El criterio como cuello de botella: innovar en la era de la IA

Durante años, el problema de innovar fue no tener suficientes ideas. Los comités se reunían para generar opciones, los talleres de ideación llenaban paredes de post-its, y la escasez estaba del lado de la oferta. Ese problema se invirtió: hoy generar una opción más —una idea, un prototipo, un experimento— cuesta casi cero, y la escasez se trasladó al criterio para decidir cuál de todas esas opciones merece seguir viva.

Cuando el flujo de opciones era pequeño, cualquier criterio informal —el que dos personas aplicaban de memoria— alcanzaba para filtrar bien. Cuando el flujo se multiplica, ese mismo criterio informal colapsa: deja pasar cosas que no debería, o se vuelve tan lento que nadie decide a tiempo. No es una intuición aislada. Está ocurriendo, con evidencia concreta, en el lugar donde generar opciones siempre fue más caro y más lento: los laboratorios científicos.

‍

Lo que está pasando en los laboratorios que ya delegaron la ejecución

En marzo de 2026, Pharmaceutical Technology documentó un cambio de rol dentro de la industria farmacéutica que vale la pena mirar con atención, incluso fuera de ese sector. Telescope Innovations, la compañía detrás de los "laboratorios autodirigidos" instalados en Pfizer, describe lo que ocurre cuando un sistema de IA puede plantear, ejecutar y analizar experimentos de química de forma autónoma, las 24 horas, en múltiples reactores a la vez.

Nick Edwards, CEO de la desarrolladora de IA Potato, resume el cambio de rol del investigador con una palabra poco habitual en ciencia: taste —criterio, sentido de dirección—. Paloma Prieto, vicepresidenta de operaciones de Telescope, es igual de directa: "No estamos tratando de reemplazar a los químicos." Lo que cambia es qué hacen: los científicos fijan las preguntas y la dirección general de la investigación, mientras la IA resuelve la especificidad experimental.

El interés no es solo comercial. En diciembre de 2025, el Departamento de Energía de Estados Unidos contrató a Ginkgo Bioworks por USD 47 millones para construir una plataforma autónoma de fenotipado microbiano. Cuando un gobierno paga por capacidad de ejecución autónoma, la pregunta deja de ser si el modelo funciona y pasa a ser qué se hace con la capacidad de decisión que le queda a los humanos.

‍

¿Por qué más opciones no es lo mismo que mejor decisión?

La intuición dice que más ideas generadas deberían producir mejores resultados. La evidencia académica reciente complica esa intuición.

Un grupo de investigadores de Harvard Business School, Wharton, Kellogg y Columbia Business School —De Freitas, Israeli, Nave, Timoshenko y Toubia— publicó en 2026 un marco que identifica los cuellos de botella humanos que persisten, o se agravan, cuando la IA participa en el proceso de innovación. Uno de los hallazgos centrales aplica directamente al problema de decidir: cuando el volumen de opciones generadas por IA sube, la carga cognitiva de quien tiene que evaluarlas sube con ella, y bajo esa carga las personas recurren a atajos. El atajo más común es confundir fluidez con calidad: una idea redactada de forma pulida se percibe como mejor, aunque no lo sea.

El mismo equipo cita un estudio de 153 concursos de ideación con más de 74.000 propuestas evaluadas. La solución que mejor funcionó no fue reemplazar al evaluador humano por un modelo, sino combinar las calificaciones del modelo con el historial de decisiones de evaluadores expertos. El sistema aprendió qué patrones en las decisiones humanas previas predecían mejor las preferencias reales de quien patrocinaba el concurso, y usó esa señal para reducir cuántas propuestas necesitaban revisión profunda. El criterio no desapareció: se hizo explícito, se documentó y se usó para entrenar el filtro.

‍

Lo que aprendimos con un cliente sobre priorizar en serio

Nos pasó con un cliente del sector automotriz, representante de una marca global en Chile. Antes de hablar de tecnología, nos sentamos con ellos a resolver una pregunta más útil que la del modelo: dónde tenía sentido que la IA entrara al negocio, para que no terminara siendo una solución buscando un problema.

Recorrimos la compañía completa: sesiones con comercial, logística, recursos humanos, marketing, postventa y TI, en Chile y en sus filiales. En cada una llevamos casos de uso de industrias parecidas, no para copiarlos, sino como punto de partida para que cada equipo imaginara su propia versión. De ahí salieron más de 900 dolores y 600 iniciativas posibles, que fuimos bajando hasta 10 casos de negocio, pesando cada uno con el mismo criterio: impacto potencial, datos disponibles y complejidad de implementación.

Lo que más valor le dio al cliente no fue la lista de ideas, sino la claridad que quedó después: dónde valía la pena invertir primero, qué problema resolvía cada iniciativa y cómo iban a saber si estaba funcionando. Ese criterio, una vez puesto sobre la mesa, dejó de depender de quién facilitó el taller y pasó a ser algo que el propio equipo puede volver a usar la próxima vez que tenga demasiadas opciones sobre la mesa.

‍

¿Cómo se construye un criterio que no dependa de dos personas?

Lo primero es reconocer que el criterio ya existe, aunque nadie lo haya escrito. Cuando dos personas en una organización descartan ideas de forma consistente, están aplicando reglas —de impacto, de factibilidad, de alineación estratégica— que simplemente no se documentaron nunca. El ejercicio no es inventar un criterio desde cero: es hacer explícito el que ya opera, someterlo a revisión y ponerlo por escrito de forma que otra persona pueda aplicarlo con el mismo resultado.

Lo segundo es diseñar el filtro antes de multiplicar el volumen. Aumentar la capacidad de generar ideas sin haber definido primero qué las hace descartables es exactamente la receta que documenta el estudio de HBS: más opciones, evaluadas bajo la misma carga cognitiva de siempre, terminan produciendo peores decisiones, no mejores.

Lo tercero es tratar el criterio como un activo que se actualiza, no como una regla fija. El impacto, los datos disponibles y la complejidad de implementación cambian con el tiempo; el método para pesarlos debe revisarse con la misma frecuencia.

En The Canvas Group trabajamos exactamente con esa secuencia: no llegamos a generar más ideas para una organización que ya tiene demasiadas, sino a construir el criterio explícito que le permite decidir cuáles de esas ideas merecen los próximos seis meses de trabajo.

‍

El criterio bien hecho es la nueva ventaja competitiva

La capacidad de generar opciones dejó de ser escasa, y no va a volver a serlo. Las organizaciones que ganen la próxima década de innovación no van a ser las que produzcan más ideas, sino las que hayan convertido su criterio de descarte en un método explícito, documentado y transferible.

Si te interesa explorar cómo construir un criterio de priorización explícito para tu portafolio de iniciativas de IA, contáctanos y cuéntanos tu desafío a través de nuestro formulario de contacto. Estaremos felices de conversar.

‍