gonzalo@flores — ~/libro/bibliografia sitio ↗
Acervo · Gonzalo Flores libro digital vivo EN
Índice del libro
Cierre
maduro actualizado: 2026-07-04

Bibliografía

Estas son las fuentes citadas en el libro. La regla es estricta: solo figura aquí lo que se pudo verificar, y cada cifra concreta se atribuye a su fuente. Donde un dato es una estimación o una decisión de diseño, el capítulo correspondiente lo dice.

Teoría sociotécnica y diseño participativo

  • Baxter, G. & Sommerville, I. (2011). “Socio-technical systems: From design methods to systems engineering.” Interacting with Computers. Diseño sociotécnico iterativo y con usuarios.
  • Mumford, E. Método ETHICS (diseño sociotécnico participativo). El diseño debe involucrar a quienes van a usar el sistema.
  • Trist, E. & Bamforth, K. (1951). “Some Social and Psychological Consequences of the Longwall Method of Coal-Getting.” Human Relations. Origen de la teoría sociotécnica; optimización conjunta de los subsistemas social y técnico.

Adopción de IA en pymes (STST procesual)

  • Amanollahnejad, A., Fosso-Wamba, S., Shabbir, M. S. & Pakseresht, A. (2026). “Aligning Socio-Technical Systems: Rethinking AI Adoption and Digital Transformation in SMEs.” Information Systems Management 43(2), 103–117. DOI 10.1080/10580530.2025.2612175. Estudio cualitativo (27 pymes UK): adopción recursiva/episódica, bricolaje técnico, liderazgo episódico, productive misalignment. Matiz geográfico: ilustración de mecanismos, no predicción automática para LatAm.

Cultura organizacional y transformación digital (economías emergentes)

  • Shokrollahi Yancheshmeh, M. (2026). “AI-Driven Digital Transformation and Organizational Culture Alignment in Emerging Economies: A Review of the Literature and Future Research Directions.” Zenodo. DOI 10.5281/zenodo.18094050. SLR 2015–2023: triple cuello (infra, talento, cultura) en economías emergentes; alineación estrategia–cultura–tecnología. Matiz: Zenodo, no revista indexada; no citar coeficientes r agregados del documento.
  • Gupta, S., Bhardwaj, A. & Singh, R. (2020). “Digital transformation and organizational culture.” Journal of Business Research 121, 1–15.
  • Vial, G. (2019). “Understanding digital transformation: A review and a research agenda.” The Journal of Strategic Information Systems 28(2), 118–144.
  • Henderson, J. C. & Venkatraman, N. (1993). “Strategic Alignment: Leveraging Information Technology for Transforming Organizations.” IBM Systems Journal 32(1), 4–16.
  • Schein, E. H. (2010). Organizational Culture and Leadership (4.ª ed.). Jossey-Bass.
  • Westerman, G., Bonnet, D. & McAfee, A. (2011). “The Digital Advantage.” MIT Sloan Management Review 52(2).

Sociología de la técnica

  • Callon, M. (1986). “Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St Brieuc Bay.” En J. Law (ed.), Power, Action and Belief. Los cuatro momentos de la traducción: problematización, interesamiento, enrolamiento y movilización.
  • Latour, B. (2005). Reassembling the Social. Oxford University Press. Teoría del actor-red; concepto de traducción (desarrollado también por Callon, M., 1986).

Inteligencia artificial centrada en el humano y responsable

  • Dignum, V. (2019). Responsible Artificial Intelligence. Springer. Sistematización de la IA responsable.
  • O’Neil, C. (2016). Weapons of Math Destruction. El daño de los modelos opacos que esconden sesgos a escala.
  • Shneiderman, B. (2020). “Human-Centered AI” (y el libro de Oxford University Press, 2022). Combinar alta automatización con alto control humano.

Sociotécnica agéntica y equipos humano-IA

  • Donta, P. K. et al. (2025). “Socio-technical aspects of Agentic AI.” arXiv:2601.06064. DOI 10.48550/arXiv.2601.06064. Primer marco (MAD-BAD-SAD) que trata los sistemas agénticos como sistemas sociotécnicos cuyo comportamiento es coproducido por algoritmos, datos, prácticas organizacionales, regulación y normas.
  • Xu, W. & Gao, Z. (2024). “An intelligent sociotechnical systems (iSTS) framework: Enabling a hierarchical human-centered AI (hHCAI) approach.” arXiv:2401.03223. Extiende la optimización conjunta de Tavistock a cuatro niveles: individual, organizacional, de ecosistema y societal.
  • Masters, C. et al. (2025). “Orchestrating Human-AI Teams: The Manager Agent as a Unifying Research Challenge.” arXiv:2510.02557. Los manager agents (GPT-5, 20 workflows) aún fracasan en optimizar conjuntamente objetivos, restricciones y tiempo de ejecución.
  • Karpathy, A. (2025). “2025 LLM Year in Review.” Software 3.0 y context engineering: el contexto que se le arma a un agente decide más que el modelo.

Psicología de la adopción

  • Beane, M. (2024). The Skill Code: How to Save Human Ability in an Age of Intelligent Machines. Harper Business. Las tres C —challenge, complexity, connection— del vínculo experto-novato; la IA que absorbe las tareas de entrada erosiona la formación de habilidad.
  • Gillespie, N., Lockey, S., Ward, T., Macdade, A. & Hassed, G. (2025). Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025. University of Melbourne & KPMG. n>48.000 en 47 países: 66% usa IA, 46% está dispuesto a confiar; casi la mitad la usa contra las políticas de su organización.
  • Dell’Acqua, F. et al. (2025). “The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise.” NBER Working Paper 33641. DOI 10.3386/w33641. n=776 en Procter & Gamble: individuos con IA igualan equipos sin IA; la IA rompe silos funcionales.
  • Högemann, M., Hein, L., Britsche, J.-O. & Thomas, O. (2025). “Technostress and generative AI in the workplace: a qualitative analysis of young professionals.” Frontiers in Artificial Intelligence 8, 1728881. DOI 10.3389/frai.2025.1728881. Tecnoestrés de la zona gris: ambigüedad regulatoria, protección de datos, dependencia percibida.

Calidad de datos

  • Redman, T. (2008). Data Driven. Harvard Business Press. La calidad de datos como problema de gestión y procesos.
  • Redman, T. (2017). “Seizing Opportunity in Data Quality.” MIT Sloan Management Review. La mala calidad de datos cuesta a la mayoría de las organizaciones entre el 15% y el 25% de sus ingresos.
  • Wang, R. & Strong, D. (1996). “Beyond Accuracy: What Data Quality Means to Data Consumers.” Journal of Management Information Systems. Calidad de datos como aptitud para el uso; dimensiones contextuales.

Madurez, absorción y difusión

  • Cohen, W. M. & Levinthal, D. A. (1990). “Absorptive Capacity: A New Perspective on Learning and Innovation.” Administrative Science Quarterly 35(1), 128–152. La capacidad de absorber conocimiento externo depende del previo y es acumulativa.
  • Jöhnk, J., Weißert, M. & Wyrtki, K. (2021). “Ready or Not, AI Comes.” Business & Information Systems Engineering 63(1), 5–20. DOI 10.1007/s12599-020-00676-7. 18 factores de AI readiness en 5 categorías.
  • Moore, G. (1991). Crossing the Chasm. HarperBusiness. El “abismo” entre adoptantes tempranos y la mayoría temprana.
  • Rogers, E. M. (1962; 5.ª ed. 2003). Diffusion of Innovations. Free Press. Curva de adopción en S, cinco categorías de adoptantes y cinco atributos percibidos.
  • Sadiq, R. B., Safie, N., Abd Rahman, A. H. & Goudarzi, S. (2021). “Artificial intelligence maturity model: a systematic literature review.” PeerJ Computer Science 7, e661. DOI 10.7717/peerj-cs.661. La literatura de madurez de IA está sesgada a lo técnico y menos de la mitad de los modelos reporta validación empírica.
  • Heger, A. K., Passi, S., Dhanorkar, S., Kahn, Z., Wang, R. & Vorvoreanu, M. (2025). “Towards a Responsible AI Organizational Maturity Model.” Proc. ACM Human-Computer Interaction 9(7), CSCW. DOI 10.1145/3757514. 24 dimensiones derivadas de más de noventa especialistas en IA responsable.

Evidencia empírica sobre el impacto de la IA

  • Otis, N., Clarke, R., Delecourt, S., Holtz, D. & Koning, R. (2024). The Uneven Impact of Generative AI on Entrepreneurial Performance. Working paper, Harvard Business School / UC Berkeley Haas (SSRN 4671369). Experimento con 640 emprendedores en Kenia: alto rendimiento alrededor de +15%, bajo rendimiento alrededor de −8%.
  • UNCTAD (2025). Technology and Innovation Report 2025: Inclusive Artificial Intelligence for Development. Ejes de infraestructura, datos y habilidades; “brecha de cómputo” para pymes y países de bajos ingresos.
  • Challapally, A., Pease, C., Raskar, R. & Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT Project NANDA (v0.1, preliminar). El 95% de las organizaciones obtiene cero retorno de la GenAI; la causa es una brecha de aprendizaje organizacional, no los modelos. Reporte preliminar, no revisado por pares.
  • Brynjolfsson, E., Li, D. & Raymond, L. (2025). “Generative AI at Work.” The Quarterly Journal of Economics 140(2), 889–942. DOI 10.1093/qje/qjae044. +15% de casos resueltos por hora en soporte; los trabajadores menos experimentados mejoran más.
  • McKinsey (2025). The State of AI in 2025: Agents, innovation, and transformation (noviembre 2025). Solo ≈6% de los respondentes atribuyen ≥5% de su EBIT al uso de IA; 39% reporta algún impacto en EBIT.
  • IBM (2025). Cost of a Data Breach Report 2025. Las organizaciones con alto nivel de shadow AI observan en promedio USD 670.000 más de costo de brecha; 1 de cada 5 sufrió una brecha por shadow AI. Reporte de industria.
  • Stanford HAI (2026). Artificial Intelligence Index Report 2026. Estado del arte anual; cubre la IA agéntica dentro de desempeño técnico y economía.
  • Anthropic (2026). Anthropic Economic Index (report de enero 2026, datos de noviembre 2025). Augmentación 52% vs. automatización 45%; serie temporal, citar con fecha.

Adopción de IA en América Latina

  • CEPAL (2024). Penetración de IA en América Latina inferior al 4% (frente a más del 20% en Europa); en Brasil, 41% de las grandes firmas usan IA frente a 11% de las pymes.
  • CEPAL. “Factores determinantes de la adopción de la IA en empresas: caso Brasil” (publicación 81911). Fuente del dato 41% grandes vs. 11% pymes.
  • CEPAL (2024). Overcoming Development Traps in Latin America and the Caribbean in the Digital Age. Corpus de gobierno digital y modernización del Estado.
  • Jung, J. & Katz, R. (2024/2025). “Impacto económico de la inteligencia artificial en América Latina.” CEPAL (publicación 81909).
  • nodo nadIA (CEPE-UTDT + Fundar) (2025). Encuesta nacional de adopción de IA en pymes argentinas (n=402). 41,6% usa al menos una IA; herramientas mayormente básicas; indicadores de gobernanza y capacidades internas muy bajos.

Gobernanza de IA

  • NIST (2023). AI Risk Management Framework (AI RMF 1.0). Cuatro funciones: Govern, Map, Measure, Manage.
  • Reglamento (UE) 2024/1689 — EU AI Act. En vigor desde el 1 de agosto de 2024; aplicación escalonada. Vinculante, con sanciones.
  • OCDE (2025). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. Alrededor de 200 casos de uso de IA en gobiernos; marco de tres pilares —enablers, guardrails, engagement— y once funciones core.
  • CEPAL & CENIA (2025). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025 (3.ª ed.). 19 países; clasificación en pioneros, adoptantes y exploradores según la madurez del ecosistema.

Voz del trabajador y codeterminación

  • Doellgast, V. & Geiser, S. (2025). Boosting U.S. Worker Power and Voice in the AI-Enabled Workplace. Washington Center for Equitable Growth. Consejos de empresa negociando el uso de IA en la industria ICT alemana tras la reforma 2021 de la ley de organización empresarial.
  • NBER (2026). “Worker Voice and Firm Governance.” NBER Reporter, 2026, Number 1. Estado del arte sobre voz del trabajador, works councils y codeterminación.

Contrapuntos de divulgación (entre el hype y el anti-hype)

  • Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio / Penguin. Divulgación pro-adopción práctica.
  • Narayanan, A. & Kapoor, S. (2024). AI Snake Oil. Princeton University Press. Anti-hype riguroso: distinguir lo que la IA puede de lo que no.
  • Narayanan, A. & Kapoor, S. (2025). “AI as Normal Technology.” Knight First Amendment Institute, Columbia. La IA se difunde como tecnología normal, gradual y mediada por instituciones —afín a adopción sin teleología.
  • Hoffman, R. & Beato, G. (2025). Superagency: What Could Possibly Go Right with Our AI Future. Authors Equity. Optimismo tecnológico sobre la IA como amplificadora de agencia.
  • Bender, E. M. & Hanna, A. (2025). The AI Con. Harper. Crítica al hype de las Big Tech.
  • Bornet, P., Wirtz, J., Davenport, T. H., De Cremer, D. et al. (2025). Agentic Artificial Intelligence. World Scientific. Panorama de gestión de la ola agéntica.

Cambio organizacional

  • Cummings, S., Bridgman, T. & Brown, K. G. (2016). “Unfreezing change as three steps: Rethinking Kurt Lewin’s legacy for change management.” Human Relations 69(1), 33–60. Documenta que el modelo descongelar–cambiar–recongelar es una canonización posterior: Lewin nunca lo presentó como modelo cerrado.
  • Díaz Barrios, J. (2005). Cambio organizacional: una aproximación por valores. Valores del cambio integral: comunicación, participación, aprendizaje.
  • Kotter, J. P. (1996). Leading Change. Harvard Business School Press. Los ocho pasos del cambio organizacional.
  • Lewin, K. (1947). “Frontiers in Group Dynamics.” Human Relations 1(1). Base del modelo de tres momentos (descongelar–cambiar–recongelar), canonizado después.

Conocimiento tácito y construcción de sentido

  • Nonaka, I. & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press. Sostiene que buena parte del conocimiento tácito sí puede explicitarse y codificarse; se cita como contrapunto deliberado a Polanyi.
  • Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press. “Sabemos más de lo que podemos decir”: el conocimiento tácito no es del todo codificable.
  • Weick, K. E. (1995). Sensemaking in Organizations. Sage. La construcción de sentido es retrospectiva, social y prioriza la plausibilidad sobre la exactitud.

Volver al Prefacio · Sobre el autor · Licencia o a La tesis del puente.