El Mapa de Hassabis: Cómo Planificar Veinte Años Sin un Calendario

Resumen: Demis Hassabis no predijo el futuro. Construyó un mapa de problemas que importaban pero que aún no eran solucionables, y luego esperó a que la tecnología alcanzara. El avance en el plegamiento de proteínas tomó cuatro años de trabajo—y veinte años de preparación. La lección: planifica por condiciones desencadenantes, no por cronogramas. Busca nodos raíz, no hojas. Y nunca confundas seguir tendencias con seguir oportunidades.

James aquí, CEO de Mercury Technology Solutions. Hong Kong — Julio 2026

En 2016, AlphaGo venció a Lee Sedol, y el mundo aprendió el nombre de Demis Hassabis. Lo que casi nadie notó: en el vuelo de regreso de Seúl a Londres, lanzó el proyecto de plegamiento de proteínas que le valdría el Premio Nobel de Química en 2024.

Cuatro años después, AlphaFold2 resolvió un problema de cincuenta años. Pero la verdadera historia no son esos cuatro años. Son los veinte años anteriores.

Hassabis se encontró por primera vez con el problema del plegamiento de proteínas como estudiante de pregrado en Cambridge en los años 90. Estaba estudiando informática, no química. No comenzaría DeepMind hasta dentro de otra década. No tocaría el plegamiento de proteínas durante dos.

La mayoría de la gente mira esto y ve una carrera con saltos extraños: juegos, neurociencia, IA, biología. Pero si retrocedes un poco, cada movimiento fue deliberado. El título en informática, el doctorado en neurociencia cognitiva, la compañía de juegos, el laboratorio de IA: cada pieza fue un movimiento en un tablero que solo él podía ver.

Si Hassabis hubiera estudiado química como estudiante de pregrado, probablemente no habría resuelto el plegamiento de proteínas.Esa es la parte contraintuitiva. El avance requería a alguien que pudiera mantener múltiples campos en su cabeza simultáneamente, que entendiera lo que la IA podría hacer antes de que la IA pudiera hacerlo realmente.

Esto no es una biografía. Es una deconstrucción de cómo piensa sobre la planificación—y lo que el resto de nosotros podemos robar de ello.

La Grieta en el Hielo

Hassabis opera en lo que yo llamo la grieta—la brecha entre lo "imposible" y lo "obvio."

Por un lado, tienes problemas en los que todos están trabajando. Temas candentes. Campos en tendencia. Las cosas que los comités de subvenciones financian y los paneles de conferencias debaten. Estos están saturados. Los retornos se compiten antes de que empieces.

Por el otro lado, tienes problemas que todos están de acuerdo en que son importantes pero actualmente insolubles. La frontera está demasiado lejos. Las herramientas no existen. Estos son cementerios de tesis de doctorado abandonadas y startups fallidas.

La grieta es la banda estrecha en medio: problemas importantes que son casi solucionables. Aún no. Pero pronto. La trayectoria tecnológica es clara, incluso si la línea de tiempo no lo es.

Hassabis no predijo que el plegamiento de proteínas sería solucionable en 2016. No podría haberlo hecho. Lo que hizo fue mantener un mapa de problemas en esa grieta y rastrear cuáles se acercaban a la solucionabilidad a medida que avanzaban las capacidades de la IA.

Esto requiere un tipo específico de atención. No enfoque—sensibilidad. No estás trabajando en estos problemas aún. Los estás observando. Sintiendo cambios de temperatura en el entorno tecnológico que podrían descongelar uno de ellos.

Cuanto más rastreas la grieta, mejor se vuelve tu intuición. Comienzas a distinguir entre cambios reales de capacidad y ciclos de exageración. Aprendes a oler cuando un campo está a punto de pasar de "imposible" a "costoso" a "rutinario."

La mayoría de las personas ni siquiera saben que la grieta existe.Están persiguiendo lo que está de moda o evitando lo que es difícil. Hassabis construyó toda su carrera en el espacio entre.

Nodos Raíz, No Hojas

Hay un segundo filtro, y es donde la mayoría de las personas inteligentes fallan.

Hassabis no resuelve cualquier problema en la grieta. Él busca nodos raíz—problemas que se encuentran en la base de árboles enteros de aplicaciones posteriores.

Piensa en los problemas científicos como un enorme árbol. Las hojas son las preguntas visibles e inmediatas: ¿Cómo mejoramos este fármaco específico? ¿Cómo optimizamos este material en particular? Estas son importantes, pero son limitadas. Resolver una hoja ayuda a una rama.

Las raíces son diferentes. Son los problemas fundamentales cuya solución desbloquea bosques enteros. El plegamiento de proteínas no se trata solo de proteínas. Se trata de entender la maquinaria de la vida misma. Resuélvelo, y no solo obtendrás mejores medicamentos, obtendrás una nueva forma de hacer biología.

La mayoría de los científicos trabajan en hojas porque las hojas son más seguras.El camino es más claro. Las publicaciones llegan más rápido. Las subvenciones son más fáciles de justificar. Los nodos raíz son aterradores porque son difíciles, y porque el fracaso significa años de trabajo sin nada que mostrar.

Pero aquí está la cuestión sobre los nodos raíz: solo son abordables desde la grieta. Para cuando un nodo raíz se vuelve obviamente solucionable, todos ya están trabajando en ello. La ventaja proviene de verlo antes de que sea obvio—de tener el mapa y la sensibilidad para saber cuándo llega el momento.

Hassabis no eligió el plegamiento de proteínas porque estuviera de moda. Lo eligió porque era un nodo raíz que había estado rastreando durante veinte años, y en 2016, la grieta finalmente se abrió lo suficiente.

La Estrategia Bayesiana

Aquí es donde se vuelve táctico.

Hassabis no planea por calendario. Planea por evidencia. Cada proyecto—exitoso o fallido—actualiza su modelo de lo que la IA puede y no puede hacer.

AlphaGo no fue solo un truco publicitario o un hito de investigación. Fue una sonda. Probó si el aprendizaje por refuerzo profundo podía dominar un problema de asombrosa complejidad. El éxito de AlphaGo proporcionó evidencia de que la IA había cruzado un umbral. Esa evidencia actualizó el mapa de Hassabis. Le dijo: las herramientas están listas para el plegado de proteínas ahora.

Esto es planificación bayesiana. Tienes hipótesis sobre la capacidad tecnológica. Cada proyecto genera evidencia que confirma o desafía esas hipótesis. Las hipótesis se actualizan. El mapa se redibuja. El siguiente movimiento se vuelve obvio solo en retrospectiva.

Esta es la razón por la que Hassabis no lanzó el proyecto de plegado de proteínas en 2010 o 2012. La evidencia aún no estaba allí. Las herramientas no estaban listas. Comenzar antes no lo habría hecho más rápido; lo habría hecho fracasar.

Compara esto con cómo la mayoría de las organizaciones planifican: "Año 1: construir IA de juegos. Año 3: vencer al campeón mundial en Go. Año 6: resolver el plegado de proteínas." Esta es una planificación por calendario, y es basura. Los avances no llegan según lo programado. Llegan cuando las condiciones subyacentes lo hacen posible.

Planificar por cronograma es planificar para la fantasía. Planificar por condición desencadenante es planificar para la realidad.

Las Dos Maneras en que la Planificación Falla

He visto este patrón destruir carreras y empresas. Dos modos de falla, ambos comunes, ambos fatales.

Modo de Falla 1: Persiguiendo el Calor

En 2016, después de AlphaGo, vi a un profesor de filosofía pivotar hacia la IA. Creó un grupo en WeChat llamado "Grupo de Discusión sobre IA." El ochenta por ciento de los miembros no tenía antecedentes en IA. Fui invitado porque había escrito una predicción popular (y equivocada) sobre el partido de Lee Sedol.

El profesor dio charlas. Solicitó subvenciones. Pasó dos años en "IA y filosofía." No produjo nada. Cuando ChatGPT apareció en 2022, volvió al mismo tema. Aún nada.

Esto es perseguir tendencias. Ves algo que está de moda, corres hacia ello. Pero para cuando llegas, la multitud ya lo ha despojado. No llegas temprano, llegas tarde, y estás mal equipado.

Modo de fallo 2: Bloqueando la línea de tiempo

El error opuesto es la planificación rígida a largo plazo. Estableces hitos: entregable del primer trimestre, revisión del segundo trimestre, integración del tercer trimestre. Esto funciona para proyectos de ingeniería con parámetros conocidos. Fallará catastróficamente para la investigación, la innovación o cualquier dominio donde el camino sea incierto.

¿Por qué? Porque los verdaderos avances no respetan tu gráfico de Gantt. Si fuerzas los resultados para que coincidan con las líneas de tiempo, obtienes una de dos cosas: "hitos" fabricados que son solo un envoltorio, o trabajo trivial que era predecible desde el primer día. Ninguno es un avance. Ninguno importa.

Hassabis evita ambas trampas. No persigue tendencias; ya está posicionado donde estará la tendencia, antes de que alguien la sienta. Y no bloquea líneas de tiempo; bloquea condiciones desencadenantes. "Cuando se demuestre la capacidad X, entonces se lanza el proyecto Y."

El movimiento de veinte años

Hablemos de la línea de tiempo real, porque aquí es donde la mayoría de las personas malinterpretan completamente a Hassabis.

Años 90: Estudiante de pregrado en Cambridge. Aprende sobre el plegamiento de proteínas. Lo reconoce como importante. Lo almacena en su mapa mental. No hace nada al respecto.

Años 2000: Crea una empresa de IA para juegos. La vende. Obtiene un doctorado en neurociencia cognitiva. No está claramente relacionado con el plegamiento de proteínas. Pero está construyendo herramientas y entendimiento.

2010: Cofunda DeepMind. Se centra en la IA general. Aún no en el plegamiento de proteínas.

2016: AlphaGo vence a Lee Sedol. En el vuelo de regreso, lanza el proyecto de plegamiento de proteínas. Cuatro años después, AlphaFold2. Cuatro años después de eso, Premio Nobel.

La brecha entre encontrar el problema y resolverlo fue de veinticinco años.Pero el trabajo activo fue solo de cuatro. Los otros veintiuno fueron preparación, posicionamiento y esperar a que se abriera la grieta.

Esto es lo que quiero decir con planificar sin un calendario. Hassabis no programó "resolver el plegamiento de proteínas" para 2020. Mantuvo un mapa vivo, lo actualizó continuamente con evidencia de cada proyecto y apretó el gatillo cuando las condiciones eran las adecuadas.

La partida de Go no era un requisito previo para el plegamiento de proteínas en ningún sentido técnico. No necesitas dominar los juegos de mesa para plegar proteínas. Pero la partida de Go proporcionó laevidenciaque las herramientas estaban listas. Era una condición desencadenante, no un peldaño.

Lo que esto significa para ti

Probablemente no vayas a ganar un Premio Nobel. Yo tampoco. Pero el marco de Hassabis se aplica a cualquier dominio donde la línea de tiempo es incierta y las apuestas son altas.

Construye un mapa de problemas. No una lista de tareas, un mapa. ¿Cuáles son los problemas de nodo raíz en tu campo? ¿Cuáles están en la grieta? ¿Cuáles se acercan a ser solucionables? Haz un seguimiento de ellos. Actualízalos. Déjalos reposar durante años si es necesario.

Planifica por desencadenante, no por línea de tiempo. "Cuando alcancemos la métrica X, nos expandimos al mercado Y." "Cuando esta tecnología demuestre la capacidad Z, lanzamos este producto." No: "Lanzamos en el Q3."

Actualiza tu modelo con cada proyecto.El éxito te enseña lo que es posible. El fracaso te enseña lo que no es. Ambos son evidencia. Ambos actualizan tu mapa.

Caza nodos raíz.Los problemas obvios están abarrotados. Los problemas fundamentales son donde vive la palanca. Pero necesitas el mapa y la paciencia para esperar a que se abra la grieta.

Ignora el calor.Para cuando algo está en tendencia, la oportunidad ya está valorada. Tu ventaja está en verlo antes que la multitud, no en correr con la multitud.

El Movimiento Go

Hay un momento en el segundo juego del match de Lee Sedol del que los jugadores de Go aún hablan. Movimiento 37. Lee Sedol se levantó, fue al baño, pensó durante quince minutos. Fue un movimiento que ningún humano jugaría. Su valor no era visible en ese momento; se manifestó veinte movimientos después.

El encuentro de pregrado de Hassabis con el plegamiento de proteínas fue su Movimiento 37. Parecía irrelevante para el juego que estaba jugando. Su valor no sería visible durante veinte años.

La mayoría de las personas no pueden mantener un movimiento en su cabeza durante veinte minutos, y mucho menos durante veinte años.Necesitan retroalimentación inmediata, progreso visible, validación trimestral. Pero los problemas raíz no recompensan el pensamiento trimestral. Recompensan a aquellos que pueden esperar.

La pregunta no es si tienes el coeficiente intelectual de Hassabis. Probablemente no lo tengas. Yo ciertamente no lo tengo. La pregunta es si puedes construir el mapa, mantener la sensibilidad y esperar a que se abra la grieta.

Esa es una habilidad. Se puede aprender. Se puede practicar. Y en un mundo obsesionado con los resultados trimestrales y los temas de moda, es lo más parecido a una ventaja estructural que encontrarás.

Mercury Technology Solutions: Acelera la Digitalidad.