1
Implementación de la inteligencia artificial para formar, organizar y actualizar bases de datos
Juan Manuel Pelaez Tamayo
Santiago Silva Carvajal
Ingeniería Informática, Unilasallista
Investigación
Gloria Azucena Cabrera Jaramillo
9 de mayo de 2025
2
Implementación de la inteligencia artificial para formar, organizar y actualizar bases de
datos
En la última década, el crecimiento de la inteligencia artificial (IA) ha sido constante y
acelerado, generando transformaciones significativas en distintos sectores, como el industrial,
educativo, de salud y, especialmente, el empresarial. Su implementación ha permitido
automatizar procesos, mejorar la eficiencia operativa y facilitar la toma de decisiones
estratégicas. En particular, uno de los ámbitos donde la IA presenta mayor potencial es en la
gestión de bases de datos empresariales, al posibilitar el análisis predictivo, la detección de
patrones complejos y la optimización del almacenamiento y recuperación de información
(Sharma et al., 2022).
A pesar de los avances tecnológicos y del interés creciente por parte de las
organizaciones, existe una escasez de estudios que documenten de manera sistemática cómo se
está llevando a cabo la integración de la IA en los sistemas internos y las bases de datos
empresariales. Esta carencia de evidencia empírica y teórica dificulta la comprensión de las
estrategias empleadas, los desafíos enfrentados y los beneficios concretos obtenidos. Como
señala Salas Puelles (2024), esta falta de información genera incertidumbre entre investigadores
y empresas interesadas en adoptar estas tecnologías de manera eficaz.
Ante este panorama, se plantea la siguiente pregunta de investigación: ¿Cómo están
implementando las empresas la inteligencia artificial en sus bases de datos y qué impacto tiene
esta integración en su gestión y toma de decisiones? Esta cuestión resulta relevante de ser
estudiada, ya que permite comprender los efectos reales de la IA en la infraestructura de datos y
en la eficiencia organizacional, así como identificar buenas prácticas y posibles riesgos asociados
3
a su adopción. La investigación, al estar centrada en procesos concretos de implementación y sus
resultados, es clara, delimitada e investigable dentro del campo de la informática empresarial.
Justificación
La creciente adopción de la inteligencia artificial (IA) en sectores económicos demuestra
su potencial transformador en la gestión de bases de datos empresariales, siendo clave para una
toma de decisiones basada en datos precisos y actualizados (Sharma et al., 2022). Esta
investigación analiza cómo se implementa la IA en la formación, organización y actualización de
bases de datos, abordando sus implicaciones, beneficios y los desafíos que enfrentan las
empresas. A nivel científico, busca fortalecer el marco teórico y metodológico en informática
empresarial; en lo académico, apoya la formación en tecnologías emergentes como el aprendizaje
automático y la minería de datos. Económicamente, la IA permite optimizar procesos, reducir
costos y mejorar la seguridad de la información (Barquilla, Y. 2022). Socialmente, fomenta una
cultura innovadora y mejora la calidad de los servicios. Así, esta investigación resulta relevante
por su aporte integral en ámbitos científicos, académicos, organizacionales y sociales.
Objetivo general
Investigar y evaluar las técnicas y procedimientos actuales para la integración de la
inteligencia artificial en la formación, organización y actualización de bases de datos,
identificando sus desafíos y oportunidades, con el fin de enriquecer el conocimiento en un campo
poco explorado.
Objetivos específicos
- Identificar las aplicaciones actuales de la inteligencia artificial en la formación,
organización y actualización de bases de datos, destacando sus usos y beneficios.
4
- Explorar los enfoques y herramientas utilizadas para integrar la IA en la optimización y
mantenimiento de bases de datos.
- Analizar los desafíos y limitaciones que enfrenta la implementación de IA en este
campo.
- Evaluar el impacto de la inteligencia artificial en la eficiencia, seguridad y
automatización de la gestión de bases de datos.
- Proponer posibles mejoras o nuevas estrategias basadas en IA para optimizar la
administración de bases de datos.
Hipótesis
La falta de estrategias y de documentación sobre la integración de la inteligencia artificial
en bases de datos empresariales limita su uso efectivo y el aprovechamiento de sus beneficios
Estado del arte
La inteligencia artificial (IA) ha emergido como una herramienta transformadora en la
gestión de datos empresariales, al permitir el procesamiento inteligente de grandes volúmenes de
información y la automatización de tareas complejas (Sharma et al., 2022). En los últimos años,
las organizaciones han comenzado a explorar aplicaciones específicas de la IA en la formación,
organización y actualización de bases de datos, aprovechando algoritmos de aprendizaje
automático y técnicas de minería de datos para mejorar la calidad de los datos, detectar errores y
facilitar la toma de decisiones informadas (Barquilla, 2023). Estudios recientes han demostrado
que la IA no solo mejora el rendimiento operativo de los sistemas de gestión de bases de datos,
sino que también incrementa la seguridad y confiabilidad de los datos almacenados. Las
5
tecnologías inteligentes permiten identificar patrones ocultos, predecir comportamientos y
responder en tiempo real a cambios en la estructura o en el contenido de las bases de datos. Esto
se traduce en sistemas más adaptativos y eficientes, alineados con las necesidades dinámicas del
entorno empresarial (Sharma et al., 2022). Sin embargo, a pesar del interés creciente, existe una
notoria escasez de estudios sistemáticos que documenten los procesos concretos de
implementación de IA en bases de datos empresariales. Según Salas Puelles (2024), esta carencia
de documentación científica y empírica dificulta la consolidación de un marco metodológico
claro, lo que a su vez genera incertidumbre entre las organizaciones que desean adoptar estas
tecnologías. Este vacío en el conocimiento justifica la necesidad de investigaciones enfocadas en
el análisis de casos reales y en la identificación de buenas prácticas. Asimismo, el uso de la IA en
la gestión de bases de datos plantea desafíos técnicos y éticos que deben abordarse desde una
perspectiva crítica. Cuestiones como la transparencia algorítmica, la privacidad de los datos y la
gobernanza tecnológica son fundamentales para garantizar una implementación responsable y
sostenible (Barquilla, 2023). Estos temas también están comenzando a emerger en el debate
académico y requieren una mayor exploración desde un enfoque interdisciplinario. En
conclusión, el estado actual del conocimiento sobre la implementación de IA en bases de datos
evidencia avances significativos en cuanto a su potencial técnico y estratégico, pero también
muestra una limitada sistematización teórica y práctica. Esta investigación se posiciona, por
tanto, como una contribución necesaria y oportuna para cerrar brechas existentes y promover un
uso más eficiente, ético y estructurado de la inteligencia artificial en la gestión empresarial de
datos.
Metodología
Área y contexto de estudio
6
Este estudio se enfocará en la evaluación de los procesos de implementación de
inteligencia artificial (IA) en la gestión de bases de datos empresariales, abarcando aspectos
como aplicaciones, herramientas, desafíos, beneficios e impacto organizacional. La investigación
se llevará a cabo en el municipio de Caldas, Antioquia, Colombia, específicamente en la Clínica
Veterinaria La Sallista Hermano Octavio Martínez López, ubicada en la dirección Cra 51 #118
Sur – 57. Esta localidad se encuentra geográficamente en la latitud 6°06′00″ N y longitud
75°38′23″ W, con una altitud aproximada de 1.790 metros sobre el nivel del mar, una
temperatura media anual de 21 °C, una humedad relativa promedio entre 75 % y 85 %, y una
precipitación media anual de aproximadamente 2.859 mm.
Diseño del estudio
La presente investigación se desarrollará bajo un enfoque cualitativo-descriptivo con
elementos exploratorios. Se realizará un estudio de casos múltiples, seleccionando empresas o
entidades que hayan integrado soluciones basadas en IA para la administración de sus bases de
datos. Se utilizarán entrevistas semiestructuradas a profesionales del área de tecnología (CIOs,
analistas de datos, desarrolladores), revisión documental de informes internos y análisis
comparativo entre casos. El objetivo es identificar patrones, buenas prácticas, limitaciones
comunes y resultados observables tras la implementación.
Muestra y criterios de selección
La muestra será no probabilística por conveniencia, compuesta por organizaciones que:
a) Hayan adoptado soluciones de IA en la gestión de bases de datos.
b) Estén dispuestas a proporcionar información sobre sus procesos tecnológicos y
7
resultados.
c) Cuenten con personal disponible para entrevistas.
Variables
8
Nombre de
la variable
Naturaleza
Nivel de
medición
Unidad de
medida
Aplicación
de IA en
bases de
datos
Cualitativa
nominal
Politómica
Tipo de
aplicación
Herramient
Cualitativa
as de IA
nominal
utilizadas
Politómica
Tipo de
herramienta
Nivel de
Cuantitativa
integración
Ordinal
ordinal
tecnológica
Nivel de
adopción
Impacto en
Cuantitativa
la eficiencia
Intervalo
continua
operativa
% mejora
reportada
Nivel de
seguridad
Cuantitativa
en la
Ordinal
ordinal
gestión de
datos
Dificultades
en la
Cualitativa
Politómica
implementa nominal
ción
Percepción
Cualitativa
del personal
Ordinal
ordinal
sobre IA
Tiempo
requerido
Cuantitativa
para
Razón
continua
implementa
ción
Frecuencia
de
Cuantitativa
mantenimie
Razón
discreta
nto del
sistema IA
Tipo de
base de
Cualitativa
datos
Nominal
nominal
gestionada
con IA
Materiales y Métodos
Código
----
Definición
de código
Análisis
1
predictivo
Optimizació
2
n
Automatizac
3
ión
Machine
1
Learning
Redes
2
neuronales
Algoritmos
3
híbridos
1 Bajo
2 Medio
3 Alto
Se mide
porcentaje
de mejora
según
reportes
internos
1 Bajo
Escala
2 Medio
3 Alto
1 Técnica
Tipo de
dificultad
Escala de
percepción
Meses
----
Número de
veces/año
----
2 Humana
3 Económica
1 Negativa
2 Neutra
3 Positiva
Tiempo en
meses
desde
planificació
n hasta uso
funcional
Número de
mantenimie
ntos al año
1 Relacional
Clasificación
técnica
No
relacional
3 Mixta
2
9
Dado que esta investigación tiene un enfoque cualitativo-descriptivo con estudio de casos
múltiples, no se requiere un cálculo estadístico del tamaño muestral. Se empleará un muestreo no
probabilístico por conveniencia, y la cantidad de casos será determinada con base en la
disponibilidad de información relevante, el acceso a organizaciones participantes y la saturación
de datos alcanzada durante el análisis.
Cronograma
10
Objetivos
específicos
Actividades Mes 1
Revisión
1.
bibliográfica
Identificar
y
las
documental X
aplicaciones
sobre casos
actuales de
actuales de
la IA
uso
Análisis de
estudios de
caso
(artículos,
informes
técnicos)
Sistematizac
ión de
hallazgos
(aplicacione
s,
beneficios)
Identificació
ny
2. Explorar
clasificación
enfoques y
de
herramienta
herramienta
s utilizadas
s (ML, NLP,
etc.)
Entrevistas
exploratoria
s a expertos
del sector
Registro y
análisis
comparativ
o de
enfoques
Revisión de
3. Analizar
literatura
los desafíos
sobre
y
barreras y
limitaciones
desafíos
Análisis de
entrevistas
para
identificar
obstáculos
Diseño de
instrumento
4. Evaluar el
s de
impacto de
evaluación
la IA
(encuestas,
matrices)
Aplicación
de
encuestas
en
empresas
seleccionad
as
Análisis de
resultados
(eficiencia,
automatizac
ión)
Síntesis de
5. Proponer hallazgos y
mejoras o
elaboración
estrategias de
propuestas
Redacción
de
conclusione
sy
recomendac
iones
Mes 2
Mes 3
Mes 4
Mes 5
Mes 6
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
11
Presupuesto
Tabla 1. Presupuesto Global
FUENTES
CONTRAPARTIDA
UNILASALLE
RUBROS
Flujo de
Efectivo
$
$
$
$
$
$
$
$
$
-
Personal (Integrantes equipo Investigador )
Equipos
Software
Materiales y suministros
Salidas de campo
Publicaciones y patentes
Prestación de servicios profesionales
Viajes
Totales
$
$
$
$
$
$
$
$
$
TOTAL
SGR
Recursos
Propios
34,164,000
2,000,000
36,164,000
Flujo de
Efectivo
$
$
$
$
$
$
$
$
$
4,510,745
1,843,726
140,250
6,494,721
Recursos
Propios
$
$
$
$
$
$
$
$
$
-
$ 34,164,000
$ 4,510,745
$ 1,843,726
$
140,250
$
$ 2,000,000
$
$
$ 42,658,721
Tabla 2. Presupuesto del personal
DEDICACIÓN
INVESTIGADOR / COINVESTIGADOR/
ESTUDIANTE EN FORMACIÓN
Santiago Silva Carvajal
Juan Manuel Pelaez Tamayo
Gloria Azuzena Cabrera
FORMACIÓN
ACADÉMICA
FUNCIÓN DENTRO DEL
PROYECTO
Estudiante
Estudiante
Profesional
TOTAL
Investigador Principal
Coinvestigadora
Dirección
FUENTES
Contrapartida
(hora /
semana)
4
4
4
TOTAL
SGR
ULASALLE
Flujo de
Recursos
efectivo
Propios
$
- $
8,541,000
$
8,541,000
$
17,082,000
Flujo de
efectivo
$
$
-
$
$
-
$
$
$
-
-
$
34,164,000
-
Recursos
Propios
$
$
$
$
$
8,541,000
8,541,000
17,082,000
34,164,000
Tabla 3. Presupuesto por equipos
FUENTES
Contrapartida
SGR
EQUIPO
JUSTIFICACIÓN
TOTAL
UNILASALLE
Recursos
Flujo de
Recursos
Flujo de efectivo
Propios
efectivo
Propios
Es lo mas
Computador
fundamental para el
$
4,125,045
$ 4,125,045
proyecto
Fundamental para
descargar
programas
Modem de internet
$
385,700
$
385,700
necesarios y poder
navegar en paginas
web
$
TOTAL
$
$
- $
4,510,745 $
- $ 4,510,745
12
Tabla 4. Propuesto del software
NOMBRE DE
SOFTWARE
Licencia de
windows
Chatgpt Pro
FUENTES
Contrapartida
SGR
UNILASALLISTA
Flujo de Recursos
Flujo de
Recursos
efectivo
Propios
efectivo
Propios
JUSTIFICACIÓN
Garantiza seguridad, estabilidad y acceso a
actualizaciones oficiales, lo que optimiza el
rendimiento del sistema y reduce riesgos
operativos.
Ayuda para realizar procesos tediosos y
repetitivos
TOTAL
$
-
$
-
TOTAL
$
1,000,000
$
1,000,000
$
843,726
$
843,726
1,843,726
$
$
$
1,843,726
$
$
-
Tabla 5. Presupuesto de los materiales
Materiales*
Cable LAN
Teclado
Mouse
FUENTES
Contrapartida
SGR
UNILASALLE
Flujo de
Recursos
Flujo de
Recursos
efectivo
Propios
efectivo
Propios
Justificación
Intesifica la
estabilidad de la
conexión a internet
Facilita la
comodidad a la hora
de escribir
Mejora la
navegacion,
selección y
ejecución de
comandos
TOTAL
$
-
$
-
TOTAL
$
45,000
$
45,000
$
57,350
$
57,350
$
37,900
$
37,900
$
$
-
$
$
140,250
$
140,250
$
-
13
Referencias
Begum, S., Ahmed, M.U., Funk, P., Xiong, N. (2010). Intelligent Signal Analysis Using CaseBased Reasoning for Decision Support in Stress Management. En: Bichindaritz, I.,
Vaidya, S., Jain, A., Jain, L.C. (eds) Computational Intelligence in Healthcare 4. Studies
in Computational Intelligence, vol 309. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-642-14464-6_8
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital
future. W. W. Norton & Company. Machine, Platform, Crowd: Harnessing Our Digital
Future - MIT Initiative on the Digital Economy
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From
Big Data to Big Impact. MIS Quarterly, 36(4), 1165–1188.
https://doi.org/10.2307/41703503
Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard
Business Review, 96(1), 108–116. 3 Things AI Can Already Do for Your Company
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C.,
Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018).
AI4People-An Ethical Framework for a Good AI Society: Opportunities, Risks,
Principles, and Recommendations. Minds and machines, 28(4), 689–707.
https://doi.org/10.1007/s11023-018-9482-5
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics.
International Journal of Information Management, 35(2), 137–144. Beyond the hype:
Big data concepts, methods, and analytics - ScienceDirect
14
Han, J., Pei, J., & Kamber, M. (2022). Data Mining: Concepts and Techniques (4th ed.). Data
Mining: Concepts and Techniques | ScienceDirect
IBM. (2023). AI-powered database management solutions. IBM. https://www.ibm.com
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects.
Science, 349(6245), 255–260. [Science].
Katal, A., Wazid, M., & Goudar, R. H. (2013). Big Data: Issues, Challenges, Tools and Good
Practices. 2013 Sixth International Conference on Contemporary Computing (IC3), 404–
409. Big data: Issues, challenges, tools and Good practices | IEEE Conference Publication
| IEEE Xplore
Nilsson, N. J. (2013). The Quest for Artificial Intelligence. Cambridge University Press.
https://doi.org/10.1017/CBO9780511819346
Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media. (PDF) Data
Science for Business
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Artificial Intelligence: A Modern Approach, Global Edition, 4ed
Salas Puelles, M. (2024). IA en bases de datos: Retos y oportunidades. Universidad de
Salamanca. [Beedigital].
Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming decision-making processes: a
research agenda for understanding the impact of business analytics on
organisations. European Journal of Information Systems, 23(4), 433–441.
https://doi.org/10.1057/ejis.2014.17
15
Yolanda, B. (2023). La inteligencia artificial en la gestión de datos empresariales. Beedigital.
https://beedigital.es/blog/inteligencia-artificial/
Zhou, K., Fu, C., & Yang, S. (2020). Big data driven smart energy management: From big data to
smart energy. Renewable and Sustainable Energy Reviews, 81, 1049–1064.
https://doi.org/10.1016/j.rser.2015.11.050
Zikopoulos, P., & Eaton, C. (2011). Understanding Big Data: Analytics for Enterprise Class
Hadoop and Streaming Data. McGraw-Hill Osborne Media. Understanding Big Data:
Analytics for Enterprise Class Hadoop and Streaming Data | Guide books | ACM Digital
Library