Última actualización: 14/09/2023

Grupo de Investigación

Inteligencia artificial en planeación y

control de la producción
Artificial intelligence on production
planning and control
Andrés Felipe Betancur Mogollón(est.andres.betancur@unimilitar.edu.co) ORCID:0009-0003-4592-
1815
Daniel Eduardo López Pérez (est.daniel.lopez3@unimilitar.edu.co) ORCID: 0009-0007-2547-6303
María Jose Pedraza Salinas (est.maria.pedraza3@unimilitar.edu.co) ORCID: 0009-0002-2879-5848

Palabras clave:

Toma de decisiones, Inteligencia artificial, Planificación, Optimización, Demanda, Industria,

Innovación científica, Oferta, Robots Industriales.

Keywords:

Decision making, Artificial Intelligence, Planning, Optimization, Demand, Industry, Scientific

innovations, Supply, Industrial Robots.

1. INTRODUCCIÓN

La Inteligencia Artificial se considera el núcleo esencial de la Industria 4.0, una transformación

sin precedentes que está cambiando radicalmente nuestra perspectiva del mundo. Expertos la
describen como la capacidad de máquinas o sistemas para imitar de manera rápida y precisa el
comportamiento humano, identificando sus necesidades y proporcionando soluciones efectivas y
sistemáticas en un tiempo reducido. Con el tiempo, ha ganado un papel crucial en áreas como la
automatización, el almacenamiento de datos, la robótica, la realidad aumentada y el aprendizaje
automático, entre otras. Este movimiento tiene el potencial de estimular el crecimiento en
diversas disciplinas al introducir nuevas formas de colaboración entre humanos y máquinas,
impulsando el avance tecnológico y beneficiando a una amplia gama de industrias. Esto se
traduce en la automatización de procesos y la generación de beneficios colectivos. Los sectores
más favorecidos por estos avances son, sobre todo, el financiero, el manufacturero y el de la
salud.

Según (Alexis, 2020) la Inteligencia Artificial enfocada a la planeación y el control de la

producción pretende abordar los desafíos vinculados con la planificación a mediano plazo, la
cual tiene como objetivo primordial cerrar la brecha entre la percepción de lo que es favorable y
lo que realmente es óptimo, sin evitar la naturaleza compleja e incierta de los Problemas de
Asignación de Producción (PAP) en su proceso de formulación. Además de que, si es cierto, el
enfoque en la manipulación de información incierta se vuelve crucial para simplificar la toma de
decisiones, operando de manera inteligente al considerar un amplio rango de variables que
minimizan las posibles pérdidas económicas que podrían surgir durante el proceso. Por otra
1
Última actualización: 14/09/2023
Grupo de Investigación

parte, además de la aplicación mencionada anteriormente (Serna, 2017) afirma que al incorporar
esquemas de ventas tecnológicos basados en inteligencia artificial, se logra mejorar los sistemas
preexistentes en áreas como envíos, producción, gestión y ventas, con el propósito de optimizar
la toma de decisiones.

La inteligencia artificial no se limita a ser una simple tendencia tecnológica; representa un

enfoque innovador y único que combina recursos y esfuerzos para impulsar el progreso hacia una
economía sostenible y equitativa. Su adopción implica la incorporación de tecnología de
vanguardia con el objetivo de mejorar la productividad y elevar el nivel de vida de la sociedad.
Además, la inteligencia artificial facilita la creación de un entorno más favorable para la
integración regional y redefine las categorías de producción en el ámbito del comercio
internacional de bienes y servicios, en línea con las demandas de un mundo globalizado en
constante evolución y cada vez más eficiente.

En el ámbito industrial, los componentes de programación y planificación de tareas desempeñan

un papel fundamental en el funcionamiento de los procesos de producción al asignar
responsabilidades a los agentes según la situación actual del sistema. En los proyectos de
planeación de tareas, se emplea la representación del conocimiento y el proceso de razonamiento
por parte de un planificador de Inteligencia Artificial (IA) para gestionar de manera dinámica la
distribución de tareas en un equipo conformado por un ser humano y un robot que operan en
secuencia. (Bezrucava, 2023)

La noción de la inteligencia artificial se origina en la filosofía a partir de la idea de que un objeto

puede imitar el pensamiento humano. La fisiología y la ingeniería han dado origen a máquinas
"pensantes" capaces de resolver problemas y adquirir conocimientos de manera similar a los
seres humanos. De allí nace el concepto de autómata o máquina parlante que personajes como
Leonardo Da Vinci aplicaron en sus estudios, el creó un autómata personal con el propósito de
explorar la anatomía y la kinestesia humana, este autómata estaba constituido por engranajes,
palancas y poleas que le permitían imitar los complejos movimientos del cuerpo humano.

A principios del siglo XX se fundamentan las bases de la IA, la matemática y la lógica. En 1912,
Alfred North Whitehead y Bertrand Russell, publican tres volúmenes denominados “Principia
Mathematica”, en donde determinan las bases de la lógica formal y de la moderna lógica
matemática. A partir de esto, en 1920 la palabra robot reemplaza a los autómatas. Luego, en la
segunda mitad del siglo XX, ya existían los equipos de cómputo, unas máquinas que podían
realizar las tareas de manera más rápida y eficiente que los mismos seres humanos. En 1950,
Alan Turing desarrolla la Prueba de Turing en un ensayo titulado "Computing Machinery and
Intelligence". Esta prueba tiene como objetivo determinar si una máquina tiene capacidad de
pensamiento. A partir de esto, Turing defendía la noción de que a través de la computación era
posible simular el pensamiento humano. Y en 1993, Luger y Stubblefield proponen un concepto
que sustenta la inteligencia artificial: “La rama de la ciencia de la computación que se ocupa de
la automatización de la conducta inteligente”.

Serna (2017) y Martínez (2018) coinciden en que la aplicación de la IA a la industria inicia con
la mejora en la eficiencia empresarial, la cual ha sido lograda mediante avances que buscan
automatizar procesos en las líneas de producción. Esto ha reducido la participación humana, que
ahora se limita en algunos casos a la supervisión. Un ejemplo destacado es la industria
automotriz, que, a pesar de las crisis económicas, ha logrado mayores ganancias a medida que las
plantillas laborales se reducen y las máquinas desplazan a los trabajadores, evidenciando un
cambio significativo. Los humanos realizan tareas limitadas, principalmente de supervisión, ya

2
Última actualización: 14/09/2023
Grupo de Investigación

que las máquinas llevan a cabo la mayoría del trabajo de ensamblaje con mayor rapidez,
precisión y sin necesidad de descanso, generando beneficios económicos sustanciales.

A lo largo de los años, la inteligencia artificial se ha ido involucrando en la industria en sistemas

de aplicación tales como “A Constructive Heuristic for Solving the JobShop Scheduling
Problem”, la cual se basa en el desarrollo de una solución para resolver un problema de
optimización reconocido como la planificación de la tienda de trabajo (Job Shop Scheduling). El
objetivo principal es implementar una estrategia heurística constructiva con el propósito de lograr
una programación eficiente de la utilización de las máquinas en un lapso limitado por parte de los
trabajos, minimizando así los períodos de inactividad o no utilización al máximo. Esto implica
considerar las limitaciones existentes entre los trabajos procesados y las máquinas involucradas,
con el fin de alcanzar la mayor reducción posible en el tiempo total de ejecución (makespan).
Otro caso de aplicación es el “Multi-Operator Production Cost Modeling”, modelo que introduce
un sistema de interconexión de energía que ha sido diseñado para representar el conocimiento
limitado que cada operador tiene sobre otras regiones cuando toman decisiones de programación.
Además, a través de un análisis exhaustivo utilizando un sistema de prueba de confiabilidad
IEEE, se demuestra que este enfoque simula de manera efectiva las operaciones reales del
sistema al brindar información incompleta a cada operador acerca de las operaciones y
limitaciones externas. Debido a que este enfoque genera diversos problemas de programación a
nivel regional, facilita la realización de simulaciones de costos de producción en una escala que
previamente resultaba inviable. El autor presenta también un modelo conocido como
“Forecasting of customer demands for production planning by local k-nearest neighbor models”,
en donde se reconoce la relevancia que posee la anticipación de la demanda en las empresas de
fabricación, ya que esta establece un fundamento esencial para la planificación de la producción.

Asimismo, se realiza una evaluación de la efectividad de los modelos de previsión basados en el

enfoque de los k vecinos más cercanos. En este análisis, se comparan diversas configuraciones de
parámetros y estrategias de selección de modelos. Se contrasta un enfoque con una media
localmente constante y otro con una mediana localmente constante, junto con modelos de
regresión localmente lineal que incorporan cuatro métodos distintos de regularización y diversas
configuraciones de parámetros. En esta comparativa, se observa que tanto la media localmente
constante como la regresión localmente lineal con niveles elevados de regularización ofrecen un
equilibrio favorable entre la precisión de las predicciones y los tiempos de cálculo, presentando
resultados óptimos en ambos aspectos.
Estos ejemplos ilustran cómo la inteligencia artificial ha sido incorporada con éxito en diversas
aplicaciones relacionadas con la planeación y el control de la producción. A través de los años, se
ha evidenciado que ciertas variables comunes destacan en estos casos de estudio, demostrando la
versatilidad y la efectividad de la IA en este ámbito.

En primer lugar, la optimización se destaca como un objetivo fundamental en estas aplicaciones.

Tanto en la planificación de la tienda de trabajo como en la interconexión de energía, se busca
alcanzar una asignación eficiente de recursos y tareas. La IA permite abordar problemas de
optimización complejos al considerar múltiples variables y restricciones, optimizando así la
utilización de recursos y minimizando los tiempos de ejecución.

Además, la consideración de limitaciones y restricciones es un factor constante en estos casos.

Tanto en la planificación de la tienda de trabajo como en el modelo de interconexión de energía,
se reconoce la importancia de tomar en cuenta las restricciones existentes entre trabajos
procesados y máquinas utilizadas. Esto demuestra que la IA puede gestionar eficazmente
situaciones en las que se deben respetar ciertos requisitos y condiciones operativas.
3
Última actualización: 14/09/2023
Grupo de Investigación

Otro aspecto clave es la anticipación de la demanda y la toma de decisiones informadas. El

modelo de previsión de la demanda destaca la necesidad de pronosticar de manera precisa las
necesidades futuras de producción. La IA permite utilizar enfoques como los k vecinos más
cercanos para analizar y predecir patrones de demanda, lo que a su vez guía la planificación y
toma de decisiones en la producción.

En última instancia, estos ejemplos evidencian cómo la inteligencia artificial aplicada a la

planeación y el control de la producción está diseñada para abordar desafíos complejos y
dinámicos en el ámbito industrial. Mediante la optimización, la consideración de restricciones, la
anticipación de la demanda y la toma de decisiones basada en datos, la IA se presenta como una
herramienta valiosa para mejorar la eficiencia, la precisión y la capacidad de adaptación en la
producción industrial moderna.

La implementación de aplicaciones de inteligencia artificial (IA) y herramientas de tecnología de

la información (TI) en las empresas conlleva una serie de ventajas significativas. Estas
tecnologías permiten la reducción de costos al automatizar tareas y mejorar la eficiencia en los
procesos, al tiempo que brindan apoyo en la gestión de tareas, como la generación automática de
notas clínicas en el ámbito médico, lo que simplifica el trabajo de los profesionales y disminuye
la carga administrativa. Además, abordan los desafíos relacionados con la normalización e
integración de datos de diversas fuentes, lo que garantiza la coherencia de la información y
facilita la toma de decisiones basadas en datos precisos. Por último, estas aplicaciones permiten
extraer conocimiento valioso de datos consolidados, lo que no solo mejora la toma de decisiones,
sino que también puede impulsar avances destacados en la investigación y la innovación
empresarial, otorgando una ventaja competitiva adicional.

Según (PANDURO AMASIFUEN, 2023) la implementación de inteligencia artificial en la

planificación y control de la producción ofrece una serie de ventajas significativas. En primer
lugar, la IA permite una optimización más precisa y eficiente de los procesos productivos. A
través del análisis continuo de datos en tiempo real, la tecnología es capaz de identificar patrones
y tendencias que escapan al ojo humano, lo que resulta en una toma de decisiones más precisa y
en un menor tiempo. Además, la IA facilita la predicción de la demanda y la planificación de
inventario, lo cual es crucial para evitar el sobre stock o escasez de productos. Al utilizar
algoritmos avanzados, la tecnología puede anticipar variaciones en la demanda y ajustar la
producción, minimizando costos y maximizando la eficiencia de las operaciones.

Otra ventaja destacada según (Caro, 2023) es la capacidad de la IA para mejorar la calidad del
producto final. A través del monitoreo y la corrección automática de procesos, se reducen los
errores de producción y se garantiza una mayor consistencia en los productos, por ende, una
mayor satisfacción del cliente y una reputación mejorada para la empresa. Asimismo, la
implementación de IA en la planificación y control de la producción conlleva una mayor
flexibilidad en la adaptación a cambios que tenga la industria. La tecnología es capaz de ajustar
los planos de producción teniendo en cuenta nuevas variables, como cambios en la demanda del
mercado o en la disponibilidad de materias primas.
Por último, la IA aporta una mayor capacidad de análisis y mejora continua a través de la
retroalimentación constante. Al recopilar y analizar datos de producción, la tecnología puede
identificar áreas de oportunidad y proponer mejoras, contribuyendo a la optimización de los
procesos y la competitividad de la empresa en el mercado.

4
Última actualización: 14/09/2023
Grupo de Investigación

La adopción de la inteligencia artificial y la robótica conlleva costos considerables. Estos costos

son elevados debido a la complejidad de los equipos involucrados, y abarcan no solo los gastos
iniciales de instalación, sino también los costos continuos de mantenimiento y reparación.
Además, los programas de software que respaldan estas tecnologías a menudo requieren
múltiples ajustes para adaptarse a las cambiantes condiciones del entorno.

Una limitación fundamental de la inteligencia artificial y los robots es su incapacidad para

igualar la profundidad y la complejidad del pensamiento humano. Aunque estos dispositivos
pueden demostrar un alto nivel de racionalidad, carecen por completo de valores emocionales y
éticos. Cuando se enfrentan a situaciones desconocidas, los robots pueden mostrar imprecisiones
o incluso sufrir averías, lo que resalta su falta de capacidad de adaptación en comparación con
los seres humanos.

Además, la innovación impulsada por estas tecnologías no se compara con la creatividad

humana. Las máquinas operan exclusivamente en función de comandos predefinidos y no pueden
igualar la influencia del pensamiento humano, que a menudo se nutre de la sensibilidad, la
intuición y la capacidad de concebir ideas más allá de las expectativas convencionales.

Otra desventaja que considerar es el riesgo de desempleo, que puede tener efectos perjudiciales y
generalizados. En áreas donde la automatización capital se ha vuelto común, las oportunidades
de empleo que dependen en gran medida de la mano de obra humana disminuyen, (Eduardo Pol,
2017). Esto plantea la amenaza de que las personas sean reemplazadas por máquinas si no
pueden mejorar y adaptar sus habilidades. El alto desempleo también puede contribuir a un
Producto Interno Bruto estancado, ya que las personas pueden carecer de las habilidades
necesarias para satisfacer las demandas del mercado, lo que crea una brecha significativa entre la
oferta y la demanda de trabajo.

La gestión de la producción puede ser abordada desde dos perspectivas distintas: el sistema
CONWIP, que busca mantener un flujo constante de trabajo en proceso con un límite
previamente definido, y la aplicación de la inteligencia artificial en la producción. Mientras que
CONWIP representa un enfoque más estático y sencillo que requiere intervención humana para
adaptarse a cambios, la IA en la producción es dinámica y emplea algoritmos de aprendizaje
automático para adaptarse en tiempo real. La IA tiene un potencial significativo para optimizar la
producción de manera avanzada al identificar patrones de ineficiencia y tomar decisiones
automáticas para mejorar la eficiencia. En la práctica, estos enfoques pueden complementarse,
con la IA monitoreando el desempeño y ajustando el sistema CONWIP o realizando
modificaciones en otros parámetros del proceso con el fin de lograr una producción más eficaz y
adaptable a las condiciones cambiantes del entorno. Esta combinación de estrategias puede
resultar en una gestión de la producción altamente eficiente y versátil.

Tanto el DDMRP como la inteligencia artificial (IA) aplicada a la producción tienen sus propias
ventajas y áreas de especialización. El DDMRP se destaca por su estructura y enfoque claro en la
planificación de la cadena de suministro, lo que lo hace particularmente útil para empresas que
necesitan un sistema bien definido y establecido para gestionar sus inventarios y flujos de
trabajo. Su énfasis en el posicionamiento estratégico de inventario y la planificación basada en la
demanda es beneficioso para mantener un flujo eficiente en la producción.

Por otro lado, la IA brinda un nivel de adaptabilidad y capacidad de análisis en tiempo real que
puede ser especialmente valioso en entornos de producción altamente dinámicos y complejos. La
IA tiene la capacidad de aprender y ajustarse continuamente según los datos actuales, lo que la
5
Última actualización: 14/09/2023
Grupo de Investigación

hace ideal para identificar patrones ocultos, prever la demanda y tomar decisiones precisas en
situaciones cambiantes.

La sinergia entre ambos enfoques se encuentra en su complementariedad. La IA puede mejorar la

efectividad del DDMRP al proporcionar información en tiempo real, como datos de mercado y
tendencias de demanda, para ajustar los parámetros del DDMRP de manera más precisa y
dinámica. De esta manera, se pueden tomar decisiones más informadas y adaptativas para
optimizar aún más la cadena de suministro y la producción. La combinación de un enfoque
estructurado como el DDMRP con la flexibilidad y el análisis avanzado de la IA puede resultar
en una gestión altamente eficiente y adaptable en un entorno de producción en constante cambio.

La comparación entre la Inteligencia Artificial (IA) y la Física de Fábricas (Factory Physics)

implica examinar dos áreas distintas pero relacionadas en términos de la optimización y gestión
de procesos por un lado la IA se enfoca en el desarrollo de algoritmos y sistemas que pueden
aprender, razonar y tomar decisiones basadas en datos. Se aplica en una amplia gama de campos,
desde el procesamiento de lenguaje natural hasta la visión por computadora y la toma de
decisiones autónomas, Utiliza algoritmos de aprendizaje automático (machine learning), redes
neuronales, procesamiento de lenguaje natural, entre otros, para aprender de datos y mejorar la
toma de decisiones, como objetivo principal la IA busca optimizar la toma de decisiones basada
en datos, automatizar tareas y mejorar el rendimiento en diversas aplicaciones, desde la atención
médica hasta la industria automotriz y Se aplica a una amplia gama de problemas que van desde
el reconocimiento de patrones, procesamiento de lenguaje natural, hasta la toma de decisiones
complejas en tiempo real.

A diferencia la Física de Fábricas (Factory Physics) Se refiere a la disciplina que se centra en la

modelización, análisis y optimización de operaciones y procesos de fabricación. Utilice
herramientas matemáticas y teoría de sistemas para mejorar la eficiencia y productividad en el
entorno de producción, basado en modelos matemáticos, simulaciones, teoría de colas, teoría de
inventarios y otras técnicas cuantitativas para analizar y optimizar los procesos de producción, la
cual tiene como objetivo optimizar la eficiencia operativa y la productividad en entornos de
fabricación, incluyendo la gestión de inventarios, la planificación de la producción y el diseño de
sistemas de producción y se centra específicamente en problemas relacionados con la
planificación y gestión de operaciones de producción, como la programación de la producción, el
diseño de sistemas de producción y la gestión de inventarios.

2. . MATERIALES Y MÉTODOS

Se realizó la búsqueda de la información a través de la base de datos de Google académico con

las ecuaciones de búsqueda “Inteligencia Artificial + Planeación”, “Inteligencia artificial
enfocada en la planeación y control de la producción”, “inteligencia artificial + historia +
producción”, “inteligencia artificial + planeación + producción + aplicación”, “Artificial
intelligence + disadvantages + manufacturing”, y, además, se investigó en la base de datos
Science Direct con la ecuación de búsqueda en inglés “Artificial intelligence on production
planning and control” y “Benefits of artificial intelligence applied to production.”. Todos con
filtración de no más de 8 años de antigüedad.

3. RESULTADOS Y ANÁLISIS

El artículo presenta un panorama general de la importancia de la inteligencia artificial (IA) en la

Industria 4.0 y sus múltiples aplicaciones en la planificación y supervisión de procesos de

6
Última actualización: 14/09/2023
Grupo de Investigación

producción. Además, se enfatizan ciertos beneficios clave de la adopción de la IA en estos

procedimientos, como la optimización eficaz, la mejora de la calidad de los productos y la
capacidad de adaptarse a los cambios en la industria.

En lo que concierne a la incorporación de la IA en la planificación y control de la producción, se

citan diversos ejemplos y casos de estudio que ilustran cómo la IA ha sido efectiva en la
resolución de desafíos complejos, tales como la asignación eficiente de recursos, la consideración
de restricciones y la predicción de la demanda. Estos ejemplos subrayan la versatilidad y la
eficacia de la IA en este contexto, proporcionando soluciones inteligentes y eficientes.

En relación con las ventajas de implementar la IA en empresas, se destaca la capacidad de

reducir costos mediante la automatización de tareas y la mejora de la eficiencia. Además, se
menciona que la IA puede elevar la calidad de los productos finales al supervisar y corregir
procesos de forma automática, lo que conduce a una mayor satisfacción del cliente. También se
hace hincapié en la flexibilidad de la IA para adaptarse a cambios en la industria y su capacidad
de análisis continuo y mejora a través de la retroalimentación constante.

No obstante, el texto también aborda desventajas y retos asociados con la implementación de la

IA y la robótica. Se mencionan los elevados costos de adquisición y mantenimiento de estas
tecnologías, así como la necesidad de ajustar constantemente los programas de software.
Además, se resalta la limitación inherente de la IA y los robots para igualar la profundidad del
pensamiento humano, careciendo de valores emocionales y éticos, y presentando dificultades
para adaptarse eficazmente a situaciones desconocidas.

Por último, se aborda el riesgo de desempleo como un inconveniente significativo, especialmente

en áreas donde la automatización capital es común. La reducción de oportunidades laborales
puede tener un impacto negativo en la economía y generar un desequilibrio entre la oferta y la
demanda de empleo.

En resumen, el texto proporciona una perspectiva equilibrada de las ventajas y desventajas de

incorporar la IA en la industria, respaldada por ejemplos concretos de su aplicación en la
planificación y control de la producción. Esto contribuye a una comprensión más profunda del
papel fundamental que desempeña la IA en la transformación de la industria moderna.

4. CONCLUSIONES

 La inteligencia artificial (IA) desempeña un papel crucial en la Industria 4.0, transformando

la industria moderna.

 La implementación de la IA en la producción ofrece ventajas como la optimización de

procesos, la reducción de costos y la mejora de la calidad del producto.

 Sin embargo, la IA también presenta desafíos, incluyendo los altos costos de adquisición y
mantenimiento, la necesidad de ajustes constantes en el software y sus limitaciones en
comparación con el pensamiento humano.

 La colaboración entre humanos y sistemas de IA, como los cobots, es una tendencia
creciente que mejora la eficiencia y reduce los riesgos laborales.

7
Última actualización: 14/09/2023
Grupo de Investigación

 La ética y la regulación en torno a la IA son temas importantes que deben abordarse para un
uso responsable y seguro en la industria.

 La IA se utiliza para el mantenimiento predictivo y la personalización de la producción,

reduciendo el tiempo de inactividad y satisfaciendo las demandas específicas de los clientes.

 La optimización de la cadena de suministro mediante la IA mejora la eficiencia en la entrega

de productos y reduce los costos de almacenamiento.

 La IA se aplica en la simulación y el diseño de productos y procesos, permitiendo a las

empresas probar y mejorar sus productos antes de la producción real.

 La IA sigue evolucionando, con avances en áreas como el aprendizaje profundo y las redes
neuronales, lo que promete una innovación continua en la industria.

 La adopción de la IA es esencial para el futuro de la producción industrial, ya que ofrece

oportunidades para mejorar la eficiencia y la competitividad en la industria.

BIBLIOGRAFÍA
Ahlam Azzamouri, P. B. (2021). Demand Driven Material Requirements Planning (DDMRP): A
Systematic Review and Classification. Journal of Industrial Engineering and Management,
439-456.
Alexis, A. D. (2020). MODELO PARA LA OPTIMIZACIÓN DEL PLAN AGREGADO. Ecuador.
Ali, O. (2023). A systematic literature review of artificial intelligence in the healthcare sector:
Benefits, challenges, methodologies, and functionalities. Journal of Innovation &
Knowledge.
Bezrucava, S.-O. (2023). Artificial Intelligence Task Planning of Cooperating Low-Cost Mobile
Manipulators: A Case Study on a Fully Autonomous Manufacturing Application. Procedia
Computer Science, 306-315.
CANTOR, M. J. (2019). IMPACTÓ DE LA INTELIGENCIA ARTIFICIAL EN LAS EMPRESAS. SEMINARIO DE
INVESTIGACIÓN ESPECIALIZACIÓN, 56.
Caro, J. D. (2023). La Inteligencia Artificial en la sociedad: Explorando su Impacto Actual y los
Desafíos Futuros . Madrid: Universidad Politécnica de Madrid .
Eduardo Pol, J. R. (2017). Robot induced technological unemployment: towards a youth-focused. 1-
20.
Enríquez, L. E. (2019). Inteligencia artificial e innovación: campos de aplicación para la industria del
Ecuador. VISION EMPRESARIAL NO 9.
JAIMES, D. A., & LAGUADO SEQUEDA, S. (2020). PROTOTIPO DE HERRAMIENTA SOFTWARE PARA LA
GENERACION DE UN PRONÓSTICO DE INVENTARIO MEDIANTE ALGORITMOS DE
INTELIGENCIA. BUCARAMANGA.
Martínez, I. P. (2018). Cuarta Revolución Industrial. Impacto de la Inteligencia Artificial en el modo
de producción actual. REVISTA CONJETURAS SOCIOLÓGICAS, 15.
Nadikattu, A. K. (2021). Influence of Artificial Intelligence on Robotics Industry. IJCRT, 4708-4714.
PANDURO AMASIFUEN, L. M. (2023). IMPACTO E IMPLEMENTACIÓN DE LA INTELIGENCIA
ARTIFICIAL EN LA CONTABILIDAD DE GESTIÓN EN LAS PEQUEÑAS Y MEDIANAS EMPRESAS
DEL PERÚ, CASO “MULTIGRANJAS SERLAN S.A.C.” - MANANTAY, 2023. CHIMBOTE – PERÚ:
UNIVERSIDAD CATÓLICA LOS ÁNGELES DE CHIMBOTE.

8
Última actualización: 14/09/2023
Grupo de Investigación

Ríos, P. M. (2021). METODOLOGÍA DE SIMULACIÓN CON INTELIGENCIA ARTIFICIAL EN LA

PLANIFICACIÓN Y CONTROL DE LA PRODUCCIÓN, EN SISTEMAS DE MANUFACTURA DE
FUNDICIÓN. UNIVERSIDAD PRIVADA DEL NORTE.
Serna, A. A. (2017). Principios de la inteligencia artificial en las ciencias computacionales. desarrollo
e innovación en ingeniería, 161.
Standridge, S. K. (2019). Aggregate simulation modeling with application to setting the CONWIP
limit in a HMLV manufacturing cell . International Journal of Industrial Engineering
Computations , 149-160.