[1]
;
Shakina, Elena
[1]
;
Gonzalez-Sanchez, Maria Beatriz
[1]
;
Berbel-Vera, Jose
[2]
Vigo, España
Valencia, España
La integración de la inteligencia artificial (IA) en la investigación académica constituye un instrumento de alto impacto para la gestión del conocimiento científico. A partir de ello, este artículo presenta una revisión de la literatura basada en datos que explora la intersección entre los sistemas de control de gestión (SCG) y la IA, mapea los principales clústeres temáticos, e identifica vacíos de investigación. Sobre la base de un corpus curado de artículos revisados por pares, publicados entre 2010 y 2025, se identificaron cinco clústeres temáticos principales; además, se evaluó en qué medida cada uno aborda la transparencia y la explicabilidad, preocupaciones centrales en la implementación de IA en contextos de SCG. Los hallazgos revelan que solo dos clústeres abordan explícitamente la IA explicable (XAI), lo que evidencia una importante laguna en la literatura. Este estudio ofrece una doble contribución: proporciona un mapeo sistemático de las investigaciones actuales sobre sistemas de control habilitados por IA, y propone una agenda de investigación que destaca la necesidad de un enfoque más integrado y transparente hacia la explicabilidad en contextos de toma de decisiones impulsados por IA. Además, el estudio demuestra la capacidad de las técnicas basadas en datos para orientar futuras investigaciones, subrayando el papel indispensable de la lectura crítica y del juicio humano en la aplicación de métodos de IA a la investigación académica.
The integration of artificial intelligence (AI) into academic research constitutes a high?impact instrument for managing scientific knowledge. Building on these capabilities, this paper presents a data?driven literature review that explores the intersection of management control systems (MCS) and AI, maps key thematic clusters, and identifies research gaps. Drawing on curated corpus of peer-reviewed articles published between 2010 and 2025, we identify five major thematic clusters and assess the extent to which each addresses transparency and explainability, core concerns in implementing AI within MCS contexts. Our findings reveal that only two clusters explicitly engage with explainable AI (XAI), revealing a significant research gap. This study offers a twofold contribution: it provides a systematic mapping of current research on AI-enabled control systems and proposes a research agenda that emphasizes the need for a more integrated and transparent approach to explainability in AI-driven decision-making contexts. The study further demonstrates the capacity of data?driven techniques to steer future inquiry, while simultaneously underscoring the indispensable role of critical reading and human judgment in the application of AI methods to scholarly research.
A integração da inteligência artificial (IA) na pesquisa acadêmica constitui uma ferramenta de alto impacto para a gestão do conhecimento científico. Com base nessas capacidades, este artigo apresenta uma revisão da literatura baseada em dados que explora a interseção entre sistemas de controle gerencial (SCG) e IA, mapeia os principais clusteres temáticos e identifica lacunas de pesquisa. Com base em um corpus selecionado de artigos revisados por pares, publicados entre 2010 e 2025, identificamos cinco clusteres temáticos principais e avaliamos em que medida cada um aborda a transparência e a explicabilidade, preocupações centrais na implementação de IA em contextos de SCG. Nossos resultados revelam que apenas dois clusteres abordam explicitamente a IA explicável (IAX), o que destaca uma importante lacuna significativa na literatura. Este estudo oferece uma dupla contribuição: fornece um mapeamento sistemático das pesquisas atuais sobre sistemas de controle habilitados por IA e propõe uma agenda de pesquisa que destaca a necessidade de uma abordagem mais integrada e transparente para a explicabilidade em contextos de tomada de decisão orientada por IA. Além disso, o estudo demonstra a capacidade das técnicas baseadas em dados para orientar futuras pesquisas, ao tempo em que destaca o papel indispensável da leitura crítica e do julgamento humano na aplicação de métodos de IA à pesquisa acadêmica.