Los enfoques cualitativos proporcionan marcos flexibles que pueden adaptarse a las necesidades del investigador. La fenomenología, por ejemplo, permite estudiar cómo los directivos suelen experimentar los procesos de innovación o crisis empresarial; la etnografía contribuye a la comprensión de la cultura y el comportamiento organizacional, tanto en grupos como de manera individual, y las rutinas de pequeñas y medianas empresas; los estudios narrativos permiten explorar trayectorias de liderazgo; y los estudios de caso proporcionan un marco para analizar fenómenos de organizaciones en particular a profundidad. El corazón del análisis cualitativo está en el proceso de codificación y categorización de los datos recopilados, desarrolla un marco para el análisis temático que ha sido muy utilizado en el campo de las ciencias administrativas y contables. Este incluye la transcripción de entrevistas -comúnmente capturadas en audio-, la codificación inicial de fragmentos de texto, la identificación de categorías emergentes y la construcción de patrones de interpretación que permiten explicar el fenómeno estudiado como un todo. En el campo de la contabilidad, contribuye a la identificación de la interpretación de los dilemas éticos en la práctica diaria del contador; cómo los valores organizacionales contribuyen a las distintas interpretaciones de lo que es la transparencia o la rendición de cuentas; la percepción de las auditorias como herramienta de gestión o como estrategia de vigilancia; incluso cómo las empresas y los contadores definen qué impactos sociales o sustentables reportar y el significado que le dan a los indicadores no financieros. La incorporación de IA al análisis cualitativo se ha mostrado especialmente útil en tres contextos clave: sector empresarial, sector educativo y sector social. En las empresas, la IA ha llegado a analizar datos de entrevistas en profundidad sobre innovación, liderazgo y cambio organizacional. Utilizar IA para el análisis cualitativo de datos proporciona eficiencia, sistematización y una amplia capacidad de replicabilidad o extender los procesos, su uso reduce el esfuerzo manual de investigador, permitiéndole trabajar a la vez con más datos sin perder rigor metodológico. A pesar de ello, también implica algunos riesgos. porque el uso de algoritmos puede llegar a reproducir sesgos si los datos de origen o con los que se entrena se encuentran sesgados. Por ello es necesario diversificar los datos para reducir estos sesgos, utilizando mecanismos de validación como la triangulación. Otra alerta es acerca de los dilemas éticos en torno a la confidencialidad y la autoría de los datos que analiza la IA. Es necesario establecer protocolos claros y trabajo interdisciplinario para integrar la ética en el desarrollo de la IA. Por lo que el consentimiento informado por parte de los participantes debería también explicitar el uso de la IA como herramienta de análisis por parte del investigador, para garantizar la transparencia hacia los participantes. Por ello, las próximas generaciones de investigadores cualitativos deben formarse en competencias digitales y adquirir un enfoque metodológico híbrido, combinando técnicas clásicas y modernas. Las capacidades tradicionales de codificación manual y de lectura humana actual se potencian con software que incorpora plug-ins de IA para analizar el discurso y crear códigos y temáticas. Algunos investigadores sugieren que la formación en Ciencias Administrativas y Contables debería de generar habilidades en inteligencia artificial y de ética digital. Esta integración es crucial para desarrollar profesionales capacitados para un futuro en el que las tecnologías serán aliadas y, a su vez, rivales. Metodológicamente, la IA está transformando la manera en que los investigadores de las ciencias administrativas y contables realizan trabajo de campo y análisis cualitativo. La representación de relaciones como redes conceptuales, la redacción automatizada con modelos como Whisper y el tratamiento con algoritmos de NLP hacen posible en semanas lo que antes tardaba meses o años en completarse. Y esto impacta directamente en la viabilidad de estudios a gran escala, en la replicabilidad de estudios y en la transparencia del proceso de investigación. Además, la posibilidad de usar codificación asistida reduce la carga cognitiva del investigador, permitiendo identificar categorías emergentes que podrían pasar inadvertidas en un análisis totalmente manual. Pero no hay que romantizar lo que la IA puede aportar sin evaluar los riesgos de su aplicación. Uno de los grandes problemas es que se pierden cosas en la traducción. El lenguaje humano está repleto de ambigüedades, ironía o significados implícitos que los algoritmos aún no pueden descifrar por completo. Si el análisis queda solo en manos de la IA, podrían obtenerse conclusiones simplistas o, peor aún, interpretaciones sesgadas. Cuando los modelos se entrenan con bases de datos que tienen sesgos, este riesgo s
