Fijar una gran montaña y aprender con la IA a escalarla: balance del curso Entrepreneur Dojo 2026

Ha terminado el curso 2026 de Entrepreneur Dojo de la Universidad de Tokio, un programa de educación en emprendimiento.

La primera parte, S1 (de abril a junio), consta de 7 sesiones centradas en clases magistrales y conferencias de invitados; la segunda, S2 (de junio a julio), de 7 sesiones de práctica en equipo. Este año cambié mucho el diseño del curso en ambas partes. Este texto es el registro y el balance de ese cambio.

Antecedentes y contexto

Como contexto, a finales del año pasado escribí el artículo «Cómo cambia la IA generativa la educación en emprendimiento». Con IA generativa, un estudiante puede preparar en 30 minutos una presentación de pitch de apariencia decente. Es decir, ahora es fácil que el esfuerzo y la capacidad del estudiante se separen mucho de la calidad de lo que entrega. Además, la calidad de lo entregado cambia mucho según el plan de IA generativa que pueda usar el estudiante. Así, lo que se paga por la IA y las diferencias en alfabetización en IA influyen mucho en los resultados. Pero si se sigue restringiendo el uso de la IA en clase, la distancia con las situaciones reales en las que se exige espíritu emprendedor se hace demasiado grande.

También he explicado que la educación en emprendimiento tiene un sentido amplio y un sentido estricto. Este curso está diseñado para inclinarse relativamente hacia el emprendimiento en sentido estricto, aunque también aspira a cultivar el emprendimiento en sentido amplio. Su objetivo no es transmitir conocimientos y habilidades de negocios, sino cultivar cualidades y capacidades, como la validación de hipótesis y la obtención de recursos, que los incluyen y que sirven también en otros ámbitos; aun así, se inclina relativamente hacia el sentido estricto. Y cuando tratamos el emprendimiento en sentido estricto, no hablamos de crear empresas en general, sino que partimos de las startups de alto crecimiento.

En este entorno, ¿qué debe enseñar y qué debe evaluar la educación en emprendimiento? El artículo de fin de año terminaba con esa pregunta; comparto esto como registro de nuestra respuesta a ella en 2026. Debo advertir de antemano, sin embargo, que no es algo aplicable a todas las regiones ni a todos los objetivos educativos.

Los grandes cambios de este año: visión e IA

Los cambios son tres, y grandes.

En primer lugar, trasladé el centro de gravedad de lo que enseño, de «encontrar un problema cercano y validar hipótesis» a «trazar una gran visión y diseñar la estrategia para llegar a ella».

Como ya he dicho antes, creo que metodologías como el lean startup o el design thinking tienen límites desde el punto de vista de generar startups de alto crecimiento en Japón. Tienden a partir de ideas cercanas y, mientras se validan, tienden a converger en negocios pequeños.

Por supuesto, el proceso de buscar problemas ocultos, pensar soluciones y validarlas sigue siendo eficaz para fundar pequeños negocios, y aunque se trace una gran visión, a ras de suelo sigue habiendo una sucesión de validaciones de hipótesis. Además, como docente, me alegra que las metodologías de validación de hipótesis sean fáciles de enseñar.

Aun así, teniendo en cuenta el entorno en el que se encuentra el ecosistema de startups de Japón, el avance de la IA que explicaré más adelante, y que «fácil de enseñar = bueno» se había vuelto una ecuación, mi percepción actual es que cobra cada vez más importancia decidir primero «a qué montaña subir» (véase Fit Journey v2).

Lo anterior se refiere al emprendimiento en sentido estricto, pero creo que ocurre algo parecido en el sentido amplio. Con una población que se reduce, se empiezan a exigir grandes visiones de todo tipo: en la estrategia industrial, en los planes regionales y en la estrategia nacional, sobre cómo trazar una configuración nueva y llevarla a la práctica, y sobre qué posición construir mientras el orden internacional se tambalea.

En segundo lugar, en S2 pasé a que sea el profesorado quien fije la «misión». Preparamos de antemano grandes objetivos con sus restricciones, por ejemplo «crear en un plazo de 15 años, en el ámbito de los robots submarinos, un negocio con una capitalización bursátil de al menos 300.000 millones de yenes», y los estudiantes eligen entre ellos y se lanzan al reto. El tamaño de la montaña no se puede cambiar, pero la forma de subirla es libre.

Ya desde hace unos años, en los talleres de S2 habíamos dejado de partir de ideas totalmente libres de los estudiantes. La razón es que, si se deja libertad total, tienden a surgir ideas difíciles de validar mediante entrevistas. Como queríamos que validaran hipótesis mediante entrevistas, limitábamos la elección de ideas libres (eso sí, si el ámbito era el mismo, se podía modificar la idea).

Un efecto secundario de esta restricción es que algunos estudiantes pierden motivación porque la idea no es suya, y que resulta más difícil experimentar la formación de equipos por parte de un líder. Aun con esa desventaja, dábamos prioridad a la experiencia de validar hipótesis. A partir de ahí, este año bajamos la prioridad de la experiencia de validar hipótesis mediante entrevistas y subimos la de la experiencia de afrontar un gran objetivo.

Quizá también habría sido posible que los propios estudiantes fijaran esos grandes objetivos, pero, incluso apoyando a adultos que se dedican a emprender, decidir «a qué montaña subir» es un trabajo muy difícil. Por eso, en el curso el profesorado asumió la elección de la montaña, y los estudiantes pudieron concentrarse en entrenarse en «cómo subir una gran montaña».

Además, las oportunidades de probar las ideas propias están aumentando tanto en las actividades extracurriculares dentro de la universidad como en los programas externos. Por eso pensé que sería mejor que un curso universitario fuera un lugar donde se presentan montañas de gran significado social, difíciles de elegir por uno mismo. Aprender en poco tiempo a subir una gran montaña era algo difícil hasta ahora, pero esperaba que con la IA se pudiera acelerar.

En tercer lugar, rehice todo el curso partiendo del uso de la IA. Incorporé la IA en todo, desde la investigación, las entrevistas simuladas, la formulación de estrategia y el plan de financiación hasta la elaboración de la presentación del pitch, y además creé yo mismo unas cinco aplicaciones web para el curso, intercalando una etapa de «práctica simulada» entre la teoría y la práctica real.

Estos tres cambios no son independientes: como la IA generativa ha reducido el coste de investigar y de hacer prototipos de validación, la capacidad de decidir hacia dónde ir se ha vuelto relativamente escasa, y por eso también he movido hacia ahí el centro de gravedad de la educación. Y, gracias a esa misma IA generativa, los propios docentes pueden crear los materiales y las aplicaciones que sostienen ese desplazamiento. El curso de este año ha sido la implementación, dividida entre S1 y S2, de la política de «acelerar con IA la exploración y la creación de prototipos y, a cambio, pedir a las personas la elección de la montaña, la estrategia y el juicio».

S1: énfasis en trazar una gran visión

S1 es el semestre dedicado a los conocimientos básicos y al desaprendizaje. Sobre esto último, añado que muchos estudiantes no «desconocen» el negocio de tipo startup, sino que «tienen un conocimiento equivocado» de él, por lo que primero hay que aflojarlo. Este planteamiento no cambia respecto a antes. Tampoco cambié el formato de 7 sesiones de clases magistrales y conferencias de invitados; cambié mucho el contenido, sustituyendo dos elementos.

(1) Mercado y estrategia

El primero es dar importancia al mercado y al carácter estratégico. La versión anterior del «Startup Fit Journey» que veníamos usando en FoundX era un camino que partía del cliente y se iba acumulando en problema, solución, producto y mercado. Este año usamos una versión nueva que añade antes dos etapas: «selección del mercado (Market)» y «construcción de la estrategia (Market/Strategy Fit)». La razón es que los planteamientos macro son difíciles de cambiar después. Si te equivocas de mercado, por mucho que te esfuerces después en validaciones micro, la posibilidad de un alto crecimiento es extremadamente baja.

En clase hablé varias veces de «sacar 95 puntos en un examen sobre 100, o sacar 9.500 millones de puntos en un examen sobre un billón». La vara de medir de las startups no es la probabilidad de éxito, sino el tamaño en caso de éxito. Para los estudiantes de la Universidad de Tokio, que se han entrenado para no perder puntos dentro de una puntuación máxima establecida, esta es probablemente la parte que más necesita desaprendizaje.

En las reflexiones de fin de semestre hubo también escritos como: «Hasta ahora daba importancia a cuánto mejor resultado podía obtener en las tareas que me daban, pero apenas tenía la perspectiva de qué tarea abordar en primer lugar». Que no volviera como adquisición de conocimiento, sino como toma de conciencia de qué vara de medir había estado usando uno mismo, fue una respuesta cercana al objetivo de un curso orientado al desaprendizaje.

(2) Práctica simulada con IA

El segundo es la práctica simulada con IA. Este año creé yo mismo aplicaciones web y las incorporé a las clases y a las tareas. Por ejemplo, las siguientes:

• Una aplicación para las clases que transcribe la clase en tiempo real y en la que la IA propone mejoras a las preguntas que publican los estudiantes
• Una aplicación de entrevistas en la que se experimenta con una IA como contraparte la venta o la decisión de inversión
• Una aplicación que simula en 6 pasos el proceso de emprender (aplicación de experiencia Fit Journey)
• Una colección de prompts para la selección de mercado y la formulación de estrategia

Creo que usar aplicaciones de IA tiene varias ventajas.

Hasta ahora, el paso siguiente tras lo aprendido en la teoría era directamente la práctica real (aunque en clase hacíamos entrenamientos simulados entre estudiantes). Es como si hubiéramos intercalado entre ambos un campo de prácticas donde el coste del fracaso es casi cero.

La ventaja de la práctica simulada con IA es que la IA da consejos en todo momento. Por ejemplo, la aplicación de entrevistas devuelve en el acto propuestas para mejorar las preguntas y «por qué esa pregunta no sirve». Lo típico en las reflexiones de los estudiantes era: «Aunque yo creía que era una buena pregunta, terminaba induciendo al interlocutor, o no conseguía profundizar hasta lo que realmente le preocupaba». En la teoría se puede explicar que «no hay que hacer preguntas que induzcan», pero uno no se da cuenta de que está induciendo hasta que se lo señalan. Y como para el profesorado es difícil señalárselo a cada estudiante, mi juicio fue que se podía usar la IA como apoyo.

También cuidé que el sistema no recopilara datos personales y que la organización no viera lo que escribían los estudiantes (por ejemplo, al completar una tarea se emite un código de finalización que informan mediante Google Forms). Por cierto, en cuanto al desarrollo de aplicaciones, había hecho otra aplicación de estrategia, pero no salió bien y la abandoné. Tuve la impresión de que todavía es difícil hacer que la IA sea la contraparte de un pensamiento de alto nivel de abstracción.

Lo que más me impresionó fue que se dieran cuenta de los límites de la IA. En la tarea de seleccionar un mercado con IA bajo la condición hipotética de una capitalización bursátil de 300.000 millones de yenes, un estudiante escribió, por la sensación de haberlo repetido muchas veces por su cuenta: «Si dependes de la IA, tiendes a ir hacia ideas promedio de mercados grandes y seguros». Que el resultado de un curso que trata el uso de la IA sea percibir los límites de la IA es algo paradójico, pero creo que también es un resultado lógico.

Un detalle menor: me resultó útil poder pensar con la IA las preguntas de la hoja de reflexión. En la reflexión, lo que aprende el estudiante cambia bastante según las preguntas que se planteen. Diseñar las preguntas de reflexión, que antes se discutía dentro del equipo, con una IA a la que se puede consultar en cualquier momento y que responde a partir de conocimientos pedagógicos, fue una ayuda.

S2: fijar la montaña y subirla junto con la IA

S2 son 7 sesiones en formato taller. Los estudiantes se dividen en equipos y avanzan desde la investigación inicial hasta la elaboración de hipótesis de negocio, la estrategia y el plan de prototipos, y el plan de financiación y la presentación del pitch. En las dos últimas sesiones invitamos como jurado a 5 emprendedores y 5 inversores en activo, y, usando el método jigsaw, todos los estudiantes hicieron un pitch individual. El objetivo era que experimentaran someter sus hipótesis a evaluadores del mundo real, emprendedores e inversores, es decir, una evaluación de alta autenticidad (authentic assessment, en términos pedagógicos).

Además, este año hicimos los siguientes cambios.

(1) Diseño de las misiones

Las misiones que preparamos se centran en ámbitos cercanos a la deep tech, como mar y robots, hidrógeno natural, espacio, energía eólica, materiales e IA, y vivienda y energía. A las misiones con ánimo de lucro les impusimos la restricción común de «una capitalización bursátil de al menos 300.000 millones de yenes en un plazo de 15 años» (a las de emprendimiento social les pusimos un gran objetivo de otro tipo). Cada misión incluye una hoja que reúne ejemplos de propuestas de proyecto, competidores, hipótesis que validar al inicio, propuestas de prototipos que se pueden hacer con unos 100.000 yenes y bibliografía de referencia. La propuesta de proyecto se podía modificar, pero el ámbito y las condiciones restrictivas eran inalterables.

(2) Incorporación de la IA en cada paso

Incorporamos la IA en cada paso. Para la investigación se usan NotebookLM y la «AI Wiki» que preparamos para el curso. Es un entorno de investigación y organización que incluye una colección de plantillas de prompts: cuando un estudiante le pregunta algo a la IA, todo el intercambio se guarda en la Wiki, y cuando se acumula cierto número de páginas, un LLM organiza automáticamente las conclusiones; es, por así decirlo, una versión grupal de la LLM Wiki. La IA se usa a través de OpenRouter, y nosotros seleccionamos en cada momento la que ofrece buena velocidad, rendimiento y coste.

Resultados

Como tendencia, tuve la impresión de que faltaba más tiempo que antes. Parece que, aun usando IA, sigue siendo muy difícil ponerse al día en algo ajeno a la propia especialidad. Por otro lado, creo que sin IA, en otra época, no se habría podido hacer una investigación tan seria.

También me parece que lo que aprendieron los estudiantes cambió un poco. Más que el aprendizaje de antes, «me di cuenta de la importancia de validar hipótesis», hubo comentarios que parecían reflejar la sensación de que «incluso con un objetivo ambicioso, si investigas bien y vas subiendo, puedes llegar hasta cierto punto». Creo que esto es justo lo que preveía el diseño del curso.

También cambiaron las reacciones del jurado. Hasta el año pasado nos decían que «es difícil comentar», quizá porque la distancia entre las «aplicaciones para problemas cotidianos» de los estudiantes y las ideas con las que suelen tratar los inversores era demasiado grande. Este año recibimos opiniones como: «Fue más fácil comentar, pero, al estar en el mismo plano, se notan más las asperezas». Por eso también hubo comentarios en el sentido de que querrían que hicieran más entrevistas y fueran a los lugares para ganar resolución. Quizá se podría lograr con un poco más de tiempo. En cualquier caso, considero un avance en sí mismo que ahora se les evalúe en el mismo plano que a los emprendedores normales.

Lo que recortamos y lo que fue difícil

Por otro lado, para este diseño recortamos algunas cosas.

En primer lugar, no se puede practicar crear ideas desde cero, porque el profesorado fija las misiones. Además, como la organización formó los equipos, tampoco hay experiencia de reunir por cuenta propia a compañeros y formar un equipo (eso sí, dentro del equipo el trabajo en equipo es, por supuesto, necesario).

Esto se debe a que hay relativamente muchas oportunidades de probar las ideas propias y de encontrar compañeros en las actividades extracurriculares y en los programas externos, pero creo que en gran medida pudimos recortarlo precisamente porque estamos en Tokio, que goza de esas oportunidades. De hecho, aunque explicamos que «quien quiera probar su propia idea puede hacerlo en otros cursos o en actividades extracurriculares», también es cierto que hubo descontento con este cambio y personas que renunciaron. Aun así, he juzgado que, si las habilidades necesarias están cambiando, hay que transmitir las habilidades necesarias antes que preocuparse por la reputación.

Lo más difícil fueron las entrevistas. Hasta el año pasado, como los propios estudiantes indicaban ideas en las que podían ser clientes, era fácil validar hipótesis mediante entrevistas a clientes; este año, como el centro eran los ámbitos deep tech orientados a misiones, llegar a los entrevistados se volvió difícil en sí mismo. Este año también contamos con la colaboración de una empresa y hubo un equipo que pudo hacer entrevistas reales, pero tuve la impresión de que fue algo difícil. El año que viene podríamos mitigarlo algo con medidas como limitar las misiones a las relacionadas con tecnologías de la Universidad de Tokio, o reducir los tipos de misiones y pedir de antemano la colaboración de posibles clientes.

La IA generativa y la educación en emprendimiento

Para terminar, resumo lo que he pensado a partir de la experiencia de este año.

En primer lugar, creo que es muy importante que el profesorado pueda crear por sí mismo materiales interactivos. Hasta ahora, el software educativo eran herramientas para ganar eficiencia, como Zoom o los LMS. Procesaban rápido y con precisión procedimientos establecidos, pero no cambiaban mucho el contenido de las clases. La IA generativa es distinta. Una aplicación que hace unos años habría costado varios millones de yenes y varios meses de encargo externo, un docente puede hacerla por sí solo y corregirla cada semana. Y además es posible, en cierta medida, personalizar con IA. Ya puede existir software como herramienta para una sola idea que se quiere transmitir, en la sesión de uno mismo, de su propio curso. Creo que este cambio no se limita a la educación en emprendimiento.

En segundo lugar, a cambio, el diseño de los cursos se ha vuelto más difícil. Esto se debe a que, donde antes había tres actores —estudiantes, docentes y materiales—, el software ha entrado en serio como cuarto elemento. Ahora que no solo existen herramientas de uso general, sino que se puede crear enseguida software específico para cada sesión de clase, creo que durante un tiempo seguiremos en una etapa de búsqueda sobre cómo ubicar el software y la IA generativa dentro del aprendizaje activo.

En tercer lugar, aun así, es seguro que, si no usamos la IA, la brecha entre la realidad y la educación se ampliará. Como ya mencioné en el artículo anterior, siento que, precisamente porque la educación en emprendimiento está cerca de la sociedad real, tenemos que seguir pensando de nuevo cómo conciliarla con ella y cómo maximizar el aprendizaje de los estudiantes en poco tiempo.

Iniciativas similares en el mundo

Parece que también las aulas del extranjero se debaten sobre cómo convivir con la IA generativa.

Por ejemplo, en el Lean LaunchPad de Stanford de la primavera de 2026, 8 equipos hicieron 978 entrevistas en unas 10 semanas, y todos los equipos usaron IA generativa. Lo que se informó allí fue el problema de que la velocidad para construir productos con IA supera a la velocidad para aprender de los clientes. Se dice que los estudiantes podían construir en pocas horas un MVP pulido, pero a veces no sabían explicar qué hipótesis servía para validar. Es casi la misma percepción que mi preocupación por la separación entre esfuerzo y resultado (unbundling).

El formato de fijar misiones tiene un precedente en Hacking for Defense, originado en Stanford. Es un curso en el que equipos de estudiantes afrontan problemas reales que traen organismos gubernamentales y otras entidades, y se ha extendido a unas 70 universidades. La diferencia es que Hacking for Defense trata «problemas que se tienen ahora», mientras que el Dojo fija desde el profesorado «ámbitos que deberían crecer en el futuro». Por su parte, los Generative AI Labs de Wharton han creado simulaciones de práctica de pitch en las que la IA hace de mentor o de inversor, y además conciben un entorno en el que los docentes pueden crear simulaciones específicas para su propio curso.

Es decir, el curso de este año puede situarse como un experimento que integró, en una sola metáfora y un solo currículo, «subir una gran montaña con la IA», elementos que en el mundo se están probando por separado: cursos con misiones fijadas, simulaciones con IA, validación de hipótesis y planteamiento retrospectivo a partir de una visión a largo plazo. Eso sí, por equidad, hay que decir que muchos casos del extranjero siguen en la fase de informes de práctica, y que la validación rigurosa de si el uso de la IA mejoró los resultados de aprendizaje a largo plazo está aún por hacer. Les pido que lean lo que sostiene este texto no como un método de eficacia demostrada, sino al nivel de que experimentos en la misma dirección están empezando simultáneamente en muchos lugares del mundo.

Conclusión

La IA ha acelerado el ciclo de validación de hipótesis sobre problemas cercanos. En un mundo así, si lo que le queda a las personas es «decidir a qué montaña subir, diseñar cómo subirla y seguir juzgando», el centro de gravedad de la educación también debe desplazarse hacia ahí. El Dojo de este año fue un ensayo de ello.

En clase les pregunté a los estudiantes: «¿Prefieren sacar 95 puntos sobre 100, o sacar 9.500 millones de puntos sobre un billón?». Creo que la misma pregunta se nos plantea también a los docentes: ¿hacer un curso algo mejor dentro del marco existente, o rehacerlo desde la pregunta de qué se debe enseñar?

Y creo que quienes nos dedicamos a la educación en emprendimiento tenemos que preguntarnos siempre si «estamos ejerciendo el espíritu emprendedor» y si «no estamos desafiándonos también en la educación cada año». Esa iniciativa es la de este año.

Puede que nuestra hipótesis esté equivocada, y no es seguro que el año que viene sigamos con el mismo curso (probablemente lo habré cambiado), pero lo dejo recogido en este artículo como información compartida de lo que estamos haciendo en este momento.

Por cierto, no está previsto publicar las aplicaciones usadas esta vez, pero la colección de prompts está publicada en el sitio de FoundX. Si hay profesionales de la educación o responsables de políticas públicas que están haciendo los mismos ensayos, espero que les sirva de referencia.