Los efectos interactivos de los elementos de conocimiento y las redes de colaboración sobre el rendimiento de la innovación exploratoria: evidencias de la industria china de inteligencia artificial

Por qué esto importa para el futuro de las empresas de IA

Detrás de cada avance en inteligencia artificial hay una mezcla de lo que las empresas ya saben y con quién se relacionan. Este estudio examina la dinámica dentro de la ágil industria china de IA para plantear una pregunta simple pero crucial: ¿cómo deberían combinar las empresas su conocimiento interno con sus asociaciones externas para generar ideas realmente nuevas, y no solo mejoras incrementales? Analizando miles de patentes con herramientas de datos modernas, los autores descubren patrones que pueden ayudar a gestores y responsables de política a orientar la innovación en IA de forma más inteligente.

Tres tipos de innovadores en IA

Con datos de patentes de 260 empresas chinas de IA, los investigadores cartografiaron primero dos aspectos para cada compañía: la variedad y la estructura de su conocimiento técnico, y la configuración de su red de colaboración construida mediante co-patentes. Después aplicaron un método de agrupamiento que reúne empresas con perfiles similares. De ello emergieron tres tipos amplios. Las empresas “orientadas a la colaboración” están profundamente integradas en redes densas de socios pero solo poseen fortalezas internas de conocimiento moderadas. Las empresas “orientadas al conocimiento” cuentan con un saber diverso y especializado, pero son relativamente aisladas. Las empresas “equilibradas” se sitúan en un punto intermedio, sin ventajas claras ni debilidades evidentes en ninguno de los dos ámbitos.

Cómo interactúan la mezcla de conocimiento y las asociaciones

El estudio empleó luego un algoritmo de árbol de decisión para trazar cómo distintas combinaciones de características de conocimiento y de red se relacionan con la capacidad de las empresas para producir patentes en áreas tecnológicas nuevas —una medida práctica de la innovación exploratoria. En todos los grupos, la estructura del conocimiento interno desempeñó el papel principal, pero la red circundante pudo amplificar o mitigar sus efectos. En las empresas orientadas a la colaboración, una dispersión demasiado amplia de campos técnicos a menudo perjudicaba el rendimiento al sobrecargar su capacidad de absorber y usar información. Sin embargo, cuando estas empresas también contaban con redes de colaboración amplias o muy cohesionadas, los socios les ayudaban a filtrar, compartir e integrar conocimiento, convirtiendo una posible saturación en novedad útil.

Demasiada especialización puede ser contraproducente

Las empresas orientadas al conocimiento mostraron una dinámica distinta. Su experiencia profunda y variada no se tradujo automáticamente en avances disruptivos. Cuando su base de conocimiento se volvía excesivamente diversa, el rendimiento en innovación descendía, probablemente porque la atención y los recursos se dispersaban demasiado. Incluso manteniendo la diversidad controlada, colaborar con muchas organizaciones no siempre resultaba mejor. Un número moderado de colaboradores tendía a funcionar mejor, mientras que una colaboración muy amplia introducía costes de coordinación y distracciones, y una colaboración muy limitada restringía la exposición a ideas nuevas. Esto sugiere que las empresas de IA altamente especializadas deben actuar deliberadamente para recortar su cartera de conocimientos y seleccionar un conjunto manejable de socios estratégicos.

Encontrar el punto óptimo entre similitud y diferencia

Para las empresas equilibradas, las palancas clave fueron cuán bien encajaban entre sí sus piezas de conocimiento y la facilidad con que una competencia podía sustituir a otra. Cuando los elementos de conocimiento eran excesivamente coincidentes, la empresa quedaba encerrada en trayectorias estrechas, dificultando el salto a áreas nuevas. Sin embargo, cuando había suficiente solapamiento —de modo que una técnica pudiera sustituir a otra— las empresas podían experimentar, pivotar y responder mejor a la incertidumbre en un sector de IA joven y volátil. Dicho de otro modo, cierta redundancia en el saber, a menudo vista como derroche, puede aportar flexibilidad y resiliencia cuando las tecnologías y los mercados cambian con rapidez.

Qué significa esto para la estrategia en IA

En conjunto, el estudio muestra que ni “más conocimiento” ni “más socios” conducen automáticamente a una mayor innovación exploratoria. Lo que importa es la adecuación entre la mezcla de conocimiento interno de una empresa y la forma en que construye y utiliza su red de colaboración, y esa adecuación difiere según se trate de empresas orientadas a la colaboración, al conocimiento o equilibradas. Para los gestores, el mensaje es considerar el conocimiento y las asociaciones como un problema de diseño conjunto: evitar la complejidad descontrolada, buscar socios que complementen debilidades específicas y mantener suficientes capacidades solapadas para adaptarse cuando el panorama de la IA cambie. Para los responsables de política, los hallazgos subrayan el valor de ecosistemas y plataformas industriales que ayuden a las empresas a reorganizar su conocimiento y a formar asociaciones dirigidas, en lugar de limitarse a impulsar más gasto en I+D o más alianzas.

Cita: Zhang, L., Chen, J., Qiu, H. et al. The interactive effects of knowledge elements and collaboration networks on exploratory innovation performance: evidence from the Chinese artificial intelligence industry. Humanit Soc Sci Commun 13, 303 (2026). https://doi.org/10.1057/s41599-026-06637-x

Palabras clave: innovación exploratoria, empresas de inteligencia artificial, redes de colaboración, gestión del conocimiento, análisis de patentes