💻 ciencias de la computación

A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs

Este estudio introduce un marco unificado de dos etapas que integra el Modelado de Ecuaciones Estructurales por Mínimos Cuadrados Parciales (PLS-SEM) con una Red Neuronal Convolucional (CNN) para analizar la adopción de la IA en las PYMEs nigerianas, demostrando que mientras el PLS-SEM confirma las relaciones teóricas, la CNN mejora significativamente la precisión predictiva fuera de la muestra cuando ambos modelos se comparan rigurosamente sobre pliegues de datos idénticos.

Autores originales: Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Publicado 2026-10-22

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las pequeñas empresas son la columna vertebral de la economía mundial, empleando a la mitad de la fuerza laboral del mundo y formando la gran mayoría de las compañías en todas partes. Sin embargo, cuando se trata de adoptar nuevas tecnologías como la inteligencia artificial, estas firmas más pequeñas suelen quedar rezagadas frente a sus contrapartes más grandes. La brecha no suele deberse a que la tecnología no esté disponible o sea demasiado costosa; más bien, es una cuestión de voluntad. Los responsables de la toma de decisiones en las pequeñas empresas deben primero comprender qué puede hacer la tecnología y luego decidir si quieren utilizarla. Los investigadores han intentado durante mucho tiempo mapear los factores que influyen en esta decisión, como si el propietario de un negocio confía en la tecnología, si posee las habilidades digitales necesarias o si siente la presión de sus competidores. Tradicionalmente, los científicos han utilizado herramientas estadísticas para trazar líneas rectas entre estos factores y la decisión final de adopción, asumiendo que la relación es simple y directa. Sin embargo, el comportamiento humano y los entornos empresariales rara vez son tan sencillos, y las herramientas utilizadas para estudiarlos suelen tener dificultades para capturar la realidad desordenada y no lineal de cómo las personas toman decisiones realmente.

Un equipo de investigadores de Nigeria y el Reino Unido se propuso probar si un enfoque más sofisticado podría revelar un panorama más claro de cómo las pequeñas empresas deciden utilizar la inteligencia artificial. Se centraron en un grupo específico de 1,210 pequeñas y medianas empresas en Nigeria, encuestando a propietarios y gerentes sobre su conocimiento de diversas herramientas de IA, su confianza en la tecnología y su intención de adoptarla. Los investigadores combinaron dos métodos de análisis diferentes. El primero fue un enfoque estadístico estándar que pone a prueba una teoría predefinida sobre cómo se conectan los diferentes factores. El segundo fue un tipo de inteligencia artificial conocida como red neuronal convolucional, un sistema diseñado para encontrar patrones complejos en los datos que la estadística estándar podría pasar por alto. Crucialmente, el equipo no se limitó a ejecutar estos dos métodos uno tras otro en diferentes conjuntos de datos. En su lugar, construyeron un sistema unificado donde los resultados del primer método moldeaban la entrada para el segundo, y probaron ambos modelos en los mismos fragmentos de datos para asegurar una comparación justa.

El estudio comenzó confirmando un conjunto de quince factores diferentes que podrían influir en la decisión de una empresa. Estos incluían aspectos tecnológicos como qué tan útiles o fáciles parecían las herramientas, factores organizativos como el apoyo de la alta dirección y la alfabetización digital del personal, y factores ambientales como el apoyo gubernamental y la presión competitiva. Los investigadores también midieron cuánto confiaban los dueños de negocios en la IA y qué tan conscientes eran de las herramientas específicas disponibles en el mercado. Al analizar los datos, descubrieron que casi cada uno de estos quince factores desempeñaba un papel. Los impulsores más fuertes fueron la confianza en la tecnología y el nivel de alfabetización digital dentro de la empresa. Curiosamente, los investigadores descubrieron que estos factores rara vez influían en la decisión de adoptar la IA de manera directa. En cambio, funcionaban aumentando primero la conciencia del propietario del negocio sobre lo que la IA podía hacer. Una vez que el responsable de la toma de decisiones se volvía consciente de la tecnología, esa conciencia se convertía en la principal puerta de entrada a la intención de adopción. La confianza fue el único factor que funcionó de dos maneras: aumentaba la conciencia, pero también impulsaba directamente la disposición a adoptar, independientemente de dicha conciencia.

Posteriormente, los investigadores probaron si su complejo modelo de inteligencia artificial podía predecir la intención de adopción mejor que el modelo estadístico estándar. Encontraron que la red neuronal, de hecho, funcionaba ligeramente mejor, reduciendo el error en sus predicciones en aproximadamente un dos por ciento en comparación con el modelo estándar. Esta mejora fue estadísticamente significativa, lo que significa que era improbable que fuera una casualidad. Sin embargo, el estudio también reveló una limitación sorprendente. Cuando los investigadores compararon la red neuronal con otras herramientas de aprendizaje automático más simples, como un algoritmo de bosque aleatorio (random forest) o una red básica de alimentación hacia adelante (feed-forward), la red neuronal no funcionó mejor. Esto sugiere que la mejora no provino de la arquitectura específica y compleja de la red neuronal, sino simplemente del hecho de que permitía relaciones no lineales, las cuales el modelo estadístico estándar no podía capturar. El estudio también encontró que el uso de un modelo de medición validado para agrupar las preguntas de la encuesta era esencial. Cuando intentaron predecir la adopción utilizando todas las preguntas de la encuesta sin agruparlas primero, los resultados fueron significativamente peores, demostrando que organizar los datos de acuerdo con la teoría es tan importante como el método de predicción mismo.

En última instancia, la investigación destaca que, para las pequeñas empresas, el camino hacia la adopción de la inteligencia artificial está pavimentado con la conciencia. Los factores contextuales como el apoyo gubernamental, la preparación financiera o la presión competitiva no empujan a una empresa a adoptar la IA directamente; primero impulsan al propietario del negocio a ser consciente de la tecnología. Una vez que se establece esa conciencia, la intención de adoptar la sigue. El estudio también sirve como una lección metodológica para la comunidad científica. Demuestra que, si bien las herramientas avanzadas de aprendizaje automático pueden ofrecer una ligera ventaja en la predicción, deben probarse de manera justa contra alternativas más simples para entender qué es lo que realmente impulsa la mejora. En este caso, la ganancia provino de permitir que los datos hablaran con su propia voz compleja y no lineal, en lugar de forzarlos a seguir una línea recta, pero la complejidad específica de la red neuronal en sí no fue el ingredlimento mágico. Los hallazgos confirman que la teoría sigue importando: organizar los datos en torno a conceptos establecidos ayuda incluso a los algoritmos más avanzados a dar un mejor sentido al mundo.

Resumen Técnico: Un análisis híbrido de PLS-SEM y Redes Neuronales Convolucionales sobre la intención de adopción de IA en las PYME

Planteamiento del problema
La investigación empírica sobre la adopción de tecnología, particularmente la Inteligencia Artificial (IA) en las Pequeñas y Medianas Empresas (PYME), se ha basado históricamente en el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM). Aunque es eficaz para la prueba de hipótesis y la explicación de la varianza intra-muestra, este enfoque enfrenta tres limitaciones críticas:

Validez predictiva: Los modelos suelen evaluarse en función del poder explicativo intra-muestra ( $R^2$ ) en lugar del rendimiento predictivo fuera de la muestra, lo que conduce a una posible sobreestimación de la transportabilidad de un modelo.
Supuestos de la forma funcional: El PLS-SEM convencional asume relaciones lineales, fallando al capturar posibles dinámicas no lineales (por ejemplo, umbrales de capacidad o rendimientos decrecientes) inherentes a los comportamientos de adopción.
Metodologías híbridas defectuosas: Los enfoques híbridos existentes que combinan SEM con Redes Neuronales Artificiales (ANN) típicamente entrenan la red neuronal utilizando puntuaciones de constructos derivadas del modelo estructural y las evalúan en divisiones de datos separadas. Esta metodología impide una comparación formal y estadísticamente rigurosa entre los modelos estructural y predictivo, haciendo que las afirmaciones de "validación mutua" sean imposibles de probar.

Metodología
El estudio propone un marco de evaluación unificado de dos etapas aplicado a datos de 1,210 PYME nigerianas. El diseño integra las etapas confirmatoria y predictiva a través de tres acoplamientos arquitectónicos explícitos:

Etapa 1: PLS-SEM Confirmatorio
- Objetivo: Validar el modelo de medición, estimar los constructos latentes y probar hipótesis basadas en un marco integrado de Tecnología-Organización-Entorno (TOE), Difusión de Innovaciones (DOI) y un marco conductual.
- Modelo: Un modelo estructural con 15 constructos (13 antecedentes, 1 mediador, 1 resultado) y 15 hipótesis.
- Salida: Puntuaciones de constructos validadas y coeficientes de trayectoria estandarizados que sirven como base para la siguiente etapa.
Etapa 2: Red Neuronal Convolucional (CNN) Predictiva
- Representación de entrada: En lugar de utilizar indicadores brutos o simples puntuaciones de constructos, el estudio codifica a cada encuestado como un tensor 2D ( $14 \times 6$ ). Las filas representan los 14 constructos validados (13 antecedentes + mediador) y las columnas representan sus indicadores retenidos.
- Arquitectura:
  - Convolución Intra-Constructo: Kernels 1D (específicamente 1×3) se deslizan a lo largo del eje de los indicadores para aprender un análogo de agregación del "modelo externo" de PLS-SEM.
  - Convolución Entre-Constructos: Kernels 1D (específicamente 3×1) se deslizan a lo largo del eje de los constructos para aprender las relaciones entre constructos, sirviendo como un análogo aprendido del "modelo interno".
- Protocolo de Evaluación: Crucialmente, la CNN, el modelo estructural PLS-SEM y cuatro comparaciones alternativas (ANN de alimentación hacia adelante, Random Forest, CNN de puntuación de constructos y Regresión de Mínimos Cuadrados Ordinarios) se evalúan utilizando divisiones de validación cruzada de 10 pliegues idénticas. Esto asegura comparaciones fuera de la muestra commensurables.
- Rigor Estadístico: Las diferencias de rendimiento se evalúan mediante pruebas t de muestras pareadas, pruebas de rango signo para Wilcoxon y tamaños de efecto (d de Cohen).

Resultados Clave

Hallazgos Estructurales: Las 15 hipótesis fueron respaldadas. El modelo explicó el 61.1% de la varianza en la Conciencia de la IA y el 54.7% en la Intención de Adopción de la IA.
- Mediación: La Conciencia de la IA medió totalmente los efectos de 12 de los 13 antecedentes sobre la intención de adopción.
- Confianza: La Confianza en la IA fue el único constructo que exhibió una mediación parcial complementaria, influyendo en la intención tanto directa como indirectamente a través de la conciencia.
Desempeño Predictivo:
- La CNN de tensor de ítems logró una reducción del 2.06% en el RMSE fuera de la muestra en comparación con el benchmark estructural de PLS-SEM ( $p = 0.032$ ).
- Sin embargo, la CNN no superó significativamente a una Red Neuronal de Alimentación hacia Adelante o a un Random Forest. Esto sugiere que la ganancia de rendimiento proviene de relajar los supuestos de la forma funcional lineal más que de la arquitectura convolucional específica o la profundidad de la red.
- Valor de la Reducción de Dimensionalidad: Un modelo OLS entrenado con los 68 indicadores brutos tuvo un desempeño significativamente peor (3.97% mayor RMSE) que el modelo estructural de dos predictores. Esto confirma que la reducción de dimensionalidad guiada por la teoría a través de un modelo de medición validado es esencial para el rendimiento predictivo con este tamaño de muestra.
Análisis de Importancia: La importancia por permutación de la CNN y los coeficientes de trayectoria estandarizados de PLS-SEM mostraron una concordancia amplia (rho de Spearman $\rho = 0.503$ ), identificando a la Conciencia de la IA y la Confianza como los predictores dominantes en ambos marcos.

Significancia y Reivindicaciones
El artículo afirma avanzar en la investigación híbrida SEM-ANN al abordar la transparencia y el rigor metodológico:

Integración Arquitectónica: Formaliza una arquitectura híbrida donde el modelo de medición define la representación de entrada de la red profunda, haciendo que el vínculo entre las etapas confirmatoria y predictiva sea arquitectónico y no meramente secuencial.
Prueba Falsable: Al evaluar todos los modelos con pliegues de validación cruzada idénticos y pruebas estadísticas de muestras pareadas, el estudio proporciona un nivel de transparencia inferencial raramente encontrado en la literatura híbrida. Demuestra que las afirmaciones de "confirmación neuronal" de los modelos estructurales solo son válidas si el modelo neuronal se prueba contra el estructural en las mismas particiones de datos.
Papel de la Teoría de la Medición: El estudio proporciona evidencia empírica de que la reducción de dimensionalidad guiada por la teoría (vía PLS-SEM) preserva mejor la información predictiva que los estimadores flexibles aplicados a datos brutos de alta dimensionalidad en investigaciones basadas en encuestas con muestras moderadas ( $N \approx 1,200$ ).
Perspectiva Sustantiva: Los hallazgos refuerzan la "lógica de decisión por etapas" en la teoría de la difusión, identificando la Conciencia de la IA como un portal casi universal a través del cual los factores contextuales influyen en la intención de adopción, con la Confianza actuando como un impulsor de vía dual único.

Los autores mantienen una postura modesta, reconociendo que las ganancias predictivas observadas sobre los modelos lineales son modestas (unos pocos puntos porcentuales) y que la arquitectura CNN específica no ofreció ventajas sobre bases no lineales más simples como Random Forests en este contexto. La contribución principal es el marco metodológico para una comparación rigurosa más que la superioridad del aprendizaje profundo per se.

Resumen Técnico: Un análisis híbrido de PLS-SEM y Redes Neuronales Convolucionales sobre la intención de adopción de IA en las PYME

Más como este