Inteligencia artificial y la naturaleza cambiante de las nuevas empresas: Presentación del marco Virgen para el emprendimiento impulsado por IA
- Miguel Virgen, PhD Student in Business
- hace 7 horas
- 16 Min. de lectura
El marco Virgen: un marco para lanzar y operar una gran empresa con un equipo pequeño o un solo fundador mediante la explotación de la inteligencia artificial (IA) a escala.
El Marco Virgen es un marco organizativo y estratégico, presentado en 2026 por Miguel Virgen , que explica cómo un equipo muy pequeño o un solo fundador pueden lanzar, gestionar y escalar grandes empresas mediante la explotación sistemática de la inteligencia artificial (IA) a gran escala. El marco conceptualiza la IA no solo como una herramienta de productividad, sino como un sustituto operativo esencial de las funciones tradicionales que requieren mucha intervención humana, lo que permite a las empresas obtener un mayor apalancamiento, eficiencia operativa y alcance de mercado.
Virgen, M. (2026). Inteligencia artificial y la naturaleza cambiante de las nuevas empresas: Introducción al marco Virgen para el emprendimiento impulsado por IA. Disponible en: Doctors In Business Journal . https://doi.org/10.5281/zenodo.18475555
Abstracto
La rápida difusión de la inteligencia artificial (IA) está transformando las limitaciones empresariales, las estructuras laborales y la ventaja competitiva. Las teorías tradicionales de la organización y el emprendimiento asumen que escalar un negocio requiere aumentos proporcionales en la mano de obra humana, la jerarquía gerencial y los costos operativos fijos. Mi objetivo es desafiar esta suposición y promover la literatura académica y los estándares de la industria mediante la introducción del Marco Virgen, un marco conceptual y operativo que explica cómo las empresas grandes y escalables pueden ser lanzadas y operadas por un solo fundador o por pequeños equipos humanos mediante la explotación sistemática de la IA a escala. Basado en la perspectiva basada en recursos, la economía empresarial y las teorías del emprendimiento, el marco identifica los mecanismos esenciales de las actividades empresariales y las vías de validación. El Marco Virgen avanza la teoría al redefinir la escala, el apalancamiento laboral y la coordinación en la era de la IA, ofreciendo una perspectiva que la futura investigación empírica y conceptual debe abordar al examinar las startups impulsadas por la IA. En este artículo, presento propuestas claras, un modelo formal y una guía metodológica para garantizar la replicabilidad y el escrutinio académico.
1. Introducción
La lógica dominante del crecimiento empresarial en la investigación sobre gestión y emprendimiento ha equiparado durante mucho tiempo la escala con la plantilla, la complejidad jerárquica y la intensidad del capital. Los marcos clásicos y contemporáneos, desde la teoría organizacional chandleriana hasta los modelos de escala, asumen que el tamaño de la empresa y el alcance del mercado crecen junto con el incremento de la mano de obra humana y los estratos directivos. Sin embargo, el auge de los sistemas de inteligencia artificial ha cambiado y cuestionado esta suposición.
Los sistemas de IA ahora pueden realizar tareas cognitivas, operativas, analíticas y creativas que antes se consideraban inseparables del trabajo de los empleados. Las empresas que implementan eficazmente el uso adecuado de la IA pueden coordinar sus operaciones y atender a mercados globales con una cantidad mínima o nula de empleados. A pesar de este cambio, la literatura académica carece de un marco unificador que explique cómo las empresas pueden diseñarse intencionalmente para operar a gran escala económica y de mercado sin necesidad de contratar a un gran número de empleados, o incluso a ninguno.
Este artículo aborda esa brecha al proponer el Marco Virgen, un marco que explica las condiciones, los mecanismos y los procesos a través de los cuales la IA permite que equipos pequeños o un solo fundador construyan y operen una gran empresa.
2. Brecha teórica
Incluso las teorías de plataformas presuponen una importante participación humana, grandes equipos de ingeniería y supervisión gerencial a medida que aumenta la escala. Creo que esta literatura debería cuestionarse a medida que la IA continúa creciendo y se convierte en un actor clave en la innovación.
La investigación sobre IA ha explorado la automatización, el apoyo a la toma de decisiones y la gestión algorítmica, y, sin embargo, los estudios existentes tienden a analizar la IA como una herramienta dentro de las organizaciones tradicionales en lugar de como la lógica organizativa central del negocio en sí.
He descubierto que la literatura académica actual sobre IA en los negocios carece de un marco que la conceptualice como el principal recurso de coordinación y escalamiento de una empresa, en lugar de un software auxiliar. El Marco Virgen cubre esta laguna al explicar cómo la IA altera la relación entre el trabajo, la escala y la creación de valor.
3. Ampliación y ampliación de los fundamentos teóricos
3.1 Adición y ampliación de fundamentos teóricos
El Marco Virgen promueve la comprensión académica de la formación, organización y escalamiento de empresas en la era de la IA, identificando y subsanando lagunas conceptuales en diversas perspectivas teóricas consolidadas. A continuación, resumo cómo el Marco interactúa, amplía y revisa seis tradiciones influyentes: la Teoría del Cambio, los OKR, la conversión, los modelos AIDA, Agile/Scrum, Design Thinking, VRIO y el Modelo de Proceso Emprendedor. Resalto las principales deficiencias teóricas que presenta cada tradición frente a la IA generalizada y muestro cómo el Marco Virgen redefine los constructos, mecanismos y preguntas de investigación centrales.
3.1 Teoría del cambio
Los enfoques de la Teoría del Cambio (TdC) tradicional modelan las vías causales desde los insumos y las actividades hasta los resultados, asumiendo que los humanos son los principales agentes de implementación y aprendizaje (Kayikci et al., 2024). Esta formulación antropocéntrica limita el alcance explicativo de la TdC cuando son los sistemas algorítmicos, en lugar del trabajo humano, quienes realizan la ejecución, la experimentación y la adaptación sustanciales. El Marco Virgen reconceptualiza la cadena de insumos, actividades y resultados de la TdC al tratar a los sistemas de IA como agentes operativos autónomos cuya dinámica de aprendizaje, ciclos de retroalimentación y modalidades de implementación constituyen mecanismos centrales del cambio. Bajo esta reconceptualización, las asignaciones causales deben considerar (a) las tasas de aprendizaje algorítmico y los ciclos de reentrenamiento, (b) la procedencia de los datos y el sesgo de representación como determinantes causales, y (c) las interfaces de gobernanza humano-IA que median la captura de valor y el riesgo ético.
Contribución: El Marco Virgen amplía la Teoría del Cambio al (1) incorporar actores no humanos en mapas causales como impulsores endógenos de resultados, (2) convertir la adaptación algorítmica en una variable explicativa de primer orden, y (3) proporcionar una guía metodológica para combinar la evaluación realista con datos de trazas computacionales. Implicación empírica: los evaluadores de programas deberían incorporar métricas operativas de los procesos de IA en los indicadores derivados de la Teoría del Cambio para comprobar si los agentes algorítmicos generan los resultados previstos independientemente de las aportaciones humanas o en interacción con ellas (Shin et al., 2025).
3.2 Objetivos y resultados clave (OKR)
Los OKR se definen tradicionalmente como un mecanismo de rendimiento y alineación dirigido por personas. Los líderes establecen los objetivos, los interpretan los equipos y se logran mediante el esfuerzo humano coordinado (Rompho, 2024). Este enfoque subestima cómo funcionan el establecimiento, la priorización y la medición de objetivos cuando los sistemas algorítmicos realizan cada vez más tareas operativas y estratégicas (Wowerath, 2026). El marco Virgen amplía la teoría de los OKR al (a) distinguir la intención humana de la ejecución algorítmica, (b) formalizar flujos de objetivos híbridos donde los agentes de IA proponen, priorizan y operacionalizan resultados clave de forma autónoma, y (c) definir nuevas primitivas de medición que capturan la contribución de la IA.
Contribución: Al integrar la IA en el ciclo de OKR, el Marco Virgen transforma el Marco de Objetivos y Resultados Clave (OKR) de un mecanismo de coordinación puramente gerencial a una arquitectura de rendimiento integrada que alinea la estrategia humana con la capacidad algorítmica. Los estudios deberían evaluar cómo los OKR potenciados por IA afectan la fidelidad estratégica, la asignación de recursos y la capacidad de respuesta, utilizando diseños experimentales y longitudinales para observar los efectos en cascada cuando los objetivos son ejecutados parcial o totalmente por agentes de IA (Gudigantala et al., 2023).
3.3 Modelos de conversión (AIDA y teoría del embudo)
Los modelos clásicos de embudo de marketing, como AIDA, asumen que los actores humanos diseñan mensajes persuasivos y que los consumidores progresan a través de etapas psicológicas relativamente estables (Sari et al., 2026). Estos modelos subestiman los contextos en los que la IA genera, personaliza y optimiza iterativamente los mensajes de forma autónoma en tiempo real. El Marco Virgen replantea la conversión como un sistema de aprendizaje dinámico y recursivo en el que la IA desempeña un papel activo y adaptativo. Los agentes de IA infieren continuamente la intención del consumidor, ejecutan microexperimentos y redefinen las tácticas de adquisición previas (Gao et al., 2023; Shao et al., 2025). Esta redefinición alinea la teoría del marketing con la teoría de sistemas y la investigación en aprendizaje automático, al priorizar los ciclos de retroalimentación, el aprendizaje en línea y la segmentación emergente como mecanismos centrales de la conversión.
Contribución: El marco amplía la teoría del embudo al (1) operacionalizar la conversión como ciclos de medida-acción mediados algorítmicamente, (2) introducir medidas temporales de persuasión adaptativa y (3) proponer métodos para detectar la intención latente durante la sesión. Las pruebas empíricas deben combinar trazas de comportamiento a nivel de sesión con registros de pruebas A/B para evaluar cómo la experimentación autónoma con IA altera la elasticidad de la conversión en las distintas etapas del embudo.
3.4 Agile y Scrum
Agile y Scrum se centran en equipos humanos que se autoorganizan, iteran y coordinan mediante roles y ceremonias (Lawong et al., 2025). Si bien son adecuados para la colaboración humana, estos marcos subestiman las formas organizativas en las que los sistemas de IA realizan tareas rutinarias de análisis, síntesis, pruebas e implementación (Qureshi et al., 2024). El marco Virgen replantea la agilidad como una propiedad que surge de los conjuntos humano-IA, en lugar del tamaño del equipo o el diseño de roles. Posiciona a los sistemas de IA como agentes de ejecución principales capaces de mantener una iteración de alta velocidad con mínima supervisión humana, desvinculando así la adaptabilidad de una gran cantidad de personal humano y conciliando la agilidad con la escalabilidad.
Contribución: El marco promueve la teoría de escala en la investigación ágil al mostrar cómo la IA permite la entrega continua y experimentos rápidos sin mecanismos de escalado jerárquico (p. ej., SAFe). Plantea preguntas sobre la transparencia, la confianza y la gobernanza en flujos de trabajo sociotécnicos distribuidos. Metodológicamente, los investigadores deberían estudiar los procesos híbridos de Scrum mediante la instrumentación de pipelines (CI/CD, ciclos de entrenamiento de modelos) y su mapeo con artefactos y eventos tradicionales de Scrum para identificar puntos de fricción sociotécnica (Gannar et al., 2025).
3.5 Pensamiento de diseño
El énfasis en la empatía, la ideación y la creación de prototipos, centrado en el ser humano, del Design Thinking, ha impulsado la práctica de la innovación en diversas industrias (Das et al., 2024). Sin embargo, sus supuestos antropocéntricos ocultan cómo la IA generativa puede contribuir como generadora de insights, observadora a gran escala del comportamiento del usuario y motor de creación automatizada de prototipos (Patkar et al., 2025). El Marco Virgen amplía el Design Thinking al considerar la IA como fuente de insights latentes del usuario y como codiseñadora que aumenta, acelera y, en algunos casos, sustituye la ideación humana. El diseño aumentado por IA sigue siendo responsable y explicable, integrando aprendizaje automático explicable y la participación iterativa del profesional clínico o del usuario cuando sea relevante, para mitigar el sesgo y preservar los valores humanos (Shulha et al., 2024).
Contribución: El Marco amplía la teoría del Design Thinking para incluir la cocreación algorítmica, especificando las primitivas de gobernanza (explicabilidad, contestabilidad, supervisión participativa) necesarias para un despliegue responsable. La investigación debe evaluar los procesos de ideación híbridos entre humanos e IA, prestando especial atención a las vías de amplificación de sesgos y a los métodos para identificarlas y remediarlas (Scharff et al., 2025).
3.6 VRIO y la vista basada en recursos (RBV)
Los análisis RBV y VRIO basan la ventaja competitiva en recursos propios de la empresa que son valiosos, escasos, inimitables y bien organizados (Amaya et al., 2024). Estos marcos presuponen que la explotación de dichos recursos suele requerir una organización jerárquica y escasez de personal cualificado (Ferreira et al., 2022). El marco Virgen modifica esta explicación al demostrar cómo la IA transforma las propiedades económicas de los recursos: los modelos, conjuntos de datos y procesos automatizados pueden ser (a) muy valiosos y escalables, (b) comparativamente escasos debido a la propiedad de datos o arquitecturas, y (c) rápidamente imitables a menos que estén protegidos por una gobernanza complementaria y regímenes de aprendizaje continuo. Cabe destacar que Virgen replantea la «organización» en VRIO para incluir capas de orquestación algorítmica (canalizaciones de datos, gobernanza de la capacitación y sistemas de monitorización) que sustituyen a las estructuras de gestión tradicionales.
Contribución: El Marco contribuye al RBV al operacionalizar cómo la IA modifica los costos marginales, la imitabilidad y los mecanismos organizacionales necesarios para capturar rentas. Es necesario reanalizar el modelo VRIO para incorporar las posibilidades técnicas y las protecciones institucionales en las asociaciones de datos y los escudos de privacidad como recursos (Gondim et al., 2024). El trabajo empírico debe medir cómo las inversiones en IA alteran el cálculo VRIO a lo largo del tiempo, especialmente la dinámica de la imitación y la ventaja sostenida (Dastaki et al., 2026).
3.7 Modelo de Proceso Empresarial (EPM)
Los modelos EPM clásicos enfatizan los procesos cognitivos humanos —reconocimiento de oportunidades, juicio, movilización de recursos y aprendizaje—, enmarcados en la racionalidad limitada (Freitas et al., 2024). Estos modelos subestiman las situaciones en las que agentes algorítmicos participan o impulsan el reconocimiento, la valoración y la ejecución de oportunidades (McSweeney et al., 2025). El Marco Virgen integra una teoría de la ejecución en el EPM: articula cómo la IA puede detectar de forma autónoma las señales del mercado, sintetizar propuestas y ejecutar experimentos de crecimiento, lo que facilita la creación y el escalamiento de empresas con limitaciones extremas de recursos humanos. Esto no desplaza el rol del emprendedor, sino que lo reconfigura hacia la intención estratégica, la supervisión y el metaaprendizaje, mientras que la IA gestiona el apalancamiento operativo.
Contribución: Al integrar la IA en el Modelo de Proceso Empresarial (MPE), el Marco Virgen redefine el ámbito de la agencia empresarial y enriquece las teorías sobre la sostenibilidad de las empresas con recursos limitados. También destaca las dinámicas performativas y de señalización en contextos de adquisición de recursos, donde los fundadores aprovechan las capacidades de la IA en presentaciones y gobernanza para influir en las partes interesadas (McSweeney et al., 2025). La investigación debe trazar la cadena causal desde el descubrimiento de oportunidades mediante IA hasta la movilización de recursos y la viabilidad a largo plazo, empleando métodos mixtos que combinan datos computacionales de seguimiento con narrativas cualitativas de los fundadores (Qiu et al., 2026).
Contribuciones teóricas transversales y futuras direcciones de investigación
En estas tradiciones, el Marco Virgen ofrece tres movimientos teóricos transversales. En primer lugar, reubica la agencia: esta puede distribuirse entre actores humanos y no humanos, y por lo tanto, las teorías deben modelar explícitamente la agencia algorítmica adaptativa. En segundo lugar, redefine la escala: la escala ya no es una función lineal de la plantilla humana, sino una propiedad emergente de los datos, la arquitectura del modelo y la orquestación. En tercer lugar, operacionaliza la ejecución: el Marco proporciona nuevas primitivas (elasticidad de la automatización, velocidad de aprendizaje algorítmico, intensidad de la supervisión humana) que hacen que la ejecución sea comprobable dentro de las teorías establecidas.
Para impulsar la investigación empírica, el Marco recomienda (a) instrumentar canales algorítmicos junto con las métricas organizacionales tradicionales, (b) diseñar estudios longitudinales para capturar la dinámica de imitación y la deriva del modelo, y (c) desarrollar experimentos de campo que manipulen la autonomía y la gobernanza de la IA para observar los efectos posteriores en el rendimiento y la legitimidad. De esta manera, el Marco Virgen amplía las teorías en el ámbito empresarial, de la gestión y del emprendimiento. Además, proporciona directrices metodológicas concretas que permiten una investigación rigurosa y replicable de los fenómenos empresariales impulsados por la IA.
4. El marco Virgen: construcción central
4.1 Aprovechamiento de la IA
La implementación de IA a gran escala puede permitir que un equipo pequeño o un solo fundador controlen grandes actividades de ejecución que incluyen operaciones, marketing, interacción con el cliente, análisis y optimización, con una intervención humana mínima o nula.
4.2 Infraestructura de inteligencia escalable
Esto se refiere a las tuberías de datos, modelos, API y bucles de retroalimentación que permiten que la inteligencia escale sin trabajo humano y permiten que una empresa maximice sus ingresos y operaciones sin aumentar el número de empleados.
6. Diagrama del marco Virgen
El marco Virgen está estructurado como un sistema no jerárquico que reemplaza las capas de gestión humana tradicionales con arreglos centrados en IA.
Desarrollo del marco
El marco de Virgen propone que los sistemas de ejecución de IA reduzcan los costos de coordinación y, al mismo tiempo, reemplacen la necesidad de gerentes humanos, lo que permite una adaptación más rápida sin grandes retrasos organizacionales.
7. Desarrollo del marco
El Marco Virgen se desarrolló mediante un proceso estructurado de construcción de teorías. En el desarrollo del marco, incluí la síntesis de perspectivas de teorías empresariales consolidadas, junto con la literatura académica emergente sobre inteligencia artificial. Durante esta síntesis, descubrí una inconsistencia en la teoría existente. La IA continúa reduciendo los costos empresariales, y los marcos predominantes siguen asumiendo que la mano de obra humana y la supervisión gerencial aumentan proporcionalmente al tamaño de la empresa.
8. Contribuciones a la teoría y la práctica
El Marco Virgen contribuye a la teoría del emprendimiento y la gestión al redefinir la escala, el trabajo y la innovación en el mundo de las tecnologías y capacidades de IA en desarrollo. Mi objetivo es proporcionar a emprendedores y académicos un modelo para diseñar corporaciones impulsadas por la IA.
9. Investigación futura
Creo que los estudios futuros deberían evaluar las aplicaciones de la IA en empresas que operan en diferentes industrias, junto con las implicaciones éticas de la IA y las comparaciones en el desempeño de las empresas impulsadas por IA y las empresas tradicionales.
10. Conclusión
Este artículo presenta el Marco Virgen como una contribución teórica que explica cómo las pequeñas y grandes empresas pueden utilizar la IA para operar con un equipo reducido o con un solo fundador. Al abordar lagunas críticas en la literatura académica y ofrecer el Marco Virgen como un modelo extensible, el marco establece una base sobre la cual se puede construir la investigación académica futura sobre empresas impulsadas por la IA.
Referencias:
Amaya, N., Bernal-Torres, C., Nicolás-Rojas, Y., W., y Pando-Ezcurra, T. (2024). Rol de los recursos internos en la construcción de ventaja competitiva en una organización intensiva en conocimiento en un mercado emergente: Boletín Informal sobre Automatización de Bibliotecas. Revista VINE de Sistemas de Gestión de la Información y el Conocimiento, https://doi.org/10.1108/VJIKMS-01-2022-0029
Camara, R., Marinho, M., (2024). Adaptación ágil en entornos distribuidos a gran escala mediante marcos ágiles: Una revisión sistemática de la literatura. CLEI. DOI: https://doi.org/10.19153/cleiej.27.1.8
Das, P., Kar, B., Misra, SN y Misra, S. (2024). Marco de trayectoria profesional, coach y cohorte: Un enfoque de pensamiento de diseño para mejorar la autoeficacia profesional. The International Journal of Management. https://doi.org/10.1016/j.ijme.2023.100898
Dastaki, MS, Mahootchi, M., Moehler, R. y Afrazeh, A. (2026). Problema de selección de cartera de proyectos de desarrollo de nuevos productos (NDP) considerando opciones de creación de conocimiento y externalización. Computers & Industrial Engineering. , 212 . https://doi.org/10.1016/j.cie.2025.111702
Ferreira, JJM, Fernandes, CI, Ferreira, FAF, Ferreira, JJ, Fernandes, CI y Ferreira, FA (2022). ¿Qué hace que las organizaciones sean únicas? Mirando dentro de la caja. Revista de investigación empresarial. , 139 , 664–674. https://doi.org/10.1016/j.jbusres.2021.10.017
Freitas, C. (2024). El proceso emprendedor en el contexto de una isla remota: el caso de Madeira. Island Studies Journal, 19(1). https://doi.org/10.24043/001c.90535
Gao, H., Liu, H., Lin, W. y Chen, C. (2023). Enfoque de teoría de grafos para detectar intenciones en tiempo real dentro del embudo de conversión de compra mediante datos de flujo de clics. Kybernetes, 52 (11), 5139-5163. https://doi.org/10.1108/K-06-2021-0473
Gannar, S. y Chiraz, BK (2025). Dificultades reveladas en el proceso de enseñanza-aprendizaje de Scrum. Social Sciences & Humanities Open, 11 , 101357. https://doi.org/10.1016/j.ssaho.2025.101357
Gudigantala, N., Madhavaram, S. y Bicen, P. (2023). Un marco de toma de decisiones de IA para maximizar el valor empresarial. Revista AI, 44 (1), 67-84. https://doi.org/10.1002/aaai.12076
Gondim Mariutti, F., Strehlau, VI, Loomis, JJ y Herrero, E. (2024). Cuando la marca de lugar y el logotipo de lugar coinciden: VRIO aplicado al branding de lugar. Place Branding and Public Diplomacy, 20 (3), 335-349. https://doi.org/10.1057/s41254-024-00332-x
Integración del aprendizaje automático explicable en sistemas de apoyo a la toma de decisiones clínicas: estudio con un enfoque de Design Thinking modificado. doi:10.2196/50475 . URL: https://formative.jmir.org/2024/1/e50475
Kayikci, Y., Gozacan‐Chase, N., y Rejeb, A. (2024). Roles del emprendimiento blockchain para la transición a la cadena de suministro circular. Estrategia Empresarial y Medio Ambiente. , 33 (2), 197–222. https://doi.org/10.1002/bse.3489
Langergaard, LL, y Eschweiler, J. (2024). El rol del sueño social: ¿La utopía como variable desconocida en la innovación social? Journal of Social Entrepreneurship , 15 (3), 1039–1057. https://doi.org/10.1080/19420676.2022.2094990
Lawong, DA, Akanfe, O. y Lawong, DA (2025). Superar los desafíos del equipo en la gestión de proyectos: el marco scrum. Dinámica organizacional. , 54 (1). https://doi.org/10.1016/j.orgdyn.2024.101073
Miyazaki AD, Haderlie TC (2025;), "IA emocional como facilitadora del valor de servicio cocreado en un ecosistema de atención médica: un marco colectivo". Journal of Services Marketing , vol. n.° de publicación anticipada . https://doi.org/10.1108/JSM-01-2025-0041
McSweeney, JJ, McSweeney, KT, Allison, TH, Anglin, AH, McSweeney, JJ, McSweeney, KT, Allison, TH y Anglin, AH (2025). El proceso de presentación de proyectos empresariales. Una revisión sistemática mediante modelado de temas y una agenda de investigación futura. Journal of Business Venturing. https://doi.org/10.1016/j.jbusvent.2025.106519
Oloke, I. (2024). Teorías del cambio en la empresa social transformadora y compensatoria en debates con profesionales de Manitoba. Journal of Social Entrepreneurship , 15 (1), 263–282. https://doi.org/10.1080/19420676.2021.1961286
Patkar, S., Dalal, J. (2025). Revolucionando la experiencia de reclutamiento de pacientes en ensayos clínicos mediante el enfoque del pensamiento de diseño. Perspectivas en Investigación Clínica 16(4): págs. 184-190. https://doi.org/10.4103/picr.picr_38_25
Rompho, N. (2024). ¿Resuelven los objetivos y los resultados clave los problemas de medición del desempeño organizacional? Benchmarking, 31 (3), 669-682. https://doi.org/10.1108/BIJ-07-2022-0464
Shin, JE, Joe, M., Kim, E., Kang, N., Lee, J. y Lee, SW (2025). Descifrando la caja negra de las iniciativas de ciudades inteligentes inclusivas y centradas en el ser humano: un marco de evaluación basado en la teoría. Asian Journal of Technology Innovation , 33 (2), 459–482. https://doi.org/10.1080/19761597.2024.2367762
Sari, NP y Prabowo, FW (2026). Medición de la eficacia de Instagram para la promoción de servicios de bibliotecas académicas: Un enfoque basado en el modelo AIDA. Journal of Academic Librarianship , 52 (2). https://doi.org/10.1016/j.acalib.2026.103199
Shao, J., Jing, R. y Li, J. (2025). El impacto de los cupones y descuentos en la exposición y las distintas etapas del embudo de conversión: Una investigación empírica del servicio de entrega de comida en línea. Revista Canadiense de Ciencias de la Administración , 42 (1), 160–180. https://doi.org/10.1002/cjas.1764
Wowerath C (2026), "Involucrar a toda la organización: cómo los OKR mejoran la implementación de la estrategia integradora". Journal of Business Strategy, vol. 47, n.º 1, págs. 52-70, doi: https://doi.org/10.1108/JBS-08-2024-0145
Wowerath, C. (2026). Objetivos y resultados clave como herramienta para que los mandos intermedios mejoren el proceso de implementación de la estrategia. Journal of Business Research. , 202. https://doi.org/10.1016/j.jbusres.2025.115774
Qureshi JN, Farooq MS (2024) ChainAgile: Un marco para la mejora del desarrollo de software distribuido ágil Scrum basado en blockchain. PLoS ONE 19(3): e0299324. https://doi.org/10.1371/journal.pone.0299324
Qiu, S., Li, B. y Duan, Z. (2026). Cómo la IA moldea los procesos emprendedores en empresas sociales: Un modelo de vías aumentadas y centradas. Tecnología en la sociedad. , 85. https://doi.org/10.1016/j.techsoc.2025.103181
Scharff, C., Cotoranu, A., Wautelet, Y., Brusseau, J. (29 de julio de 2025). Incorporación sistemática de la equidad en el pensamiento de diseño para la educación en IA. Wiley. https://doi.org/10.1002/aaai.70008
Shulha M, Hovdebo J, D'Souza V, Thibault F, Harmouche R. (2024).
Cita: Virgen, M. (2026). Inteligencia artificial y la naturaleza cambiante de las nuevas empresas: Introducción al marco Virgen para el emprendimiento impulsado por IA. Disponible en: Doctors In Business Journal . https://doi.org/10.5281/zenodo.18475555
Palabras clave:
Inteligencia artificial, teoría organizacional, emprendimiento, escalabilidad empresarial, marco organizacional que prioriza la IA, emprendimiento computacional, teoría de empresas basadas en IA, sistemas organizacionales autónomos, arquitectura empresarial impulsada por IA, organizaciones de IA dirigidas por sus fundadores, modelos de empresas con mínimos recursos humanos, mecanismos de coordinación basados en IA, teoría organizacional poshumana, modelo de negocio impulsado por IA, IA para el escalamiento de startups, negocio de IA con fundadores individuales, gestión de empresas con IA.
