Bibliografía

Estas son las fuentes citadas en el libro. La regla es estricta: solo figura aquí lo que se pudo verificar, y cada cifra concreta se atribuye a su fuente. Donde un dato es una estimación o una decisión de diseño, el capítulo correspondiente lo dice.

Teoría sociotécnica y diseño participativo

• Baxter, G. & Sommerville, I. (2011). “Socio-technical systems: From design methods to systems engineering.” Interacting with Computers. Diseño sociotécnico iterativo y con usuarios.
• Mumford, E. Método ETHICS (diseño sociotécnico participativo). El diseño debe involucrar a quienes van a usar el sistema.
• Trist, E. & Bamforth, K. (1951). “Some Social and Psychological Consequences of the Longwall Method of Coal-Getting.” Human Relations. Origen de la teoría sociotécnica; optimización conjunta de los subsistemas social y técnico.

Sociología de la técnica

• Callon, M. (1986). “Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St Brieuc Bay.” En J. Law (ed.), Power, Action and Belief. Los cuatro momentos de la traducción: problematización, interesamiento, enrolamiento y movilización.
• Latour, B. (2005). Reassembling the Social. Oxford University Press. Teoría del actor-red; concepto de traducción (desarrollado también por Callon, M., 1986).

Inteligencia artificial centrada en el humano y responsable

• Dignum, V. (2019). Responsible Artificial Intelligence. Springer. Sistematización de la IA responsable.
• O’Neil, C. (2016). Weapons of Math Destruction. El daño de los modelos opacos que esconden sesgos a escala.
• Shneiderman, B. (2020). “Human-Centered AI” (y el libro de Oxford University Press, 2022). Combinar alta automatización con alto control humano.

Calidad de datos

• Redman, T. (2008). Data Driven. Harvard Business Press. La calidad de datos como problema de gestión y procesos.
• Redman, T. (2017). “Seizing Opportunity in Data Quality.” MIT Sloan Management Review. La mala calidad de datos cuesta a la mayoría de las organizaciones entre el 15% y el 25% de sus ingresos.
• Wang, R. & Strong, D. (1996). “Beyond Accuracy: What Data Quality Means to Data Consumers.” Journal of Management Information Systems. Calidad de datos como aptitud para el uso; dimensiones contextuales.

Madurez, absorción y difusión

• Cohen, W. M. & Levinthal, D. A. (1990). “Absorptive Capacity: A New Perspective on Learning and Innovation.” Administrative Science Quarterly 35(1), 128–152. La capacidad de absorber conocimiento externo depende del previo y es acumulativa.
• Jöhnk, J., Weißert, M. & Wyrtki, K. (2021). “Ready or Not, AI Comes.” Business & Information Systems Engineering 63(1), 5–20. DOI 10.1007/s12599-020-00676-7. 18 factores de AI readiness en 5 categorías.
• Moore, G. (1991). Crossing the Chasm. HarperBusiness. El “abismo” entre adoptantes tempranos y la mayoría temprana.
• Rogers, E. M. (1962; 5.ª ed. 2003). Diffusion of Innovations. Free Press. Curva de adopción en S, cinco categorías de adoptantes y cinco atributos percibidos.

Evidencia empírica sobre el impacto de la IA

• Otis, N., Clarke, R., Delecourt, S., Holtz, D. & Koning, R. (2024). The Uneven Impact of Generative AI on Entrepreneurial Performance. Working paper, Harvard Business School / UC Berkeley Haas (SSRN 4671369). Experimento con 640 emprendedores en Kenia: alto rendimiento alrededor de +15%, bajo rendimiento alrededor de −8%.
• UNCTAD (2025). Technology and Innovation Report 2025: Inclusive Artificial Intelligence for Development. Ejes de infraestructura, datos y habilidades; “brecha de cómputo” para pymes y países de bajos ingresos.

Adopción de IA en América Latina

• CEPAL (2024). Penetración de IA en América Latina inferior al 4% (frente a más del 20% en Europa); en Brasil, 41% de las grandes firmas usan IA frente a 11% de las pymes.
• CEPAL. “Factores determinantes de la adopción de la IA en empresas: caso Brasil” (publicación 81911). Fuente del dato 41% grandes vs. 11% pymes.
• CEPAL (2024). Overcoming Development Traps in Latin America and the Caribbean in the Digital Age. Corpus de gobierno digital y modernización del Estado.
• Jung, J. & Katz, R. (2024/2025). “Impacto económico de la inteligencia artificial en América Latina.” CEPAL (publicación 81909).
• nodo nadIA (CEPE-UTDT + Fundar) (2025). Encuesta nacional de adopción de IA en pymes argentinas (n=402). 41,6% usa al menos una IA; herramientas mayormente básicas; indicadores de gobernanza y capacidades internas muy bajos.

Gobernanza de IA

• NIST (2023). AI Risk Management Framework (AI RMF 1.0). Cuatro funciones: Govern, Map, Measure, Manage.
• Reglamento (UE) 2024/1689 — EU AI Act. En vigor desde el 1 de agosto de 2024; aplicación escalonada. Vinculante, con sanciones.

Cambio organizacional

• Cummings, S., Bridgman, T. & Brown, K. G. (2016). “Unfreezing change as three steps: Rethinking Kurt Lewin’s legacy for change management.” Human Relations 69(1), 33–60. Documenta que el modelo descongelar–cambiar–recongelar es una canonización posterior: Lewin nunca lo presentó como modelo cerrado.
• Díaz Barrios, J. (2005). Cambio organizacional: una aproximación por valores. Valores del cambio integral: comunicación, participación, aprendizaje.
• Kotter, J. P. (1996). Leading Change. Harvard Business School Press. Los ocho pasos del cambio organizacional.
• Lewin, K. (1947). “Frontiers in Group Dynamics.” Human Relations 1(1). Base del modelo de tres momentos (descongelar–cambiar–recongelar), canonizado después.

Conocimiento tácito y construcción de sentido

• Nonaka, I. & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press. Sostiene que buena parte del conocimiento tácito sí puede explicitarse y codificarse; se cita como contrapunto deliberado a Polanyi.
• Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press. “Sabemos más de lo que podemos decir”: el conocimiento tácito no es del todo codificable.
• Weick, K. E. (1995). Sensemaking in Organizations. Sage. La construcción de sentido es retrospectiva, social y prioriza la plausibilidad sobre la exactitud.

Volver al Prefacio o a La tesis del puente.