Vol. 7 – Núm. 1 / Enero – Junio – 2026
Capacidades dinámicas como mediadoras entre inteligencia
artificial generativa y desempeño innovador en pymes
ecuatorianas
Dynamic Capabilities as Mediators Between Generative Artificial
Intelligence and Innovative Performance in Ecuadorian SMEs
Capacidades dinâmicas como mediadoras entre a inteligência artificial
generativa e o desempenho inovador em PMEs equatorianas
Tamayo-Herrera, César
Universidad de las Fuerzas Armadas – ESPE
catamayo@espe.edu.ec
https://orcid.org/0000-0003-1796-6912
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/n1/1627
Como citar:
Tamayo-Herrera, C. (2026). Capacidades dinámicas como mediadoras entre inteligencia
artificial generativa y desempeño innovador en pymes ecuatorianas. Código Científico Revista
De Investigación, 7(1), 3358–3378.
Recibido: 30/04/2026 Aceptado: 27/05/2026 Publicado: 30/06/2026
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3359
Resumen
La creciente incorporación de inteligencia artificial generativa (IAGen) en las pymes amplía
las posibilidades de automatización, generación de conocimiento e innovación, aunque sus
beneficios dependen de capacidades organizacionales que permitan transformar estos recursos
tecnológicos en resultados empresariales. El estudio tuvo como objetivo analizar la relación
entre IAGen y desempeño innovador, considerando las capacidades dinámicas como
mecanismo mediador en pymes ecuatorianas. Se desarrolló una investigación documental, no
experimental, de alcance exploratorio-descriptivo, mediante análisis comparativo de evidencia
científica reciente y datos secundarios pertinentes. Los resultados mostraron asociaciones
positivas entre adopción de IA y capacidades dinámicas (β = 0,61), entre capacidades
dinámicas y desempeño innovador (β = 0,54), así como un efecto indirecto de β = 0,33; además,
la evidencia reveló que la utilización empresarial de IAGen se concentró principalmente en
generación de contenidos, comunicación y automatización. La interpretación conjunta indicó
que la tecnología no explica por sí sola el desempeño innovador, sino que su aprovechamiento
parece depender de capacidades para detectar oportunidades, integrar conocimiento y
reconfigurar recursos. Se concluyó que las capacidades dinámicas constituyen un mecanismo
explicativo relevante, aunque la naturaleza documental del estudio impide establecer
causalidad definitiva.
Palabras clave: inteligencia artificial generativa; capacidades dinámicas; desempeño
innovador; pymes; Ecuador.
Abstract
The growing adoption of generative artificial intelligence (GenAI) in small and medium-sized
enterprises (SMEs) expands the possibilities for automation, knowledge generation, and
innovation, although its benefits depend on organizational capabilities that enable these
technological resources to be transformed into business outcomes. The study aimed to analyze
the relationship between GenAI and innovative performance, considering dynamic capabilities
as a mediating mechanism in Ecuadorian SMEs. A non-experimental, exploratory-descriptive
literature review was conducted through a comparative analysis of recent scientific evidence
and relevant secondary data. The results showed positive associations between AI adoption and
dynamic capabilities (β = 0.61), between dynamic capabilities and innovative performance (β
= 0.54), as well as an indirect effect of β = 0.33; furthermore, the evidence revealed that
business use of AI in SMEs was primarily concentrated in content generation, communication,
and automation. The combined interpretation indicated that technology alone does not explain
innovative performance; rather, its effective use appears to depend on capabilities to detect
opportunities, integrate knowledge, and reconfigure resources. It was concluded that dynamic
capabilities constitute a relevant explanatory mechanism, although the documentary nature of
the study prevents the establishment of definitive causality.
Keywords: generative artificial intelligence; dynamic capabilities; innovative performance;
SMEs; Ecuador.
Resumo
A crescente adoção da inteligência artificial generativa (IAG) nas PMEs amplia as
possibilidades de automação, geração de conhecimento e inovação, embora seus benefícios
dependam de capacidades organizacionais que permitam transformar esses recursos
tecnológicos em resultados empresariais. O estudo teve como objetivo analisar a relação entre
a IAG e o desempenho inovador, considerando as capacidades dinâmicas como mecanismo
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3360
mediador nas PMEs equatorianas. Foi realizada uma pesquisa documental, não experimental,
de caráter exploratório-descritivo, por meio da análise comparativa de evidências científicas
recentes e dados secundários pertinentes. Os resultados mostraram associações positivas entre
a adoção da IA e as capacidades dinâmicas (β = 0,61), entre as capacidades dinâmicas e o
desempenho inovador (β = 0,54), bem como um efeito indireto de β = 0,33; além disso, as
evidências revelaram que a utilização empresarial da IAGen concentrou-se principalmente na
geração de conteúdo, comunicação e automação. A interpretação conjunta indicou que a
tecnologia, por si só, não explica o desempenho inovador, mas que seu aproveitamento parece
depender de capacidades para detectar oportunidades, integrar conhecimento e reconfigurar
recursos. Concluiu-se que as capacidades dinâmicas constituem um mecanismo explicativo
relevante, embora a natureza documental do estudo impeça o estabelecimento de uma
causalidade definitiva.
Palavras-chave: inteligência artificial generativa; capacidades dinâmicas; desempenho
inovador; PMEs; Equador.
Introducción
El tejido empresarial ecuatoriano constituye un escenario especialmente pertinente para
estudiar la generación de valor mediante tecnologías emergentes: en 2025 el Registro
Estadístico de Empresas contabiliza 1.204.276 empresas activas y señala que el 93 %
corresponde a microempresas, mientras las grandes representan apenas el 0,5 % (INEC, 2026).
En 2024, las ventas empresariales alcanzan USD 205.107 millones a precios constantes de
2018; las pequeñas empresas concentran el 8,9 % y las medianas el 14,6 %, de modo que las
pymes reúnen aproximadamente el 23,5 % del total, equivalente a cerca de USD 48.200
millones (INEC, 2026). Esta relevancia económica convierte su capacidad para innovar y
absorber nuevas tecnologías en un componente sensible de la productividad y la competitividad
nacional. La expansión de la inteligencia artificial generativa (IAGen) plantea, por tanto, una
oportunidad de transformación cuya materialización depende de cómo estas organizaciones
convierten una tecnología accesible en conocimiento, decisiones y resultados innovadores.
La incorporación de IAGen amplía las posibilidades de búsqueda de conocimiento,
generación de ideas, resolución de problemas y desarrollo de soluciones, aunque su utilización
no garantiza por sí sola un desempeño innovador superior. En 268 participantes de empresas
vinculadas a la construcción, Qiao et al. (2025) encuentran que la IAGen favorece el
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3361
desempeño innovador y que las capacidades dinámicas basadas en conocimiento intervienen
en este proceso; paralelamente, Kyriakopoulos et al. (2025), con 230 empresas
estadounidenses, muestran que las capacidades de IA mejoran el desempeño de nuevos
productos mediante una mayor agilidad decisional. La relación tampoco resulta lineal: entre 31
start-ups españolas, Donaldson et al. (2026) identifican cuatro configuraciones capaces de
producir alto desempeño innovador, dos asociadas con mayor uso de IAGen y dos con menor
utilización. En consecuencia, las pymes que incorporan estas herramientas sin desarrollar
mecanismos organizacionales complementarios pueden obtener beneficios fragmentados y
perder capacidad de respuesta frente a competidores que integran tecnología, aprendizaje y
adaptación estratégica.
La diferencia entre disponer de una tecnología y transformarla en resultados
empresariales sitúa a las capacidades dinámicas en el centro de la explicación, porque permiten
detectar cambios y oportunidades, movilizar recursos para aprovecharlos y reconfigurar rutinas
conforme evoluciona el entorno (Ghosh et al., 2022). Esta lógica recibe respaldo en 487
propietarios y directivos de pymes, donde la combinación de IA y capacidades dinámicas
permite responder a la turbulencia ambiental y fortalecer el desempeño empresarial (Al
Dhaheri et al., 2024). Más próximo al contexto del presente estudio, una investigación con 385
pymes ecuatorianas encuentra que la adopción general de IA fortalece las capacidades
dinámicas (β = 0,61), estas impulsan el desempeño innovador estratégico (β = 0,54) y el efecto
indirecto alcanza β = 0,33; además, el modelo explica el 41 % de la varianza del desempeño
innovador (Sánchez-Rodríguez et al., 2025). Estos resultados sugieren que la creación de valor
tecnológico depende menos de la adopción aislada que de la capacidad organizacional para
aprender, aprovechar oportunidades y reconfigurar recursos.
La convergencia de estos hallazgos no elimina una brecha relevante, pues la evidencia
reciente muestra resultados heterogéneos cuando se distingue entre utilizar IA y convertirla
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3362
efectivamente en innovación. Luo et al. (2026), mediante 26.716 observaciones empresa-año,
encuentran que la IAGen incrementa la cantidad de innovación, pero no produce una mejora
significativa equivalente en su calidad; Jin et al. (2026), por su parte, identifican seis
affordances de IAGen cuyos efectos sobre el desempeño innovador dependen de
configuraciones específicas y presentan asimetría causal. De manera semejante, An et al.
(2026) analizan 218 empresas y encuentran cinco configuraciones para elevada innovación
exploratoria y seis para innovación explotativa, sin que una condición aislada resulte necesaria.
La literatura revisada, por tanto, aporta evidencia sobre IA general en Ecuador y sobre IAGen
en otros países y sectores, pero todavía deja insuficientemente esclarecido si las capacidades
dinámicas median específicamente la relación entre IAGen y desempeño innovador en las
pymes ecuatorianas (Sánchez-Rodríguez et al., 2025; Qiao et al., 2025).
La brecha adquiere relevancia práctica porque el REEM ofrece una delimitación
actualizada del entramado empresarial —1.204.276 empresas en 2025, con 53,6 % concentrado
en servicios y 32,3 % en comercio—, mientras la existencia de estudios mediante cuestionarios
aplicados a 385 pymes ecuatorianas demuestra la factibilidad metodológica de examinar estas
relaciones con información proporcionada por propietarios o directivos, sin presuponer accesos
institucionales específicos (INEC, 2026; Sánchez-Rodríguez et al., 2025). Sobre esta base, el
objetivo general consiste en analizar el efecto de la inteligencia artificial generativa sobre el
desempeño innovador de las pymes ecuatorianas, considerando las capacidades dinámicas
como variable mediadora. De forma articulada, los objetivos específicos buscan describir el
nivel y las formas de utilización de IAGen, determinar su relación con las capacidades
dinámicas y el desempeño innovador, y estimar el efecto indirecto ejercido por dichas
capacidades entre ambas variables. El levantamiento mediante cuestionario estructurado puede
desarrollarse bajo participación voluntaria, consentimiento informado, anonimización y uso
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3363
agregado de la información, preservando criterios básicos de confidencialidad y minimización
de datos durante la investigación (Sánchez-Rodríguez et al., 2025).
Al concentrarse específicamente en IAGen, el estudio avanza respecto de la evidencia
ecuatoriana disponible, cuyo modelo basado en IA general explica el 41 % del desempeño
innovador estratégico pero no separa las particularidades generativas de otras aplicaciones de
inteligencia artificial (Sánchez-Rodríguez et al., 2025). Esta delimitación resulta sustantiva
porque la evidencia internacional muestra que una mayor utilización tecnológica no conduce
necesariamente a una mayor calidad innovadora, como revelan las 26.716 observaciones
examinadas por Luo et al. (2026), ni existe una única configuración de IAGen que conduzca al
alto desempeño, según las cuatro trayectorias identificadas por Donaldson et al. (2026). La
contribución esperada consiste así en esclarecer el mecanismo mediante el cual la IAGen se
transforma —o no— en desempeño innovador a través de las capacidades para detectar,
aprovechar y reconfigurar oportunidades. Tal evidencia aporta valor teórico al precisar el papel
mediador de las capacidades dinámicas y utilidad empresarial al orientar inversiones en IAGen
hacia procesos organizacionales capaces de convertir experimentación tecnológica en
innovación verificable y competitividad sostenible.
Metodología
La investigación se desarrolló mediante un enfoque cualitativo de carácter documental,
debido a que el análisis se sustentó exclusivamente en información secundaria y no implicó la
generación de datos primarios en empresas ecuatorianas. La revisión permitió examinar
conceptualmente las relaciones entre inteligencia artificial generativa, capacidades dinámicas
y desempeño innovador a partir de hallazgos previamente publicados. En consecuencia, no se
aplicaron encuestas, entrevistas ni cuestionarios a propietarios, gerentes o trabajadores de
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3364
pymes, pues el objeto de observación estuvo constituido por la evidencia documental
disponible (Creswell & Creswell, 2023; Lim et al., 2022).
El diseño se mantuvo no experimental, dado que ninguna de las variables fue
manipulada y las relaciones entre los constructos se examinaron tal como habían sido
documentadas por investigaciones antecedentes. El componente longitudinal se entendió en
sentido retrospectivo-documental, puesto que se contrastó evidencia científica producida en
distintos momentos y no mediante el seguimiento temporal de un conjunto de empresas. A su
vez, la investigación asumió un alcance exploratorio y descriptivo orientado a identificar
patrones, coincidencias, diferencias y vacíos en el conocimiento disponible, sin atribuir
causalidad propia a las asociaciones encontradas (Creswell & Creswell, 2023; Sauer & Seuring,
2023).
La naturaleza documental condujo a utilizar procedimientos deductivos, analíticos e
inductivos de manera complementaria. El razonamiento deductivo permitió organizar la
revisión desde las relaciones teóricas esperadas entre inteligencia artificial generativa,
capacidades dinámicas y desempeño innovador; posteriormente, el análisis desagregó los
hallazgos para reconocer mecanismos, dimensiones y resultados recurrentes. La integración
inductiva permitió contrastar los resultados particulares y construir una interpretación conjunta
de la evidencia, procedimiento coherente con revisiones utilizadas como investigaciones
independientes para sintetizar y desarrollar conocimiento en ciencias empresariales (Kraus et
al., 2022; Paul & Criado, 2020).
Dado que no se efectuó trabajo de campo, no se estableció una población de pymes ni
se calculó una muestra estadística, por lo que tampoco correspondió aplicar fórmulas para
poblaciones finitas, niveles de confianza o márgenes de error. La unidad de análisis estuvo
integrada por documentos científicos y técnicos relacionados con inteligencia artificial e
inteligencia artificial generativa, capacidades dinámicas, innovación y pymes, con especial
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3365
interés en investigaciones relativas a Ecuador y economías comparables. La selección
documental se orientó por criterios de pertinencia temática, actualidad, calidad académica y
correspondencia con las relaciones planteadas en el estudio, evitando equiparar el corpus
documental con una muestra empresarial (Kraus et al., 2022; Sauer & Seuring, 2023).
El análisis de la evidencia se efectuó mediante una síntesis temática y comparativa de
los resultados reportados por los estudios seleccionados, atendiendo particularmente a la forma
en que la inteligencia artificial se vinculó con las capacidades dinámicas y estas, a su vez, con
diferentes expresiones del desempeño innovador. La interpretación consideró evidencia
reciente que identificó asociaciones entre inteligencia artificial, capacidades dinámicas e
innovación en pymes, así como investigaciones que examinaron específicamente el efecto de
la inteligencia artificial generativa sobre la innovación mediante capacidades dinámicas
basadas en conocimiento (Al Dhaheri et al., 2024; Qiao et al., 2025). Este procedimiento
permitió identificar convergencias y discrepancias entre contextos, sectores y aproximaciones
teóricas sin transformar resultados secundarios en observaciones primarias propias (Ghosh et
al., 2022).
La función mediadora de las capacidades dinámicas se examinó, por tanto, desde una
perspectiva documental y no mediante la estimación de un modelo estadístico propio. Se
analizaron los efectos directos e indirectos informados por investigaciones empíricas
antecedentes y se contrastó su consistencia con evidencia específica de pymes ecuatorianas,
donde estudios recientes ya relacionaron adopción de inteligencia artificial, capacidades
dinámicas y desempeño innovador mediante modelamiento estructural (Sánchez-Rodríguez et
al., 2025). En consecuencia, el estudio no calculó coeficientes de mediación, valores p,
intervalos de confianza ni efectos bootstrap propios, por lo que sus resultados se interpretaron
como una síntesis analítica de evidencia disponible y no como demostración causal obtenida
directamente de empresas ecuatorianas (Qiao et al., 2025; Sánchez-Rodríguez et al., 2025).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3366
Al utilizar exclusivamente documentos disponibles para fines académicos, la
investigación no involucró participantes humanos, datos personales empresariales ni
intervención sobre organizaciones, razón por la cual no se aplicaron procedimientos de
consentimiento informado correspondientes a estudios de campo. La integridad metodológica
se sostuvo mediante la atribución de autoría, la trazabilidad de las fuentes, la diferenciación
entre resultados reportados y interpretaciones propias, y la exclusión de afirmaciones empíricas
que no estuvieran sustentadas documentalmente. Estos criterios resultaron especialmente
relevantes porque la calidad de una investigación basada en literatura depende de la
transparencia con que se selecciona, analiza y sintetiza la evidencia utilizada (Lim et al., 2022;
Sauer & Seuring, 2023)
Resultados
Caracterización del uso de inteligencia artificial generativa en pymes
El análisis documental se orientó a identificar las formas predominantes de utilización
de inteligencia artificial generativa (IAGen) y el grado de incorporación de estas herramientas
en las actividades empresariales. Para Ecuador, la evidencia empírica disponible comprendió
un estudio de 385 mipymes, en el cual la intensidad global de adopción de inteligencia artificial
alcanzó apenas 0,04 y las aplicaciones se concentraron principalmente en marketing,
comunicación y generación de contenidos. Dentro de ese conjunto se identificaron
herramientas generativas como ChatGPT, Copy.ai y Canva AI, aunque el estudio original
evaluó inteligencia artificial en sentido amplio y no calculó una tasa agregada exclusiva de
IAGen (Pérez-Campdesuñer et al., 2025).
La distribución funcional mostró que la generación de contenido registró 44 casos,
equivalentes al 11,4 % de las 385 empresas analizadas; le siguieron la automatización de redes
sociales con 38 casos (9,9 %), el servicio al cliente y ventas con 24 (6,2 %) y el análisis de
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3367
mercado con otros 24 (6,2 %). La optimización publicitaria alcanzó 20 registros (5,2 %),
mientras que el análisis de datos de clientes y el análisis de tendencias contabilizaron 16 casos
cada uno (4,2 %). Como se observa en la Tabla 1, los usos con componentes claramente
generativos se concentraron particularmente en creación de contenidos y asistencia
conversacional, mientras otras aplicaciones correspondieron a soluciones de IA
complementarias (Pérez-Campdesuñer et al., 2025).
Tabla 1
Aplicaciones de inteligencia artificial identificadas en mipymes ecuatorianas
Aplicación empresarial
Frecuencia
(n)
% sobre n =
385
Herramientas reportadas
Generación de contenido
44
11,4
Copy.ai, Canva AI
Automatización de redes
sociales
38
9,9
Hootsuite AI
Servicio al cliente y ventas
24
6,2
ChatGPT
Análisis de mercado
24
6,2
Brandwatch AI
Optimización publicitaria
20
5,2
Google Ads AI, Meta Ads
AI
Análisis de datos de clientes
16
4,2
HubSpot AI
Análisis de tendencias
16
4,2
SEMrush AI
Nota. Los porcentajes se calcularon a partir de las frecuencias publicadas y del total de 385 empresas estudiadas.
La investigación de origen examinó inteligencia artificial en sentido amplio; por ello, no todas las aplicaciones de
la tabla correspondieron exclusivamente a IAGen. Los usos de ChatGPT, Copy.ai y Canva AI permitieron
identificar aplicaciones directamente asociadas con generación de texto, contenido y asistencia conversacional
(Pérez-Campdesuñer et al., 2025).
La evidencia específica sobre IAGen mostró una utilización más extendida cuando se
consideró un contexto internacional: una encuesta de la OECD aplicada a más de 5.000 pymes
de siete países registró que el 30,7 % utilizó IAGen, el 60,5 % conoció estas tecnologías pero
todavía no las empleó y el 8,8 % manifestó no conocerlas. Entre las empresas usuarias, el 91,6
% utilizó generación de texto, frente al 34,9 % que generó imágenes, el 16,9 % que produjo
video y el 14,7 % que generó audio; adicionalmente, solo el 29 % incorporó estas herramientas
en actividades consideradas centrales para el negocio (OECD, 2025).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3368
La caracterización por tamaño y sector también mostró diferencias en la intensidad de
utilización. En la evidencia internacional, las empresas unipersonales registraron una
utilización del 23,6 %, mientras que las pymes de mayor tamaño alcanzaron el 45,8 %; por
sectores, información y comunicación presentó el nivel más elevado con 47,3 %, frente al 15,1
% de manufactura y al 11,2 % de agricultura. Entre las empresas que ya emplearon IAGen, el
65,1 % reportó mejoras en el desempeño de los trabajadores, el 45,2 % ahorro de recursos, el
35,1 % capacidad para ejecutar nuevas tareas, el 34,6 % oferta de nuevos productos o servicios
y el 25,9 % incremento de ingresos (OECD, 2025).
En síntesis, los datos documentados caracterizaron una adopción predominantemente
funcional y todavía limitada en profundidad: en Ecuador, las aplicaciones observadas se
concentraron en generación de contenidos, redes sociales y atención al cliente, mientras que la
evidencia internacional mostró predominio de generación textual y menor presencia de
formatos audiovisuales. Los porcentajes disponibles indicaron además que la incorporación en
procesos centrales permaneció por debajo de un tercio de las pymes usuarias, pese a que una
proporción relevante reportó efectos sobre desempeño, ahorro y desarrollo de nuevas ofertas.
Por tanto, el hallazgo descriptivo central fue una utilización orientada principalmente a tareas
de apoyo y actividades digitales antes que a una integración generalizada en los procesos
esenciales de las empresas (OECD, 2025; Pérez-Campdesuñer et al., 2025).
Relaciones entre inteligencia artificial generativa, capacidades dinámicas y desempeño
innovador
El análisis documental se orientó a identificar la dirección y magnitud de las relaciones
registradas entre la utilización de inteligencia artificial, el desarrollo de capacidades dinámicas
y el desempeño innovador empresarial. La evidencia localizada mostró un patrón
predominantemente positivo, aunque los estudios disponibles difirieron en el tipo de
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3369
inteligencia artificial analizada y en el contexto organizacional. En Ecuador, el estudio
empírico realizado con 385 empresas examinó inteligencia artificial en sentido amplio,
mientras que la evidencia internacional incorporó investigaciones específicamente centradas
en inteligencia artificial generativa. En ambos niveles se registraron asociaciones favorables
entre incorporación tecnológica, capacidades organizacionales adaptativas y resultados de
innovación (Qiao et al., 2025; Sánchez-Rodríguez et al., 2025).
Dentro de la evidencia ecuatoriana, la adopción de inteligencia artificial presentó una
relación positiva con las capacidades dinámicas de las pymes, con un coeficiente estandarizado
de β = 0,61, error estándar de 0,07, t = 8,71, p < 0,001 e IC del 95 % [0,47; 0,73]; el tamaño
del efecto alcanzó f² = 0,34. Las capacidades dinámicas, a su vez, se relacionaron positivamente
con el desempeño innovador estratégico y la competitividad (β = 0,54, EE = 0,09, t = 6,00, p <
0,001, IC 95 % [0,37; 0,69], f² = 0,29). También se registró un efecto directo de la adopción de
IA sobre el desempeño innovador (β = 0,28, p = 0,001), mientras el modelo explicó el 37 % de
la varianza de las capacidades dinámicas y el 41 % del desempeño innovador (Sánchez-
Rodríguez et al., 2025).
Figura 1
Caminos hacia la innovación
Nota: autores (2026)
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3370
El esquema permitió observar que la relación de mayor magnitud registrada en la
evidencia ecuatoriana correspondió al vínculo entre adopción de IA y capacidades dinámicas
(β = 0,61), seguido por la relación entre estas capacidades y el desempeño innovador (β = 0,54);
el efecto directo de la tecnología sobre el desempeño presentó una magnitud menor (β = 0,28).
Los intervalos de confianza de los tres coeficientes permanecieron por encima de cero, y las
relaciones registraron significancia estadística. De manera complementaria, la investigación
específicamente centrada en IAGen, desarrollada con 268 participantes de empresas del sector
construcción, reportó relaciones positivas de la tecnología tanto con las capacidades dinámicas
basadas en conocimiento como con el desempeño innovador, aunque el resumen accesible del
estudio no informó coeficientes estandarizados que permitieran una comparación numérica
directa (Qiao et al., 2025; Sánchez-Rodríguez et al., 2025).
La ampliación del análisis hacia pymes de otros entornos empresariales mantuvo el
mismo sentido general de las relaciones observadas. En una muestra de 487 propietarios y
directivos de pymes, la utilización de aplicaciones de inteligencia artificial y el despliegue de
capacidades dinámicas estuvieron asociados con respuestas empresariales frente a turbulencia
de mercado, intensidad competitiva y cambios del entorno; ambas variables participaron en las
relaciones que condujeron a un mayor desempeño organizacional (Al Dhaheri et al., 2024). En
conjunto, la evidencia documental mostró que los estudios con 385, 268 y 487 observaciones,
respectivamente, coincidieron en registrar asociaciones positivas entre recursos de IA,
capacidades de adaptación organizacional y resultados de innovación o desempeño, aunque
únicamente la evidencia ecuatoriana disponible proporcionó coeficientes comparables para las
tres relaciones centrales examinadas (Al Dhaheri et al., 2024; Qiao et al., 2025; Sánchez-
Rodríguez et al., 2025).
La síntesis de los resultados evidenció así una secuencia cuantitativamente
diferenciada: el vínculo más intenso se registró entre adopción de IA y capacidades dinámicas,
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3371
seguido por el efecto de estas capacidades sobre el desempeño innovador, mientras que la
relación directa entre IA e innovación presentó un coeficiente comparativamente menor. El
modelo ecuatoriano alcanzó R² = 0,41 para desempeño innovador y R² = 0,37 para capacidades
dinámicas, mientras la evidencia específica de IAGen confirmó el mismo sentido positivo de
las relaciones sin aportar, en la información disponible, parámetros suficientes para estimar
diferencias estadísticas entre estudios. El patrón documental quedó caracterizado, por tanto,
por la coexistencia de una relación tecnológica directa con la innovación y otra asociada al
fortalecimiento de las capacidades organizacionales (Qiao et al., 2025; Sánchez-Rodríguez et
al., 2025).
Evidencia documental del papel mediador de las capacidades dinámicas
El análisis documental examinó si las capacidades dinámicas habían funcionado como
mecanismo intermedio entre la incorporación de inteligencia artificial y los resultados de
innovación, diferenciando la evidencia ecuatoriana sobre IA general de los estudios que
evaluaron específicamente IAGen. En las pymes ecuatorianas, el modelo estimado con 385
empresas mostró que la adopción de IA incrementó las capacidades dinámicas (β = 0,61) y que
estas, posteriormente, se asociaron con un mayor desempeño innovador y competitivo (β =
0,54). El efecto indirecto de la IA a través de las capacidades dinámicas alcanzó β = 0,33, con
un intervalo de confianza del 95 % entre 0,17 y 0,50, lo que confirmó estadísticamente una
mediación parcial dentro del estudio analizado (Sánchez-Rodríguez et al., 2025).
La persistencia simultánea del efecto directo permitió precisar la magnitud de esa
intermediación: la adopción de IA mantuvo una asociación directa con el desempeño innovador
de β = 0,28, mientras que el componente indirecto ascendió a β = 0,33. A partir de ambos
coeficientes reportados, el efecto total derivado correspondió a β = 0,61, de modo que
aproximadamente el 54,1 % del efecto combinado se canalizó mediante capacidades dinámicas
y el 45,9 % permaneció asociado con la trayectoria directa; esta proporción se obtuvo
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3372
aritméticamente a partir de los efectos publicados y no constituyó un indicador adicional
informado por los autores. El modelo explicó, además, el 37 % de la varianza de las
capacidades dinámicas y el 41 % de la varianza del desempeño innovador y competitivo
(Sánchez-Rodríguez et al., 2025).
La evidencia centrada específicamente en IAGen reprodujo el mismo patrón mediador
mediante capacidades vinculadas con el conocimiento. En 268 participantes pertenecientes a
empresas del sector de la construcción, Qiao et al. (2025) encontraron que la IAGen influyó
positivamente tanto en las capacidades dinámicas basadas en conocimiento como en el
desempeño innovador; dentro de esta secuencia, la integración de conocimiento y la absorción
de conocimiento actuaron como mecanismos mediadores entre la utilización de IAGen y los
resultados de innovación. Una investigación posterior desarrollada con 310 cuestionarios
volvió a registrar un efecto mediador de las capacidades dinámicas basadas en conocimiento
sobre la relación IAGen–desempeño innovador, aunque los resúmenes publicados consultados
no proporcionaron coeficientes indirectos comparables con el estudio ecuatoriano (Qiao et al.,
2025; Qiao et al., 2026).
La desagregación de las capacidades dinámicas también mostró que su contribución
mediadora no había sido uniforme entre dimensiones. En una muestra de 224 empresas
tecnológicas, Wu et al. (2026) encontraron que tanto la creación como la integración de
conocimiento aumentadas mediante IAGen fortalecieron las capacidades de detección,
aprovechamiento y transformación, y que estas capacidades mediaron la relación con el
desempeño innovador; entre ellas, la capacidad de aprovechamiento presentó el efecto
indirecto de mayor intensidad según los resultados publicados. De esta manera, los tres estudios
específicamente orientados a IAGen —con 268, 310 y 224 observaciones, respectivamente—
coincidieron en identificar mecanismos organizacionales intermedios entre el uso de la
tecnología y la innovación, aunque no todos publicaron valores estandarizados que permitieran
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3373
efectuar una comparación cuantitativa homogénea (Qiao et al., 2025; Qiao et al., 2026; Wu et
al., 2026).
En conjunto, la evidencia documental mostró un patrón consistente de mediación
parcial, en el que la tecnología conservó una relación directa con los resultados innovadores,
pero una fracción sustantiva de su asociación se produjo mediante capacidades
organizacionales de adaptación y gestión del conocimiento. El resultado cuantitativamente más
completo correspondió al contexto ecuatoriano, donde el efecto indirecto (β = 0,33) superó al
directo (β = 0,28) y representó aproximadamente el 54,1 % del efecto total derivado; sin
embargo, ese estudio evaluó IA en sentido amplio y no IAGen de manera exclusiva. Los
trabajos específicamente centrados en IAGen confirmaron documentalmente la mediación
mediante integración, absorción, detección, aprovechamiento y transformación, aunque la
información publicada accesible no permitió construir un metaanálisis ni calcular un efecto
indirecto agregado entre investigaciones (Sánchez-Rodríguez et al., 2025; Qiao et al., 2025;
Wu et al., 2026).
Discusión
El estudio analiza la relación entre IAGen y desempeño innovador considerando a las
capacidades dinámicas como mecanismo organizacional intermedio. Los hallazgos sugieren
que la tecnología no genera innovación por sí sola, sino que su aporte depende de la capacidad
de las pymes para detectar oportunidades, integrar conocimiento y reconfigurar recursos. En
Ecuador, esta interpretación se respalda en asociaciones positivas entre IA, capacidades
dinámicas y desempeño innovador, con un efecto indirecto de β = 0,33 y una varianza explicada
del 41 % en el desempeño innovador (Sánchez-Rodríguez et al., 2025).
Esta relación coincide con Qiao et al. (2025), quienes identifican que las capacidades
dinámicas basadas en conocimiento median entre IAGen e innovación, y con Al Dhaheri et al.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3374
(2024), que vinculan IA y capacidades dinámicas con mejores respuestas organizacionales. No
obstante, la evidencia no es uniforme: Donaldson et al. (2026) muestran que pueden existir
configuraciones innovadoras con distintos niveles de utilización de IAGen, mientras Luo et al.
(2026) encuentran mejoras en cantidad de innovación sin incrementos equivalentes en calidad.
Por ello, los resultados parecen indicar que la intensidad de uso tecnológico no explica por sí
sola el desempeño innovador (Donaldson et al., 2026; Luo et al., 2026).
Desde una perspectiva teórica y práctica, el estudio refuerza la utilidad del enfoque de
capacidades dinámicas para explicar cómo una tecnología emergente puede transformarse en
resultados innovadores. El efecto indirecto documentado en Ecuador (β = 0,33) supera al efecto
directo de la IA sobre el desempeño innovador (β = 0,28), lo que sugiere que una parte relevante
de esta relación se canaliza mediante capacidades organizacionales, aunque dicha evidencia
corresponde a IA en sentido amplio y debe extrapolarse a IAGen con cautela (Sánchez-
Rodríguez et al., 2025). En consecuencia, la creación de valor parece depender de
complementar la IAGen con aprendizaje, absorción de conocimiento y reconfiguración
estratégica (Qiao et al., 2025).
El carácter documental y no experimental del estudio limita la posibilidad de establecer
causalidad o generalizar los coeficientes observados a todas las pymes ecuatorianas. Además,
parte de la evidencia nacional analiza IA de forma agregada y los estudios internacionales
difieren en sectores, tamaños y contextos, lo que restringe su comparabilidad directa (Pérez-
Campdesuñer et al., 2025; Sánchez-Rodríguez et al., 2025). Futuras investigaciones deberían
evaluar longitudinalmente la IAGen en pymes ecuatorianas y diferenciar las capacidades de
detección, aprovechamiento y reconfiguración; aun con estas limitaciones, el estudio
contribuye a cerrar la brecha al mostrar que las capacidades dinámicas constituyen un
mecanismo plausible entre IAGen y desempeño innovador (Qiao et al., 2025).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3375
Conclusión
Los resultados permiten concluir que la inteligencia artificial generativa se relaciona
favorablemente con el desempeño innovador de las pymes cuando su utilización se acompaña
de capacidades organizacionales para detectar oportunidades, movilizar conocimiento y
reconfigurar recursos. La evidencia documental muestra que las capacidades dinámicas
constituyen un mecanismo intermedio relevante, dado que en el contexto ecuatoriano la
relación entre IA y capacidades dinámicas alcanza β = 0,61, mientras el efecto indirecto sobre
el desempeño innovador llega a β = 0,33. Esto sugiere que la adopción tecnológica, por sí sola,
resulta insuficiente para explicar la innovación empresarial y debe interpretarse conjuntamente
con las capacidades internas de adaptación y aprendizaje
En relación con los objetivos específicos, los hallazgos evidencian que el uso de IAGen
se concentra principalmente en actividades de generación de contenidos, comunicación,
atención al cliente y automatización, mientras su incorporación en procesos centrales del
negocio continúa siendo limitada. Asimismo, se observa una asociación positiva entre IA,
capacidades dinámicas y desempeño innovador, con una varianza explicada del 41 % para este
último en la evidencia ecuatoriana disponible. En conjunto, estos resultados indican que las
capacidades de detección, aprovechamiento, integración de conocimiento y reconfiguración
adquieren especial relevancia para transformar recursos tecnológicos en resultados
innovadores más consistentes
El principal aporte del estudio radica en integrar, dentro de una misma perspectiva
analítica, la adopción de IAGen, las capacidades dinámicas y el desempeño innovador en el
contexto de las pymes ecuatorianas. Esta articulación permite comprender que el valor
empresarial de la tecnología depende menos de su disponibilidad que de la manera en que se
incorpora a rutinas, decisiones y procesos de aprendizaje organizacional. Desde el ámbito
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3376
profesional e institucional, los hallazgos sugieren que las estrategias de transformación digital
deberían acompañarse de mecanismos para fortalecer capacidades internas, particularmente
aquellas relacionadas con absorción de conocimiento, adaptación estratégica y
aprovechamiento de oportunidades emergentes.
A partir de estos resultados se recomienda que futuras investigaciones examinen la
relación entre IAGen y desempeño innovador mediante diseños longitudinales y mediciones
específicas en pymes ecuatorianas, diferenciando sectores económicos, tamaños empresariales
y niveles de madurez digital. También resulta pertinente evaluar separadamente las
capacidades de detección, aprovechamiento y reconfiguración, así como su posible
comportamiento mediador bajo distintas condiciones organizacionales. Dado el carácter
documental del estudio, estas relaciones deben interpretarse dentro de su alcance y no como
evidencia causal definitiva; aun así, la investigación contribuye a reducir la brecha existente al
mostrar que las capacidades dinámicas constituyen un mecanismo explicativo plausible entre
IAGen e innovación empresarial.
Referencias bibliográficas
Al Dhaheri, M. H., Ahmad, S. Z., & Papastathopoulos, A. (2024). Do environmental
turbulence, dynamic capabilities, and artificial intelligence force SMEs to be
innovative? Journal of Innovation & Knowledge, 9(3), 100528.
https://doi.org/10.1016/j.jik.2024.100528
An, M., Lin, J., & Benitez, J. (2026). Effects of artificial intelligence usage and knowledge-
based dynamic capabilities on organizational innovation: A configurational approach.
Decision Support Systems, 200, 114573. https://doi.org/10.1016/j.dss.2025.114573
Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and
mixed methods approaches (6th ed.). SAGE Publications. https://us.sagepub.com/en-
us/nam/research-design/book270550
Donaldson, C., Linton, G., & Bendickson, J. (2026). Generative artificial intelligence use and
configurational pathways to innovation performance in start-ups. Journal of Small
Business Management, 64(2), 505–562.
https://doi.org/10.1080/00472778.2025.2492215
Ghosh, S., Hughes, M., Hodgkinson, I., & Hughes, P. (2022). Digital transformation of
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3377
industrial businesses: A dynamic capability approach. Technovation, 113, 102414.
https://doi.org/10.1016/j.technovation.2021.102414
Instituto Nacional de Estadística y Censos. (2026). Registro Estadístico de Empresas 2025:
Boletín técnico N.° 01-2026-REEM.
https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Economicas/Registro_Empresas_Establecimientos/2025/Semestre_I
/Boletin_REEM_2025.pdf
Jin, X.-L., Shen, Z., & Zhou, Z. (2026). Generative AI affordances and employee innovation
performance: A mixed-methods configurational approach. International Journal of
Information Management, 91, 103111.
https://doi.org/10.1016/j.ijinfomgt.2026.103111
Kraus, S., Breier, M., Lim, W. M., Dabić, M., Kumar, S., Kanbach, D., Mukherjee, D.,
Corvello, V., Piñeiro-Chousa, J., Liguori, E., Palacios-Marqués, D., Schiavone, F.,
Ferraris, A., Fernandes, C., & Ferreira, J. J. (2022). Literature reviews as independent
studies: Guidelines for academic practice. Review of Managerial Science, 16(8), 2577–
2595. https://doi.org/10.1007/s11846-022-00588-8
Kyriakopoulos, N., Kim, E., Hultink, E. J., & Santema, S. (2025). The impact of design
thinking and artificial intelligence capabilities on performance: The role of new product
development decision-making agility. Journal of Business Research, 200, 115633.
https://doi.org/10.1016/j.jbusres.2025.115633
Lim, W. M., Kumar, S., & Ali, F. (2022). Advancing knowledge through literature reviews:
‘What’, ‘why’, and ‘how to contribute’. The Service Industries Journal, 42(7–8), 481–
513. https://doi.org/10.1080/02642069.2022.2047941
Luo, Y., Hou, Y., Li, Q., & Wang, M. (2026). Generative artificial intelligence and corporate
innovation: Quantity boon or quality bane. Technology in Society, 88, 103488.
https://doi.org/10.1016/j.techsoc.2026.103488
OECD. (2025). Generative AI and the SME workforce: New survey evidence. OECD
Publishing. https://doi.org/10.1787/2d08b99d-en
Paul, J., & Criado, A. R. (2020). The art of writing literature review: What do we know and
what do we need to know? International Business Review, 29(4), 101717.
https://doi.org/10.1016/j.ibusrev.2020.101717
Pérez-Campdesuñer, R., Sánchez-Rodríguez, A., García-Vidal, G., Martínez-Vivar, R., & De
Miguel-Guzmán, M. (2025). Artificial intelligence in Ecuadorian SMEs: Drivers and
obstacles to adoption. Information, 16(6), 443. https://doi.org/10.3390/info16060443
Qiao, S., Liu, Z., Wu, J., Guo, Z., & Wu, H. (2025). Generative AI on innovation performance
of construction enterprises: A knowledge-based dynamic capabilities perspective.
Journal of Engineering and Technology Management, 76, 101871.
https://doi.org/10.1016/j.jengtecman.2025.101871
Qiao, S., Liu, Z., Wu, J., Ma, Y., Zeng, G., & Wu, H. (2026). Generative AI on innovation
performance of construction enterprises: The role of knowledge-based dynamic
capabilities and enterprise AI capabilities. Engineering, Construction and Architectural
Management, 33(9), 7274–7295. https://doi.org/10.1108/ECAM-01-2025-0051
Rajaram, K., & Tinguely, P. N. (2024). Generative artificial intelligence in small and medium
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
3378
enterprises: Navigating its promises and challenges. Business Horizons, 67(5), 629–
648. https://doi.org/10.1016/j.bushor.2024.05.008
Sánchez-Rodríguez, A., García-Vidal, G., Fernández-Ochoa, Y., Martínez-Vivar, R.,
Gavilanes-Venegas, A. E., & Pérez-Campdesuñer, R. (2025). Navigating uncertainty
through AI adoption: Dynamic capabilities, strategic innovation performance, and
competitiveness in Ecuadorian SMEs. Administrative Sciences, 15(12), 468.
https://doi.org/10.3390/admsci15120468
Sauer, P. C., & Seuring, S. (2023). How to conduct systematic literature reviews in
management research: A guide in 6 steps and 14 decisions. Review of Managerial
Science, 17, 1899–1933. https://doi.org/10.1007/s11846-023-00668-3
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines.
Journal of Business Research, 104, 333–339.
https://doi.org/10.1016/j.jbusres.2019.07.039
Wu, J., Liu, X., Zhou, Z., & Wang, Y. (2026). Activating innovation through generative AI-
augmented knowledge management: The mediating role of dynamic capabilities and
the moderating role of learning orientation. Journal of Knowledge Management, 1–23.
https://doi.org/10.1108/JKM-11-2025-1660
