78
V
ol
. 10, N
úm
. 3, S
eptiembre
-D
iciembre
2026
Percepciones de empleados SEO sobre inteligencia
articial en el ámbito laboral digital
SEO employees’ perceptions of Articial
Intelligence in the digital workplace
Farid Krayem Pineda1
José Francisco Astorga Paliza2
Sergio Antonio Félix Pineda3
Recibido: 7/09/05
Revisado: 06/0/06
Aceptado: 4/08/06
Revista RELAYN
, Administración y Negocios
en Latinoamérica.
Disponible en:
https://iquatroeditores.org/revista/index.php/
relayn/index
https://doi.org/10.46990/relayn.2026.9.2.2857
Resumen
Este estudio analiza las percepciones de profesionales de
optimización para motores de búsqueda (SEO, por sus
siglas en inglés) sobre la implementación de inteligencia
articial (IA) en el entorno laboral. Se empleó un enfo-
que
fenomenológico-constructivista
mediante
entre-
vistas semiestructuradas a 10 participantes, entre ellos
miembros del equipo de SEO, el director de
marketing
y expertos externos. Los resultados permitieron iden-
ticar tres categorías centrales: la IA como catalizadora
de eciencia, como socia colaborativa y como elemento
de redenición profesional. Asimismo, revelaron dife-
rencias en las percepciones de acuerdo con el género y
el rol organizacional. La investigación concluye que los
profesionales han construido una relación colaborati-
va con la IA, la cual potencia competencias estratégicas
y resignica su práctica laboral, sin que ello implique
desplazamiento tecnológico
.
Palabras clave
Colaboración
humano-máquina,
inteligencia
arti-
cial,
percepciones
laborales,
profesionales
de
SEO,
transformación digital
Abstract
is
study
analyzes
the
perceptions
of
search
engine
optimization (SEO) professionals regarding the imple-
mentation of articial intelligence (AI) in the workplace.
A phenomenological-constructive approach was used
with semi-structured interviews to 10 participants, in-
cluding SEO members,
marketing
directors and external
experts. e results identied three central categories: AI
as a catalyst for eciency, as a collaborative partner, and
as an element of professional redenition. Moreover, di-
erences in perceptions based on gender and organiza-
tional roles were revealed. is research concludes that
professionals have built a collaborative relationship with
AI which enhances their strategic competencies and re-
signies their work practice without leading to technolo-
gical displacement
Keywords
Human-machine
collaboration,
articial
intelli-
gence,
workplace
perceptions,
SEO
professionals,
digital transformation
79
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Introducción
Justicación del problema
La
industria
tecnológica
suele
carecer
de
narrativas
precisas
sobre
los
avances reales en disciplinas especícas. En este contexto, resulta funda-
mental comprender cómo se construyen las percepciones en torno a la
adopción de la inteligencia articial dentro del campo del SEO, una disci-
plina altamente especializada del
marketing
digital que ha sido impacta-
da de manera signicativa por la irrupción de estas tecnologías (Sucipto,
2024, p. 396). Esta convergencia tecnológica redene tanto las estrategias
operativas de optimización para motores de búsqueda como los roles y
competencias requeridos de los profesionales del sector (Ziakis, & Vla-
chopoulou, 2024, p. 391).
Estas
transformaciones
conviven
con
narrativas
diversas
—
algunas informadas y otras basadas en supuestos o mitos— que inuyen
en la forma en que los profesionales interpretan y adoptan la IA en su
trabajo cotidiano. Comprender dichas narrativas resultan indispensables
para orientar el uso adecuado de la tecnología y evitar decisiones organi-
zacionales basadas en percepciones erróneas. Por ello, esta investigación
examina
de
manera
sistemática
las
percepciones
de
colaboradores
del
campo del SEO dentro del sector minorista (
retail
), situando el análisis
en las experiencias concretas de los profesionales que trabajan en estrecha
interacción con herramientas de IA.
La incorporación de la inteligencia articial en el ámbito laboral
ha provocado una transformación sustancial en diversas industrias, in-
cluido el
marketing
digital (Palacio, 2021, p. 47). Esta evolución tecnoló-
gica, que abarca desde el aprendizaje automático hasta el procesamiento
del lenguaje natural, ha redenido actividades tradicionalmente asociadas
al intelecto humano (UNESCO, 2024, p. 10) e impacta directamente en
los procesos de optimización para motores de búsqueda (Ziakis, & Vla-
chopoulou, 2024, p. 391). En este sentido, identicar y analizar las percep-
ciones de los colaboradores del sector tecnológico frente a la introducción
de herramientas de inteligencia articial resulta crucial para comprender
cómo se vive, interpreta y resignica este proceso de transformación desde
el interior de las organizaciones.
Estado de la investigación
Para el estudio del SEO, se realizó una exploración de la literatura a partir
de las palabras clave “SEO”
, “SEO en el
marketing
digital” e “inteligencia
articial aplicada al SEO”
. El objetivo fue identicar publicaciones relevan-
tes y sus principales temáticas, con el n de comprender la evolución de la
investigación en este campo.
Como
resultado
de
esta
búsqueda,
en
la
Tabla
6.1,
titulada
Investigaciones sobre la IA aplicada al campo del SEO
, se resumen los prin-
cipales estudios identicados y se organizan sus aportaciones. Asimismo,
se señalan las áreas con mayor desarrollo y las brechas existentes en el
conocimiento actual.
80
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
Si bien estos estudios se enfocan principalmente en innovacio-
nes técnicas y tácticas de optimización, se observa una atención limitada
a la manera en que los profesionales interpretan y signican estos cambios
dentro de sus entornos laborales. La literatura revisada permite compren-
der el avance tecnológico en el campo del SEO, pero no profundiza en las
percepciones, experiencias o narrativas construidas por quienes interac-
túan cotidianamente con herramientas de IA. Esta ausencia constituye un
vacío relevante para comprender la adopción y el impacto de la IA desde
la perspectiva humana, lo que justica la pertinencia del presente estudio.
Tabla 6.
Síntesis de estudios recientes sobre el SEO y su relación con la inteligencia articial
Título
Fuente de la investigación
Autores
A
ño
Fuente
Webpage
Classica-
tion for SEO
Clasicación
de
páginas
web benignas y malicio-
sas
mediante
redes
neu-
ronales con alta precisión.
Haider et al.
2025
J. Comput.
& Biomed.
Inf.
SEO Tactics
in
Generative
AI & LLMs
Análisis tácticos de SEO
adaptadas
a
buscadores
basados
en
inteligen-
cia
articial
generativa
y
modelos
de
lenguaje.
Makrydakis
et al.
2025
Int. J. Res.
Mgmt.
Fuente: elaboración propia.
La investigación sobre el uso de la inteligencia articial en el
lugar de trabajo es más extensa y diversa. Por esta razón, se seleccionaron
textos relevantes orientados a identicar el estado actual del conocimien-
to, utilizando palabras clave como “IA en el lugar de trabajo”
. Este análisis
permitió reconocer tendencias emergentes y áreas que requieren mayor
exploración académica respecto de la integración de la IA en distintos en-
tornos laborales, más allá del
marketing
digital (Vlačić et al., 2021, p. 187;
Chintalapati, & Pandey, 2021, p. 1).
De manera similar, la literatura revisada examina cómo la in-
corporación de estas tecnologías no solo optimiza procesos y aumenta la
eciencia, sino que también introduce desafíos relacionados con la adap-
tación del personal y la necesidad de desarrollar nuevas competencias la-
borales (Nesterenko, & Olerenko, 2023, p. 169).
No obstante, aunque estos estudios ofrecen una visión amplia so-
bre los efectos organizacionales de la IA, tienden a centrarse en impactos ope-
rativos, de desempeño o relacionados con el desarrollo de las competencias,
por lo que queda menos explorada la manera en que los trabajadores interpre-
tan subjetivamente estos cambios. Esta limitación es especialmente visible en
roles altamente especializados, como el SEO, donde la relación humano-má-
quina adquiere matices particulares. En consecuencia, resulta necesario com-
plementar esta literatura con investigaciones que analicen las percepciones,
experiencias y signicados construidos por los profesionales, aspecto que
constituye la contribución principal del presente estudio.
81
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Tabla 6.
Investigaciones recientes sobre la adopción de la inteligencia articial en el trabajo y sus efectos en el
bienestar, la conducta y la innovación
Título
Foco de la investigación
Autores
A
ño
Fuente
AI and
Worker
Wellbeing
El
análisis
del
efecto
de
la
IA
en
el
bienestar
la-
boral;
no
se
identican
afectaciones
en
la
salud
mental
ni
en
la
satisfac-
ción, aunque se reportan
mejoras en la salud física.
Giuntella
et al.
2025
Scientic
Reports
AI Feed-
back and
Self-Ecacy
Análisis
del
efecto
de
la
retroalimentación
posi-
tiva
generada
por
la
IA
en
el
incremento
de
la
autoecacia ocupacional.
Watanabe
et al.
2025
Scientic
Reports
Fuente: elaboración propia.
Objetivo General
Analizar las percepciones de profesionales de SEO sobre la implementa-
ción de inteligencia articial en el entorno laboral, con el n de compren-
der, a partir de sus experiencias y signicados construidos, cómo interpre-
tan la transformación de los procesos de trabajo y la redenición del valor
profesional en el contexto de la colaboración humano-máquina.
Objetivos Especícos
1.
Identicar
las
categorías
principales
que
emergen
de
las
percepciones de los profesionales de SEO respecto del uso
de la inteligencia articial, examinando su incidencia en la
eciencia, la productividad y las dinámicas colaborativas.
2.
Examinar las diferencias en las percepciones sobre la in-
teligencia
articial
según
variables
demográcas,
como
el género, y organizacionales, como el rol jerárquico, para
comprender cómo estos factores inuyen en la adopción y
conceptualización de la tecnología.
Revisión de la literatura
La adopción de tecnologías emergentes en entornos organizacionales ha
sido explicada tradicionalmente mediante el Modelo de Aceptación Tec-
nológica (Deza-De-Souza-Ferreyra et al., 2025, p. 10) y la Teoría Uni-
cada de Aceptación y Uso de Tecnología (Panjón, 2025, p. 80), los cuales
identican la utilidad percibida y la facilidad de uso como factores de-
terminantes en la adopción tecnológica. Si bien estos modelos han sido
fundamentales para comprender la incorporación de nuevas herramientas
digitales, resultan insucientes para explicar los cambios introducidos por
la inteligencia articial, cuya presencia en el trabajo contemporáneo no
82
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
solo implica adopción de una tecnología, sino también nuevas formas de
interacción, complementariedad y redenición de roles.
Debido a ello, la implementación de la inteligencia articial en
el trabajo contemporáneo requiere marcos conceptuales más complejos,
capaces de abordar las dinámicas de colaboración humano-máquina. En
esta línea, Daugherty y Wilson proponen el concepto de "llenar el medio"
(Daugherty, & Wilson, 2024, p. 12), mediante el cual humanos y máquinas
inteligentes trabajan de manera conjunta a partir de la segmentación de las
actividades laborales en tres categorías: actividades exclusivamente huma-
nas –liderar, empatizar, crear y juzgar–; actividades híbridas humano-má-
quina –entrenar, explicar, sostener, amplicar, interactuar e incorporar–;
y actividades exclusivamente de máquina –transaccionar, iterar, predecir
y adaptar–. Este enfoque redene la relación humano-máquina desde la
complementariedad, en lugar de la automatización total, y ofrece un mar-
co que permite comprender cómo los trabajadores atribuyen signicado y
valor a la IA dentro de sus funciones cotidianas.
Tabla 6.
Clasicación de actividades en la era de la inteligencia articial: humanas, híbridas y de máquina
Acividades
exclusivamente
humanas
Actividades híbri-
das humano-
máquina
Actividades
exclusivamente
de máquinas
Liderar
Entrenar
Transaccionar
Empatizar
Explicar
Iterar
Crear
Sostener
Predecir
Juzgar
Amplicar
Adaptar
Interactuar
Incorporar
Nota: traducción propia a partir de Daugherty y Wilson (2024, p. 12).
En
el
"medio
faltante",
los
humanos
desarrollan,
entrenan
y
gestionan
aplicaciones
de
IA
como
socios
colaborativos,
mientras
que
las máquinas contribuyen a superar limitaciones naturales al proporcio-
nar capacidades superiores a las humanas, como el procesamiento de da-
tos masivos en tiempo real (Daugherty, & Wilson, 2024, p. 14). Esta idea
de
complementariedad
encuentra
respaldo
en
Wilson
y
Bataller
(2015,
p. 1), quienes proponen un cambio hacia el enfoque “persona y máquina”
,
con énfasis en la colaboración por encima de la automatización total. Ng
(2016, p. 1) refuerza esta visión al señalar que, aunque la IA automatiza
tareas mentales rápidas, estas forman parte de procesos que siguen requi-
riendo comprensión contextual humana.
No obstante, estas posturas optimistas han sido cuestionadas
por perspectivas críticas. Minotakis y Faras (2024, p. 635) advierten que la
IA puede generar continuidades con el taylorismo digital, al intensicar la
fragmentación laboral y reproducir jerarquías preexistentes. Según estos
autores, la IA reestructura a los trabajadores dentro de un orden social
caracterizado por precarización y las asimetrías de información, lo que
83
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
sugiere que la colaboración humano-máquina no siempre se traduce en
mejoras equitativas en el entorno laboral.
El
marketing
digital representa un sector particularmente rele-
vante para examinar estas dinámicas, dado que sus profesionales operan
en la intersección entre capacidades humanas —como la creatividad y el
juicio contextual— y competencias susceptibles de automatización, como
el análisis de datos o la optimización algorítmica. En este contexto, los
operadores de SEO constituyen un caso pertinente, pues desarrollan ac-
tividades híbridas en las que interactúan de manera continua con herra-
mientas basadas en IA.
A pesar de ello, persiste una laguna en la comprensión de las
percepciones especícas de los profesionales de SEO respecto de la im-
plementación de IA (Babar et al., 2025, p. 16). Sus experiencias y signi-
cados construidos no han sido sucientemente documentados, pese a
su relevancia para informar mejores modelos de integración colaborativa
en contextos laborales tecnológicos. Esta ausencia refuerza la necesidad
de estudios cualitativos que exploren cómo los trabajadores interpretan,
negocian y resignican el papel de la IA en su labor cotidiana.
A pesar de la amplitud de los estudios revisados, el estado del
arte presenta limitaciones claras. Los modelos de adopción tecnológica
más difundidos, como TAM y UTAUT, tienden a reducir la inteligencia
articial a una herramienta cuyo uso depende principalmente de la uti-
lidad y la facilidad percibidas, sin considerar la dimensión vivencial que
caracteriza su integración en el trabajo cotidiano. De manera paralela, las
perspectivas optimistas que describen la colaboración humano-máquina
contrastan con posturas críticas que advierten riesgos de fragmentación
laboral y continuidades con el taylorismo digital. Sin embargo, ninguna de
estas aproximaciones aborda con profundidad las percepciones especícas
de profesionales SEO en contextos de
retail
. Este vacío refuerza la necesi-
dad de desarrollar investigaciones cualitativas orientadas a comprender
cómo estos trabajadores interpretan, negocian y resignican el papel de la
IA en su práctica profesional.
En conjunto, la literatura revisada muestra que los avances en
inteligencia articial dentro del SEO y, de manera más amplia, en los en-
tornos laborales, han generado transformaciones técnicas, operativas y or-
ganizacionales que reconguran la manera en que se conciben las tareas y
las competencias profesionales. No obstante, estos estudios se centran en
describir innovaciones, impactos o desafíos estructurales, por lo que que-
da menos atendida la dimensión subjetiva desde la cual los trabajadores
interpretan, resisten o adoptan estas tecnologías.
Esta ausencia es especialmente evidente en el caso del SEO, un
campo en el que la interacción humano-máquina es constante y decisiva,
pero donde las percepciones de los profesionales han sido escasamente
documentadas. Frente a ello, resulta necesario adoptar un enfoque que no
solo describa las incidencias de la IA en los procesos de trabajo, sino que
84
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
también profundice en los signicados, experiencias y narrativas que los
colaboradores construyen en torno a su uso cotidiano.
Por esta razón, el presente estudio se orienta al análisis de las
percepciones de los profesionales de SEO, colocando en el centro sus in-
terpretaciones y vivencias. El propósito no es evaluar impactos organi-
zacionales ni medir resultados de la IA en términos de eciencia, sino
comprender cómo los trabajadores signican esta tecnología y cómo di-
chas percepciones inuyen en la forma en que la integran en su práctica
laboral. De este modo, la investigación responde a la brecha identicada
en la literatura y aporta una mirada fenomenológica necesaria para com-
prender la colaboración humano-máquina desde la perspectiva de quienes
la experimentan directamente.
Metodología
Supuesto orientador de la investigación
Este estudio parte del supuesto de que la implementación de la inteligencia
articial en el departamento de SEO de una empresa mexicana de
retail
de gran escala es percibida por los colaboradores como una herramienta
que potencia su productividad, eciencia y competencia profesional. Esto
se debe a que agiliza tareas repetitivas y de gran volumen, lo que les per-
mite enfocarse en actividades de mayor valor estratégico que requieren
pensamiento crítico, creatividad y validación humana. Esta perspectiva se
inscribe en un modelo de trabajo colaborativo humano-máquina, en el
cual la IA complementa las habilidades existentes sin sustituir la identidad
ni el valor de la labor del profesional.
Población, contexto y muestreo
La investigación se centró en el departamento de SEO de una empresa
mexicana de
retail
de gran escala, considerando un caso pertinente para
explorar dinámicas de colaboración humano-máquina en un entorno al-
tamente especializado. Se empleó un muestreo cualitativo casi exhaustivo,
ya que participaron 7 de los 8 integrantes del equipo: cinco analistas, una
coordinadora y un SEO manager. Además, se incluyó a la gerencia nacio-
nal y a la dirección de
marketing
digital.
Las
entrevistas
semiestructuradas
se
realizaron
en
línea
y
de
manera condencial, con participantes ubicados en Ciudad de México,
Puebla, Culiacán y Brasil. El trabajo de campo se desarrolló hasta alcanzar
criterios de saturación teórica propios del enfoque cualitativo.
85
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Figura 6. 
Distribución de la muestra por el rol y el género, mostrando mayor participación de analistas, con
predominio de hombres frente a mujeres en los cargos directivos y gerenciales
Fuente: Elaboración propia
A partir del análisis temático, los fragmentos textuales de las en-
trevistas se agruparon progresivamente en códigos iniciales, subcategorías
y categorías principales. Las tres categorías centrales –IA como cataliza-
dor de eciencia, la IA como socio colaborativo y la redenición del valor
profesional– emergieron de la convergencia de códigos recurrentes que
compartían coherencia conceptual, intensidad emocional en las narrativas
y relevancia directa para los objetivos de investigación.
Así, por ejemplo, códigos como “agilización de tareas” y “acele-
ración del trabajo” se integraron en la subcategoría de optimización ope-
rativa, la cual, a su vez, alimentó la categoría de eciencia. La Tabla 6.4
ilustra este proceso mediante fragmentos representativos de cada nivel de
codicación.
Tabla 6.4
Ejemplo de proceso de codicación
Fragmento de entrevista
Código
inicial
Subcategoría
Categoría
principal
“Una tarea que gene-
ralmente me costaría
como cinco horas, la
hago en una o dos”.
Agilización
de tareas
Reducción
de
tiempos
La IA como
catalizador
de eciencia
“Trabajos de meses
se transformaron en
trabajos de horas”
.
Aceleración
del trabajo
Optimización
operativa
La IA como
catalizador
de eciencia
“Siento que somos
cuatro en lugar de dos.
Es como un miembro
más…”
IA como
compañero
Percepción
colaborativa
La IA como
socio colabo-
rativo
86
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
“La IA no sustituye
conversaciones… el
trabajo en equipo con
personas sigue siendo
fundamental”
.
Preser-
vación
humana
Colaboración
humana
La IA como
socio colabo-
rativo
“Me ayuda a ver ángu-
los que no podría ver
simplemente con la
ceguera de taller.”
Ampliación
de
perspectiva
Análisis estra-
tégico
Redenición
del valor
profesional
“Ya no me siento tan
dependiente de otras
áreas para redactar”
.
Autonomía
profesional
Desarrollo de
nuevas com-
petencias
Redenición
del valor
profesional
Fuente: elaboración propia con base en los fragmentos de entrevistas analizados.
Tipo de estudio
Para la recolección de datos se utilizó la entrevista semiestructurada, téc-
nica propia de la investigación cualitativa que combina preguntas previa-
mente denidas con la exibilidad necesaria para profundizar en nuevas
ideas, experiencias o signicados que surjan durante la conversación.
Justicación de la selección
La elección de la entrevista semiestructurada fue pertinente por las si-
guientes razones:
Profundidad y exibilidad.
A diferencia de la encuesta, que
limita las respuestas a categorías previamente establecidas,
la entrevista semiestructurada permitió profundizar en las
percepciones, emociones y experiencias personales de cada
participante. La guía de entrevista aseguró que se abordaran
los temas clave del estudio, como la productividad, la crea-
tividad y el posible aislamiento; al mismo tiempo, su carác-
ter exible permitió formular preguntas de seguimiento y
explorar aspectos emergentes durante la conversación. Por
ejemplo, al preguntar a los participantes si la IA los hacía
sentir solos, las respuestas revelaron una visión más matiza-
da, centrada en la colaboración más que en el aislamiento,
lo que enriqueció la interpretación de los hallazgos.
Contexto y signicado.
La entrevista semiestructurada resultó
adecuada para capturar el contexto y el signicado que cada
colaborador atribuye a su interacción con la IA. Las respuestas
no se limitaron a armaciones cerradas, sino que estuvieron
acompañadas de anécdotas, ejemplos y reexiones que per-
mitieron comprender por qué los participantes perciben la IA
de determinada manera. Esto es fundamental en un estudio
cualitativo orientado a comprender el sentido que los sujetos
otorgan a los fenómenos sociales, en este caso, a sus percepcio-
nes laborales sobre la inteligencia articial.
87
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Adecuación al tamaño de la muestra.
La cobertura del equi-
po fue 7 de 8 integrantes, equivalente a 87.5 %; además se
entrevistó al director de marketing digital. Estas condicio-
nes
hacían
poco
pertinente
el
uso
de
grupos
de
focales,
pues la dinámica grupal podía inhibir la participación de
algunos colaboradores o limitar la profundidad de las res-
puestas individuales. En contraste, la entrevista semiestruc-
turada permitió que cada voz fuera escuchada de manera
individual, favoreciendo una recolección de datos rica, de-
tallada y coherente con la población de interés.
La combinación de una estructura predenida con la libertad
de profundizar en las respuestas de los participantes hizo que este tipo
de entrevista fuera una herramienta metodológicamente pertinente para
el estudio, dado que permite acceder a las experiencias subjetivas de los
participantes, explorar signicados emergentes no anticipados en la guía
inicial y mantener la comparabilidad entre casos al conservar un núcleo
temático común. Estas características la hicieron especialmente adecuada
para obtener una comprensión integral de las percepciones sobre la inteli-
gencia articial en el entorno laboral del SEO.
Proceso de análisis de datos
Enfoque de análisis
El análisis de datos se realizó mediante un enfoque fenomenológico e in-
terpretativo, siguiendo los principios del análisis temático propuesto por
Braun y Clarke (2006, p. 77), adaptado para comprender las percepciones
y experiencias vividas de los profesionales de SEO en relación con la inte-
ligencia articial. Desde esta perspectiva, el proceso analítico se centró en
los signicados construidos por los participantes, lo que permitió identi-
car patrones relevantes en sus narrativas y desarrollar una comprensión
profunda del fenómeno estudiado.
Proceso de análisis de datos
Preparación de los datos.
Las diez entrevistas fueron gra-
badas
digitalmente
y
transcritas
verbatim
mediante
tec-
nología
de
transcripción
automática.
Posteriormente,
las
transcripciones
fueron
revisadas
de
forma
manual.
Cada
transcripción fue anonimizada mediante la asignación de
códigos
alfanuméricos.
Los
datos
se
organizaron
en
una
matriz que incluyó variables demográcas, respuestas tex-
tuales por categorías temáticas y notas de campo sobre as-
pectos no verbales.
Codicación y análisis temático.
Se realizó una codicación
línea por línea, a partir de la cual se generaron 147 códigos
iniciales, tanto descriptivos como interpretativos. Median-
te un proceso de comparación constante, estos códigos se
agruparon en tres categorías principales: 1) eciencia y pro-
88
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
ductividad, 2) colaboración y trabajo en equipo, y 3) signi-
cado y futuro del trabajo. La codicación selectiva permitió
establecer conexiones entre las categorías para explicar la
transformación del rol profesional en SEO mediante inte-
gración colaborativa de la IA. Los temas centrales se cons-
truyeron considerando la frecuencia de aparición, la inten-
sidad emocional, la coherencia conceptual y la relevancia
para los objetivos de la investigación.
Triangulación.
Se
realizó
triangulación
mediante
entre-
vistas con el Dr. José de Jesús Ramos Beltrán, experto aca-
démico
de
la
Universidad
Anáhuac
Puebla,
con
Fermín
Camacho, experto de la industrial con más 15 años de ex-
periencia en
marketing
digital. Los expertos validaron los
hallazgos y proporcionaron retroalimentación sobre su co-
herencia con la literatura especializada, su aplicabilidad en
la industria, la identicación de posibles sesgos y los marcos
teóricos explicativos.
Criterios de rigor metodológico
El
rigor
metodológico
se
fortaleció
mediante
criterios
de
credibilidad,
transferibilidad, dependibilidad y conrmabilidad. La credibilidad se sus-
tentó en la triangulación de fuentes al considerar participantes de diferen-
tes niveles organizacionales, así como en la triangulación de investigadores
mediante la validación externa con expertos. La transferibilidad se favo-
reció a través de una descripción detallada del contexto organizacional y
de la caracterización de los participantes. La dependibilidad se aseguró
mediante
la
documentación
sistemática
del
proceso
metodológico
y
el
mantenimiento de una pista de auditoría. Finalmente, la conrmabilidad
se estableció mediante la reexividad del investigador respecto de posibles
sesgos y la validación externa con expertos independientes.
Consideraciones
éticas.
El
análisis
respetó
los
principios
éticos
establecidos
para
la
investigación:
anonimización
completa
de
los
participantes,
uso
exclusivo
de
la
infor-
mación
para
nes
académicos,
almacenamiento
segu-
ro
de
los
datos
y
derecho
a
retirar
el
consentimiento
en
cualquier momento.
Herramientas de análisis.
Se utilizaron soware de análisis
cualitativo, matrices de codicación, diagramas conceptua-
les y herramientas de validación cruzada para fortalecer el
rigor metodológico y la conabilidad de los resultados.
Resultados
La interpretación de los hallazgos se realizó dentro de un marco interpre-
tativo fenomenológico-constructivista, lo que permitió atender las expe-
riencias vividas de los profesionales de SEO y los signicados que atribu-
yen a su interacción con la inteligencia articial. Desde esta perspectiva,
89
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
se identicaron tres categorías principales derivadas del análisis: 1) la IA
como catalizador de eciencia, 2) la IA como socio colaborativo y 3) la
redenición del valor profesional. La organización de estas categorías se
basó en la frecuencia de aparición, la intensidad emocional de las narrati-
vas y su pertinencia respecto de los objetivos de la investigación.
La IA como catalizador de eciencia
La percepción más consistente entre los participantes es que la inteligencia
articial constituye una herramienta relevante para mejorar la productivi-
dad laboral. Los diez entrevistados coincidieron en que la IA ha transfor-
mado de manera signicativamente sus procesos de trabajo, aunque ma-
nifestaron diferencias en la forma de conceptualizar dicha transformación
según su rol jerárquico.
Los participantes reportaron mejoras signicativas en los tiem-
pos de ejecución de las tareas. Una analista expresó: “Una tarea que gene-
ralmente me costaría como cinco horas, la hago en una o dos”
, mientras
que un analista describió que "trabajos de meses se transformaron en tra-
bajos de horas". Estas narrativas reejan un consenso sobre el impacto
percibido de la IA en la eciencia operativa.
La recopilación y el análisis de datos emergieron como las áreas
de mayor impacto. Los managers enfatizaron la capacidad de la IA para
procesar información de manera masiva. En este sentido, un gerente des-
tacó que “la IA nos ayuda a recopilar datos en prácticamente segundos”
.
Los analistas coincidieron en este benecio, aunque desde una perspectiva
más táctica, al valorar especialmente la automatización de tareas repetiti-
vas, como la generación de tags y la clasicación de URL.
La IA como socio colaborativo
Contrario a las preocupaciones sobre el aislamiento tecnológico, la inves-
tigación reveló un patrón colaborativo y de empoderamiento en las narra-
tivas de los participantes. La mayoría de los entrevistados describieron la
IA como un elemento que fortalece, en lugar de debilitar, las dinámicas de
trabajo en equipo.
Un analista conceptualizó esta relación al señalar: “Siento que
somos cuatro en lugar de dos. Es como un miembro más, que si adaptas
bien, te vuelves parte de un sistema”
. Esta percepción de la IA como com-
pañero de trabajo fue recurrente, aunque se observaron matices según el
género de los participantes.
Las mujeres entrevistadas mostraron mayor énfasis en preser-
var las interacciones humanas. Una coordinadora subrayó que la IA “no
sustituye conversaciones” y que “el trabajo en equipo con personas” sigue
siendo fundamental. En contraste, los hombres tendieron a describir la IA
en términos más cercanos a una herramienta de acompañamiento per-
sonal; por ejemplo, un manager mencionó que "me ayuda incluso hasta
hacer trabajo de introspección y
coaching
".
90
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
Redenición del valor profesional
Los participantes evidenciaron una transformación en su autopercepción
profesional, al transitar de ejecutores de tareas repetitivas hacia estrategas
que aprovechan la IA para potenciar su capacidad innovadora. Esta re-
denición se manifestó de manera diferenciada según el nivel jerárquico.
Los
managers
articularon una visión estratégica más amplia. Un
gerente expresó que la IA le ayuda "a ver ángulos que podría no ver sim-
plemente con la ceguera de taller", lo que reeja cómo perciben esta tec-
nología como un amplicador de su capacidad analítica. Los analistas, por
su parte, valoraron especialmente que la IA les permite desarrollar com-
petencias fuera de su especialización técnica. En este sentido, una analista
destacó que ya no se siente "tan dependiente de otras áreas" para tareas de
redacción.
Se identicaron diferencias de género signicativas en las pers-
pectivas futuras. Las mujeres manifestaron mayor preocupación por las
implicaciones sociales y personales de la IA, y enfatizaron la necesidad
de mantener el "pensamiento crítico" y evitar que las personas "se vuel-
van ojas". Los hombres, en cambio, expresaron mayor conanza en su
capacidad
de
adaptación,
con
varios
participantes
masculinos
descri-
biendo su relación futura con la IA en términos de dominio y control
de herramientas.
Análisis comparativo por grupos
Perspectivas por roles
Los managers y analistas coinciden en que la IA mejora la eciencia y la
productividad, aunque requiere supervisión humana para validar resulta-
dos. Los managers se enfocan principalmente en la visión estratégica y el
impacto en el negocio; en este sentido, un manager señaló que lograron
reemplazar servicios de terceros, lo que permitió mayor agilidad en los
procesos. Por su parte, los analistas priorizan aplicaciones operativas coti-
dianas: un analista la describió la IA como un "miembro más" del equipo,
mientras una analista valoró su apoyo en tareas como la redacción.
Diferencias de género
Tanto mujeres como hombres perciben la IA como un complemento del
trabajo en equipo y no como un sustituto. Sin embargo, las mujeres mos-
traron mayor preocupación por sus implicaciones sociales, en particular
por la posible dependencia tecnológica o el aislamiento humano. Por su
parte, los hombres destacaron con mayor énfasis los benecios asociados
con el rendimiento: un analista señaló que la IA permite transformar ta-
reas de meses en horas, mientras que otros la consideran un “plus” compe-
titivo, y un manager la describió como una herramienta para “ver ángulos”
que no podría identicar debido a la “ceguera de taller”
.
91
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Convergencias especícas
Un manager y un analista coincidieron que la IA transformó el área la-
boral al hacerla más ágil. El analista se enfocó en los benecios directos
de automatización, particularmente en el ahorro de semanas de trabajo
desde una perspectiva individual. En cambio, el manager resaltó el impac-
to estratégico a nivel grupal, con énfasis en la reducción de los costos y la
mejora de la productividad desde una narrativa de liderazgo a gran escala.
Los hallazgos revelan un panorama complejo, en el que las per-
cepciones sobre la IA están mediadas tanto por el rol organizacional como
por el género de los participantes. Surgieron tensiones en torno al equili-
brio entre la automatización y la preservación de las habilidades humanas,
especialmente visibles en las narrativas de las mujeres entrevistadas. La
mayoría de los participantes coincidió en que la implementación exito-
sa de la IA requiere una aproximación consciente y estratégica, capaz de
preservar el valor del juicio humano mientras aprovecha las capacidades
tecnológicas.
Tabla 6.5
Tabla de contraste entre los hallazgos de los participantes y las perspectivas de los expertos
Dimensión
Participantes
Expertos
Síntesis
Productividad,
colaboración y
supervisión
Identican
reducción
de
tiempos,
uso
de
la
IA
como
apoyo
colabo-
rativo
y
necesidad
de
validación humana.
Coinciden
en
los
be-
necios
de
la
ecien-
cia
y
comunicación;
además
enfatizan
la
necesidad
de
super-
visión constante y los
riesgos de sobreuso.
Existe
convergencia
en torno a los bene-
cios
de
la
IA,
aunque
con cautelas técnicas y
cognitivas.
Género y futuro
del trabajo
Las mujeres muestran pos-
turas más cautas, mientras
que los hombres expresan
mayor
conanza;
en
con-
junto
predomina
una
vi-
sión
optimista
de
adapta-
ción estratégica.
No
destacan
diferen-
cias de género; subra-
yan la importancia de
la educación y la pre-
paración sistémica.
El
género
aparece
como
un
hallazgo
emergente
entre
los
participantes;
además,
existe
consenso
sobre
el cambio acelerado de
habilidades.
Riesgos e imple-
mentación
Maniestan
preocupación
por
la
dependencia,
el
aprendizaje
autodidacta
y
la
necesidad
de
liderazgo
interno.
Señalan
riesgos
aso-
ciados
con
sesgos,
falta
de
regulación
y
necesidad
de
capaci-
tación formal.
Los
participantes
per-
ciben riesgos en el pla-
no
individual;
mien-
tras
que
los
expertos
amplían el análisis ha-
cía el nivel estructural.
Fuente: Elaboración propia.
Síntesis de convergencias y divergencias en el contraste con expertos
El
contraste
con
expertos
reveló
convergencias
principales
en
torno
a
la mejora de la productividad, la necesidad de supervisión humana y la
transformación
hacia
competencias
estratégicas.
Las
divergencias
más
relevantes se relacionaron con el mayor optimismo de los participantes
frente a la cautela expresada por los expertos, la percepción de riesgos per-
92
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
sonales en contraste con riesgos sistémicos y la aparición de diferencias
demográcas como hallazgo original no anticipado.
Así mismo, los expertos aportaron un marco teórico más am-
plio, validación desde la experiencia práctica de la industria e identica-
ción de brechas que no habían sido consideradas por los participantes.
Discusión
Los hallazgos revelan una narrativa compleja que diverge parcialmente de
las perspectivas pesimistas dominantes sobre la implementación de la in-
teligencia articial en el trabajo. Desde las experiencias relatadas por los
participantes, se observa un proceso de coevolución entre la tecnología y
los profesionales, el cual da lugar a nuevas formas de colaboración huma-
no-máquina. Esta lectura se construye a partir de las percepciones y los
signicados atribuidos a la IA en el entorno laboral, más que desde una
evaluación de sus efectos organizacionales, lo que permite comprender
cómo la tecnología es vivida y resignicada por los colaboradores. Sin em-
bargo, estas percepciones también evidencian tensiones entre la adopción
entusiasta y las preocupaciones sobre la dependencia tecnológica, particu-
larmente visibles en las diferencias de género identicadas.
La conceptualización de la IA como “socio colaborativo” con-
trasta con otras narrativas que describen aislamiento tecnológico en los
entornos laborales. Los participantes interpretaron la IA como un “miem-
bro más del equipo y le atribuyeron un rol de apoyo que amplica sus ca-
pacidades humanas. No obstante, la retroalimentación del experto acadé-
mico consultado introduce un matiz importante al señalar que “se requiere
ser muy especíco con las solicitudes”
, lo que sugiere que la sensación de
uidez colaborativa puede responder más a la experiencia subjetiva de los
usuarios que a capacidades intrínsecas de los sistemas. Este contraste su-
braya la relevancia de analizar percepciones, pues permite observar cómo
los trabajadores negocian los límites técnicos de la IA dentro de su prác-
tica cotidiana.
Las diferencias de género identicadas representan una contri-
bución original al campo, al revelar patrones no documentados previa-
mente en investigaciones sobre IA y trabajo. Mientras que los hombres
expresaron mayor conanza en su capacidad para dominar la tecnología,
las mujeres manifestaron preocupaciones más profundas sobre las impli-
caciones sociales y cognitivas de su uso. Estas percepciones diferencia-
das no buscan evaluar efectos organizacionales, sino evidenciar cómo las
experiencias y expectativas inuyen en la manera en que cada grupo se
aproxima a la IA. El experto de la industria reforzó esta lectura al enfatizar
que “la intervención humana siempre será necesaria”
, lo que valida las per-
cepciones cautelares expresadas por algunas participantes.
En conjunto, los resultados ofrecen una mirada matizada so-
bre la adopción tecnológica en contextos organizacionales, desde la pers-
pectiva de quienes experimentan directamente la interacción con la IA.
93
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Las percepciones observadas sugieren que variables demográcas y de rol
median la forma en que los trabajadores interpretan la tecnología, lo que
señala la necesidad de marcos teóricos que incorporen interseccionali-
dad en los análisis de transformación digital. Futuras investigaciones po-
drían explorar cómo estas diferencias perceptuales moldean los procesos
de integración tecnológica y la relación humano-máquina, ampliando así
la comprensión de estas dinámicas desde una perspectiva centrada en la
experiencia vivida.
Conclusiones
Esta investigación analizó las percepciones de profesionales de SEO so-
bre la inteligencia articial en el entorno laboral. Los resultados muestran
que los participantes han construido una relación colaborativa con la IA,
lo cual redene su valor profesional hacia competencias más estratégicas.
Esta lectura se aleja de las narrativas tradicionales de desplazamiento tec-
nológico y permite comprender cómo los colaboradores interpretan y re-
signican la presencia de la IA en su práctica cotidiana.
Los hallazgos permitieron identicar tres patrones centrales en
estas percepciones: la IA como catalizador de eciencia, como socio cola-
borativo y como elemento que contribuye a la redenición del rol profe-
sional. Asimismo, se observaron diferencias según género —con mujeres
más cautelosas y hombres más conados— y según rol jerárquico —con
managers
centrados en la visión estratégica y analistas enfocados en la
dimensión operativa—. Estas percepciones diferenciadas no representan
impactos organizacionales
per se
, sino formas diversas de interpretar la in-
tegración de la IA, lo que aporta elementos conceptuales útiles para com-
prender cómo se negocia la colaboración humano-máquina en equipos
multidisciplinarios.
El estudio presenta limitaciones inherentes a su diseño, entre
ellas una muestra circunscrita a una sola organización, un tamaño redu-
cido y un carácter transversal que no permite observar cambios a lo largo
del tiempo. Además, no se abordaron en profundidad las implicaciones
éticas de la interacción con sistemas de IA, lo cual constituye un espacio
relevante para investigaciones futuras. Explorar cómo estas percepciones
evolucionan y cómo inuyen en la integración tecnológica podría enri-
quecer las discusiones sobre transformación digital desde una perspectiva
centrada en la experiencia de los trabajadores.
Referencias
Babar, Z., Paul, R., Barua, T., & Rahman, M. A. (2025, abril 29). AI appli-
cations in emerging tech sectors: A review of AI use cases across
healthcare,
retail,
and
cybersecurity.
ASRC
Procedia:
Global
Perspectives
in
Science
and
Scholarship,
1(1),
16–33.
https://
doi.org/10.63125/245ec865
94
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
REVISTA RELAYN,
2026, 10 (3), Septiembre-Diciembre, ISSN: 2594-1674
Braun,
V.,
&
Clarke,
V.
(2006).
Using
thematic
analysis
in
psychology.
Qualitative Research in Psychology, 3(2), 77–101. https://doi.
org/10.1191/1478088706qp063oa
Chintalapati,
S.,
&
Pandey,
S.
K.
(2021).
Articial
intelligence
in
marketing:
A
systematic
literature
review.
Internatio-
nal
Journal
of
Market
Research,
64(1),
38–50.
https://doi.
org/10.1177/14707853211018428
Daugherty, P. R., & Wilson, H. J. (2024). Human + machine: Updated and
expanded: Reimagining work in the age of AI (Rev. ed.). Har-
vard Business Review Press.
Deza-De-Souza-Ferreyra, S., Ramos-Cavero, M. J., & Córdova-Buiza, F.
(2025). Organic positioning strategies and digital consumer be-
havior: A study in Peru’s real estate sector. Innovative Marke-
ting, 21(1), 119–130. https://doi.org/10.21511/im.21(1).2025.10
Giuntella, O., Konig, J., & Stella, L. (2025). Articial intelligence and the
well-being of workers. Scientic Reports, 15, 20087. https://doi.
org/10.1038/s41598-025-98241-3
Haider, K. Z., Zafar, R., Sa, Q. G. K., Awais, M., & Iqbal, M. M. (2025).
Webpage
classication
for
search
engine
optimization
using
machine learning. Journal of Computing & Biomedical Infor-
matics, 9(1). https://jcbi.org/index.php/Main/article/view/972
Makrydakis,
N.
S.,
Spiliotopoulos,
D.,
&
Lymperi,
A.
(2025).
Analysis
of
search
engine
optimization
tactics
in
the
context
of
digi-
tal marketing for enhancing websites ranking and visibility in
generative
AI
and
large
language
models.
International
Jour-
nal of Research in Management, 7(1), 1107–1113. https://doi.
org/10.33545/26648792.2025.v7.i1l.386
Minotakis, A., & Faras, A. J. (2024). Nothing is inevitable but class stru-
ggle: A workerist perspective on AI regulation. tripleC: Com-
munication, Capitalism & Critique, 22(2), 630–645. https://doi.
org/10.31269/triplec.v22i2.1517
Nesterenko, V., & Olerenko, O. M. (2023). e impact of AI development
on the development of marketing communications. Marketing
and Management of Innovations, 14(1), 169–180. https://doi.
org/10.21272/mmi.2023.1-15
Ng, A. (2016, noviembre 9). What articial intelligence can and can’t do
right now. Harvard Business Review. https://hbr.org/2016/11/
what-articial-intelligence-can-and-cant-do-right-now
95
Pineda, et al.
Percepciones de empleados SEO sobre inteligencia articial en el ámbito laboral digital
Código JEL: M1 Administración de empresas
Palacio, I. C. A. (2021). Oportunidades para la transformación digital de
la cadena de suministro del sector bananero basado en soware
con inteligencia articial. Revista Politécnica, 17(33), 47–58. ht-
tps://doi.org/10.33571/rpolitec.v17n33a4
Panjón, J. C. (2025). Competencias especícas para la integración de la in-
teligencia articial en la planicación docente. Revista Mamaku-
na, 24, 80–91. https://doi.org/10.70141/mamakuna.24.1050
Sucipto, H. (2024). e impact of articial intelligence (AI) on human
resource management practices. Management Studies and Bu-
siness Journal (PRODUCTIVITY), 1(1), 138–145. https://doi.
org/10.62207/xey9mx18
UNESCO. (2024). México: Evaluación del estadio de preparación de la
inteligencia articial (SHS/BIO/2024/AI-RAM/MX/1). https://
unesdoc.unesco.org/ark:/48223/pf0000390568
Vlačić, B., Corbo, L., Silva, S. C., & Dabić, M. (2021). e evolving role of
articial intelligence in marketing: A review and research agen-
da. Journal of Business Research, 128, 187–203. https://doi.or-
g/10.1016/j.jbusres.2021.01.055
Watanabe, Y., Nakayama, M., Takemura, K., & Uchida, Y. (2025). AI fee-
dback and workplace social support in enhancing occupational
self-ecacy: A randomized controlled trial in Japan. Scientic
Reports, 15, 11301. https://doi.org/10.1038/s41598-025-94985-
0
Wilson, H. J., & Bataller, C. (2015, 27 de mayo). How people will use AI
to do their jobs better. Harvard Business Review. https://hbr.
org/2015/05/how-people-will-use-ai-to-do-their-jobs-better
Ziakis,
C.,
&
Vlachopoulou,
M.
(2024).
Articial
intelligence’s
revolu-
tionary role in search engine optimization. In A. Kavoura, T.
Borges-Tiago, & F. Tiago (Eds.), Strategic innovative marketing
and
tourism:
Current
trends
and
future
outlook—10th
ICSI-
MAT, Ionian Islands, Greece, 2023 (pp. 391–400). https://doi.
org/10.1007/978-3-031-51038-0_43
Sobre
los
autores
1
Profesor e investigador de la Universidad Coppel México y Universidad
Anáhuac Puebla, ORCID: 0009-0007-0717-4256
2
Profesor e investigador de la Universidad Coppel México y Universidad
Anáhuac Puebla, ORCID: 0009-0002-6441-8839
3
Profesor e investigador de la Universidad Coppel México y Universidad
Anáhuac Puebla, ORCID: 0009-0000-0924-1693