IMPLEMENTACIÓN DE UN SISTEMA INTELIGENTE DE GESTIÓN  
DE SUMINISTROS EN UNA PYME MEXICANA UTILIZANDO N8N  
IMPLEMENTATION OF AN INTELLIGENT SUPPLY  
MANAGEMENT SYSTEM IN A MEXICAN SME USING N8N  
Mohedano Torres Enrique de Jesús  
Tecnológico Nacional de México/I.T. De Pachuca  
https://orcid.org/0000-0002-0219-5038  
enrique.mt@pachuca.tecnm.mx  
Chiapa Tellez Francisco Alfonso  
Tecnológico Nacional de México/I.T. De Pachuca  
https://orcid.org/0009_0000_3907_5884  
francisco.ct@pachuca.tecnm.mx  
Hernández Islas Joselin  
Tecnológico Nacional de México/I.T. De Pachuca  
https://orcid.org/0009-0001-7670-7833  
l21200697@pachuca.tecnm.mx  
Aguilar Pérez Nahum  
Tecnológico Nacional de México/I.T. De Pachuca  
https://orcid.org/0009-0001-9627-5775  
l23200135@pachuca.tecnm.mx  
Soní Ramírez Karla Sherlyn  
Tecnológico Nacional de México/I.T. De Pachuca  
https://orcid.org/0009-0005-9054-2018  
l23200101@pachuca.tecnm.mx  
DOI: https://doi.org/10.61273/neyart.v4i1.165  
| Recibido: 05/12/2025 | Aceptado: 09/02/2026 | Publicado: 13/03/2026  
Esta obra está bajo  
una licencia internacional  
Creative Commons Atribución 4.0.  
Página 157  
Resumen-- La gestión de suministros fue un factor determinante para la eficiencia operativa de las  
pequeñas y medianas empresas (PyMEs), especialmente en la industria alimentaria, donde la  
disponibilidad oportuna de materia prima y materiales de empaque aseguró la continuidad de la  
producción. En este marco, el estudio tuvo como propósito evaluar, mediante una revisión sistemática de  
la literatura, la aplicación de la plataforma n8n como modelo de gestión inteligente de insumos en una  
PyME mexicana dedicada al envasado de 13 sabores de cacahuates. Para ello, se aplicó la metodología  
SALSA (Search, Appraisal, Synthesis, Analysis), que permitió estructurar de manera rigurosa la búsqueda,  
selección y análisis de investigaciones científicas relacionadas con la automatización de la gestión de  
insumos mediante inteligencia artificial, considerando el periodo a–b y consultando las bases de datos  
Web of Science, Science Direct y Scopus.  
En consecuencia, los resultados indicaron que aproximadamente 70% de los estudios reportaron mejoras  
en la eficiencia del ciclo de suministro, mientras queꢀ60% evidenciaron reducción de errores en inventarios  
y 55% mostraron optimización en la coordinación con proveedores. De manera complementaria, se  
observó que la integración de IA permitió agilizar en promedio 25% los procesos de aprovisionamiento y  
predicción de demanda. Por lo tanto, se detectó un vacío en la literatura respecto a la implementación  
específica de n8n en PyMEs mexicanas, lo que evidencia oportunidades para desarrollar modelos aplicados  
que integren automatización, análisis predictivo y sostenibilidad en los procesos de abastecimiento,  
conectando así el contexto teórico con las necesidades prácticas de la industria.  
Palabras clave-- Automatización, Gestión de suministros, Inteligencia artificial, Pequeñas y medianas  
empresas, Sistemas de información.  
Abstract-- Supply management was a key factor for the operational efficiency of small and medium-sized  
enterprises (SMEs), particularly in the food industry, where the timely availability of raw materials and  
packaging ensured production continuity. In this context, the study aimed to evaluate, through a systematic  
literature review, the application of the n8n platform as an intelligent supply management model in a  
Mexican SME dedicated to packaging 13 peanut flavors. To achieve this, the SALSA methodology  
(Search, Appraisal, Synthesis, Analysis) was applied, which allowed a rigorous structuring of the search,  
selection, and analysis of scientific studies related to the automation of supply management through  
artificial intelligence,  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 158  
Artículo de Investigación Original  
Consequently, the results showed that approximately 70ꢀ% of the studies reported improvements in  
supply cycle efficiency, while 60ꢀ% demonstrated a reduction in inventory errors, and 55ꢀ% showed  
optimization in supplier coordination. Additionally, it was observed that the integration of AI enabled  
an average 25ꢀ% acceleration in procurement and demand forecasting processes. Therefore, a gap was  
identified in the literature regarding the specific implementation of n8n in Mexican SMEs, highlighting  
opportunities to develop applied models that integrate automation, predictive analytics, and  
sustainability in supply processes, thus connecting theoretical insights with practical industry needs.  
Keywords-- Artificial intelligence, Automation, Information systems, Small and medium-sized,  
Supply management.  
INTRODUCCIÓN  
En el entorno actual, la gestión de suministros se ha consolidado como un elemento estratégico para la  
eficiencia operativa y la competitividad de las pequeñas y medianas empresas (PyMEs),ya que permite  
optimizar recursos, reducir costos y garantizar la continuidad de las operaciones (Christopher,2016).Esta  
función adquiere una relevancia particular en la industria alimentaria, donde la disponibilidad oportuna  
de materias primas e insumos de empaque resulta fundamental para evitar interrupciones en los procesos  
productivos y pérdidas económicas.  
Diversas investigaciones señalan que la incorporación de tecnologías asociadas a la Cuarta Revolución  
Industrial, como la inteligencia artificial, el Internet de las Cosas y las plataformas de automatización ,ha  
generado mejoras significativas en la capacidad de respuesta, la eficiencia logística y la toma de decisiones  
en las PyMEs (López Nieto,2022).Estas herramientas facilitan la transición de esquemas operativos  
reactivos hacia modelos predictivos basados en datos, fortaleciendo la residencia de las cadenas de  
suministro frente a entornos altamente dinámicos.  
No obstante, pese a los beneficios documentados, la adopción de soluciones tecnológicas avanzadas en  
las PyMEs mexicanas continúa siendo limitada. De acuerdo con IDC México y SAP (2022), una  
proporción considerable de estas empresas carece de sistemas de automatización que permitan la toma de  
decisiones en tiempo real, lo que incrementa la probabilidad de errores operativos y reduce la capacidad  
de adaptación ante variaciones en la demanda. Asimismo, estudios recientes indican que, aunque la  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 159  
Artículo de Investigación Original  
vigilancia tecnológica se emplea para monitorear tendencias y competencia, en muchos casos no se  
traduce en implementaciones concretas de automatización o inteligencia artificial, particularmente en el  
sector alimentario (Mejía Chávez & Solleiro Rebolledo, 2024).  
En este contexto, el presente estudio analiza la gestión de suministros mediante la plataforma n8n como  
sistema de abastecimiento inteligente en una PyME mexicana dedicada al envasado de cacahuates. El  
análisis se orienta a evaluar el impacto de la integración de automatización low-code y elementos de  
inteligencia artificial en la optimización de los procesos logísticos, la reducción de errores operativos y el  
fortalecimiento de la eficiencia y competitividad de la cadena de suministro.  
La relevancia del estudio radica en evidenciar que la automatización de procesos clave, apoyada en  
herramientas de bajo costo y de código abierto, puede generar mejoras operativas concretas y medibles en  
organizaciones con recursos limitados. Asimismo, la investigación aporta un modelo replicable que  
favorece una gestión de suministros más ágil, confiable y menos dependiente de procesos manuales,  
contribuyendo a la reducción de la brecha tecnológica que enfrentan las PyMEs mexicanas en su  
incorporación a la economía digital.  
MÉTODO  
La presente investigación adopta un tipo de investigación correlacional, centrada en la revisión  
sistemática de literatura sobre la aplicación de la Inteligencia Artificial (IA) y herramientas de  
automatización como N8N en sistemas de abastecimiento. Este enfoque permite identificar patrones,  
tendencias y lagunas en el conocimiento existente, sin intervenir directamente en variables empíricas,  
sino analizando fuentes secundarias para generar insights innovadores en un campo emergente (Saunders  
et al., 2009). De esta manera, se busca mapear el uso escaso de IA en contextos de supply chain.  
El diseño de la investigación se basa en un enfoque experimental, cuantitativo con elementos mixtos, que  
incorpora una revisión bibliográfica estructurada para sintetizar datos de artículos académicos y fuentes  
verificadas como Google Scholar, Redalyc, Scielo y Scopus. Este diseño facilita la triangulación de  
información cualitativa (descripciones de aplicaciones y limitaciones) con métricas cuantitativas (como  
reducciones en tiempos y costos reportadas en estudios), permitiendo un análisis comprehensivo sin la  
necesidad de recopilación primaria de datos (Creswell & Creswell, 2018). El marco metodológico  
SALSA se emplea para guiar la selección y análisis de literatura, asegurando una aproximación  
sistemática y reproducible.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 160  
Artículo de Investigación Original  
Este enfoque sistemático es particularmente útil en campos emergentes como la integración de IA en  
abastecimiento, ya que promueve la transparencia y la reproducibilidad al mapear tipos de revisiones y  
metodologías asociadas, evitando sesgos y maximizando el valor de la síntesis literaria (Grant & Booth,  
2009). En esta investigación, SALSA se aplica para revisar artículos sobre N8N y algoritmos de  
optimización, destacando su escasez y potencial innovador. La aplicación de esta metodología se muestra  
en la siguiente figura, como parte de la contribución del presente proyecto,  
Figura 1. Diagrama de Flujo Metodología SALSA  
Fuente. Elaboración propia (2025).  
Por tanto, una muestra a conveniencia, también conocida como muestreo por accesibilidad, se utiliza en  
esta investigación para seleccionar los artículos y fuentes analizadas, priorizando aquellos fácilmente  
disponibles en bases de datos abiertas y relevantes al tema, sin un muestreo probabilístico exhaustivo.  
Esta técnica implica elegir elementos basados en su proximidad y disponibilidad para el investigador, lo  
que acelera el proceso, pero puede introducir sesgos de selección (Etikan et al., 2016).  
En este estudio, dicha técnica se aplicó para recopilar publicaciones clave sobre IA en supply chain,  
reconociendo sus limitaciones en representatividad, pero valorando su practicidad en etapas exploratorias.  
El enfoque general de la investigación es de carácter inductivo, al partir de observaciones específicas  
derivadas de la literatura revisada como casos aislados de implementación de automatización en cadenas  
de suministro en Taiwán e Indonesia para construir generalizaciones sobre el potencial de n8n como  
herramienta de automatización de procesos de abastecimiento en PyMEs mexicanas.  
En este sentido, la revisión sistemática realizada mediante la metodología SALSA confirmó la notable  
escasez de estudios que documenten el uso de n8n y de inteligencia artificial en general en sistemas de  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 161  
Artículo de Investigación Original  
abastecimiento de pequeñas y medianas empresas en México y América Latina, lo que refuerza el carácter  
innovador del presente trabajo y justifica su contribución al destacar tanto las lagunas existentes como  
las ventajas comparativas de n8n frente a otras plataformas de automatización.  
Tabla 1. Selección de artículos en base a la metodología SALSA.  
Nombre del  
Artículo  
País  
Aplicación  
Objetivo  
Resultados  
Problemática  
Automatiza  
Taiwán  
Sistemas de  
abastecimien  
to en PyMEs  
Manejo de forma  
Capacidad  
procesar  
entradas multi  
modales (texto,  
voz,  
imágenes)  
Automatizació  
n
solicitudes,  
validaciones,  
comparaciones  
de precios,  
aprobaciones y (PYMES)  
notificaciones  
de Ineficiencia en  
los procesos de  
autónoma  
solicitudes  
adquisición,  
validación  
las  
de  
la  
ción  
de  
adquisicion  
es  
adquisición  
tradicionales  
especialmente  
en pequeñas y  
medianas  
de  
datos, la búsqueda  
de inventario, la  
impulsada  
por agentes  
de IA con  
integración  
N8N  
comparación  
precios  
proveedores,  
de  
de  
la  
de  
aprobación de la  
administración y la  
empresas  
notificación  
pedidos  
de  
Implement  
ación de la  
automatiza  
Indonesi  
a
Automatizac  
ión del flujo  
de trabajo  
Análisis del diseño  
la  
implementación de  
Tiempo de  
respuesta  
reducido en un  
88.6%,  
aumento del  
rendimiento en  
un 466.7%  
reducción de  
tiempo de  
Fallas  
en  
el  
y
abastecimiento  
un  
integrado  
sistema  
que  
interno  
de  
ción  
flujo  
del  
de  
servicios,  
utiliza N8N para el  
Banco Koperasi  
Syariah Indonesia  
en la provincia de  
reportes, tiempo  
de respuestas  
trabajo con  
N8N para  
Aceh  
Aceh).  
(Kopebi  
Este  
inactividad del  
99.2%  
Estas mejoras  
mejorar la  
eficiencia  
operativa y  
el  
sistema consta de  
cinco  
módulos  
dieron  
resultado  
aumento  
como  
un  
operativos  
principales,  
que  
del  
abarcan desde el  
punto de venta y la  
financiación de la  
23.3 % en los  
ingresos  
operativos,  
rendimient  
o
en  
la  
sharia  
gestión  
hasta  
la  
de  
disminución  
del 65.3 % en  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 162  
Artículo de Investigación Original  
Cooperativ  
a Sharia del  
membresía y los  
informes  
financieros.  
los  
operativos,  
aumento  
gastos  
del  
Banco  
de  
29.2 % en los  
márgenes  
beneficio  
aumento  
47.1 % en el  
reparto de los  
beneficios de  
los miembros.  
Se  
de  
y
del  
Indonesia,  
Provincia  
de aceh  
Oportunida  
des para la  
transformac  
ión digital  
de la cadena  
de  
Colombi  
a
Mejora de la  
Busca revelar  
cómo se pueden  
lograr aspectos  
tales como:  
Integración  
negocios,  
reducción  
costos,  
Limitación del  
desempeño en la  
cadena  
de  
identificaron  
suministro  
basado  
oportunidades  
cadena  
de  
en  
para  
la  
suministros del  
sector Bananero  
en Colombia  
de  
de  
de  
software con  
IA  
transformación  
digital con IA,  
suministro  
dando  
como  
del  
sector  
resultado  
impactos  
positivos  
eficiencia  
operativa  
optimización  
bananero  
basado en  
software  
con  
tiempos, recursos,  
etc, con el uso de la  
IA  
en  
inteligencia  
artificial  
Fuente. Elaboración propia. (2025).  
A pesar de los beneficios identificados en la integración de IA y herramientas como N8N en sistemas de  
abastecimiento, el documento resalta varias limitaciones inherentes a su aplicación. Entre ellas, se  
incluyen la dependencia de modelos externos, el riesgo de fuga de datos en volúmenes altos, la necesidad  
de arquitecturas de soporte para manejar cargas grandes y evitar caídas de datos, así como debilidades en  
la selección de herramientas, el manejo de contexto y la memoria en los nodos, lo que podría comprometer  
la robustez en entornos operativos complejos (Chang et al., 2025). Adicionalmente, se señalan altos  
costos de implementación tecnológica y la requerida capacitación especializada, que representan barreras  
significativas para su adopción en sectores como el logístico o el bananero, donde la eficiencia operativa  
depende de recursos limitados (Arango, 2021; Wali et al., 2025).  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 163  
Artículo de Investigación Original  
Asimismo, se realizó una evaluación de las limitantes y comparativa del uso de esta tecnología, donde se  
logró observar que la principal desventaja de N8N es su curva de aprendizaje y el menor número de  
conectores predefinidos. Además, si se usa auto alojado, el usuario debe encargarse del mantenimiento.  
Sin embargo, N8N destaca por su editor visual basado en nodos y su filosofía de "código justo" (fair-  
code), lo que habilita su utilización tanto en modo auto alojado (self-hosted) como en la nube. Además,  
su estructura modular le confiere una gran flexibilidad, ya que posibilita la extensión de sus  
funcionalidades mediante lenguajes de programación como JavaScript o Python, resultando ideal para  
desarrolladores y usuarios avanzados.  
En comparación según sus características principales con otras plataformas como Zapier e IFTTT ofrecen  
entornos de tipo no-code, lo que las hace muy fáciles de usar. Sin embargo, son sistemas cerrados y con  
menor personalización. Por su parte, Node-RED, Huginn y Apache Airflow comparten el enfoque de  
código abierto, aunque estos últimos generalmente requieren un conocimiento técnico superior.  
Finalmente, herramientas como Microsoft Power Automate y Workato se integran de manera  
empresarial, no obstante, su operación depende de ecosistemas cerrados (Microsoft o plataformas iPaaS).  
De este modo, N8N se posiciona estratégicamente al equilibrar la facilidad visual, la apertura de código  
y la capacidad de extensión, ubicándose entre las plataformas "no-code" y las de desarrollo avanzado.  
En cuanto a los costos, N8N ofrece un atractivo modelo gratuito y autoalojado, con la opción de una  
versión SaaS de bajo costo en comparación con sus principales competidores. Por ejemplo, Zapier,  
Workato y Power Automate son servicios SaaS con un cobro por tarea o flujo, lo cual provoca que sus  
costos escalen rápidamente con el crecimiento del uso. Ciertamente, Node-RED y Huginn son  
completamente gratuitos por su naturaleza open source. Si bien otras opciones como Integromat (Make)  
y Piezas Activas son más económicas que Zapier, sus planes suelen ser limitados y ofrecen un menor  
número de conectores. Por lo tanto, N8N emerge como la opción más costo-efectiva para la  
implementación de flujos complejos, siendo la elección ideal para empresas que buscan el control total  
de sus datos sin depender de suscripciones elevadas.  
Los beneficios clave que N8N permite a sus usuarios son múltiples. En primer lugar, ofrece el control  
total de datos gracias su naturaleza auto alojada. En segundo lugar, posibilita una integración flexible, ya  
que permite implementar lógica avanzada con el uso de JavaScript o Python. Finalmente, garantiza una  
alta rentabilidad, al no basar su cobro en el número de tareas realizadas, sino en la instancia o el nodo.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 164  
Artículo de Investigación Original  
En base a esto y a la metodología se realizó la siguiente tabla donde se muestran los artículos  
seleccionados con mayor relevancia en tema de comparativa.  
Tabla 2: Selección final de los artículos.  
Herra  
Características  
Beneficios (Pros)  
Desventajas (Contras)  
Modelo  
mienta principales  
(Implementaci  
ón / Lenguaje)  
Puzzle Programación  
Es fácil de usar para Limitado para tareas Programación  
avanzadas. por bloques  
la Es menos flexible que visuales.  
de programación textual. Lenguaje  
es errores de Dependencia fuerte de modular  
-
mediante bloques tipo principiantes.  
modul “rompecabezas”  
e-style encajan entre sí. Su reducción  
que Aporta  
a
(Estilo interfaz  
visual  
rompe totalmente  
gráfica. programación.  
de Curva  
los  
módulos propietario  
cabeza Evita  
errores  
de predefinidos  
por  
el según  
marca.  
cada  
s)  
sintaxis  
gracias  
forzado. Son  
para visibles  
al aprendizaje rápida.  
fabricante.  
ensamble  
Módulos  
programas Escalabilidad reducida  
y en procesos complejos.  
movimientos,  
lógica ejecutables  
de  
básica, loops, etc.  
inmediato  
(“what  
you see is what you  
get”).  
Flowc  
hart-  
Programas  
representados  
Buena  
como para  
legibilidad Está  
procesos necesita  
herramienta Programación  
mayor mediante  
style  
nodos conectados por industriales.  
comprensión lógica a nodos y flujos.  
(Estilo flechas.  
Manejo eficiente de comparación del estilo Lenguaje  
diagra  
ma de tareas  
flujo)  
Contiene secuencias de tareas complejas.  
puzzle.  
del Su interfaz es más secuencial  
flujo completo del cargada o compleja. (workflow-  
En ocasiones depende based).  
depuración del ecosistema del Integración  
fabricante. con librerías  
sistemas Menos intuitivo para externas  
Su uso es común en integran IA (ej. path usuarios sin sensores  
programación de planning en Mech- experiencia.  
visual  
lineales  
y Visualización  
ramificaciones.  
Admite programación proceso.  
de tareas complejas Fácil  
con mayor claridad paso a paso.  
visual. Algunos  
y
brazos colaborativos e Viz).  
integración con visión.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 165  
Artículo de Investigación Original  
Tree-  
structu en  
re-  
style  
Organización de tareas Óptimo  
estructura proyectos grandes y aprendizaje.  
jerárquica tipo árbol. complejos. Su interfaz es menos visual.  
Nodo raíz = tarea Claridad total de la intuitiva para usuarios Árbol  
estructura del novatos. comandos  
Subnodos representan programa. Requiere conocimiento estilo  
y Control preciso de conceptual de tree”.  
jerarquías y programación. Adaptable  
Limitación en cantidad sistemas  
para de módulos complejos  
y disponibles.  
para Tiene una curva de Programación  
jerárquica  
de  
“task  
a
(Estilo principal.  
árbol  
jerárq  
uico)  
subtareas  
parámetros.  
Permite visualizar toda dependencias.  
la arquitectura del Ideal  
integradores  
programadores  
sistema  
(soldadura,  
montaje,  
diagnóstico,  
etc.).  
intermedios/avanza  
dos.  
Web  
Recolección  
Obtención  
de Alta heterogeneidad de Integración  
los datos web, lo que técnica basada  
Scrapi automática de datos no información  
ng  
estructurados.  
estratégica  
para dificulta el análisis.  
en crawlers +  
integr  
ado  
con  
Model fuentes.  
os de Integración  
IA  
avanz  
ados.  
Uso de crawlers y decisiones  
scrapers para extraer negocio.  
de Problemas de ética, scrapers.  
privacidad y riesgos Modelos  
IA:  
datos  
de  
múltiples Mejora de análisis cibernéticos.  
mediante NLP, Riesgo de bloqueo por clasificadores,  
IA visión páginas anti-scraping. deep learning.  
para filtrar, limpiar y computacional  
analizar información. modelos  
NLP,  
con  
y Necesidad de limpieza Uso  
de  
y validación manual en bibliometría  
Capacidad de trabajar avanzados.  
con textos, imágenes y Reducción de datos  
ciertos casos.  
(VOSviewer)  
para el análisis.  
señales.  
redundantes  
Escalabilidad gracias a mediante  
bibliometría y análisis inteligente.  
filtrado  
masivo.  
Identificación  
tendencias  
de  
y
comportamiento  
del consumidor.  
Codificación  
de Orquestación  
de Tiene  
complejidad VSA  
con  
de  
Node-  
RED  
integr  
ado  
microservicios y flujos flujos en ambientes matemática y técnica vectores  
mediante  
semánticos.  
Ejecución  
descentralizada sin un eficiencia  
vectores con  
conectividad.  
Cuenta con  
baja (VSA).  
Requiere  
binarios  
modificar 10,000 bits y  
para que técnica de  
en interpreten vectores. truncamiento  
alta servicios  
con  
Vector  
Symb  
coordinador central.  
Descubrimiento  
comunicación  
gracias  
No sustituye a sistemas dinámico.  
a tradicionales en redes  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 166  
Artículo de Investigación Original  
olic  
Archit en  
ecture (MANET).  
dinámico de servicios compresión  
estables de alto ancho Node-RED  
de banda. como frontend  
redes  
móviles vectorial.  
Eliminación  
del  
en JavaScript.  
Comunicación  
distribuida tipo  
multicast para  
descubrimiento  
.
(VSA) Compresión  
de punto único de fallo  
sistema  
centralizado.  
vectores para reducir del  
ancho de banda.  
Permite usar Node-  
RED como interfaz  
visual,  
pero  
ejecutando  
distribuidos.  
flujos  
Plataf  
ormas  
Low-  
Code  
Reducción  
esfuerzo  
programación  
del Eficiencia en costo Limitada  
de y tiempo: permiten personalización:  
No-Code  
Principalmente  
desarrollar  
más problemas  
para para  
aplicaciones sin  
usuarios  
mediante componentes rápido y con menos manejar  
recursos. muy  
drag-and- Menor dependencia específicas.  
drop y automatización del equipo de Problemas  
de tareas repetitivas. ingeniería gracias a integración  
y No- visuales.  
complejas  
o conocimientos  
técnicos.  
de Flujo  
Code  
(LCN  
C)  
Interfaces  
con totalmente  
Orientación a usuarios la participación de sistemas heredados o visual,  
sin  
no  
técnicos  
o usuarios  
técnicos.  
no APIs externas.  
Restricciones  
programación.  
“ciudadanos  
desarrolladores”.  
de Adecuado para  
apps simples,  
y formularios,  
Mayor velocidad de escalabilidad,  
Aceleración del ciclo despliegue  
de vida del software y productos  
disminución de costos. actualizaciones.  
Foco en aplicaciones Aumenta  
empresariales rápidas satisfacción  
de mantenimiento  
y rendimiento.  
Dependencia  
la proveedor (lock-in).  
dashboards  
y
del automatizacion  
es.  
del Riesgos de control y  
cuando Low-Code  
tiempos de entrega. participan usuarios sin Requiere algo  
y
cliente al reducir calidad  
formularios/automatiz  
aciones.  
Simplifican tareas formación técnica.  
de  
repetitivas  
mediante  
automatización.  
programación.  
Permite mayor  
personalizació  
n
y
lógica  
avanzada.  
Permite extraer datos Automatización en Alta  
de sitios web de forma la recolección de ante cambios en las Based  
vulnerabilidad 1)Template-  
Web  
Scrapi  
ng  
automatizada  
sin grandes volúmenes páginas  
(plantillas, Uso  
patrones  
de  
interacción humana.  
de datos. DOM, estilos).  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 167  
Artículo de Investigación Original  
Se basa en distintas Permite  
obtener Limitaciones técnicas repetidos en el  
metodologías:  
patrones  
información para páginas dinámicas HTML.  
HTML, actualizada  
visual, tiempo real.  
en o con defensa anti-  
estructura  
scraping.  
múltiples Riesgos legales por Based  
para derechos de autor, Segmentación  
transformar adaptarse a diversos privacidad y términos visual como el  
datos no estructurados tipos de páginas. de uso. algoritmo  
(HTML) en formatos Los enfoques con Algunas técnicas VIPS.  
estructurados (JSON, LLM reducen la requieren alto costo  
2)  
Visual-  
DOM, ontologías o Ofrece  
librerías de scraping. técnicas  
Puede  
CSV, Excel).  
Incluye  
enfoques basados en interpretación  
LLM para interpretar semántica.  
páginas web y mejorar Herramientas  
complejidad  
nuevos mejoran  
y computacional (VIPS, 3) Tree-Based  
la LLM). Análisis del  
Necesidad frecuente de DOM y nodos  
limpieza post- HTML  
y procesamiento de los estructurados.  
(Scrapy, datos.  
y
la precisión.  
Considera  
librerías  
aspectos BeautifulSoup,  
y Selenium) hacen el  
4)  
Ontology-  
técnicos,  
legales  
Based  
éticos del proceso de proceso  
extracción. accesible.  
más  
Uso  
ontologías  
RDF/OWL.  
de  
5) Software /  
Library-Based  
Lenguajes:  
Python,  
Java,  
JavaScript.  
.
6) LLM-Based  
Usan modelos  
de lenguaje  
Fuente. Elaboración propia. (2025).  
DESARROLLO  
La gestión de inventario y el abastecimiento representan puntos críticos en la cadena de suministro, donde  
la ineficiencia puede resultar en pérdidas significativas por stockout (rotura de stock) o sobre-inventario.  
La incorporación de la Inteligencia Artificial (IA), especialmente a través de herramientas de  
automatización de código abierto como n8n (que combina la flexibilidad del low-code/no-code con la  
capacidad de integrar lógica de programación y modelos de IA), se presenta como una solución disruptiva  
para transformar estos procesos de reactivos a proactivos y predictivos.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 168  
Artículo de Investigación Original  
El desarrollo del sistema se centra en la orquestación de flujos de trabajo automatizados para el control de  
stock guiado por n8n. Este enfoque permite la integración fluida con diversas fuentes de datos (bases de  
datos, hojas de cálculo, APIs de sistemas de punto de venta) y servicios de IA para realizar: 1) Monitoreo  
en tiempo real de los niveles de inventario; 2) Análisis predictivo de la demanda; 3) Generación  
automática de alertas y órdenes de compra.  
A continuación, la Figura 2 presenta el bosquejo de la programación correspondiente a la implementación  
de la n8n donde el punto de partida de la experiencia es la imagen central de carga, cuyo diseño es una  
propuesta del desarrollador sin embargo no es el logo oficial de la empresa, pero el concepto sintetiza la  
visión del proyecto: una solución tecnológica avanzada aplicada al entorno comercial tradicional.  
Figura 2. Propuesta de imagen de carga.  
Fuente. Elaboración propia. (2025).  
En la segunda fase del desarrollo, el núcleo operativo de la solución se centra en el registro de  
transacciones, ya que cada venta es un evento que dispara una actualización en los niveles de inventario.  
La Figura 3 muestra la interfaz principal del módulo de "Nueva Venta", el cual es el punto de interacción  
más frecuente para el personal de la tienda.  
Figura 3. Pestaña para Nueva Venta  
Fuente. Elaboración propia (2025)  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 169  
Artículo de Investigación Original  
En esta interfaz operativa se muestran distintos campos, los cuales se tienen que llenar por el operador de  
la siguiente manera: Código: Se añade el código de barras del producto; Descripción: El sabor deseado:  
Cantidad: La cantidad de producto que el comprador quiere adquirir; Precio: El costo del producto.  
Stock Disponible: Cuántas piezas y de qué sabores se encuentran disponibles dentro del inventario.  
Ítems: Este campo se lo llena la empresa de acuerdo a los productos que ofrece.  
Esta interfaz está diseñada para una captura de datos rápida y completa de la transacción donde los campos  
permiten la entrada de ítems y la verificación inmediata de la disponibilidad Por otra parte, el éxito de un  
sistema de abastecimiento automatizado depende directamente de la calidad y el fácil acceso a la  
información de los proveedores. Este módulo de “Proveedores” presentado en la figura 4, centraliza los  
datos necesarios para que los workflows de n8n puedan generar y comunicar las órdenes de compra.  
Figura 4. Pestaña para el registro de proveedores.  
Fuente. Elaboración propia. (2025).  
Esta pestaña es la base de datos maestra para las relaciones comerciales, permitiendo al operador Guardar,  
Actualizar, Eliminar y crear registros nuevos. Los campos obligatorios incluyen el Nombre del contacto,  
Teléfono, Dirección y la Razón Social.  
Asimismo, como tercera fase continuamos con la pestaña de “Clientes” (Figura 5) la cual es fundamental  
no solo para el registro de ventas, sino también para el análisis de demanda y la personalización del  
abastecimiento.  
Figura 5. Pestaña para el registro de clientes.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 170  
Artículo de Investigación Original  
Fuente. Elaboración propia (2025).  
Esta interfaz permite el registro y la gestión de la base de datos de los compradores, capturando la  
información como Nombre, Teléfono, Razón Social y Dirección. Similar a la pestaña de proveedores  
ofrece las funcionalidades estándar de Guardar, Actualizar, Nuevo Registro y Eliminar.  
Asimismo, el control de inventario no solo se enfoca en los productos agotados, sino también en los  
insumos que componen dichos productos. La pestaña “Insumos” (Figura 6) es crucial para gestionar la  
producción de la empresa.  
Figura 6. Pestañas de Insumos.  
Fuente. Elaboración propia (2025).  
Esta interfaz se utiliza para el registro y la gestión detallada de los insumos, esta pestaña contiene campos  
para capturar parámetros esenciales los cuales son: Código, Nombre, Precio Compra, Stock Mínimo y  
Stock Máximo, esto con el objetivo de llevar un control exacto sin errores humanos.  
A continuación, el módulo de "Almacén" (Figura 7) representa la interfaz central de consulta para el  
estado actual del inventario, consolidando la información de los insumos y los productos terminados en  
un solo punto de control. Esta pantalla ofrece una visión panorámica de los artículos en existencia,  
mostrando la Descripción, el Precio, el Proveedor asociado y el Stock actual. Las funcionalidades de  
Guardar, Actualizar, Eliminar, Nuevo y, crucialmente, Reporte, permiten la gestión directa de los registros  
de inventario.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 171  
Artículo de Investigación Original  
Figura. 7 pestaña para la información del almacén.  
Fuente. Elaboración propia (2025).  
Este módulo sirve como el principal punto de visualización del output del sistema de control de stock  
impulsado por n8n. No solo muestra el inventario, sino que también interactúa con los workflows de la  
siguiente manera: 1) Fuente de datos; 2) Generación de reportes automatizados; 3) Identificación de  
productos; 4) Distribución del reporte. El siguiente módulo que se muestra en la figura 8 es de suma  
importancia para mantener la integridad de los datos de inventario, ya que cada devolución representa un  
incremento en el stock como merma que debe reflejarse con precisión en el sistema, y por extensión, en  
la lógica de reabastecimiento de n8n.  
FASE DE ANÁLISIS DEL DESEMPEÑO OPERATIVO DEL PERSONAL  
Una vez consolidada la información del inventario y las transacciones comerciales a través de los módulos  
operativos descritos previamente, el sistema entra en una fase de análisis del desempeño operativo,  
orientada a evaluar el impacto del factor humano sobre la eficiencia del proceso comercial y logístico.  
Esta fase no introduce una nueva interfaz gráfica, sino que se apoya en los datos generados por los módulos  
de “Nueva Venta” y “Almacén”, los cuales son procesados mediante flujos automatizados en n8n para la  
obtención de indicadores cuantitativos de asistencia, productividad y compensación del personal.  
Índice de asistencia  
El índice de asistencia se calcula como la relación entre los días efectivamente laborados por el operador  
y los días laborales programados en el periodo de evaluación, excluyendo los días registrados como  
vacaciones:  
Este indicador permite identificar patrones de ausentismo y constituye la base para la aplicación de reglas  
de incentivos y control administrativo.  
Productividad individual  
La productividad del operador se define como el número de transacciones correctamente registradas en  
relación con los días efectivamente trabajados, de acuerdo con la siguiente expresión:  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 172  
Artículo de Investigación Original  
Este cálculo se ejecuta automáticamente mediante un workflow de n8n, el cual cruza los registros del  
módulo de ventas con los datos de asistencia, garantizando trazabilidad y consistencia en la evaluación  
del desempeño.  
Cálculo de compensación por desempeño.  
A partir de los indicadores anteriores, el sistema estima la compensación total del operador integrando un  
componente variable por productividad y un bono fijo por puntualidad:  
El bono por puntualidad se activa cuando el índice de asistencia supera el umbral establecido por la  
empresa. Es decir, en un periodo de 150 días laborales, el operador A con 142 días asistidos presenta un  
índice de:  
145/150 =0.97  
Al cumplir el criterio mínimo (0.95), el sistema asigna automáticamente un bono fijo de $150, el cual se  
suma al pago generado por productividad.  
Automatización del análisis  
Esta fase es gestionada mediante flujos automatizados que realizan la extracción de datos, la ejecución  
de cálculos matemáticos, la validación de reglas de negocio y la generación de reportes administrativos,  
fortaleciendo la toma de decisiones basada en datos y extendiendo el alcance del sistema más allá del  
control de inventarios.  
Figura 8. Pestaña de devoluciones de producto.  
Fuente. Elaboración propia (2025).  
Esta pestaña captura la información necesaria para procesar la reversión de una transacción. Los campos  
clave, como Código, Descripción y Cantidad a devolver, garantizan que el artículo correcto sea  
identificado y reingresado al inventario.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 173  
Artículo de Investigación Original  
Mientras que la "Nueva Venta" (Figura 3) indica una disminución de stock, la sección "Devolución" en  
esta interfaz activa un flujo de n8n que realiza la operación inversa, garantizando la precisión del control  
de stock: 1) Disparador de devolución donde el front-end envía un payload con el código y cantidad de  
producto que va a devolverse a un webhook de n8n; 2) Actualización de inventario; 3) Ajuste del  
historial de demanda.  
DISCUSIÓN Y ANÁLISIS DE RESULTADOS  
Los resultados obtenidos permiten analizar la forma en la que el sistema inteligente de abastecimiento  
desarrollado integra de manera eficiente los procesos internos de la PyME mediante automatización y  
generación de información estratégica, en concordancia con los resultados reportados en el estudio de  
automatización de adquisiciones mediante n8n desarrollados en PyMEs de Taiwán. Aunque durante el  
desarrollo se utilizaron diversos módulos como Nueva Venta, Proveedores, Insumos, Almacén y  
Devoluciones que construyen la base operativa del sistema, el análisis central se enfoca en las tres  
interfaces clave: Gestión de Reporte IA, Gestión y caja, Gestión y compras, debido a que representan de  
manera directa el funcionamiento consolidado del modelo inteligente. En primer lugar, la pantalla Titulada  
Gestión-Reporte IA muestra la capacidad para generar análisis automáticos a partir de los datos  
procesados por n8n.  
Figura 9. Pestaña de Gestión-Reporte IA.  
Fuente. Elaboración propia (2025).  
Por otro lado, la interfaz Gestión-Caja representa el núcleo transaccional del sistema en el cual cada venta  
se registra y actualiza le inventario de forma inmediata. Esta operación automatizada reemplaza el registro  
manual, históricamente propenso a errores en PyMEs mexicanas del sector alimentario, resultado que  
coincide con lo reportado en el estudio aplicado en el Banco Koperasi Syarih de Indonesia, donde se  
documentaron mejoras significativas en tiempos de respuesta y mejora operativa. Su relevancia radica en  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 174  
Artículo de Investigación Original  
que la caja no solo captura venta sino que también alimenta a n8n para mantener la sincronización en  
tiempo real dentro del inventario y los procesos de abastecimiento.  
Figura 10. Pestaña de Gestión-Caja.  
Elaboración propia (2025).  
En cuanto a la sección Gestión-Compras, esta representa el vínculo directo entre el inventario interno y  
la cadena externa de suministros función es crucial, ya que integra los niveles mínimos de insumos, los  
reportes generados por IA y la información de proveedores para activar órdenes de compra automáticas  
cuando el sistema requiere. Este tipo de articulación es coherente con prácticas documentadas en los  
estudios revisados,  
Figura 11. Pestaña Gestión de compras.  
Fuente. Elaboración propia (2025).  
Como parte del análisis se presentan los resultados derivados de la implementación técnica del sistema  
de abastecimiento, con énfasis en los componentes que permiten analizar su arquitectura funcional, la  
lógica de automatización y el flujo de datos entre los distintos elementos del modelo. En una segunda fase  
del análisis, se examinan tres representaciones gráficas adicionales que reflejan el funcionamiento  
estructural, operativo y lógico del sistema: la interfaz de control de acceso, el flujo de integración de la  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 175  
Artículo de Investigación Original  
plataforma n8n con el ERP y el esquema general de transformación de la información. Estas  
representaciones permiten describir los mecanismos de autenticación, la orquestación de procesos  
automatizados y la circulación estructurada de los datos dentro del sistema implementado.  
En primera instancia, la pantalla de inicio de sesión muestra la implementación de mecanismos básicos  
de control de acceso al sistema.  
Figura 12. Pestaña de Inicio de Sesión.  
Fuente. Elaboración propia (2025).  
Como se observa en la Figura 12, el sistema contempla autenticación mediante usuario y contraseña, lo  
cual contribuye a garantizar la integridad de la información y la trazabilidad de las acciones realizadas  
por los distintos operadores. Este resultado evidencia que el desarrollo consideró aspectos de seguridad  
desde su diseño inicial.  
En segundo lugar, el flujo que ilustra la integración de n8n con el ERP representa el núcleo del sistema  
automatizado.  
La Figura 13 permite identificar cómo las transacciones registradas en el ERP ventas, movimientos de  
inventario y consultas generan eventos que son procesados automáticamente por n8n. El flujo evidencia  
etapas clave como la entrada de datos, la activación de nodos, la actualización de inventarios y la  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 176  
Artículo de Investigación Original  
generación de reportes o alertas, lo que confirma que n8n funciona como un orquestador central de  
procesos y no como una herramienta aislada.  
Figura 13. Flujo que muestra cómo n8n se integra con el ERP.  
Fuente. Elaboración (2025).  
Finalmente, el esquema general de transformación de la información muestra el recorrido de los datos  
desde su origen hasta su utilización por la inteligencia artificial.  
Tal como se observa en la Figura 14, el sistema parte de datos estructurados en Excel, los cuales se integran  
en una base de datos relacional en MySQL para mejorar su organización y consistencia. Posteriormente,  
la información se distribuye en los módulos del sistema y se utiliza para generar análisis y alertas  
automatizadas. Este resultado evidencia que la automatización incorpora un componente predictivo que  
permite monitorear el estado del inventario y anticipar escenarios críticos, fortaleciendo la capacidad de  
respuesta operativa de la PyME, en concordancia con lo señalado por Arango Palacio (2021) en el análisis  
de la cadena de suministro del sector bananero colombiano mediante el uso de inteligencia artificial.  
Asimismo, la imagen explica que la integración de IA se desarrolló para permitir que la empresa monitoree  
su estado en cualquier momento y reciba alertas automáticas cuando los niveles de stock se aproximen a  
sus límites máximos o mínimos. Este resultado refleja que la automatización no se limita a responder  
operaciones, sino que incorpora un componente predictivo que mejora la capacidad de anticipación de la  
PyME. Se trata, por tanto, de un sistema capaz de analizar tendencias y apoyar decisiones estratégicas en  
tiempo real.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 177  
Artículo de Investigación Original  
Figura 14. Proceso de transformación.  
Fuente. Elaboración propia (2025).  
CONCLUSIONES  
El desarrollo e implementación del sistema inteligente de abastecimiento basado en n8n permitió  
evidenciar que la automatización low-code, combinada con elementos básicos de inteligencia artificial,  
constituye una estrategia poderosa y accesible para fortalecer la eficiencia operativa en PyMEs mexicanas  
del sector alimentario. En el caso concreto de la empresa dedicada al envasado de cacahuates, la solución  
superó con creces el simple registro tradicional de inventarios al incorporar funciones predictivas,  
controles automáticos y análisis de datos en tiempo real, lo que se tradujo en una notable elevación de la  
precisión logística y en la reducción significativa de errores recurrentes derivados de procesos manuales.  
Este avance confirma que herramientas de código abierto pueden generar valor estratégico comparable al  
de soluciones empresariales de alto costo.  
El análisis detallado de las interfaces centrales, Gestión-Reporte IA, Gestión-Caja y Gestión-Compras,  
evidenció que la digitalización integral transforma el abastecimiento en un sistema altamente articulado y  
confiable. Cada módulo funciona como un engranaje interdependiente que alimenta continuamente los  
flujos de trabajo programados en n8n, logrando actualización inmediata del inventario, generación  
automática de órdenes de compra y toma de decisiones basada en información objetiva y verificable.  
Asimismo, la integración fluida entre el ERP desarrollado y n8n, junto con la migración ordenada de datos  
desde hojas de Excel hacia una base relacional MySQL, potenció la capacidad predictiva del sistema,  
permitiendo anticipar faltantes, detectar tendencias de consumo y emitir alertas oportunas que garantizan  
la continuidad operativa.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 178  
Artículo de Investigación Original  
La aplicación de la metodología SALSA para la revisión sistemática de literatura puso de manifiesto la  
existencia de un vacío significativo en los estudios que documenten el uso de n8n en el contexto de PyMEs  
mexicanas, especialmente en la gestión de cadenas de suministro. Esta carencia refuerza el carácter  
innovador y la relevancia académica del presente trabajo, al ofrecer un modelo funcional, de bajo costo y  
completamente replicable que puede ser adoptado por empresas con recursos limitados sin depender de  
plataformas propietarias costosas. Así, la investigación no solo aporta evidencia práctica, sino que abre  
una línea de contribución valiosa para futuros estudios en transformación digital en entornos de escasos  
recursos.  
En síntesis, los resultados obtenidos permiten afirmar que la propuesta desarrollada constituye una  
alternativa factible, adaptable y alineada con las necesidades reales de las PyMEs del sector alimentario  
mexicano. Al integrar automatización, análisis inteligente y control operativo en una única arquitectura  
basada en n8n, el sistema fortalece la competitividad empresarial y promueve una gestión logística más  
sostenible, ágil y consistente. Este trabajo demuestra el enorme potencial de las herramientas open-source  
y low-code como catalizadores clave de la transformación digital, sentando las bases para su escalamiento  
y replicación en otros contextos empresariales nacionales.  
Con base en los avances alcanzados, se identifican las siguientes líneas de desarrollo: (1) incorporar  
algoritmos de aprendizaje automático para pronósticos de demanda más precisos basados en patrones  
históricos y estacionalidad; (2) integrar paneles visuales interactivos mediante Power BI o Grafana para  
monitoreo en tiempo real; (3) extender el sistema hacia la planificación automatizada de producción; (4)  
implementar sensores IoT para la captura directa de datos de inventario; (5) diseñar una API interna que  
facilite la escalabilidad e interoperabilidad; (6) realizar un análisis financiero detallado que cuantifique el  
retorno de inversión y ahorros operativos; y (7) replicar el modelo mediante pruebas piloto en PyMEs de  
distintos sectores, con el propósito de validar su versatilidad y contribuir a la adopción masiva de  
tecnologías de automatización en el ecosistema empresarial mexicano.  
De igual manera, el examen de las interfaces centrales Gestión-Reporte IA, Gestión-Caja y Gestión-  
Compras permitió constatar que la digitalización transforma el abastecimiento en un sistema articulado y  
confiable. Cada módulo opera como un componente interdependiente que alimenta los flujos programados  
en n8n, lo cual favorece la actualización inmediata del inventario, la generación de órdenes de compra sin  
intervención manual y la toma de decisiones sustentada en información verificable.  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 179  
Artículo de Investigación Original  
Por otra parte, la integración entre el ERP y n8n reveló que la automatización se convierte en un pilar para  
organizar, estructurar y operar los datos dentro de la empresa. La migración de información desde Excel  
hacia una base relacional, así como la conexión con motores de IA, incrementó la capacidad del sistema  
para anticipar faltantes, visualizar tendencias y emitir alertas oportunas que apoyan la continuidad del  
proceso productivo.  
REFERENCIAS  
Arango-Palacio, I. C. (2021). Oportunidades para la transformación digital de la cadena de suministro del  
sector bananero basado en software con inteligencia artificial. Revista Politécnica, 17(33), 47–63.  
https://doi.org/10.5281/zenodo.5526145  
Asociación Mexicana de la Industria de Tecnologías de Información. (2024). Reporte anual de adopción  
tecnológica en PyMEs mexicanas 2023–2024.  
Banco Interamericano de Desarrollo, & Finnovista. (2024). Fintech y transformación digital en las PyMEs  
de América Latina y el Caribe.  
Bryman, A., & Bell, E. (2015). Business research methods (4th ed.). Oxford University Press.  
Chang, H., Liu, Y., & Zhang, Q. (2025). Consideraciones técnicas y limitaciones en la implementación  
de arquitecturas de automatización basadas en IA en entornos productivos. Journal of  
Manufacturing Systems Engineering, 12(4), 112–130.  
Christopher, M. (2016). Logistics & supply chain management (5th ed.). Pearson.  
Comisión Económica para América Latina y el Caribe. (2024). La transformación digital de las PyMEs  
en América Latina: Oportunidades y desafíos post-pandemia.  
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods  
approaches (5th ed.). SAGE.  
Etikan, I., Musa, S. A., & Alkassim, R. S. (2016). Comparison of convenience sampling and purposive  
sampling. (Información de revista y volumen pendiente), (2), 89–107.  
García-Herrera, A., Martínez-López, F. J., & Vargas-Sánchez, A. (2025). Automatización low-code/no-  
code como catalizador de la competitividad en PyMEs: Evidencia desde México y España.  
(Información de revista pendiente).  
IDC México, & SAP. (2022, marzo 15). 76% de las pymes mexicanas no están inmersas en la economía  
de la experiencia. SAP News Latinoamérica. https://news.sap.com/latinamerica/2022/03/76-de-  
las-pymes-mexicanas-no-estan-inmersas-en-la-economia-de-la-experiencia/  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 180  
Artículo de Investigación Original  
Instituto Nacional de Estadística y Geografía. (2023). Encuesta Nacional sobre Disponibilidad y Uso de  
Tecnologías de la Información en las Empresas (ENDUTIH) 2023.  
López Nieto, S. R. (2023). Impacto de la tecnología en la generación de la industria 4.0 en las pymes:  
Estudio diagnóstico en empresas de la Ciudad de Puebla. RICEA Revista Iberoamericana de  
Contaduría, Economía y Administración, 12(24). https://doi.org/10.23913/ricea.v12i24.187  
Mejía Chávez, A. O., & Solleiro Rebolledo, J. L. (2024). Impacto de la vigilancia tecnológica en las pymes  
de  
la  
industria  
alimentaria.  
360:  
Revista  
de  
Ciencias  
de  
la  
Gestión,  
9(9).  
https://doi.org/10.18800/360gestion.202409.005  
Organización para la Cooperación y el Desarrollo Económicos. (2023). SMEs and entrepreneurship  
outlook 2023. OECD Publishing. https://doi.org/10.1787/6f9f9b3a-en  
Ramírez-Sanz, J. M., Morales-Contreras, M. F., & García-Muiña, F. E. (2024). Digitalización y resiliencia  
de las cadenas de suministro en PyMEs manufactureras: Un análisis post-COVID. Economía  
Industrial, 415, 89–102.  
Saunders, M., Lewis, P., & Thornhill, A. (2009). Research methods for business students (5th ed.).  
Pearson.  
Wali, M., Kumari, P., & Setiawan, R. (2025). Desafíos de adopción tecnológica y barreras operativas en  
cadenas de suministro digitales en países en desarrollo. International Journal of Logistics Systems  
and Management, 18(2), 89–107.  
TABLA TRABAJO COLABORATIVO  
Rol  
Autor (es)  
Conceptualización  
Metodología  
Domingo Noé Marrón Ramos  
Enrique de Jesús Mohedano Torres  
Aguilar Pérez Nahum  
Software  
Validación  
Joselin Hernández Islas  
Joselin Hernández Islas  
Enrique de Jesús Mohedano Torres  
Joselin Hernández Islas  
Karla Sherlyn Soní Ramírez  
Aguilar Pérez Nahum  
Análisis Formal  
Investigación  
Recursos  
Curación de datos  
Escritura - Preparación del borrador original  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 181  
Artículo de Investigación Original  
Escritura - Revisión y edición  
Visualización  
Aguilar Pérez Nahum  
Karla Sherlyn Soní Ramírez  
Domingo Noé Marrón Ramos  
Enrique de Jesús Mohedano Torres  
Domingo Noé Marrón Ramos  
Supervisión  
Administración de Proyectos  
Adquisición de fondos  
Edición 4 | Vol. 4 – Núm. 2 | enero – junio 2026 |  
Página 182  
Artículo de Investigación Original