ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025

ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Jin Colchado Saldívar (Alumno) orcid.org/0000-0002-5150-1900 Ingeniería de Sistemas, Universidad Cesar Vallejo, Lima, Perú Wilfredo Eduardo Carranza Barrena (Asesor) orcid.org/0000-0003-0845-1984 Magíster, Universidad Cesar Vallejo, Lima, Perú Resumen La investigación evaluó un asistente conversacional IA (GPT-4, N8N, WhatsApp) en gestión de pedidos restaurante Lima Norte (2025). Diseño preexperimental pre-post, n=400 pedidos (200/fase: 20/08-30/10/2025). Indicadores operativos: entregas a tiempo (SLA≤50min), completas (todas líneas/cantidades), perfectas (a tiempo+completa+sin error registro). Resultados: entregas a tiempo 33.5%→80.0% (Z=10.60, p<0.001), completas 88.5%→94.5% (Z=2.16, p=0.016), perfectas 27.0%→73.5% (Z=10.48, p<0.001). Pruebas χ² confirman asociaciones faseresultado (p<0.001). Conclusión: IA optimiza procesos críticos delivery gastronómico, reduce errores captura, mejora confiabilidad operativa y satisfacción cliente. Alineado ODS 9 IndustriaInnovación. Palabras claves: Palabras clave: asistente IA, chatbot, gestión pedidos, restaurante, SLA, delivery, ODS 9 Palabras Clave: Artificial Intelligence Virtual Assistant for Optimizing Order Management in Gastronomic Company Lima North 2025 Abstract Research evaluated AI conversational assistant (GPT-4, N8N, WhatsApp) impact on order management Lima North restaurant (2025). Pre-experimental pre-post design, n=400 orders (200/phase: 08/20-10/30/2025). Operational indicators: on-time deliveries (SLA≤50min), complete (all lines/quantities), perfect (on-time+complete+error-free). Results: on-time 33.5%→80.0% (Z=10.60, p<0.001), complete 88.5%→94.5% (Z=2.16, p=0.016), perfect 27.0%→73.5% (Z=10.48, p<0.001). χ² tests confirm phase-result associations (p<0.001). Conclusion: AI optimizes critical gastronomic delivery processes, reduces data capture errors, improves operational reliability and customer satisfaction. Aligned SDG 9 Industry-Innovation. Keywords: AI assistant, chatbot, order management, restaurant, SLA, delivery, SDG 9 Introducción Durante los últimos años, el sector gastronómico ha experimentado presiones operativas significativas debido a la demanda creciente de servicios delivery y la necesidad de optimizar procesos manuales. Según el Instituto Nacional de Estadística e Informática (INEI), el sector comercial registró una contracción de aproximadamente 49.56% durante la crisis epidemiológica del COVID-19, obligando a empresas a digitalizar operaciones críticas (INEI, 2024). Esta ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 situación evidenció vulnerabilidades en procesos de gestión de pedidos, especialmente en horas pico, donde cuellos de botella manuales generan pérdidas de clientes y deterioro de ingresos. En la empresa focal de este estudio, ubicada en el distrito de Los Olivos (Lima Norte), el 80% de ventas corresponde a entregas delivery, todas gestionadas manualmente. Entre las 18:00 y 00:00 horas, horario de máxima demanda, el personal disponible resulta insuficiente, generando tiempos de respuesta prolongados, errores en registro de datos y pedidos incompletos. Zavala (2023) identifica que problemas similares en restaurantes de comida rápida ocasionan fuga de clientes, abandono de lealtad y pérdida de ingresos cuando las empresas carecen de implementación tecnológica. La literatura reciente demuestra viabilidad técnica de asistentes conversacionales IA para automatizar procesos transaccionales. Megha (2023) documentó que chatbots con procesamiento de lenguaje natural (PLN) y validaciones integradas logran 88.9% de precisión en clasificación de intenciones y reducen errores de registro frente a procesos manuales. Gupta (2022) reporta que asistentes con PLN automatizan toma de pedidos, reservas y consultas frecuentes con disponibilidad 24/7, reduciendo tiempos de atención y mejorando estandarización de datos. En contexto nacional, Minaya (2023) implementó asistente conversacional logrando incremento de satisfacción cliente 54.37%, retención 51.17% y valor promedio venta 57.17%, validando aplicabilidad en mercado peruano. La implementación de soluciones IA conversacionales responde a principios de la Teoría de Cadena de Suministro, que enfatiza optimización digital de flujos de información en tiempo real para mejorar eficiencia operativa (Tandfonline, 2023). Asimismo, el Modelo de Aceptación Tecnológica (TAM) sustenta que utilidad percibida y facilidad de uso determinan adopción de tecnología en usuarios (Davis, 1989). Estos marcos teóricos justifican diseño e implementación de asistente IA que capture estandarizada datos de pedido, valide información crítica y emita promesas de entrega con SLA (Service Level Agreement) definido. Objetivo general: Determinar el efecto de la implementación de asistente IA en gestión de pedidos de empresa gastronómica Lima Norte. Objetivos específicos: (OE1) Determinar efecto en % pedidos entregados a tiempo (SLA ≤50 min); (OE2) Determinar efecto en % pedidos completos (todas líneas y cantidades); (OE3) Determinar efecto en % pedidos perfectos (a tiempo + completo + sin error). Hipótesis general: Sistema IA mejora significativamente gestión de pedidos. Hipótesis específicas: (H1) IA incrementa pedidos a tiempo en fase POST vs PRE (p<0.05); (H2) IA incrementa pedidos completos POST vs PRE (p<0.05); (H3) IA incrementa pedidos perfectos POST vs PRE (p<0.05). El aporte del estudio radica en demostrar viabilidad operativa de soluciones IA conversacionales en pymes gastronómicas peruanas, con métrica clara de impacto en indicadores KPI críticos (entregas a tiempo, completitud, error-free). Contribuye al ODS 9 (Industria, Innovación e Infraestructura) mediante modernización de procesos críticos en sector gastronómico. ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Metodología de análisis y recolección de datos Tipo y Diseño de Investigación La presente investigación es de tipo aplicada con enfoque cuantitativo (Tur-Viés, 2023), que busca generar resultados verificables y generalizables mediante identificación de patrones y relaciones en datos. El diseño es preexperimental con comparación pre-post, apropiado cuando no se dispone de condiciones de control estrictas, pero se requiere medir efectos de una innovación tecnológica en grupo único (Hernández Sampieri, 2018). Participantes y Contexto Se trabajó con pedidos gestionados por empresa gastronómica ubicada en Lima Norte (distrito Los Olivos) durante período 20 de agosto al 30 de octubre de 2025. La población de estudio comprendió todos los pedidos registrados en ese período (N=700), distinguiéndose dos fases operativas claramente diferenciadas: fase PRE (anterior a implementación del asistente IA, 20/08-24/09/2025) y fase POST (posterior a implementación, 25/09-30/10/2025). Empresa seleccionada presenta características representativas: 80% de ventas vía delivery, horarios pico 18:00-00:00 horas, procesos previos 100% manuales en toma y gestión de pedidos. La muestra se determinó mediante fórmula para poblaciones finitas con nivel confianza 95%, margen error 5% y proporción esperada 50% (máxima variabilidad): n = Z²p(1-p)N / [E²(N1) + Z²p(1-p)] = (1.96)²(0.50)(0.50)(700) / [(0.05)²(699) + (1.96)²(0.50)(0.50)] = 249 pedidos mínimos. Para aumentar potencia estadística se seleccionaron 400 pedidos (200 PRE, 200 POST) mediante muestreo probabilístico aleatorio simple, garantizando representatividad de cada fase Criterios de Inclusión y Exclusión Inclusión: Pedidos con hora confirmación, hora prometida (con SLA confirmado ≤50 minutos) y hora entrega registrada. Exclusión: Cancelaciones, rechazos, sin hora entrega, duplicados y registros con datos críticos faltantes (hora confirmación, prometida o entrega). Recolección de Datos: Técnica e Instrumentos Se empleó técnica de fichaje operativo, entendida como registro sistemático y estructurado de transacciones operativas para medición de indicadores antes y después de intervención. El instrumento fue ficha de extracción de datos del sistema de gestión interno de empresa, que registró detalladamente: ● Hora de confirmación del pedido (HH:MM) ● Hora prometida de entrega (HH:MM), basada en SLA de 50 minutos ● Hora real de entrega (HH:MM) ● Bandera binaria "Completo" (1=todas líneas y cantidades entregadas; 0=faltante parcial) ● Bandera binaria "Sin error" (1=registro sin inconsistencias; 0=error de captura, dirección, producto). ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 La recolección se realizó en ambas fases pre y post-intervención, extrayendo datos directamente del sistema transaccional de empresa, garantizando trazabilidad y reduciendo sesgo de medición. Antes del análisis se aplicaron controles de calidad: validación coherencia temporal (no inversión de horas), detección duplicados, validación formatos, verificación criterios inclusiónexclusión y trazabilidad de cada registro. Derivación de Indicadores A partir de datos recolectados se derivaron indicadores operativos según lógica binaria: 1. Pedido A Tiempo: Cuando hora entrega ≤ hora prometida (binario: 1=Sí, 0=No). SLA considerado 50 minutos desde confirmación. 2. Pedido Completo: Cuando todas líneas de producto y cantidades fueron entregadas sin faltantes (binario: 1=Sí, 0=No). 3. Pedido Perfecto: Cuando simultáneamente A Tiempo=1 Y Completo=1 Y Sin Error=1 (lógica AND), representa cumplimiento integral de promesa de servicio. Procedimientos y Operacionalización de Variables Variable Independiente: Sistema Chatbot con Inteligencia Artificial (implementación). Definida como asistente conversacional basado en GPT-4 (OpenAI), orquestado en plataforma N8N, integrado a WhatsApp Business API, con capacidad de procesar lenguaje natural (PLN), identificar intenciones de cliente, extraer entidades (producto, cantidad, dirección), validar datos críticos contra reglas negocio y emitir promesa de entrega con SLA confirmado. Intervención aplicada únicamente fase POST. Variable Dependiente: Gestión de Pedidos, operacionalizada mediante tres indicadores KPI: porcentaje pedidos a tiempo, porcentaje pedidos completos y porcentaje pedidos perfectos. Medida en ambas fases (PRE y POST) para cálculo de efecto (diferencia y significancia estadística). Análisis Estadístico Para comparación pre-post se aplicaron pruebas de diferencia de proporciones (Test Z) para cada indicador con intervalo confianza 95% (α=0.05). Hipótesis nula: no hay diferencia en proporciones entre fases. Para validar independencia fase-resultado se utilizó prueba χ² (chi-cuadrado) con tablas de contingencia 2×2. Se calculó tamaño efecto (h de Cohen) para interpretar magnitud práctica de cambios. Análisis ejecutado en SPSS v26. Validez y Confiabilidad Dado que instrumento es ficha extracción datos operativos automatizados (no cuestionario psicométrico), no fue necesario juicio expertos ni análisis consistencia interna. Validación se realizó mediante: (a) pruebas piloto con 50 registros iniciales para verificar coherencia de extracción, (b) reglas validación automatizada en base datos (constraints temporales y lógicos), (c) revisión manual aleatoria 10% registros para asegurar precisión extracción. Consideraciones Éticas ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Se obtuvo aprobación formal empresa (carta consentimiento) para acceso datos transaccionales y comunicación de resultados. Datos anonimizados, sin identificación clientes finales o personal. Cumple principios confidencialidad y protección información sensible empresarial. ¹ Empresa seleccionada por conveniencia operativa pero representativa de restaurantes comida rápida con modelo delivery en Lima Norte. ² Datos extraídos de sistema interno; no requirió contacto directo con clientes o staff operativo durante recolección. Resultados En esta sección se presentan los datos y resultados más representativos, categorizados según la información recolectada en fase PRE y POST. Se muestra el análisis de la información según metodología preexperimental seleccionada y, por tanto, los resultados del estudio. Estadísticos Descriptivos Fase PRE En la fase previa a la implementación del asistente IA (20/08-24/09/2025) se analizaron 200 pedidos. La Tabla 1 presenta estadísticos descriptivos de los tres indicadores operativos evaluados. Tabla 1Estadísticos Descriptivos de los Indicadores Fase PRE Nota. Fase PRE: 20/08-24/09/2025. n=200 pedidos. Indicadores operativos basados en SLA 50 minutos, completitudes líneas/cantidades, y ausencia error registro. Fuente: Datos empresa gastronómica Lima Norte. Estadísticos Descriptivos Fase POST En la fase posterior a implementación del asistente IA (25/09-30/10/2025) se analizaron 200 pedidos adicionales. La Tabla 2 presenta resultados en mismos indicadores. Tabla 2 Estadísticos Descriptivos Fase POST Comparación PRE-POST y Pruebas de Significancia La Tabla 3 resume las comparaciones entre fases y presenta resultados de pruebas estadísticas de diferencia de proporciones (Test Z) e independencia (χ²) con intervalo confianza 95% (α=0.05). ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Nota. Δ = diferencia en puntos porcentuales. Test Z de proporciones, α=0.05. *p<0.05; **p<0.001. Todas las comparaciones resultan estadísticamente significativas. Tamaño efecto (h de Cohen): A Tiempo h=0.98 (grande); Completo h=0.22 (pequeño); Perfecto h=0.97 (grande). Fuente: Análisis SPSS v26. Pruebas de Independencia χ² (Chi-Cuadrado) Para validar independencia entre fase de implementación (PRE vs POST) y resultado en cada indicador, se aplicaron pruebas de chi-cuadrado con tablas de contingencia 2×2. Los resultados confirman que el cambio de fase está asociado significativamente con mejora en cada indicador. Tabla 3 Prueba de Independencia χ² - Pedidos A Tiempo χ² (1, N=400) = 112.36, p < 0.001. Asociación muy significativa entre fase y cumplimiento SLA. Tabla 4 Prueba de Independencia χ² - Pedidos Completos χ² (1, N=400) = 4.68, p = 0.031. Asociación significativa entre fase y completitud. ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Tabla 5 Prueba de Independencia χ² - Pedidos Perfectos χ² (1, N=400) = 109.84, p < 0.001. Asociación muy significativa entre fase y ejecución perfecta de pedidos. Síntesis de Hallazgos Los resultados demuestran mejoras sustantivas en los tres indicadores operativos evaluados. La implementación del asistente IA produjo: • Aaumento de 46.5 puntos porcentuales en entregas a tiempo (33.5% → 80.0%), con tamaño efecto grande (h=0.98) y significancia estadística muy alta (p<0.001). • Aumento de 6.0 puntos porcentuales en entregas completas (88.5% → 94.5%), con tamaño efecto pequeño (h=0.22) pero significancia estadística (p=0.016). • Aumento de 46.5 puntos porcentuales en entregas perfectas (27.0% → 73.5%), con tamaño efecto grande (h=0.97) y significancia estadística muy alta (p<0.001). Todas las hipótesis específicas fueron corroboradas (H1, H2, H3; p<0.05). Las pruebas χ² confirman que la fase de implementación (PRE vs POST) es factor significativamente asociado con mejora en resultados operativos, validando efectividad del asistente IA para optimizar gestión de pedidos en contexto gastronómico. Discusión y conclusiones Resumen General de Resultados La investigación evaluó el impacto de la implementación de un asistente conversacional basado en inteligencia artificial (GPT-4, N8N, WhatsApp) en la gestión de pedidos de una empresa gastronómica ubicada en Lima Norte. Los resultados demuestran que la solución IA produjo mejoras estadísticamente significativas en los tres indicadores operativos críticos evaluados: entregas a tiempo (46.5 pp), entregas completas (6.0 pp) y entregas perfectas (46.5 pp), todas con p<0.001 o p<0.05. Estas mejoras fueron validadas mediante pruebas Z de proporciones y χ² de independencia con intervalo confianza 95%, corroborando las tres hipótesis específicas planteadas. Análisis por Indicador Operativo ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Entregas a Tiempo (SLA ≤50 minutos). El indicador de entregas a tiempo experimentó incremento de 46.5 puntos porcentuales (33.5% PRE → 80.0% POST), con tamaño efecto muy grande (h=0.98) y significancia estadística extrema (Z=10.60, p<0.001). Este resultado refleja que la automatización conversacional del asistente IA generó captura estandarizada de datos de pedido y emisión de promesa de entrega (ETA) predefinida y confirmada al cliente en tiempo real, eliminando demoras de procesamiento manual. Estos hallazgos coinciden directamente con investigaciones precedentes. Gupta (2022) reportó que "chatbots con PLN automatizan funciones recurrentes como toma de pedidos, reservas y preguntas frecuentes con disponibilidad 24/7, reduciendo tiempos de respuesta" (Gupta, 2022, p.120). Liu et al. (2023) enfatiza que predictores de tiempo de viaje mejoran puntualidad en última milla; nuestro asistente implementó lógica análoga al confirmar SLA de 50 minutos como regla de negocio. Megha (2023) documentó que "automatización del primer contacto resulta clave para sostener calidad servicio en horas pico" (Megha, 2023, p.46); nuestros datos validan que disponibilidad 24/7 del chatbot descongestiona períodos de máxima demanda. Entregas Completas (Todas líneas y cantidades). El indicador de entregas completas mejoró 6.0 puntos porcentuales (88.5% PRE → 94.5% POST), con tamaño efecto pequeño (h=0.22) pero significancia estadística confirmada (Z=2.16, p=0.016). Aunque la línea base PRE era alta, el asistente IA logró reducción de faltantes mediante validación automática de productocantidad contra inventario y confirmación doble antes de cierre de pedido. Este resultado complementa hallazgo de Megha (2023), que documentó "importancia de confirmaciones automáticas y resúmenes de pedido antes de registrar para reducir errores de captura" (Megha, 2023, p.46). Nuestro asistente implementó esta práctica mediante iteración conversacional: usuario solicita → bot confirma cantidad → bot verifica disponibilidad → bot resume → usuario confirma. La mejora modesta en completitud (vs. muy alta en puntualidad) sugiere que completitud es menos sensible a automatización conversacional cuando procesos de picking y embalaje conservan ineficiencias manuales. Esta limitación refleja alcance del estudio: el asistente IA optimiza captura y promesas, pero no controla ejecución downstream de preparación física. Entregas Perfectas (A tiempo + Completo + Sin error). El indicador de entregas perfectas registró incremento de 46.5 puntos porcentuales (27.0% PRE → 73.5% POST), con tamaño efecto muy grande (h=0.97) y significancia extrema (Z=10.48, p<0.001). Este resultado es especialmente relevante porque integra las tres dimensiones de "promesa cumplida": tiempo, integridad y exactitud de datos. Minaya (2023) implementó asistente conversacional logrando "incremento satisfacción cliente 54.37%, retención 51.17% y valor promedio venta 57.17%" (Minaya, 2023, p.52). Nuestro resultado de 73.5% de pedidos perfectos POST es coherente con estas cifras. Velsquez Vara (2023) identificó que "cumplimiento de tiempos de entrega y entregas sin errores son determinantes clave de satisfacción cliente e intención de recompra" (Velsquez Vara, 2023, p.48), lo cual nuestros datos validan cuantitativamente. Comparación con Literatura y Validación Teórica Marco de Cadena de Suministro. ASISTENTE VIRTUAL CON INTELIGENCIA ARTIFICIAL PARA OPTIMIZAR LA GESTIÓN DE PEDIDOS EN EMPRESA GASTRONÓMICA LIMA NORTE 2025 Los resultados se alinean con principios teóricos. Tandfonline (2023) enfatiza que "integración de tecnología digital con análisis datos en tiempo real mejora eficiencia operativa y facilita toma de decisiones proactivas" (Tandfonline, 2023, p.175). Nuestro asistente IA implementó: captura datos en tiempo real → valida contra reglas negocio → emite promesa basada en capacidad real → actualiza estado disponible. Este flujo digital redujo fricciones y errores del procesamiento manual. Marco TAM (Tecnología Aceptación). Davis (1989) plantea que utilidad percibida y facilidad de uso determinan adopción tecnológica. En nuestro contexto, el asistente IA demostró alta utilidad percibida (reducción 46.5% en entregas tardías valida mejora tangible) y facilidad de uso (interfaz WhatsApp requiere solo texto conversacional, sin curva aprendizaje). El indicador objetivo de perfección pedidos (73.5%) sugiere que sistema fue efectivo en facilitar transacciones sin fricción. Validación del Método: Alcances y Limitaciones Alcances y Limitaciones Fortalezas Metodológicas. (1) Diseño preexperimental con n robusto: aunque sin grupo control, n=400 pedidos proporcionan potencia estadística considerable. Pruebas Z significativas con p<0.001 validan que efectos no son azarosos. (2) Medición objetiva: indicadores basados en datos transaccionales del sistema evitan sesgo subjetivo. (3) Control temporal: separación clara PRE vs POST asegura que cambios corresponden a intervención. (4) Validación independencia: pruebas χ² confirman que fase es factor asociado significativamente. Limitaciones Importantes. (1) Ausencia grupo control: impide aislar efecto IA de cambios contextuales simultáneos. (2) Contexto único: resultados en empresa específica; generalización a restaurantes presencial-dominante u otros modelos requiere validación adicional. (3) Intervalo temporal corto: 6 semanas insuficiente para evaluar sostenibilidad, fatiga de sistema o aprendizaje cliente. (4) Alcance limitado: sistema optimizó captura datos pero no controló picking, embalaje o logística última milla. (5) Sin ROI: no se evaluó inversión vs. ahorros económicos. (6) Variables no controladas: variabilidad demanda, turnos, cambios menú no medidos. Síntesis Interpretativa Los resultados validan que soluciones IA conversacionales son altamente efectivas para automatizar procesos transaccionales repetitivos en gastronomía delivery, específicamente en captura estandarizada, validación y comunicación SLA. La mejora muy significativa en puntualidad (46.5 pp) sugiere que cuellos de botella manuales en "primer contacto" eran limitantes críticas. Sin embargo, la mejora modesta en completitud (6.0 pp) indica que gastronomía delivery requiere automatización de otros procesos downstream. El asistente IA es componente necesario pero insuficiente de solución end-to-end. CONCLUSIONES La implementación de un asistente conversacional basado en inteligencia artificial mejora significativamente la gestión de pedidos en empresa gastronómica con modelo delivery en Lima Norte. Específicamente, el asistente IA incrementó estadísticamente: entregas a tiempo (33.5% → 80.0%, p<0.001), entregas completas (88.5% → 94.5%, p=0.016) y entregas perfectas (27.0% → 73.5%, p<0.001). Estos resultados validan las hipótesis planteadas (H1, H2, H3) y demuestran