Sistematizar los descubrimientos científicos
La investigación en las ciencias naturales cada vez es más intensiva en capital. Es una tendencia que se mantiene constante desde la II Guerra Mundial. Su evolución es simple, en muchos aspectos: para estudiar más a fondo el espacio, la psicología humana, la naturaleza o la materia, necesitamos infraestructuras e instrumentos científicos más precisos y de mayor resolución. Ello requiere una capacidad instrumental, de detección y de computación más sofisticada, desarrollada en unas instalaciones que dispongan de más energía y dotadas de nuevas tecnologías “para ver lo que no puede verse”. Pero, para ello, se necesita más dinero. Así pues, la mejor forma de proceder es unir esfuerzos y los recursos internacionales para lograr la máxima escala sin incurrir en duplicidades. Entre otros, por ejemplo, el CERN –la Organización Europea para la Investigación Nuclear- es un ejemplo paradigmático en este sentido.
Otra tendencia está relacionada con una mayor transparencia y con los movimientos de la ciencia abierta (open science). Cada vez más, los científicos optan por hacer públicas sus bases de datos y sus protocolos experimentales para que sus colegas puedan replicar y criticar sus resultados.
En muchos sentidos, la ciencia avanza bastante impulsada por teorías que realizan declaraciones precisas y refutables (aunque esto varía mucho según la disciplina de que se trate). Algunas disciplinas, sin embargo, utilizan el aprendizaje automático (machine learning) para ordenar repositorios masivos de datos con el fin de hallar patrones, anomalías o relaciones que serían muy difíciles de detectar a partir de la cognición humana. Así pues, las nuevas perspectivas que ofrece el aprendizaje automático vienen a informar, cada vez más, las teorías científicas.
El papel de la serendipia
La serendipia se refiere habitualmente a aquellos momentos sorprendentes en que alguien hace un descubrimiento o establece una conexión inesperada o no buscada. La filosofía de algunos proyectos, como el proyecto europe ATTRACT, por ejemplo, es que, en el curso de su actividad diaria, los científicos y los ingenieros que trabajen en las infraestructuras de investigación de la gran ciencia encuentren estos momentos sorprendentes de forma natural. Que tengan aquellos flashes de clarividencia en que vislumbren el enorme potencial que pueden tener sus tecnologías si se aplican a otros usos o contextos. En el análisis Systematizing serendipity for big science infrastructures: the ATTRACT Project, hemos observado que tienden a producirse: A) cuando los científicos o los ingenieros imaginan nuevas combinaciones de tecnologías que producen un valor nuevo, no existente hasta el momento, o, B) alternativamente, cuando aplican unas tecnologías que fueron desarrolladas para un ámbito determinado a otro completamente distinto.
Las consecuencias políticas de estas conclusiones son que los programas de apoyo a la innovación pueden focalizarse en reconocer que los científicos y los ingenieros que trabajen en estos laboratorios posean la perspicacia y la creatividad necesarias para concebir usos alternativos para las tecnologías que desarrollan y que sean receptivos a los recursos y a los mecanismos externos, diseñados para unos contextos específicos, para contribuir a convertirlos en una realidad.
Cómo se convierte un proyecto de investigación en una start-up
El gran desafío a que se enfrentan numerosas start-ups nacidas de las grandes infraestructuras de investigación científica es que las tecnologías son muy sofisticadas y muy caras, y además suelen estar aún muy lejos de poder aplicarse inmediatamente en el mercado. Es lo que solemos llamar “deep tech”, que significa que para convertir el prototipo en un producto comercial viable se necesita mucho más tiempo y recursos que en otras start-ups.
Además, la mayoría de los científicos y de los ingenieros que trabajan en estos proyectos sienten una fascinación natural por la tecnología en sí y están poco orientados hacia los aspectos más comerciales como: ¿Quién estará dispuesto a pagar por ello? ¿Cuál es su mercado real? ¿A quién se lo vamos a vender? ¿Qué flujos de caja van a necesitarse para sostener las acciones de desarrollo y comercialización? Eso es, son menos tolerantes y conscientes del largo camino mundano que hay que recorrer para hacer crecer el negocio y para desarrollar una base de clientes dispuestos a pagar realmente la factura correspondiente.
El mayor reto que tiene por delante el emprendimiento científico en España y en Europa es, probablemente, un mercado de capital que sea tolerante y comprenda las necesidades especiales de la deep tech frente a las empresas más tradicionales. Es importante entender las diferencias. Por ejemplo, es muy diferente desarrollar un nuevo aparato de diagnóstico médico que una aplicación móvil para la economía colaborativa. En primer lugar, el desarrollo y las pruebas a que hay que someter esta tecnología pueden requerir bastante más tiempo y recursos. Además, los requisitos normativos pueden ser muy estrictos y dilatarse en el tiempo. Finalmente, en medicina, el cliente no es el paciente, sino más bien los ministros de sanidad y las aseguradoras, que pueden ser organismos muy burocráticos y lentos en la toma de decisiones. Esta dinámica puede darse también en otros sectores, como el energético, el de la seguridad e incluso el agrícola.
Por Jonathan Wareham, profesor del Departamento de Operaciones, Innovación y Data Sciences de Esade