Construir Capacidad Absortiva en la Era de la IA: ¿Por Qué Más Conocimiento Entrante No Te Salvará?
La IA multiplica el conocimiento entrante, pero no su capacidad de utilizarlo. Construya la capacidad de absorción que convierte la inundación en ideas aplicadas, no en backlog.
¿Por qué más conocimiento obtenido mediante IA produce el mismo número de ideas aplicadas?
El cuello de botella nunca fue el suministro de conocimiento. Lo que escala cuando se añade IA es el flujo de entrada. Lo que no escala (lo que nunca ha escalado automáticamente) es la capacidad de la organización para reconocer lo que importa en él, conectarlo con lo que ya saben y moverlo hacia una decisión. El aumento del flujo de entrada no mueve esa aguja.
Henry Chesbrough, quien acuñó el término innovación abierta, hizo el punto años antes de que existiera la IA generativa: externalizar sin integración colaborativa produce menos productos de valor añadido. La IA superpotencia la mitad de la externalización. Una herramienta de exploración que antes devolvía una lista corta seleccionada ahora devuelve un chorro. La mayoría de lo que los equipos de innovación sacan a la luz se archiva. El cubo ya estaba desbordado. StartUs Insights documenta equipos “ahogados en patentes, artículos, lanzamientos de startups y movimientos cambiantes de los competidores” antes de que las herramientas de IA entraran en escena y comenzaran a generar aún más señales para que los mismos equipos procesaran.
El costo es medible. Un estudio de 2025 de 1,150 trabajadores estadounidenses realizado por BetterUp Labs y el Social Media Lab de Stanford encontró que el 41% había recibido “trabajo basura” en el mes anterior, salida plausible de IA que crea trabajo downstream en lugar de eliminarlo, a un costo que los autores estimaron en más de $9 millones al año en productividad perdida para una empresa con 10,000 empleados. Por separado, “el 95% de las organizaciones no ven un retorno medible de su inversión en estas tecnologías”. Más volumen de entrada no es una entrada neutral. Pasado un umbral, es un impuesto.
La IA está generando contenido, borradores y basura presentable más rápido de lo que las organizaciones pueden procesarlo. Esa discrepancia se está convirtiendo en una brecha real entre lo que la IA puede producir y lo que las organizaciones pueden metabolizar realmente. — Rebecca Hinds, Work AI Institute / Glean (2026)
“Metabolizar” es el verbo correcto, y es una reafirmación casi exacta de la capacidad de absorción de un proveedor que vende herramientas de IA. Metabolizar el volumen siempre fue la parte difícil. Producirlo nunca fue la limitación. Esa capacidad es de lo que trata el resto de esta guía, y por qué un fuerte programa de innovación abierta depende de ella.
¿Qué es la capacidad de absorción, brevemente?
La capacidad de absorción es la capacidad de una organización para reconocer el valor del nuevo conocimiento externo, asimilarlo y aplicarlo a fines comerciales. El conocimiento previo relacionado es la puerta: solo puedes absorber lo que ya estás equipado para entender.
El término proviene de un artículo de 1990 de Wesley Cohen y Daniel Levinthal que ha sido citado más de 34,000 veces. Ellos lo definieron como la capacidad de una empresa para “reconocer el valor de la nueva información externa” y “aplicarla a fines comerciales”, una capacidad que llamaron “crítica para sus capacidades innovadoras”. La parte no obvia es la puerta. Un laboratorio farmacéutico puede absorber una nueva técnica de ensayo porque ya emplea a personas que entienden los ensayos. La misma técnica es invisible para una empresa sin conocimiento previo al que adherirla. El conocimiento no se transfiere al vacío. Se une a lo que ya está allí.
La página de definición de capacidad de absorción cubre la historia, los debates de medición y el argumento eterno de potencial versus realizado en profundidad. Lo que importa aquí es la consecuencia de la era de la IA de una característica específica del constructo, que la siguiente sección establece: la división entre la mitad de la capacidad de absorción que la IA hace barata y la mitad que deja intacta.
¿Cuál es la diferencia entre la capacidad de absorción potencial y realizada, y por qué la IA rompe la división?
La capacidad de absorción potencial es la adquisición y asimilación de conocimiento externo. La capacidad de absorción realizada es la transformación y explotación de este conocimiento en productos y decisiones. La IA reduce el costo del primer par y apenas toca el segundo, por lo que la proporción entre ellos se colapsa.
En 2002, Shaker Zahra y Gerard George dividieron el constructo en dos, y esa división es lo que hace legible el problema de la IA. Distinguieron la “capacidad de absorción potencial (adquisición y asimilación de conocimiento)” de la “capacidad de absorción realizada (transformación y explotación del conocimiento)”, y nombraron un “factor de eficiencia” que “explica por qué algunas empresas son menos eficientes que otras en aprovechar su capacidad de absorción”. El factor de eficiencia es la proporción de la capacidad realizada con respecto a la potencial. Es la parte de lo que tomas que realmente conviertes.
| Dimensión | Mitad | Lo que la IA hace con ello | Tendencia de costo |
|---|---|---|---|
| Adquirir | Potencial | Explora, recupera y muestra conocimiento externo a escala | Colapsando |
| Asimilar | Potencial | Resume, agrupa y etiqueta el material entrante | Colapsando |
| Transformar | Realizado | Recombinar con el saber interno; apenas movido por las herramientas | Aproximadamente plano |
| Explotar | Realizado | Convertir el conocimiento recombinado en productos y decisiones enviados | Aproximadamente plano |
La IA es una máquina de capacidad potencial, colapsa el costo de las dos etapas donde el constructo nunca fue la limitación vinculante, y casi no hace nada en las dos etapas donde siempre lo fue. La mitad realizada sigue limitada por el conocimiento previo, por rutinas interfuncionales, por integración tácita que no vive en un corpus de entrenamiento. El factor de eficiencia (la proporción de realizado a potencial) cae. Comprar IA para procesar más conocimiento externo hace que la innovación sea peor, no mejor, hasta que hayas reconstruido el receptor humano que la IA solo puede amplificar.
El artículo de Pedota de 2024 desarrolla el argumento conceptual.
La rápida emergencia de la inteligencia artificial (IA), que salta la brecha entre datos y conocimiento, desafía la concepción de la capacidad de absorción tal como la conocemos. — Mattia Pedota, SSRN (2024)
Los proveedores hacen la versión operativa: El CEO de Glean dice que su asistente “toma medidas en herramientas como Salesforce, Jira, GitHub”. Si la IA realiza las etapas de transformación y explotación, la mitad realizada también se mueve.
El límite que tienden a no nombrar es lo que ocurre cuando no lo hace. Una revisión sistemática de 2025 de 80 estudios encontró que el “potencial de la IA para impulsar una ventaja competitiva sostenida sigue dependiendo de la capacidad de absorción de las empresas”. Esa revisión establece correlación, no mecanismo, pero la distinción no cambia lo que deberías hacer a continuación: hasta que alguien muestre que el rendimiento de la IA llega independientemente de la capacidad de absorción, la suposición segura es que no lo hace. Mientras tanto, un agente que actualiza Salesforce más rápido sigue dirigiendo su salida al mismo pipeline humano. La velocidad de la herramienta no cambia el rendimiento del receptor.
¿Qué se hace mal con respecto a la IA y la capacidad de absorción?
Tres creencias causan el mayor daño: que el gasto en I+D mide la capacidad de absorción, que la IA puede ser el receptor y que más canales de innovación abierta siempre ayudan. Cada una de ellas aumenta silenciosamente la brecha de conversión mientras parece progreso.
“El gasto en I+D es un proxy de la capacidad de absorción.” La realidad: mide la entrada en lugar de la conversión. Una revisión de 2006 de 289 artículos sobre capacidad de absorción advirtió que el campo había colapsado silenciosamente el constructo en proxys crudos. Los autores concluyeron que cinco supuestos críticos habían “llevado a su reificación”, siendo la reificación el error de tratar un proceso vivo como una cosa estática que puedes comprar. La intensidad de I+D te dice qué es lo que una empresa vierte. No dice nada sobre lo que sale por el otro lado. El argumento de medición completo vive en la página de definición de capacidad de absorción. La conclusión práctica es que un presupuesto más grande para IA es el mismo error de categoría con ropa nueva.
“La IA es el receptor.” La realidad: la IA mueve la mitad que nunca fue el problema. La evidencia más clara proviene de una encuesta de 2025 de 290 empresas manufactureras chinas. La IA mejoró tanto la compartición de conocimiento explícito como tácito. Sin embargo, la capacidad de absorción solo fortaleció el camino del conocimiento tácito a la innovación. El trabajo de transformación y explotación aún corría a través de las personas. Comprar un agente que “toma acción” mejora la adquisición y la asimilación, la mitad barata, y deja la mitad con puerta donde estaba.
“Más canales de innovación abierta siempre ayudan.” La realidad: los rendimientos se invierten después de un punto. Añadir otro canal de entrada es la acción más fácil que la IA hace disponible, y la sección seis muestra por qué hacerlo más allá de un umbral reduce el rendimiento innovador en lugar de aumentarlo. La capacidad de absorción es una función con personal e instrumentada en lugar de un eslogan cultural o una línea de adquisición. Un hábito común de ampliar la “capacidad de absorción” a la genérica “capacidad de innovación” esconde exactamente esto, haciendo que el receptor suene como una actitud en lugar de un sistema operativo que tienes que construir.
¿Cuáles son las cuatro dimensiones: adquirir, asimilar, transformar, explotar?
Las cuatro dimensiones son las etapas por las que pasa el conocimiento dentro de una empresa. Adquirir y asimilar son la capacidad potencial, la entrada. Transformar y explotar son la capacidad realizada, la conversión. La IA es fuerte en las dos primeras y débil en las dos últimas, lo cual es todo el argumento en miniatura.
Un estudio de múltiples casos de 2025 sobre startups de IA trazó cómo las empresas ejecutan estos mecanismos en la práctica, incrustándose en el mercado durante la adquisición y diseñando para la serendipia durante la asimilación.
Adquirir: encontrar y traer conocimiento externo
Esto es exploración, monitoreo, asociaciones, contratación y revisión de literatura. Una empresa de medtech que ejecuta un programa permanente de vigilancia de patentes y asistencia a conferencias está adquiriendo. La IA es abrumadoramente fuerte aquí. Es la única etapa en la que “diez veces las entradas” es literalmente cierto, y la etapa que ha engañado a los líderes para pensar que todo el constructo se volvió más barato.
Asimilar: interpretar y conectarlo con lo que ya sabes
La asimilación es enrutar, resumir y etiquetar para que una nueva entrada se adjunte al entendimiento existente. Un bibliotecario de investigación que agrupa los documentos entrantes por proyecto interno está asimilando. La IA también ayuda aquí, redactando resúmenes y mostrando conexiones, aunque sus resúmenes son exactamente el “slop de buena apariencia” que necesita verificación humana antes de que se considere entendido.
Transformar: recombinar el conocimiento externo e interno en algo nuevo
La transformación es el acto interfuncional de fusionar una idea externa con el know-how propietario. Una revisión interfuncional en la que ingenieros, personal regulatorio y un líder de producto reconfiguran una técnica adquirida en un elemento del mapa de ruta es transformación. La IA no hace esto. No tiene acceso al conocimiento tácito, político y contextual que requiere la recombinación.
Explotar: convertir la recombinación en productos, procesos e ingresos
La explotación es enviar: la decisión presupuestaria, la línea en el mapa de ruta, la característica lanzada. Una revisión de etapa-pasarela que elimina tres conceptos y financia uno es explotación. Es aquí donde las ideas mueren en las empresas con baja capacidad, y donde la contribución de la IA es más delgada. Greg Smith, un exejecutivo de productos de Google, Microsoft y Amazon, lo dijo sin rodeos: las ideas son abundantes y “el problema es la ejecución”.
¿Por qué la IA eleva el nivel de ruido más rápido de lo que eleva la capacidad?
La IA reduce el costo marginal de abrir un canal de entrada más a casi cero, y la apertura tiene un techo conocido. Más allá de una amplitud óptima, buscar más ampliamente reduce el rendimiento innovador en lugar de aumentarlo. La IA te lleva a ese techo más rápido y luego te lleva más allá de él.
El ancla empírica es el estudio de Keld Laursen y Ammon Salter sobre la búsqueda externa. Su estudio de 2006 de aproximadamente 2,700 fabricantes del Reino Unido encontró que buscar ampliamente está relacionado de manera curvilínea con el rendimiento, una U invertida.
Antes de la IA, el costo era el freno. Monitorear otro dominio significaba otro analista, otra suscripción, otra reunión permanente. Los presupuestos mantenían a las empresas cerca de la parte productiva de la curva no por diseño, sino por accidente, la restricción imponía el comportamiento correcto sin que nadie lo nombrara como tal. La IA levantó la restricción sin mover la curva. Añadir un dominio de exploración ahora es un comando. Los equipos navegan más allá de la cima sin darse cuenta porque la señal que solía dispararse (costo creciente) ya no lo hace.
El nivel de ruido aumenta con la amplitud. InnovationCast captura el fracaso de manera concisa: el software que muestra cada posible idea “abruma a los participantes y no es más que ruido”. Una vez que la relación señal-ruido cae por debajo de lo que tu etapa de asimilación puede manejar, las fuentes adicionales no añaden opciones. Las entierran. Esta es la razón por la cual “añadimos tres fuentes de IA más” a menudo precede a “nuestra tasa de aciertos disminuyó”. La misma dinámica subyace al caso de la visión continua como una práctica disciplinada en lugar de un concurso de volumen. La solución no es más canales. Es igualar la amplitud del canal al rendimiento del receptor.
¿Qué parte de la capacidad de absorción no puede absorber la IA por ti?
Conocimiento tácito: el know-how vinculado al contexto, difícil de codificar, que las etapas de transformación y explotación utilizan. La IA absorbe bien el conocimiento explícito, escrito. La parte donde se concentra el valor de la innovación sigue siendo humana, lo que hace que el receptor siga siendo fundamental.
La distinción es de Michael Polanyi, y la investigadora de la ciencia de la ciencia Lingfei Wu la enmarcó directamente en un seminario de 2021, citando el máximo de Polanyi de que “sabemos más de lo que podemos decir”. Algunos conocimientos no pueden ser movidos porque nunca se escribieron y a menudo no pueden serlo, lo que la investigación de transferencia de conocimiento llama “pegajosidad”: conocimiento que resiste la distribución sin importar cuánto presupuesto o voluntad se le dedique. Vive en el juicio de un ingeniero senior, el lenguaje abreviado trabajado de un equipo, el sentido de las objeciones de un representante frente al cliente. La investigación de Ethan Mollick apunta en la misma dirección: la IA funciona mejor como un compañero de equipo colaborativo en lugar de un reemplazo, lo cual solo se mantiene si hay un compañero de equipo capaz en el lado humano para colaborar.
| Tipo de conocimiento | Lo que la IA hace bien | Lo que aún requiere el receptor humano |
|---|---|---|
| Explícito / documentado | Recupera, resume, traduce, hace referencias cruzadas | Verificar que es correcto y relevante, nunca solo plausible |
| Tácito / experiencial | Casi nada; no está en los datos de entrenamiento | Mentoría, segunda asignación, trabajo lado a lado |
La línea empírica más fuerte detrás de la tesis se rinde como la cita principal de la sección.
La IA facilita ambos tipos de compartición de conocimiento, pero solo el vínculo entre la compartición de conocimiento tácito y la innovación se fortalece significativamente con una mayor capacidad de absorción. — Lin & Wu, IEEE Transactions on Engineering Management (2025)
La IA ayudó a mover tanto el conocimiento explícito como el tácito. Pero la vía que realmente fortaleció la innovación, la tácita, solo rindió frutos a través de la capacidad de absorción, una propiedad humana. Una empresa con débiles rutinas de integración tácita obtiene la ayuda de la IA en la mitad que no se convierte y la pierde en la mitad que sí. HBR’s Matthias Holweg y Thomas Davenport advierten sobre la versión organizacional: un “decaimiento en la precisión y calidad del conocimiento organizacional”, la forma a nivel de empresa de workslop.
Por los números: ¿qué dice la investigación sobre la IA y la capacidad de absorción?
La evidencia converge en un hallazgo: la capacidad de absorción, más que la IA, es la variable que determina si la IA produce innovación. Cada estudio y encuesta a continuación enumera su muestra e implicación en una línea.
- 88% de adopción organizacional de IA, según el Stanford HAI 2026 AI Index — la adquisición de IA es casi universal; no es un diferenciador.
- 39% de las empresas reportan algún impacto en EBIT, según la encuesta McKinsey’s State of AI 2025 — la brecha de realización es la brecha de capacidad de absorción.
- ~6% califican como “alto rendimiento en IA”, en la misma encuesta de McKinsey — la conversión, no la adopción, separa el campo.
- El efecto de AC a innovación ~2 veces más grande en la era del smartphone que antes de internet, según Stettler et al. (JPIM, 2025) — las herramientas digitales amplifican la AC donde existe.
- 41% de los trabajadores recibieron “trabajo basura” mensualmente, según el estudio HBR / BetterUp & Stanford 2025 — el volumen sin capacidad es un costo neto.
Abarcando 145 estudios y 434,985 empresas, el meta-análisis de Stettler corta la tesis desde ambas direcciones.
Los efectos de la capacidad de absorción en la innovación son casi dos veces más grandes en la era del smartphone que en la era preinternet o de internet temprano. — Stettler et al., Journal of Product Innovation Management (2025)
Las herramientas digitales multiplican el pago de la capacidad de absorción, que es la mejor carta empírica de los optimistas. La trampa está en el mismo papel y conduce a la sección nueve.
¿Cuándo hace que más entrada de IA las cosas empeoren?
La capacidad de absorción realizada baja invierte el beneficio de la IA. Los mismos estudios que muestran la IA amplificando receptores fuertes muestran que la amplifica para los débiles. Por debajo de un umbral de capacidad, agregar herramientas de entrada de IA aumenta el riesgo en lugar de la salida.
La mejor evidencia de los optimistas contiene su propia refutación. Stettler encontró que el efecto de AC a innovación es más grande en sectores de baja tecnología, menos intensivos en conocimiento, “dos veces más grande” que en alta tecnología. Las empresas con más que ganar son las que tienden a tener menos de ello. Agrega IA a esa empresa antes de construir el receptor, y un estudio de 2025 de empresas chinas cotizadas muestra lo que sigue: la capacidad de absorción atenúa el riesgo negativo que la adopción de IA de otro modo introduce, las empresas de baja capacidad no tienen tal protección. Las empresas que obtienen el mayor pago de la capacidad de absorción son exactamente las empresas más expuestas cuando agregan IA sin ella.
La IA es un multiplicador. Los multiplicadores actúan sobre cualquier signo que les alimentes.
El estudio de riesgo negativo cubre empresas chinas cotizadas, pero el mecanismo no necesita calificador geográfico: un multiplicador amplifica cualquier capacidad que le alimentes, en cualquier lugar. Jean-Francois Gagne, el ex CEO de Element AI, describió cómo se ve este fracaso desde adentro: empresas que pasan de “prueba de concepto a prueba de concepto” sin que nada llegue a producción, atascadas porque la escalabilidad es una habilidad de capacidad realizada que los pilotos no enseñan.
¿Cómo intentó una PYME cerrar la brecha?
Una pequeña empresa puede cerrar la brecha de conversión. El prerrequisito es construir el receptor junto con las herramientas. Un estudio de 2025 de PYMES chinas de confección que adoptan IA muestra el patrón: la capacidad de absorción es lo que media si la adopción de IA se convierte en resultados de innovación abierta, y las empresas que la omiten se estancan.
Considera un compuesto extraído de la población de ese estudio: un fabricante de ropa de tamaño medio, llamemos a la empresa, empleando a unas pocas cientos de personas en un sector bajo intensa presión de costos y velocidad. China es el mayor productor de ropa del mundo, y el estudio enmarca la presión de costos y velocidad del sector como la razón por la que integrar IA allí es especialmente difícil. La dirección de la empresa hizo lo que recomendaban los titulares. Compraron una suite de pronóstico de tendencias y exploración de diseño con IA. En un trimestre, el equipo de diseño tuvo acceso a una señal de entrada mucho mayor: datos de pasarela, tendencias sociales, lanzamientos de competidores, movimientos de materias primas.
Durante dos trimestres, nada cambió aguas abajo. La conversión de muestra a producción fue plana. El equipo de diseño estaba más ocupado y no más productivo, filtrando una inundación de la manera en que describe el informe de StartUs. La empresa había comprado capacidad de absorción potencial y asumió que la capacidad realizada seguiría. No lo hizo. Esto es el cementerio de pruebas de concepto a escala de PYME.
El cambio llegó cuando la dirección dejó de comprar herramientas y comenzó a construir el receptor. Asignaron a dos diseñadores como guardianes con autoridad explícita para matar o escalar conceptos de entrada, una estructura que el constructo de capacidad de absorción del estudio predice que importa. Añadieron una revisión semanal transfuncional que emparejó diseño con producción y aprovisionamiento, para que una tendencia externa fuera probada contra lo que la fábrica podía hacer realmente antes de que consumiera tiempo de desarrollo. Redujeron el número de fuentes de tendencias. Dentro de dos trimestres de ese cambio, la tasa de conversión de concepto explorado a muestra de producción aumentó, porque la IA ahora alimentaba a un receptor en lugar de un backlog. La herramienta no cambió. La organización a su alrededor sí lo hizo. Esa es toda la lección de construir capacidad de absorción en la era de la IA, comprimida en una empresa.
¿Cómo construyes el receptor?
Lo construyes en un orden deliberado: primero el conocimiento previo, luego las personas que enrutan el conocimiento, luego las estructuras que lo mueven a través de silos, luego las rutinas y el tiempo que permiten que la integración ocurra, y solo entonces la IA como una capa de filtrado. La herramienta es el último paso porque amplifica lo que los primeros cuatro pasos construyeron.
Cada paso depende del anterior. Añadir IA (paso cinco) a una empresa que omitió los pasos uno a cuatro es exactamente el error que esta guía advierte.
Paso 1: Invertir en conocimiento previo relacionado como base
Solo puedes absorber lo que estás equipado para entender, por lo que el receptor comienza con profundidad de dominio. Mantén la I+D, la contratación técnica y el aprendizaje continuo que dan a tus personas algo a lo que adjuntar nuevo conocimiento. Cortar “experiencia redundante” para financiar herramientas elimina la puerta que las herramientas necesitan.
Paso 2: Dotar de personal a los puentes fronterizos y guardianes
Nombra a personas específicas cuya labor es escanear, evaluar y enrutar el conocimiento externo dentro de la organización. Un estudio de 2025 en Industrial and Corporate Change examinó cómo los retornos del conocimiento absorbido dependen de “la especialización de los guardianes y la delegación de la toma de decisiones”. El receptor tiene que ser un rol nombrado con autoridad real. Dale a los guardianes autoridad para rechazar, porque el rechazo es lo que mantiene la U invertida sin volcar — pero vigila el síndrome NIH (el sesgo reflexivo hacia el rechazo de ideas externas simplemente porque no se originaron dentro de la empresa), que es el fracaso opuesto y igualmente costoso. Ver roles e jerarquías de innovación para cómo funciona esta función.
Paso 3: Construir estructuras de integración transfuncional
La transformación ocurre cuando el conocimiento externo se encuentra con el saber interno a través de funciones, por lo que la estructura tiene que forzar ese encuentro. Las revisiones transfuncionales permanentes, los consejos de innovación y los programas de rotación mueven el conocimiento a través de silos que de otro modo lo acapararían. Esta es la maquinaria de la etapa de transformación, y es donde la mayoría de los programas de gestión de ideas subinvierten, tratando la captura como la parte difícil cuando la integración lo es.
Paso 4: Crear rutinas y tiempo de reserva para la integración
La integración es trabajo, y el trabajo sin tiempo no ocurre. Protege el tiempo de reserva explícito, por ejemplo, una parte permanente del tiempo del equipo reservado para digerir y recombinar el conocimiento de entrada en lugar de producir. El punto de la máquina de vapor de Mollick se aplica: el valor provino de las personas rediseñando cómo se hacía el trabajo en lugar de la máquina.
Lo que hizo que ocurriera la revolución industrial fueron miles de artesanos calificados que descubrieron cómo adoptar el movimiento de vaivén del motor de vapor en el funcionamiento de molinos y equipos dentro de las fábricas. — Ethan Mollick, Outthinker (2025)
Paso 5: Desplegar la IA como capa de filtrado y enrutamiento
Ahora, y solo ahora, apunta la IA al receptor que construiste. Úsala para filtrar, enrutar y emparejar el conocimiento externo con las necesidades internas de la manera en que las herramientas de IA agentic ahora hacen automáticamente, organizando la entrada como un segundo cerebro digital en lugar de abrir más canales de entrada. Un estudio de 2026 argumenta que la IA puede ayudar a las empresas a “adquirir y emparejar sistemáticamente recursos externos de alta calidad”, lo cual es genuinamente útil como filtro de entrada del receptor. El marco que importa: la IA es un instrumento dentro del receptor, la capa de filtrado en lugar del receptor mismo. Secuenciado al final, amplifica un sistema en funcionamiento. Secuenciado primero, inunda uno roto.
¿Cómo se mide y audita la capacidad de absorción?
Mida la conversión: la fracción del conocimiento externo adquirido que llega a una decisión. El gasto en I+D, el número de empleados y la cantidad de herramientas le indican qué ha puesto. La capacidad de absorción se trata de lo que sale, por lo que las métricas útiles rastrean la tasa a la que el conocimiento entrante se convierte en decisiones aplicadas.
De los cinco candidatos de sustitución, dos llevan una señal real: la participación de ingresos de nuevos productos, que mide la explotación realizada directamente, y la tasa de conversión de concepto a lanzamiento, que hace que el factor de eficiencia sea operativo. La intensidad de I+D y las citas de patentes son sustitutos previos a la conversión que se detienen en la inversión y el reconocimiento externo.
El factor de eficiencia que Zahra y George nombraron ahora es operativo: la fracción del conocimiento externo adquirido que realmente llega a una decisión. Esa proporción vale la pena rastrearla longitudinalmente, porque una implementación de IA que eleva la adquisición mientras estanca la conversión se manifestará como un número decreciente antes de que cualquier otra señal lo haga. La página de definición de capacidad de absorción cubre la literatura de medición más amplia. Para un equipo operativo, la relación de conversión y el tiempo de aplicación son las métricas que deben instrumentarse primero.
¿Cuáles son los errores comunes que mantienen la brecha abierta?
Los errores recurrentes comparten una raíz: tratar la capacidad de absorción como un producto para comprar. Cada uno parece progreso y amplía la brecha de conversión.
Comprar herramientas antes de construir el receptor. La IA en un receptor débil amplifica el backlog. Secuencie el receptor primero.
Confundir adopción con transformación. 88% de adopción, ~6% de altos rendimientos. Charles Good llama a la brecha “un problema de diseño de capacidad humana”, no uno tecnológico. Contar las licencias de asientos no mide la capacidad construida.
Abrir demasiado los canales de entrada. La IA hace que agregar un feed sea gratis, por lo que los equipos pasan por alto el pico de la U invertida. Más fuentes más allá del umbral reducen la tasa de aciertos.
Dejar a los guardias sin poder. Escanear sin autoridad para rechazar produce un cementerio de conceptos no ejecutados, donde, como describe Ideawake, el personal se mantiene “ocupado filtrando miles de entradas duplicadas”.
Perseguir la novedad del piloto. Los pilotos mejoran para el caso de uso más nuevo y llamativo, que rara vez es el que escala. Como observa el asesor Alex Roberson, los equipos comienzan con “la cosa más sexy”, y “esas cosas no suelen escalar”.
Cortar la experiencia para financiar el equipamiento. Eliminar el conocimiento previo que realiza la absorción para pagar la herramienta que lo necesita. La manera más rápida de reducir la capacidad realizada mientras se ve eficiente.
¿Qué no reemplaza la construcción de la capacidad de absorción?
La IA opera como una herramienta que el juicio humano debe dirigir e interpretar. Es un sustituto parcial para algunas fuentes de conocimiento, lo que cambia de quién necesita recibir, pero la colaboración externa sigue siendo necesaria. A medida que mejora la adquisición, su ventaja escasa se desplaza aún más hacia el trabajo de conversión que la IA no puede realizar.
La ventaja práctica: los beneficios de derrame y coincidencia de la IA se acumulan principalmente donde la preparación ya es alta, por lo que las asociaciones que aún valen la pena mantener son las que suministran conocimiento tácito y relacional que la IA no puede alcanzar.
Las estimaciones de McKinsey de “$360 mil millones a $560 mil millones de potencial económico anual” de la IA en I+D, donde “potencial” es el mismo calificativo que Zahra y George utilizaron para la mitad que la IA infla sin convertir, y la contingencia en ambos casos es el receptor. A medida que la herramienta de IA madura en el próximo año, la ventaja de adquisición se commoditizará aún más, lo que solo aumenta el premio en la capacidad realizada. Las empresas que ganan no serán las que tengan más conocimiento entrante. Serán las que construyeron el receptor humano primero y apuntaron la máquina a él en segundo lugar. Cualquier libro de jugadas de IA para la innovación que adopte a continuación, invierta ese orden y solo alimenta un backlog más rápido.
TL; DR
- La IA hizo que adquirir conocimiento externo fuera casi gratis. Su capacidad de convertirlo se mantuvo exactamente donde estaba.
- La capacidad de absorción se divide en potencial (adquirir, asimilar) y realizada (transformar, explotar). La IA infla la primera mitad y deja la segunda con restricciones.
- Añadir IA a un receptor débil amplía la brecha de conversión y aumenta el riesgo de consecuencias negativas, especialmente para las empresas con baja capacidad.
- El conocimiento tácito, donde se concentra el valor de la innovación, sigue siendo humano. El receptor es una función con personal e instrumentada.
- Construya el receptor primero (conocimiento previo, guardias, estructuras cross-funcionales, tiempo de inactividad), luego despliegue la IA como capa de filtrado.
Para 2026, la IA resolvió el abastecimiento de conocimiento externo. La capacidad de absorción realizada sigue siendo la restricción vinculante: determina si el conocimiento entrante se convierte en ideas aplicadas o se acumula como backlog y riesgo cuando la IA se integra a un receptor débil. Construya el receptor primero.
Preguntas frecuentes
¿Qué es la capacidad de absorción en términos simples? Es la capacidad de una organización para reconocer el conocimiento externo valioso, conectarlo con lo que ya sabe y convertirlo en productos y decisiones. Acunado por Cohen y Levinthal en 1990, se basa en el conocimiento previo relacionado: solo puede absorber lo que ya está equipado para entender. El tratamiento completo está en la página de definición de capacidad de absorción.
¿La IA aumenta la capacidad de absorción o solo el volumen entrante? Volumen. La IA hace que adquirir y asimilar el conocimiento externo, la mitad “potencial” de la capacidad de absorción, sea mucho más barato, pero la transformación y la explotación, la mitad “realizada”, funcionan con conocimiento tácito y rutinas cross-funcionales que la IA no alcanza, lo que es por lo que una revisión sistemática de 2025 encontró que el rendimiento de la innovación de la IA sigue dependiendo de la capacidad que ya existe.
¿Cómo se construye la capacidad de absorción en una organización? En orden: invertir en conocimiento previo, personal con guardias y conectores de fronteras capacitados, construir estructuras de integración cross-funcionales, proteger el tiempo de inactividad para la integración y solo entonces desplegar la IA como una capa de filtrado y enrutamiento. La secuencia importa. La IA añadida primero amplifica una tubería rota.
¿Por qué fallan los programas de innovación abierta y exploración cuando la capacidad de absorción es baja? Porque el abastecimiento y la recepción del conocimiento son funciones organizativas distintas. Un marco de HBR IdeaCast de la investigación de Henry Chesbrough lo expresó de esta manera: las empresas terminan “externalizando, pero no colaborando”. Sin un receptor para integrar el conocimiento entrante, más abastecimiento produce un backlog más grande de conceptos no ejecutados en lugar de más innovación aplicada. Consulte cómo ejecutar la innovación abierta.
¿Cuál es la diferencia entre la capacidad de absorción potencial y realizada? La capacidad de absorción potencial es adquirir y asimilar el conocimiento externo. La capacidad de absorción realizada es transformarlo y explotarlo en resultados comerciales. Zahra y George (2002) nombraron la proporción entre ellos el “factor de eficiencia”. La IA infla la mitad potencial mientras que la mitad realizada se mantiene aproximadamente plana, por lo que la proporción disminuye.
¿Puede añadir herramientas de IA causar sobrecarga de información para un equipo de innovación? El estudio de workslop de 2025 estimó el costo en más de $9 millones al año para una empresa con 10,000 empleados, lo que sugiere que sí y que las apuestas son reales. La búsqueda externa sigue una U invertida con el rendimiento: más allá de un ancho óptimo, más fuentes reducen el output innovador en lugar de aumentarlo. La IA elimina el freno de costo que anteriormente mantenía a los equipos por debajo de ese umbral.
¿Cómo se mide o audita la capacidad de absorción? Utilice métricas de conversión, no métricas de inversión. La tasa de conversión de concepto a lanzamiento, la proporción del conocimiento externo adquirido que realmente llega a una decisión, es el número más informativo, junto con el tiempo de aplicación. El gasto en I+D captura las entradas en lugar de las salidas y es un sustituto engañoso para ambas.
Mikkel @mkl_vang
Cubre la innovación operativa, patrones de implementación de IA y cómo los equipos envían cambios útiles sin teatro.