Innovación bajo demanda
El Modelo Matemático que Descifró la Innovación
Hemos hablado mucho sobre innovación en esta newsletter. Hemos explorado sus diferentes tipos y modelos, analizado algunas de sus palancas clave, discutido sobre la cultura de innovación tanto en startups como en corporaciones. También hemos profundizado en el dilema del innovador y en el concepto de empresas ambidiestras, aquellas capaces de explotar el presente mientras exploran el futuro.
Pero hay un aspecto que nos faltaba por repasar: las fábricas de innovación. ¿Es posible generar innovación de manera estructurada y bajo demanda? ¿Existen patrones y fórmulas matemáticas detrás de este proceso? ¿Podemos diseñar ecosistemas que maximicen la creatividad y aceleren la aparición de nuevas ideas?
Hoy hablaremos de un modelo matemático que nos acerca a esas respuestas, una teoría que explica cómo surgen las innovaciones y qué principios rigen su evolución. Porque si la innovación tiene reglas, entenderlas nos puede ayudar a construir el futuro.
La innovación es un misterio. Sabemos que ocurre, la medimos, la fomentamos, la admiramos… pero, hasta ahora, no entendíamos realmente cómo surge. Hoy hablaremos de un modelo matemático que ha logrado predecir los patrones de la innovación, y lo que esto significa para el futuro de la creatividad, la tecnología y el progreso humano.
Si buscas una banda sonora para acompañar esta newsletter, hoy te recomiendo un disco que encapsula la rebeldía, la energía y la genialidad de The Clash, ese es London Calling (1979). Un doble LP que rompió las barreras del punk para fusionarlo con reggae, rockabilly, ska y hasta jazz, creando un sonido tan fresco hoy como lo fue hace más de 40 años.
Suscríbete para leer esta y otras muchas historias sobre innovación, tecnología y negocios.
Creo que todos conocemos Silicon Valley, un ecosistema vibrante donde nacen algunas de las ideas más revolucionarias del mundo. Pero nos hemos parado a pensar en cómo evolucionan las palabras en un idioma, cómo surgen nuevas tendencias en la música o cómo la Wikipedia crece con cada nueva edición de sus artículos.
Lo fascinante es que, aunque la innovación parece surgir de manera espontánea, sigue patrones matemáticos predecibles. Pero ¿por qué? ¿Qué fuerzas invisibles moldean este proceso?
Hasta hace poco, no teníamos una respuesta clara. Pero ahora, un grupo de investigadores liderados por Vittorio Loreto, junto con el matemático Steve Strogatz, han desarrollado un modelo matemático que explica cómo emergen las innovaciones.
Todo comienza con una teoría llamada “el adyacente posible”.
El concepto del adyacente posible fue propuesto por Stuart Kauffman en 2002. La idea es simple pero muy potente:
Todo lo que podemos inventar o descubrir está limitado por lo que ya existe
Cada nueva idea abre la puerta a otras ideas que antes eran inimaginables
La innovación no es aleatoria: sigue un camino lógico dentro de un espacio de posibilidades en constante expansión
Pongamos como ejemplo la invención del teléfono, en ese momento era imposible que alguien pudiera imaginar un teléfono pensando en el concepto actual de smartphone, era algo que no era factible crear de forma inmediata. Pero el teléfono permitió la evolución del resto de los integrantes de esa familia tecnológica, el fax, luego internet y, eventualmente, de los dispositivos móviles inteligentes (o smartphones).
Este concepto del adyacente posible es tremendamente atractivo, pero crear un modelo matemático que recogiera toda su esencia ha sido un desafío. Hasta ahora.
Aquí es donde entra en juego un modelo clásico de la probabilidad llamado La Urna de Pólya. Imaginen una urna llena de bolas de diferentes colores.
La Urna de Pólya es un experimento matemático que nos ayuda a entender cómo pequeñas diferencias pueden crecer con el tiempo y afectar el resultado final de un proceso. Es una forma simple de ver cómo se forman patrones y cómo algo que empieza siendo aleatorio puede terminar teniendo una tendencia clara.
¿Cómo funciona?
Imagina que tienes una urna con una bola roja y una bola azul. El experimento sigue estos pasos:
Sacamos una bola al azar.
Si es roja, la devolvemos a la urna y añadimos otra bola roja.
Si es azul, la devolvemos a la urna y añadimos otra bola azul.
Repetimos este proceso muchas veces.
Como cada vez que sacamos una bola agregamos otra del mismo color, aquel color que haya más al principio tendrá más posibilidades de seguir creciendo.
Pero, ¿por qué es realmente interesante este experimento?
Primero por el llamado efecto de retroalimentación: Si al principio sacaste más bolas rojas, cada vez habrá más rojas, y será más probable que sigas sacando rojas. Lo mismo pasa con las azules.
Y lo segundo porque emula muchas situaciones del mundo real: Se usa para explicar cómo se propagan ideas, cómo se hacen populares ciertas canciones o videos, e incluso cómo evolucionan algunas enfermedades.
Si nos fijamos en un video que se hace viral a través de tu red social favorita, ¿qué es lo que sucede?. Si al principio algunas personas lo ven y lo comparten, más gente lo verá y lo compartirá, haciendo que se vuelva viral. En cambio, si nadie lo ve al principio, probablemente nunca se haga famoso. Las pequeñas diferencias iniciales pueden volverse enormes con el paso del tiempo. Por eso el algoritmo vuelve cada vez más efímero el contenido que no tiene gratificaciones inmediatas.
Este simple experimento captura un fenómeno clave: cada innovación no solo genera más de lo mismo, sino que expande el universo de lo posible.
Cuando Loreto y su equipo aplicaron esta idea a la innovación, vieron que los patrones matemáticos que aparecían coincidían con las leyes empíricas de la innovación que los científicos han observado durante décadas:
Ley de Heaps: La tasa de aparición de nuevas ideas sigue una progresión sublineal.
Ley de Zipf: La frecuencia con la que algo ocurre está inversamente relacionada con su popularidad.
Por primera vez, un modelo matemático es capaz de predecir cómo evolucionan las palabras, cómo se expanden las categorías de Wikipedia o incluso cómo descubrimos música nueva en nuestro servicio de streaming favorito.
Si te gusta lo que estas leyendo, no olvides que también tienes disponible el podcast de Innovation by Default 💡. Suscríbete aquí 👇
Uno de los descubrimientos más fascinantes detrás de este modelo es que distingue entre dos tipos de descubrimientos:
Novedades: Algo que ya existía, pero que una persona encuentra por primera vez. Como descubrir una nueva canción en Spotify.
Innovaciones: Algo que nunca existió antes, como cuando alguien edita una página de Wikipedia con información nueva. En este newsletter ya hemos hablado del fenomeno de Magnific.ai y como creo una categoría nueva para la IA Generativa y los modelos de difusión, el upscaler basado en IA.
Lo sorprendente es que ambos fenómenos siguen el mismo patrón matemático. Es decir, la manera en que descubrimos cosas nuevas y la manera en que creamos cosas nuevas son dos caras de la misma moneda.
Esto sugiere que el proceso de innovación no es exclusivo de los genios creativos, sino que sigue leyes universales aplicables a cualquier ámbito.
Entonces la pregunta es evidente, si la innovación sigue patrones predecibles, ¿podemos diseñar un entorno que la maximiza? ¿podemos llegar a crear una fábrica de la innovación?
Pues parece ser que la respuesta es sí:
Si entendemos cómo funciona el adyacente posible, podríamos acelerar la innovación tecnológica y científica.
Si aplicamos estos principios, podríamos predecir tendencias en música, literatura o redes sociales.
Si logramos modelar la creatividad, podríamos incluso programar inteligencia artificial para innovar de manera más eficiente.
Este modelo no solo nos ayuda a comprender la innovación del pasado, sino que nos da herramientas para diseñar el futuro.
Y la pregunta que queda es: ¿qué innovaciones están en el adyacente posible hoy, esperando ser descubiertas? Por eso es tan importante el concepto de liminalidad del que ya hemos hablado en ediciones anteriores.
La innovación no es un misterio, es un proceso. Y aunque todavía hay muchas preguntas por responder, estamos más cerca que nunca de entender cómo surgen las ideas que transforman el mundo.
Cajón desastre
📺 Un video
El equipo de GEAR Lab ha llevado el reinforcement learning (RL) a otro nivel, entrenando robots humanoides para moverse como Cristiano Ronaldo, LeBron James y Kobe Bryant. ¡Y todo open-source!
🔗 Dale un vistazo al proyecto aquí: Proyecto
📌 Código disponible en: Repo
La robótica está evolucionando a pasos agigantados, y esta combinación de enfoques híbridos puede marcar el futuro del whole body control en humanoides.
🔧 Una herramienta
La inteligencia artificial avanza a pasos agigantados, y herramientas como GeoSpy AI llevan el análisis de imágenes a un nivel inquietante. Esta IA puede estimar tu ubicación exacta con solo una foto del interior de tu casa, analizando detalles como la arquitectura, la iluminación y objetos característicos.
🛑 Si bien la tecnología detrás de esto es impresionante, plantea serias preguntas sobre la privacidad y la seguridad digital. ¿Estamos preparados para una era donde las imágenes que compartimos puedan revelar más de lo que imaginamos?
Este tipo de servicios es un recordatorio de la importancia de gestionar nuestra huella digital y pensar dos veces antes de compartir fotos en redes sociales.
📢 Una newsletter
Si te interesa el mundo del venture capital, las startups y la tecnología en España y Europa, Dealflow de
es una newsletter imprescindible. Cada edición está llena de análisis detallados, rondas de financiación, tendencias del mercado y reflexiones sobre el ecosistema emprendedor.
💡 Lo que la hace especial:
Información bien curada: Datos clave sin ruido innecesario.
Perspectiva de insider: Jaime tiene un ojo clínico para detectar tendencias y oportunidades.
Formato ágil y directo: Ideal para mantenerse informado sin perderse en largos informes.
Si aún no la sigues, te estás perdiendo una de las mejores fuentes en español sobre inversión y startups.
📜 Un informe
La inteligencia artificial está avanzando a un ritmo vertiginoso, y recientes anuncios como el de DeepSeek destacan por su eficiencia y rapidez. Esta semana un equipo de Stanford y la Universidad de Washington ha demostrado que es posible entrenar un modelo de lenguaje grande (LLM) en solo 26 minutos y con un presupuesto inferior a $50, utilizando 1,000 muestras de razonamiento cuidadosamente seleccionadas.
Su enfoque consistió en un truco simple pero efectivo: cuando el modelo intentaba detener su proceso de pensamiento prematuramente, añadían la palabra “Espera” para incentivarlo a continuar. Este método permitió que el modelo casi igualará el rendimiento de modelos más avanzados en tareas matemáticas.
Estas innovaciones nos llevan a reflexionar sobre varios puntos:
Eficiencia sobre cantidad: No siempre es necesario contar con enormes cantidades de datos o recursos computacionales; enfoques inteligentes y bien diseñados pueden lograr resultados sorprendentes.
Democratización de la IA: La aparición de modelos más accesibles y de código abierto, como DeepSeek R1, está nivelando el campo de juego, permitiendo que más actores participen en el desarrollo de tecnologías avanzadas.
Ritmo exponencial de progreso: Lo que hoy consideramos innovador, mañana podría ser superado por nuevos métodos aún más eficientes y económicos.
Aquí te dejo el paper publicado hace unos días 👇
🎙️ Un podcast
Si te apasiona el emprendimiento, la innovación y aprender de los mejores, el podcast Founders de David Senra es un verdadero tesoro. En cada episodio, Senra se sumerge en la vida y carrera de algunos de los empresarios más influyentes de la historia, extrayendo valiosas lecciones que cualquier persona con mentalidad emprendedora puede aplicar.
Y hablando de podcast, no pensarías que iba a dejar la oportunidad de recomendarte un nuevo episodio de Código Abierto, el podcast donde charlamos de tecnología cada semana (Mónica, Carlos, Diego, Ignacio y un servidor).
Gracias por acompañarme una semana más, ¡y te espero en la próxima edición Innovation by Default 💡!