Los desafíos de las startups estudiantiles y la educación emprendedora de negocios en la era de la IA (Edición 2026)

La educación emprendedora en sentido estricto (es decir, la educación orientada a la creación de empresas de negocios) ha seguido un modelo bastante establecido a lo largo de la última década.

En este modelo, a los estudiantes que poseen conocimientos técnicos o que desean aprenderlos se les enseñan metodologías como lean startup, design thinking y desarrollo de clientes, enfoques centrados en "crear rápido, validar rápido" y "salir del edificio para conocer a los clientes". Se habilitan espacios de trabajo, se ejecutan programas, la gente se reúne, surgen compañeros con quienes consultar y, cuando todo va bien, lo que comenzó como un proyecto estudiantil se convierte en una startup de alto crecimiento y rápida escala.

Otra premisa fundamental era que los estudiantes disfrutaban de condiciones muy favorables para iniciar una startup. Aunque no pudieran competir con profesionales en experiencia, capital o redes de contactos, contaban con tiempo y agilidad, lo que les permitía competir a través de un puro volumen de acción. La demanda se concentraba en servicios orientados al consumidor (B2C), donde los propios estudiantes eran usuarios, y bastaba con una computadora portátil y un gasto mínimo en servicios en la nube para comenzar a construir. Podría decirse que surgió de repente un mercado propicio para los jóvenes, poco frecuentado por adultos experimentados.

Debido a la maduración de la industria y a la llegada de la IA, parece que estas condiciones están cambiando. A la par de estos cambios en el ámbito de los negocios, las metodologías y los espacios formativos tradicionales tampoco parecen funcionar como antes. En consecuencia, la creación de startups de alto crecimiento y la educación emprendedora para estudiantes han comenzado a distanciarse, lo que nos obliga a reconsiderar a fondo cómo debe impartirse la educación para la creación de empresas.

En este artículo, me gustaría estructurar estos desafíos y aportar elementos para reflexionar sobre qué camino deberíamos seguir a partir de ahora.

7 desafíos

Con la difusión de la IA y los recientes cambios en el ecosistema de las startups, tanto las condiciones que rodean a las startups estudiantiles como los modelos educativos que durante mucho tiempo se dieron por sentados están tambaleándose en múltiples frentes simultáneamente. A continuación, organizo estas transformaciones en siete desafíos. Los tres primeros se refieren al entorno de las startups estudiantiles, divididos entre el lado de la demanda (dónde y qué tipo de empresas se requieren) y el de la oferta (los medios que tienen los estudiantes para crearlas). Los tres siguientes corresponden a la educación, y el último es el resultado de la convergencia de todos ellos.

Cambios en la demanda

1. El perfil de las startups que se deben crear ha cambiado respecto a hace diez años: El mero hecho de programar ha perdido su valor como factor de diferenciación, dando paso a una profunda inmersión en la industria, canales de distribución y datos propios.
2. La demanda se ha alejado del alcance del volumen de acción de los estudiantes: El centro neurálgico de la demanda se ha desplazado de los servicios al consumidor hacia el sector corporativo (enterprise) y la infraestructura de IA, quedando fuera de la comprensión intuitiva y el alcance directo de los estudiantes.

Cambios en la oferta

3. El costo de ingresar a la competencia ha aumentado y se ha vuelto difícil de estimar: Con las suscripciones fijas de servicios de IA, los costos variables de tokens y la depreciación del yen, el costo para comenzar a desarrollar software ha subido y es difícil de presupuestar con antelación.

Cambios en la educación

4. Lean startup y design thinking son necesarios pero ya no suficientes: En áreas donde el mercado no crece con rapidez de forma natural, la decisión estratégica de "dónde competir" (elección de mercado) se ha vuelto indispensable antes de proceder a la validación de hipótesis.
5. El prototipado rápido ha dejado de demostrar competencia y compromiso: Dado que cualquier persona puede crear productos vistosos en cuestión de horas con IA, los entregables funcionales por sí solos ya no evidencian habilidad técnica ni un compromiso genuino.
6. Al no necesitar consultar a personas, la razón para congregarse se ha debilitado: Al asumir la IA el papel de interlocutor cotidiano, la necesidad de acudir a talleres o centros de incubación ha disminuido sensiblemente.

El resultado

7. La creación de startups de alto crecimiento y la educación emprendedora han comenzado a divergir: Como consecuencia acumulada de estos desafíos, la brecha entre lo que los estudiantes pueden hacer y lo que el mercado de startups exige se ha ampliado, haciendo difícil compatibilizar la formación educativa y la creación de empresas de alto crecimiento en un único marco.

A continuación, analizaremos cada uno de estos desafíos en detalle.

Desafío 1: El perfil de las startups que se deben crear ha cambiado respecto a hace diez años

Hace unos diez años, para un estudiante universitario con aspiraciones de emprender, ganar dinero, expresar sus propias ideas y dedicarse a la informática o al software representaban básicamente un único y mismo camino. Al aprender a programar, podía materializar sus ideas en forma de aplicaciones, lo que a su vez constituía una forma de autoexpresión y, si tenía éxito, podía convertirse en una startup de crecimiento acelerado con muy poco capital. Todo esto podía confluir en un solo sendero gracias a la expansión simultánea de los teléfonos inteligentes y la computación en la nube. Los programas universitarios de entonces atraían a multitudes porque cualquier estudiante, sin importar cuál de estas motivaciones tuviera, podía satisfacerla asistiendo a ellos.

En los últimos años, estas tres aspiraciones se han dividido en caminos separados. El software a nivel de prototipo ahora puede crearlo cualquiera, por lo que el mero hecho de haberlo construido no marca ninguna diferencia. El desarrollo como medio de autoexpresión puede llevarlo a cabo una sola persona con ayuda de la IA, pero lo que cualquiera puede construir difícilmente se convierte en un negocio viable por sí mismo. Para los estudiantes cuyo objetivo es ganar dinero, existen alternativas más directas que fundar una empresa. El estatus de la informática como disciplina estrella también está cambiando, y la programación se ha convertido en una de las primeras ocupaciones fuertemente impactadas por la IA.

El tipo de startup que se busca también se ha transformado. Steve Blank, uno de los creadores de la metodología lean startup, escribió un artículo titulado "The World Outside The Classroom Changed. The Class Didn’t." En él, Blank argumenta que, ahora que construir es barato y todo el mundo posee las mismas herramientas, lo que escasea es la atención de las personas, los canales de distribución, los datos exclusivos, la inmersión profunda en las operaciones del sector y la evidencia aceptada por reguladores, profesionales de la salud o pagadores. Observa que las barreras defensivas (moats) se han trasladado del código a los datos, la profundidad operativa, la distribución y la confiabilidad. Hace diez años bastaba con saber escribir código para iniciar una startup; hoy en día se exige estar profundamente inserto en sectores e industrias específicas.

Desafío 2: La demanda se ha alejado del alcance del volumen de acción de los estudiantes

Tradicionalmente, la mayor fortaleza de las startups nacidas en las universidades era su volumen de acción. Aunque no pudieran igualar a los profesionales en experiencia, fondos o contactos, los estudiantes aprovechaban su tiempo libre y su agilidad para actuar en gran número: aprendían e implementaban nuevas tecnologías antes que nadie, se entrevistaban con innumerables personas para detectar necesidades y, si algo no funcionaba, probaban de inmediato la siguiente idea. Tanto la comprensión de la demanda como la programación podían suplirse en gran medida mediante la intensidad de acción.

Sin embargo, el volumen de acción solo funciona como ventaja cuando la demanda se encuentra a su alcance. Y el lugar donde reside esa demanda se ha ido alejando progresivamente del terreno natural de los estudiantes durante la última década y media.

Hasta cerca de 2013, la demanda se concentraba principalmente en aplicaciones y servicios orientados al consumidor (B2C). Al ser los propios estudiantes usuarios del servicio, les resultaba sencillo intuir las necesidades reales, desarrollar el producto y probarlo al instante con amigos. En los años siguientes, el foco se desplazó hacia el comercio entre empresas (B2B), especialmente hacia pequeñas y medianas empresas o startups. Aunque este ámbito resultaba algo más ajeno a los estudiantes, se caracterizaba por tomas de decisión rápidas y numerosos interlocutores dispuestos a reunirse si se les contactaba. A partir de 2020 aproximadamente, el centro de la demanda migró hacia el sector corporativo de gran escala (enterprise). La compleja operativa y los mecanismos de adquisición de las grandes corporaciones quedan por completo fuera de la comprensión intuitiva de un estudiante.

Hoy en día, la mayor demanda se encuentra en la IA. Las aplicaciones de IA generativa y las herramientas de desarrollo todavía ofrecen oportunidades a los jóvenes emprendedores. Por otro lado, la demanda de infraestructura de IA se orienta hacia los semiconductores y la energía eléctrica, sectores que escapan casi por completo a las posibilidades de los estudiantes. Son ámbitos que difícilmente pueden abordarse únicamente mediante software; requieren vínculos estrechos con la industria, validaciones sobre el terreno y sumas masivas de capital.

Conseguir ese financiamiento tampoco es sencillo. El capital de riesgo ha experimentado una profunda transformación. Según explica Blank en el mismo artículo, la financiación en Estados Unidos se ha polarizado: los fundadores avanzan con fondos propios hasta generar ventas, o bien levantan rondas gigantescas destinadas a infraestructura computacional y distribución; las rondas orientadas a contratar ingenieros prácticamente han desaparecido.

La ventaja del volumen de acción estudiantil funcionaba de manera óptima cuando la demanda podía captarse intuitivamente y cuando el desarrollo de software requería habilidades complejas y costos considerables. Hoy en día, al haberse alejado la demanda y al haber dejado la construcción de software de ser un factor diferencial, el alcance de esa ventaja se ha estrechado notablemente.

Asimismo, mientras que antes la intuición de los estudiantes les permitía vislumbrar en qué mercados explorar, en la actualidad es necesario seleccionar el mercado con sumo cuidado. Aunque siempre habrá jóvenes que abran caminos a fuerza de pura determinación, las oportunidades de madurar progresivamente a través de un negocio irán disminuyendo.

Por otra parte, en Estados Unidos se aprecian movimientos que parecen apuntar en dirección contraria. De acuerdo con un artículo de Fortune, datos de la firma de inversión Antler indican que la edad promedio de los fundadores de empresas unicornio de IA se redujo de 40 años en 2020 a 29 en 2024. En los demo days de Y Combinator, los fundadores destacan con frecuencia en sus presentaciones el hecho de haber abandonado la universidad, como informa TechCrunch. Pareciera que los estudiantes o personas de edad cercana están asumiendo un papel protagónico.

No obstante, esto parece limitarse en gran medida a Silicon Valley, donde cuantiosas sumas de capital se concentran en una reducida élite de estudiantes situados en la vanguardia del desarrollo de IA y directamente bajo la mirada de los inversores. Si bien la puerta de entrada no se ha cerrado de manera homogénea para todos, ciertamente la situación ya no es la que solía ser.

Desafío 3: El costo de ingresar a la competencia ha aumentado y se ha vuelto difícil de estimar

Las condiciones no solo se han endurecido por el lado de la demanda, sino también por el lado de la oferta: los recursos con los que cuentan los estudiantes para emprender.

En el pasado, el capital inicial necesario para crear una startup de software era insignificante. Todo lo que se requería era una computadora y un gasto mínimo en servicios en la nube. La mayoría de los estudiantes ya disponía de un equipo portátil y las plataformas en la nube ofrecían niveles gratuitos. A partir de ahí, solo hacía falta dedicarle incontables horas a programar, y el tiempo era precisamente el recurso más abundante en los estudiantes.

Hoy en día, dominar la IA es un requisito indispensable para cualquiera que pretenda emprender. Y en el desarrollo asistido por IA, el significado del volumen de acción cambia por completo: ahora depende de cuánto tiempo y con cuánta intensidad se pueda hacer trabajar a la IA. Una parte considerable de ese volumen de acción se compra con dinero en lugar de tiempo. Para estudiantes que disponen de tiempo pero carecen de recursos económicos, este es un cambio desfavorable. (Aun así, los jóvenes suelen ser muy hábiles descubriendo formas ingeniosas de usar la IA y localizando proveedores accesibles, por lo que en ese aspecto aún conservan oportunidades).

Esta carga financiera opera en dos niveles. El primero es la cuota fija de las suscripciones a servicios de IA. En el caso de ChatGPT, el plan Pro se ofrece en Japón por 16.800 yenes al mes (unos 100 dólares), orientado a usuarios que utilizan agentes de programación durante jornadas prolongadas y bajo cargas exigentes. Aunque el plan Plus de 3.000 yenes permite hacer mucho, la diferencia con los planes superiores no es menor si se pretende hacer programar a la IA continuamente durante largos períodos.

El segundo nivel corresponde a los costos por consumo de tokens. Además de lo que cuesta utilizar la IA durante la fase de desarrollo, si se incorpora la IA al propio producto, cada interacción de los usuarios generará costos continuos. Estos costos variables reducen los márgenes de ganancia de las empresas. El propio Blank advierte que los costos de inferencia han alterado la estructura de rentabilidad de los negocios, presionando los márgenes a la baja.

En el caso de Japón, la debilidad del yen acentúa este problema. Para una persona en Estados Unidos, destinar entre 100 y 200 dólares al mes puede equivaler a prescindir de un par de cenas fuera de casa. En Japón, en cambio, 16.800 yenes equivalen a más de una docena de comidas cotidianas de 1.000 yenes. Los costos de tokens tasados en dólares se encarecen en la misma medida por el tipo de cambio. El esfuerzo económico necesario para utilizar las mismas herramientas en la misma proporción es mucho más pesado para los estudiantes japoneses.

¿Podrían las universidades asumir los costos de IA de los estudiantes? No es una solución sencilla. En un cálculo muy simplificado, dotar a 100 estudiantes de un plan mensual de 16.800 yenes durante solo tres meses supone unos 5 millones de yenes. Aunque recurrir a soluciones como OpenCode Go o modelos de lenguaje locales (Local LLMs) es una alternativa, acondicionar y mantener esa infraestructura exige un esfuerzo y un costo notables. Si a ello se añaden los costos adicionales por consumo de tokens, el presupuesto se dispara, con la dificultad añadida de no poder estimar la cifra de antemano. Garantizar este acceso a todo el alumnado de forma sostenida resulta inviable para la gran mayoría de las universidades.

Como se señaló en el Desafío 2, las áreas en expansión no son necesariamente accesibles a bajo costo. Por añadidura, incluso en el ámbito del software —que antes permitía arrancar con presupuestos mínimos—, el costo inicial ha subido y resulta difícil de prever. En resumen: por el lado de la demanda, las oportunidades se han alejado del alcance del esfuerzo directo de los estudiantes; por el lado de la oferta, incorporarse a la competencia se ha vuelto mucho más costoso.

Desafío 4: Lean startup y design thinking son necesarios pero ya no suficientes

Ante estas transformaciones del panorama empresarial, la educación orientada a la creación de startups de alto crecimiento también está cambiando.

A lo largo de la última década, lean startup y design thinking han constituido la columna vertebral de la educación emprendedora universitaria. Son metodologías que enseñan a observar las necesidades de las personas, identificar problemas, construir experimentos a pequeña escala para verificar hipótesis e ir ajustando el rumbo en función del aprendizaje adquirido. Numerosos programas adoptaron este formato para enseñar a estudiantes técnicos el procedimiento hacia la implementación social.

Estos enfoques continúan siendo necesarios y suficientes para los pequeños negocios. Para identificar el problema inmediato de un cliente, resolverlo y recibir una contraprestación, el procedimiento de verificar necesidades sobre la marcha resulta, en la mayoría de los casos, más que adecuado.

En épocas anteriores ocurría algo semejante con las startups de alto crecimiento. Durante fases en las que el mercado crecía con fuerza por sí solo —como en el auge de los smartphones o de la nube—, bastaba con identificar las dificultades de los clientes y aplicar mejoras con rapidez dentro de ese mercado en expansión para que la empresa creciera al compás del entorno. No hacía falta meditar en exceso a qué mercado subirse; el propio impulso del sector impulsaba al negocio.

Sin embargo, en sectores maduros la situación es muy distinta. El procedimiento de buscar y corroborar los problemas del cliente sigue siendo ineludible, pero ya no garantiza por sí solo que la empresa adquiera escala. Resolver eficazmente el problema de un cliente en un mercado que no crece conduce inevitablemente a un pequeño negocio. Y cuando se pretende abordar desafíos de mayor envergadura, estos dejan de ser problemas de los operarios de primera línea para convertirse en prioridades estratégicas de la dirección corporativa, lo que exige interactuar con directores de división o altos ejecutivos, personas a las que los estudiantes difícilmente tienen acceso.

Para emprender proyectos de gran envergadura, el pensamiento de validación de hipótesis sigue siendo indispensable. En ese sentido, lean startup y design thinking siguen siendo necesarios. Sin embargo, en comparación con el pasado, ya no pueden considerarse suficientes por sí solos.

De ser así, se vuelve imperativo identificar sectores que realmente vayan a crecer. Esto significa que, antes de preguntarse cómo validar necesidades, es necesario discernir dónde competir. No obstante, que un sector en auge sea accesible a bajo costo para un estudiante es una cuestión muy distinta. Como se expuso en el Desafío 2, la demanda de infraestructura de IA se orienta a los semiconductores y la energía, mientras que las aplicaciones viables demandan fuertes alianzas con la industria y cuantiosas inversiones. Identificar un sector en crecimiento y poder emprender en él siendo estudiante no son condiciones que coincidan necesariamente.

Limitarse a enseñar metodologías resulta insuficiente, pero señalar áreas en expansión tampoco garantiza que los estudiantes puedan iniciar proyectos en ellas.

Desafío 5: El prototipado rápido ha dejado de demostrar competencia y compromiso

En el núcleo de lean startup se encontraba el prototipado rápido: construir de prisa para aprender de prisa. Los espacios físicos, como los talleres o fab labs, estaban concebidos precisamente como instalaciones destinadas a reducir los costos de fabricación y acelerar este ciclo iterativo.

Este planteamiento funcionaba porque construir algo requería una cantidad considerable de tiempo y destreza técnica. Desarrollar un prototipo funcional en un plazo breve demostraba dos cosas: primero, la solvencia técnica del equipo; segundo, un alto nivel de compromiso, evidenciado en el tiempo invertido, las tecnologías aprendidas y la seriedad con la que se asumía el proyecto.

La IA ha derribado este supuesto. En el terreno del software, es posible obtener un producto de acabado impecable en cuestión de horas. En consecuencia, quienes evalúan los resultados de un programa tienden a pensar que "cualquiera puede hacerlo con IA". Haber sido capaz de construir algo ya no genera reconocimiento externo. Más desapercibido aún pasa el hecho de que el entregable ha dejado de reflejar el nivel de compromiso del equipo. Vistos desde fuera, no hay forma de distinguir si dos productos de apariencia idéntica son fruto de semanas de profunda reflexión o si fueron armados en un fin de semana por un impulso pasajero.

Steve Blank relata haber vivido una transformación similar en sus propias clases. En la primavera de 2026, en la Universidad de Stanford, los equipos se presentaron desde el primer día con productos casi terminados gracias a la IA. Sin embargo, a medida que avanzaba el curso, el aprendizaje se estancó: los estudiantes sustituyeron la interacción con clientes reales por deducciones generadas por IA, las dieron por ciertas y buscaron elogios en lugar de evidencias que refutaran sus ideas. Blank concluyó que disponer de un producto ya no demuestra comprensión del cliente ni validación de hipótesis, y que el cuello de botella se ha desplazado del tiempo y el costo de construir hacia el discernimiento de qué construir y para quién. Asimismo, informó que los propios clientes usaban IA para crear sus propias alternativas con la misma rapidez que los estudiantes.

Blank rebautizó el concepto de MVP como IUP (Initial Untested Product, o Producto Inicial No Verificado). Con todo, esto se aproxima más a un cambio de terminología, ya que la estructura básica de conversar con clientes y poner a prueba las hipótesis se mantiene inalterada. Lo que ha variado no es tanto la esencia del método, sino la ubicación del obstáculo principal.

Los prototipos cumplían históricamente dos funciones: servían como herramienta de aprendizaje interno sobre el cliente y la tecnología, y actuaban como acreditación externa de capacidad y compromiso. La primera función sigue plenamente vigente; la segunda se ha perdido casi por completo. Sin embargo, los formatos de demo day en los que se exhiben desarrollos terminados, los talleres equipados para la fabricación y los criterios de selección basados en prototipos se diseñaron principalmente sobre la premisa de esa segunda función.

La creciente inclinación observada en Estados Unidos por fundadores que abandonaron los estudios universitarios, mencionada en el Desafío 2, podría guardar relación con este fenómeno. Cuando ser capaz de construir ya no certifica la seriedad de un equipo, los inversores buscan otros indicios. Renunciar a la seguridad de una carrera universitaria constituye una señal inequívoca y visible desde el exterior. No obstante, es también una señal que traslada todo el riesgo de demostrar compromiso sobre las espaldas del estudiante. Retomaremos esta cuestión al abordar los métodos de evaluación.

Desafío 6: Al no necesitar consultar a personas, la razón para congregarse se ha debilitado

Las instalaciones de incubación universitaria y los talleres para estudiantes eran lugares para almacenar maquinaria, pero también para consultar a otras personas: pedir ayuda al compañero de al lado cuando el código fallaba, someter el plan de negocios a la mirada de un mentor o emprendedor veterano, aprender técnicas de fabricación del personal técnico y recibir valiosa información imprevista de encuentros fortuitos. Gran parte del sentido de un espacio físico residía en estas consultas y coincidencias.

La IA ha pasado a absorber buena parte de estas interacciones. Detecta causas de errores, corrige código, señala fisuras en los planes comerciales y efectúa investigaciones de mercado. Sin necesidad de desplazarse a ningún sitio, en soledad desde casa e incluso a medianoche, se obtienen respuestas inmediatas. Al menguar la necesidad de consultar a personas, disminuye la razón para congregarse, y con ello la relevancia del espacio físico. La posibilidad de que equipos reducidos mantengan su avance de forma autónoma durante períodos prolongados refuerza esta tendencia.

Desde luego, la demanda de espacio físico no desaparece por completo. Todavía se precisan lugares donde guardar materiales, acceder a equipamiento especializado o trabajar en equipo de forma presencial. Con todo, la fórmula tradicional que combinaba un taller genérico con una comunidad de personas congregadas atrae a mucha menos gente que antes. Probablemente los laboratorios de investigación académica experimenten inquietudes similares.

Al mismo tiempo, dejar de consultar a personas acarrea costos difíciles de percibir. La IA rara vez cuestiona frontalmente los planteamientos del usuario; tiende a devolver respuestas plausibles y complacientes. La actitud de los alumnos de Blank, que aceptaron como verdades absolutas las conclusiones arrojadas por la IA, es un claro ejemplo de ello. Consultar a personas reales encierra siempre la posibilidad de recibir opiniones contrarias a las propias convicciones. Lo que verdaderamente se pierde al dejar de congregarse en un lugar físico es, quizás, esa valiosa oportunidad de confrontar ideas. Retomaremos este punto más adelante al hablar de cómo validar hipótesis en el trato directo con las personas.

Desafío 7: La creación de startups de alto crecimiento y la educación emprendedora han comenzado a divergir

Como balance de los desafíos expuestos, en estos últimos años se constata un distanciamiento creciente entre la gestación de startups de alto crecimiento y la educación emprendedora impartida a los estudiantes.

Tradicionalmente, numerosos programas universitarios operaban bajo el supuesto de que cultivar proyectos bajo el estandarte educativo daría lugar, con una probabilidad razonable, a nuevas empresas viables. Brindar formación práctica a los estudiantes y engendrar startups ambiciosas eran dos metas que convivían en armonía dentro de un mismo programa. Esta premisa se sostenía porque la distancia entre lo que un estudiante podía realizar y lo que una startup demandaba era relativamente corta.

Hoy en día, esa distancia se está ensanchando. Los requisitos actuales —discernir sectores en auge, una inmersión profunda en la industria, datos exclusivos y cuantiosas inversiones— son justamente activos que los estudiantes rara vez poseen. Los costos de entrada han aumentado. Los prototipos ya no permiten calibrar el compromiso real, lo que debilita las referencias empleadas para seleccionar a los equipos más prometedores en el ámbito educativo. En consecuencia, gestionar un programa valioso desde el punto de vista pedagógico reduce las probabilidades de que nazcan startups de alto crecimiento; por el contrario, si el objetivo prioritario es engendrar tales empresas, se requieren mecanismos completamente al margen de la educación estudiantil.

Dado que ambos caminos han comenzado a separarse, el ámbito educativo debe responder a una pregunta ineludible: cuando generar startups deja de ser el fin prioritario, ¿hacia dónde debe apuntar la educación emprendedora universitaria y qué contenidos debe enseñar?

¿Qué deberíamos enseñar?

En pocas palabras, la fórmula tradicional rezaba: "Tomar a estudiantes con formación en ingeniería, asumir que dominan la técnica y enseñarles la metodología para la implementación social". En la actualidad, ambos pilares se tambalean. La ejecución técnica es asumida progresivamente por la IA, mientras que las metodologías —como vimos en el Desafío 4—, aunque resultaban suficientes en una etapa de expansión natural del mercado, representan hoy en día solo una condición necesaria entre muchas otras.

Asimismo, la educación emprendedora del pasado se esforzó intensamente por desatar el volumen de acción de los estudiantes, instándolos a construir sin descanso y a salir a encontrarse con personas. Ahora que parte de ese volumen de acción puede adquirirse con dinero y que la demanda accesible se ha adelgazado, situar la mera intensidad de acción en el centro de la educación resulta insostenible.

¿Deberíamos entonces enseñar directamente cómo se construyen las startups en la actualidad? Esa opción tampoco despeja todas las dudas. Instruir en metodologías de desarrollo basadas en IA, en las dinámicas presentes de recaudación de fondos y en los modelos de negocio hoy en boga ofrece a los alumnos conocimientos comprensibles y de utilidad inmediata. Sin embargo, cabe preguntarse si ese tipo de instrucción práctica corresponde a instituciones educativas universitarias más allá de las escuelas de negocios o los centros de formación profesional.

En el caso de los pequeños negocios, el dilema es más simple. Como se apuntó en el Desafío 4, lean startup y design thinking siguen siendo plenamente aplicables a este segmento, y la reducción de costos propiciada por la IA facilita enormemente el inicio de proyectos individuales o de pequeños equipos. Existen múltiples formas de transmitir cómo arrancar y gestionar estas iniciativas, y enseñarlas conserva un indudable valor.

No obstante, situar este enfoque como eje central exige una profunda deliberación. Con la proliferación de alternativas de aprendizaje fuera de las aulas universitarias, conviene indagar qué justifica que sea la universidad quien asuma esta labor y qué espera la sociedad de su educación emprendedora. La respuesta variará sustancialmente según el fin que se persiga al fomentar el emprendimiento: si se busca la autorrealización individual, la revitalización regional, la resolución de problemáticas sociales o el crecimiento económico general.

Próximos pasos

Las siguientes líneas de acción constituyen hipótesis de trabajo que deberán verificarse y ajustarse en la práctica.

Dirección 1: Definir el propósito antes de diseñar los programas

Como se analizó en el Desafío 7, la creación de startups y la educación emprendedora han comenzado a disociarse. A pesar de ello, los programas universitarios han mantenido ambos objetivos en una ambigüedad calculada. Mientras ambos mundos caminaban cerca, esa fórmula funcionaba; hoy en día, si no se determina hacia qué vertiente inclinarse, tanto el diseño del programa como su evaluación perderán claridad.

Si se opta por priorizar la educación, el cometido consistirá en acercar al mayor número posible de estudiantes modelos de pensamiento perdurables y conocimientos sobre sectores de futuro. Si la prioridad es la creación de startups, será necesario seleccionar un número muy reducido de equipos y dotarlos de capital y de un acompañamiento intensivo y especializado que les permita asumir retos ambiciosos.

Los jóvenes fundadores estadounidenses examinados en el Desafío 2 reciben fondos y respaldo sustanciales concentrados en unos pocos elegidos, provenientes ante todo de inversores. En Japón, esta vía es todavía más estrecha. El estrato de capital dispuesto a apostar con fuerza por fundadores noveles no es tan profundo como en Estados Unidos y, bajo la práctica arraigada de la contratación masiva de recién graduados, el costo personal de abandonar los estudios universitarios para emprender se percibe como una carga mucho más onerosa. En ese contexto, en Japón tal vez sea necesario que las universidades y las entidades de apoyo preparen de forma deliberada canales para que unos pocos estudiantes puedan asumir grandes desafíos.

Otra alternativa es concebir ambas metas de forma escalonada: una primera fase abierta a numerosos estudiantes centrada en la formación general, seguida de una segunda etapa selectiva donde únicamente los equipos destacados reciban capital y respaldo intensivo. En tal caso, convendrá replantear los criterios de selección. Puesto que los entregables materiales ya no permiten constatar el compromiso, habrá que recurrir a indicios que exijan una dedicación genuina de tiempo y esfuerzo: a cuántas personas entrevistaron, qué hechos lograron verificar y qué compromisos formales consiguieron de contrapartes reales. En cualquier supuesto, resulta indispensable comenzar por clarificar el propósito fundamental.

Dirección 2: Forjar principios perdurables en el contexto de grandes desafíos

Conviene concebir la validación de hipótesis no como una metodología omnímoda situada en el epicentro educativo, sino como una herramienta que se ejerce al encarar grandes desafíos. Cuando se trata de hipótesis para pequeños negocios, la IA abarata tanto la construcción y el ensayo que el tanteo empírico puede reemplazar los procedimientos formales de verificación. La necesidad del método de contrastación se hace patente ante problemas de gran escala cuyas respuestas no se obtienen simplemente construyendo.

Los grandes desafíos demandan herramientas que trascienden la mera validación de hipótesis: saber elegir problemas que merezcan diez años de dedicación, anticipar la evolución de los costos tecnológicos y los cambios en la demanda, trazar planes de mitigación que desactiven los riesgos más letales en orden de prioridad cuando no es factible iterar indefinidamente, descifrar quién toma las decisiones y quién financia las soluciones en un sector determinado, y congregar compañeros, capital y socios estratégicos. La capacidad de discernir dónde competir, expuesta en el Desafío 4, se sustenta en estas mismas herramientas. Se trata en todos los casos de criterios vinculados al juicio estratégico y no a la mera ejecución procedimental; precedieron a la llegada de la IA y conservan un alto potencial de vigencia futura.

Gran parte de estas facultades pueden ejercitarse sin requerir costosas suscripciones a herramientas de IA. Este enfoque presenta además la ventaja de sortear en la etapa formativa el obstáculo del encarecimiento de la competencia expuesto en el Desafío 3.

Plantear hipótesis y someterlas a prueba

A lo largo de este texto, hemos repasado la trayectoria que ha llevado a la creación de startups de alto crecimiento y a la educación emprendedora a comenzar a bifurcarse. Aunque esta transformación se venía gestando de manera gradual, la irrupción de la IA la ha hecho evidente de forma ineludible.

Precisamente ante la claridad de este cambio, considero oportuno replantear la educación emprendedora de negocios en su sentido estricto.

Al ubicarse en la frontera más inmediata con la sociedad, la formación en negocios y emprendimiento debe transformarse al compás de los cambios sociales. Resulta imperativo asimilar estas realidades, revisar los métodos pedagógicos precedentes y, a partir de este nuevo panorama, formular hipótesis que los propios educadores sometan a prueba de manera continua. Hemos entrado de lleno en una etapa que exige recuperar este espíritu experimental. Concluyo este artículo con la modesta intención de ordenar el estado de la cuestión para enriquecer ese debate venidero.