Multidisciplinary Collaborative Journal
|
Vol
.
0
4
| Núm
.
0
1
|
Ene
–
Mar
| 202
6
|
https://mcjournal.editorialdoso.com
ISSN:
3073
-
1356
36
Artículo
IA como Co
-
creadora en Procesos de Ideación y Validación
de Modelos de Negocio
AI as Co
-
creator in Business Model Ideation and Validation Processes
Zulema Layanara
Zamora Mendoza
1
,
*, Alex Javier
Angulo Gonzaléz
2
,
Iván Arturo
Ramírez
Sánchez
3
y
Andrés Arturo
Ramírez Flores
4
1
Universidad Agraria del Ecuador, Ecuador, Milagro;
https://orcid.org/0009
-
0009
-
2537
-
9364
2
Universidad Agraria del Ecuador, Ecuador, Milagro;
https://orcid.org/0009
-
0002
-
1326
-
9546
,
aangulo@uagraria.edu.ec
3
Uni
versidad Agraria del Ecuador
, Ecuador, Milagro;
https://orcid.org/0000
-
0003
-
1565
-
2434
,
iramirez
@uagraria.edu.ec
4
Universidad Agraria del Ecuador, Ecuador, Milagro;
https://orcid.org/0009
-
0009
-
6705
-
690X
,
aaramirez@uagraria.edu.ec
*
Correspondencia
:
zzamora@uagraria.edu.ec
https://doi.org/10.70881/mcj/v4/n1/108
Resumen:
La inteligencia artificial generativa está transformando los
procesos de innovación empresarial, planteando interrogantes sobre su rol
como herramienta o
como agente co
-
creativo. Este estudio propone un
marco conceptual que reconceptualiza la IA generativa como co
-
creadora en
procesos de ideación y validación de modelos de negocio. A través de una
revisión narrativa de literatura reciente (2019
-
2025) y aná
lisis conceptual de
casos aplicados, se identifican tres dimensiones fundamentales: (1) IA como
amplificadora de creatividad en generación de ideas, (2) IA como facilitadora
en validación de supuestos de negocio, y (3) IA como mediadora en
iteraciones dise
ño
-
validación. Los resultados revelan tensiones productivas
entre autonomía humana y dependencia algorítmica, así como implicaciones
éticas en atribución de autoría creativa. El marco propuesto integra
perspectivas de simbiosis poiética y aprendizaje autod
irigido, sugiriendo que
la efectividad de la co
-
creación depende más de estrategias de prompt
engineering y literacidad algorítmica que de capacidades técnicas de los
modelos. Se concluye que la IA generativa funciona óptimamente como socio
colaborativo cu
ando existe equilibrio entre guía humana estratégica y
exploración computacional, con implicaciones significativas para educación
en emprendimiento y práctica empresarial contemporánea.
Palabras clave:
inteligencia artificial generativa; co
-
creación; modelos de
negocio; ideación empresarial; validación de supuestos.
Abstract:
A
Generative artificial intelligence is transforming business innovation processes,
raising questions about its role as a tool or
co
-
creative agent. This study proposes a conceptual
framework that reconceptualizes generative AI as a co
-
creator in business model ideation and
validation processes. Through a narrative literature review of recent work (2019
-
2025) and
Cita:
Zamora Mendoza, Z. L.,
Angulo Gonzaléz
, A. J., Ramírez
Sánchez, I. A., & Ramírez Flores,
A. A. (2026). IA como Co
-
creadora en Procesos de
Ideación y Validación de Modelos
de Negocio.
Multidisciplinary
Collaborative Journal
,
4
(1), 36
-
49.
ht
tps://doi.org/10.70881/mcj/v
4/n1/108
Recibido:
05
/
12
/20
25
Revisado:
12
/
01
/20
26
Aceptado:
14
/
01
/20
26
Publicado:
1
5
/
01
/20
26
Copyright:
© 202
6
por los
autores
.
Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
37
conceptual analysis
of applied cases, three fundamental dimensions are identified: (1) AI as
creativity amplifier in idea generation, (2) AI as facilitator in business assumption validation, and
(3) AI as mediator in design
-
validation iterations. Results reveal productive te
nsions between
human autonomy and algorithmic dependence, as well as ethical implications in creative
authorship attribution. The proposed framework integrates perspectives of poietic symbiosis and
self
-
directed learning, suggesting that co
-
creation effect
iveness depends more on prompt
engineering strategies and algorithmic literacy than on technical model capabilities. It is
concluded that generative AI functions optimally as a collaborative partner when there is balance
between strategic human guidance an
d computational exploration, with significant implications
for entrepreneurship education and contemporary business practice.
Keywords:
generative artificial intelligence; co
-
creation; business models; entrepreneurial
ideation; assumption validation.
1. Introducción
La irrupción de modelos de inteligencia artificial generativa como GPT
-
4, Claude, Gemini
y otros sistemas de lenguaje natural de gran escala está reconfigurando
fundamentalmente los procesos creativos en contextos organizacionales y educati
vos
(Ferreira, 2025; Misiejuk et al., 2025). Si bien inicialmente conceptualizadas como
herramientas de automatización o asistencia, estas tecnologías plantean interrogantes
más profundos sobre la naturaleza de la creatividad, la autoría y la agencialidad
en
procesos de innovación empresarial (Karimova et al., 2025). En particular, los procesos
de ideación y validación de modelos de negocio tradicionalmente dominio exclusivo de
la cognición y juicio humanos están siendo reconfigurados por la capacidad de es
tos
sistemas para generar, evaluar y refinar propuestas comerciales con niveles
sorprendentes de coherencia y pertinencia contextual (Lin, 2025; Wong et al., 2025).
La literatura emergente sobre creatividad y IA sugiere que estamos presenciando no
simpleme
nte una automatización de tareas creativas, sino una redefinición fundamental
de lo que constituye el proceso creativo mismo (Wingström et al., 2024).
Desde perspectivas de artistas y científicos computacionales, la IA generativa no opera
como simple herr
amienta ejecutora de instrucciones, sino como entidad capaz de
aportar novedad, variabilidad y en ocasiones, elementos inesperados que catalizan
innovaciones humanas (Wingström et al., 2024; Ul Haq et al., 2024). Esta
reconceptualización tiene implicacione
s profundas para el emprendimiento, donde la
generación y validación de ideas de negocio ha dependido históricamente de
metodologías como Design Thinking, Lean Startup y Business Model Canvas, todas
fundamentadas en iteraciones humanas guiadas por empatía,
experimentación y
aprendizaje validado (Cerdeña Zamora et al., 2019; Naranjo Cárdenas, 2019).
Investigaciones recientes documentan cómo la IA generativa está siendo integrada en
contextos educativos de emprendimiento y marketing, revelando tensiones produ
ctivas
entre simbiosis poiética y sujeción algorítmica (Karimova et al., 2025).
Por un lado, la
co
-
creación humano
-
IA puede amplificar dramáticamente la capacidad de generar y
evaluar múltiples escenarios comerciales, acelerando ciclos de prototipado conce
ptual
(Ferreira, 2025; Ul Haq et al., 2024). Por otro lado, existe el riesgo de que la dependencia
excesiva en outputs algorítmicos disminuya la agencialidad humana, reduzca la
diversidad de perspectivas, y genere soluciones homogéneas convergentes hacia
p
atrones estadísticamente predominantes en los datos de entrenamiento (Karimova et
al., 2025; Lin, 2025).
El fenómeno de co
-
creación
con IA ha sido explorado en diversos contextos. Ferreira
(2025) examina intra
-
acciones creativas con IA generativa en el contexto de cambio
climático, proponiendo que estas tecnologías no simplemente asisten sino activamente
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
38
participan en procesos creativ
os mediante configuraciones ontológicas emergentes. Lin
(2025) investiga cómo estudiantes de comunicación aprenden, piensan y dependen de
sistemas inteligentes en procesos de co
-
creación, identificando patrones de confianza
adaptativa y delegación estratég
ica de tareas cognitivas. Ul Haq et al. (2024) desarrollan
modelos de embedding semántico para evaluar novedad en resolución cocreativa de
problemas abiertos, demostrando que sistemas de IA pueden proporcionar métricas
cuantitativas de originalidad que ant
es requerían evaluación experta humana.
En contextos de educación empresarial, Wong et al. (2025) documentan experiencias
de desafíos publicitarios de 72 horas con IA generativa en módulos de diseño gráfico,
revelando que los estudiantes desarrollan estrat
egias sofisticadas de prompt
engineering que transforman la IA de herramienta pasiva a colaborador activo en
procesos creativos. Cain (2024) explora cómo el prompt engineering puede catalizar
transformaciones educativas, argumentando que la capacidad de fo
rmular instrucciones
efectivas para sistemas de IA constituye una nueva literacidad fundamental para el siglo
XXI, comparable en importancia a alfabetización tradicional o numérica.
El aprendizaje autodirigido, tradicionalmente conceptualizado como proceso
metacognitivo humano, está siendo reconceptualizado en la era de IA generativa. Li et
al. (2024) proponen que sistemas de IA pueden funcionar como andamiajes adaptativos
que personalizan trayectorias de aprendizaje, planteando interrogantes sobre dónde
re
side la autorregulación: ¿en el aprendiz humano, en el sistema algorítmico, o en la
configuración emergente de su interacción? Esta pregunta tiene paralelos directos en
procesos de innovación empresarial, donde la autodirección del emprendedor
su
capacidad
de identificar oportunidades, formular hipótesis, diseñar experimentos y
pivotar estrategias
puede ser amplificada o comprometida por asistencia algorítmica.
Desde perspectivas de gestión de innovación, investigaciones previas han examinado
metodologías d
e co
-
creación en contextos organizacionales latinoamericanos. Naranjo
(2019) propone metodologías basadas en Stage
-
Gate para co
-
creación sistemática,
mientras Cerdeña et al. (2019) investigan vínculos entre Design Thinking y cultura
innovadora en equipos d
e desarrollo de negocios. Sin embargo, estas aproximaciones
preceden la disponibilidad generalizada de IA generativa, y por tanto no contemplan las
posibilidades y desafíos introducidos por agentes algorítmicos capaces de participar
activamente en ideación
y validación.
Pese al creciente interés en IA generativa aplicada a educación y creatividad (Misiejuk
et al., 2025; Cain, 2024), existe una brecha significativa en frameworks conceptuales
que integren sistemáticamente estas tecnologías en procesos específ
icos de
emprendimiento: ideación de modelos de negocio y validación de supuestos
comerciales. Las metodologías existentes (Business Model Canvas, Lean Startup,
Value Proposition Design) fueron desarrolladas para iteraciones exclusivamente
humanas (Naranjo
Cárdenas, 2019). La integración de IA generativa no es simplemente
cuestión de digitalizar herramientas analógicas, sino de repensar fundamentalmente
qué roles, responsabilidades y capacidades pueden ser distribuidos entre agentes
humanos y algorítmicos en
procesos de innovación (Quiroga Gómez, 2025; Wong et al.,
2025).
Este artículo aborda esta brecha proponiendo un marco conceptual que reconceptualiza
la IA generativa como co
-
creadora
no simplemente como herramienta
en procesos de
ideación y validación de
modelos de negocio. El objetivo específico es identificar,
analizar y sintetizar dimensiones fundamentales de co
-
creación humano
-
IA en contextos
de emprendimiento, examinando tanto potencialidades como limitaciones, tensiones
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
39
éticas, y requisitos de liter
acidad para interacciones productivas. Este marco busca
informar tanto práctica empresarial como diseño curricular en educación emprendedora,
reconociendo que la efectividad de IA generativa en estos contextos depende
críticamente de cómo humanos conceptua
lizan, estructuran y gestionan estas
colaboraciones.
2. Materiales y Métodos
Este estudio adopta un diseño de investigación cualitativa basado en revisión narrativa
de literatura y análisis conceptual. A diferencia de revisiones sistemáticas que buscan
ex
haustividad y síntesis cuantitativa, las revisiones narrativas permiten explorar
emergencia teórica, identificar tensiones conceptuales y proponer frameworks
integradores en campos de conocimiento en rápida evolución como IA aplicada a
emprendimiento (Misi
ejuk et al., 2025).
Criterios de inclusión y selección de fuentes
Se realizó búsqueda de literatura publicada entre 2019
-
2025, priorizando artículos
científicos en revistas indexadas, tesis doctorales y de maestría relevantes, y
documentos de conferencias académicas. El período temporal se seleccionó para
capturar tanto
antecedentes metodológicos en co
-
creación e innovación (2019
-
2022)
como literatura emergente sobre IA generativa en contextos creativos y educativos
(2023
-
2025). Bases de datos consultadas incluyeron Scopus, Web of Science, IEEE
Xplore, ERIC, y repositorio
s institucionales latinoamericanos.
Los descriptores de búsqueda combinaron términos relacionados con: (a) IA generativa
(generative AI, large language models, GPT, prompt engineering), (b) creatividad y co
-
creación (co
-
creation, creativity, collaborative
innovation), (c) emprendimiento y modelos
de negocio (business model, entrepreneurship, ideation, validation, lean startup), y (d)
educación (education, learning, pedagogy). Se aplicó énfasis particular en estudios que
examinaban dinámicas de interacción h
umano
-
IA en contextos creativos, más allá de
simples reportes de uso tecnológico.
Criterios de inclusión específicos fueron: (1) estudios empíricos o conceptuales sobre IA
generativa en contextos creativos, educativos o empresariales; (2) investigaciones
s
obre metodologías de co
-
creación e innovación; (3) análisis de creatividad
computacional y colaboración humano
-
máquina; (4) trabajos sobre prompt engineering
y literacidad algorítmica; (5) estudios sobre aprendizaje autodirigido en era digital. Se
excluyer
on artículos puramente técnicos sobre arquitecturas de modelos de IA sin
conexión con aplicaciones creativas o empresariales, así como literatura de divulgación
sin rigor metodológico.
Procedimiento de análisis conceptual
El análisis conceptual siguió pri
ncipios de codificación temática iterativa. En primera
instancia, se realizó lectura completa de 24 documentos seleccionados, extrayendo
conceptos clave, definiciones, frameworks propuestos, y hallazgos empíricos
relevantes. Se identificaron unidades de an
álisis relacionadas con: roles de IA en
procesos creativos, tensiones entre autonomía y dependencia, estrategias de prompt
engineering, métricas de novedad y originalidad, consideraciones éticas en atribución
de autoría, y efectividad de colaboraciones hum
ano
-
IA.
Posteriormente, se realizó síntesis temática agrupando hallazgos en tres dimensiones
emergentes: (1) IA como amplificadora de creatividad en generación de ideas, (2) IA
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
40
como facilitadora en validación de supuestos, y (3) IA como mediadora en iterac
iones
diseño
-
validación. Estas dimensiones no fueron pre
-
establecidas sino que emergieron
inductivamente del análisis, aunque fueron informadas por frameworks previos de co
-
creación y metodologías lean de emprendimiento.
Marco conceptual propuesto
El marc
o conceptual desarrollado integra tres componentes fundamentales. Primero,
dimensiones de co
-
creación que especifican modos particulares en que IA generativa
puede contribuir a procesos empresariales: amplificación creativa, facilitación de
validación, y m
ediación iterativa. Segundo, requisitos de literacidad que identifican
competencias humanas necesarias para interacciones productivas: prompt engineering
estratégico, evaluación crítica de outputs algorítmicos, y
metacognición
sobre sesgos y
limitaciones d
e sistemas de IA. Tercero, consideraciones contextuales que reconocen
que efectividad de co
-
creación depende de factores como dominio de aplicación,
experiencia previa del emprendedor, complejidad del modelo de negocio, y
características específicas del si
stema de IA utilizado.
Este marco fue validado mediante triangulación conceptual: comparación con
frameworks existentes de co
-
creación (Stage
-
Gate, Design Thinking), contrastación con
hallazgos empíricos de estudios incluidos, y análisis de coherencia inte
rna entre
componentes propuestos. Si bien no se realizó validación empírica directa con usuarios
o emprendedores en esta fase, el marco se fundamenta en evidencia empírica
documentada en literatura revisada y es conceptualmente consistente con teorías
esta
blecidas de creatividad distribuida y cognición extendida.
Limitaciones metodológicas
Las principales limitaciones de este estudio incluyen: (1) naturaleza narrativa más que
sistemática de la revisión, lo que implica posible sesgo de selección hacia estudi
os
disponibles en bases consultadas y publicados en inglés o español; (2) ausencia de
datos empíricos primarios generados específicamente para validar el marco propuesto,
dependiendo en cambio de síntesis de hallazgos de estudios existentes; (3) rápida
evo
lución del campo, donde capacidades de modelos de IA generativa pueden haber
cambiado significativamente incluso durante período de análisis; (4) enfoque conceptual
que limita capacidad de hacer afirmaciones cuantitativas sobre efectividad comparativa
de d
iferentes enfoques de co
-
creación.
3. Resultados
El análisis de literatura revela tres dimensiones fundamentales en la reconceptualización
de IA generativa como co
-
creadora en procesos de ideación y validación de modelos de
negocio. Cada dimensión opera s
imultáneamente, pero puede ser analíticamente
distinguida en términos de su contribución específica al proceso empresarial.
3.1. IA como Amplificadora de Creatividad en Generación de Ideas
La primera dimensión refiere a capacidades de IA generativa para amplificar procesos
creativos humanos en fases de ideación empresarial. A diferencia de herramientas
tradicionales de brainstorming o generación estructurada de ideas, sistemas de IA
pueden p
roducir volúmenes masivos de variaciones sobre temas, recombinar conceptos
de maneras inesperadas, y ofrecer perspectivas que cruzan límites disciplinarios de
forma que frecuentemente sorprende incluso a usuarios experimentados.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
41
Wingström et al. (2024) doc
umentan que tanto científicos computacionales como
artistas visuales reconocen que IA generativa contribuye novedad genuina a procesos
creativos, aunque difieren en cómo conceptualizan esta contribución. Mientras
científicos tienden a enfatizar capacidades
algorítmicas de exploración de espacios de
solución de alta dimensionalidad, artistas resaltan aspectos impredecibles y
serendípicos que emergen de interacciones iterativas con sistemas. En contexto
empresarial, esta dualidad sugiere que IA puede tanto ex
plorar sistemáticamente
variaciones de modelos de negocio existentes como generar propuestas radicalmente
divergentes que desafían supuestos iniciales del emprendedor.
La experiencia de Wong et al. (2025) en desafíos publicitarios de 72 horas ilustra cómo
estudiantes desarrollan estrategias sofisticadas para aprovechar IA generativa en
ideación creativa. Participantes reportaron usar sistemas de IA no solo para generar
contenido visual sino para explorar múltiples narrativas de marca, identificar insights d
e
audiencia, y desarrollar variaciones de concepto a velocidades imposibles con métodos
convencionales. Crucialmente, efectividad no dependió de aceptación pasiva de outputs
sino de iteraciones estratégicas donde humanos refinaban prompts basados en
evalua
ción crítica de respuestas previas.
Ul Haq et al. (2024) demuestran que modelos de embedding semántico pueden
cuantificar novedad en ideas generadas colaborativamente entre humanos y sistemas
de IA. Su metodología permite evaluar si contribuciones de IA si
mplemente replican
patrones estadísticos de datos de entrenamiento o genuinamente introducen
combinaciones conceptuales no anticipadas. Hallazgos sugieren que novedad evaluada
depende críticamente de especificidad y diversidad de prompts iniciales, así com
o de
capacidad de usuarios para reconocer y desarrollar sugerencias algorítmicas
prometedoras.
En contexto específico de modelos de negocio, amplificación creativa se manifiesta en
capacidad de IA para: (a) generar múltiples propuestas de valor alternativa
s para un
mismo segmento de cliente; (b) identificar segmentos de mercado no convencionales
que podrían beneficiarse de un producto o servicio; (c) sugerir fuentes de ingreso
innovadoras más allá de modelos transaccionales tradicionales; (d) proponer canal
es
de distribución emergentes aprovechando plataformas digitales; (e) reconceptualizar
cadenas de valor incorporando economía circular o modelos colaborativos; y (f)
visualizar escenarios futuros considerando tendencias tecnológicas, sociales y
ambientales
.
Sin embargo, literatura también advierte sobre limitaciones. Karimova et al. (2025)
plantean tensión entre simbiosis poiética
donde IA genuinamente amplifica capacidades
creativas humanas
y sujeción algorítmica
—
donde dependencia excesiva en outputs de
IA reduce autonomía y originalidad. Observan que estudiantes de marketing que usaban
IA generativa sin pensamiento crítico tendían a producir campañas convergentes,
estilísticamente similares
y conceptualmente superficiales, reflejando más patrones
dominantes en datos de entrenamiento que insights únicos sobre audiencias
específicas.
3.2. IA como Facilitadora en Validación de Supuestos de Negocio
La segunda dimensión identifica roles de IA gen
erativa en fases de validación, donde
emprendedores deben someter hipótesis sobre clientes, mercados, propuestas de valor
y modelos operativos a pruebas empíricas. Metodologías lean enfatizan que validación
exitosa requiere diseñar experimentos mínimos, in
terpretar evidencia ambigua, y pivotar
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
42
estrategias basadas en aprendizaje acumulativo. IA generativa puede contribuir
significativamente a estos procesos mediante simulación de escenarios, análisis de
feedback cualitativo, identificación de patrones en dat
os de usuario, y generación de
hipótesis alternativas cuando validaciones iniciales fallan.
Lin (2025) examina cómo estudiantes de comunicación desarrollan confianza adaptativa
en sistemas de IA, delegando estratégicamente tareas donde algoritmos demuestra
n
confiabilidad mientras mantienen supervisión humana en dominios de alto riesgo o
ambigüedad ética. En validación de modelos de negocio, esta delegación estratégica
podría implicar usar IA para análisis preliminar de grandes volúmenes de feedback de
usuar
ios, identificando temas emergentes y sentimientos dominantes, mientras reservar
juicio humano para interpretación final y decisiones sobre pivotes estratégicos.
La capacidad de IA para procesar y sintetizar información textual a escala permite
nuevas apro
ximaciones a validación cualitativa. Emprendedores pueden conducir
entrevistas con potenciales clientes, transcribir conversaciones, y usar IA generativa
para identificar patrones, contradicciones, necesidades latentes y objeciones
recurrentes que podrían
no ser inmediatamente evidentes en análisis manual.
Crucialmente, esto no reemplaza intuición empresarial, sino que la complementa,
permitiendo que emprendedores enfoquen atención en interpretación estratégica en
lugar de codificación mecánica de datos.
IA
generativa también facilita validación mediante simulación de perspectivas diversas.
Emprendedores pueden solicitar a sistemas que adopten roles de diferentes
stakeholders
inversionistas escépticos, clientes potenciales, competidores, reguladores
y articu
len críticas, preocupaciones o resistencias que modelo de negocio podría
enfrentar. Aunque estas simulaciones no sustituyen validación empírica real, ofrecen
preparación valiosa y pueden revelar debilidades conceptuales antes de inversiones
significativas
en prototipos o campañas de marketing.
Misiejuk et al. (2025) mapean el paisaje de IA generativa en analítica del aprendizaje,
identificando aplicaciones en evaluación de escritura, retroalimentación formativa y
detección de patrones en comportamientos de
aprendices. Estos mismos principios
aplican a analítica de clientes en emprendimiento: IA puede analizar interacciones de
usuarios con productos mínimos viables, identificar puntos de fricción en experiencias
de usuario, y sugerir mejoras basadas en compar
aciones con mejores prácticas en
dominios similares.
Sin embargo, validación asistida por IA enfrenta desafíos metodológicos significativos.
Sistemas de IA generativa están entrenados en datos históricos y pueden reproducir
sesgos, presunciones obsoletas,
o patrones de comportamiento que no reflejan
dinámicas emergentes en mercados contemporáneos. Emprendedores que dependen
excesivamente en análisis algorítmico de validación corren riesgo de optimizar para
pasado estadístico en lugar de innovar hacia futuro
s alternativos. Esta tensión requiere
que usuarios desarrollen literacidad crítica sobre limitaciones de datos de entrenamiento
y sesgos inherentes en sistemas de IA.
3.3. IA como Mediadora en Iteraciones Diseño
-
Validación
La tercera dimensión refiere a r
oles de IA generativa como mediadora en ciclos iterativos
que conectan diseño conceptual de modelos de negocio con evidencia de validación.
Metodologías lean enfatizan que emprendimiento exitoso requiere loops rápidos de
construcción
-
medición
-
aprendizaje,
donde cada iteración refina comprensión de
mercado y ajusta propuesta de valor. IA puede acelerar dramáticamente estos ciclos
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
43
funcionando como interfaz inteligente que traduce entre representaciones conceptuales
(Business Model Canvas, mapas de propuesta d
e valor) y artefactos ejecutables
(prototipos, experimentos, instrumentos de medición).
Ferreira (2025) propone concepto de intra
-
acciones creativas, argumentando que co
-
creación con IA no es simplemente suma de contribuciones humanas y algorítmicas sino
c
onfiguración emergente donde límites entre agentes se difuminan. En contexto de
iteraciones diseño
-
validación, esto implica que efectividad no depende de asignación
clara de tareas a humanos vs. IA, sino de orquestación fluida donde cada agente
contribuye
según capacidades complementarias: humanos aportan intuición contextual,
juicio estratégico y responsabilidad ética; IA aporta procesamiento de información a
escala, exploración sistemática de alternativas y síntesis de patrones complejos.
Cain (2024) argu
menta que prompt engineering constituye nueva literacidad
fundamental, comparable a escritura o programación. En iteraciones empresariales,
esta literacidad se manifiesta en capacidad de emprendedores para formular prompts
que: (a) especifican contexto rel
evante de mercado, competencia y restricciones; (b)
solicitan outputs en formatos directamente utilizables en siguientes fases; (c) incorporan
feedback de iteraciones previas para refinar hipótesis; (d) balancean especificidad
suficiente para guiar IA con
apertura necesaria para descubrir perspectivas inesperadas;
y (e) incluyen criterios de evaluación que permiten identificar cuáles outputs algorítmicos
merecen desarrollo posterior.
Li et al. (2024) reconceptualizan aprendizaje autodirigido en era de IA ge
nerativa,
proponiendo que sistemas pueden funcionar como andamiajes adaptativos que
personalizan trayectorias según necesidades emergentes de aprendices. Aplicado a
emprendimiento, esto sugiere que IA podría no solo asistir en tareas específicas sino
gesti
onar meta
-
cognitivamente proceso iterativo completo: recordar supuestos previos,
sugerir cuándo suficiente evidencia ha sido acumulada para tomar decisión, identificar
contradicciones entre validaciones en diferentes segmentos de mercado, y proponer
estrat
egias de pivote cuando patrones indican que modelo actual no es viable.
Casos documentados ilustran potencial. Emprendedores pueden usar IA para generar
variaciones de landing page, ejecutar tests A/B automatizados, analizar métricas de
conversión, y propo
ner ajustes de copy o diseños basados en patrones de
comportamiento de visitantes. Esto no solo acelera optimización sino permite explorar
espacios de diseño más amplios que serían prohibitivamente costosos con métodos
manuales. Sin embargo, efectividad de
pende críticamente de capacidad de
emprendedores para interpretar métricas en contexto estratégico más amplio, evitando
optimizaciones locales que mejoran conversión a corto plazo, pero comprometen
propuesta de valor a largo plazo.
3.4. Síntesis: Marco Co
nceptual Integrador
Integrando hallazgos de las tres dimensiones, se propone marco conceptual que
reconoce IA generativa como co
-
creadora cuando satisface criterios específicos.
Primero, IA debe contribuir novedad genuina más allá de recuperación de inform
ación
o ejecución de instrucciones explícitas
debe ofrecer perspectivas, combinaciones o
interpretaciones que humanos no habrían generado independientemente. Segundo,
interacción debe ser bidireccional e iterativa, donde outputs algorítmicos informan
refin
amiento de prompts humanos y viceversa, generando espiral de sofisticación
creciente. Tercero, debe existir distribución complementaria de agencialidad, donde
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
44
humanos retienen responsabilidad por decisiones estratégicas y éticas mientras IA
amplifica capac
idades analíticas y exploratorias.
Efectividad de co
-
creación depende de tres factores contextuales. Primero, literacidad
algorítmica del emprendedor: comprensión de cómo funcionan modelos de lenguaje,
qué pueden y no pueden hacer, qué sesgos contienen, y
cómo formular prompts
efectivos. Segundo, características del dominio: complejidad del modelo de negocio,
grado de innovación vs. optimización incremental, disponibilidad de datos históricos
comparables. Tercero, capacidades específicas del sistema de IA:
tamaño de contexto,
capacidades multimodales, actualización de conocimiento, y alineación con valores
humanos.
El marco identifica también riesgos y tensiones. Riesgo de homogeneización cuando
múltiples emprendedores usan mismos sistemas convergen hacia so
luciones similares.
Riesgo de sujeción algorítmica cuando dependencia en IA erosiona capacidades de
pensamiento independiente. Riesgo de ilusión de validación cuando análisis
algorítmicos sofisticados pero fundamentados en datos sesgados generan falsa
conf
ianza. Y riesgo de dilución de responsabilidad cuando autoría distribuida entre
humanos y IA complica atribución de crédito, responsabilidad por fallos, o propiedad
intelectual.
4. Discusión
Los hallazgos de este estudio plantean
interrogantes fundamentales sobre naturaleza
de creatividad, agencialidad y autoría en contextos empresariales contemporáneos.
Mientras metodologías tradicionales de emprendimiento asumen que ideación y
validación son procesos intrínsecamente humanos, emer
gencia de IA generativa
sugiere distribución más compleja de capacidades cognitivas entre agentes biológicos
y algorítmicos. Esta distribución no es simplemente cuestión de eficiencia
automatizar
tareas repetitivas para liberar tiempo humano
sino reconcept
ualización ontológica de
qué constituye proceso emprendedor.
Perspectiva de simbiosis poiética propuesta por Karimova et al. (2025) ofrece lente
productivo: en lugar de conceptualizar IA como herramienta externa que humanos
instrumentalizan, o como entidad
autónoma que reemplaza humanos, se reconoce
configuración emergente donde capacidades de ambos se entrelazan. En ideación de
modelos de negocio, esto se manifiesta cuando emprendedor formula prompt inicial, IA
genera múltiples variaciones, emprendedor sel
ecciona elementos prometedores e
introduce restricciones adicionales, IA refina propuestas incorporando feedback, y ciclo
continúa hasta que emerge solución que ningún agente habría producido
independientemente.
Sin embargo, tensión entre simbiosis y sujec
ión algorítmica permanece crítica. Como
Karimova et al. advierten, cuando estudiantes adoptan outputs de IA sin pensamiento
crítico, se observa convergencia hacia soluciones estereotípicas que reflejan patrones
dominantes en datos de entrenamiento. En empr
endimiento, esto podría manifestarse
como proliferación de startups con modelos de negocio similares, propuestas de valor
genéricas, y estrategias de go
-
to
-
market predecibles
precisamente opuesto a
innovación disruptiva que emprendimiento busca promover.
E
sta tensión sugiere que literacidad algorítmica no es simplemente habilidad técnica
sino competencia crítica fundamental. Cain (2024) argumenta que prompt engineering
constituye nueva literacidad comparable a escritura. Extendiendo esta analogía: así
como
alfabetización transformó sociedades humanas no solo permitiendo comunicación
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
45
más eficiente sino habilitando nuevas formas de pensamiento, literacidad algorítmica
puede transformar emprendimiento no solo acelerando procesos sino permitiendo
modalidades com
pletamente nuevas de innovación que integran cognición humana con
procesamiento computacional masivo.
Hallazgos sobre aprendizaje autodirigido (Li et al., 2024) tienen implicaciones profundas
para educación emprendedora. Tradicionalmente, cursos de emprend
imiento enseñan
metodologías específicas (Lean Startup, Design Thinking) y esperan que estudiantes
las apliquen. Con IA generativa como co
-
creadora, pedagogía podría necesitar énfasis
mayor en meta
-
cognición: enseñar a estudiantes no solo cómo usar IA sino
cuándo
confiar en ella, cuándo cuestionar outputs, cómo identificar sesgos, y cómo mantener
agencialidad estratégica mientras aprovechan amplificación algorítmica. Esto requiere
currículo que integre no solo uso de herramientas sino pensamiento crítico so
bre
epistemología de conocimiento generado algorítmicamente.
Metodologías de co
-
creación previas a IA generativa (Naranjo, 2019; Cerdeña et al.,
2019) enfatizaban colaboración entre stakeholders humanos: equipos
multidisciplinarios, clientes, proveedores.
Integración de IA generativa añade dimensión
adicional: ahora stakeholder no
-
humano participa activamente en proceso,
contribuyendo perspectivas que ningún humano individual posee. Esto plantea
preguntas sobre gobernanza: ¿cómo se toman decisiones cuando h
umanos y
algoritmos sugieren direcciones contradictorias? ¿Quién tiene autoridad final? ¿Cómo
se documenta proceso para transparencia y reproducibilidad?
Consideraciones éticas sobre atribución de autoría son particularmente complejas. Si
emprendedor desar
rolla modelo de negocio exitoso mediante colaboración intensiva con
IA generativa, ¿quién merece crédito por innovación? Frameworks legales actuales de
propiedad intelectual asumen autoría humana. Si parte significativa de valor creativo
proviene de algori
tmos, ¿cómo se reconoce esto en patentes, derechos de autor, o
valoraciones de startups? Estos no son solo detalles legales sino interrogantes sobre
naturaleza de creatividad y valor económico en era de inteligencia artificial.
Hallazgos sobre novedad eval
uada mediante modelos de embedding (Ul Haq et al.,
2024) ofrecen posibilidad intrigante: métricas cuantitativas de originalidad podrían
eventualmente informar decisiones de inversión. Inversionistas podrían evaluar startups
no solo por tracción de mercado
o calidad de equipo sino por grado de novedad
conceptual en modelo de negocio, medida algorítmicamente. Sin embargo, esto
introduce riesgo de optimización de Goodhart: si emprendedores saben que novedad
será medida algorítmicamente, pueden optimizar para m
étricas en lugar de valor
genuino, produciendo propuestas artificialmente
divergentes,
pero fundamentalmente
superficiales.
Perspectiva de Ferreira (2025) sobre intra
-
acciones creativas resuena con teorías de
cognición extendida y mente distribuida. Si cap
acidades cognitivas de emprendedores
están genuinamente extendidas a través de herramientas algorítmicas, entonces
distinción entre emprendedor individual y emprendedor
-
más
-
IA se vuelve analíticamente
problemática. Esto tiene implicaciones para investigaci
ón futura: estudios de proceso
emprendedor necesitarán métodos que capturen dinámicas de interacción humano
-
IA,
no solo outcomes finales. Observación etnográfica, análisis de logs de interacción, y
entrevistas retrospectivas sobre proceso de pensamiento se
rán necesarios para
comprender cómo efectivamente opera co
-
creación.
Limitaciones de este estudio sugieren direcciones para investigación futura. Primero,
validación empírica del marco propuesto mediante estudios longitudinales que
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
46
comparen startups que us
an vs. no usan IA generativa en ideación y validación,
controlando por experiencia de fundadores, dominio de aplicación y recursos
disponibles. Segundo, desarrollo de instrumentos para medir literacidad algorítmica en
contextos emprendedores, permitiendo i
dentificar qué competencias específicas
predicen co
-
creación efectiva. Tercero, investigación sobre evolución temporal de
relaciones humano
-
IA: ¿cómo cambia naturaleza de colaboración a medida que
emprendedores adquieren experiencia con sistemas específico
s? ¿Emergen patrones
de confianza, escepticismo o dependencia?
Finalmente, contexto latinoamericano presenta particularidades que estudios futuros
deberían explorar. Acceso desigual a tecnologías de IA generativa puede exacerbar
brechas entre emprendedores con recursos vs. aquellos en contextos de escasez.
Diferencias
culturales en conceptualizaciones de creatividad, colaboración y autoridad
pueden influir cómo emprendedores latinoamericanos adoptan IA generativa comparado
con contrapartes en otros contextos. Y especificidades de mercados locales
—
regulaciones, comporta
mientos de consumidor, infraestructura digital
—
pueden afectar
aplicabilidad de insights generados por sistemas entrenados primariamente en datos de
economías desarrolladas.
5. Conclusiones
Este estudio reconceptualiza la IA generativa como co
-
creadora en
procesos de
ideación y validación de modelos de negocio. El marco conceptual identifica tres
dimensiones fundamentales
—
amplificación creativa, facilitación de validación, y
mediación iterativa
—
que operan sinérgicamente cuando existen condiciones de
literac
idad algorítmica, complementariedad de capacidades, y gobernanza reflexiva.
Hallazgos revelan que la efectividad de co
-
creación depende menos de capacidades
técnicas de modelos de IA que de competencias humanas para formular prompts
estratégicos, evaluar c
ríticamente outputs algorítmicos, y mantener agencialidad en
decisiones fundamentales. La perspectiva de simbiosis poiética muestra que outputs
valiosos surgen de iteraciones bidireccionales donde humanos refinan prompts basados
en respuestas algorítmicas
y algoritmos refinan respuestas basadas en feedback
humano.
Las implicaciones para educación emprendedora y práctica empresarial son
significativas. El currículo debe evolucionar hacia desarrollar meta
-
competencias que
permitan aprovechar IA generativa efe
ctivamente: pensamiento crítico sobre
epistemología de conocimiento algorítmico, reconocimiento de sesgos, habilidades de
prompt engineering, y capacidad de mantener autorregulación estratégica.
Emprendedores deben adoptar postura de experimentación crític
a, usando IA
generativa intensivamente pero reflexivamente, mientras organizaciones de apoyo
emprendedor integran capacitación en literacidad algorítmica como competencia
transversal. Tensiones identificadas
—
autonomía vs. dependencia, originalidad vs.
conv
ergencia, transparencia vs. opacidad
—
no son problemas técnicos solucionables
sino dilemas fundamentales que requieren navegación reflexiva continua.
En síntesis, IA generativa está redefiniendo fundamentalmente procesos de innovación
empresarial. La respue
sta apropiada no es ni tecnofobia que rechaza estas
herramientas ni tecno
-
optimismo acrítico, sino postura de tecnología reflexiva que
reconoce potencialidades transformadoras mientras mantiene vigilancia crítica sobre
riesgos y limitaciones. Este estudio
contribuye un framework conceptual que puede guiar
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
47
la navegación reflexiva de esta transformación en la frontera emergente de co
-
creación
humano
-
algoritmo.
Contribución de los autores:
Conceptualización,
Z
.
L
.
Z
.
-
M
y
A
.
J
.
A
.
-
G
; metodología,
Z.L.Z.
-
M
y
A.J.A.
-
G
; análisis formal,
I
.
A
.
R
.
-
S
y
A
.
A
.
R
.
-
F
; investigación,
I.A.R.
-
S
y
A.A.R.
-
F
; recursos,
I.A.R.
-
S
y
A.A.R.
-
F
; redacción del borrador original,
Z.L.Z.
-
M
y
A.J.A.
-
G
;
redacción, revisión y edición,
Z.L.Z.
-
M
y
A.J.A.
-
G
; visualización,
I.A.R.
-
S
y
A.A.R.
-
F
;
supervisión,
I.A.R.
-
S
y
A.A.R.
-
F
. Todos los autores han leído y aceptado la versión
publicada del manuscrito.
Financiamiento:
Esta investigación no ha recibido financiación externa
.
Agradecimientos:
Los autores reconocen el apoyo institucional
de la Universidad
Agraria del Ecuador. Agradecemos a la comunidad académica que trabaja en
integración de IA en educación emprendedora cuyas contribuciones continúan
avanzando la comprensión de co
-
creación humano
-
IA. También agradecemos a los
revisores anó
nimos por su valiosa retroalimentación que mejoró este manuscrito.
Declaración de disponibilidad de datos:
Los datos están disponibles previa solicitud
a los autores de correspondencia:
zzamora@uagraria.edu.e
c
Conflicto de interés:
Los autores declaran no tener ningún conflicto de intereses
.
Referencias Bibliográficas
B. Li, C. J. Bonk, C. Wang and X. Kou, "Reconceptualizing Self
-
Directed Learning in the
Era of Generative AI: An Exploratory Analysis of Language Learning," in IEEE
Transactions on Learning Technologies, vol. 17, pp. 1489
-
1503, 2024, doi:
10.1109/TLT.2024.
3386098.
Cáceres Rodríguez, C. M., Ceballos Vacas, E. M., Rosa González, F. M., Fernández
Esteban, M. I., González Delgado, M. Y., & Solís Ceballos, C. (2022). Informe de
evaluación. Proyecto PONOS (Programa de Orientación y Primera Oportunidad
de Empleo
Juvenil).
Cain, W. Prompting Change: Exploring Prompt Engineering in Large Language Model
AI and Its Potential to Transform Education.
TechTrends
68
, 47
–
57 (2024).
https://doi.org/10.1007/s11528
-
02
3
-
00896
-
0
Cajavilca, G. C. C., & Oliva, A. M. (2020).
Beca Vocación De Maestro: Un análisis De
Correspondencia Entre Necesidades Y Servicios Como Una Vía Para La
Permanencia
(Master's thesis, Pontificia Universidad Católica del Peru (Peru)).
Capasso, S. B
. (2024).
ENtorno
-
Abriendo mentes
-
cerrando brechas
(Master's thesis,
Universidad El Bosque (Colombia)).
Castaño Bardawil, A., Escarria Buritica, C., & Corrales Ríos, G. A. (2024). Gamificación
como ejercicio preparatorio a la implementación de la etapa de
diagnóstico de la
metodología Estramipyme.
Cerdeña Zamora, A. L., Cotrina Flores, E. M. Y., & Rivera Salazar, C. E. (2019). ¿Existen
vínculos entre Design Thinking y Cultura Innovadora?: El estudio de caso único
de un equipo de trabajo del Área de Desarro
llo de Negocios del BBVA en Lima.
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
48
Cruz Cajavilca, G. C., & Mejía Oliva, A. (2020). Beca vocación de maestro: un análisis
de correspondencia entre necesidades y servicios como una vía para la
permanencia.
DE LIMA, E. D. S. E. VÍNCULOS ENTRE LA CULTURA INNO
VADORA Y EL PROCESO
DE INNOVACIÓN EN UNA ORGANIZACIÓN: ESTUDIO DE CASO ÚNICO EN
UNA EMPRESA DE SERVICIOS EDUCATIVOS DE LIMA.
Ferreira, R. (2025). Creative intra
-
actions: co
-
creating with generative AI in the age of
climate change.
Learning, Media and
Technology
,
50
(3), 365
–
378.
https://doi.org/10.1080/17439884.2025.2532550
González Aguirre, A. (2015).
Teatro participativo: una técnica de investigación social
para el diseño estratégico
(Mast
er's thesis, Universidad Iberoamericana Ciudad
de México.
Departamento de Diseño).
Karimova, G.Z., Kim, Y.D. & Shirkhanbeik, A. Poietic symbiosis or algorithmic
subjugation: generative AI technology in marketing communications
education.
Educ Inf Technol
3
0
, 2185
–
2209 (2025).
https://doi.org/10.1007/s10639
-
024
-
12877
-
8
Lin, C.
-
S. (2025). Co
-
Creating With AI: How Communication Students Learn, Think, and
Rely on Intelligent Systems.
Journal of Educati
onal Computing Research
,
64
(1),
155
-
179.
https://doi.org/10.1177/07356331251385944
(Original work published
2026)
Misiejuk, K., López
-
Pernas, S., Kaliisa, R., & Saqr, M. (2025). Mapping the Landscap
e
of Generative Artificial Intelligence in Learning Analytics: A Systematic Literature
Review.
Journal of Learning Analytics
,
12
(1), 12
-
31.
https://doi.org/10.18608/jla.2025.8591
Naranjo Cárdenas, D.
A. (2019).
Propuesta de una Metodología para la Co
-
Creación
basada en Stage
-
Gate®. Caso de estudio Interquim SA
(Master's thesis, Escuela
de Ingenierías).
LOAIZA, L. A. M., & LIS, K. A. S. DESARROLLO DE UNA LÍNEA DE JOYERÍA
SOCIALMENTE RESPONSABLE QUE FOME
NTE EL EMPODERAMIENTO
ECONÓMICO EN LA CIUDAD DE SANTIAGO DE CALI.
Quiroga Gómez, D. M. (2025). Fronteras Permeables: explorando las colaboraciones
transdisciplinares en biodiseño para la innovación.
SAMANIEGO ALMEDIA, J. D. (2021).
GUÍA DIDÁCTICA Y
AUDIOVISUAL BASADA EN
CONTENIDO TRASMEDIA PARA LA APLICACIÓN DE TALLERES
EDUCOMUNICACIONALES DE PREVENCIÓN DE VIOLENCIA CONTRA LA
MUJER
(Doctoral dissertation, UNIB.
E).
Solórzano, V., Alzate, J., Monsalve, A., Londoño, D., Vanegas, F., Pacheco, J., & Boada,
A. (2023).
Patrones educativos para reducir la deserción estudiantil.
Experiencias en Colombia y Venezuela.
Sabaneta. Junio
, 169.
Tule, A. R. R. (2023).
Aprendiendo ju
ntas
(Doctoral dissertation, UNIVERSIDAD
NACIONAL AUTÓNOMA DE MÉXICO).
Ul Haq, I., Pifarré, M. & Fraca, E. Novelty Evaluation using Sentence Embedding Models
in Open
-
ended Cocreative Problem
-
solving.
Int J Artif Intell Educ
34
, 1599
–
1626
(2024).
https://doi.org/10.1007/s40593
-
024
-
00392
-
3
Weishaupt Montoya, A. R. (2022). Plan de negocios para una plataforma destinada a
pacientes bariátricos.
Wingström, R., Hautala, J., & Lundman, R. (2024). Redefini
ng Creativity in the Era of
AI? Perspectives of Computer Scientists and New Media Artists.
Creativity
Multidisciplinary Collaborative Journal
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
1
|
Ene
–
Mar
| 202
6
| https://mcjournal.editorialdoso.com
49
Research Journal
,
36
(2), 177
–
193.
https://doi.org/10.1080/10400419.2022.2107850
Wong, S. C.
, Tan, H. W., & Ooi, K. H. (2025). 72
-
hour advertising challenge with
generative AI in an undergraduate graphic design module: A case
study.
Australasian Journal of Educational Technology
,
41
(3), 102
–
118.
https://doi.org/10.14742/ajet.10418