional de Trujillo. Trujillo – Perú
Resumen
En entornos empresariales dinámicos, la eficiencia en la toma de decisiones de la logística de entrada se
constituyó como un factor clave para la competitividad organizacional. En este contexto, la inteligencia
artificial (IA) emergió como una herramienta estratégica para optimizar procesos de abastecimiento,
gestión de inventarios y planificación de recursos. El objetivo de la investigación fue analizar la influencia
de la inteligencia artificial en la toma de decisiones de la logística de entrada en una empresa privada de
Chimbote. El estudio se desarrolló bajo un enfoque cuantitativo, con diseño no experimental y alcance
correlacional. La población estuvo conformada por 50 trabajadores, aplicándose un censo poblacional.
Para la recolección de datos se utilizó un cuestionario estructurado con escala tipo Likert de cinco niveles,
cuya confiabilidad alcanzó un Alfa de Cronbach de 0.85. Los resultados evidenciaron que el 40% de los
trabajadores consideró importante la adopción de inteligencia artificial y el 36% la calificó como muy
importante, representando una valoración positiva del 76%. Asimismo, más del 70% percibió mejoras en
la planificación del abastecimiento, gestión de inventarios y optimización de recursos. El análisis inferencial
mostró una relación positiva moderada y significativa entre la inteligencia artificial y la toma de decisiones
logísticas de entrada (ρ = 0.545; p < 0.001). Se concluyó que la implementación de herramientas basadas
en inteligencia artificial contribuyó significativamente a mejorar la eficiencia operativa, reducir la
incertidumbre y fortalecer la gestión del aprovisionamiento.
Palabras clave: Inteligencia artificial, logística de entrada, toma de decisiones logísticas, gestión de
inventarios, eficiencia operativa.
Abstract
In dynamic business environments, efficiency in inbound logistics decision-making emerged as a key factor
for organizational competitiveness. In this context, artificial intelligence (AI) emerged as a strategic tool for
optimizing procurement processes, inventory management, and resource planning. The objective of this
2
study was to analyse the influence of artificial intelligence on inbound logistics decision-making in a private
company located in Chimbote. The research was conducted using a quantitative approach, with a non-
experimental and correlational design. The population consisted of 50 employees, and a census method
was applied. Data were collected through a structured questionnaire using a five-point Likert scale, which
achieved a Cronbach’s alpha coefficient of 0.85, indicating high reliability. The results showed that 40% of
employees considered the adoption of artificial intelligence important, while 36% rated it as very important,
representing an overall positive assessment of 76%. Furthermore, more than 70% of respondents
perceived improvements in supply planning, inventory management, and resource optimization. Inferential
analysis revealed a moderate and statistically significant positive relationship between artificial intelligence
and inbound logistics decision-making (ρ = 0.545; p < 0.001). It was concluded that the implementation of
AI-based tools significantly contributed to improving operational efficiency, reducing uncertainty, and
strengthening procurement management within the organization.
Keywords: artificial intelligence, inbound logistics, logistics decision-making, inventory management,
operational efficiency.
Introducción
La transformación digital se ha consolidado como un eje fundamental en la gestión empresarial,
impulsando la optimización de procesos y una mejor respuesta a entornos dinámicos. En este contexto,
Castro et al. (2025) sostienen que las empresas deben integrar tecnologías emergentes para gestionar
eficientemente sus recursos y fortalecer la toma de decisiones. Asimismo, Lau (2022) señala que la
digitalización favorece la generación de conocimiento organizacional, mientras que Meléndez y Flores
(2022) destacan que estas tecnologías reemplazan enfoques tradicionales basados en la experiencia. De
igual manera, Amoroso et al. (2025) afirman que la complejidad de los mercados impulsa la adopción de
soluciones tecnológicas para mejorar el desempeño empresarial.
La literatura reciente reconoce que las tecnologías inteligentes y la analítica de datos constituyen
elementos esenciales para fortalecer la competitividad organizacional. Culot et al. (2024) afirman que la
transformación digital representa un factor determinante para incrementar la competitividad empresarial.
Asimismo, Kosasih et al. (2024) sostienen que la integración de sistemas inteligentes mejora la eficiencia
de los procesos internos. Por su parte, Silva et al. (2025) destacan que la innovación tecnológica fortalece
la adaptación de las organizaciones frente a escenarios competitivos, mientras que Cannas et al. (2023)
señalan que las herramientas analíticas avanzadas optimizan los procesos de planificación y control.
En América Latina, los procesos de digitalización han avanzado significativamente, aunque
persisten limitaciones estructurales para consolidar sistemas empresariales inteligentes. Moreira y Villao
(2023) sostienen que muchas organizaciones enfrentan restricciones tecnológicas y financieras para
implementar soluciones digitales avanzadas, mientras que Morillo et al. (2020) identifican desafíos
vinculados con la modernización de los procesos de gestión. Asimismo, Dubey et al. (2021) afirman que la
adopción tecnológica es fundamental para fortalecer la resiliencia organizacional. En el contexto peruano,
Sharma y Tomar (2026) señalan que la modernización operativa incrementa la eficiencia empresarial,
mientras que Singh & Pandey (2024) destacan que las tecnologías emergentes optimizan recursos y
fortalecen la gestión organizacional.
La toma de decisiones basada en datos se ha convertido en un componente esencial para mejorar
la eficiencia operativa. Según Striseo (2024), las organizaciones requieren información confiable para
responder oportunamente a los desafíos del entorno. Asimismo, Helo y Hao (2022) señalan que la analítica
de datos permite generar información relevante para la planificación y el control organizacional. De igual
manera, Zhang et al. (2022) sostienen que el análisis de grandes volúmenes de información facilita la
identificación de patrones estratégicos, mientras que Dalain et al. (2025) destacan que las decisiones
sustentadas en evidencia contribuyen a mejorar el desempeño operativo y financiero.
3
En este escenario, la inteligencia artificial ha adquirido un rol determinante en la gestión de la
cadena de suministro. Toorajipour et al. (2021) afirman que esta tecnología permite automatizar procesos
y optimizar recursos mediante algoritmos avanzados. Complementariamente, Hao et al. (2025) destacan
que la gestión basada en información fortalece la competitividad empresarial y mejora la calidad de las
decisiones. Asimismo, Samuels (2025) señala que los modelos predictivos contribuyen a optimizar las
actividades de abastecimiento y control, mientras que Teixeira et al. (2025) sostienen que el aprendizaje
automático favorece una gestión eficiente de inventarios y recursos.
La incorporación de inteligencia artificial en la cadena de suministro también fortalece la capacidad
de respuesta frente a escenarios inciertos. Harrir y Triqui (2025) señalan que las herramientas inteligentes
permiten anticipar riesgos y reducir el impacto de eventos inesperados. Asimismo, Sánchez Cruz (2025)
sostiene que la digitalización fortalece la capacidad de adaptación logística. Por su parte, Zaid et al. (2026)
destacan que la inteligencia artificial contribuye a garantizar la continuidad operativa ante interrupciones
del abastecimiento, fortaleciendo la resiliencia organizacional.
La creciente disponibilidad de información procedente de sistemas empresariales y plataformas
digitales ha favorecido el desarrollo de soluciones inteligentes para la gestión logística. Daios et al. (2025)
destacan que los sistemas inteligentes generan información estratégica para respaldar decisiones
operativas y promover la sostenibilidad organizacional. De igual manera, Jackson et al. (2024) evidencian
que estas herramientas contribuyen a reducir la incertidumbre en entornos dinámicos. Como resultado, las
organizaciones pueden mejorar la eficiencia de sus operaciones y fortalecer los procesos de planificación
y control logístico.
Dentro de este escenario, la logística de entrada adquiere un papel estratégico al integrar
actividades de abastecimiento, gestión de inventarios y coordinación con proveedores. Layode et al. (2024)
sostienen que las herramientas digitales mejoran la coordinación y trazabilidad de los procesos logísticos.
Asimismo, Farro Acosta et al. (2026) destacan que la inteligencia artificial posee un alto potencial para
mejorar la calidad de las decisiones logísticas mediante el análisis de información y la generación de
predicciones más precisas. Estas capacidades permiten optimizar recursos, reducir errores operativos y
mejorar la capacidad de respuesta frente a cambios en la demanda.
La literatura internacional evidencia que la inteligencia artificial mejora significativamente la gestión
de la cadena de suministro al incrementar la eficiencia operativa, optimizar el control de inventarios y
fortalecer la planificación del abastecimiento. En este sentido, Suescum et al. (2025) sostienen que su
aplicación en la logística de entrada permite optimizar procesos como la selección de proveedores, la
gestión de inventarios y la planificación de la demanda. Sin embargo, su adopción aún enfrenta barreras
relacionadas con la resistencia al cambio, la capacitación del personal y las limitaciones de inversión, lo
que evidencia la necesidad de fortalecer las capacidades organizacionales para mejorar la competitividad
empresarial.
En este marco, resulta pertinente analizar la influencia de la inteligencia artificial en la toma de
decisiones de la logística de entrada en una empresa privada, con el fin de generar evidencia empírica que
permita comprender su impacto en la eficiencia operativa y en la optimización de los procesos de
abastecimiento.
El presente estudio se desarrolla bajo un enfoque cuantitativo, con un diseño no experimental y de
alcance correlacional, orientado a examinar la relación entre el uso de herramientas de inteligencia artificial
y la eficiencia en la toma de decisiones logísticas de entrada. La población está conformada por 50
trabajadores de una empresa privada de Chimbote, considerados como muestra de estudio. El objetivo
general es analizar la influencia de la inteligencia artificial en la toma de decisiones de la logística de
entrada, contribuyendo al fortalecimiento de la gestión operativa y a la mejora de la competitividad
empresarial.
4
Metodología
La investigación se desarrolló bajo un enfoque cuantitativo, con diseño no experimental, corte
transversal y alcance correlacional, orientado a analizar la influencia de la inteligencia artificial en la toma
de decisiones de la logística de entrada en una empresa privada de Chimbote. Este enfoque permitió
observar las variables en su contexto natural sin manipulación directa. Toorajipour et al. (2021) señalan
que los estudios cuantitativos son adecuados para examinar relaciones entre variables mediante
procedimientos estadísticos objetivos. Asimismo, Kosasih et al. (2024) destacan que facilitan la medición
de fenómenos organizacionales mediante indicadores observables. De igual manera, Culot et al. (2024) y
Sharma y Tomar (2026) resaltan su utilidad para evaluar procesos de transformación digital y gestión
empresarial.
La población estuvo conformada por 50 trabajadores de una empresa privada vinculada a
actividades logísticas y operativas. Debido al tamaño reducido de la población, se aplicó un censo
poblacional, considerando a todos los colaboradores que cumplían los criterios de selección. Los criterios
de inclusión contemplaron a trabajadores con vínculo laboral vigente, participación directa en procesos de
abastecimiento, compras, almacenamiento, gestión de inventarios o logística de entrada, y una
permanencia mínima de seis meses en la organización. Se excluyó a trabajadores en período de prueba,
personal con licencia prolongada y colaboradores sin participación directa en actividades logísticas.
La técnica de recolección de datos fue la encuesta y el instrumento utilizado fue un cuestionario
estructurado con escala Likert de cinco niveles, donde 1 representó “totalmente en desacuerdo” y 5
“totalmente de acuerdo”. Castro et al. (2025) sostienen que este tipo de instrumento permite medir
percepciones organizacionales de manera objetiva. Asimismo, Farro Acosta et al. (2026) destacan su
utilidad para evaluar procesos de toma de decisiones, mientras que Dalain et al. (2025) y Hao et al. (2025)
resaltan su aplicación en estudios sobre transformación digital y adopción tecnológica.
El cuestionario estuvo conformado por 24 ítems distribuidos en dos variables. La variable uso de
inteligencia artificial incluyó 12 ítems organizados en las dimensiones automatización de procesos,
analítica de datos y soporte a la toma de decisiones, con cuatro ítems cada una. La variable toma de
decisiones en la logística de entrada también estuvo integrada por 12 ítems, distribuidos en las
dimensiones planificación del abastecimiento, gestión de inventarios, optimización de recursos y reducción
de la incertidumbre, con tres ítems por dimensión. Esta estructura permitió evaluar de manera integral la
relación entre ambas variables.
La validez de contenido se estableció mediante juicio de expertos y revisión de literatura científica
especializada. Helo y Hao (2022) destacan la importancia de asegurar la correspondencia entre los
indicadores y los constructos teóricos. Asimismo, Cannas et al. (2023) señalan que una adecuada
operacionalización incrementa la precisión de los resultados, mientras que Teixeira et al. (2025) resaltan
la necesidad de verificar previamente la consistencia de los instrumentos de medición.
Posteriormente, se realizó una prueba piloto con participantes de características similares a la
población objetivo. Los resultados permitieron evaluar la claridad de los ítems y la consistencia interna del
cuestionario. El análisis de fiabilidad obtuvo un coeficiente Alfa de Cronbach de 0.85, valor que evidencia
un alto nivel de confiabilidad para la aplicación del instrumento.
La recolección de datos se efectuó en cuatro etapas: autorización institucional, información a los
participantes sobre los objetivos y aspectos éticos del estudio, aplicación presencial del cuestionario previa
participación voluntaria y revisión de los instrumentos para su posterior codificación. Durante todo el
proceso se garantizó la confidencialidad de la información y el uso exclusivamente académico de los datos
recopilados.
El procesamiento de la información se realizó mediante estadística descriptiva e inferencial.
Inicialmente se calcularon frecuencias, porcentajes, medias y desviaciones estándar para identificar
tendencias en las respuestas. Posteriormente, se aplicó el coeficiente Rho de Spearman para determinar
la relación entre el uso de inteligencia artificial y la toma de decisiones en la logística de entrada.
5
Toorajipour et al. (2021) señalan que este estadístico es apropiado para variables medidas mediante
escalas ordinales. Asimismo, Zhang et al. (2022) y Samuels (2025) destacan su utilidad en investigaciones
organizacionales y logísticas. El nivel de significancia establecido fue de 0.05 y el análisis se realizó
mediante software estadístico especializado.
Resultados y discusión
Los resultados evidencian una percepción favorable del personal respecto al uso de inteligencia
artificial en los procesos vinculados a la logística de entrada. En términos generales, los trabajadores
reconocen que la implementación de herramientas basadas en inteligencia artificial contribuye a mejorar
la eficiencia en la toma de decisiones relacionadas con el abastecimiento y la gestión de inventarios. Este
comportamiento es consistente con estudios recientes que destacan la influencia positiva de la inteligencia
artificial en la optimización de procesos logísticos y la mejora de la eficiencia operativa (Cannas et al.,
2023; Zhang et al., 2022; Daios et al., 2025; Harrir & Triqui, 2025).
Figura 1. Importancia de la adopción de inteligencia artificial en la empresa.
Nota. Datos obtenidos del cuestionario aplicado a 50 trabajadores.
De acuerdo con los resultados, el 40% de los trabajadores considera importante la adopción de inteligencia
artificial, mientras que el 36% la califica como muy importante, alcanzando un 76% de valoración positiva.
Este resultado evidencia una alta aceptación de la inteligencia artificial como herramienta estratégica para
la mejora de los procesos logísticos. Estos hallazgos coinciden con investigaciones que señalan que la
adopción de tecnologías inteligentes genera percepciones favorables en el desempeño organizacional y
fortalece la toma de decisiones en entornos dinámicos (Sharma & Tomar, 2026; Singh & Pandey 2024;
Samuels, 2025; Layode et al., 2024).
Figura 2. Impacto de la inteligencia artificial en las decisiones logísticas de entrada.
Nota. Resultados basados en la percepción de los trabajadores (n = 50).
4.00%
6.00%
18.00%
42.00%
30.00%
Totalmente en desacuerdo
En desacuerdo
Ni de acuerdo ni en desacuerdo
De acuerdo
Totalmente de acuerdo
6
Más del 70% de los trabajadores percibe que la inteligencia artificial mejora la eficiencia en las
decisiones logísticas de entrada, particularmente en la planificación del abastecimiento y la gestión de
inventarios. Este resultado evidencia que la implementación de herramientas basadas en inteligencia
artificial permite optimizar procesos clave relacionados con el aprovisionamiento, contribuyendo a una
mejor utilización de los recursos y a una reducción de la incertidumbre en la toma de decisiones operativas.
Este resultado se alinea con estudios recientes que demuestran que la inteligencia artificial mejora la
precisión en la planificación logística y la eficiencia en la gestión de inventarios mediante modelos
predictivos (Toorajipour et al., 2021; Helo & Hao, 2022; Kosasih et al., 2024; Hao et al., 2025).
Tabla 1. Correlación de Rho de Spearman entre inteligencia artificial y decisiones logísticas de entrada.
INTELIGENCIA
ARTIFICIAL
DECISIONES
LOGÍSTICAS DE
ENTRADA
RHO DE
SPEARMA
N
INTELIGENCIA
ARTIFICIAL
Coeficiente de
correlación
1,000
,545
**
Sig. (bilateral)
.
<.001
N
50
50
DECISIONES
LOGÍSTICAS
DE ENTRADA
Coeficiente de
correlación
,545
**
1,000
Sig. (bilateral)
<.001
.
N
50
50
**. La correlación resulta significativa al nivel 0,01 (bilateral).
Nota. La correlación es significativa al nivel 0.01 (bilateral).
El análisis de correlación de Rho de Spearman evidencia una relación positiva moderada entre la
inteligencia artificial y la toma de decisiones logísticas de entrada (ρ = 0.545; p < 0.001). Este resultado
indica que, a mayor nivel de implementación de herramientas basadas en inteligencia artificial, mayor es
la eficiencia en la planificación del abastecimiento, la gestión de inventarios y la optimización de recursos.
Estos resultados son coherentes con investigaciones que destacan que la inteligencia artificial fortalece la
toma de decisiones organizacionales mediante el uso de analítica avanzada y procesamiento de grandes
volúmenes de datos (Culot et al., 2024; Dalain et al., 2025).
Asimismo, el valor de significancia estadística confirma que la relación encontrada es altamente
significativa, lo que permite aceptar la hipótesis de investigación y afirmar que la inteligencia artificial influye
de manera relevante en la mejora de los procesos logísticos de entrada en la empresa analizada.
Los resultados obtenidos confirman que la inteligencia artificial desempeña un papel fundamental
en la optimización de la logística de entrada, especialmente en la mejora de la toma de decisiones
relacionadas con el abastecimiento y la gestión de inventarios. La evidencia empírica demuestra que la
incorporación de herramientas inteligentes permite reducir la incertidumbre y mejorar la eficiencia operativa
en los procesos clave de la cadena de suministro. Este planteamiento es consistente con estudios
contemporáneos que destacan que la inteligencia artificial permite optimizar la gestión logística y fortalecer
la eficiencia organizacional en entornos dinámicos (Zhang et al., 2022; Teixeira et al., 2025; Jackson et al.,
2024).
Estos hallazgos se alinean con investigaciones recientes que evidencian que la inteligencia
artificial mejora la eficiencia operativa mediante el uso de modelos predictivos y analíticos. Asimismo, se
ha demostrado que la integración de inteligencia artificial en la cadena de suministro permite mejorar la
planificación y la capacidad de respuesta ante cambios en la demanda (Toorajipour et al., 2021; Helo &
Hao, 2022).
7
Por otro lado, los resultados también evidencian que la inteligencia artificial contribuye a mejorar
la gestión de inventarios y la planificación del abastecimiento, lo cual coincide con lo señalado por estudios
recientes que destacan el impacto de la analítica de datos en el desempeño organizacional. En este
sentido, la inteligencia artificial permite optimizar la toma de decisiones al reducir la incertidumbre y mejorar
la precisión en los procesos operativos (Sánchez Cruz, 2025; Sharma & Tomar, 2026).
En este sentido, los resultados del presente estudio evidencian que la inteligencia artificial no solo
impacta en la eficiencia operativa, sino que también contribuye a una gestión más estratégica de la logística
de entrada. Esto refuerza la idea de que la adopción de tecnologías inteligentes constituye un factor clave
para la competitividad empresarial en entornos caracterizados por la incertidumbre (Silva Carmo et al.,
2025; Cannas et al., 2023).
En conjunto, los hallazgos permiten afirmar que la implementación de inteligencia artificial
constituye un factor clave para la mejora de los procesos logísticos de entrada, al facilitar una toma de
decisiones más eficiente, reducir la incertidumbre y optimizar el uso de los recursos. Estos resultados
coinciden con tendencias actuales que posicionan a la inteligencia artificial como una herramienta
estratégica para la transformación digital y la mejora del desempeño organizacional (Samuels, 2025; Daios
et al., 2025).
Los resultados del estudio permiten concluir que la implementación de herramientas de inteligencia
artificial en una empresa privada de Chimbote presenta un nivel significativo de aceptación en los procesos
vinculados a la logística de entrada. La percepción favorable de los trabajadores evidencia que la
transformación digital no se limita a la automatización de tareas, sino que se extiende a la mejora de la
gestión operativa, fortaleciendo la planificación del abastecimiento y la optimización de inventarios. Esto
confirma que la inteligencia artificial se posiciona como un componente estratégico en la modernización
de la gestión logística empresarial (Toorajipour et al., 2021; Cannas et al., 2023).
Se determinó que existe una relación positiva y estadísticamente significativa entre el uso de
inteligencia artificial y la eficiencia en la toma de decisiones logísticas de entrada. El coeficiente de
correlación obtenido (ρ = 0.545; p < 0.001) demuestra que, a mayor nivel de implementación tecnológica,
mayor es la mejora en la planificación del abastecimiento, la gestión de inventarios y la optimización de
recursos. Este hallazgo valida empíricamente la pertinencia de integrar sistemas inteligentes en la gestión
logística, evidenciando que la toma de decisiones basada en datos contribuye a fortalecer la eficiencia
operativa en las organizaciones (Castro-Santos et al., 2025; Farro Acosta et al., 2026).
El estudio confirma que la logística de entrada constituye un ámbito crítico dentro de los procesos
de transformación digital en las empresas, especialmente en contextos caracterizados por la incertidumbre
en la demanda y la necesidad de optimizar recursos. La inteligencia artificial no solo facilita la
automatización de procesos, sino que mejora la capacidad predictiva y la precisión en la toma de
decisiones, elementos fundamentales para garantizar eficiencia operativa y competitividad empresarial
(Helo & Hao, 2022; Sánchez Cruz, 2025).
Finalmente, la investigación aporta evidencia cuantitativa que contribuye a fortalecer el análisis de
la inteligencia artificial aplicada a la logística de entrada en contextos empresariales locales. Los resultados
obtenidos se alinean con tendencias internacionales relacionadas con la optimización basada en datos,
demostrando que las empresas pueden mejorar significativamente sus procesos logísticos mediante la
adopción de tecnologías inteligentes. En consecuencia, se recomienda fortalecer las estrategias
organizacionales orientadas a la implementación de inteligencia artificial, promover la capacitación del
personal en el uso de herramientas tecnológicas y desarrollar futuras investigaciones que amplíen el
análisis hacia otros sectores productivos (Zhang et al., 2022; Zaid et al., 2026).
Conclusiones
Los resultados del estudio permiten concluir que la implementación de herramientas de inteligencia
artificial en una empresa privada de Chimbote presenta un nivel significativo de aceptación en los procesos
vinculados a la logística de entrada. La percepción favorable de los trabajadores evidencia que la
8
transformación digital no se limita a la automatización de tareas, sino que se extiende a la mejora de la
gestión operativa, fortaleciendo la planificación del abastecimiento y la optimización de inventarios. Esto
confirma que la inteligencia artificial se posiciona como un componente estratégico en la modernización
de la gestión logística empresarial.
Se determinó que existe una relación positiva y estadísticamente significativa entre el uso de
inteligencia artificial y la eficiencia en la toma de decisiones logísticas de entrada. El coeficiente de
correlación obtenido (ρ = 0.545; p < 0.001) demuestra que, a mayor nivel de implementación tecnológica,
mayor es la mejora en la planificación del abastecimiento, la gestión de inventarios y la optimización de
recursos. Este hallazgo valida empíricamente la pertinencia de integrar sistemas inteligentes en la gestión
logística, evidenciando que la toma de decisiones basada en datos contribuye a fortalecer la eficiencia
operativa en las organizaciones.
El estudio confirma que la logística de entrada constituye un ámbito crítico dentro de los procesos
de transformación digital en las empresas, especialmente en contextos caracterizados por la incertidumbre
en la demanda y la necesidad de optimizar recursos. La inteligencia artificial no solo facilita la
automatización de procesos, sino que mejora la capacidad predictiva y la precisión en la toma de
decisiones, elementos fundamentales para garantizar eficiencia operativa y competitividad empresarial.
Finalmente, la investigación aporta evidencia cuantitativa que contribuye a fortalecer el análisis de
la inteligencia artificial aplicada a la logística de entrada en contextos empresariales locales. Los resultados
obtenidos se alinean con tendencias internacionales relacionadas con la optimización basada en datos,
demostrando que las empresas pueden mejorar significativamente sus procesos logísticos mediante la
adopción de tecnologías inteligentes. En consecuencia, se recomienda fortalecer las estrategias
organizacionales orientadas a la implementación de inteligencia artificial, promover la capacitación del
personal en el uso de herramientas tecnológicas y desarrollar futuras investigaciones que amplíen el
análisis hacia otros sectores productivos.
Referencias
Amoroso Castillo, D. C., Flores Loaiza, R. P., Ortega Pesantez, Z. M., & Carpio Ayala, C. R. (2025). Efectos
de la educación financiera en la toma de decisiones económicas de jóvenes emprendedores
tecnológicos en Ecuador. Sapiens Management Journal, 2(8), 1-15.
https://doi.org/10.71068/7jz5g211
Cannas, V. G., Ciano, M. P., Saltalamacchia, M., & Secchi, R. (2024). Artificial intelligence in supply chain
and operations management: a multiple case study research. International Journal of Production
Research, 62(9), 3333–3360. https://doi.org/10.1080/00207543.2023.2232050
Castro-Santos, R., Chicas, R. B., & Jovel-Jovel, Y. (2025). Factores del uso de datos digitales en la toma
de decisiones. The Anáhuac Journal, 25(1).
https://doi.org/10.36105/theanahuacjour.2025v25n1.2779
Culot, G., Podrecca, M., & Nassimbeni, G. (2024). Artificial intelligence in supply chain management: A
systematic literature review of empirical studies and research directions. Computers in Industry.
https://doi.org/10.1016/j.compind.2024.104132
Daios, A., Kladovasilakis, N., Kelemis, A., & Kostavelis, I. (2025). AI Applications in Supply Chain
Management: A Survey. Applied Sciences, 15(5), 2775. https://doi.org/10.3390/app15052775
Dalain, A. F., Alnadi, M., Allahham, M. I., & Yamin, M. A. (2025). The Impact of Technological Innovations
on Digital Supply Chain Management: The Mediating Role of Artificial Intelligence: An Empirical
Study. Logistics, 9(4), 138. https://doi.org/10.3390/logistics9040138
Dubey, R., Gunasekaran, A., Childe, S. J., Fosso Wamba, S., Roubaud, D., & Foropon, C. (2021). Empirical
investigation of data analytics capability and organizational flexibility as complements to supply
chain resilience. International Journal of Production Research, 59(1), 110–128.
https://doi.org/10.1080/00207543.2019.1582820
9
Farro Acosta, J. A., Pachau Torres, W. A., Ortiz Briceño, C. A., & Del Castillo Oyarce, C. (2026). Inteligencia
artificial y toma de decisiones. Revista InveCom, 6(3). https://doi.org/10.5281/zenodo.17970804
Hao, Q., Xu, F., Li, Y., & Evans, J. (2025). Artificial intelligence tools expand scientists' impact but contract
science's focus (Version 4). arXiv. https://doi.org/10.48550/arXiv.2412.07727
Harrir, M. M., & Triqui Sari, L. (2025). Exploring the Power of Artificial Intelligence in Supply Chain
Management: A Literature Review on the Artificial Intelligence Applications and Tools Used in
Supply Chains and Their Distribution According to the SCOR Method. Engineering Management
Journal, 37(3), 267–288. https://doi.org/10.1080/10429247.2024.2406125
Helo, P., & Hao, Y. (2022). Artificial intelligence in operations management and supply chain. Taylor &
Francis Online. https://doi.org/10.1080/09537287.2021.1882690
Jackson, I., Ivanov, D., Dolgui, A., & Namdar, J. (2024). Generative artificial intelligence in supply chain and
operations management: a capability-based framework for analysis and implementation.
International Journal of Production Research, 62(17), 6120–6145.
https://doi.org/10.1080/00207543.2024.2309309
Kosasih, E. E., Papadakis, E., Baryannis, G., & Brintrup, A. (2024). A review of explainable artificial
intelligence in supply chain management using neurosymbolic approaches. International Journal
of Production Research, 62(4), 1510–1540. https://doi.org/10.1080/00207543.2023.2281663
Lau Li, A. (2022). Modernización de la gestión pública para democratizar el estado. Ciencia Latina Revista
Científica Multidisciplinar, 6(4), 2601-2623. https://doi.org/10.37811/cl_rcm.v6i4.2783
Layode, O., Naiho, H.N.N., Labake, T.T., Adeleke, G.S., Udeh, E.O. & Johnson, E. (2024) Addressing
Cybersecurity Challenges in Sustainable Supply Chain Management: A Review of Current
Practices and Future Directions. International Journal of Management & Entrepreneurship
Research, 6, 1954-1981. https://doi.org/10.51594/ijmer.v6i6.1208
Meléndez Tamayo, C. F., & Flores Rivera, L. D. (2022). Big Data en la Gestión Académica Administrativa
de los Procesos de Formación Continua Virtual. Revista de Investigación en Ciencias de la
Administración ENFOQUES, 6(22), 197-216.
https://www.redalyc.org/articulo.oa?id=621972234006
Moreira, J. & Villao, B. (2023). La Adaptabilidad En El Uso De Las TIC En América Latina Durante La
Pandemia Causada Por La COVID-19. Estudios De La Gestión: Revista Internacional De
Administración, no. 13 (January): 101-21. https://doi.org/10.32719/25506641.2023.13.5
Morillo Revelo, J., Morales Puruncaja, I., & Tobar Cazares, L. (2020). Gobierno digital en América Latina:
¿Un reto de la gestión pública de gobierno abierto? FIGEMPA: Investigación Y Desarrollo, 10(2),
32–41. https://doi.org/10.29166/revfig.v1i2.2467
Samuels, A. (2025). Examining the integration of artificial intelligence in supply chain management from
Industry 4.0 to 6.0: a systematic literature review. Front. Artif. Intell. 7.
https://doi.org/10.3389/frai.2024.1477044
Sánchez Cruz, M. A. (2025). Optimización de operaciones mediante inteligencia artificial. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 6(3), 687–696.
https://doi.org/10.56712/latam.v6i3.3976
Sharma, H., & Tomar, D. (2026). The role of artificial intelligence in supply chain management. International
Journal of Research and Scientific Innovation, 13(3), 2478–2483.
https://doi.org/10.51244/IJRSI.2026.1303000212
Silva Carmo, J. E., Pacheco Lacerda, D., Orsolin Klingenberg, C., & Sartori Piran, F. A. (2025). Digital
transformation in the management of higher education institutions. Sustainable Futures, 9, 100692.
https://doi.org/10.1016/j.sftr.2025.100692
Singh A and Pandey J (2024) Artificial intelligence adoption in extended HR ecosystems: enablers and
barriers. An abductive case research. Front. Psychol. 14:1339782.
https://doi.org/10.3389/fpsyg.2023.1339782
10
Striseo Martínez, S. J. (2024). Innovación en la gestión empresarial nuevas tecnologías y su rol en la
eficiencia organizacional. Sapiens International Multidisciplinary Journal, 1(1), 1-18.
https://sapiensjournal.ec/index.php/simj/article/view/482
Suescum Coelho, C., Suescum Coelho, C. E., Suescum Coelho, C., & Suescum Coelho, C. (2025). El rol
transformador de la inteligencia artificial en la gerencia sostenible: Optimizando las cadenas de
valor circulares. Sapiens in Artificial Intelligence, 2(4), 1-17. https://doi.org/10.71068/view/28
Teixeira, A. R., Ferreira, J. V., & Ramos, A. L. (2025). Intelligent Supply Chain Management: A Systematic
Literature Review on Artificial Intelligence Contributions. Information, 16(5), 399.
https://doi.org/10.3390/info16050399
Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial intelligence in supply
chain management: A systematic literature review. Journal of Business Research, 122, 502–517.
https://doi.org/10.1016/j.jbusres.2020.09.009
Zaid, A. A., & Jum’a, L. (2026). The Role of AI-Driven Supply Chains in Shaping Agility, Adaptability, and
Technology Adoption Under Market Turbulence. Logistics, 10(2), 49.
https://doi.org/10.3390/logistics10020049
Zhang, G., Yang, Y., & Yang, G. (2022). Smart supply chain management in Industry 4.0: The review,
research agenda and strategies in North America. Annals of Operations Research, 322, 1075–
1117. https://doi.org/10.1007/s10479-022-04689-1
CONTRIBUCIÓN DE LA AUTORÍA:
1. Conceptualización: (Santos Cleber Vega Luján) (Yoya Betzabé Flores Pérez)
2. Curación de datos: (Yoya Betzabé Flores Pérez) (Silvia Elena Mireille Ypanaque Arteaga)
3. Análisis formal: (Santos Cleber Vega Luján) (Iván Rodrigo Talavera López)
4. Adquisición de fondos: (Santos Cleber Vega Luján)
5. Investigación: (Santos Cleber Vega Luján) (Yoya Betzabé Flores Pérez) (Silvia Elena Mireille Ypanaque
Arteaga) (Iván Rodrigo Talavera López)
6. Metodología: (Santos Cleber Vega Luján) (Iván Rodrigo Talavera López)
7. Dirección del proyecto: (Santos Cleber Vega Luján)
8. Recursos: (Santos Cleber Vega Luján) (Yoya Betzabé Flores Pérez)
9. Software: (Iván Rodrigo Talavera López)
10. Supervisión: (Santos Cleber Vega Luján) (Yoya Betzabé Flores Pérez)
11. Validación: (Yoya Betzabé Flores Pérez) (Silvia Elena Mireille Ypanaque Arteaga)
12. Visualización: (Silvia Elena Mireille Ypanaque Arteaga) (Iván Rodrigo Talavera López)
13. Redacción - borrador original: (Santos Cleber Vega Luján) (Silvia Elena Mireille Ypanaque Arteaga)
14. Redacción - corrección de pruebas y edición: (Yoya Betzabé Flores Pérez) (Iván Rodrigo Talavera
López)
