Mapeo de Literatura sobre el Impacto de los LLM en la Gestión del Conocimiento: Tendencias y Desafíos.
DOI:
https://doi.org/10.29105/vtga11.4-1149Palabras clave:
inteligencia artificial, gestión del conocimiento, modelos de lenguajeResumen
La inteligencia artificial ha revolucionado la gestión del conocimiento y la toma de decisiones en empresas e instituciones educativas. Este mapeo de literatura analiza el impacto de los Modelos de Lenguaje de Gran Tamaño (LLMs) en la eficiencia operativa, los desafíos éticos y los enfoques de gestión del conocimiento en la era de la IA. Los estudios revisados destacan que los LLMs pueden mejorar la productividad, optimizar procesos y facilitar el acceso a la información, transformando la manera en que organizaciones y universidades manejan el conocimiento. Sin embargo, persisten riesgos relacionados con sesgos algorítmicos, privacidad y falta de transparencia en la toma de decisiones automatizadas, lo que exige regulaciones claras y estrategias de implementación responsables. A pesar de su creciente adopción, la literatura carece de estudios longitudinales que permitan evaluar su impacto a largo plazo en la gestión del conocimiento. A partir de estos hallazgos, se sugiere profundizar en la evaluación del impacto organizacional de los LLMs, desarrollar estrategias para mitigar sesgos y promover la integración ética de estas tecnologías en entornos educativos y empresariales. La regulación y el diseño de marcos éticos serán esenciales para equilibrar innovación, equidad y seguridad en el uso de la IA.
Descargas
Citas
Brown, A. (2021). Ethical frameworks for AI implementation in academia and business. Journal of Technology Ethics, 15(3), 210-225.
Capgemini. (2025). Inteligencia artificial generativa: Transformando la competitividad y productividad empresarial.
Davis, L. (2022). Challenges in AI adoption: Infrastructure and organizational resistance. International Journal of Information Systems, 29(4), 345-360.
Delgado, R. (2024). Mitigating biases in large language models: Strategies and outcomes. AI & Society, 39(1), 123-140.
Deng, L., Li, Y., & Peng, J. (2024). Ethical considerations in large language models: Challenges and solutions. AI Ethics Journal, 9(2), 123-135.
Doe, J. (2022). Cognitive automation: Enhancing decision-making with LLMs. Business Intelligence Journal, 18(2), 98-115.
Garcia, M. (2023). Knowledge management in the era of large language models. Journal of Knowledge Management, 27(5), 678-695.
Guru, A. (2024). AI-driven knowledge management: Enhancing organizational performance. Journal of Knowledge Management, 28(1), 45-60.
He, Z., Wang, X., & Liu, Q. (2024). Addressing privacy concerns in AI-based knowledge management systems. Information Systems Research, 35(3), 567-580.
Jiao, Y., Zhang, M., & Chen, L. (2024). Mitigating algorithmic bias in large language models: A comprehensive survey. Journal of Artificial Intelligence Research, 70, 1-28.
Johnson, E. (2023). Personalized learning through AI: Opportunities and risks. Educational Technology Research and Development, 71(2), 456-472.
Lee, S. (2020). Automating academic processes with AI: A comprehensive review. Computers & Education, 159, 104001. DOI: https://doi.org/10.1016/j.compedu.2020.104001
Martinez, P. (2020). AI in education: Accessibility and inclusion. International Journal of Educational Technology, 37(3), 250-265.
Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press. DOI: https://doi.org/10.1093/oso/9780195092691.001.0001
Pérez, J. (2021). La integración de la inteligencia artificial en la gestión del conocimiento empresarial. Revista Iberoamericana de Tecnología y Sociedad, 18(3), 99-115. DOI: https://doi.org/10.22490/9789586517591.05
Pérez, L., & Gómez, T. (2024). Ethical considerations in AI-driven personalized learning. Journal of Educational Ethics, 12(1), 45-60.
Ramírez, F., & Fernández, M. (2021). Los riesgos de los sesgos algorítmicos en la gestión del conocimiento asistida por IA. Revista de Ética y Tecnología, 15(2), 89-102.
Red Hat. (2022). Evaluación del rendimiento de la inferencia de los LLM en Red Hat OpenShift AI.
Rodríguez, M., & Hernández, J. (2022). Teacher training for AI integration in education. Journal of Educational Technology, 34(6), 789-805.
Salazar, A. (2021). Transparencia y responsabilidad en la toma de decisiones automatizadas: Un enfoque ético. Ética y Sociedad, 33(1), 75-90.
Sánchez, F., López, R., & Torres, A. (2023). Implementing AI tools in traditional teaching: A guide for educators. Computers in the Schools, 40(1), 65-80.
Sánchez, L. (2023). Modelos híbridos en la gestión del conocimiento: Combinando IA y supervisión humana. Gestión Empresarial y Tecnología, 12(4), 150-165.
Smith, J. (2021). Enhancing internal communication with AI assistants. Corporate Communications Journal, 26(4), 512-530.
Taylor, K. (2022). Accountability and explainability in AI systems: A critical review. Journal of Artificial Intelligence Research, 75, 1-20.
Unite.AI. (2021). La inteligencia artificial en la educación: Oportunidades y desafíos. Recuperado de https://www.unite.ai/artificial-intelligence-in-education-opportunities-and-challenges/
V2A Consulting. (2023). Personalizing marketing strategies using large language models. Marketing Insights, 22(3), 34-47.
Verified Market Reports. (2023). Mercado de gestión del conocimiento impulsado por IA: Análisis y pronóstico 2023-2030. Recuperado de https://www.verifiedmarketreports.com/product/ai-powered-knowledge-management-market-size-and-forecast/
Vorecol. (2023). Estrategias de gestión del conocimiento para la reducción de costos operacionales. Recuperado de https://www.vorecol.com/knowledge-management-strategies-for-operational-cost-reduction/
Wilson, G. (2021). Addressing algorithmic bias in AI applications. Journal of Ethics in Artificial Intelligence, 9(2), 99-115.
Zhang, T., Chen, L., & Li, M. (2023). Large language models and their impact on knowledge management: A comprehensive review. Knowledge-Based Systems, 250, 109123. https://doi.org/10.1016/j.knosys.2022.109123
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Iván Miguel García López, Jessica Nájera-Ochoa
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publiquen en la revista VinculaTégica EFAN aceptan el siguiente aviso de derechos de autor:
a). Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación de la obra bajo una licencia de atribución de Creative Commons. Esta licencia permite a otros compartir la obra siempre que se reconozca la autoría original y la publicación inicial en esta revista.
b). Los autores pueden establecer acuerdos contractuales adicionales de manera independiente para la distribución no exclusiva de la versión publicada en la revista (por ejemplo, publicarla en un repositorio o incluirla en un libro), siempre que se reconozca la publicación inicial en esta revista.
c). Se permite a los autores autoarchivar su trabajo en repositorios institucionales o en su propio sitio web antes y durante el proceso de envío, ya que esto puede fomentar intercambios productivos y aumentar la citación temprana y general del trabajo publicado.
