La investigación estudia cómo el design thinking ayuda a tomar mejores decisiones en modelos de negocio que todavía están en fase previa al mercado. El foco no está en usar herramientas de moda, sino en saber si las decisiones quedan bien sustentadas: si el problema fue entendido con claridad, si el prototipo realmente ayuda a aprender y si las pruebas con usuarios entregan evidencia suficiente para decidir con menor incertidumbre. El estudio analiza 43 modelos de negocio B2B y B2C desarrollados por equipos MBA en Perú, todos con usuarios reales, prototipos y pruebas antes de salir al mercado.
El hallazgo central es claro: casi todos los equipos recorren las cinco fases del design thinking: empatizar, definir, idear, prototipar y testear, pero pocos logran una cadena equilibrada y fuerte en todas ellas. Las fases iniciales tienen mejores resultados: empatía, definición e ideación superan el 84% promedio; prototipado baja a 79.8% y testeo cae a 74.3%. En la práctica, muchos equipos entienden bien el problema y generan buenas ideas, pero llegan con menos fuerza a la parte decisiva: probar, medir, aprender y cerrar decisiones con evidencia real. Solo ocho casos alcanzan lo que el artículo llama “high balanced chains”, es decir, recorridos sólidos de inicio a fin.
La investigación también muestra que el contexto importa. Los modelos digitales y de servicios suelen probar más porque sus prototipos son más baratos, rápidos y fáciles de ajustar. En cambio, los modelos físicos, agroindustriales o con exigencias técnicas enfrentan más costos, riesgos operativos y restricciones regulatorias. Aun así, algunos casos físicos lograron buenos resultados cuando combinaron conocimiento del sector, pruebas de campo y trabajo cercano con actores reales. Esto deja una lección útil: las restricciones no impiden experimentar, pero obligan a diseñar mejor las pruebas.
Otro resultado muy relevante es que tener un problema claro ayuda a construir mejores prototipos, pero no garantiza mejores pruebas. El artículo encuentra una asociación moderada entre claridad del problema y fidelidad del prototipo, pero una relación muy débil entre claridad del problema y calidad de la evidencia conductual. Dicho de forma sencilla: un equipo puede definir bien el problema y crear un prototipo convincente, pero aun así no observar suficientemente cómo actúan los usuarios. El riesgo es creer que el modelo está validado porque el prototipo se ve bien o porque las proyecciones financieras son atractivas.
Para los managers, la utilidad es directa. Primero, no basta con pedir “apliquen design thinking”. Hay que exigir una cadena completa: problema claro, prototipo adecuado, pruebas con usuarios, criterios de éxito y documentación de lo aprendido. Segundo, se debe reservar tiempo y presupuesto para la fase final de testeo, porque allí se reduce el riesgo antes de comprometer recursos mayores. Tercero, las cifras financieras, como VAN, Monte Carlo o valor social, son más creíbles cuando están conectadas con evidencia de comportamiento real, no solo con supuestos bien redactados.
Para académicos, el aporte está en abrir la “caja negra” del design thinking. El estudio no trata el método como una secuencia ideal, sino como un recorrido observable que puede avanzar, quedarse corto o romperse en distintos puntos. Además, ofrece una forma útil de estudiar la responsabilidad en decisiones de innovación: no como una declaración ética general, sino como trazabilidad entre problema, prototipo, evidencia y cierre de decisión. Futuras investigaciones podrían replicar este enfoque en incubadoras, aceleradoras, startups fuera del entorno educativo y estudios longitudinales para observar si las decisiones mejor sustentadas realmente producen negocios más viables, escalables y socialmente valiosos.
Referencias:
Hoyos-Vallejo CA, Portuguez-Castro M (2026), «Empatía hacia las decisiones responsables: pensamiento de diseño en modelos de negocio nacientes».
Decisión de gestión , vol. en prensa, n.º en prensa.
https://doi.org/10.1108/MD-12-2025-3781
