“Una respuesta correcta puede ocultar una decisión equivocada.” Adaptado de Deng et al., Jev for Scientific Decisions (2026).

Cuando una organización evalúa invertir en una tecnología emergente, rara vez enfrenta una simple pregunta financiera. Y es que no basta con calcular cuánto dinero podría generar el proyecto que deseamos invertir o cuanto retorno podría obtener tras transferir mi startup o tecnología. Antes debemos responder preguntas más difíciles:

• ¿La tecnología realmente funciona?
• ¿La evidencia científica es aplicable al mercado objetivo?
• ¿El prototipo puede escalar?
• ¿Existe protección intelectual suficiente?
• ¿Cuál es el riesgo regulatorio?
• ¿Conviene invertir ahora, financiar un piloto o esperar nueva evidencia?

En otras palabras, la valoración tecnológica no es solamente un ejercicio de flujo de caja descontado. Es una decisión estratégica bajo incertidumbre.

Mi opinión es que modelos especializados como Laya pueden contribuir precisamente en este espacio, siempre que entendamos correctamente cuál es su función: Laya no debería reemplazar el análisis financiero per se, menos al gestor tecnológico y tampoco al comité de inversionistas. Su aporte está más bien en convertir evidencia compleja en decisiones estructuradas, comparables y auditables.

El problema de valorar una tecnología basada en ciencia

Los métodos tradicionales de valoración (flujo de caja descontado, múltiplos comparables, método de venture capital, valor presente neto ajustado por riesgo u opciones reales) necesitan supuestos, por falta de data histórica adecuada.

Para proyectar ventas, costos y probabilidades de éxito debemos estimar previamente:

• madurez tecnológica;
• reproducibilidad de los resultados;
• capacidad de escalamiento;
• protección de propiedad intelectual;
• dificultad regulatoria;
• preparación del equipo;
• aceptación del mercado;
• inversión adicional necesaria;
• tiempo hasta la comercialización.

Estas variables no siempre llegan en una base de datos ordenada. Con frecuencia se encuentran dispersas entre artículos científicos, anexos, patentes, informes técnicos, entrevistas, ensayos de laboratorio y/o benchmarks tecnológicos.

Aquí aparece una primera oportunidad: ¿cómo transformar toda dicha documentación científica en evidencia utilizable para una decisión empresarial?

Paper2Agent: convertir el paper en una herramienta de toma de decisiones

Paper2Agent propone transformar artículos científicos y sus repositorios de código en agentes y herramientas ejecutables. En lugar de utilizar el paper únicamente como un documento que alguien debe solo leer, el sistema puede identificar métodos, funciones, datos de entrada, supuestos y procedimientos que posteriormente se transformen en herramientas digitales.

Esto permite imaginar un nuevo proceso de evaluación tecnológica.

Un artículo que describe un biomarcador, un modelo epidemiológico, un algoritmo diagnóstico o un sistema de monitoreo agrícola podría convertirse en un agente especializado capaz de:

• explicar el método;
• identificar los datos que necesita;
• reproducir cálculos documentados;
• ejecutar el código asociado;
• comparar resultados;
• señalar supuestos y limitaciones;
• mantener trazabilidad hacia la sección del paper que respalda cada procedimiento.

El paper dejaría entonces de ser una referencia pasiva y se convertiría en un componente activo como insumo táctico para la debida diligencia tecnológica hacia la transferencia. Sin embargo, transformar un paper en herramientas no resuelve por sí solo el problema estratégico. Todavía se necesita interpretar qué significa la evidencia para la inversión.

El papel de Laya

Laya es un modelo orientado a decisiones estructuradas. En lugar de producir únicamente una respuesta abierta, puede trabajar con preguntas delimitadas y alternativas explícitas mediante operaciones como choice, score y decisiones probabilísticas binarias de tipo sí/no.

Esto resulta especialmente interesante para la valoración tecnológica porque muchas preguntas de inversión pueden expresarse como elecciones acotadas.

Por ejemplo:

choice(
    state=evidencia_tecnica,
    question="¿Cuál es el nivel de madurez mejor respaldado?",
    options=[
        "prueba de concepto experimental",
        "prototipo validado en entorno controlado",
        "piloto en entorno relevante",
        "solución validada operacionalmente",
        "evidencia insuficiente"
    ]
)

Aquí es donde la vigilancia tecnológica toma importancia, sentando las bases del estado de arte entregado al modelo donde se incluye resultados del paper, evidencia del prototipo, pruebas independientes y criterios previamente definidos, porque el contexto importa y es la diferencia de una predicción lineal vs un encoder no autoregresivo, como Laya que recompensa la calibración de cada decisión.

La arquitectura debería separar cuatro funciones:

¿Puede Laya escoger “el mejor escenario” posible?

Aunque no existe una forma de crear un escenario perfecto para una inversión, es posible maximizar rentabilidad y, al mismo tiempo, identificar en la organización o startup un riesgo tecnológico inaceptable. Así como reducir el riesgo, sin perder la oportunidad de ingresar tempranamente al mercado.

Por eso, antes de utilizar la opción choice, debería definirse:

• objetivo de inversión;
• presupuesto máximo;
• retorno mínimo;
• horizonte de tiempo;
• tolerancia al riesgo;
• condiciones regulatorias;
• impacto estratégico esperado;
• consecuencias de equivocarse.

Las opciones podrían ser:

choice(
    state={
        "evidencia": evaluacion_tecnologica,
        "valoracion": resultados_financieros,
        "restricciones": politica_inversion,
        "presupuesto": 15000
    },
    question="¿Qué estrategia cumple mejor los criterios aprobados?",
    options=[
        "invertir el total inmediatamente",
        "financiar un piloto por etapas",
        "adquirir una opción de inversión futura",
        "negociar una licencia condicionada",
        "esperar nueva evidencia",
        "no invertir"
    ]
)

El estudio Jev for Scientific Decisions aporta una advertencia importante: un sistema puede entregar una conclusión final correcta y, aun así, haberse equivocado en una relación científica intermedia.

Esto tiene una consecuencia directa para la inversión.

No basta con que el sistema recomiende “invertir”. También debemos verificar si identificó correctamente:

• la unidad experimental;
• la independencia de las observaciones;
• la población validada;
• el tratamiento de referencia;
• el alcance real del resultado;
• las cantidades utilizadas por el modelo financiero.

Una nueva diligencia tecnológica

La combinación de Paper2Agent, Laya y modelos financieros podría dar lugar a una diligencia tecnológica más dinámica, precisa y escalable para la transferencia tecnológica tras:

• el paper que aporta evidencia;
• Paper2Agent la convierte en procedimientos consultables;
• Laya estructura decisiones semánticas;
• el motor financiero cuantifica escenarios;
• el comité incorpora estrategia, experiencia y tolerancia al riesgo;
• cada decisión conserva trazabilidad hacia sus fuentes y supuestos.

Esto no elimina la incertidumbre, sino la hace visible y gestionable.

Tampoco reemplaza al inversionista. Le permite distinguir mejor entre un riesgo calculado y una apuesta basada en una narrativa atractiva que quiere escuchar.

Laya tiene potencial para convertirse en una capa de apoyo a la valoración tecnológica, especialmente en procesos que deben analizar muchas variables cuanti-cualitativas de manera recurrente.

Pero su valor no estará en declarar cuál es la mejor inversión. Estará en hacer explícitas las decisiones intermedias que hoy suelen quedar escondidas en informes, hojas de cálculo o intuiciones del evaluador.

La oportunidad real consiste en construir sistemas híbridos:

• IA generativa para explorar y organizar;
• modelos como Laya para decisiones acotadas;
• código tradicional para calcular;
• especialistas para validar;
• órganos de gobierno para decidir.

El futuro de la inversión tecnológica no será entregar el capital a un algoritmo, será contar con sistemas capaces de mostrar qué evidencia respalda una alternativa, qué supuestos sostienen su valoración y qué información todavía falta.

La pregunta estratégica ya no sería solamente:

¿Cuánto vale esta tecnología?

Sería también:

¿Qué tendría que demostrarse para que invertir sea una decisión estratégica?

Esa es, probablemente, la contribución más interesante que los modelos agénticos de decisión puede hacer a la inversión basada en evidencia para una efectiva transferencia.

Referencias

• Deng B, Fan S, Zhang H, Xie X. Jev for Scientific Decisions: Evaluating Semantic Choices and Their Consequences. arXiv:2609.24965. 2026.
• NandhaKishorM. Laya: non-autoregressive System 1 decision engine. GitHub.
• Miao J, Davis JR, Zhang Y, Pritchard JK, Zou J. Reimagining research papers as interactive and reliable AI agents. Nature. 2026. doi:10.1038/s41586-026-11044-y.
• TypeSafe AI. Introducing System One Models and Jev. 2026.