La escena clásica del genio creativo sigue siendo la misma en casi todos los países: alguien solo frente a una hoja en blanco, un pizarrón o una pantalla. Lo que cambia es todo lo que lo rodea. En Japón, la creatividad suele asociarse con la perfección paciente y el largo plazo; en Estados Unidos, con el atrevimiento de lanzar algo “good enough” al mercado y mejorarlo sobre la marcha; en América Latina, con el arte de improvisar soluciones en medio de la escasez. La creatividad, en efecto, tiene acento cultural.
Sin embargo, la innovación tecnológica profunda —la deep tech que construye chips, nuevos fármacos, robots cirujanos, satélites o sistemas de energía— no puede depender solo del estilo cultural de creatividad. Exige algo más frío y menos romántico: entender por ejemplo niveles de madurez tecnológica (TRL), leer patentes, descifrar artículos científicos, comparar resultados, documentar evidencias, cumplir normas. Es un trabajo metódico que muchas veces parece lo opuesto a la imagen del “genio inspirado”.
Durante décadas, ese tipo de innovación estuvo concentrada en unos cuantos polos del mundo: Oxford-Cambridge, Silicon Valley, ciertos clústeres europeos, Japón, Corea. No solo porque tuvieran más recursos, sino porque dominaban el idioma de la ciencia formal: patentes, papers, reportes técnicos. Para muchos estudiantes o emprendedores de otros países, enfrentarse a un artículo de 40 páginas en inglés técnico o a una patente escrita en un lenguaje casi jurídico era como mirar a la pared.
Ahí es donde la inteligencia artificial cambia el juego. No porque “piense por nosotros”, sino porque puede hacerse cargo de la parte más árida del proceso: resumir, traducir, comparar, organizar, buscar relaciones. Un modelo de lenguaje (LLM) bien usado puede “explicar” qué significa que una tecnología esté en TRL 3 o TRL 7, convertir una patente en un mapa de componentes, o transformar un conjunto de papers en una narrativa clara sobre qué está probado, qué falta por validar y dónde están los huecos para innovar.
La IA, en ese sentido, es un acelerador cultural. Permite que un estudiante en Monterrey, Nairobi o Bangalore cruce más rápido el puente entre la creatividad local —su forma de ver problemas, sus dolores cotidianos, su contexto urbano o rural— y el lenguaje global de la deep tech. Lo que antes exigía meses de lectura y frustración, hoy puede convertirse en una sesión de trabajo donde la IA ayuda a decodificar el conocimiento, mientras la persona se concentra en hacer las preguntas correctas y en imaginar aplicaciones relevantes para su comunidad.
Pero hay una trampa: esta promesa solo se cumple si se acompaña de disciplina humana. La IA puede resumir diez artículos, pero no puede decidir por sí misma cuál es el riesgo de aplicar cierta tecnología en un hospital público. Puede sugerir una arquitectura de control para un dron que entregará Pizzas, pero no se hace responsable si el dron cae sobre una multitud. Puede enumerar cientos de patentes similares a una idea, pero no sustituye el criterio para decidir si conviene patentar, licenciar o liberar código abierto.
En otras palabras, la IA democratiza el acceso al conocimiento, pero no garantiza la calidad de las decisiones. Esa parte sigue siendo profundamente humana y, de nuevo, cultural. Hay
sociedades que toleran más el riesgo, otras que lo regulan con dureza; países donde el fracaso se ve como aprendizaje y otros donde implica estigma. La disciplina necesaria para hacer deep tech responsable —documentar experimentos, replicar resultados, respetar normas de seguridad, cuidar datos sensibles— está hecha de disciplina, no de algoritmos.
Imaginemos a una joven ingeniera mexicana interesada en desarrollar una prótesis de bajo costo. Su creatividad está marcada por lo que ve en su entorno: hospitales saturados, largas filas, pacientes que viajan horas para una consulta. Con un modelo de IA puede revisar literatura sobre biosensores y actuadores, entender qué diseños están en TRL 4 y cuáles ya alcanzaron TRL 9, explorar patentes de grandes empresas y detectar espacios libres. Incluso puede pedirle al sistema que le explique una ecuación complicada “como si se lo contara a una estudiante de ingeniería”.
Pero nada de eso reemplaza el siguiente paso: madrugar para ir al laboratorio, diseñar experimentos, lidiar con fallas de hardware, registrar resultados, hablar con médicos, entender regulación sanitaria. La IA le ahorra tiempo en la fase de comprensión, pero no puede remplazarla en la fase de validación. La diferencia entre una idea creativa y una innovación deep tech que cambia vidas se juega en esas horas de disciplina silenciosa.
Algo similar ocurre con las patentes. Muchos emprendedores ven la palabra “patente” como un muro legal. Hoy, un sistema de IA puede leer una patente y traducirla a lenguaje claro, señalar qué partes describen el método, qué reclamos son más fuertes, dónde podría haber espacio para una mejora incremental. Puede incluso generar un primer borrador de redacción para una nueva solicitud. Pero decidir qué se patenta, en qué jurisdicción, con qué estrategia de negocio, y si esa ruta es compatible con la dinámica de la comunidad, requiere criterio humano y visión de largo plazo.
En el fondo, lo que está en juego es una nueva alianza: creatividad situada en cada cultura + IA como traductor universal del conocimiento + disciplina humana como garante de rigor y responsabilidad. Con esa combinación, la deep tech deja de ser un lujo de unos cuantos laboratorios en el Norte Global y se convierte en una posibilidad real para universidades, centros de investigación y startups de cualquier país.
Quizá en unos años se hable de una “recesión de la superficialidad” en innovación: menos apps triviales, más proyectos que pasan por la rigurosidad de TRL, patentes y pruebas clínicas o industriales. Si eso ocurre, no será porque la IA “se volvió mágica”, sino porque muchas personas decidieron usarla como palanca para hacer el trabajo difícil, el que no cabe en un titular ni en un evento de emprendimiento de gelatinas ni cremas mágicas: estudiar, contrastar, probar, corregir.
La creatividad seguirá teniendo colores locales —el orden japonés, la audacia estadounidense, la resiliencia latinoamericana—, pero el lenguaje de la deep tech será cada vez más compartido. Y ahí, la IA no será el héroe de la historia, sino el traductor que permite que más voces participen en la conversación global de la ciencia y la tecnología. El resto, para bien o para mal, seguirá dependiendo de la disciplina y de las decisiones humanas.
