Transformación digital e inteligencia artificial en la gestión agroempresarial: productividad, competitividad y toma de decisiones
DOI:
https://doi.org/10.65415/xgh7vg38Palabras clave:
transformación digital, inteligencia artificial, gestión agroempresarial, productividad agrícola, competitividad, toma de decisionesResumen
La transformación digital y la inteligencia artificial han adquirido relevancia estratégica en la gestión agroempresarial, especialmente por su capacidad para optimizar recursos, mejorar la productividad, fortalecer la competitividad y apoyar decisiones basadas en datos. El objetivo de esta revisión sistemática fue analizar la producción científica reciente sobre la incorporación de tecnologías digitales e inteligencia artificial en la gestión agroempresarial, con énfasis en productividad, competitividad y toma de decisiones. Se desarrolló una revisión sistemática de literatura orientada por PRISMA 2020. La búsqueda se realizó únicamente en Google Scholar, considerando publicaciones entre 2021 y 2026. Se aplicaron criterios de inclusión y exclusión vinculados con pertinencia temática, acceso a texto completo, idioma y relación directa con agricultura digital, IA, gestión agroempresarial, rendimiento productivo, ventaja competitiva o decisiones gerenciales. La muestra final estuvo integrada por 15 estudios, analizados mediante síntesis cualitativa temática. Los resultados evidenciaron cuatro categorías principales: automatización y agricultura inteligente, analítica predictiva y productividad, competitividad agroalimentaria y adopción/gestión de tecnologías digitales. La literatura revisada muestra que la IA y las tecnologías digitales pueden mejorar la eficiencia productiva, la trazabilidad, la planificación, la gestión de riesgos y la toma de decisiones; no obstante, persisten barreras asociadas con infraestructura, costos, capacidades digitales, confianza en los algoritmos, interoperabilidad y brecha digital. Se concluye que la transformación digital agroempresarial requiere estrategias de gestión integradas que combinen tecnología, formación, gobernanza de datos y modelos de adopción inclusivos.
Descargas
Referencias
Ahmad, A., Liew, A. X. W., Venturini, F., Kalogeras, A., Candiani, A., Di Benedetto, G., Ajibola, S., Cartujo, P., Romero, P., Lykoudi, A., De Grandis, M. M., Xouris, C., Lo Bianco, R., Doddy, I., Elegbede, I., D'Urso Labate, G. F., García del Moral, L. F., & Martos, V. (2024). AI can empower agriculture for global food security: Challenges and prospects in developing nations. Frontiers in Artificial Intelligence, 7, 1328530. https://doi.org/10.3389/frai.2024.1328530
Akkem, Y., Biswas, S. K., & Varanasi, A. (2023). Smart farming using artificial intelligence: A review. Engineering Applications of Artificial Intelligence, 120, 105899. https://doi.org/10.1016/j.engappai.2023.105899
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa
De Alwis, S., Hou, Z., Zhang, Y., Na, M. H., Ofoghi, B., & Sajjanhar, A. (2022). A survey on smart farming data, applications and techniques. Computers in Industry, 138, 103624. https://doi.org/10.1016/j.compind.2022.103624
Garg, D., & Alam, M. (2023). Smart agriculture: A literature review. Journal of Management Analytics, 10(2), 359-415. https://doi.org/10.1080/23270012.2023.2207184
Gusenbauer, M., & Haddaway, N. R. (2020). Which academic search systems are suitable for systematic reviews or meta-analyses? Evaluating retrieval qualities of Google Scholar, PubMed, and 26 other resources. Research Synthesis Methods, 11(2), 181-217. https://doi.org/10.1002/jrsm.1378
Haddaway, N. R., Collins, A. M., Coughlin, D., & Kirk, S. (2015). The role of Google Scholar in evidence reviews and its applicability to grey literature searching. PLOS ONE, 10(9), e0138237. https://doi.org/10.1371/journal.pone.0138237
Jabed, M. A., & Murad, M. A. A. (2024). Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon, 10(24), e40836. https://doi.org/10.1016/j.heliyon.2024.e40836
Javaid, M., Haleem, A., Khan, I. H., Suman, R., & Khan, S. (2022). Understanding the potential applications of artificial intelligence in agriculture sector. International Journal of Intelligent Networks, 3, 150-164. https://doi.org/10.1016/j.ijin.2022.09.004
Khanna, M. (2021). Digital transformation of the agricultural sector: Pathways, drivers and policy implications. Applied Economic Perspectives and Policy, 43(4), 1221-1242. https://doi.org/10.1002/aepp.13103
Khanna, M., Atallah, S. S., Heckelei, T., Wu, L., & Storm, H. (2024). Economics of the adoption of artificial intelligence-based digital technologies in agriculture. Annual Review of Resource Economics, 16, 41-61. https://doi.org/10.1146/annurev-resource-101623-092515
Mana, A. A., Allouhi, A., Hamrani, A., Rehman, S., El Jamaoui, I., & Jayachandran, K. (2024). Sustainable AI-based production agriculture: Exploring AI applications and implications in agricultural practices. Smart Agricultural Technology, 7, 100416. https://doi.org/10.1016/j.atech.2024.100416
Muhammed, D., Trocan, M., & Ehsani, R. (2024). Artificial Intelligence of Things (AIoT) for smart agriculture: A review of architectures, technologies and solutions. Journal of Network and Computer Applications, 228, 103905. https://doi.org/10.1016/j.jnca.2024.103905
Oliveira, R. C. de, & Silva, R. D. de S. (2023). Artificial intelligence in agriculture: Benefits, challenges, and trends. Applied Sciences, 13(13), 7405. https://doi.org/10.3390/app13137405
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., ... Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Taramuel-Taramuel, J. P., Montoya-Restrepo, I. A., & Barrios, D. (2023). Drivers linking farmers’ decision-making with farm performance: A systematic review and future research agenda. Heliyon, 9(10), e20820. https://doi.org/10.1016/j.heliyon.2023.e20820
Thomas, R. J., O'Hare, G., & Coyle, D. (2023). Understanding technology acceptance in smart agriculture: A systematic review of empirical research in crop production. Technological Forecasting and Social Change, 189, 122374. https://doi.org/10.1016/j.techfore.2023.122374
Trabelsi, M., Casprini, E., Fiorini, N., & Zanni, L. (2023). Unleashing the value of artificial intelligence in the agri-food sector: Where are we? British Food Journal, 125(13), 482-508. https://doi.org/10.1108/BFJ-11-2022-1014
Yousaf, A., Kayvanfar, V., Mazzoni, A., & Elomri, A. (2022). Artificial intelligence-based decision support systems in smart agriculture: Bibliometric analysis for operational insights and future directions. Frontiers in Sustainable Food Systems, 6, 1053921. https://doi.org/10.3389/fsufs.2022.1053921
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Ángela María Delgado-Holguín
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
