Difusión pública de información sobre inteligencia artificial en las empresas. Diseño de indicadores de medición

RESUMEN

Introducción:  La difusión de información sobre inteligencia artificial se erige como un pilar fundamental para construir confianza y fomentar la adopción responsable de esta tecnología en el ámbito empresarial.

Objetivo:  El objetivo de este estudio consiste en el diseño de una herramienta que permita medir y comparar los comportamientos sobre difusión de información sobre inteligencia artificial que las empresas ofrecen a través de sus sitios web.

Metodología:  Para ello, se ha llevado a cabo un estudio exploratorio sobre todo tipo de documentos de acceso abierto publicados en el periodo 2021-2025, en el área de business economics, en la base de datos WOS sobre la información relativa a diferentes parámetros de la inteligencia artificial.

Resultados:  Por tanto, se ha establecido un conjunto de cincuenta indicadores, distribuidos del siguiente modo entre los parámetros propuestos: siete para aprendizaje automático, nueve para empleo, ocho para fiabilidad, catorce para innovación, cinco para transparencia y siete para sostenibilidad.

Conclusión:  Se concluye que este estudio proporciona una valiosa herramienta para comprender y mejorar la forma en que las empresas comunican sobre la inteligencia artificial, lo que es esencial para construir confianza y promover su uso responsable.

PALABRAS CLAVE:
Divulgación de información; Inteligencia artificial; Aprendizaje automático; Fiabilidad

ABSTRACT

Introduction:  The dissemination of information about artificial intelligence stands as a fundamental pillar to generate trust and encourage the responsible adoption of this technology in the business field.

Objective:  The objective of this study is to design a tool that allows measuring and comparing behaviors regarding the dissemination of information about artificial intelligence that companies offer through their websites.

Methodology:  To this end, an exploratory study has been carried out on all types of open access documents published in the period 2021-2025, in the area of Business Economics, in the WOS database on information related to different parameters of artificial intelligence.

Results:  Therefore, a set of fifty indicators has been established, distributed as follows among the proposed parameters: seven for machine learning, nine for employment, eight for reliability, fourteen for innovation, five for transparency, and seven for sustainability.

Conclusion:  It is concluded that this study provides a valuable tool for understanding and improving the way companies communicate about artificial intelligence, which is essential for building trust and promoting its responsible use.

KEYWORDS:
Disclosure of Information; Artificial intelligence; Machine learning; Reliability

1 INTRODUCCIÓN

Desde hace unos años, la divulgación voluntaria de información ha experimentado un auge significativo, debido a los beneficios que conlleva y a la creciente demanda de transparencia (Domínguez; Álvarez; Sánchez, 2010). En sus inicios, la difusión de información estratégica se centraba únicamente en la comunicación de la misión empresarial (Campbell; Shrives; Bohmbach‐Saager, 2001). No obstante, la difusión ha evolucionado hacia una cobertura más amplia, incluyendo la estrategia corporativa, el gobierno corporativo, las políticas de gobernanza corporativa y, la adherencia a los códigos de buen gobierno, entre otros (Morales Parada; Jarne Jarne, 2022). Además, la divulgación de información sobre sostenibilidad es una herramienta que las empresas utilizan para demostrar su compromiso con un futuro sostenible y su responsabilidad social (García-Benau; Bollas-Araya; Sierra-García, 2022). Asimismo, la necesidad de los inversores por contar con información sobre sostenibilidad de calidad, que les permita valorar el desempeño social y ambiental de las empresas, ha impulsado a estas últimas a mejorar sus prácticas de divulgación (Martín Zamora et al., 2019). Por otro lado, dado que la divulgación sobre los factores ambientales, sociales y de gobernanza (ASG) influye en el coste de capital, es lógico observar el creciente interés de los stakeholders (Tsang; Frost; Cao, 2023). Paralelamente, se ha producido un cambio en el medio de difusión, pasando de los tradicionales informes anuales a las páginas web corporativas (Domínguez; Álvarez; Sánchez, 2010), tal vez debido a la alta efectividad de este canal como herramienta para comunicar la reputación corporativa de la empresa (Morales Parada; Jarne Jarne, 2022).

Por otro lado, hoy en día somos testigos de un progreso tecnológico exponencial, marcado por rápidos avances en hardware y software y por la convergencia de diversas tecnologías (Henriques; Pereira, 2024). En consecuencia, ha surgido una transformación radical en los modelos de negocio, caracterizada por la integración de tecnologías digitales en todos los ámbitos empresariales, fenómeno conocido como “transformación digital”. Ésta ha revolucionado los modelos de trabajo, permitiendo la deslocalización y el trabajo remoto, a diferencia del siglo pasado, cuando el almacenamiento de datos era limitado y costoso (D’Almeida et al., 2022). Asimismo, surge la inteligencia artificial (en adelante, IA) convirtiéndose en el motor impulsor de la transformación digital, marcando un nuevo hito en esta cuarta revolución industrial. Ésta se refiere al diseño de algoritmos y modelos computacionales que permiten a las máquinas realizar tareas que típicamente requieren inteligencia humana, como el aprendizaje, el razonamiento y la resolución de problemas (Zailani et al., 2017). El término “IA”, que combina la creación humana con la capacidad de razonamiento propio, aún carece de una definición universalmente aceptada (Henriques; Pereira, 2024). Asimismo, es un área de estudio en rápido crecimiento que está extendiendo su presencia a muchos negocios y dominios de investigación.

La IA es un factor esencial en la utilidad de las empresas; por ello, las empresas recurren cada vez más a esta herramienta para obtener sus beneficios (Enholm et al., 2022). Gracias a ella y a las tecnologías 4.0, las compañías pueden optimizar sus procesos, mejorar la eficiencia de sus equipos y obtener información en tiempo real que les permite anticiparse a posibles problemas y reducir el tiempo de inactividad (Martínez et al., 2024). Asimismo, este sistema inteligente está transformando radicalmente la gestión empresarial, obligando a las empresas a replantear sus estrategias de innovación para adaptarse a este nuevo entorno tecnológico (Haefner et al., 2021). También, la implementación rápida de esta tecnología en la gestión de personal está generando injusticias que desmotivan a los empleados y aumentan la rotación (Robert et al., 2020). Según la Asociación Española de Contabilidad y Administración de Empresas (AECA) (2024), la creciente implementación de estos algoritmos inteligentes ha generado la necesidad de garantizar su fiabilidad y transparencia, por ello, las empresas deben demostrar al exterior que sus algoritmos son justos e imparciales para generar confianza en las soluciones basadas en esta tecnología.

Teniendo en cuenta esta necesidad de transparencia, ya son muchas empresas que divulgan información sobre sostenibilidad debido a la presión de los inversores de contar con esta información y a la Directiva 2022/2464/UE. Estas compañías difunden información sobre diferentes materias no financieras, tales como la responsabilidad social (Pache Durán et al., 2022), la política de digitalización (Arias-Abelaira; Pache-Duran; Rodriguez-Ariza, 2023) y los factores ASG (Briozzo, 2024); pero existe un vacío en la información divulgada referente a los algoritmos inteligentes implantados en las empresas. Por este motivo, surge la siguiente pregunta de investigación ¿difunden información de calidad sobre IA las empresas en sus páginas webs?

Debido a la falta de estudios previos y, a partir del análisis realizado por Arias-Abelaira et al. (2023) sobre divulgación de información sobre digitalización en el que la IA es considerada como un parámetro de esta, hemos decidido abordar esta brecha de conocimiento mediante el desarrollo de un índice que permita evaluar la efectividad de las acciones de divulgación de las empresas sobre IA a través de sus sitios web. Con ello, se pretende conseguir una herramienta que permita a las empresas mejorar su reputación, fortalecer la confianza de los grupos de interés y posicionarse como líderes en el campo de la ética y la responsabilidad en la IA. Por lo tanto, el objetivo de este estudio consiste en el diseño de una herramienta que permita medir y comparar los comportamientos sobre difusión de información sobre IA que las empresas ofrecen a través de sus sitios webs. Para ello, el trabajo se estructura como sigue. Tras la presente introducción, se lleva a cabo una revisión de la literatura sobre divulgación de información sobre sostenibilidad e IA. A continuación, se presenta la metodología empleada. Finalmente, se comentan los resultados y conclusiones obtenidas.

2 REVISIÓN DE LA LITERATURA

2.1 Divulgación de información sobre sostenibilidad

La divulgación de información es una cuestión estratégica que las empresas deben abordar con detenimiento, considerando los posibles beneficios y riesgos asociados (Domínguez; Álvarez; Sánchez, 2010). Algunas de las ventajas que se corresponden con la difusión de información se relacionan, entre otros aspectos, a la mejora de la imagen de la empresa, el incremento de la confianza de los inversores o mayor liquidez de los títulos. A pesar de sus ventajas, la generación y difusión de información conlleva gastos que, en determinadas circunstancias, pueden resultar mayores que los beneficios obtenidos (Gray; Radebaugh; Roberts, 1990). En este sentido, la difusión de información sobre sostenibilidad constituye un mecanismo mediante el cual las empresas comunican su compromiso con la sostenibilidad y la responsabilidad social, fomentando así la transparencia y la rendición de cuentas (García-Benau et al., 2022). Asimismo, la información empresarial, financiera y no financiera, ayuda a los inversores a entender las decisiones de la gerencia, reduce las asimetrías de información, incrementa la confianza del mercado de capitales y alienta una mayor inversión extranjera (Martínez‐Ferrero; Ruiz‐Cano; García‐Sánchez, 2016).

Tal y como hemos comentado anteriormente, las compañías difunden información sobre diferentes materias no financieras, tales como la responsabilidad social, la política de digitalización, los factores ASG o, de acuerdo con el objetivo de este estudio, sobre IA. Además, con la Directiva 2022/2464, la divulgación de información sobre sostenibilidad por parte de las organizaciones se ha vuelto cada vez más frecuente (Parlamento Europeo y Consejo de la Unión Europea, 2022). Actualmente, el Gobierno ha aprobado una ley que impulsa la transparencia y rendición de cuentas en empresas, mejorando la calidad y verificación de la información sobre sostenibilidad y actualizando los criterios de tamaño empresarial para simplificar sus obligaciones. En este sentido, la Directiva 2022/2464 amplia y profundiza la información de sostenibilidad, crucial para la fiabilidad y transparencia verificada por auditores (Ministerio de asuntos económicos y transformación digital, 2024).

Ahora bien, cada vez más estudios subrayan el papel fundamental de Internet como medio de comunicación entre las empresas y cualquier interesado en su desempeño (Alonso Almeida, 2009). La comunicación y el diálogo fomentan la confianza mútua al reconocer la integridad del otro (Bolton; Katok; Ockenfels, 2004). En este sentido, la transparencia se convierte en un factor clave, pues la confianza se incrementa a medida que la empresa comparte no solo información financiera, sino también aquella relevante para todos sus grupos de interés (Alonso Almeida, 2009). Según el Diccionario de la lengua española, el término transparente se define como “el cuerpo a través del cual puede verse los objetos con nitidez”. Al trasladar este concepto al ámbito empresarial, la transparencia se refiere a la participación de los directivos en la gestión de la compañía, a los procesos de toma de decisiones y a la difusión veraz de su situación financiera. En este contexto, transparencia equivale a información; asimismo, es fundamental dar a conocer las acciones que la dirección y el consejo de administración están llevando a cabo, así como los resultados obtenidos (Muñoz Paredes, 2005). Si bien comunicar esta información al mercado era una tarea complicada y costosa, internet ha simplificado enormemente este proceso, permitiendo a los consejos de administración compartirla de manera rápida y eficiente a escala global (Alonso Almeida, 2009).

2.2 Inteligencia artificial

Con el paso de los años y el avance de las nuevas tecnologías, la IA ha ido adquiriendo un inmenso valor, llegando a convertirse en una herramienta imprescindible (Tobarra et al., 2021). Asimismo, se consolida como un ámbito de estudio en auge, extendiendo su influencia a una amplia gama de disciplinas y negocios (Shaik et al., 2022). La IA es una de las principales tecnologías surgidas de la transformación digital (Wang et al., 2023). En pocos años, la IA ha impulsado una revolución tecnológica con crecimiento exponencial y capacidad transformadora, pero su adopción y desarrollo dependen fundamentalmente de la confiabilidad y la transparencia (Ministerio para la Transformación Digital y de la Función Pública, 2024).

Gracias a la IA, la simulación para el diagnóstico inteligente ha alcanzado un nuevo nivel de complejidad, permitiendo una gestión precisa y en tiempo real de los procesos industriales (Li, 2022). Además, esta herramienta ha transformado radicalmente varias industrias, ofreciendo mayor eficiencia, mejora en la toma de decisiones, mejores experiencias del cliente, reducción de costes y ventajas competitivas (Masoodifar; Arslan; Tekeoğlu, 2023). Por ello, el objetivo de este sistema es optimizar los procesos, reduciendo costes, mejorando la calidad de los productos y servicios, y facilitando la toma de decisiones basadas en datos precisos y oportunos (Jan et al., 2023). Asimismo, la confluencia de la Industria 4.0 y la IA están revolucionando los procesos industriales, acelerando la adopción de tecnologías digitales (Vergara Villegas et al., 2021).

Según Rajesh et al. (2023), una de las ramas de la IA es el aprendizaje automático, el cual permite a las máquinas mejorar su trabajo en tareas concretas como la optimización de procesos de producción. Además, el Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de IA, recoge el funcionamiento del mercado interior mediante el establecimiento de un marco jurídico uniforme, concretamente para el desarrollo, la introducción en el mercado, la puesta en servicio y la utilización de sistemas de IA en la Unión Europea (Parlamento Europeo; Consejo de la Unión Europea, 2024). Este reglamento busca aprovechar la IA para mejorar la eficiencia laboral, mientras mitiga sus riesgos en procesos como la contratación. Su objetivo es fomentar la innovación de sistemas fiables y centrados en el ser humano, garantizando la protección ciudadana y los derechos fundamentales. Por otro lado, la Estrategia de Inteligencia Artificial 2024, publicada en mayo de 2024, refuerza la posición de España en la vanguardia tecnológica y fomenta la utilización de la lengua española y las cooficiales en los sistemas de IA, favoreciendo su adopción en la Administración y en el tejido empresarial (Ministerio para la Transformación Digital y de la Función Pública, 2024). Esta estratégia prioriza el consenso social sobre el uso de la IA para liderar en su desarrollo ético, transparente y fiable, enfatizando la sostenibilidad para un uso responsable de recursos.

En consonancia con lo anterior, para el diseño del índice de este estudio se contemplan una serie de dimensiones, como el aprendizaje automático, impulsar el empleo, garantizar la fiabilidad, establecer medidas en apoyo a la innovación o exigir transparencia respecto a los sistemas de IA de alto riesgo y utilizar estos sistemas de manera sostenible. En este sentido, la selección de estas dimensiones se debe a que reflejan los aspectos más relevantes de la IA en el contexto actual, tal y como se establece en el Reglamento 2024/1689 y la Estrategia de Inteligencia Artificial 2024.

Teniendo en cuenta lo anterior, la IA es una herramienta que puede revolucionar los procesos empresariales. Esta es capaz de combinar el aprendizaje automático con la creación de empleo, la fiabilidad, la innovación, la transparencia y la sostenibilidad. Además, la IA abarca una de las secciones del marco para la divulgación de información sobre Responsabilidad Digital Corporativa (en adelante, RDC) (AECA, 2024). Según la opinión emitida por la AECA (2022), la RDC implica el uso legal y ético de datos y tecnologías digitales para proteger los derechos de las personas y establecer un vínculo de confianza en relación con la utilidad, la seguridad y la eficiencia de la tecnología utilizada. Además, al igual que el Reglamento 2024/1689 y la Estrategia de Inteligencia artificial 2024 que establecen la importancia de la fiabilidad en el desarrollo y uso de la IA, el marco para la difusión de información sobre RDC trata de ofrecer unas pautas para que las empresas puedan informar eficazmente su responsabilidad con el uso de una IA fiable (AECA, 2024). La necesidad de comunicar la fiabilidad de la IA utilizada es crucial para generar confianza. Por ello, las empresas necesitan mostrar que los algoritmos y datos se utilizan de manera responsable e imparcial (AECA, 2024). Una comunicación abierta y honesta puede fortalecer la relación entre las empresas y los consumidores, generando confianza y lealtad. En este contexto, resulta fundamental desarrollar indicadores específicos que permitan a las instituciones medir y gestionar los riesgos asociados a la implementación de la IA, así como evaluar su contribución a la innovación y la eficiencia operativa.

3 METODOLOGIA

El objetivo de este estudio consiste en el diseño de una herramienta que permita medir y comparar los comportamientos sobre difusión de información sobre IA que las empresas ofrecen a través de sus sitios webs. El fin principal será promover una mayor transparencia, fomentar mejores prácticas y contribuir al desarrollo de una IA más fiable y responsable. Para ello, se ha llevado a cabo un estudio exploratorio¹ sobre todo tipo de documentos de acceso abierto publicados en el periodo 2021-2025, en el área de business economics, en la base de datos de la Web of Science (WOS en adelante) sobre la información relativa a diferentes parámetros de la IA: (1) Aprendizaje automático, (2) Empleo, (3) Fiabilidad, (4) Innovación, (5) Transparencia y, (6) Sostenibilidad; que son hitos que se derivan de la extensa literatura precursora (Bankins; Formosa, 2023; Kuzior; Sira; Brożek, 2023; Pai et al., 2022), además de ser tratados en el Reglamento de la Unión Europea elaborado por el Parlamento Europeo & Consejo de la Unión Europea (2024) y en la Estrategia de Inteligencia Artificial 2024 elaborada por el Ministerio para la Transformación Digital y de la Función Pública (2024). Además, la selección de estos criterios para la identificación de los documentos se fundamenta en la necesidad de garantizar que los mismos estén estrechamente vinculados al área de estudio business economics, que reflejen las últimas tendencias investigativas y, por último, que sean de acceso abierto. La elección de WOS se justifica por su carácter de base de datos global que indexa las publicaciones académicas más rigurosas y citadas a nivel internacional (Gong et al., 2019). Al centrarnos en este periodo reciente, garantizamos que nuestros resultados sean actuales y reflejen las últimas tendencias en este campo.

A continuación, en la Tabla 1 se detallan los resultados obtenidos de la búsqueda para cada parámetro y el número de documentos finales seleccionados tras la aplicación de criterios de exclusion (documentos no directamente relacionados con la temática):

Tabla 1
Resultados del proceso de búsqueda bibliográfica

Parámetro	Ecuación de búsqueda	Documentos iniciales	Documentos finales
Aprendizaje automático	“machine learning” AND “Artificial intelligence” AND “Business” AND “Deep learning”	465	153
Empleo	“Employment” AND “Artificial intelligence” AND “Business”	59	29
Fiabilidad	“Reliability” AND “Artificial intelligence” AND “Business”	86	18
Innovación	“Innovation” AND “Artificial intelligence” AND “Business”	557	141
Transparencia	“Transparency” AND “Artificial intelligence” AND “Business”	74	16
Sostenibilidad	“Sustainability” AND “Artificial intelligence” AND “Business”	248	65
TOTAL

• Fuente: Elaborado por los autores

4 RESULTADOS

Con el objetivo de llevar a cabo el análisis, se construyó un índice de medición para evaluar la transparencia de las empresas en sus prácticas de IA. Se trata de proporcionar una herramienta que permita a estas mejorar su reputación, fortalecer la confianza de sus grupos de interés y posicionarse como líderes en el campo de la ética y la responsabilidad en la IA. La elaboración de índices representa una de las técnicas centrales del análisis de contenido, permitiendo un estudio profundo de los datos corporativos (Ortiz; Clavel, 2006). Los índices de difusión se posicionan como uno de los instrumentos más relevantes para medir la transparencia informativa de las empresas en un sector o país específico (Bonsón; Escobar, 2004; García Meca; Martínez Conesa, 2004). Con el propósito de construir el índice para nuestro estudio, nos hemos basado en metodologías empleadas en la construcción de índices en otros campos, como la digitalización (Arias-Abelaira; Pache-Duran; Rodriguez-Ariza, 2023) y la responsabilidad social (Nevado Gil; Gallardo Vázquez; Sánchez Hernández, 2013), entre otros. La finalidad del índice es comprobar si los siguientes indicadores son revelados o no por las webs de las empresas, acerca del aprendizaje automático, la creación de empleo, la fiabilidad, la innovación, la transparencia y la sostenibilidad sobre el uso de IA.

4.1 Aprendizaje automático

Para el parámetro “Aprendizaje automático” se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Machine learning”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documento de acceso abierto, de la colección principal, de los años 2021-2025, en el área business economics. Dado que la búsqueda arrojó una cantidad elevada de documentos, se decidió incluir el término “deep learning”. Si detallamos el aprendizaje automático, el aprendizaje profundo (Deep learning) es un campo actual y estimulante del aprendizaje automático, es decir, es el modelo de aprendizaje automático supervisado con mejor rendimiento y menor inversión (Dargan et al., 2020). De entre los 465 estudios obtenidos, se descartaron aquellos que no trataban los cuatro conceptos anteriores, y que, por tanto, no estaban relacionados con lo que conlleva el aprendizaje automático y la inteligencia artificial en las empresas. Por ello, el análisis para la obtención de los indicadores se realizó con 153 artículos. Siendo un número tan elevado con el que hemos obtenido los indicadores, seleccionamos los más relevantes para la justificación de estos, optando por un total de 22 artículos. Esta selección se basó en criterios de calidad y relevancia, priorizando aquellos artículos publicados en revistas de alto impacto y prestigio en el campo de estudio. La elección de fuentes de alto nivel garantiza la solidez y validez de los indicadores seleccionados. Después de esta revisión exhaustiva de la literatura, se seleccionaron 7 indicadores clave para evaluar el aprendizaje automático con IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

En la actualidad, la IA depende en gran medida del aprendizaje automático y, en particular, del aprendizaje profundo, lo que plantea importantes consideraciones éticas y de gobernanza que deben ser abordadas por las empresas (Camilleri, 2024; Janiesch; Zschech; Heinrich, 2021). Asimismo, la IA, a través del aprendizaje automático, está revolucionando el marketing empresarial al generar información estratégica que optimiza la comprensión del cliente y la identificación de oportunidades (Birim et al., 2024; Zhu, 2022). Por otra parte, el aprendizaje profundo permite desentrañar la complejidad de los datos financieros, optimizando las estrategias de inversión (Chen; Ye; Huang, 2021; Liu et al., 2024). Consecuentemente, se proponen los siguientes ítems: (A1) “Informa sobre la introducción en el marketing de modelos de aprendizaje automático” y (A2) “Informa sobre la resolución de problemas financieros a través del aprendizaje automático”.

El aprendizaje automático es esencial para detectar anomalías en el comportamiento de los usuarios y prevenir amenazas internas (Abd-Alhalem et al., 2024; Wang; Sun; Zhou, 2023). Además, frente a la complejidad de las relaciones comerciales, el aprendizaje automático proporciona herramientas sofisticadas para evaluar y valorar las alianzas estratégicas (Lee et al., 2023; Li; Liu; Wang, 2022). Por otra parte, esta tecnología permite una evaluación más precisa y personalizada de las condiciones laborales (Fan et al., 2023; Zhang; Zhang, 2023). A continuación, se proponen los siguientes ítems: (A3) “Informa sobre la detección de amenazas internas a través del aprendizaje automático”, (A4) “Informa sobre las alianzas comerciales de las empresas a través del aprendizaje automático” y (A5) “Informa sobre el uso de modelos de aprendizaje automático para la evaluación de las condiciones de trabajo”.

Siguiendo a Gholami et al. (2023), el aprendizaje automático potencia la inteligencia de negocio, permitiendo una toma de decisiones más precisa y eficiente. Igualmente, empodera a las organizaciones a tomar decisiones más inteligentes y basadas en datos (Khneyzer; Boustany; Dagher, 2024). Además, los modelos de aprendizaje automático mejoran la toma de decisiones al facilitar el análisis de datos para una gestión eficiente, innovación sostenible y adaptación al mercado, aunque requieren considerar implicaciones éticas y el impacto en la percepción de los actores internos de la empresa (Gandía et al., 2025). Consecuentemente, se propone el siguiente ítem: (A6) “Informa sobre la utilización del aprendizaje automático para lograr tomas de decisiones inteligentes”.

Por otro lado, el aprendizaje automático permite predecir con mayor precisión la evolución de los mercados financieros al analizar el sentimiento de las divulgaciones corporativas (Eachempati et al., 2021; Hu; Zhao; Khushi, 2021). Asimismo, permite predecir eventos futuros en los procesos empresariales, como la quiebra corporativa, mejorando la toma de decisiones y la gestión del riesgo (Lombardo et al., 2022). De la misma manera, mejora la precisión de las predicciones en diversos ámbitos empresariales, desde la logística hasta las ventas (Ashraf et al., 2024; Belter; Hering; Weichbroth, 2023). A continuación, se propone el siguiente ítem: (A7) “Informa sobre las predicciones vinculadas con la empresa a través del aprendizaje automático”.

El objetivo de estos items es analizar si las empresas son transparentes en la aplicación del aprendizaje automático en diversas áreas para resolver problemas, mejorar la eficiencia y generar predicciones.

4.2 Empleo

Para el parámetro “Empleo”, se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Employment”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documentos de acceso abierto, de la colección principal, de los años 2021-2025 y en el área de business economics. De entre los 59 estudios obtenidos, se descartaron aquellos que no estaban relacionados con lo que conlleva el empleo con IA en las empresas, por lo que el análisis para la obtención de los indicadores se realizó con 29 registros. No obstante, para completar y enriquecer la búsqueda de indicadores para este parámetro, se utilizaron otros documentos relacionados con la inteligencia artificial en las empresas, como el estudio realizado por Arias-Abelaira et al. (2023), en el que se utiliza la IA como parámetro. Después de una revisión exhaustiva de la literatura, se seleccionaron 9 indicadores clave para evaluar la transparencia del empleo con IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

El avance acelerado de la IA está transformando radicalmente el mercado laboral, automatizando tareas y desplazando a trabajadores en diversos sectores, lo que genera inquietud por el futuro del empleo y el aumento de la desigualdad (Budhwar et al., 2023; Chen et al., 2024; Chen, 2023; Georgieff; Hyee, 2022; Jazdauskaite et al., 2021; Khalifa; Abd Elghany; Abd Elghany, 2021; Merola, 2022). Además, los significativos progresos de la IA han planteado interrogantes acerca de su potencial para reemplazar a la mano de obra (Arias-Abelaira; PacheDuran; Rodriguez-Ariza, 2023). Asimismo, más allá de la automatización, la IA está impulsando la creación de nuevos puestos de trabajo. La innovación tecnológica y el crecimiento económico generado por la IA están demandando perfiles profesionales especializados, reconfigurando el mercado laboral (Budhwar et al., 2023; Khogali; Mekid, 2023; Lazaroiu et al., 2024; Oncioiu et al., 2022). Consecuentemente, se proponen los dos siguientes ítems: (E1) “Informa sobre el remplazo de personal a causa de la creciente implantación de la IA” e (E2) “Informa sobre la creación de nuevos mercados y/u oportunidades de empleo a causa del desarrollo de la tecnología de la IA”.

Asimismo, la IA ofrece un gran potencial para aumentar la productividad y la competitividad empresarial. Sin embargo, su impacto en el empleo es complejo y genera incertidumbre (Ashrafi et al., 2023; Drydakis, 2024; Khalifa; Abd Elghany; Abd Elghany, 2021; Lazaroiu et al., 2024; Rožman; Oreški; Tominc, 2023). Además, la IA exige una fuerza laboral altamente capacitada. La educación y la formación deben evolucionar para preparar a las personas con las competencias necesarias para desenvolverse en un entorno laboral cada vez más digitalizado y automatizado (Giordano et al., 2024; Grădinaru et al., 2024; Semtner; Dzator; Nadolny, 2024; Uren; Edwards, 2023). A continuación, se proponen los dos siguientes ítems: (E3) “Informa sobre el impacto de la IA en el ámbito laboral de la empresa, incluyendo productividad, desempeño, empleo y/o habilidades” e (E4) “Informa sobre la preparación integral necesaria de los trabajadores para la implementación de la IA”.

Al implementar modelos de IA, las empresas pueden evaluar de manera más precisa la satisfacción laboral de sus empleados y ajustar sus programas para formar profesionales altamente demandados en la industria (Jia, 2022; Zhang; Zheng, 2022). Asimismo, una adopción efectiva de la IA puede mejorar significativamente el bienestar de los empleados al reducir la carga de trabajo en tareas repetitivas y optimizar los procesos de trabajo (Yu; Xu; Ashton, 2023). Consecuentemente, se proponen los dos siguientes ítems: (E5) “Informa sobre la satisfacción laboral asistido por IA” e (E6) “Informa sobre la mejora de la experiencia laboral de los empleados con la adopción de IA”.

Por otro lado, para aprovechar al máximo el potencial de la IA en la gestión del talento, es necesario proporcionar a los gerentes herramientas y guías que les permitan interpretar los resultados de los modelos de predicción de rotación y tomar decisiones efectivas (Chowdhury et al., 2023). Además, la IA está transformando radicalmente los sistemas sociotécnicos de las organizaciones. Esta tecnología está redefiniendo los procesos de trabajo, las estructuras organizacionales y las habilidades requeridas para tener éxito en el mercado laboral (Moniz; Candeias; Boavida, 2022; Yu; Xu; Ashton, 2023). Asimismo, el potencial de la IA para transformar los procesos de recursos humanos es enorme. A través de plataformas de apoyo a la toma de decisiones basadas en IA, las organizaciones pueden optimizar la gestión del talento y mejorar la eficiencia operativa (Hajnić; Boshkoska, 2021). Consecuentemente, se proponen los siguientes ítems: (E7) “Informa sobre las guías y programas de formación para gerentes de RRHH sobre el uso de la IA”, (E8) “Informa sobre cómo la IA está cambiando las prácticas laborales y la organización de la empresa” e (E9) “Informa sobre la implementación de la IA en los procesos de recursos humanos de la empresa”.

El objetivo de estos items es analizar la divulgacion de información empresarial sobre el impacto de la IA en el empleo, la adaptación laboral, el bienestar de los empleados y las mejores prácticas para optimizar los resultados.

4.3 Fiabilidad

Para el parámetro “Fiabilidad” se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Reliability”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documentos de acceso abierto, de la colección principal, de los años 2021-2025 y en el área de business economics. De entre los 86 estudios obtenidos, se descartaron aquellos que no trataban los tres conceptos iniciales, y que, por tanto, no estaban relacionados con la fiabilidad de la inteligencia artificial en las empresas. Por ello, el análisis para la obtención de los indicadores se realizó con 18 artículos. No obstante, para completar y enriquecer la búsqueda de indicadores para este parámetro, se utilizó la opinión emitida por AECA (2024), en la cual se detalla la relevancia de la fiabilidad de la IA. Después de una revisión exhaustiva de la literatura, se seleccionaron 8 indicadores clave para evaluar la fiabilidad de la IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

Caracterizada por su fiabilidad, equidad y transparencia, la IA es esencial para aprovechar todo su potencial sin comprometer la seguridad (Alzubaidi et al., 2023). Estudios recientes han revelado una fuerte correlación entre la implementación de IA en contabilidad y un aumento en la fiabilidad de los resultados, lo que, sumado al uso de pruebas de fiabilidad en ciertos sectores, como el bancario, sugiere que la IA, cuando se utiliza de manera adecuada y se somete a rigurosas evaluaciones, puede ser altamente fiable (Fan et al., 2022; Мохаммед; Ваххаб, 2024). Además, los rigurosos análisis de fiabilidad y normalidad realizados a los datos gestionados por la IA corroboran su precisión y fiabilidad, lo que respalda su uso en aplicaciones críticas (Ajah et al., 2024; Almarashda et al., 2021; Xiong, 2022). Asimismo, los resultados obtenidos en varios estudios confirman la fiabilidad de la IA en la gestión de datos complejos y en la personalización de servicios, contribuyendo así a una mayor satisfacción del cliente (Alshibly et al., 2024; Chen, 2022; Latorre-Biel et al., 2021). Consecuentemente, se plantea el siguiente ítem: (F1) “Informa sobre si la IA tiene cierta fiabilidad”. Además, la IA ha permitido desarrollar un sistema altamente fiable para mejorar los sistemas de apoyo para la toma de decisiones en la gestión económica (Zhao, 2022). Igualmente, la precisión y fiabilidad de las recomendaciones generadas por IA son cruciales para la toma de decisiones informadas (Akdemir; Bulut, 2024; Fonseca et al., 2024; Kumarappan et al., 2024). A continuación, se propone el siguiente ítem: (F2) “Informa sobre la fiabilidad del sistema de apoyo a la toma de decisiones para la gestión económica basada en IA”. Por otro lado, ChatGPT, como ejemplo de IA, ofrece oportunidades interesantes para la educación empresarial, pero su implementación debe ser cuidadosa, considerando aspectos como la fiabilidad y la necesidad de un pensamiento crítico (Vecchiarini; Somià, 2023). Consecuentemente, se propone el siguiente item: (F3) “Informa sobre la fiabilidad del uso de ChatGPT en la educación empresarial”.

Según la opinión emitida por la AECA (2024), es fundamental comunicar de manera clara y efectiva la fiabilidad de las soluciones de IA para ganar confianza de los usuarios. Además, se plantea los posibles contenidos a difundir para que las organizaciones puedan mostrar su compromiso con una IA fiable, como los objetivos y medidas, las políticas, la alineación con requisitos legales y estándares, como las directrices éticas para una IA fiable, los órganos de gobierno y los roles en la ejecución y supervisión del desarrollo de la IA. Según Suárez Giri & Sánchez Chaparro (2024), para asegurar la fiabilidad de la IA, es esencial implementar medidas que promuevan la transparencia y la mitigación de sesgos, especialmente en áreas sensibles donde la objetividad es crucial. Asimismo, la creciente afectación de la IA exige políticas solidas que garanticen la fiabilidad y transparencia de los sistemas, mitigando riesgos como sesgos algorítmicos y resultados impredecibles (Dahal et al., 2023). También, la creación y mantenimiento de modelos de IA demandan una gestión proactiva que involucre roles especializados en la dirección técnica y ética de estos proyectos, asegurando así la fiabilidad y el cumplimiento de los estándares de calidad (Talukder et al., 2024). Teniendo en cuenta la información anterior, se plantean los siguientes ítems: (F4) “Informa sobre los objetivos y medidas para garantizar una IA fiable”, (F5) “Informa sobre las políticas que garanticen una IA fiable”, (F6) “Informa sobre las directrices éticas para una IA fiable”, (F7) “Informa sobre los órganos de gobierno responsables de supervisar el desarrollo responsable de la IA” e (F8) “Informa sobre los roles en la ejecución y supervisión del desarrollo de la IA”.

Estos items tienen como objetivo difundir información sobre la fiabilidad de la IA sobre sus datos, algoritmos, limitaciones y resultados, así como el compromiso empresarial.

4.4 Innovación

Para el parámetro “Innovación” se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Innovation”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documentos de acceso abierto, de la colección principal, de los años 2021-2025 y en el área business economics. De entre los 557 estudios obtenidos, se descartaron aquellos que no estaban relacionados con la innovación de la IA en las empresas, por lo que el análisis para la obtención de los ítems se realizó con 141 artículos. Siendo un número tan elevado con el que hemos obtenido los indicadores, seleccionamos los más relevantes para la justificación de los indicadores, optando por un total de 32 artículos. Esta selección se basó en criterios de calidad y relevancia, priorizando aquellos artículos publicados en revistas de alto impacto y prestigio en el campo de estudio. La elección de fuentes de alto nivel garantiza la solidez y validez de los indicadores seleccionados. Después de esta revisión exhaustiva de la literatura, se seleccionaron 14 indicadores clave para evaluar la innovación de la IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

La inversión en IA es esencial para que las empresas innoven sus modelos de negocio en la era digital (Bustamante; Pérez; Del Pilar Escott-Mota, 2024; Jorzik et al., 2023; Naeem; Kohtamäki; Parida, 2024). Esta herramienta está transformando la innovación abierta al facilitar la colaboración externa y optimizar la gestión de procesos para impulsar nuevos modelos de negocios (Bécue; Gama; Brito, 2024; Kuzior; Sira; Brożek, 2023). Asimismo, la IA está revolucionando la gestión empresarial al impulsar la innovación, optimizar operaciones y mejorar la toma de decisiones (Campbell; Jovanović, 2024; Cui; Xu; Razzaq, 2022; Haefner et al., 2021). Consecuentemente, se proponen los siguientes ítems: (I1) “Informa sobre la inversión en IA con la intención de innovar sus modelos de negocios”, (I2) “Informa sobre el uso de IA en la gestión de innovación abierta” e (I3) “Informa sobre si la IA ha aportado innovación a la gestión de la empresa”.

Además, la IA impulsa la gestión de la innovación al facilitar el conocimiento transfronterizo y optimizar la identificación de factores clave (Hussain, 2023; Liu, 2022). Esta herramienta impulsa la innovación tecnológica al mejorar la eficiencia, la capacidad y la competitividad de las empresas (Gudigantala; Madhavaram; Bicen, 2023; Li; Wang; Wang, 2024; Liu et al., 2024). Asimismo, está revolucionando la cadena de suministro al optimizar procesos, agilizar las operaciones y ofrecer nuevas oportunidades económicas (Braganza et al., 2022; Olan et al., 2022). Por otra parte, los gobiernos deben crear marcos regulatorios equilibrados que fomenten la innovación en IA, protegiendo a la vez la ética y a los consumidores (Beulen; Plugge; Van Hillegersberg, 2022; Manta et al., 2024). A continuación, se proponen los siguientes ítems: (I4) “Informa sobre los factores de influencia de la IA en la gestión de la innovación del conocimiento”, (I5) “Informa sobre el uso de la IA para la innovación tecnológica”, (I6) “Informa sobre las nuevas innovaciones con IA en la cadena de suministro” e (I7) “Informa sobre las implicaciones gubernamentales para la promoción de la innovación en IA”.

Mediante la reducción de costes, la IA impulsa el rendimiento empresarial al fomentar la innovación y optimizar la productividad (Dancausa Millán; Millán Vázquez de la Torre, 2024; Samadhiya et al., 2024). Además, la innovación en IA está transformando la toma de decisiones empresariales, permitiendo análisis más profundos y predicciones precisas (Coussement et al., 2024; Rajagopal et al., 2022). Asimismo, para garantizar una innovación responsable en IA, es crucial un debate público informado y marcos regulatorios que aborden los desafíos éticos y de transparencia (Buhmann; Fieseler, 2023; Xing et al., 2023). Por otra parte, la IA optimiza el proceso de innovación, impulsando la eficiencia y permitiendo a las empresas rediseñar sus estrategias (Bahoo; Cucculelli; Qamar, 2023; Roberts; Candi, 2024). Consecuentemente, se proponen los siguientes ítems: (I8) “Informa sobre el uso de la IA para impulsar el rendimiento empresarial en términos de innovación”, (I9) “Informa sobre el impacto de la innovación basada en IA en la toma de decisiones”, (I10) “Informa sobre la responsabilidad en la innovación de IA” e (I11) “Informa sobre los beneficios que la IA puede conferir en el proceso de innovación”.

Por otro lado, la IA está transformando el marketing al generar estrategias novedosas que revolucionan la producción de contenido y optimizan la conexión con el cliente (Awad, 2024; Islam et al., 2024). Además, su adopción impulsa la innovación digital en las empresas, especialmente a través de la mejora de la resiliencia y la capacitación del personal (Saleem et al., 2023; Zeng; Li; Yousaf, 2022). Asimismo, esta herramienta facilita la innovación sostenible al identificar oportunidades, optimizar procesos y permitir a las empresas adaptarse a las demandas ambientales y del mercado (Gandía et al., 2025; Govindan, 2022; Kolagar; Parida; Sjödin, 2024). A continuación, se proponen los siguientes ítems: (I12) “Informa sobre las estrategias de marketing innovadoras con IA”, (I13) “Informa sobre la adopción de la IA y los vínculos con la innovación digital” e (I14) “Informa sobre las ventajas de la IA con la innovación sostenible”.

Com estos items se pretende revelar si la empresa está adoptando la IA de manera estratégica para impulsar la innovación empresarial en diversas áreas, incluyendo la innovación responsable y la sostenibilidad, y evaluar la respuesta gubernamental.

4.5 Transparencia

Para el parámetro “Transparencia”, se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Transparency”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documentos de acceso abierto, de la colección principal, de los años 2021-2025 y en el área de business economics. De entre los 74 estudios obtenidos, se descartaron aquellos que no trataban los tres conceptos iniciales, y que, por tanto, no estaban relacionados con la transparencia de la inteligencia artificial en las empresas. Por ello, el análisis para la obtención de los indicadores se realizó con 16 artículos. No obstante, para completar y enriquecer la búsqueda de indicadores para este parámetro, se utilizó la opinión emitida por AECA (2024), en la cual se detalla la relevancia de la transparencia de la IA. Después de una revisión exhaustiva de la literatura, se seleccionaron 5 indicadores clave para evaluar la transparencia de la IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

Uno de los objetivos fundamentales para lograr transparencia en la IA es garantizar el uso ético de datos y promover la claridad en la toma de decisiones (AECA, 2024). Asimismo, la creciente integración de la IA en los procesos de toma de decisiones exige un enfoque transparente y ético en el manejo de datos, garantizando que los sistemas de IA sean comprensibles y responsables para fomentar la confianza de los usuarios (Booyse; Scheepers, 2024; Chowdhury et al., 2023; Grandi et al., 2024; Ryan et al., 2024). Por otro lado, según AECA (2024) , uno de los posibles contenidos a divulgar para que la empresa pueda mostrar su compromiso con la IA es revelar información específica sobre algoritmos de alto impacto. Además, para garantizar la transparencia y la responsabilidad en el uso de la IA, es fundamental que las organizaciones proporcionen información detallada sobre los algoritmos empleados, especialmente en áreas como la fijación de precios, donde la transparencia de los modelos es crucial para generar confianza (Camilleri, 2024; Holmström; Hällgren, 2022; Xie, 2021). Consecuentemente, se proponen los siguientes ítems: (T1) “Informa sobre la transparencia en la toma de decisiones con IA” e (T2) “Informa sobre la transparencia de algoritmos de alto impacto”.

Por otro lado, la creciente implementación de la IA en inversiones exige un mayor enfoque en la transparencia de los modelos utilizados, especialmente en áreas como la predicción de precios, donde la transparencia es crucial para garantizar la confianza de los inversores (Hajek; Novotny, 2022; Sutiene et al., 2024). Asimismo, la creciente integración de esta herramienta en la gestión de los factores ASG exige un enfoque proactivo para garantizar la transparencia y la ética en el desarrollo y uso de estos sistemas (Sklavos et al., 2024; Suárez Giri; Sánchez Chaparro, 2024). Además, la transparencia es un pilar fundamental en la aplicación de la IA en las cadenas de suministro, ya que permite identificar y mitigar riesgos, mejorar la resiliencia y fortalecer la confianza de los consumidores (Adamashvili; Zhizhilashvili; Tricase, 2024; Manning et al., 2022; Modgil; Singh; Hannibal, 2022; Singh; Modgil; Shore, 2024). Teniendo en cuenta esta información, se proponen los siguientes ítems: (T3) “Informa sobre si la IA mejora la transparencia del proceso de inversión”, (T4) “Informa sobre si están utilizando la IA para mejorar su desempeño en materia de ASG y si están siendo transparentes sobre cómo lo hacen” e (T5) “Informa sobre el grado de transparencia que se mantiene y proporciona a todos los socios de la cadena de suministro”.

Con estos indicadores se pretende evaluar como las empresas divulgan información sobre el uso de la IA para el bien común, fomentando la transparencia en áreas clave como la inversión y las cadenas de suministro.

4.6 Sostenibilidad

Para el parámetro “Sostenibilidad”, se ha realizado una búsqueda en la base de datos WOS para los conceptos: “Sustainability”, “Artificial intelligence” y “Business”. La ecuación de búsqueda se refinó para todo tipo de documentos de acceso abierto, de la colección principal, de los años 2021-2025 y en área de business economics. De entre los 248 estudios obtenidos, se descartaron aquellos que no estaban relacionados con la aplicación de la sostenibilidad en la inteligencia artificial de las empresas, por lo que el análisis para la obtención de los ítems se realizó con 65 artículos. Siendo un número tan elevado con el que hemos obtenido los indicadores, seleccionamos los más relevantes para la justificación de los indicadores, optando por un total de 24 artículos. Esta selección se basó en criterios de calidad y relevancia, priorizando aquellos artículos publicados en revistas de alto impacto y prestigio en el campo de estudio. La elección de fuentes de alto nivel garantiza la solidez y validez de los indicadores seleccionados. Después de esta revisión exhaustiva de la literatura, se seleccionaron 7 indicadores clave para evaluar la sostenibilidad con IA en las empresas. Estos indicadores fueron seleccionados en base a su relevancia teórica, su capacidad de medición y su uso frecuente en investigaciones previas. A continuación, serán objeto de una justificación detallada.

La IA está emergiendo como una herramienta clave para impulsar la sostenibilidad empresarial (Balcıoğlu; Çelik; Altındağ, 2024; Sipola; Saunila; Ukko, 2023). Asimismo, esta herramienta agiliza la transición hacia una economía circular al facilitar la identificación y promoción de productos con características sostenibles (Roumeliotis; Tselikas; Nasiopoulos, 2023; Rusch; Schöggl; Baumgartner, 2023). Igualmente, Bolesnikov et al. (2022) explora cómo los diseñadores de moda perciben la IA como una herramienta para crear colecciones más sostenibles. Consecuentemente, se plantea el siguiente ítem: (S1) “Informa sobre la adopción sostenible de la IA”. Además, la creciente importancia de la sostenibilidad medioambiental exige que la IA explore modelos de negocios innovadores y respetuosos con el medio ambiente (Gao; Liu, 2023; Jorzik et al., 2024). Por otra parte, la IA emerge como una herramienta estratégica para las empresas que buscan tanto la sostenibilidad medioambiental como la retención del talento (Ogbeibu et al., 2022; Sridhar et al., 2023). A continuación, se propone el siguiente ítem: (S2) “Informa sobre la creciente importancia de la sostenibilidad medioambiental con la adopción de la IA”.

Del mismo modo, la IA es una herramienta clave para impulsar la sostenibilidad empresarial a través de la toma de decisiones más informada (Ali et al., 2024; Bickley; Macintyre; Torgler, 2024; Pisoni; Molnár, 2024). También, esta herramienta es un catalizador para la sostenibilidad en las cadenas de suministro, optimizando recursos y reduciendo el impacto ambiental (Kazancoglu et al., 2023; Onyeaka et al., 2023; Remondino; Zanin, 2022; Zaid; Farooqi; Azmi, 2025). Por otro lado, la automatización impulsada por IA es un motor de sostenibilidad, optimizando procesos y generando valor para las empresas (Aydın; Turan, 2023; Rowan et al., 2022; Tairov et al., 2024). Teniendo en cuenta esta información, se proponen los siguientes ítems: (S3) “Informa sobre el rol de la IA en la toma de decisiones para la sostenibilidad”, (S4) “Informa sobre la contribución de la IA en la mejora de la gestión de la cadena de suministro” e (S5) “Informa sobre la sostenibilidad en la automatización de procesos con IA”.

Por otro lado, la IA es un transformador para alcanzar los Objetivos de Desarrollo Sostenible, empoderando a las empresas a tomar decisiones más sostenibles (Felfernig et al., 2023; Fonseca et al., 2024; Peng et al., 2023). Además, la integración de esta herramienta en la presentación de informes de sostenibilidad representa una innovación que permite a las empresas obtener una visión más profunda de su desempeño ambiental y social (Boloș et al., 2024; Vărzaru, 2022). Teniendo en cuenta lo anterior, se proponen los siguientes ítems: (S6) “Informa sobre las implicaciones de la IA para alcanzar varios Objetivos de Desarrollo Sostenible” y (S7) “Informa sobre la IA para el análisis sostenible de los informes”.

Con estos indicadores se pretende evaluar como las empresas divulgan información sobre sus estratégias y el impacto cuantificable de la IA para construir un futuro más sostenible y contribuir a los objetivos de desarrollo sostenible.

A continuación, en la Tabla 2, se muestran los indicadores propuestos anteriormente.

Tabla 2
Índice sobre difusión de información sobre IA aportada por las empresas

ITEMS PROPUESTOS
Eje 1: Aprendizaje automático
A1: Informa sobre la introducción en el marketing de modelos de aprendizaje automático.	Adaptado de Birim et al. (2024); Zhu (2022)
A2: Informa sobre la resolución de problemas financieros a través del aprendizaje automático.	Adaptado de X. Chen et al. (2021); Y. Liu et al. (2023)
A3: Informa sobre la detección de amenazas internas a través del aprendizaje automático.	Adaptado de Abd-Alhalem et al. (2024); J. Wang et al. (2023)
A4: Informa sobre las alianzas comerciales de las empresas a través del aprendizaje automático.	Adaptado de D. Lee et al. (2023); Y. Li et al. (2022)
A5: Informa sobre el uso de modelos de aprendizaje automático para la evaluación de las condiciones de trabajo.	Adaptado de X. Fan et al. (2023); Q. Zhang & Zhang (2023)
A6: Informa sobre la utilización del aprendizaje automático para lograr tomas de decisiones inteligentes.	Adaptado de Gandía et al. (2025); Gholami et al. (2023); Khneyzer et al. (2024)
A7: Informa sobre las predicciones vinculadas con la empresa a través del aprendizaje automático.	Adaptado de Ashraf et al. (2024); Belter et al. (2023); Eachempati et al. (2021); Hu et al. (2021); Lombardo et al. (2022)
Eje 2: Empleo
E1: Informa sobre el remplazo de personal a causa de la creciente implantación de la IA.	Adaptado de Arias-Abelaira et al. (2023); Budhwar et al. (2023); K. Chen et al. (2024); Z. Chen (2023); Georgieff & Hyee (2022); Jazdauskaite et al. (2021); Khalifa et al. (2021); Merola (2022)
E2: Informa sobre la creación de nuevos mercados y oportunidades de empleo a causa del desarrollo de la tecnología de la IA.	Adaptado de Budhwar et al. (2023); Khogali & Mekid (2023); Lazaroiu et al. (2024); Oncioiu et al. (2022)
E3: Informa sobre sobre el impacto de la IA en el ámbito laboral de la empresa, incluyendo productividad, desempeño, empleo y/o habilidades.	Adaptado de Ashrafi et al. (2023); Drydakis (2024); Khalifa et al. (2021); Lazaroiu et al. (2024); Rožman et al. (2023)
E4: Informa sobre la preparación integral necesaria de los trabajadores para la implementación de la IA.	Adaptado de Giordano et al. (2024); Grădinaru et al. (2024); Semtner et al. (2024); Uren & Edwards (2023)
E5: Informa sobre la satisfacción laboral asistido por IA.	Adaptado de Jia (2022); H. Zhang & Zheng (2022)
E6: Informa sobre la mejora de la experiencia laboral de los empleados con la adopción de IA.	Adaptado de Yu et al. (2023)
E7: Informa sobre las guías y programas de formación para gerentes de RRHHH sobre el uso de la IA.	Adaptado de Chowdhury et al. (2023)
E8: Informa sobre cómo la IA está cambiando las prácticas laborales y la organización de la empresa.	Adaptado de Moniz et al. (2022); Yu et al. (2023)
E9: Informa sobre la implementación de la IA en los procesos de recursos humanos de la empresa.	Adaptado de Hajnić & Boshkoska (2021)
Eje 3: Fiabilidad
F1: Informa sobre si la IA tiene cierta fiabilidad.	Adaptado de Ajah et al. (2024); Almarashda et al. (2021); Alshibly et al. (2024); Alzubaidi et al. (2023); J. Chen (2022); C. Fan et al. (2022); Latorre-Biel et al. (2021); Xiong (2022); Мохаммед & Ваххаб (2024)
F2: Informa sobre la fiabilidad del sistema de apoyo a la toma de decisiones para la gestión económica basado en IA.	Adaptado de Akdemir & Bulut (2024); Fonseca et al. (2024); Kumarappan et al. (2024); Zhao (2022)
F3: Informa sobre la fiabilidad del uso de ChatGPT en la educación empresarial.	Adaptado de Vecchiarini & Somià (2023)
F4: Informa sobre los objetivos y medidas para garantizar una IA fiable.	Adaptado de AECA (2024); Suárez Giri & Sánchez Chaparro (2024)
F5: Informa sobre las políticas que garanticen una IA fiable.	Adaptado de AECA (2024); Dahal et al. (2023)
F6: Informa sobre las directrices éticas para una IA fiable.	Adaptado de AECA (2024)
F7: Informa sobre los órganos de gobierno responsables de supervisar el desarrollo responsable de la IA.	Adaptado de AECA (2024)
F8: Informa sobre los roles en la ejecución y supervisión del desarrollo de la IA.	Adaptado de AECA (2024); Talukder et al. (2024)
Eje 4: Innovación
I1: Informa sobre la inversión en IA con la intención de innovar sus modelos de negocio.	Adaptado de Bustamante et al. (2024); Jorzik et al. (2023); Naeem et al. (2024)
I2: Informa sobre el uso de IA en la gestión de la innovación abierta.	Adaptado de Bécue et al. (2024); Kuzior et al. (2023)
I3: Informa sobre si la IA ha aportado una gran innovación a la gestión de la empresa.	Adaptado de M. Campbell & Jovanović (2024); Cui et al. (2022); Haefner et al. (2021)
I4: Informa sobre los factores de influencia de la IA en la gestión de la innovación del conocimiento.	Adaptado de Hussain (2023); Q. Liu (2022)
I5: Informa sobre el uso de la IA en la innovación tecnológica.	Adaptado de Gudigantala et al. (2023); D. Li et al. (2024); J. Liu et al. (2024)
I6: Informa sobre las nuevas innovaciones con IA en la cadena de suministro.	Adaptado de Braganza et al. (2022); Olan et al. (2022)
I7: Informa sobre las implicaciones gubernamentales para la promoción de la innovación en IA.	Adaptado de Beulen et al. (2022); Manta et al. (2024)
I8: Informa sobre el uso de la IA para impulsar el rendimiento empresarial en términos de innovación.	Adaptado de Dancausa Millán & Millán Vázquez de la Torre (2024); Samadhiya et al. (2024)
I9: Informa sobre el impacto de la innovación basada en IA en la toma de decisiones.	Adaptado de Coussement et al. (2024); Rajagopal et al. (2022)
I10: Informa sobre la responsabilidad en la innovación de IA.	Adaptado de Buhmann & Fieseler (2023); Xing et al. (2023)
I11: Informa sobre los beneficios que la IA puede conferir en el proceso de innovación.	Adaptado de Bahoo et al. (2023); Roberts & Candi (2024)
I12: Informa sobre las estrategias de marketing innovadoras con IA.	Adaptado de Awad (2024); Islam et al. (2024)
I13: Informa sobre la adopción de IA y los vínculos con la innovación digital.	Adaptado de Saleem et al. (2023); Zeng et al. (2022)
I14: Informa sobre las ventajas de la IA en la innovación sostenible.	Adaptado de Gandía et al. (2025); Govindan (2022); Kolagar et al. (2024)
Eje 5: Transparencia
T1: Informa sobre la transparencia en la toma de decisiones con IA.	Adaptado de AECA (2024); Booyse & Scheepers (2024); Chowdhury et al. (2023); Grandi et al. (2024; Ryan et al. (2024)
T2: Informa sobre la transparencia de algoritmos de alto impacto.	Adaptado de AECA (2024); Camilleri (2024); Holmström & Hällgren (2022); Xie (2021)
T3: Informa sobre si la IA mejora la transparencia del proceso de inversión.	Adaptado de Hajek & Novotny (2022); Sutiene et al. (2024)
T4: Informa sobre si están utilizando la IA para mejorar su desempeño en materia de ASG y si están siendo transparentes sobre cómo lo hacen.	Adaptado de Sklavos et al. (2024); Suárez Giri & Sánchez Chaparro (2024)
T5: Informa sobre el grado de transparencia que se mantiene y proporciona a todos los socios de la cadena de suministro.	Adaptado de Adamashvili et al. (2024); Manning et al. (2022); Modgil et al. (2022); Singh et al. (2024)
Eje 6: Sostenibilidad
S1: Informa sobre la adopción sostenible de la IA.	Adaptado de Balcıoğlu et al. (2024); Bolesnikov et al. (2022); Roumeliotis et al. (2023); Rusch et al. (2023); Sipola et al. (2023)
S2: Informa sobre la creciente importancia de la sostenibilidad medioambiental con la adopción de la IA.	Adaptado de Gao & Liu (2023); Jorzik et al. (2024); Ogbeibu et al. (2022); Sridhar et al. (2023)
S3: Informa sobre el rol de la IA en la toma de decisiones para la sostenibilidad.	Adaptado de Ali et al. (2024); Bickley et al. (2024); Pisoni & Molnár (2024)
S4: Informa sobre la contribución de la IA en la mejora de la gestión de la cadena de suministro.	Adaptado de Kazancoglu et al. (2023); Onyeaka et al. (2023); Remondino & Zanin (2022); Zaid et al. (2025)
S5: Informa sobre la sostenibilidad en la automatización de procesos con IA.	Adaptado de Aydın & Turan (2023); Rowan et al. (2022); Tairov et al. (2024)
S6: Informa sobre las implicaciones de la IA para alcanzar varios Objetivos de Desarrollo Sostenible.	Adaptado de Felfernig et al. (2023); Fonseca et al. (2024); Peng et al. (2023)
S7: Informa sobre la IA para el análisis sostenible de los informes.	Adaptado de Boloș et al. (2024); Vărzaru (2022)

• Fuente: Elaborado por los autores.

6 CONCLUSIONES

La difusión de información sobre IA es fundamental para construir confianza con los grupos de interés y asegurar el éxito compartido de su implementación. Al comunicar de manera clara y accesible los beneficios, los desafíos y las oportunidades de la IA, las organizaciones pueden fomentar la adopción de esta tecnología y maximizar su potencial. No obstante, los parámetros que definen la IA son difusos y están en constante evolución, lo que dificulta establecer una delimitación exacta. Además, este estudio se alínea directamente con los princípios del acceso a la información y la transparencia en las ciencias de la información. Esta investigación contribuye a asegurar que la información sobre este campo tan influyente sea comprensible y accesible para el público en general. Los ítems propuestos evalúan no solo la efectividad de la difusión, sino que también examinan como la información sobre IA puede ser más clara y veraz, fomentando así un ecosistema de información más abierto y equitativo. Por tanto, teniendo en cuenta la Estrategia de Inteligencia Artificial 2024, el Reglamento 2024/1689 y la opinión emitida por AECA (2024), se han propuesto seis parámetros: aprendizaje automático, empleo, fiabilidad, innovación, transparencia y sostenibilidad. Así, se ha elaborado un índice para medir la difusión de información sobre inteligencia artificial en las empresas. En consecuencia, se ha establecido un conjunto de cincuenta indicadores, distribuidos del siguiente modo entre los parámetros propuestos: aprendizaje automático (7), empleo (9), fiabilidad (8), innovación (14), transparencia (5) y sostenibilidad (7). Esta herramienta se pretende mejorar el análisis de contenido de las páginas web de las empresas en futuras investigaciones, facilitando la evaluación eficiente de su nivel de difusión sobre IA. Por otra parte, la elaboración de estos indicadores se basó en un estudio exhaustivo de los artículos principales para cada parámetro.

El presente estudio se destaca por ser el primero en desarrollar un índice diseñado específicamente para evaluar la difusión de información sobre IA en las empresas. Los indicadores propuestos resultan de gran utilidad tanto para guiar la implementación de mejores prácticas como para servir de base a futuras investigaciones en este ámbito. Además, este trabajo contribuye a generar conciencia entre las empresas sobre la importancia de difundir información relevante en materia de IA. Como futura línea de investigación, se plantea evaluar las páginas web corporativas, con el fin de determinar el grado en que las empresas difunden información relevante sobre los parámetros establecidos en este estudio para la IA. Además, se plantea establecer un proceso de revisión y actualización periódica de los indicadores para adaptarlos a los avances tecnológicos y los cambios en el entorno empresarial. Respecto a las limitaciones, podemos destacar que la IA es un campo complejo y en constante evolución, lo que dificulta la creación de un indicador que recoja todos los aspectos importantes. En segundo lugar, el indicador puede no ser igualmente aplicable a todos los sectores, ya que el uso de la IA varía significativamente entre ellos. Por último, la definición de los parámetros de la IA puede variar entre diferentes expertos.

Expresiones de gratitud:

No aplicable.

REFERENCIAS

• ABD-ALHALEM, S. M. et al. Advancing E-Commerce Authenticity: A Novel Fusion Approach Based on Deep Learning and Aspect Features for Detecting False Reviews. IEEE Access, [S.l], v. 12, 2024.
• ADAMASHVILI, N.; ZHIZHILASHVILI, N.; TRICASE, C. The integration of the internet of things, artificial intelligence and blockchain technology for advancing the wine supply chain. Computers, v. 13, n. 3, p. 72, 2024.
• AECA. Comisión de Nuevas Tecnologías y Contabilidad. Opinión emitida n^o 2: La responsabilidad digital corporativa. [S.l]:[s.n], [s.d].
• AECA. Comisión de Nuevas Tecnologías y Contabilidad. Opinión emitida n^o 4. Un marco para la divulgación de responsabilidad digital corpotariva. [S.l]:[s.n], 2024.
• AJAH, C. C. et al. The role of artificial intelligence and financial engineering for listed service companies in Nigeria. The Economics and Finance Letters, v. 11, n. 1, p. 1-17, 2024.
• AKDEMIR, D. M.; BULUT, Z. A. Business and Customer-Based Chatbot Activities: The Role of Customer Satisfaction in Online Purchase Intention and Intention to Reuse Chatbots. Journal of Theoretical and Applied Electronic Commerce Research, v. 19, n. 4, p. 2961- 2979, 2024.
• ALI, S. M. et al. Artificial Intelligence Approach to Predict Supply Chain Performance: Implications for Sustainability. Sustainability, v. 16, n. 6, p. 2373, 2024.
• ALMARASHDA, H. A. H. A. et al. Human resource management and technology development in artificial intelligence adoption in the UAE energy sector. Journal of Applied Engineering Sciences, v. 11, n. 2, p. 69-76, 2021.
• ALONSO ALMEIDA, M. M. La transparencia de las empresas en internet para la confianza de los accionistas e inversores: un análisis empírico. Cuadernos de Administración, v. 22, n. 38, p. 11-30, 2009.
• ALSHIBLY, H.H. et al. Examining the mediating role of customer empowerment: the impact of chatbot usability on customer satisfaction in Jordanian commercial banks. Cogent Business & Management, v. 11, n. 1, p. 2387196, 2024.
• ALZUBAIDI, L. et al.Towards Risk‐Free Trustworthy Artificial Intelligence: Significance and Requirements. International Journal of Intelligent Systems, v. 2023, n. 1, p. 4459198, 2023.
• ARIAS-ABELAIRA, T.; PACHE-DURAN, M.; RODRIGUEZ-ARIZA, L. Digital information dissemination: design of measurement indicators. Informacao & SociedadeEstudos, v. 33, 2023.
• ASHRAF, K. et al. Sales in Commercial Alleys and Their Association with Air Pollution: Case Study in South Korea. Sustainability, v. 16, n. 2, p. 530, 2024.
• ASHRAFI, S. et al. Efficient resume based re-education for career recommendation in rapidly evolving job markets. IEEE Access, v.11, p. 124350-124367, 2023.
• AWAD, A. Artificial intelligence and marketing innovation: The mediating role. 2024.
• AYDIN, E.; TURAN, M. An AI-based shortlisting model for sustainability of human resource management. Sustainability, v. 15, n. 3, p. 2737, 2023.
• BAHOO, S.; CUCCULELLI, M.; QAMAR, D. Artificial intelligence and corporate innovation: A review and research agenda. Technological Forecasting and Social Change, v. 188, p. 122264, 2023.
• BALCIOĞLU, Y.S.; ÇELIK, A.A.; ALTINDAĞ, E. Artificial intelligence integration in Sustainable Business Practices: A text mining analysis of USA firms. Sustainability, v. 16, n. 15, p. 6334, 2024.
• BANKINS, S.; FORMOSA, P. The ethical implications of artificial intelligence (AI) for meaningful work. Journal of Business Ethics, v. 185, n. 4, p. 725-740, 2023.
• BÉCUE, A.; GAMA, J.; BRITO, P.Q.. AI’s effect on innovation capacity in the context of industry 5.0: a scoping review. Artificial Intelligence Review, v. 57, n. 8, p. 215, 2024.
• BELTER, J.; HERING, M.; WEICHBROTH, P. Motion Trajectory Prediction in Warehouse Management Systems: A Systematic Literature Review. Applied Sciences, v. 13, n. 17, p. 9780, 2023.
• BEULEN, E.; PLUGGE, A.; VAN HILLEGERSBERG, J. Formal and relational governance of artificial intelligence outsourcing. Information Systems and e-Business Management, v. 20, n. 4, p. 719-748, 2022.
• BICKLEY, S. J.; MACINTYRE, A.; TORGLER, B. Artificial intelligence and big data in sustainable entrepreneurship. Journal of Economic Surveys, 2024.
• BIRIM, S. et al. The derived demand for advertising expenses and implications on sustainability: a comparative study using deep learning and traditional machine learning methods. Annals of Operations Research, v. 339, n. 1, p. 131-161, 2024.
• BOLESNIKOV, M. et al. Perception of innovative usage of ai in optimizing customer purchasing experience within the sustainable fashion industry. Sustainability, v. 14, n. 16, p. 10082, 2022.
• BOLOȘ, M.I. et al. AI Chatbots: Fast Tracking Sustainability Report Analysis for Enhanced Decision Making. The AMFITEATRU ECONOMIC journal, v. 26, n. Special 18, p. 1241, 2024.
• BOLTON, G.E.; KATOK, E.; OCKENFELS, A. How effective are electronic reputation mechanisms? An experimental investigation. Management science, v. 50, n. 11, p. 1587- 1602, 2004.
• BONSÓN, E.; ESCOBAR, T. La difusión voluntaria de información financiera en Internet. Un análisis comparativo entre Estados Unidos, Europa del Este y la Unión Europea. Spanish Journal of Finance and Accounting/Revista Española de Financiación y Contabilidad, v. 33, n. 123, p. 1063-1101, 2004.
• BOOYSE, D.; SCHEEPERS, C.B. Barriers to adopting automated organisational decisionmaking through the use of artificial intelligence. Management Research Review, v. 47, n. 1, p. 64-85, 2024.
• BRAGANZA, A. et al. Gigification, job engagement and satisfaction: the moderating role of AI enabled system automation in operations management. Production planning & control, v. 33, n. 16, p. 1534-1547, 2022.
• BRIOZZO, A.E. Divulgación de información sobre factores ambientales, sociales y de gobernanza-ASG-en emisoras de bonos verdes, sociales y sustentables. 2024.
• BUDHWAR, P. et al. Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, v. 33, n. 3, p. 606-659, 2023.
• BUHMANN, A.; FIESELER, C. Deep learning meets deep democracy: Deliberative governance and responsible innovation in artificial intelligence. Business Ethics Quarterly, v. 33, n. 1, p. 146-179, 2023.
• BUSTAMANTE, R.P.; PÉREZ, X.M.C.; DEL PILAR ESCOTT-MOTA, M. Radical Change and Dominant Character of Digital Transformation in Artificial Intelligence Entrepreneurship in Less Innovative Economies. Journal of the Knowledge Economy, p. 1-27, 2024.
• CAMILLERI, M.A. Artificial intelligence governance: Ethical considerations and implications for social responsibility. Expert systems, v. 41, n. 7, p. e13406, 2024.
• CAMPBELL, D.; SHRIVES, P.; BOHMBACH‐SAAGER, H. Voluntary disclosure of mission statements in corporate annual reports: signaling what and to whom? Business and society review, v. 106, n. 1, p. 65-87, 2001.
• CAMPBELL, M.; JOVANOVIĆ, M. Disinfecting AI: Mitigating Generative AI’s Top Risks. Computer, v. 57, n. 5, p. 111-116, 2024.
• CHEN, J. [Retracted] Application Analysis of Artificial Intelligence Algorithm in Accounting Field under the Background of Innovation Economy. Mobile Information Systems, v. 2022, n. 1, p. 7970237, 2022.
• CHEN, K. et al. Does artificial intelligence promote common prosperity within enterprises?- Evidence from Chinese-listed companies in the service industry. Technological Forecasting and Social Change, v. 200, p. 123180, 2024.
• CHEN, X.; YE, S.; HUANG, C. [Retracted] Cluster‐Based Mutual Fund Classification and Price Prediction Using Machine Learning for Robo‐Advisors. Computational Intelligence and Neuroscience, v. 2021, n. 1, p. 4984265, 2021.
• CHEN, Z. Collaboration among recruiters and artificial intelligence: removing human prejudices in employment. Cognition, Technology & Work, v. 25, n. 1, p. 135-149, 2023.
• CHOWDHURY, S. et al. Embedding transparency in artificial intelligence machine learning models: managerial implications on predicting and explaining employee turnover. The International Journal of Human Resource Management, v. 34, n. 14, p. 2732-2764, 2023.
• COUSSEMENT, K. et al. Explainable AI for enhanced decision-making. Decision Support Systems. Elsevier, 2024.
• CUI, X.; XU, B.; RAZZAQ, A. Can application of artificial intelligence in enterprises promote the corporate governance? Frontiers in Environmental Science, v. 10, p. 944467, 2022.
• DAHAL, K. R. et al. A comparative study on effect of news sentiment on stock price prediction with deep learning architecture. Plos one, v. 18, n. 4, p. e0284695, 2023.
• D’ALMEIDA, A. L. et al. Digital transformation: a review on artificial intelligence techniques in drilling and production applications. The International Journal of Advanced Manufacturing Technology, v. 119, n. 9, p. 5553-5582, 2022.
• DANCAUSA MILLÁN, M. G.; MILLÁN VÁZQUEZ DE LA TORRE, M. G. An Economic Perspective on the Implementation of Artificial Intelligence in the Restaurant Sector. Administrative Sciences, v. 14, n. 9, p. 214, 2024.
• DARGAN, S. et al. A survey of deep learning and its applications: a new paradigm to machine learning. Archives of Computational Methods in Engineering, v. 27, p. 1071- 1092, 2020.
• DIRECTIVA EUROPEA 2014/95. Directiva 2014/95/UE del Parlamento Europeo y del Consejo de 22 de octubre de 2014 - por la que se modifica la Directiva 2013/34/UE en lo que respecta a la divulgación de información no financi era e información sobre diversidad por parte de determinadas grandes em presas y determinados grupos -. [S.l.: S.n.]. Disponível em: <https://www.boe.es/doue/2014/330/L00001-00009.pdf>. Acesso em: 23 abr. 2025.
  » https://www.boe.es/doue/2014/330/L00001-00009.pdf
• DIRECTIVA (UE) 2022/2464. Directiva (UE) 2022/2464 del Parlamento Europeo y del Consejo de 14 de diciembre de 2022 por la que se modifican el Reglamento (UE) n^o 537/2014, la Directiva 2004/109/CE, la Directiva 2006/43/CE y la Directiva 2013/34/UE, por lo que respecta a la presentación de información sobre sostenibilidad por parte de las empresas. 2022.
• DOMÍNGUEZ, L. R.; ÁLVAREZ, I. G.; SÁNCHEZ, I. M. G. Determinantes de la divulgación voluntaria de información estratégica en internet: un estudio de las empresas cotizadas. Revista europea de dirección y economía de la empresa, v. 19, n. 1, p. 9-26, 2010.
• DRYDAKIS, N. Artificial intelligence capital and employment prospects. Oxford Economic Papers, p. gpae005, 2024.
• EACHEMPATI, P. et al. Validating the impact of accounting disclosures on stock market: A deep neural network approach. Technological Forecasting and Social Change, v. 170, p. 120903, 2021.
• ENHOLM, I. M. et al. Artificial intelligence and business value: A literature review. Information Systems Frontiers, v. 24, n. 5, p. 1709-1734, 2022.
• FAN, C. et al. [Retracted] Research on the Correlation between Information and Communication Technology Development and Consumer Spending Based on Artificial Intelligence and Time Series Econometric Model. Journal of Electrical and Computer Engineering, v. 2022, n. 1, p. 1645232, 2022.
• FAN, X. et al. The impact of improving employee psychological empowerment and job performance based on deep learning and artificial intelligence. Journal of Organizational and End User Computing (JOEUC), v. 35, n. 3, p. 1-14, 2023.
• FELFERNIG, A. et al. Recommender systems for sustainability: overview and research issues. Frontiers in big Data, v. 6, p. 1284511, 2023.
• FONSECA, L. et al. Leveraging ChatGPT for Sustainability: A Framework for SMEs to Align with UN Sustainable Development Goals and tackle sustainable development challenges. Management & Marketing, v. 19, n. 3, 2024.
• GANDÍA, J. A. G. et al. Towards sustainable business in the automation era: Exploring its transformative impact from top management and employee perspective. Technological Forecasting and Social Change, v. 210, p. 123908, 2025.
• GAO, L.; LIU, Z. Unraveling the multifaceted nexus of artificial intelligence sports and user willingness: a focus on technology readiness, perceived usefulness, and green consciousness. Sustainability, v. 15, n. 18, p. 13961, 2023.
• GARCÍA MECA, E.; MARTÍNEZ CONESA, I. Divulgación voluntaria de información empresarial: índices de revelación. Partida doble, v. 157, p. 66-77, 2004.
• GARCÍA-BENAU, M. A.; BOLLAS-ARAYA, H. M.; SIERRA-GARCÍA, L. Non-financial reporting in Spain. The effects of the adoption of the 2014 EU Directive: La información no financiera en España. Los efectos de la adopción de la Directiva de la UE de 2014. Revista de Contabilidad-Spanish Accounting Review, v. 25, n. 1, p. 3-15, 2022.
• GEORGIEFF, A.; HYEE, R. Artificial intelligence and employment: new cross-country evidence. Frontiers in artificial intelligence, v. 5, p. 832736, 2022.
• GHOLAMI, S. et al. Using deep learning to enhance business intelligence in organizational management. Data Science in Finance and Economics, v. 3, n. 4, p. 337-353, 2023.
• GIORDANO, V. et al. The impact of ChatGPT on human skills: A quantitative study on twitter data. Technological Forecasting and Social Change, v. 203, p. 123389, 2024.
• GONG, R. et al. A bibliometric analysis of green supply chain management based on the Web of Science (WOS) platform. Sustainability, v. 11, n. 12, p. 3459, 2019.
• GOVINDAN, K. How artificial intelligence drives sustainable frugal innovation: A multitheoretical perspective. IEEE Transactions on Engineering Management, v. 71, p. 638-655, 2022.
• GRĂDINARU, G. Ionel et al. The development of educational competences for Romanian students in the context of the evolution of data science and artificial intelligence. Amfiteatru Economic Journal, v. 26, n. 65, p. 14-32, 2024.
• GRANDI, F. et al. A methodology to guide companies in using Explainable AI-driven interfaces in manufacturing contexts. Procedia Computer Science, v. 232, p. 3112-3120, 2024.
• GRAY, S. J.; RADEBAUGH, L. H.; ROBERTS, C. B. International perceptions of cost constraints on voluntary information disclosures: A comparative study of UK and US multinationals. Journal of international business studies, v. 21, p. 597-622, 1990.
• GUDIGANTALA, N.; MADHAVARAM, S.; BICEN, P. An AI decision‐making framework for business value maximization. AI Magazine, v. 44, n. 1, p. 67-84, 2023.
• HAEFNER, N. et al. Artificial intelligence and innovation management: A review, framework, and research agenda✰. Technological Forecasting and Social Change, v. 162, p. 120392, 2021.
• HAJEK, P.; NOVOTNY, J. Fuzzy rule-based prediction of gold prices using news affect. Expert Systems with Applications, v. 193, p. 116487, 2022.
• HAJNIĆ, M.; BOSHKOSKA, B. M. A disruptive decision support platform for reengineering the strategic transfer of employees. IEEE Access, v. 9, p. 29921-29928, 2021.
• HENRIQUES, H.; PEREIRA, L. N. Hotel demand forecasting models and methods using artificial intelligence: A systematic literature review. Tourism & Management Studies, v. 20, n. 3, p. 39-51, 2024.
• HOLMSTRÖM, J.; HÄLLGREN, M. AI management beyond the hype: exploring the coconstitution of AI and organizational context. AI & SOCIETY, p. 1-11, 2022.
• HU, Z.; ZHAO, Y.; KHUSHI, M. A survey of forex and stock price prediction using deep learning. Applied System Innovation, v. 4, n. 1, p. 9, 2021.
• HUSSAIN, M. When, where, and which?: Navigating the intersection of computer vision and generative ai for strategic business integration. IEEE Access, v. 11, p. 127202-127215, 2023.
• ISLAM, T. et al. Transforming digital marketing with generative AI. Computers, v. 13, n. 7, p. 168, 2024.
• JAN, Z. et al. Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities. Expert Systems with Applications, v. 216, p. 119456, 2023.
• JANIESCH, C.; ZSCHECH, P.; HEINRICH, K. Machine learning and deep learning. Electronic Markets, v. 31, n. 3, p. 685-695, 2021.
• JAZDAUSKAITE, J. et al. Evaluation of the impact of science and technology on the labour market. Marketing i menedžment innovacij, n. 4, p. 153-167, 2021.
• JIA, L. Construction and Empirical Analysis of College Students’ Job Satisfaction Index Model Using Artificial Intelligence. International Journal of Technology and Human Interaction (IJTHI), v. 18, n. 2, p. 1-21, 2022.
• JORZIK, P. et al. Artificial intelligence-enabled business model innovation: Competencies and roles of top management. IEEE transactions on engineering management, v. 71, p. 7044-7056, 2023.
• JORZIK, P. et al. Sowing the seeds for sustainability: A business model innovation perspective on artificial intelligence in green technology startups. Technological forecasting and social change, v. 208, p. 123653, 2024.
• KAZANCOGLU, I. et al. Using emerging technologies to improve the sustainability and resilience of supply chains in a fuzzy environment in the context of COVID-19. Annals of Operations Research, v. 322, n. 1, p. 217-240, 2023.
• KHALIFA, N.; ABD ELGHANY, M.; ABD ELGHANY, M. Exploratory research on digitalization transformation practices within supply chain management context in developing countries specifically Egypt in the MENA region. Cogent Business & Management, v. 8, n. 1, p. 1965459, 2021.
• KHNEYZER, C.; BOUSTANY, Z.; DAGHER, J. AI-Driven Chatbots in CRM: Economic and Managerial Implications across Industries. Administrative Sciences, v. 14, n. 8, p. 182, 2024.
• KHOGALI, H O.; MEKID, S. The blended future of automation and AI: Examining some long-term societal and ethical impact features. Technology in Society, v. 73, p. 102232, 2023.
• KOLAGAR, M.; PARIDA, V.; SJÖDIN, D. Linking Digital Servitization and Industrial Sustainability Performance: A Configurational Perspective on Smart Solution Strategies. IEEE Transactions on Engineering Management, 2024.
• KUMARAPPAN, J. et al. Federated Learning Enhanced MLP-LSTM Modeling in an Integrated Deep Learning Pipeline for Stock Market Prediction. International Journal of Computational Intelligence Systems, v. 17, n. 1, p. 267, 2024.
• KUZIOR, A.; SIRA, M.; BROŻEK, P. Use of artificial intelligence in terms of open innovation process and management. Sustainability, v. 15, n. 9, p. 7205, 2023.
• LATORRE-BIEL, J. I. et al. Combining simheuristics with Petri nets for solving the stochastic vehicle routing problem with correlated demands. Expert Systems with Applications, v. 168, p. 114240, 2021.
• LAZAROIU, G. et al. Digital twin-based cyber-physical manufacturing systems, extended reality metaverse enterprise and production management algorithms, and Internet of Things financial and labor market technologies in generative artificial intelligence economics. Oeconomia Copernicana, v. 15, n. 3, p. 837-870, 2024.
• LEE, D. et al. Discovering Sustainable Business Partnerships through a Deep Learning Approach to Maximize Potential Value. Sustainability, v. 15, n. 22, p. 15885, 2023.
• LI, D.; WANG, H.; WANG, J. Artificial intelligence and technological innovation: evidence from China’s strategic emerging industries. Sustainability, v. 16, n. 16, p. 7226, 2024.
• LI, Y.; LIU, P.; WANG, Z. Stock trading strategies based on deep reinforcement learning. Scientific Programming, v. 2022, n. 1, p. 4698656, 2022.
• LI, Y. Application analysis of artificial intelligent neural network based on intelligent diagnosis. Procedia Computer Science, v. 208, p. 31-35, 2022.
• LIU, J. et al. Impact of artificial intelligence on manufacturing industry global value chain position. Sustainability, v. 16, n. 3, p. 1341, 2024.
• LIU, Q. Analysis of collaborative driving effect of artificial intelligence on knowledge innovation management. Scientific Programming, v. 2022, n. 1, p. 8223724, 2022.
• LIU, Y. et al. Revolutionising Financial Portfolio Management: The Non-Stationary Transformer’s Fusion of Macroeconomic Indicators and Sentiment Analysis in a Deep Reinforcement Learning Framework. Applied Sciences, v. 14, n. 1, p. 274, 2023.
• LOMBARDO, G. et al. Machine learning for bankruptcy prediction in the American stock market: dataset and benchmarks. Future Internet, v. 14, n. 8, p. 244, 2022.
• MANNING, L. et al. Artificial intelligence and ethics within the food sector: Developing a common language for technology adoption across the supply chain. Trends in Food Science & Technology, v. 125, p. 33-42, 2022.
• MANTA, A. G. et al. Industry 4.0 Transformation: Analysing the Impact of Artificial Intelligence on the Banking Sector through Bibliometric Trends. Electronics, v. 13, n. 9, p. 1693, 2024.
• MARTÍN ZAMORA, M. P. et al. La divulgación de información no financiera en España. Gestión, Revista de Economía, n. 69, p. 15-22, 2019.
• MARTÍNEZ, M. A. D. et al. Artificial intelligence an essential factor for the benefit of companies: systematic review of the literature. Cogent Engineering, v. 11, n. 1, p. 2380344, 2024.
• MARTÍNEZ‐FERRERO, J.; RUIZ‐CANO, D.; GARCÍA‐SÁNCHEZ, I. M. The causal link between sustainable disclosure and information asymmetry: The moderating role of the stakeholder protection context. Corporate Social Responsibility and Environmental Management, v. 23, n. 5, p. 319-332, 2016.
• MASOODIFAR, M.; ARSLAN, İ. K.; TEKEOĞLU, A. N. T. Artificial Intelligence in Global Business and Its Communication. Journal of International Trade, Logistics and Law, v. 9, n. 1, p. 278-284, 2023.
• MEROLA, Rossana. Inclusive growth in the era of automation and AI: how can Taxation Help? Frontiers in Artificial Intelligence, v. 5, p. 867832, 2022.
• MINISTERIO DE ASUNTOS ECONÓMICOS Y TRANSFORMACIÓN DIGITAL. Anteproyecto de Ley xx/202X, de xx de xxxxxx, por la que se regula el marco de información corporativa sobre cuestiones medioambientales, sociales y de gobernanza.[S.l.: S.n.].
• MINISTERIO PARA LA TRANSFORMACIÓN DIGITAL Y DE LA FUNCIÓN PÚBLICA. Estrategia de Inteligencia Artificial 2024. [S.l.: S.n.].
• MODGIL, S.; SINGH, R. K.; HANNIBAL, C. Artificial intelligence for supply chain resilience: learning from Covid-19. The International Journal of Logistics Management, v. 33, n. 4, p. 1246-1268, 2022.
• MONIZ, A. B.; CANDEIAS, M.; BOAVIDA, N. Changes in productivity and labour relations: artificial intelligence in the automotive sector in Portugal. International Journal of Automotive Technology and Management, v. 22, n. 2, p. 222-244, 2022.
• MORALES PARADA, F. A.; JARNE JARNE, J. I. Divulgación de informaciones corporativas en las website de empresas cotizadas mexicanas: estado de situación y evolución. Trascender, contabilidad y gestión, v. 7, n. 21, p. 69-89, 2022.
• МОХАММЕД, А. М.; ВАХХАБ, А. The relationship between artificial intelligence and eaccounting programs: impact on the quality of financial reports in iraqi banks. Financial and credit activity problems of theory and practice, v. 6, n. 59, p. 180-193, 2024.
• MUÑOZ PAREDES, J. M. Nuevas tecnologías en el funcionamiento de las juntas generales y de los consejos de administración. [S.l.]: Civitas Ediciones, 2005.
• NAEEM, R.; KOHTAMÄKI, M.; PARIDA, V. Artificial intelligence enabled product- service innovation: past achievements and future directions. Review of Managerial Science, p. 1-44, 2024.
• NEVADO GIL, M.; GALLARDO VÁZQUEZ, D.; SÁNCHEZ HERNÁNDEZ, M. LA ADMINISTRACIÓN LOCAL Y SU IMPLICACIÓN EN LA CREACIÓN DE UNA CULTURA SOCIALMENTE RESPONSABLE. Revista Prisma Social, n. 10, 2013.
• OGBEIBU, S. et al. Green talent management and turnover intention: the roles of leader STARA competence and digital task interdependence. Journal of Intellectual Capital, v. 23, n. 1, p. 27-55, 2022.
• OLAN, F. et al. Sustainable supply chain finance and supply networks: The role of artificial intelligence. IEEE Transactions on Engineering Management, 2022.
• ONCIOIU, I. et al. The influence of social networks on the digital recruitment of human resources: An empirical study in the tourism sector. Sustainability, v. 14, n. 6, p. 3693, 2022.
• ONYEAKA, H. et al. Using artificial intelligence to tackle food waste and enhance the circular economy: Maximising resource efficiency and Minimising environmental impact: A review. Sustainability, v. 15, n. 13, p. 10482, 2023.
• ORTIZ, E.; CLAVEL, J. G. Índices de revelación de información: Una propuesta de mejora de la metodología. Aplicación a la información sobre recursos humanos incluida en los Informes 20F. Spanish Journal of Finance and Accounting/Revista Española de Financiación y Contabilidad, v. 35, n. 128, p. 87-113, 2006.
• PACHE DURÁN, M. et al. Divulgación de información sobre responsabilidad social en la administración pública a través de las páginas web: Un estudio aplicado a los gobiernos provinciales de Angola. XX Encuentro Internacional AECA, Libro de Actas, 2022.
• PAI, R. Y. et al. Integrating artificial intelligence for knowledge management systems- synergy among people and technology: a systematic review of the evidence. Economic research-Ekonomska istraživanja, v. 35, n. 1, p. 7043-7065, 2022.
• PARLAMENTO EUROPEO; CONSEJO DE LA UNIÓN EUROPEA. Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial y por el que se modifican los Reglamentos (CE) n.° 300/2008, (UE) n.° 167/2013, (UE) n.° 168/2013, (UE) 2018/858, (UE) 2018/1139 y (UE) 2019/2144 y las Directivas 2014/90/UE, (UE) 2016/797 y (UE) 2020/1828 (Reglamento de Inteligencia Artificial)Texto pertinente a efectos del EEE.[S.l.: S.n.]. Disponível em: <http://data.europa.eu/eli/reg/2024/1689/oj>.
  » http://data.europa.eu/eli/reg/2024/1689/oj
• PENG, Y. et al. Riding the waves of artificial intelligence in advancing accounting and its implications for sustainable development goals. Sustainability, v. 15, n. 19, p. 14165, 2023.
• PISONI, G.; MOLNÁR, B. AI-Based Solution for Sustainability Tracing for Companies. International Journal of Knowledge Management (IJKM), v. 20, n. 1, p. 1-17, 2024.
• RAJAGOPAL, N. K. et al. Future of Business Culture: An Artificial Intelligence‐Driven Digital Framework for Organization Decision‐Making Process. Complexity, v. 2022, n. 1, p. 7796507, 2022.
• RAJESH, A. S.; PRABHUSWAMY, M. S.; SATISH, H. S. Smart manufacturing through machine learning: A review, perspective and future directions to machining industry. In: AIP Publishing, 2023.
• REMONDINO, M.; ZANIN, A. Logistics and agri-food: Digitization to increase competitive advantage and sustainability. Literature review and the case of Italy. Sustainability, v. 14, n. 2, p. 787, 2022.
• ROBERT, L. P. et al. Designing fair AI for managing employees in organizations: a review, critique, and design agenda. Human-Computer Interaction, v. 35, n. 5-6, p. 545-575, 2020.
• ROBERTS, D. L.; CANDI, M. Artificial intelligence and innovation management: Charting the evolving landscape. Technovation, v. 136, p. 103081, 2024.
• ROUMELIOTIS, K. I.; TSELIKAS, N. D.; NASIOPOULOS, D. K. Unveiling Sustainability in ecommerce: GPT-Powered software for identifying sustainable product features. Sustainability, v. 15, n. 15, p. 12015, 2023.
• ROWAN, Neil J. et al. Digital transformation of peatland eco-innovations (‘Paludiculture’): Enabling a paradigm shift towards the real-time sustainable production of ‘greenfriendly’products and services. Science of the Total Environment, v. 838, p. 156328, 2022.
• ROŽMAN, M.; OREŠKI, D.; TOMINC, P. A multidimensional model of the new work environment in the digital age to increase a company’s performance and competitiveness. IEEE access, v. 11, p. 26136-26151, 2023.
• RUSCH, M.; SCHÖGGL, J. P.; BAUMGARTNER, R. J. Application of digital technologies for sustainable product management in a circular economy: A review. Business strategy and the environment, v. 32, n. 3, p. 1159-1174, 2023.
• RYAN, M. et al. An AI ethics ‘David and Goliath’: value conflicts between large tech companies and their employees. AI & SOCIETY, v. 39, n. 2, p. 557-572, 2024.
• SALEEM, I. et al. The interplay of AI adoption, IoT edge, and adaptive resilience to explain digital innovation: evidence from German family-Owned SMEs. Journal of Theoretical and Applied Electronic Commerce Research, v. 18, n. 3, p. 1419-1430, 2023.
• SAMADHIYA, A. et al. Bridging realities into organizations through innovation and productivity: exploring the intersection of artificial intelligence, internet of things, and big data analytics in the metaverse environment using a multi-method approach. Decision Support Systems, v. 185, p. 114290, 2024.
• SEMTNER, A.; DZATOR, J.; NADOLNY, A. Is no (soft) skill left behind? Do soft skills enable job mobility. Applied Economics, p. 1-19, 2024.
• SHAIK, T. et al. A review of the trends and challenges in adopting natural language processing methods for education feedback analysis. Ieee Access, v. 10, p. 56720-56739, 2022.
• SINGH, R. K.; MODGIL, S.; SHORE, A. Building artificial intelligence enabled resilient supply chain: a multi-method approach. Journal of Enterprise Information Management, v. 37, n. 2, p. 414-436, 2024.
• SIPOLA, J.; SAUNILA, M.; UKKO, J. Adopting artificial intelligence in sustainable business. Journal of Cleaner Production, v. 426, p. 139197, 2023.
• SKLAVOS, G. et al. Environmental, Social, and Governance-Based Artificial Intelligence Governance: Digitalizing Firms’ Leadership and Human Resources Management. Sustainability, v. 16, n. 16, p. 7154, 2024.
• SRIDHAR, A. et al. Digitalization of the agro-food sector for achieving sustainable development goals: a review. Sustainable Food Technology, 2023.
• SUÁREZ GIRI, F.; SÁNCHEZ CHAPARRO, T. Unveiling the blackbox within ESG ratings’ blackbox: Toward a framework for analyzing AI adoption and its impacts. Business Strategy & Development, v. 7, n. 4, p. e70038, 2024.
• SUTIENE, K. et al. Enhancing portfolio management using artificial intelligence: literature review. Frontiers in Artificial Intelligence, v. 7, p. 1371502, 2024.
• TAIROV, I. et al. Review of AI-driven solutions in business value and operational efficiency. Economics Ecology Socium, v. 8, n. 3, p. 55-66, 2024.
• TALUKDER, M. Alamin et al. Securing transactions: A hybrid dependable ensemble machine learning model using iht-lr and grid search. Cybersecurity, v. 7, n. 1, p. 32, 2024.
• TOBARRA, L. et al. A cloud game-based educative platform architecture: The cyberscratch project. Applied Sciences, v. 11, n. 2, p. 807, 2021.
• TSANG, A.; FROST, T.; CAO, H. Environmental, social, and governance (ESG) disclosure: A literature review. The British Accounting Review, v. 55, n. 1, p. 101149, 2023.
• UREN, V.; EDWARDS, J. S. Technology readiness and the organizational journey towards AI adoption: An empirical study. International Journal of Information Management, v. 68, p. 102588, 2023.
• VĂRZARU, A. A. An empirical framework for assessment of the effects of digital technologies on sustainability accounting and reporting in the european union. Electronics, v. 11, n. 22, p. 3812, 2022.
• VECCHIARINI, M.; SOMIÀ, T. Redefining entrepreneurship education in the age of artificial intelligence: An explorative analysis. The International Journal of Management Education, v. 21, n. 3, p. 100879, 2023.
• VERGARA VILLEGAS, O. O. et al. Artificial Intelligence for Industry 4.0 in Iberoamerica. Computación y Sistemas, v. 25, n. 4, p. 761-773, 2021.
• WANG, J.; SUN, Q.; ZHOU, C. Insider threat detection based on deep clustering of MultiSource behavioral events. Applied Sciences, v. 13, n. 24, p. 13021, 2023.
• WANG, Y. et al. A literature review on the application of digital technology in achieving green supply chain management. Sustainability, v. 15, n. 11, p. 8564, 2023.
• XIE, S. Improving explainability of major risk factors in artificial neural networks for auto insurance rate regulation. Risks, v. 9, n. 7, p. 126, 2021.
• XING, Y. et al. Uncovering the Dark Side of Artificial Intelligence in Electronic Markets: A Systematic Literature Review. Journal of Organizational and End User Computing (JOEUC), v. 35, n. 1, p. 1-25, 2023.
• XIONG, Y. The impact of artificial intelligence and digital economy consumer online shopping behavior on market changes. Discrete Dynamics in Nature and Society, v. 2022, n. 1, p. 9772416, 2022.
• YU, X.; XU, S.; ASHTON, M. Antecedents and outcomes of artificial intelligence adoption and application in the workplace: the socio-technical system theory perspective. Information Technology & People, v. 36, n. 1, p. 454-474, 2023.
• ZAID, M.; FAROOQI, R.; AZMI, S. N. Driving sustainable supply chain performance through digital transformation: the role of information exchange and responsiveness. Cogent Business & Management, v. 12, n. 1, p. 2443047, 2025.
• ZAILANI, S. et al. Barriers to product return management in automotive manufacturing firms in Malaysia. Journal of cleaner production, v. 141, p. 22-40, 2017.
• ZENG, X.; LI, S.; YOUSAF, Z. Artificial intelligence adoption and digital innovation: how does digital resilience act as a mediator and training protocols as a moderator? Sustainability, v. 14, n. 14, p. 8286, 2022.
• ZHANG, H.; ZHENG, Z. [Retracted] Application and Analysis of Artificial Intelligence in College Students’ Career Planning and Employment and Entrepreneurship Information Recommendation. Security and Communication Networks, v. 2022, n. 1, p. 8073232, 2022.
• ZHANG, Q.; ZHANG, J. A self-organized mapping neural network-based intelligent evaluation model for business capacity in enterprise management. IEEE Access, 2023.
• ZHAO, Y. Decision support system for economic management of large enterprises based on artificial intelligence. Wireless Communications and Mobile Computing, v. 2022, n. 1, p. 9453580, 2022.
• ZHU, C. Construction and risk analysis of marketing system based on ai. Scientific Programming, v. 2022, n. 1, p. 2839834, 2022.

• 

  
  
• Financiación:
  No aplicable.
• 1
  Resultados obtenidos el 20 de febrero de 2025.
• 

  
  
• Aprobación ética:
  No aplicable.
• Disponibilidad de datos y material:
  No aplicable.
• Imagen:
  Extraídada plataforma Scholar Google.
• JITA:
  BD. Information society
• ODS:
  9. Industria, innovación e infraestructura

Editado por

• Editor:
  Gildenir Carolino Santos https://orcid.org/0000-0002-4375-6815

Disponibilidad de datos

No aplicable.

Fechas de Publicación

• Publicación en esta colección
  27 Abr 2026
• Fecha del número
  2026

Histórico

• Recibido
  18 Mar 2025
• Acepto
  08 Set 2025
• Publicado
  19 Set 2025