Investigación: Cuando los prototipos no proporcionan información útil
A
medida que el mundo se ha vuelto más complejo, las empresas se han integrado cada vez más en ecosistemas digitales. Este nuevo mundo abre nuevas posibilidades y formas de crear valor. Pero también implica que convertir ideas en realidad requiere trabajar con un conjunto más amplio de actores y navegar por un panorama más complejo de interdependencias.
Hemos estudiado esta cuestión en el ámbito de la salud digital. Nuestra investigación revela dos lecciones clave:
- Salga y aprenda, pero deje atrás los prototipos.
La sabiduría convencional sostiene que la mejor manera de empezar a explorar una idea es con un prototipo de bajo costo. Esta lógica tiene dos fundamentos. Primero, cuando la incertidumbre en torno a la tecnología o a la demanda del mercado es alta, lo mejor es minimizar la cantidad de recursos invertida en una idea u oportunidad determinada, ya que estos se perderán si posteriormente se demuestra que la idea no es válida. Segundo, la mejor manera de reducir esa incertidumbre (es decir, de comprender si vale la pena seguir adelante con una idea) es poner un prototipo mínimo viable en manos de los clientes para obtener comentarios y ver qué les resulta relevante.
Descubrimos que las empresas ganadoras en salud digital evitaron los prototipos al inicio. En su lugar, comenzaron por entrevistar a los pacientes, compartir ideas con sus colegas, y observar a otras clínicas y médicos.
Comparemos dos de las empresas de nuestro estudio: Stardoc y Nudge (como es común en este tipo de investigaciones, nos referimos a las empresas utilizando seudónimos). Stardoc fue fundada por un médico que ejercía en una consulta privada y que buscaba una mejor forma de dar seguimiento a sus pacientes. Aunque tenía una idea clara del producto que quería desarrollar y contaba con años de experiencia como médico en ejercicio, dedicó tiempo a conversar con otros médicos y a observar el entorno desde la perspectiva del paciente (en muchas ocasiones, literalmente sentado en salas de espera). Gracias a este proceso, comenzó a identificar aspectos relevantes que no habían sido evidentes al principio, como las diferencias entre las necesidades de los pacientes de cuidados intensivos y las de aquellos que padecen enfermedades crónicas, así como la inquietud que muchos pacientes sienten al ponerse en contacto con sus médicos.
Por el contrario, los dos fundadores de Nudge hicieron con exactitud lo que generalmente se les dice a los emprendedores que hagan: construyeron un prototipo para validar su idea y lo lanzaron al mercado para obtener comentarios. Querían crear un servicio que ayudara a las personas a desarrollar y mantener hábitos saludables. Utilizando herramientas fácilmente disponibles, montaron un prototipo funcional y, en cuestión de semanas, lo colocaron en la App Store de Apple; también presentaron este prototipo a posibles socios corporativos, logrando pronto un acuerdo de distribución con una aseguradora importante. Por un momento, parecía que habían tenido un gran éxito. Pero conforme pasaban los meses, descubrieron que los usuarios no interactuaban con la aplicación. Tampoco su gran socio asegurador había invertido mucho; de hecho, más tarde supieron que la suya era solo una de las 32 aplicaciones que la aseguradora había promovido entre sus clientes. Finalmente, tras seis meses de uso moderado y comentarios mínimos, Nudge retiró la aplicación y decidió cambiar de rumbo.
El contraste entre Nudge y Stardoc pone de relieve una desventaja de la creación de prototipos en contextos de ecosistema que a menudo se pasa por alto. Al desarrollar una comprensión más profunda del entorno y los usuarios antes de invertir en el desarrollo del producto, Stardoc aumentó la probabilidad de colocarse en una posición atractiva, al tiempo que adquirió el contexto necesario para entender la retroalimentación de los usuarios que recibió posteriormente. Al mismo tiempo, los fundadores de Nudge también pasaron por alto una idea clave: así como ellos estaban tratando de aprender si la salud digital podía funcionar y de qué manera, su socio también lo estaba haciendo. En ese sentido, la falta de inversión y apoyo mutuos era de esperarse: para el socio, Nudge era el prototipo.
- Una vez que tenga un cliente alfa, apuéstelo todo.
La segunda gran lección es qué hacer una vez que se ha identificado a un cliente alfa. Las metodologías ágiles y de inicio rápido prevén una progresión gradual desde prototipos de bajo costo y baja fidelidad hacia versiones de mayor costo y mayor fidelidad a medida que la idea se va perfeccionando. El objetivo es mantener una inversión baja mientras la incertidumbre es alta. Sin embargo, en contextos de ecosistema, mantener una inversión baja es una forma segura de animar a los clientes alfa a hacer lo mismo. En cambio, observamos que las empresas ganadoras apostaron todo: desarrollaron contenido especializado, personalizaron el prototipo y trabajaron en estrecha colaboración con los clientes para comprender y satisfacer sus necesidades específicas.
Goodhealth, otra de las empresas con mejor desempeño en el estudio, es un ejemplo ilustrativo. La visión de sus fundadores era involucrar más directamente a los pacientes en su propia atención médica, proporcionando formas de visualizar el impacto del cumplimiento del plan de cuidado en su salud. Las personas con diabetes, por ejemplo, podrían ver el impacto de un nuevo medicamento o de cambios en la dieta sobre sus niveles diarios de insulina. Los clientes alfa de Goodhealth fueron hospitales académicos: organizaciones que Goodhealth consideraba que se entusiasmarían con las nuevas tecnologías y que estarían abiertas a nuevas formas de mejorar los resultados de los pacientes. Una vez que sus fundadores identificaron a este cliente objetivo, apostaron todo: construyeron su plataforma de software, contrataron coaches, desarrollaron contenido especializado y llevaron a cabo ensayos clínicos.
Esta inversión inicial fue costosa, pero valiosa. Facilitó la confianza con los clientes hospitalarios, convenciéndolos de que Goodhealth no saldría corriendo a la primera señal de problemas. A su vez, los hospitales estuvieron más dispuestos a invertir sus propios recursos, integrando el prototipo en sus operaciones y capacitando al personal, lo que permitió generar datos. Al mismo tiempo, trabajar en la implementación junto con los hospitales sacó a la luz nuevos problemas y revelaciones inesperadas, ayudando a Goodhealth a avanzar más rápido en la curva de aprendizaje. En contraste, las empresas que evitaron las grandes inversiones llegaron a estas realizaciones con mayor lentitud y, con mayor frecuencia, se vieron sorprendidas por “incógnitas desconocidas” que más tarde descarrilaron la adopción.
Combinado con el primer argumento, el panorama que surge en la salud digital difiere de manera notable de nuestra comprensión habitual del uso de prototipos. En lugar de desarrollar prototipos sencillos, ponerlos en manos de los clientes y mejorar a medida que las ideas generan retroalimentación positiva, la estrategia ganadora fue evitar los prototipos, aprender ampliamente a través de la observación y apostar todo para desarrollar un producto funcional para ese cliente prometedor, aunque aún sin probar.
En términos prácticos, esto significa que los prototipos sencillos pueden no ser tan efectivos en contextos de ecosistema. Todos los participantes de nuestro estudio querían que la salud digital funcionara. Pero, sin modelos previos de cómo podría implementarse, no estaba claro cómo debería verse. Para las empresas más innovadoras, la única forma efectiva de responder a estas preguntas era implementar realmente los productos. Invertir de manera significativa desde el inicio permitió a Goodhealth y a sus primeros clientes descubrir conjuntamente las respuestas. En contraste, limitar la inversión retrasó el aprendizaje. Como resultado, el concepto (atención médica digital con mejores resultados a un menor costo) siguió siendo prometedor, pero no comprobado.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
As the world has grown more complex, firms are embedded in increasingly complex digital ecosystems. This new world opens new possibilities and new ways to create value. But it also means that turning ideas into reality requires working with a larger set of players and navigating a more complex landscape of interdependencies.
We studied this question in digital health. Our research reveals two key lessons:
1. GET OUT AND LEARN BUT LEAVE THE PROTOTYPES BEHIND.
Conventional wisdom is that the best way to start exploring an idea is with a low-cost prototype. This logic is twofold. First, when uncertainty around technology or market demand is high, it is best to minimize the resources committed to any given idea or opportunity, since these will be lost if this idea is later revealed to be invalid. Second, the best way to reduce that uncertainty — i.e., to understand whether an idea is worth pursuing — is to get a minimum viable prototype into customers’ hands to get feedback and see what resonates.
What we found was that the winning firms in digital health avoided prototypes at first. Instead, they began by interviewing patients, sharing ideas with colleagues and observing clinics and doctors.
Compare two of the firms in our study: Stardoc and Nudge (as is common in this type of research, we refer to firms using pseudonyms). Stardoc was founded by a physician in a private practice who wanted a better way to keep tabs on his patients. Despite having a clear idea for his product, as well as years of experience as a practicing physician, he spent time talking to other doctors and trying to observe the world from the patient’s perspective (often literally sitting in waiting rooms). In doing so, he began to identify important considerations that had not been apparent at first, such as the distinct needs of acute care patients versus those with chronic conditions, as well as the trepidation that many patients feel about reaching out to their doctors.
In contrast, Nudge’s two founders did exactly what entrepreneurs are generally told to do: They built a prototype to validate their idea and got it into the world to get feedback. They wanted to build a service to help people build and maintain healthy habits. Using readily available tools, they put together a working prototype and within a few weeks had it on Apple’s App Store; they also shopped this prototype around to potential corporate partners, soon landing a distribution deal with a major insurer. For a moment, it looked like they had scored a major coup. But as the months began to pass, they found users were not engaging with their app. Nor had their big insurance partner invested much — in fact, they would later learn that theirs was just one of 32 apps it had pushed to its customers. Finally, after six months of tepid usage and minimal feedback, Nudge pulled the app and decided to pivot.
The contrast between Nudge and Stardoc highlights an often-underappreciated downside of prototyping in ecosystem contexts. By building a richer understanding of the landscape and the users before investing anything in product development, Stardoc increased the likelihood that it would be in an attractive location while also gaining the context needed to understand the user feedback it subsequently received. At the same time, Nudge’s founders also missed the important insight that just as they were trying to learn about whether and how digital health might work, their partner was too — so in this sense, the lack of mutual investment and support should have been expected: For the partner, Nudge was the prototype.
2. ONCE YOU’VE GOT AN ALPHA CUSTOMER, GO ALL IN.
The second big lesson is what to do once you’ve identified an alpha customer. Lean startup and agile methodologies envision a gradual progression from low-cost, low-fidelity prototypes to higher-cost, higher-fidelity versions as the idea is refined. The idea is to keep investment low while uncertainty is high. In ecosystem contexts, however, keeping investment low is a sure way to prompt alpha customers to do the same. Instead, we saw the winning firms go all in, developing specialized content, customizing the prototype and working closely with customers to understand and meet their specific requirements.
Goodhealth, another top-performing firm in the study, is an illustration. Its founders’ vision was to involve patients more directly in their own health care by providing ways to visualize impact of adherence to care plan on their health. Diabetics, for example, might be able to see the impact of a new medication or changes to diet on their daily insulin levels. Goodhealth’s alpha customers were academic hospitals: organizations that Goodhealth believed would be excited about new technologies and open to new ways to improve patient outcomes. Once its founders identified this target customer, they went all in, building their software platform, hiring coaches, developing specialized content and undertaking clinical trials.
This upfront investment was costly but valuable. It facilitated trust with the hospital customers, convincing them that Goodhealth wouldn’t head for the door at the first sign of trouble. In turn, hospitals were more willing to invest their own resources, integrating the prototype into their own operations and training staff, thus generating data. At the same time, working through implementation with the hospitals surfaced new issues and unexpected realizations, helping Goodhealth move up the learning curve faster. In contrast, the firms that avoided big investments came to these realizations more slowly and were more often surprised by “unknown unknowns” that derailed adoption later on.
Paired with the first argument, the picture emerging from digital health differs markedly from our typical understanding of prototyping. Rather than developing lightweight prototypes, getting them into customers’ hands and improving as ideas generate positive feedback, the winning strategy was to avoid prototypes, learn broadly through observations and go all in to develop a working product for that promising, but unproven, customer.
What this means in practical terms is that lightweight prototypes may not actually be that effective in ecosystem contexts. Everyone in our study wanted digital health to work. But without prior models for how it might be implemented, it wasn’t clear what it should look like. For the firms at the bleeding edge, the only effective way to answer these questions was to actually implement the products. Investing heavily up front allowed Goodhealth and its early customers to jointly discover the answers. In contrast, limiting investment delayed learning. As a result, the concept — digital health care with better outcomes at a lower cost — remained promising but unproven.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
