El nuevo problema del innovador
Por qué la inteligencia artificial lo transforma
Durante años, la innovación se ha contado como una historia de iluminación. El genio, su momento aha, y chas,… el resto es historia.
Una persona brillante ve algo que los demás no ven. Una empresa pequeña desafía a un gigante dormido. Una tecnología marginal, imperfecta y casi ridícula acaba conquistando el centro del mercado. Primero se ríen de ella. Después la ignoran. Luego empiezan a preocuparse. Y cuando quieren reaccionar, ya es tarde.
La narrativa funciona porque tiene algo de mito fundacional. Nos gusta pensar que la innovación nace de la genialidad, del instinto, del garaje, de la rebeldía o de esa mezcla tan humana de curiosidad, terquedad y falta de respeto por lo establecido.
Pero Clayton Christensen vino a decir algo bastante menos romántico y mucho más incómodo: muchas veces los incumbentes no caen porque sean tontos. Caen precisamente porque hacen lo que se supone que tienen que hacer.
Escuchan a sus mejores clientes, protegen sus márgenes, asignan recursos a los negocios más rentables, mejoran sus productos. Optimizan el sistema que les ha llevado hasta allí. Y entonces pierden.
Esa es la belleza cruel del problema (dilema) del innovador: no describe el fracaso de empresas mal gestionadas, sino el fracaso de empresas bien gestionadas dentro de unas circunstancias que han cambiado.
La intuición central de Solución de los Innovadores es que la innovación no tiene por qué ser una caja negra. No es puro azar. No es solo “probar cosas” hasta que alguna funcione. Christensen defendía que, si entendemos bien la circunstancia, podemos aumentar mucho la probabilidad de crear nuevos negocios de crecimiento.
No porque podamos predecir el futuro con una bola de cristal.
Sino porque podemos entender las fuerzas que empujan a cada actor a comportarse de una forma determinada.
Los líderes establecidos tienden a subir hacia los clientes más rentables. Las tecnologías suelen mejorar más rápido de lo que muchos clientes necesitan. Los productos que al principio parecen malos, baratos o insuficientes pueden acabar siendo “suficientemente buenos”. Y cuando eso ocurre, la batalla ya no se libra en el terreno del rendimiento, sino en el de la conveniencia, el precio, la accesibilidad o la integración.
La disrupción no empieza ganando al líder en su propio terreno. Empieza cambiando el terreno.
La innovación y las circunstancias
Una de las ideas más potentes de Christensen es que no hay buenas estrategias en abstracto. Hay estrategias adecuadas para una circunstancia concreta.
Una innovación sustentadora mejora lo que ya existe. Hace que el producto sea más rápido, más potente, más seguro, más sofisticado o más rentable para los mejores clientes del mercado. En ese tipo de batalla, el incumbente suele tener ventaja. Tiene marca, canal, capital, clientes, distribución, conocimiento acumulado y capacidad de ejecución.
La innovación disruptiva juega a otra cosa.
No intenta impresionar al mejor cliente del líder. Al principio, casi siempre parece peor. Menos completa. Menos elegante. Menos potente. Menos seria. Pero tiene una virtud: permite que alguien que antes no podía consumir empiece a hacerlo.
Y aquí el no-consumo es clave.
Una miniacería no empieza compitiendo por las vigas estructurales más exigentes. Empieza por el acero más básico. Un ordenador personal no empieza compitiendo con el mainframe en el centro de datos. Empieza como algo casi doméstico, casi juguetón, casi irrelevante. Una cámara digital no convence primero al fotógrafo profesional obsesionado con la calidad óptica. Seduce a quien quiere ver la foto al instante.
La pregunta no es: “¿esta tecnología es mejor?”.
La pregunta es: “¿para quién es suficientemente buena por primera vez?”.
Y aquí aparece otra pieza fundamental: los clientes no compran productos; los contratan para hacer un trabajo.
Esto, que parece una frase de McKensey, es bastante más profundo de lo que parece. No compras un taladro porque quieras un taladro. Lo compras porque quieres un agujero en la pared. O ni siquiera eso: lo compras porque quieres colgar una estantería, ordenar una habitación o sentir que por fin has puesto algo de control en tu casa.
El famoso ejemplo del batido de leche lo explica muy bien. Hay clientes que no “compran un milkshake”. Lo compran por la mañana para hacer más llevadero un trayecto aburrido en coche. Quieren algo que dure, que se pueda consumir con una mano y que haga compañía. Ese mismo producto, por la tarde, puede estar haciendo otro trabajo completamente distinto: dar un pequeño premio a un niño.
Mismo producto. Trabajos distintos. Competidores distintos.
Criterios de éxito distintos.
Esta idea es crucial para entender la IA actual. Porque buena parte de la conversación sobre inteligencia artificial sigue atrapada en una pregunta demasiado pobre: “¿es mejor que un humano?”.
Y quizá esa no sea la pregunta.
La pregunta, quién sabe, debería ser otra: “¿qué trabajos puede hacer ahora la IA suficientemente bien para personas, equipos u organizaciones que antes no podían hacerlos en absoluto?”.
Os suena de algo, esto huele a IA Generativa que echa para atrás.
La IA como innovación sustentadora
Para muchas empresas, la IA está entrando como innovación sustentadora.
Sirve para hacer más rápido lo que ya hacíamos.
En este terreno, los grandes actores tienen ventaja. Las grandes tecnológicas tienen datos, infraestructura, distribución, relaciones empresariales, capacidad comercial, ecosistemas de partners y músculo financiero. Las empresas consolidadas pueden incorporar IA a sus productos actuales y venderla como una mejora natural.
Esto es importante, útil y económicamente enorme. Pero no necesariamente disruptivo en el sentido fuerte del término. Muchas veces es una mejora del producto existente para el cliente existente, cobrada a través del canal existente y justificada con el lenguaje existente.
Es IA como turbo. No como cambio de motor.
Y aquí las compañías establecidas se sienten relativamente cómodas. Pueden añadir una capa de inteligencia artificial a su oferta, empaquetarla, securizarla, gobernarla, integrarla y venderla. Pueden hacer lo que mejor saben hacer: convertir una novedad tecnológica en una línea de producto defendible.
Pero el momento verdaderamente interesante no está solo ahí.
Está en los lugares donde la IA convierte en consumidores a quienes antes estaban fuera del mercado. Lo hemos visto con ejemplos como ChatGPT o Claude.
La IA como disrupción de nuevos mercados
Pensemos en alguien que antes no sabía programar y ahora puede construir una pequeña aplicación con ayuda de un asistente. No va a competir con un equipo profesional de ingeniería. Al menos no al principio. Pero quizá puede resolver un problema interno, automatizar una tarea o prototipar una idea sin pedir permiso ni presupuesto.
Pensemos en una pyme que nunca habría podido pagar un equipo de analistas y ahora puede interrogar sus datos con lenguaje natural.
Pensemos en un investigador sin acceso a una gran infraestructura que puede explorar hipótesis, generar simulaciones preliminares o revisar literatura a una escala antes impensable.
Pensemos en un estudiante que no tiene un tutor privado, pero sí un sistema capaz de explicarle un concepto de cinco formas distintas hasta que una encaja.
Pensemos en un creador que no tiene estudio, equipo de edición, diseñador, corrector ni productor, pero puede lanzar algo que antes habría requerido una pequeña organización.
Aquí la IA no mejora un producto existente para clientes sofisticados.
Aquí convierte a no-consumidores en consumidores.
La trampa está en despreciar estos usos porque parecen pequeños, imperfectos o poco profesionales. Esa es precisamente la forma en la que las disrupciones suelen entrar. No llegan diciendo: “voy a sustituir tu negocio principal mañana”. Llegan diciendo: “soy una herramienta un poco cutre para alguien que antes no podía hacer nada”.
Luego mejoran. Y cuando mejoran lo suficiente, hay veces que es imparable.
El problema del innovador en la era de los modelos razonadores
Hasta ahora, muchas empresas han observado la IA desde una lógica de productividad.
¿Cuánto tiempo ahorra?
¿Cuántos costes reduce?
Son preguntas razonables. Pero quizá son preguntas demasiado de empresa incumbente.
La pregunta más peligrosa es otra: ¿qué parte de mi negocio parecía protegida porque requería una capacidad escasa que ahora empieza a estar disponible como servicio?
Durante mucho tiempo, el conocimiento experto ha sido una barrera. Saber programar. Saber analizar datos. Saber escribir bien. Saber diseñar. Saber investigar. Saber razonar sobre un problema técnico. Saber explorar un espacio de soluciones.
La IA no elimina esas capacidades. Pero cambia su escasez relativa.
Y cuando cambia la escasez, cambia la estructura del mercado.
Si generar una propuesta se vuelve barato, el valor se desplaza.
Antes, muchas organizaciones eran valiosas porque sabían producir opciones. Ahora, producir opciones empieza a ser abundante. Lo difícil pasa a ser elegir, verificar, integrar y asumir responsabilidad por una opción.
Esto se ve muy bien en ciencia.
El caso reciente de Donald Knuth y Claude’s Cycles es fascinante no porque “la IA haya hecho ciencia” ni porque “todo siga igual”. Es fascinante porque obliga a mirar el proceso con más precisión.
Un humano plantea una pregunta.
Un modelo propone opciones.
Un verificador filtra.
Un humano decide qué merece hacer progresar.
El descubrimiento no está solo en el modelo. Tampoco está solo en la persona. Está en el bucle.
Y ese bucle no es completamente nuevo. La matemática asistida por ordenador lleva décadas conviviendo con nosotros. El teorema de los cuatro colores ya incomodó a la comunidad matemática en los años setenta porque exigía confiar en una verificación computacional que ningún humano podía revisar paso a paso de la forma tradicional. La diferencia actual no es que las máquinas entren por primera vez en la ciencia. La diferencia es que ahora el puesto de “proponente” lo puede ocupar un modelo generalista, flexible, barato y sorprendentemente capaz.
Esto cambia el ritmo.
Pero no elimina el cuello de botella.
Lo desplaza.
El cuello de botella ya no es proponer, es verificar
Aquí está, para mí, la conexión más interesante entre Christensen y el momentum actual de la IA.
En el viejo problema del innovador, las empresas fallaban porque sus procesos de asignación de recursos filtraban las oportunidades disruptivas. La estrategia real no era la que aparecía en los PowerPoints, sino la que sobrevivía al presupuesto, a los comités, a los incentivos, a los márgenes esperados y a la presión del negocio principal.
En el nuevo problema del innovador, las organizaciones pueden fallar por otro motivo: porque tendrán más ideas, propuestas, prototipos, papers, diseños, hipótesis y planes de los que son capaces de verificar.
La abundancia de propuestas puede parecer una bendición. Y lo es. Pero también puede ser una forma nueva de ruido.
Si un modelo puede generar cien hipótesis, mil diseños o diez mil variantes de un paper, el problema no es generar. El problema es saber qué vale, qué es verdadero, qué es útil, qué es seguro, qué encaja con el contexto y qué merece recursos.
La revisión por pares, tal y como está diseñada, ya iba justa antes de la IA. Lenta, desigual, dependiente de reputaciones, saturada de incentivos cruzados y con una relación complicada con la novedad real. Si encima añadimos una máquina capaz de producir textos plausibles, experimentos preliminares y resultados con apariencia de rigor, la presión sobre el sistema se dispara.
Más papers no significa más ciencia.
Más propuestas no significa más innovación.
Más pilotos no significa más transformación.
Más IA no significa más inteligencia organizativa.
Goodhart aparece en la puerta con una sonrisa.
Cuando una métrica se convierte en objetivo, deja de ser una buena métrica. Si premiamos número de publicaciones, tendremos publicaciones. Si premiamos número de casos de uso, tendremos casos de uso. Si premiamos número de pilotos de IA, tendremos pilotos de IA. Si premiamos productividad aparente, tendremos productividad aparente.
El riesgo no es que la IA no proponga.
El riesgo es que proponga demasiado bien para sistemas que verifican demasiado mal.
El riesgo subyacente realmente son los incentivos que establezcamos detrás de la tecnología.
El verificador como ventaja competitiva
Esto tiene una consecuencia estratégica enorme.
En la próxima fase de la IA, la ventaja no estará solo en tener acceso al mejor modelo. Estará en tener el mejor sistema de verificación.
En ciencia, el verificador puede ser Lean, un experimento físico, una réplica independiente, una medición con error conocido o un protocolo pre-registrado.
En una empresa, el verificador puede ser otra cosa. KPIs, datos, comités,…
Capaz de decir “esto no funciona” aunque el resultado sea espectacular.
La IA es muy buena generando demos. Y una demo buena puede ser peligrosísima, porque activa nuestra imaginación antes de activar nuestro juicio.
En los próximos años veremos muchas organizaciones confundiendo demostrabilidad con valor. Que algo se pueda enseñar en una pantalla no significa que resuelva un problema real. Que un agente complete una tarea en un vídeo no significa que pueda operar con fiabilidad en producción. Que un modelo razone bien en un benchmark no significa que entienda el contexto de tu negocio. Que un sistema produzca una respuesta convincente no significa que esa respuesta sea cierta.
La pregunta que deberíamos hacer ante cualquier iniciativa de IA no es solo: “¿qué puede hacer?”.
La pregunta seria es: “¿cómo sabemos que lo ha hecho bien?”.
Y justo después: “¿quién responde cuando no lo haga?”.
La asignación de recursos sigue siendo la estrategia real
Christensen insistía en que la estrategia real de una empresa no es lo que declara su comité de dirección. Es lo que acaba recibiendo recursos.
Esto encaja de forma casi dolorosa con la IA.
Hoy todas las empresas dicen que la IA es estratégica. Todas quieren explorarla. Todas quieren formar a sus equipos. Todas quieren identificar casos de uso. Todas quieren “transformarse”.
Pero la realidad no es qué dicen. La realidad es dónde ponen los recursos.
¿Están financiando solo mejoras sustentadoras del negocio actual?
¿O están creando espacios donde explorar usos que todavía parecen pequeños, raros o poco rentables?
¿Están midiendo la IA solo por ahorro de costes?
¿O están buscando nuevos mercados, nuevos clientes y nuevos trabajos por hacer?
¿Están comprando herramientas?
¿O están rediseñando procesos?
¿Están formando a la gente para usar prompts?
¿O están formando a la gente para plantear mejores preguntas y construir mejores verificadores?
Esta última diferencia me parece clave.
Durante 2023 y 2024, buena parte del discurso se centró en aprender a preguntar a la IA. Era lógico. Había que entender la interfaz. Había que aprender a dialogar con modelos. Había que descubrir qué eran capaces de hacer.
Pero la siguiente alfabetización no será solo el prompting. Será la verificación.
Saber trabajar con IA no consistirá únicamente en obtener una respuesta. Consistirá en diseñar un proceso donde esa respuesta pueda ser contrastada, mejorada, descartada o convertida en acción con garantías suficientes.
El profesional valioso no será el que genere más outputs. Será el que sepa cerrar mejor el bucle.
Interdependencia, modularidad y la nueva cadena de valor
Otra idea muy potente de El Dilema de los Innovadores es la tensión entre interdependencia y modularidad.
Cuando una tecnología todavía no es suficientemente buena, las soluciones integradas suelen tener ventaja. Hay que controlar muchas piezas a la vez para exprimir rendimiento. La arquitectura cerrada, propietaria e interdependiente permite optimizar el conjunto.
Pero cuando el rendimiento empieza a sobrar, la industria se modulariza. Las piezas se estandarizan. Aparecen especialistas. El dinero se desplaza hacia los lugares donde todavía hay problemas difíciles.
Esto también está pasando con la IA.
Al principio, el valor parecía concentrado en el modelo fundacional. Tener el modelo más capaz era la frontera. Más parámetros, más datos, más cómputo, más contexto, más razonamiento.
Pero a medida que los modelos se vuelven suficientemente buenos para muchas tareas, el valor empieza a moverse hacia otros lugares: la integración con sistemas reales, los datos propietarios, la experiencia de usuario, la seguridad, la gobernanza, los flujos de trabajo, la evaluación, la observabilidad y la capacidad de operar en entornos complejos.
Dicho de otra forma: el modelo importa, pero quizá no será siempre donde viva toda la utilidad.
El dinero puede moverse hacia quien controle el contexto.
O hacia quien controle la distribución.
O hacia quien tenga los mejores datos.
O hacia quien tenga el mejor verificador.
O hacia quien sea capaz de convertir propuestas probabilísticas en procesos fiables.
Por eso muchas empresas que hoy dicen “tenemos IA” quizá solo tienen una pieza modular fácilmente sustituible. Y otras, más silenciosas, estarán construyendo verdaderas ventajas en lugares menos vistosos: taxonomías internas, memoria organizativa, evaluación continua, integración con operaciones, criterios de decisión y cultura de experimentación.
La IA como producto será importante. Pero la IA como sistema operativo de aprendizaje puede ser mucho más importante.
El nuevo trabajo por hacer
Volvamos al cliente.
¿Qué trabajo estamos contratando a la IA para hacer?
No es una pregunta trivial. Porque si respondemos mal, construiremos productos equivocados, procesos equivocados y expectativas equivocadas.
A veces usamos la IA para ahorrar tiempo, otras para reducir fricción, pensar mejor, tener una segunda opinión, explorar posibilidades, para hacer algo que no sabíamos hacer o simplemente para atrevernos a empezar una tarea que antes nunca ni siquiera nos la hubiésemos planteado.
Y a veces, aunque no lo digamos, la contratamos para no sentirnos solos frente a una página en blanco, una decisión ambigua o un problema demasiado grande.
Esto último me interesa especialmente.
La IA no solo automatiza tareas. También reduce el coste emocional de empezar. Convierte una masa informe de incertidumbre en una primera versión. Y una primera versión, aunque sea mala, ya es algo contra lo que pensar.
Ese puede ser uno de sus efectos más profundos.
Durante décadas, muchas personas y organizaciones no innovaban porque no tenían recursos, conocimiento, tiempo o permiso. Pero también porque no tenían una primera piedra. La IA ofrece primeras piedras en abundancia. Borradores, prototipos, hipótesis, alternativas o experimentos.
La pregunta es qué hacemos después con ellos.
Ya sabes eso de un grano no hace un granero, pero…
Del innovador al verificador
Quizá el problema del innovador de nuestra época pueda formularse así:
Las organizaciones establecidas no fracasarán porque no tengan acceso a la IA. Fracasarán porque intentarán meterla en los procesos, métricas e incentivos que ya tenían, y esos procesos filtrarán precisamente lo más transformador que la IA podía aportar.
La usarán para hacer más eficiente el presente.
Pero no para imaginar futuros distintos.
La usarán para producir más.
Pero no para pensar mejor.
La usarán para generar propuestas.
Pero no construirán verificadores.
La usarán para decorar la estrategia.
Pero no cambiarán la asignación real de recursos.
Y entonces aparecerán otros actores, quizá más pequeños, quizá menos elegantes, quizá aparentemente menos preparados, que harán algo distinto. No competirán en el centro del mercado. Empezarán por los márgenes. Por los no-consumidores. Por los trabajos mal resueltos. Por las personas que antes no podían acceder a una capacidad. Por los procesos que nadie quería mirar. Por los problemas que parecían demasiado pequeños para el comité de dirección.
Usarán modelos suficientemente buenos, no necesariamente perfectos.
Construirán bucles de aprendizaje.
Verificarán con clientes reales.
Iterarán rápido.
Aceptarán que muchas propuestas serán basura, porque sabrán que el valor no está en acertar siempre a la primera, sino en tener un sistema que detecte rápido qué merece sobrevivir.
Ese es el cambio.
No estamos entrando en una era donde la IA sustituye automáticamente a la innovación humana.
Estamos entrando en una era donde la innovación se vuelve más abundante en propuestas y más exigente en juicio.
Menos escasez de ideas.
Más escasez de criterio.
Menos coste de producir.
Más valor en verificar.
Menos magia en la primera respuesta.
Más importancia del bucle completo.
También déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto puede ser una muy buena opción.
Food for thought
Me gusta pensar en este momento actual como el de la fábrica de posibilidades.
Antes, producir una posibilidad costaba mucho. Había que reunir expertos, hacer estudios, construir prototipos, escribir documentos, conseguir datos, programar, diseñar, convencer. Cada hipótesis era cara. Cada intento pesaba.
Ahora las posibilidades salen casi solas.
Eso es maravilloso.
Pero también debería cambiar nuestro punto de partida.
Cuando una fábrica produce poco, el reto es producir más.
Cuando una fábrica produce demasiado, el reto es separar lo valioso de lo inútil antes de que el almacén se incendie.
La IA ha multiplicado la capacidad de propuesta del sistema. Ahora toca multiplicar su capacidad de verificación.
Christensen nos enseñó que la innovación no fracasa solo por falta de ideas. Fracasa porque las organizaciones están diseñadas para proteger lo que ya funciona. En la era de la IA, ese problema no desaparece. Se vuelve más sutil.
Porque ahora todos podremos parecer innovadores.
Todos podremos generar prototipos.
Todos podremos enseñar demos.
Todos podremos publicar más.
Todos podremos producir más texto, más código, más imágenes, más análisis, más planes. La diferencia estará en quién sea capaz de convertir esa abundancia en aprendizaje real.
Y ahí, como casi siempre, la tecnología será solo una parte de la historia.
La otra parte seguirá siendo profundamente humana: saber qué pregunta merece la pena, qué respuesta merece confianza y qué futuro merece recursos.
Y eso, aunque suene menos espectacular que decir que la IA ha resuelto la innovación, quizá sea bastante más importante.
Y eso es todo por hoy. Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.