ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
Art´ıculo de investigaci´on https://doi.org/10.47460/minerva.v7i19.302
Aplicaci´on de herramientas de inteligencia artificial en la toma de
decisiones organizacionales en empresas hoteleras
Patty Jennyfer Romero Luna*
https://orcid.org/0009-0004-1875-5986
44010939@continental.edu.p e
Universidad Continental
Cusco, Per
´
u
Ana Cecilia Condor Z
´
u
˜
niga
https://orcid.org/0009-0007-6994-7672
45128987@continental.edu.pe
Universidad Continental
Lima, Per
´
u
Dante Sol
´
ıs Pareja
https://orcid.org/0009-0003-0080-5108
43518846@continental.edu.p e
Universidad Continental
Cusco, Per
´
u
Yasser Abarca S
´
anchez
https://orcid.org/0000-0001-7941-9346
yabarca@continental.edu.pe
Universidad Continental
Cusco, Per
´
u
*Autor de correspondencia:
44010939@continental.edu.pe
Recibido: (19/01/2026), Aceptado: (08/04/2026)
Resumen. En este estudio se examina el papel de la inteligencia artiĄcial (IA), a trav
´
es de sistemas
expertos, redes neuronales y agentes inteligentes, en la toma de decisiones estrat
´
egicas, t
´
acticas y
operativas en el sector hotelero del Cusco, Per
´
u. Mediante un enfoque cuantitativo, explicativo y de
corte transversal, se recolectaron datos de 62 gerentes de hoteles con adop ci
´
on tecnol
´
ogica. El an
´
alisis
factorial exploratorio permiti
´
o identiĄcar cinco dimensiones clave vinculadas a la gesti
´
on basada en IA,
mientras que el an
´
alisis conĄrmatorio evidenci
´
o relaciones diferenciadas entre automatizaci
´
on, eĄciencia,
agilidad y calidad del servicio. Los resultados muestran que la automatizaci
´
on sin integraci
´
on estrat
´
egica
puede afectar el desempe
˜
no, mientras que la personalizaci
´
on se consolida como un factor cr
´
ıtico para la
experiencia del hu
´
esped. Se concluye que el valor de la IA depende de su articulaci
´
on con capacidades
organizacionales.
Palabras clave: inteligencia artiĄcial, toma de decisiones, industria hotelera, transformaci
´
on digital.
Application of Artifici a l Intelligence Tools in O r ga n i za ti o n a l Decision-Makin g in
Hotel Comp a n i es
Abstract. This study examines the role of artiĄcial intelligence (AI), through expert systems, neural
networks, and intelligent agents, in strategic, tactical, and operational decision-making within the hotel
sector of Cusco, Peru. Using a quantitative, explanatory, and cross-sectional approach, data were
collected from 62 hotel managers working in establishments with technological adoption. Exploratory
factor analysis made it possible to identify Ąve key dimensions associated with AI-based management,
while conĄrmatory analysis revealed differentiated relationships among automation, efficiency, agility,
and service quality. The Ąndings show that automation without strategic integration may negatively
affect organizational performance, whereas personalization emerges as a critical factor in enhancing the
guest experience. It is concluded that the value of AI depends on its articulation with organizational
capabilities.
Keywords: artiĄcial intelligence, decision-making, hospitality industry, digital transformation.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
259
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
I. INTRODUCCI
Â
ON
En el contexto de la transformaci
´
on digital, la inteligencia artiĄcial (IA) ha adquirido un papel
central en la optimizaci
´
on de los procesos de toma de decisiones en m
´
ultiples sectores, entre ellos la
industria hotelera, caracterizada por su dinamismo y alta orientaci
´
on al cliente. La capacidad de estas
tecnolog
´
ıas para analizar grandes vol
´
umenes de informaci
´
on, reconocer patrones y generar respuestas
automatizadas ha modiĄcado sustancialmente la gesti
´
on organizacional, contribuyendo tanto a la mejora
de la eĄciencia operativa como a la personalizaci
´
on de los servicios [
1], [2]. En este escenario, la
incorporaci
´
on de herramientas basadas en IA se conĄgura como un factor estrat
´
egico para fortalecer
la competitividad empresarial, al favorecer decisiones m
´
as oportunas y fundamentadas en los niveles
estrat
´
egico, t
´
actico y operativo [
3], [4].
Sin embargo, la adopci
´
on de la IA en el
´
ambito hotelero no est
´
a exenta de diĄcultades. Entre los
principales retos se encuentran los riesgos derivados del uso de datos incompletos o modelos algor
´
ıtmicos
mal ajustados, as
´
ı como la posible disminuci
´
on del criterio profesional cuando existe una dependencia
excesiva de los sistemas automatizados [
5], [6]. De igual forma, la automatizaci
´
on de tareas puede
generar tensiones en el entorno laboral y afectar la calidad del servicio, especialmente en contextos
donde la interacci
´
on humana sigue siendo un elemento clave de la experiencia del hu
´
esped [
7], [8].
Desde la perspectiva organizacional, la implementaci
´
on de IA tambi
´
en supone desaf
´
ıos relacionados
con la seguridad de la informaci
´
on, la inversi
´
on tecnol
´
ogica y la capacidad de adaptaci
´
on institucional.
El uso intensivo de datos incrementa la vulnerabilidad frente a riesgos cibern
´
eticos [
5], [9], mientras
que los costos asociados a la adopci
´
on tecnol
´
ogica representan una barrera signiĄcativa en econom
´
ıas
emergentes [
10]. Estas limitaciones pueden restringir el acceso a herramientas anal
´
ıticas avanzadas,
incrementando la probabilidad de decisiones basadas en informaci
´
on parcial [
11]. Asimismo, en des-
tinos tur
´
ısticos con fuerte identidad cultural, la integraci
´
on de tecnolog
´
ıas debe armonizarse con la
preservaci
´
on de la autenticidad del servicio ofrecido [1], [12].
A pesar del creciente inter
´
es acad
´
emico en la aplicaci
´
on de la IA en el sector tur
´
ıstico, persiste
una escasez de estudios emp
´
ıricos que analicen el impacto de tecnolog
´
ıas espec
´
ıĄcas Ůcomo sistemas
expertos, redes neuronales y agentes inteligentesŮ en los distintos niveles de toma de decisiones orga-
nizacionales, particularmente en contextos emergentes. Esta brecha resulta especialmente relevante en
regiones como Cusco, Per
´
u, donde el turismo constituye un eje fundamental del desarrollo econ
´
omico
y donde la adopci
´
on tecnol
´
ogica enfrenta restricciones estructurales.
En este marco, el presente estudio tiene como objetivo analizar la inĆuencia de las herramientas
de inteligencia artiĄcial en los procesos de toma de decisiones en empresas hoteleras de la ciudad del
Cusco, Per
´
u. Espec
´
ıĄcamente, se eval
´
ua el impacto de sis temas expertos, redes neuronales y agentes
inteligentes en los niveles estrat
´
egico, t
´
actico y operativo, mediante un enfoque cuantitativo, explicativo
y de corte transversal.
A partir de este prop
´
osito, se plantea la siguiente pregunta de investigaci
´
on: ćqu
´
e tecnolog
´
ıas de
inteligencia artiĄcial inĆuyen en mayor medida en la toma de decisiones en empresas hoteleras del Cusco,
Per
´
u, y c
´
omo se diferencian sus efectos en los niveles estrat
´
egico, t
´
actico y operativo? En funci
´
on de
ello, se formulan las siguientes hip
´
otesis: (H1) los sistemas expertos inĆuyen principalmente en las
decisiones operativas; (H2) las redes neuronales inciden en las decisiones t
´
acticas; y (H3) los agentes
inteligentes impactan en las decisiones estrat
´
egicas. La originalidad del estudio radica en la generaci
´
on
de evidencia emp
´
ırica en un contexto latinoamericano de alta relevancia tur
´
ıstica, integrando el an
´
alisis
de tecnolog
´
ıas emergentes con los procesos organizacionales de toma de decisiones.
II. MARCO TE
Â
ORICO
La inteligencia artiĄcial (IA) se deĄne como la capacidad de los sistemas computacionales para
ejecutar tareas que tradicionalmente requieren inteligencia humana, tales como el aprendizaje, el ra-
zonamiento y la toma de decisiones [13]. Esta disciplina integra fundamentos de la inform
´
atica, la
estad
´
ıstica y las matem
´
aticas aplicadas, permitiendo el desarrollo de algoritmos capaces de procesar
grandes vol
´
umenes de datos y generar soluciones eĄcientes en contextos complejos [
14], [15]. En este
sentido, la IA ha transformado la forma en que las organizaciones abordan la resoluci
´
on de problemas,
especialmente en entornos din
´
amicos y altamente competitivos.
Uno de los componentes esenciales de la IA es el aprendizaje autom
´
atico, el cual permite a los
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
260
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
sistemas mejorar su desempe
˜
no a partir de la experiencia y los datos disponibles. Dentro de este
enfoque, destacan el machine learning y el deep learning, este
´
ultimo basado en redes neuronales
profundas que permiten procesar informaci
´
on de manera m
´
as compleja y precisa [13]. Estas tecnolog
´
ıas
no solo ejecutan tareas programadas, sino que tambi
´
en poseen la capacidad de adaptarse a nuevos
escenarios, lo que incrementa su valor estrat
´
egico en la toma de decisiones organizacionales.
En el
´
ambito empresarial, la IA se ha consolidado como una herramienta clave para la optimizaci
´
on
de procesos y la mejora de la competitividad. En particular, en la industria hotelera, su imple mentaci
´
on
ha permitido transformar la gesti
´
on operativa y estrat
´
egica mediante el an
´
alisis de datos relacionados
con preferencias de clientes, niveles de ocupaci
´
on y tendencias del mercado [
16], [17]. Asimismo,
la literatura destaca que la IA constituye un motor de transformaci
´
on digital en el sector tur
´
ıstico,
facilitando la innovaci
´
on en servicios y la mejora continua de la experiencia del cliente [
17].
Entre las principales herramientas de IA aplicadas en el sector hotelero destacan los sistemas ex-
pertos, las redes neuronales artiĄciales y los agentes inteligentes. Los sistemas expertos son programas
dise
˜
nados para emular el razonamiento humano en la resoluci
´
on de problemas espec
´
ıĄcos, utilizando
bases de conocimiento y reglas predeĄnidas que permiten evaluar escenarios y ap oyar la toma de de-
cisiones [
14]. En el contexto hotelero, estos sistemas facilitan la gesti
´
on de recursos, la evaluaci
´
on
de riesgos y la mejora continua del servicio mediante el an
´
alisis de informaci
´
on hist
´
orica y la retroali-
mentaci
´
on de los clientes.
Por su parte, las redes neuronales artiĄciales, inspiradas en el funcionamiento del cerebro humano,
procesan informaci
´
on a trav
´
es de estructuras interconectadas que les permiten identiĄcar patrones com-
plejos a partir de los datos [13]. En la industria hotelera, estas tecnolog
´
ıas se utilizan para personalizar la
experiencia del cliente, anticipar comportamientos y optimizar estrategias de marketing, contribuyendo
signiĄcativamente a la Ądelizaci
´
on y satisfacci
´
on del hu
´
esped [17]. Adem
´
as, su aplicaci
´
on p ermite
analizar grandes vol
´
umenes de informaci
´
on provenientes de rese
˜
nas y datos operativos, fortaleciendo los
procesos de toma de decisiones basados en evidencia.
En cuanto a los agentes inteligentes, estos se deĄnen como sistemas aut
´
onomos capaces de inter-
actuar con su entorno y tomar decisiones en funci
´
on de objetivos previamente establecidos [
13]. En el
sector hotelero, su aplicaci
´
on se evidencia en herramientas como asistentes virtuales, sistemas automa-
tizados de reservas y modelos din
´
amicos de Ąjaci
´
on de precios, los cuales permiten mejorar la eĄciencia
operativa y la calidad del servicio [
11].
La toma de decisiones constituye un proceso fundamental en la gesti
´
on organizacional, el cual ha
evolucionado desde enfoques tradicionales basados en la intuici
´
on hacia modelos sustentados en el
an
´
alisis de datos. En este sentido, la inteligencia de negocios y la anal
´
ıtica avanzada permiten trans-
formar grandes vol
´
umenes de informaci
´
on en conocimiento
´
util para la toma de decisiones estrat
´
egicas
[13]. La incorporaci
´
on de la IA en estos pro cesos facilita la generaci
´
on de predicciones, la evaluaci
´
on
de escenarios y la reducci
´
on de la incertidumbre, contribuyendo a mejorar la eĄciencia organizacional y
minimizar errores [12].
Desde una perspectiva organizacional, las decisiones pueden clasiĄcarse en tres niveles: estrat
´
egico,
t
´
actico y operativo. Las decisiones estrat
´
egicas est
´
an orientadas al largo plazo y deĄnen la direcci
´
on
general de la organizaci
´
on, permitiendo su adaptaci
´
on a entornos competitivos y din
´
amicos [3]. Por su
parte, las decisiones t
´
acticas se centran en la gesti
´
on de recursos y la planiĄcaci
´
on a mediano plazo,
asegurando la coherencia entre los objetivos estrat
´
egicos y las actividades operativas [
6]. Finalmente,
las decisiones operativas corresponden a la ejecuci
´
on diaria de tareas espec
´
ıĄcas, siendo fundamentales
para el funcionamiento eĄciente de la organizaci
´
on [
6].
En este contexto, la inteligencia artiĄcial no solo optimiza el procesamiento de informaci
´
on, sino que
tambi
´
en redeĄne la forma en que las organizaciones toman decisiones en todos sus niveles. Su capacidad
para analizar datos en tiempo real, identiĄcar patrones y generar predicciones permite a las empresas
mejorar su competitividad, reducir riesgos y adaptarse a las demandas cambiantes del entorno [
5], [7].
En consecuencia, el an
´
alisis de la inĆuencia de distintas tecnolog
´
ıas de IA sobre los niveles de toma de
decisiones resulta fundamental para comprender su impacto en la gesti
´
on hotelera contempor
´
anea.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
261
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
III. METODOLOG
Â
IA
El presente estudio adopt
´
o un enfoque cuantitativo, el cual se caracteriza por e l an
´
alisis de datos
num
´
ericos con el objetivo de medir relaciones entre variables y contrastar hip
´
otesis previamente for-
muladas [
13]. En este contexto, se evalu
´
o la inĆuencia de la inteligencia artiĄcial (IA) en la toma de
decisiones dentro del sector hotelero, considerando indicadores como la eĄciencia operativa, los tiempos
de respuesta, la satisfacci
´
on del cliente y la precisi
´
on en los procesos decisionales. Mediante el uso de
herramientas estad
´
ısticas, se identiĄcaron patrones y tendencias que permitieron validar emp
´
ıricamente
el impacto de la IA, facilitando la generalizaci
´
on de los resultados a poblaciones similares.
En cuanto al tipo de investigaci
´
on, esta se clasiĄc
´
o como b
´
asica o fundamental, dado que su
prop
´
osito principal consisti
´
o en comprender el comportamiento de las variables estudiadas y su relaci
´
on,
sin intervenir directamente en la implementaci
´
on de soluciones espec
´
ıĄcas dentro de las organizaciones
analizadas. En este sentido, el estudio se centr
´
o en analizar c
´
omo las tecnolog
´
ıas de IA inĆuyen en
los procesos de toma de decisiones en el contexto hotelero, contribuyendo al desarrollo te
´
orico en este
campo.
El dise
˜
no de la investigaci
´
on fue no experimental de corte transversal. Este tipo de dise
˜
no permiti
´
o
observar y analizar las variables en su estado natural, sin manipulaci
´
on por parte del investigador, en un
´
unico momento temporal [
9]. Esta caracter
´
ıstica result
´
o adecuada para evaluar el impacto actual de la
IA en los hoteles, considerando diferentes niveles de adopci
´
on tecnol
´
ogica y permitiendo comparaciones
entre establecimientos. Asimismo, el dise
˜
no transversal facilit
´
o la recolecci
´
on de datos en un periodo
espec
´
ıĄco, optimizando recursos y tiempo.
El nivel de la investigaci
´
on fue explicativo, ya que busc
´
o determinar la relaci
´
on de causa y efecto entre
las variables, espec
´
ıĄcamente entre las tecnolog
´
ıas de inteligencia artiĄcial, sistemas expertos, redes
neuronales y agentes inteligentes, y los niveles de toma de decisiones, estrat
´
egico, t
´
actico y operativo.
Este enfoque p ermiti
´
o no solo describir el fen
´
omeno, sino tambi
´
en comprender los mecanismos mediante
los cuales la IA inĆuye en los procesos organizacionales, apoy
´
andose en modelos anal
´
ıticos basados en
datos [
12].
El m
´
etodo utilizado fue el hipot
´
etico-deductivo, el cual permiti
´
o formular hip
´
otesis a partir del marco
te
´
orico y contrastarlas mediante el an
´
alisis emp
´
ırico de los datos recolectados [
9]. En este sentido, se
plantearon hip
´
otesis orientadas a identiĄcar el impacto diferencial de diversas tecnolog
´
ıas de IA sobre
los distintos niveles de toma de decisiones en el sector hotelero.
El modelo te
´
orico plante ado (Figura
1) estableci
´
o relac iones de causalidad entre las variables in-
dependientes Ůsistemas expertos, redes neuronales y agentes inteligentesŮ y la variable dependiente
Ůtoma de decisionesŮ, desagregada en sus niveles estrat
´
egico, t
´
actico y operativo. En este modelo,
se propuso que los sistemas expertos inĆuyen principalmente en las decisiones operativas, las redes neu-
ronales en las decisiones t
´
acticas, y los agentes inteligentes en las decisiones estrat
´
egicas, considerando
adem
´
as posibles interacciones entre estas tecnolog
´
ıas.
Fig. 1. Modelo te
Â
orico de la influencia de las tecnolog
Â
ıas de inteligencia artificial en la toma de
decisiones en empresas hoteleras.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
262
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
La poblaci
´
on de estudio estuvo conformada por los empleados del
´
area administrativa de 86 empresas
hoteleras ubicadas en la ciudad del Cusco, Per
´
u, que han adoptado o se encuentran en proceso de
adopci
´
on de tecnolog
´
ıas de inteligencia artiĄcial. Se incluyeron establecimientos de distintas categor
´
ıas,
desde medianos hoteles hasta grandes cadenas, con el Ąn de captar una visi
´
on integral del fen
´
omeno.
Se excluyeron hoteles de 1 y 2 estrellas debido a sus limitaciones estructurales y tecnol
´
ogicas, las cuales
restringen la implementaci
´
on de soluciones avanzadas de IA. La muestra se determin
´
o mediante un
muestreo probabil
´
ıstico, lo cual garantiz
´
o la representatividad de los elementos seleccionados respecto
a la poblaci
´
on [
9]. Se obtuvo una muestra de 62 establecimientos hoteleros, seleccionados de manera
aleatoria, lo que permiti
´
o minimizar sesgos y asegurar la validez externa de los resultados.
Para la recolecci
´
on de datos, se emple
´
o la t
´
ecnica de la encuesta, aplicada a los gerentes o respons-
ables administrativos de los establecimientos seleccionados. El instrumento utilizado fue un cuestionario
estructurado con escala tipo Likert de cinco niveles, dise
˜
nado para medir la percepci
´
on sobre la im-
plementaci
´
on de la IA y su impacto en los procesos de toma de decisiones. La validez de contenido
del instrumento fue evaluada mediante juicio de expertos, asegurando la pertinencia y claridad de los
´
ıtems. La conĄabilidad del instrumento se determin
´
o a trav
´
es del coeĄciente Omega de McDonald,
obteni
´
endose un valor de 0,894, lo cual indica un alto nivel de consistencia interna. Este resultado
respalda la Ąabilidad del cuestionario para el an
´
alisis estad
´
ıstico.
Finalmente, para el an
´
alisis de los datos, se utiliz
´
o un m odelo de regresi
´
on log
´
ıstica ordinal, adecuado
para variables dependientes categ
´
oricas ordinales, como los niveles de toma de decisiones. Este modelo
permiti
´
o evaluar la relaci
´
on de causalidad entre las variables independientes y la variable dependiente,
estimando la probabilidad de ocurrencia de los distintos niveles de decisi
´
on en funci
´
on del grado de
implementaci
´
on de las tecnolog
´
ıas de inteligencia artiĄcial.
IV. RESULTADOS
A. CaracterizaciÂon de la muestra y anÂalisis descriptivo
En t
´
erminos descriptivos, los resultados evidencian una tendencia general favorable hacia la imple-
mentaci
´
on de herramientas de inteligencia artiĄcial, particularmente en procesos relacionados con la
automatizaci
´
on operativa y la personalizaci
´
on de servicios, como se muestra en la Figura
2. Los
´
ıtems
asociados a la personalizaci
´
on inteligente de la experiencia y la eĄciencia operativa presentaron las pun-
tuaciones promedio m
´
as altas, lo que sugiere que estas dimensiones son percibidas como las principales
fuentes de valor dentro de la gesti
´
on hotelera. Por otro lado, se observaron niveles de variabilidad m
´
as
elevados en los
´
ıtems vinculados a la automatizaci
´
on operativa, lo que indica diferencias en el grado
de adopci
´
on tecnol
´
ogica entre los establecimientos analizados. Este resultado es consistente con la
heterogeneidad estructural del sector hotelero en contextos emergentes.
Tabla 1. Estad
Â
ısticos descriptivos por dimensi
Â
on.
DimensiÂon Media DesviaciÂon estÂandar
D1 ± Agilidad organizacional basada en IA (AOIA) 3,98 0,64
D2 ± Personalizaci
Â
on inteligente de la experiencia
(PIE)
4,12 0,58
D3 ± Eficiencia operativa y creaci
Â
on de valor
(EOCV)
3,87 0,67
D4 ± Calidad percibida y retenci
Â
on del hu
Â
esped
(CPRH)
3,74 0,72
D5 ± Automatizaci
Â
on operativa (AO) 3,45 0,81
Fuente: ElaboraciÂon propia.
B. AnÂalisis factorial exploratorio
El an
´
alisis factorial exploratorio (AFE) evidenci
´
o la adecuaci
´
on de los datos para la reducci
´
on
dimensional. El
´
ındice KMO alcanz
´
o un valor de 0,776, considerado meritorio, mientras que la prueba de
esfericidad de Bartlett result
´
o signiĄcativa (χ
2
(190) = 719, 226; p < 0, 001), conĄrmando la pertinencia
del an
´
alisis factorial. La extracci
´
on mediante el m
´
etodo de m
´
axima verosimilitud y rotaci
´
on Varimax
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
263
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
permiti
´
o identiĄcar cinco factores con autovalores superiores a 1, los cuales explican el 70,339% de la
varianza total. Estos resultados evidencian una estructura factorial robusta del instrumento utilizado.
La distribuci
´
on de la varianza explicada por cada factor, presentada en la Figura
2, evidencia que
la dimensi
´
on de agilidad organizacional basada en IA (D1) presenta el mayor peso explicativo dentro
del modelo, seguida por la personalizaci
´
on inteligente de la experiencia (D2). Las restantes dimen-
siones muestran contribuciones decrecientes, lo que conĄrma la estructura jer
´
arquica de los constructos
identiĄcados.
Fig. 2. Varianza explicada por los factores identificados en el an
Â
alisis factorial exploratorio.
Elaboraci
Â
on propia.
C. Estructura factorial del modelo
El an
´
alisis de cargas factoriales permiti
´
o agrupar los
´
ıtems en cinco dimensiones principales, cada
una con una interpretaci
´
on te
´
orica coherente:
• D1 Ű Agilidad organizacional basada en IA (AOIA).
• D2 Ű Personalizaci
´
on inteligente de la experiencia (PIE).
• D3 Ű EĄciencia operativa y creaci
´
on de valor (EOCV).
• D4 Ű Calidad percibida y retenci
´
on del hu
´
esped (CPRH).
• D5 Ű Automatizaci
´
on operativa (AO).
Estas dimensiones reĆejan la integraci
´
on de capacidades tecnol
´
ogicas y procesos organizacionales
en el contexto hotelero.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
264
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
Tabla 2. Estructura factorial, varianza explicada e interpretaci
Â
on de los constructos.
DimensiÂon Nombre del constructo
Â
Items
representativos*
% Var. InterpretaciÂon
D1 Agilidad organizacional
basada en IA (AOIA)
18, 17, 15, 10 22,1 Capacidad de respuesta r
Â
apida, flexibili-
dad estrat
Â
egica y optimizaci
Â
on de recur-
sos mediante IA.
D2 Personalizaci
Â
on in-
teligente de la experiencia
(PIE)
6, 9, 8, 1 19,0 Uso de IA para anticipar necesidades del
hu
Â
esped y ofrecer servicios personaliza-
dos.
D3 Eficiencia operativa y
creaci
Â
on de valor (EOCV)
7, 13, 16, 19 14,3 Mejora de procesos internos y gen-
eraci
Â
on de valor mediante automati-
zaci
Â
on y an
Â
alisis de datos.
D4 Calidad percibida y re-
tenci
Â
on del hu
Â
esped
(CPRH)
12, 3 10,4 Impacto de la calidad del servicio en la
fidelizaci
Â
on del cliente.
D5 Automatizaci
Â
on operativa
(AO)
2, 20 8,8 Implementaci
Â
on de sistemas automati-
zados en procesos operativos clave.
Nota. Se incluyen los Âıtems con mayores cargas factoriales dentro de cada dimensiÂon (≥ 0, 60).
Fuente: ElaboraciÂon propia a partir del anÂalisis factorial exploratorio.
D. Modelo teÂorico
A partir de los resultados del AFE, se procedi
´
o a la reformulaci
´
on del modelo te
´
orico, identiĄcando
relaciones entre los constructos emergentes.
Tabla 3. Reformulaci
Â
on de las hip
Â
otesis a partir de los factores emergentes del AFE.
CÂodigo HipÂotesis reformulada FundamentaciÂon te Âorica
H1 La automatizaci
Â
on operativa (D5) ejerce
una influencia positiva y directa sobre la efi-
ciencia operativa y creaci
Â
on de valor (D3).
La automatizaci
Â
on basada en IA optimiza procesos
internos, reduciendo tiempos y costos, lo que se tra-
duce en mejoras en la eficiencia organizacional.
H2 La personalizaci
Â
on inteligente de la experi-
encia (D2) influye positivamente en la cali-
dad percibida y retenci
Â
on del hu
Â
esped (D4).
La adaptaci
Â
on de servicios mediante IA incrementa la
satisfacci
Â
on del cliente, fortaleciendo la fidelizaci
Â
on y
la percepci
Â
on de calidad.
H3 La agilidad organizacional basada en IA
(D1) impacta positivamente en la calidad
percibida y retenci
Â
on del hu
Â
esped (D4).
La capacidad de respuesta r
Â
apida y flexible mejora la
experiencia del cliente, generando mayor confianza y
permanencia.
H4 La personalizaci
Â
on inteligente (D2) influye
positivamente en la agilidad organizacional
(D1), especialmente cuando la eficiencia op-
erativa (D3) es elevada.
La integraci
Â
on de personalizaci
Â
on y eficiencia permite
a las organizaciones adaptarse din
Â
amicamente a las
necesidades del mercado.
H5 La automatizaci
Â
on operativa (D5), en
ausencia de personalizaci
Â
on (D2), puede
afectar negativamente la calidad percibida
y retenci
Â
on del hu
Â
esped (D4).
La automatizaci
Â
on sin enfoque en el cliente puede
generar experiencias impersonales, afectando la per-
cepci
Â
on de valor del servicio.
Fuente: ElaboraciÂon propia.
El an
´
alisis permiti
´
o establecer nuevas relaciones causales entre las dimensiones, manteniendo la
l
´
ogica original del modelo, pero adapt
´
andola a la estructura emp
´
ırica identiĄcada.
E. Modelo estructural propuesto
Con base en la reconĄguraci
´
on de los constructos, se plantea un modelo estructural, descrito en la
Figura 3, que muestra las relaciones entre automatizaci
´
on, personalizaci
´
on, eĄcienc ia operativa, agilidad
organizacional y calidad percibida.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
265
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
Fig. 3. Modelo estructural propuesto de la influencia de la IA en la toma de decisiones.
Elaboraci
Â
on propia.
Nota. D1: Agilidad organizacional basada en inteligencia artificial (AOIA); D2: PersonalizaciÂon inteligente de la
experiencia (PIE); D3: Eficiencia operativa y creaciÂon de valor (EOCV); D4: Calidad percibida y retenciÂon del huÂesped
(CPRH); D5: AutomatizaciÂon operativa (AO).
F. AnÂalisis factorial confirmatorio
El an
´
alisis factorial conĄrmatorio (AFC) permiti
´
o validar la estructura del modelo propuesto. Los
resultados evidencian que la mayor
´
ıa de los
´
ıtems presentan cargas factoriales estandarizadas superiores
a 0,40, lo que indica una adecuada representatividad de los constructos.
En cuanto a las relaciones estructurales, presentadas en la Figura
4, se identiĄcaron los siguientes
efectos:
• La automatizaci
´
on operativa (AO) presenta un efecto negativo signiĄcativo sobre la eĄciencia
operativa y creaci
´
on de valor (EOCV) (β = −1, 72), lo que sugiere que una automatizaci
´
on
excesiva o mal alineada puede afectar el desempe
˜
no organizacional.
• La EOCV inĆuye positivamente en la agilidad organizacional basada en IA (AOIA) (β = 0, 34),
evidenciando que la eĄciencia digital act
´
ua como un habilitador de la adaptabilidad organizacional.
• La AOIA muestra un efecto negativo sobre la calidad percibida y retenci
´
on del hu
´
esped (CPRH)
(β = −0, 71), lo que podr
´
ıa reĆejar riesgos de despersonalizaci
´
on en entornos altamente autom-
atizados.
• La personalizaci
´
on inteligente de la experiencia (PIE) presenta efectos positivos signiĄcativos
sobre todos los constructos del modelo (β = 1, 00), consolid
´
andose como un eje central en la
generaci
´
on de valor en el sector hotelero.
Fig. 4. An
Â
alisis confirmatorio del nuevo modelo te
Â
orico de causalidad de la inteligencia artificial
en la toma de decisiones.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
266
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
G. EvaluaciÂon del ajuste del modelo
El ajuste del modelo estructural se evalu
´
o mediante m
´
ultiples
´
ındices, como se presenta en la
Tabla
4. El estad
´
ıstico chi-cuadrado fue signiĄcativo (χ
2
= 370, 575; gl = 167; p < 0, 001), lo cual
es esperado en modelos con muestras moderadas. El
´
ındice χ
2
/gl = 2, 219 se encuentra dentro del
rango aceptable (< 3, 00), indicando un ajuste razonable. No obstante, el RMSEA present
´
o un valor
de 0,141, superior al umbral recomendado (< 0, 08), lo que sugiere limitaciones en el ajuste absoluto
del modelo. Asimismo, los
´
ındices GFI (0,649) y AGFI (0,559) se encuentran por debajo de los valores
ideales, evidenciando oportunidades de mejora en la especiĄcaci
´
on del modelo.
En t
´
erminos de parsimonia, los valores PCFI (0,595) y PNFI (0,482) indican un equilibrio moderado
entre complejidad y ajuste. El modelo presenta mejores indicadores en comparaci
´
on con el modelo de
independencia, lo que conĄrma su validez relativa.
Tabla 4. Indicadores de ajuste del modelo estructural.
Â
Indice
Valor obtenido Criterio recomendado EvaluaciÂon
χ
2
/gl (CMIN/DF) 2,219 < 3, 00 Aceptable
RMSEA 0,141 < 0, 08 Bajo ajuste
GFI 0,649 ≥ 0, 90 Bajo ajuste
AGFI 0,559 ≥ 0, 90 Bajo ajuste
AIC 456,575 Menor que modelo
independiente
Adecuado
Nota. El modelo presenta un ajuste global moderado. Si bien el Âındice χ
2
/gl indica un nivel aceptable, los valores de
RMSEA, GFI y AGFI evidencian limitaciones en el ajuste absoluto, lo que sugiere la necesidad de futuras mejoras en
la especificaciÂon del modelo.
H. DiscusiÂon
Los resultados obtenidos permiten una comprensi
´
on m
´
as profunda del papel de la inteligencia
artiĄcial (IA) en la toma de decisiones en el se ctor hotelero, especialmente en contextos emergentes
como el de Cusco, Per
´
u. En l
´
ınea con lo se
˜
nalado por Flavi
´
an y Casal
´
o [7], la IA en los servicios representa
tanto una oportunidad tecnol
´
ogica como un desaf
´
ıo organizacional, lo cual se reĆeja en la naturaleza no
lineal de los efectos identiĄcados. La identiĄcaci
´
on de cinco dimensiones Ůautomatizaci
´
on operativa,
eĄciencia operativa y creaci
´
on de valor, agilidad organizacional basada en IA, personalizaci
´
on inteligente
de la experiencia y calidad percibida y retenci
´
on del hu
´
espedŮ ampl
´
ıa el marco conceptual de estudios
previos [
2], [6], evidenciando que la adopci
´
on de IA genera efectos tanto directos como indirectos
sobre la gesti
´
on hotelera. En particular, se observa que la automatizaci
´
on operativa puede afectar
negativamente la eĄciencia cuando no est
´
a estrat
´
egicamente alineada, en concordancia con Huang y
Rust [
4], quienes advierten que una automatizaci
´
on excesiva puede generar fricciones en los procesos y
en la experiencia del cliente. Asimismo, el efecto negativo de la agilidad organizacional sobre la calidad
percibida sugiere que una implementaci
´
on acelerada de soluciones tecnol
´
ogicas puede comprometer la
experiencia del hu
´
esped, lo que refuerza la importancia de la madurez digital y la alineaci
´
on estrat
´
egica
en los procesos de transformaci
´
on [1], [3].
Por otro lado, la personalizaci
´
on inteligente de la experiencia emerge como el eje central del modelo,
al presentar efectos positivos signiĄcativos sobre m
´
ultiples dimensiones, en l
´
ınea con investigaciones
previas [
2], [8]. Este hallazgo conĄrma que la personalizaci
´
on no solo act
´
ua como un mecanismo de
diferenciaci
´
on competitiva, sino tambi
´
en como un factor integrador que potencia el impacto de otras
tecnolog
´
ıas dentro del ecosistema organizacional. Adem
´
as, el modelo validado emp
´
ıricamente respalda
la idea de que la IA no solo optimiza procesos internos, sino que tambi
´
en reconĄgura los criterios de
toma de decisiones en los niveles estrat
´
egico, t
´
actico y operativo, en concordancia con Boy Barreto et
al. [
12]. En contextos de econom
´
ıas emergentes, donde la adopci
´
on tecnol
´
ogica enfrenta limitaciones
estructurales, estos resultados refuerzan la necesidad de abordar la IA como parte de una estrategia
integral de innovaci
´
on organizacional [
10]. En s
´
ıntesis, el impacto de la IA depende de la coherencia
entre automatizaci
´
on, personalizaci
´
on, eĄciencia operativa y capacidades organizacionales, lo que abre
nuevas l
´
ıneas de investigaci
´
on orientadas al an
´
alisis longitudinal y al desarrollo de modelos predictivos
en entornos tur
´
ısticos con distintos niveles de madurez tecnol
´
ogica.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
267
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
CONCLUSIONES
El presente estudio permiti
´
o analizar la inĆuencia de las herramientas de inteligencia artiĄcial en
la toma de decisiones en empresas hoteleras del Cusco, evidenciando que su impacto es complejo,
multidimensional y dependiente de la forma en que se integran las capacidades tecnol
´
ogicas con los
procesos organizacionales. A partir del an
´
alisis factorial exploratorio y conĄrmatorio, se identiĄcaron
cinco dimensiones clave: automatizaci
´
on operativa, eĄciencia operativa y creaci
´
on de valor, agilidad
organizacional basada en IA, personalizaci
´
on inteligente de la experiencia y calidad percibida y retenci
´
on
del hu
´
esped, las cuales conĄguran un modelo explicativo robusto del fen
´
omeno estudiado.
En relaci
´
on con las hip
´
otesis planteadas, los resultados conĄrman parcialmente la inĆuencia de la
inteligencia artiĄcial en los distintos niveles de toma de decisiones. En particular, se evidenci
´
o que la
automatizaci
´
on operativa no siempre genera mejoras en la eĄciencia, sino que puede producir efectos
negativos cuando no se encuentra estrat
´
egicamente alineada, lo que sugiere la necesidad de enfoques
integrales en su implementaci
´
on. Asimismo, se comprob
´
o que la personalizaci
´
on inteligente de la
experiencia constituye un factor clave para mejorar la calidad percibida y la retenci
´
on del hu
´
esped,
consolid
´
andose como el principal motor de valor dentro del modelo analizado.
Por otro lado, se identiĄc
´
o que la agilidad organizacional basada en IA, aunque facilita la capacidad
de respuesta y adaptaci
´
on, puede impactar negativamente en la percepci
´
on del servicio si no se gestiona
adecuadamente. Este hallazgo pone de maniĄesto que la transformaci
´
on digital en el sector hotelero no
debe centrarse
´
unicamente en la incorporaci
´
on de tecnolog
´
ıas, sino en su articulaci
´
on con estrategias
orientadas al cliente y con las capacidades humanas de la organizaci
´
on.
Desde una perspectiva te
´
orica, el estudio contribuye a ampliar el entendimiento de la relaci
´
on entre
inteligencia artiĄcial y toma de decisiones, proponiendo un modelo estructural que integra dimensiones
tecnol
´
ogicas, operativas y experienciales. Este enfoque permite superar visiones reduccionistas de la IA
como una herramienta exclusivamente t
´
ecnica, posicion
´
andola como un elemento estrat
´
egico dentro de
los sistemas organizacionales.
En el
´
ambito pr
´
actico, los resultados sugieren que los gestores hoteleros deben adoptar una visi
´
on
equilibrada de la inteligencia artiĄcial, priorizando la integraci
´
on entre automatizaci
´
on y personalizaci
´
on,
as
´
ı como el fortalecimiento de las capacidades organizacionales necesarias para su implementaci
´
on
efectiva. La evidencia obtenida indica que el
´
exito de la IA no dep e nde
´
unicamente de su adopci
´
on, sino
de la coherencia entre la estrategia digital, la estructura organizacional y las exp ectativas del cliente.
Finalmente, se recomienda que futuras investigaciones profundicen en el an
´
alisis longitudinal del
impacto de la inteligencia artiĄcial en la toma de decisiones, as
´
ı como en la incorporaci
´
on de variables
moderadoras como la cultura organizacional, la madurez digital y el nivel de capacitaci
´
on del personal.
Asimismo, resultar
´
ıa pertinente desarrollar estudios comparativos entre distintos destinos tur
´
ısticos, con
el Ąn de evaluar la generalizaci
´
on del modelo propuesto en contextos con diferentes niveles de desarrollo
tecnol
´
ogico.
REFERENCIAS
[1] D. Buhalis and E. S. Y. Cheng, ŞSmart hospitality: Personalised and context-aware services
through the Internet of Things,Ť International Journal of Hospitality Management, vol. 88,
p. 102503, 2020, doi: 10.1016/j.ijhm.2019.102503.
[2] J. Bulchand-Gidumal, E. William Secin, P. OŠConnor, and D. Buhalis, ŞArtiĄcial intelli-
genceŠs impact on hospitality and tourism marketing: Exploring key themes and address-
ing challenges,Ť Current Issues in Tourism, vol. 27, no. 14, pp. 2345Ű2362, 2024, doi:
10.1080/13683500.2023.2229480.
[3] B. Hu, S. Fan, and K. Zhang, ŞDoes digital transformation exacerbate or mitigate maturity
mismatch in hospitality and tourism Ąrms?Ť International Journal of Hospitality Manage-
ment, vol. 123, p. 103915, 2024, doi: 10.1016/j.ijhm.2024.103915.
[4] M.-H. Huang and R. T. Rust, ŞA strategic framework for artiĄcial intelligence in market-
ing,Ť Journal of the Academy of Marketing Science , vol. 48, no. 1, pp. 30Ű50, 2020, doi:
10.1007/s11747-019-00649-7.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
268
ISSN-e: 2697-3650
Per
Â
ıodo: enero-abril, 2026
Revista Minerva
Vol. 7, N
Â
umero 19. (pp. 259-269)
[5] A. Mohammad and M. Abd Elsalam, ŞThe impact of perceived beneĄts and risks
on the current and intended levels of big data analytics adoption in hotels,Ť Interna-
tional Journal of Tourism and Hospitality Studies, vol. 3, no. 2, pp. 1Ű20, 2022, doi:
10.21608/ijthsx.2022.164078.1023.
[6] Y. Duan, X. Xu, B. Liu, and K. Yu, ŞData-driven staffing optimisation in hospital-
ity operations,Ť Service Industries Journal, vol. 43, no. 1Ű2, pp. 30Ű50, 2023, doi:
10.1080/02642069.2023.2178321.
[7] C. Flavi
´
an and L. V. Casal
´
o, ŞArtiĄcial intelligence in services: Current trends, beneĄts
and challenges,Ť Service Industries Journal, vol. 41, no. 13Ű14, pp. 853Ű859, 2021, doi:
10.1080/02642069.2021.1989177.
[8] P. Limna and T. Kraiwanit, ŞThe role of ChatGPT on customer service in the hospitality
industry: An exploratory study of hospitality workersŠ experiences and perceptions,Ť Tourism
and Hospitality Management, vol. 29, no. 4, pp. 583Ű592, 2023, doi: 10.20867/thm.29.4.9.
[9] G. C. Pab
´
on N ore
˜
na, C. M. Palacio Henao, and H. Manrique Tisn
´
es, ŞDecision-making
in cyber risk management: A phenomenological-hermeneutics approach,Ť Innovar, vol. 34,
no. 93, 2024, doi: 10.15446/innovar.v34n93.98107.
[10] D. Oyekunle and D. Boohene, ŞPotencial de la transformaci
´
on digital: El papel de la
inteligencia artiĄcial en los negocios,Ť Journal of Professional Business Review, vol. 9,
no. 3, pp. 1Ű17, 2024, doi: 10.26668/businessreview/2024.v9i3.4499.
[11] M. B. Talukder and S. Kumar, ŞThe development of ChatGPT and its implications for
the future of customer service in the hospitality industry,Ť in Advances in Hospitality and
Tourism Technology. IGI Global, 2024, pp. 100Ű126, doi: 10.4018/979-8-3693-1511-
8.ch005.
[12] A. M. Boy Barreto, E. D. Osorio Arrascue, L. R. Rodr
´
ıguez Alegre, and R. P. L
´
opez Padilla,
ŞArtiĄcial intelligence in decision making: Ethical implications and efficiency,Ť Revista Vene-
zolana de Gerencia, vol. 29, no. 11, pp. 342Ű355, 2024, doi: 10.52080/rvgluz.29.e11.20.
[13] A. de-J. Garc
´
ıa-Jim
´
enez, N. Aguilar-Morales, L. Hern
´
andez-Triano, and E. Lancaster-D
´
ıaz,
ŞLa inteligencia de negocios: herramienta clave para el uso de la informaci
´
on y la toma
de decisiones empresariales,Ť Revista de Investigaciones Universidad del Quind
´
ıo, vol. 33,
no. 1, pp. 132Ű139, 2021, doi: 10.33975/riuq.vol33n1.514.
[14] M.-H. Huang and R. T. Rust, ŞEngaged to a robot? The role of AI in service,Ť Journal of
Service Research, vol. 24, no. 1, pp. 30Ű41, 2020, doi: 10.1177/1094670520902266.
[15] M. C. Sturman, J. B. Corgel, and R. Verma, ŞCutting-edge practices in hospitality person-
alisation,Ť in The Cornell School of Hotel Administration on Hospitality. Hoboken, NJ,
USA: Wiley, 2020, pp. 311Ű328.
[16] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson,
2020.
[17] P. Limna, ŞArtiĄcial intelligence (AI) in the hospitality industry: A review,Ť Inter-
national Journal of Computing Sciences Research, vol. 7, pp. 1306Ű1317, 2023, doi:
10.25147/ijcsr.2017.001.1.103.
Romero P. et al. AplicaciÂon de herramientas de inteligencia artificial en la toma de decisiones organizacionales en
empresas hoteleras
269
