Durante muchos años aprendimos sobre innovación ensuciándonos las manos. Desde el laboratorio, el prototipo que no funcionaba, el colega que encontraba una solución inesperada, la empresa que llegaba con un problema concreto y pocos recursos. Era una visión profundamente bottom-up, casi artesanal, donde la innovación se construía caso por caso y el impacto se medía más por aprendizaje que por indicadores. Esa mirada cambió de manera radical el día que me tocó dirigir una Dirección de Innovación. De pronto, la pregunta dejó de ser cómo innovar y pasó a ser qué tipo de innovación valía la pena impulsar, en qué secuencia, con qué riesgos y, sobre todo, con qué consecuencias sistémicas.
Desde niveles ejecutivos, la innovación deja de ser una suma de proyectos interesantes y se convierte en un problema de portafolio, de capacidades acumuladas, de trayectorias posibles y de renuncias explícitas. No todo se puede hacer, no todo conviene hacerlo y no todo lo que parece disruptivo lo es en términos estructurales. Esa tensión entre la creatividad individual y la coherencia del sistema es una de las lecciones más duras para quienes venimos de la trinchera científica y técnica.
Trabajando con estudiantes en la aplicación de inteligencia artificial y robótica en contextos industriales y de servicios, a lo largo de los años observamos la aparición de un fenómeno inquietante: la dinámica tradicional de adopción tecnológica se está rompiendo. Ya no hay una progresión limpia de investigación, prototipo, piloto y escalamiento. En muchos casos, la tecnología llega antes de que la organización tenga claro el problema, o antes de que exista una capacidad mínima para absorberla. La innovación se ha vuelto asimétrica, acelerada y, en ocasiones, brutalmente selectiva.
En este contexto, el marco de diversificación económica desarrollado por César Hidalgo resulta sorprendentemente vigente para entender lo que ocurre hoy con la inteligencia artificial. No es casual que Ricardo Hausmann -mentor y colaborador de Hidalgo- aparezca personalmente presentando el Innovation Capabilities Outlook 2026 de la Organización Mundial de la Propiedad Intelectual (WIPO) [1]. El mensaje es incómodo, pero poderoso: el desarrollo no depende solo de talento o capital, sino de la capacidad de una economía para combinar conocimientos existentes y avanzar hacia actividades más complejas de forma incremental, no heroica.
El valor central de ese reporte es que introduce orden donde normalmente hay ruido. En lugar de hablar de “innovación” como eslogan, mide 2,508 capacidades en cuatro dimensiones -ciencia, tecnología, emprendimiento y producción- con largas series de tiempo. Ese encuadre permite pasar de la anécdota a la estrategia: no solo quién innova, sino con qué mezcla de capacidades y bajo qué restricciones sistémicas. Aquí es clave subrayarlo: el reporte no habla de skills individuales, sino de capabilities entendidas como combinaciones sistémicas de conocimiento, infraestructura, organización y experiencia acumulada.
El documento insiste además en una idea que en México suele subestimarse: la innovación no surge por genialidad aislada, ni por alianzas artificiales o discursivas, sino por actores reales y conexiones funcionales. Cuando describe que los avances relevantes emergen al vincular dimensiones -ciencia con tecnología, emprendimiento con producción- ofrece una brújula práctica para universidades, empresas y gobiernos. El poder no está en un nodo, sino en la red.
Esto ayuda a entender por qué tantos intentos de “brincar” a tecnologías de frontera terminan en frustración presupuestal. Las capacidades más sofisticadas -biotecnología avanzada, cómputo cuántico o IA de nueva generación- solo emergen en ecosistemas altamente diversificados. Dicho sin diplomacia: lo complejo no se trasplanta, se construye. Y se construye acumulando capacidades, no adoptando modas tecnológicas.
El reporte también pone números a una pregunta incómoda: ¿estamos aprovechando lo que ya sabemos hacer? Su estimación de “potencial no aprovechado” muestra que, en innovación tecnológica, solo 10 % de las economías alcanza su potencial de patentamiento. El mundo desperdicia alrededor de 339 mil innovaciones tecnológicas al año. No es falta de ideas; es falta de arquitectura de capacidades, de enlaces, de mecanismos de traducción y de ejecución.
Esta discusión se vuelve aún más relevante cuando se cruza con evidencia reciente sobre el uso de la IA como “copiloto” en tareas complejas. Un estudio experimental con desarrolladores que aprendían una nueva librería de programación muestra que el uso intensivo -y sin duda democratizador- de IA reduce de manera significativa la comprensión conceptual, la lectura de código y, especialmente, la capacidad de depuración, sin ofrecer en promedio ganancias estadísticamente significativas de velocidad [2]. Conviene ser muy claro: el paper no está en contra de la IA. Lo que cuestiona no es la tecnología, sino el modo de adopción.
Aquí aparece una distinción crítica. El artículo [2] habla explícitamente de skill y skills porque analiza la microeconomía del aprendizaje individual: cómo se forman, se erosionan o se preservan las habilidades cuando una persona delega tareas cognitivas complejas a la IA. En contraste, el reporte de WIPO [1] casi no utiliza el término skill de forma aislada; su foco está en capabilities, tacit knowledge y expertise, es decir, en cómo esas habilidades individuales se combinan, se organizan y se sostienen en ecosistemas productivos completos.
Leídos juntos, ambos textos no se contradicen: se complementan. El paper sobre IA explica qué ocurre cuando las skills dejan de formarse adecuadamente en el nivel individual [2]. El reporte de WIPO muestra que la competitividad, la diversificación económica y la innovación dependen precisamente de la densidad y articulación de esas habilidades dentro de redes productivas cada vez más dominadas por software, incluso cuando el resultado final es hardware [1]. Una economía puede producir más en el corto plazo usando IA, pero si no cuida cómo se forman las habilidades profundas, termina debilitando las capacidades colectivas que sostienen la innovación de largo plazo.
Esto importa porque una proporción creciente de la innovación contemporánea se articula vía software. Robots, dispositivos médicos, manufactura avanzada, logística, energía o automotriz dependen de capas de software que deben entenderse, auditarse y corregirse. Tener “más código” no equivale a tener más capacidad. Si la IA desplaza prematuramente el aprendizaje profundo hacia la automatización completa, el sistema puede generar más features, pero menos ingeniería sólida, más deuda técnica y mayor dependencia de proveedores o modelos externos.
Para las universidades, el reto es evidente y no es menor. No se trata solo de enseñar a usar herramientas de IA, sino de formar personas que entiendan su lugar dentro de sistemas productivos complejos, sus dependencias, sus límites y sus implicaciones organizacionales. Innovar hoy no es únicamente inventar algo nuevo, sino saber cuándo hacerlo, con quién hacerlo y para qué hacerlo. Esa conversación ya no puede quedarse en el aula o el laboratorio; tiene que llegar a la política pública, a la industria y a los espacios donde se toman decisiones de largo plazo.
[1] World Intellectual Property Organization (WIPO), Innovation Capabilities Outlook 2026, 2026.[2] J. H. Shen & A. Tamkin, How AI Impacts Skill Formation, arXiv:2601.20245, 2026.