Ingeniería Kansei: Cómo transformar emociones en decisiones de diseño de productos

Puntos Clave: Ingeniería Kansei

• Propósito Central: La Ingeniería Kansei (KE) es una metodología que traduce las respuestas emocionales, sensaciones y expectativas del usuario en parámetros concretos de diseño y especificaciones técnicas.
• Ruta Metodológica: Abarca seis fases estructuradas: elección de categoría, captura de palabras Kansei, deconstrucción de atributos, evaluación afectiva, modelado multivariado (PCA, QT1, IA) y validación final.
• Aplicación Multisectorial: Posee un impacto relevante en diseño automotriz (filosofía Zoom-Zoom de Mazda, vehículos ICV/NEV), electrónica de consumo (smartphones intuitivos), servicios y arquitectura (hospitalidad y aulas universitarias) y publicidad digital interactiva.
• Los principales desafíos incluyen la complejidad en la cuantificación de emociones y sensibilidad al contexto cultural; la dependencia del objeto evaluado y falta de estandarización universal; el riesgo de limitar la innovación disruptiva mediante marcos morfológicos rígidos; muestras reducidas y costos elevados en la validación biométrica (eye-tracking, electroencefalografía); y la opacidad de interpretabilidad en modelos de aprendizaje profundo (modelos de caja negra).
• Convergencia Tecnológica y Tendencias:
  • IA y Big Data: Integración de redes neuronales, algoritmos genéticos, minería de texto en reseñas en línea y Support Vector Regression (SVR).
  • Gestión de la Calidad: Sinergia estratégica con el Modelo Kano, QFD, SERVQUAL, AHP y FCE.
  • Entornos Inmersivos: Adopción de la «Ingeniería Kansei Virtual» (VR/AR) para evaluar atributos sin requerir prototipos físicos.
  • Modelos Híbridos y Dinámicos: Implementación de la Ingeniería Kansei Híbrida (HKE), análisis de datos afectivos continuos en productos inteligentes e hiperpersonalización de servicios en tiempo real.

En el competitivo mercado actual, las empresas buscan constantemente formas innovadoras de desarrollar productos y servicios que resuenen con su público objetivo y garanticen una mayor satisfacción. Ante este reto, la Ingeniería Kansei —una metodología de diseño centrada en el usuario— se ha consolidado como una herramienta clave para conectar con el consumidor.

Hoy en día, los clientes no solo evalúan atributos racionales como funcionalidad, usabilidad, seguridad o precio. Sus decisiones de compra dependen cada vez más de factores subjetivos y del impacto emocional que les genera la marca (López et al., 2021). En este escenario, al combinarse con diversas metodologías, la Ingeniería Kansei permite descifrar con precisión estas sensaciones para aplicarlas en múltiples sectores de la vida cotidiana y perfeccionar la experiencia del usuario (Lin et al., 2021).

En definitiva, el propósito fundamental de la Ingeniería Kansei es traducir las impresiones afectivas en parámetros concretos de diseño, asegurando que cada producto sea tan funcional como atrayente. En este artículo, exploraremos a fondo sus principios, metodología, casos de éxito reales y su sinergia con otras herramientas de innovación.

¿Qué es la Ingeniería Kansei? El diseño guiado por las emociones

La Ingeniería Kansei (Kansei Engineering), también conocida como “ingeniería afectiva” o “diseño emocional”, es una metodología enfocada en capturar las respuestas emocionales de los consumidores hacia los productos para orientar con precisión cada decisión de diseño. Esta disciplina fue creada por el profesor Mitsuo Nagamachi en la década de 1970 y ha evolucionado hasta convertirse en un pilar esencial del diseño centrado en el usuario.

De acuerdo con Nagamachi (1995), esta metodología nació como una tecnología enfocada en el consumidor para el desarrollo de nuevas propuestas, definiéndola como “la traducción tecnológica de los sentimientos e imágenes que una persona proyecta sobre un producto hacia elementos concretos de diseño”.

En esta misma línea, Hakim et al. (2024) destacan que la Ingeniería Kansei es fundamental para concebir productos que integren funcionalidad, usabilidad y satisfacción emocional, pilares indispensables para el éxito comercial. Además, no solo permite descifrar las expectativas perceptivas del usuario, sino que también optimiza los procesos de desarrollo y reduce significativamente los costes de producción al minimizar los márgenes de error (Xue et al., 2020).

Ingeniería Kansei vs. Kansei Engineering: origen y evolución del término

El término japonés Kansei (感性) es anterior a la metodología misma. Su aplicación en el Japón moderno para definir la sensibilidad estética se remonta a 1878, cuando el filósofo Amane Nishi lo utilizó para adaptar conceptos de la estética occidental al contexto local. Décadas más tarde, la Escuela de Kioto —liderada por Kitaro Nishida— profundizó filosóficamente en la «experiencia pura» (junsui keiken), estableciendo que la percepción sensorial y la emoción preceden a cualquier juicio racional.

Fue en la década de 1970 cuando el profesor Mitsuo Nagamachi, de la Universidad de Hiroshima, transformó este trasfondo filosófico en una disciplina técnica aplicable al diseño de productos: la Ingeniería Kansei (Kansei Engineering). Aunque en español e inglés ambos términos se emplean indistintamente, la raíz conceptual y la esencia perceptiva japonesa siguen siendo exactamente las mismas.

Comprender la ingeniería afectiva: la psicología detrás del diseño de productos

La Ingeniería Kansei parte de una premisa fundamental: las decisiones de compra de las personas suelen estar impulsadas por impulsos emocionales más que por una evaluación puramente lógica o funcional. Esta metodología reconoce que cada producto genera sensaciones y percepciones profundas en el usuario, por lo que busca canalizar estas respuestas afectivas para concebir soluciones verdaderamente atractivas, deseadas y memorables.

Principios fundamentales de la Ingeniería Kansei

Esta disciplina se rige por varios pilares estratégicos que la diferencian conceptualmente de los enfoques de diseño tradicionales:

Enfoque centrado en la emoción humana (Kansei)

El principio rector de la Ingeniería Kansei establece que un producto o servicio no solo debe responder a criterios funcionales, sino también evocar emociones positivas y conectar con las expectativas psicológicas del consumidor (Hartono y Parung, 2026). En este marco, el término Kansei alude a la percepción subjetiva del usuario, manifestada mediante sensaciones, impresiones y estados afectivos (Lu et al., 2024). De este modo, la metodología captura estos sentimientos abstractos y difusos —como la apreciación de algo “elegante”, “auténtico” o “tecnológico”— para traducirlos en parámetros de diseño concretos, objetivos y cuantificables (Lu et al., 2024; Liu y Song, 2025).

Integración interdisciplinaria y resolución de problemas

De acuerdo con Lu et al. (2024), la Ingeniería Kansei establece un equilibrio dinámico entre la rigurosidad científica y tecnológica y el proceso creativo del diseño. Para lograrlo, convergen áreas como la ingeniería, el diseño, la ergonomía —o factores humanos— y la psicología (Yohanny et al., 2025; Hartono y Parung, 2026). Asimismo, Lu et al. (2024) subrayan que, para garantizar el éxito de este enfoque, la metodología se articula en torno a la interacción de tres actores clave (el producto, el usuario y el diseñador) y aborda tres retos científicos fundamentales:

• Construcción de un modelo de decisión: Consiste en formular modelos matemáticos y de ingeniería que establezcan la correlación exacta entre las respuestas afectivas del usuario y los parámetros de diseño.

• Deconstrucción de las características del producto: Consiste en analizar y descomponer el producto en sus atributos físicos y propiedades específicas, tales como contornos, paletas de color, materiales y proporciones.

• Cuantificación del Kansei del usuario: Implica medir y estructurar la representación de las emociones del consumidor a través de métodos rigurosos de evaluación sensorial.

Implementación metodológica estructurada de la Ingeniería Kansei

En la práctica, según Yohanny et al. (2025), los principios de la Ingeniería Kansei se despliegan a través de un procedimiento sistemático que abarca las siguientes etapas clave:

• Determinación del dominio del producto: Identificar con precisión el objeto de diseño, su contexto de uso y el público objetivo (Núñez et al., 2026).
• Definición del espacio semántico: Recopilar «palabras Kansei«, es decir, un conjunto de adjetivos (como «cómodo», «lujoso» o «moderno») que describen las respuestas afectivas del consumidor. Estas expresiones se filtran y estructuran mediante herramientas como las escalas de diferencial semántico.
• Determinación de las propiedades del producto: Definir los componentes y categorías que integran el diseño físico o los elementos de servicio susceptibles de ser modificados.
• Síntesis y análisis de datos: Aplicar métodos estadísticos avanzados (como el Análisis de Componentes Principales o la Teoría de Cuantificación) o algoritmos de inteligencia artificial (redes neuronales y algoritmos genéticos) para correlacionar qué atributo físico específico desencadena determinada emoción en el usuario (Chang et al., 2025). Hartono y Parung (2026) señalan que este enfoque marca una transición desde las encuestas tradicionales hacia analíticas avanzadas como minería de textos, análisis de sentimientos, aprendizaje automático y Big Data.
• Evaluación y validación: Comprobar y validar las soluciones de diseño óptimas para confirmar que los parámetros seleccionados satisfacen la intención emocional proyectada. De acuerdo con Chang et al. (2025), en fases avanzadas de la disciplina (como la KE Híbrida), este proceso se enriquece con métricas objetivas como el seguimiento ocular (Eye Tracking) y mediciones fisiológicas.

Los 5 tipos de Ingeniería Kansei: de la evaluación tradicional a los modelos híbridos

No toda aplicación de la Ingeniería Kansei sigue la misma metodología. Aunque Nagamachi (1995) identificó inicialmente tres enfoques, Zhu et al. (2025) distinguen cinco variantes principales, estructuradas desde la más accesible hasta la más avanzada:

• 1. Ingeniería Kansei Tradicional: Se apoya en encuestas, criterio de expertos y retroalimentación de los usuarios para capturar emociones y orientar el desarrollo. Si bien resulta eficiente en productos simples, carece de un mecanismo de validación riguroso para evaluar si esas percepciones se traducen con exactitud en objetos de alta complejidad.
• 2. Ingeniería Kansei Difusa (Fuzzy Kansei Engineering – FKE): Surge para resolver la ambigüedad en las demandas del consumidor. Emplea lógica y reglas difusas para estructurar los requisitos del usuario en formatos comprensibles, incrementando la precisión en la recolección de datos.
• 3. Ingeniería Kansei Colaborativa (Collaborative Kansei Engineering – CKE): Busca elevar la exactitud del diseño al integrar a múltiples grupos de interés (diseñadores, usuarios, partes interesadas y segmentos específicos como adultos mayores o personas con discapacidad), involucrándolos de forma activa en la toma de decisiones.
• 4. Ingeniería Kansei Virtual (Virtual Kansei Engineering – VKE): Incorpora Realidad Virtual (VR) para analizar la relación entre las características del producto y las expectativas del público. La VR resulta idónea para medir, predecir y analizar las reacciones emocionales y el grado de satisfacción frente a prototipos futuros.
• 5. Ingeniería Kansei Híbrida (Hybrid Kansei Engineering – HKE): Diseñada para maximizar la objetividad en productos complejos mediante un mecanismo de validación bidireccional que combina métodos subjetivos y objetivos. Se articula en dos subsistemas:
  • Ingeniería Kansei Directa (Forward Kansei Engineering – FKE): Parte del vocabulario perceptual o de imágenes expresado por el usuario para guiar la conceptualización y generar las primeras propuestas de diseño.
  • Ingeniería Kansei Inversa (Backward Kansei Engineering – BKE): Constituye la fase de validación. A partir de las opciones concebidas, aplica métricas cuantitativas o técnicas experimentales (como el seguimiento ocular o eye-tracking) para verificar con rigor científico si la evaluación preliminar fue precisa.

Identificar en qué categoría se enmarca tu proyecto constituye el paso fundamental antes de elaborar el instrumento de recolección de datos.

Aplicaciones de la Ingeniería Kansei: Del producto físico a la experiencia del usuario

La Ingeniería Kansei es una metodología sumamente versátil que ha trascendido su origen en el diseño de productos físicos para abarcar industrias como los servicios, los entornos digitales y la moda. Sus principales campos de aplicación se estructuran en las siguientes áreas clave:

Diseño de vehículos y transporte

El sector del transporte fue el pionero en implementar la Ingeniería Kansei y continúa siendo uno de sus mayores campos de investigación (Lu et al., 2024). Entre sus principales aplicaciones destacan:

• Automóviles: Lu et al. (2024) reportan la optimización del diseño exterior (como la parrilla frontal de vehículos eléctricos para transmitir innovación o seguridad) e interior (volantes, paneles de instrumentos y asientos).
• Trenes: Diseño del interior de compartimentos privados y asientos para trenes económicos y de lujo, orientados a evocar respuestas afectivas positivas como «comodidad» o «exclusividad» (Yohanny et al., 2025).
• Aeroespacial: Configuración de cabinas de pasajeros (iluminación, paletas de color y ergonomía de asientos) para mitigar el estrés, optimización de cabinas de mando por motivos de seguridad y diseño aerodinámico de vehículos aéreos no tripulados o drones (Lu et al., 2024).
• Embarcaciones y movilidad alternativa: Desarrollo conceptual de barcos, yates y módulos de alojamiento en plataformas marinas, además de la personalización estética de bicicletas tradicionales y eléctricas.

Sector de servicios

De acuerdo con Hartono y Parung (2026), en la última década la Ingeniería Kansei se ha integrado sólidamente en el sector servicios con el fin de elevar la calidad de la experiencia, fortalecer la fidelización y garantizar la satisfacción emocional del cliente. Sus principales áreas de aplicación abarcan:

• Hospitalidad y turismo: Concepción de servicios en hoteles de lujo, alta gastronomía y salas VIP de aeropuertos para crear vivencias memorables.

• Logística y distribución: Optimización de procesos en entregas a domicilio, logística transfronteriza y envíos exprés internacionales.

• Salud y atención médica: Desarrollo de soluciones de salud digital —como telemedicina, plataformas para pacientes y aplicaciones de bienestar emocional— donde la disciplina ayuda a que las interacciones virtuales sean más empáticas, confiables y humanas.

• Otros entornos de servicio: Implementación estratégica en aerolíneas, comercio minorista (retail) y educación superior.

Moda, textiles y materiales sostenibles

La versatilidad de la Ingeniería Kansei permite su aplicación estratégica en los sectores de la moda, los textiles y los materiales sostenibles. A continuación, se detallan sus principales expresiones:

• Indumentaria tradicional y de herencia cultural: Se ha utilizado para revitalizar y modernizar vestimentas históricas, tales como la Nyonya Kebaya de Malasia, el Hanfu o el Cheongsam. Este enfoque permite adaptar elementos clave —como patrones, bordados y siluetas— para conectar con el público joven sin perder la autenticidad cultural (Guo et al., 2026).
• Moda contemporánea: Desarrollo y optimización estética de prendas de vestir como sostenes, chaquetas, abrigos, camisas masculinas y trajes femeninos (Guo et al., 2026).
• Materiales sostenibles: Creación y perfeccionamiento de alternativas de «biocuero», como la optimización de la corteza de abedul para concebir artículos de moda ecológica (bolsos modulares, carteras y calzado biodegradable) que destaquen por su atractivo táctil y visual (Liu y Song, 2025).

Entornos digitales, publicidad y cultura

En los últimos años, la aplicación de la Ingeniería Kansei se ha expandido con fuerza hacia la publicidad digital, los entornos interactivos y el sector cultural. Sus expresiones más destacadas se agrupan en las siguientes áreas:

• Publicidad digital: Generación de contenidos publicitarios interactivos y anuncios dinámicos para e-commerce. La metodología ajusta parámetros de animación y diseño visual para maximizar la resonancia emocional y la recordación de marca en el consumidor (Chang et al., 2025).

• Sistemas inteligentes y plataformas: Según Hartono y Parung (2026), la Ingeniería Kansei se aplica en el desarrollo de robots sociales y de servicio, motores de recomendación para comercio electrónico (por ejemplo, en calzado deportivo) y analítica de datos mediante minería de texto en reseñas en línea.

• Sector cultural y museos: López y González (2026) reportan el uso de la Ingeniería Kansei en el diseño de aplicaciones móviles inclusivas para espacios culturales (como el Museo Helga de Alvear). La disciplina facilita la creación de interfaces accesibles que atienden el estado emocional del usuario, optimizando la interacción de personas con diversidad sensorial, cognitiva o motora.

Productos industriales y de consumo complejos

De acuerdo con Chang et al. (2025), más allá de los bienes de consumo masivo y objetos cotidianos (como botellas, mobiliario, básculas electrónicas o electrodomésticos), la Ingeniería Kansei se aplica en el diseño y evaluación de bienes de alta complejidad. Esto incluye maquinaria industrial pesada —como montacargas eléctricos— y equipamiento médico quirúrgico auxiliar, donde la arquitectura de diseño debe equilibrar la rigurosidad técnica con la experiencia perceptiva del operador (Zhu et al., 2025).

Beneficios estratégicos de la Ingeniería Kansei

La Ingeniería Kansei ofrece ventajas estratégicas determinantes en el desarrollo de productos y servicios al articular un equilibrio riguroso entre la ciencia, la emoción humana y la viabilidad comercial. Entre sus principales beneficios destacan:

• Traducción de la subjetividad en parámetros objetivos: El mayor valor de esta metodología radica en su capacidad para convertir emociones, percepciones vagas y respuestas afectivas en especificaciones de diseño concretas, cuantificables y accionables (Chang et al., 2025). Esto establece un lenguaje unificado que agiliza la comunicación, la evaluación y la toma de decisiones entre ingenieros, diseñadores y equipos directivos.

• Optimización de la experiencia, la satisfacción y la lealtad: De acuerdo con Hartono y Parung (2026) y López y González (2026), al garantizar que un producto o servicio conecte a un nivel emocional profundo —y no únicamente funcional—, la disciplina genera experiencias memorables. Esto se traduce en un incremento de la satisfacción del cliente, una mayor recomendación orgánica y una sólida fidelización hacia la marca (Hartono y Parung, 2026).

• Aumento de la competitividad y el éxito comercial: Alinear el desarrollo con las expectativas afectivas del mercado eleva de forma significativa el valor percibido del diseño (Kang, 2024; Chang et al., 2025). Como resultado, las organizaciones potencian sus ventas, mejoran el retorno de inversión y aceleran la tasa de éxito en el lanzamiento de nuevas soluciones (López y González, 2026).

• Reducción de costes, tiempos y errores de desarrollo: Al integrar un entendimiento científico del usuario, la metodología mitiga la incertidumbre en las fases iniciales de ideación (Lu et al., 2024). Esto permite acortar los ciclos de desarrollo, evitar costosos rediseños y optimizar los recursos invertidos en validaciones prolongadas (Zhu et al., 2025). Asimismo, variantes avanzadas como la KE Híbrida reducen los sesgos estéticos del diseñador, dotando al proceso de una alta consistencia analítica.

• Impulso a la innovación y la diferenciación: La Ingeniería Kansei actúa como un catalizador creativo, impulsando soluciones disruptivas que destacan en mercados saturados (Hartono y Parung, 2026). Resulta especialmente eficaz para revitalizar productos con valor histórico o cultural (como textiles tradicionales) adaptándolos a las tendencias actuales sin perder autenticidad (Guo et al., 2026), además de potenciar la innovación en materiales sostenibles y publicidad digital (Chang et al., 2025; Liu y Song, 2025).

• Mejora de la seguridad, la ergonomía y el bienestar: En sectores críticos como el transporte o la salud, la disciplina adapta los entornos a los principios cognitivos y fisiológicos de las personas (Lu et al., 2024). Al perfeccionar la usabilidad y el confort en interiores e interfaces, contribuye a reducir el estrés y la fatiga, disminuyendo el riesgo de accidentes por factor humano y resguardando el bienestar de operadores y usuarios.

Metodología de la Ingeniería Kansei

La implementación de la Ingeniería Kansei responde a un procedimiento sistemático y estructurado diseñado para traducir las emociones y percepciones de los usuarios en parámetros de diseño concretos. De acuerdo con Yohanny et al. (2025), a partir de los marcos conceptuales de esta disciplina, el proceso general comprende las siguientes etapas fundamentales:

Paso 1: Elección del dominio del producto

Esta primera fase consiste en definir con precisión el objeto de diseño, identificando de forma clara el producto o servicio a desarrollar o perfeccionar, así como el segmento de usuarios o mercado objetivo al que se destina (Núñez et al., 2026). A continuación, se presentan algunos ejemplos representativos:

Paso 2: Construcción del espacio semántico (Determinación de palabras Kansei)

En esta etapa se recopila un amplio vocabulario de adjetivos —denominados «palabras Kansei«— que describen las respuestas emocionales y afectivas y las percepciones de los usuarios respecto al producto. Estos términos pueden extraerse de la literatura científica, entrevistas o publicaciones especializadas (Guo et al., 2026). Dado que la recolección inicial puede incluir cientos de vocablos, se aplica un proceso de filtrado y síntesis (mediante discusiones de grupos focales, diagramas de afinidad o agrupación semántica) para seleccionar únicamente las palabras Kansei más representativas.

Por su parte, Liu et al. (2023) propusieron un método de selección de pares de palabras Kansei fundamentado en la frecuencia de términos bajo las dimensiones de evaluación, potencia y actividad (TF-EPA). Esta metodología permite identificar los pares de adjetivos que mejor representan las imágenes afectivas del producto, optimizando la Ingeniería Kansei para adaptarla a las tendencias de diseño emocional en la era del Big Data.

A continuación, se presenta una tabla estructurada con ejemplos que detallan cómo se llevó a cabo este proceso en distintas investigaciones:

Paso 3: Definición del espacio de propiedades (Deconstrucción del producto)

En esta etapa, según Yohanny et al. (2025), el producto se deconstruye en sus características físicas y visuales, estructurándolas en «ítems» (como forma, color, material o acabado superficial) y sus respectivas «categorías» o niveles (por ejemplo: tono verde, silueta curva o textura de madera). A partir de la combinación de estas propiedades, se conciben las muestras, prototipos o representaciones visuales que posteriormente se evaluarán con los usuarios.

A continuación, se presentan algunos ejemplos representativos extraídos de la literatura científica:

Paso 4: Recopilación de datos (Evaluación sensorial)

En esta fase se estructuran los cuestionarios de evaluación relacionando las muestras de diseño definidas en el paso anterior con las palabras Kansei seleccionadas. De forma general, se aplica una escala de diferencial semántico —como la escala de Osgood de 5 o 7 puntos—, la cual utiliza pares de adjetivos opuestos para que los usuarios califiquen sus respuestas perceptivas frente a cada prototipo presentado.

La escala semántica diferencial: la herramienta central de la Ingeniería Kansei

La inmensa mayoría de las aplicaciones de Ingeniería Kansei convergen en una misma herramienta de medición: la escala semántica diferencial. Esta consiste en enfrentar pares de adjetivos contrapuestos (por ejemplo: «moderno – anticuado», «cálido – frío» o «robusto – frágil») en un gradiente numérico de 5 o 7 niveles, solicitando al evaluador que valore el producto entre ambos extremos.

Ejemplo simplificado aplicado al diseño de un asiento de automóvil:

Al administrar esta escala a una muestra representativa de usuarios y cruzar los resultados estadísticamente con los atributos físicos del objeto (mediante técnicas como la Teoría de Cuantificación Tipo I), se construye un modelo analítico que vincula cada respuesta emocional con parámetros de diseño cuantitativos, trascendiendo la mera intuición.

Paso 5: Síntesis y análisis de datos (Modelado estadístico)

Los datos recabados en las evaluaciones se procesan mediante métodos estadísticos multivariados o modelos matemáticos para establecer la correlación exacta entre las respuestas afectivas (Kansei) y los atributos físicos del producto. De acuerdo con Yohanny et al. (2025), las herramientas analíticas más utilizadas en esta etapa comprenden el Análisis de Componentes Principales (PCA), la Teoría de Cuantificación Tipo I (QT1), el análisis de conglomerados (clustering) y algoritmos de aprendizaje automático o inteligencia artificial. Este procesamiento permite determinar, de forma cuantitativa, qué parámetro de diseño específico desencadena una respuesta emocional determinada en el usuario.

Paso 6: Evaluación y validación de los resultados

En esta última fase, la toma de decisiones se orienta a consolidar las conclusiones del análisis de datos para definir las especificaciones de diseño óptimas. Las soluciones concebidas se someten a un proceso de validación con el fin de confirmar que la propuesta final satisface las expectativas estilísticas y evoca de forma efectiva la respuesta emocional proyectada. De acuerdo con Zhu et al. (2025), en modelos avanzados esta verificación se complementa con metodologías objetivas como el seguimiento ocular (eye-tracking).

Ejemplos de Ingeniería Kansei en acción: Casos de éxito y efectividad sectorial

La Ingeniería Kansei se ha implementado con notable éxito en una amplia variedad de industrias, impulsando el desarrollo de soluciones con una profunda resonancia emocional y un alto índice de satisfacción del consumidor. No obstante, una investigación de Hartono y Parung (2026) advierte que su eficacia varía según el sector: demuestra un rendimiento sobresaliente en hospitalidad y comercio electrónico al capturar matices afectivos complejos, mientras que exhibe un impacto moderado o alto en logística y aviación al fortalecer la percepción de confianza y eficiencia. Asimismo, el estudio identifica un prometedor potencial emergente en la atención médica y los servicios robóticos digitales. A continuación, se presentan algunos casos destacados:

Diseño automotriz y sector del transporte

Un fabricante de automóviles implementó la Ingeniería Kansei para concebir un vehículo capaz de evocar sensaciones de sofisticación, dinamismo y lujo en su segmento objetivo. Al descifrar las respuestas afectivas que los consumidores asocian con los vehículos de gama alta, la compañía logró desarrollar un modelo que no solo cubría requerimientos funcionales, sino que conectaba profundamente con los deseos emocionales del público.

Un caso emblemático es el de Mazda, cuya aplicación de la Ingeniería Kansei derivó en el concepto Zoom-Zoom, enfocado en enfatizar el placer de conducir y la estrecha conexión emocional con el automóvil. Por su parte, Lai et al. (2022) utilizaron datos masivos de internet (Big Data) para identificar las expectativas Kansei en el diseño exterior de vehículos de nuevas energías (NEV), como los coches eléctricos. En esta misma línea, Lai et al. (2024) integraron comentarios en línea con datos analíticos fuera de línea, formulando un marco innovador para fusionar ambas fuentes en la Ingeniería Kansei aplicada a las funciones de vehículos inteligentes y conectados (ICV).

Asimismo, Lu et al. (2024) identifican tres etapas clave en la evolución de la disciplina dentro de la industria del transporte:

• Origen (1992–2005): Con un enfoque centrado primordialmente en el sector automotriz, recurrió a modelos estadísticos para vincular los atributos de diseño con el comportamiento y la retroalimentación del usuario, orientando la toma de decisiones.
• Transición y expansión (2006–2017): Introdujo algoritmos avanzados (como redes neuronales y lógica difusa) e instrumental de medición fisiológica (presión arterial y electroencefalogramas) para predecir y cuantificar la percepción de los usuarios en entornos aeronáuticos y ferroviarios.
• Divergencia y convergencia (2018–presente): Incorpora tecnologías de vanguardia como aprendizaje automático y Realidad Virtual. La investigación actual aborda la fatiga cognitiva, la inteligencia emocional y la mitigación del estrés para optimizar la experiencia y productividad del usuario en diversos medios de transporte.

Diseño de electrónica de consumo

De acuerdo con López et al. (2021), la metodología Kansei cuenta con una aplicación extendida y directa en el desarrollo de dispositivos tecnológicos y herramientas electrónicas.

En este ámbito, una firma de tecnología utilizó la Ingeniería Kansei para concebir un smartphone que transmitiera sensaciones de innovación y sencillez de uso. A través de este enfoque, la compañía identificó que los usuarios vinculaban la innovación con líneas elegantes y prestaciones avanzadas, mientras que la usabilidad se asociaba a controles intuitivos y una interfaz simplificada. Al integrar estos insumos emocionales en el desarrollo del dispositivo, la empresa lanzó al mercado un producto con una gran aceptación y resonancia comercial.

Diseño de servicios y espacios experienciales

Una cadena hotelera aplicó los principios de la Ingeniería Kansei para transformar la experiencia del cliente, consolidando una atmósfera cálida y acogedora. La compañía identificó que los huéspedes asociaban la hospitalidad con la calidez del personal, la comodidad del alojamiento y la sensación de confort como en el hogar. Al integrar estas señales emocionales en su propuesta de servicio, la empresa generó una vivencia más memorable y satisfactoria.

En este mismo ámbito, Habyba et al. (2023) aplicaron la Ingeniería Kansei en la arquitectura de ambientes educativos universitarios, derivando en dos conceptos espaciales clave: «un aula óptima de líneas frescas y pulcras» y «un salón de clases con iluminación y luminosidad destacadas».

Diseño de publicidad digital interactiva

Chang et al. (2025) exploraron la creación de anuncios digitales interactivos mediante la colaboración entre humanos e Inteligencia Artificial junto a la Ingeniería Kansei, demostrando que este enfoque supera significativamente a las herramientas convencionales. La plataforma de diseño desarrollada en el estudio alcanzó una puntuación de 82,78 sobre 100 en la Escala de Usabilidad del Sistema (SUS). Al integrar modelos de percepción humana con optimización algorítmica (Algoritmos Genéticos y Redes Neuronales de Retropropagación), los investigadores lograron superar la frialdad emocional habitual en el contenido generado por IA, dando lugar a piezas publicitarias hiperpersonalizadas con una profunda resonancia afectiva en el consumidor.

Desafíos y consideraciones para la implementación del Kansei

La adopción práctica de la Ingeniería Kansei enfrenta diversos obstáculos de carácter teórico, metodológico y operativo. Sus principales desafíos se estructuran en las siguientes dimensiones:

Complejidad en la captura y cuantificación de las emociones

El concepto de Kansei remite a percepciones humanas sutiles, complejas y, con frecuencia, difíciles de articular mediante el lenguaje convencional (Lu et al., 2024). Los enfoques contemporáneos basados en análisis masivo de datos —como la minería de texto en reseñas en línea— corren el riesgo de simplificar en exceso estas respuestas afectivas, lo que puede derivar en una pérdida de profundidad contextual y en la omisión de matices culturales o situacionales (Hartono y Parung, 2026). Asimismo, el procesamiento de esta huella digital plantea retos críticos asociados a la calidad, el sesgo y la interpretabilidad de la información, especialmente al abordar expresiones informales o multilingües.

Dependencia del objeto y falta de estandarización

Debido a la enorme variedad de productos existentes, la Ingeniería Kansei aún no cuenta con una teoría sistémica ni con herramientas universales para deconstruir los atributos de diseño de manera uniforme (Lu et al., 2024). Los métodos actuales están fuertemente condicionados por el objeto específico evaluado (por ejemplo, los criterios para deconstruir un periférico informático difieren radicalmente de los aplicados a una bicicleta). Asimismo, Hartono y Parung (2026) señalan que existe una elevada heterogeneidad metodológica y una marcada ausencia de validación cruzada empírica en la literatura científica, lo que debilita la consistencia global y dificulta la comparación de hallazgos entre distintos sectores industriales.

Restricciones a la creatividad y a la innovación disruptiva

De acuerdo con Kang (2024), en su enfoque tradicional la Ingeniería Kansei depende del análisis morfológico para deconstruir el producto, lo que tiende a encasillar el proceso creativo dentro de un marco rígido de retículas y estilos preexistentes. Esta restricción limita la flexibilidad y el alcance imaginativo del equipo, dificultando que los diseñadores conciban formas verdaderamente inéditas o propuestas disruptivas que rompan los esquemas del mercado.

Dificultades en entornos complejos y uso de biometría

La metodología aún carece de herramientas paramétricas sistemáticas para deconstruir atributos de diseño en escenarios dinámicos y de alta complejidad, como la industria aeroespacial (Lu et al., 2024). Por otra parte, si bien la validación fisiológica o biométrica (como el seguimiento ocular o la electroencefalografía) aporta objetividad, exige entornos experimentales estrictamente controlados e instrumental especializado (Hartono y Parung, 2026). Esta exigencia limita las evaluaciones a muestras reducidas, lo que restringe la generalización de los hallazgos y encarece la adopción práctica de este enfoque en aplicaciones industriales a gran escala.

Sesgos culturales y limitaciones de generalización

Hartono y Parung (2026) destacan que la investigación en Ingeniería Kansei exhibe una marcada concentración en contextos de Asia Oriental y Sudoriental, lo que puede introducir sesgos interpretativos en la construcción y comprensión de las respuestas emocionales. En consecuencia, los hallazgos de un estudio no resultan transferibles de manera directa a otros entornos culturales, regiones o sectores industriales sin antes realizar adaptaciones metodológicas sustanciales.

Modelos de «caja negra» en la integración de Inteligencia Artificial

De acuerdo con Chang et al. (2025), la creciente adopción de métodos de aprendizaje profundo (Deep Learning) en la Ingeniería Kansei para la generación automatizada de contenidos plantea serios desafíos de interpretabilidad. La naturaleza de «caja negra» inherente a estos algoritmos dificulta comprender la lógica tras el proceso de generación, lo que obstaculiza la refinada y transparente correlación entre las respuestas afectivas del usuario y los atributos de diseño producidos.

Integración de la Ingeniería Kansei con herramientas avanzadas

La Ingeniería Kansei (KE) no opera de forma aislada; por el contrario, se articula de manera sinérgica con un amplio espectro de herramientas tecnológicas, modelos estadísticos y metodologías de innovación. Esta integración permite superar la subjetividad inicial de la disciplina, perfeccionar su precisión analítica y dar respuesta a entornos de diseño dinámicos. En este sentido, Schütte et al. (2023) destacan que, desde inicios del presente milenio, la expansión global del enfoque Kansei hacia Europa y otros continentes ha impulsado la incorporación de nuevas aplicaciones, incluyendo la Realidad Virtual y la Inteligencia Artificial.

A continuación, esta convergencia metodológica se clasifica en las siguientes áreas clave:

Inteligencia Artificial, Algoritmos y Minería de Datos

Para procesar volúmenes masivos de información y predecir con alta precisión las respuestas afectivas del usuario, la Ingeniería Kansei se articula con técnicas avanzadas de aprendizaje computacional:

• Redes Neuronales (BPNN o CNN) y Algoritmos Genéticos (GA): De acuerdo con Chang et al. (2025), se emplean para modelar la correspondencia entre las palabras Kansei y los elementos de diseño, automatizando la generación de parámetros óptimos (por ejemplo, en la creación de animaciones publicitarias adaptadas emocionalmente).
• Minería de Texto (Text Mining) y Análisis de Sentimientos: Permiten extraer palabras Kansei y atributos de producto directamente desde grandes volúmenes de reseñas y comentarios en plataformas digitales, logrando evaluaciones escalables, en tiempo real y fundamentadas en Big Data (Hartono y Parung, 2026). Asimismo, Hartono et al. (2023) proponen una metodología estructurada que integra la minería de texto Kansei para consolidar el diseño robusto de servicios.
• Regresión de Vectores de Soporte (SVR): Algoritmo avanzado que mapea con rigor relaciones no lineales entre las percepciones emocionales de los clientes y los atributos físicos del diseño, superando las limitaciones de los enfoques estadísticos tradicionales (Kang, 2024).

Modelos de calidad y toma de decisiones

La Ingeniería Kansei (KE) se integra como herramienta estratégica en marcos de evaluación de productos y servicios para priorizar requerimientos de diseño:

• Modelo Kano y Modelo Kano Difuso Continuo (CFKM): Se articulan con la KE para categorizar las necesidades emocionales y determinar su grado de impacto en la satisfacción y el deleite del cliente (Kang, 2024). Al respecto, Cai et al. (2022) propusieron un marco metodológico fundamentado en la combinación de Kansei Engineering y Kano para el diseño de servicios orientados a la percepción del usuario.
• SERVQUAL y QFD (Despliegue de la Función de Calidad): Se integran con la KE para evaluar la brecha entre las expectativas y el desempeño del servicio, traduciendo respuestas afectivas en decisiones operativas concretas (Hartono y Parung, 2026). Asimismo, Ginting et al. (2020) analizaron la convergencia entre Kaizen y QFD, concluyendo que la KE permite traducir las emociones de los clientes en especificaciones técnicas, mientras que el QFD ayuda a estructurar de manera óptima sus requerimientos.
• Proceso de Jerarquía Analítica (AHP) y Evaluación Comprensiva Difusa (FCE): De acuerdo con Zhu et al. (2025), se utilizan para ponderar los pesos relativos de diversos criterios de evaluación y jerarquizar estadísticamente distintas alternativas de diseño en productos complejos (como en la validación industrial de montacargas eléctricos).

Herramientas Biométricas y Psicofisiológicas

Para evitar depender únicamente de lo que los usuarios dicen (cuestionarios), la KE integra mediciones de reacciones inconscientes y fisiológicas:

• Eye-Tracking (Seguimiento Ocular): Captura el tiempo de atención, las trayectorias de la mirada y los mapas de calor visual del usuario frente al producto (como las partes del diseño frontal de un vehículo eléctrico), aportando validación objetiva a las encuestas (Núñez et al. 2026).
• Mediciones corporales y neurológicas: Involucran el uso de electroencefalogramas (EEG) o la medición de la variación en el tamaño de las pupilas, para identificar la activación emocional y el grado de interés genuino del consumidor (Lu et al., 2024).

Tecnologías virtuales e inmersivas

La aplicación de la denominada «Ingeniería Kansei Virtual», mediante el uso de la Realidad Virtual (VR) y de la Realidad Aumentada (AR), permite a los usuarios interactuar con entornos simulados o explorar atributos de diseño en 360 grados. Esto facilita la evaluación de habitáculos de trenes o la textura virtual de textiles sostenibles, omitiendo la fabricación de costosos prototipos físicos (Liu y Song, 2025). Por su parte, Liu y Yang (2022) desarrollaron un método inmersivo basado en VR para mapear la relación entre la morfología del producto y el afecto del consumidor bajo cuatro dimensiones: generalidad, unidad, interrelación y detalle. Su estudio concluyó que los modelos predictivos respaldados por Realidad Virtual ofrecen una mayor precisión y confiabilidad al anticipar las preferencias emocionales del usuario.

Metodologías de Innovación Creativa

Para no quedarse estancada en rediseñar variaciones de elementos ya existentes, la KE se asocia con métodos disruptivos:

• Método de Pensamiento Creativo Asociativo (ACTM): De acuerdo con Kang (2024), ACTM supera las limitaciones del análisis morfológico rígido integrando inspiración biológica (diseño biónico), lo que permite que las emociones del usuario se traduzcan en formas creativas completamente nuevas (como un diseño inspirado en la cola de pez o en las patas de gato).
• TRIZ (Teoría de Resolución de Problemas Inventivos): Se suma para generar conceptos de servicios de diseño a largo plazo que sean creativos y resuelvan contradicciones operativas (Hartono y Parung, 2026). Hartono (2020) propuso la aplicación modificada basada en Kansei Engineering para el diseño de servicios sostenibles incorporando TRIZ y el factor humano y las preocupaciones ergonómicas, y realizó un estudio empírico en los servicios de salón y lobby de un aeropuerto internacional para confirmar la aplicabilidad del modelo propuesto.

Modelado Estadístico Avanzado

En sus fases de síntesis de datos, la KE habitualmente se apoya en Análisis de Componentes Principales (PCA) y herramientas de Análisis de Conglomerados (Cluster Analysis) para agrupar usuarios o palabras Kansei con significados afines. Asimismo, emplea modelos de Teoría de Cuantificación Tipo 1 (QT1) para encontrar matemáticamente la combinación ideal de variables de diseño.

Tendencias emergentes en el uso de la Ingeniería Kansei

Modelos híbridos para productos de alta complejidad

Zhu et al. (2025) proponen un modelo de Ingeniería Kansei Híbrida (HKE), el cual ofrece un método integral, preciso y eficaz para evaluar el diseño de productos complejos. Esta aproximación ayuda a los diseñadores a superar desafíos como las elevadas exigencias técnicas de fabricación y la multiplicidad de indicadores de diseño. Desarrollada originalmente por Matsubara y Nagamachi, la HKE se articula a través de dos subsistemas interconectados: la Ingeniería Kansei Directa (FKE) y la Ingeniería Kansei Inversa (BKE).

Inteligencia Artificial, interacción dinámica y datos continuos

Por su parte, Sung e Isa (2024) demuestran que la Inteligencia Artificial (IA) fortalece la KE al optimizar el vínculo emocional con los usuarios. Esto se logra mediante la extracción de preferencias implícitas, la generación automática de bocetos y la personalización de productos tecnológicos (como robots de servicio). En esta misma línea, Qu et al. (2026) enfatizan que, a diferencia de los datos Kansei discretos del diseño convencional, las percepciones generadas por los productos inteligentes actuales son continuas y dinámicas.

Integración en plataformas digitales y personalización en tiempo real

Finalmente, Hartono y Parung (2026) destacan la convergencia de la KE en ecosistemas digitales, sistemas automatizados e IA. Mediante el uso de algoritmos, redes neuronales y motores de recomendación, la disciplina interpreta las respuestas afectivas de los clientes para ajustar propuestas de diseño o configuraciones de servicio en tiempo real, alcanzando niveles superiores de hiperpersonalización.

Conclusión: El valor estratégico del diseño basado en emociones

La Ingeniería Kansei se consolida como una metodología determinante en el diseño de productos y servicios al integrar sistemáticamente las respuestas afectivas del cliente en el proceso de innovación. Esta aproximación permite concebir soluciones con mayor resonancia emocional, elevados niveles de satisfacción y un sólido posicionamiento en el mercado.

Frente a la complejidad inherente a la cuantificación de las emociones humanas, la investigación contemporánea ha evolucionado hacia la integración sinérgica de la Ingeniería Kansei con Inteligencia Artificial, tecnologías inmersivas y modelos de calidad avanzados. Al cerrar la brecha entre la percepción del usuario y la especificación técnica, la disciplina transforma el diseño en una ventaja competitiva caracterizada por la diferenciación sostenible y la fidelización del consumidor.

Preguntas frecuentes sobre Ingeniería Kansei

Referencia

Cai, M., Wu, M., Luo, X., Wang, Q., Zhang, Z., & Ji, Z. (2022). Integrated Framework of Kansei Engineering and Kano Model Applied to Service Design. International Journal of Human–Computer Interaction, 39(5), 1096–1110. https://doi.org/10.1080/10447318.2022.2102301

Chang, D., Wang, L., Xiang, Y., Zhu, X., & Lee, C. (2025). Exploring human perception in interactive digital advertising: A Genetic-Kansei engineering approach with human-AI collaboration. Knowledge-Based Systems, 311, 113072. https://doi.org/10.1016/j.knosys.2025.113072

Ginting, R., Ishak, A., Malik, A. F., & Satrio, M. R. (2020, December). Integration of kansei engineering and quality function deployment (qfd) for product development: a literature review. In IOP Conference Series: Materials Science and Engineering (Vol. 1003, No. 1, p. 012020). IOP Publishing.

Guo, C., Yahaya, S. R., Liu, H., Lin, Y., Liu, M., & Wang, W. (2026). A Kansei engineering approach to optimizing traditional Nyonya Kebaya for young consumer preferences. Journal of Engineered Fibers and Fabrics. https://doi.org/10.1177/15589250251398450

Habyba, A. N., Dewayana, T. S., Rahmawati, N., & Rhamanda, D. (2023, December). An affective university classroom design formula based on kansei engineering approach. In AIP Conference Proceedings (Vol. 2680, No. 1). AIP Publishing.

Hakim, A., Suhardi, B., Laksono, P. W., & Ushada, M. (2024). Systematic Review of Kansei Engineering Method Developments in the Design Field. Jurnal Optimasi Sistem Industri, 23(1), 92-108.

Hartono, M. (2020). The modified Kansei Engineering-based application for sustainable service design. International Journal of Industrial Ergonomics, 79, 102985. https://doi.org/10.1016/j.ergon.2020.102985

Hartono, M., Prayogo, D. N., Ronyastra, I. M., & Baredwan, A. (2023). Kansei engineering with online review mining methodology for robust service design. Theoretical Issues in Ergonomics Science, 25(4), 495–520. https://doi.org/10.1080/1463922X.2023.2261995

Hartono M and Parung C. 2026. Kansei Engineering in the Evolving Service Sector: A Decade of Insights [version 2; peer review: 2 approved, 1 approved with reservations]. F1000Research 2026, 15:301 https://doi.org/10.12688/f1000research.174681.2

Kang, X. (2024). Biologically inspired product design combining Kansei Engineering and Association Creative Thinking Method. Advanced Engineering Informatics, 62, 102615. https://doi.org/10.1016/j.aei.2024.102615

Lai, X., Zhang, S., Mao, N., Liu, J., & Chen, Q. (2022). Kansei engineering for new energy vehicle exterior design: An internet big data mining approach. Computers & Industrial Engineering, 165, 107913. https://doi.org/10.1016/j.cie.2021.107913

Lai, X., Lin, S., Zou, J., Li, M., Huang, J., Liu, Z., Li, D., & Fu, H. (2024). Kansei engineering for the intelligent connected vehicle functions: An online and offline data mining approach. Advanced Engineering Informatics, 61, 102467. https://doi.org/10.1016/j.aei.2024.102467

Lin, S., Shen, T., & Guo, W. (2021). Evolution and emerging trends of kansei engineering: A visual analysis based on citespace. Ieee Access, 9, 111181-111202.

Liu, X., & Yang, S. (2022). Study on product form design via Kansei engineering and virtual reality. Journal of Engineering Design, 33(6), 412–440. https://doi.org/10.1080/09544828.2022.2078660

Liu, Z., Wu, J., Chen, Q., & Hu, T. (2023). An improved Kansei engineering method based on the mining of online product reviews. Alexandria Engineering Journal, 65, 797-808. https://doi.org/10.1016/j.aej.2022.09.044

Liu, Y., & Song, J. (2025). Sustainable fashion innovation: Optimizing birch bark materials with Kansei Engineering. En L. C. Jain, Q. Wu, F. Shi, & V. E. Balas (Eds.), International Conference on Mechanical, Engineering, and Interaction Design (ICMEID 2025) (Proc. of SPIE Vol. 14018, Artículo 140184P). https://doi.org/10.1117/12.3088822

López, Ó., Murillo, C., & González, A. (2021). Systematic Literature Reviews in Kansei Engineering for Product Design—A Comparative Study from 1995 to 2020. Sensors, 21(19), 6532. https://doi.org/10.3390/s21196532

López, O., & González, A. G. (2026). Kansei Engineering as a Tool for Service Innovation in the Cultural Sector: The Design of an Inclusive Technology Application. Applied Sciences, 16(1), 457. https://doi.org/10.3390/app16010457

Lu, W., Ye, C., Fang, Y., Čok, V., & Petiot, J. (2024). A systematic review of Kansei engineering in vehicle design. Digital Engineering, 3, 100022. https://doi.org/10.1016/j.dte.2024.100022

Nagamachi, M. (1995). Kansei Engineering: A new ergonomic consumer-oriented technology for product development. International Journal of Industrial Ergonomics, 15(1), 3-11. https://doi.org/10.1016/0169-8141(94)00052-5

Núñez, R., Córdoba, A., de las Heras, A., & Luque, A. (2026). Kansei-based analysis of front-end design features in electric automobiles. International Journal of Affective Engineering. Publicación anticipada en línea. https://doi.org/10.5057/ijae.IJAE-D-26-00001

Qu, Q.-X., Guo, F. and Duffy, V.G. (2026). Kansei Engineering: Current Challenges and Future Trends with Advances in Artificial Intelligence. In Advances in Human-AI Collaboration (eds V.G. Duffy, W. Karwowski and G. Salvendy). https://doi.org/10.1002/9781394266401.ch15

Schütte, S., Lokman, A. M., Marco-Almagro, L., Ishihara, S., Yanagisawa, H., Yamanaka, T., … & Coleman, S. (2023). Kansei for the Digital Era. International Journal of Affective Engineering, 23(1), 1-18.

Sung, WT., Isa, I.G.T. (2024). The Integration of Kansei Engineering and Artificial Intelligence Based on Methodology and Application Perspective: A Review. In: Tsai, Tw., Chen, K., Yamanaka, T., Koyama, S., Schütte, S., Mohd Lokman, A. (eds) Kansei Engineering and Emotion Research. KEER 2024. Communications in Computer and Information Science, vol 2313. Springer, Singapore. https://doi.org/10.1007/978-981-97-9890-2_11

Xue, L., Yi, X., & Zhang, Y. (2020). Research on Optimized Product Image Design Integrated Decision System Based on Kansei Engineering. Applied Sciences, 10(4), 1198. https://doi.org/10.3390/app10041198

Yohanny, D. K., Purwaningrum, L., & Mulyono, A. (2025). Application of Kansei Engineering in Various Train Compartment Designs to Determine the User’s Affective Response. IIUM Engineering Journal, 26(1). https://doi.org/10.31436/iiumej.v26i1.3239

Zhu, T., Wu, C., Zhang, Z., Li, Y., & Wu, T. (2025). Research on Evaluation Methods of Complex Product Design Based on Hybrid Kansei Engineering Modeling. Symmetry, 17(2), 306. https://doi.org/10.3390/sym17020306

Milthon Lujan Monja

Editor y fundador de «Innovar o Morir». Milthon es Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomas de especialización en Innovación Empresarial (UPV) y Gestión de la Innovación Orientada al Mercado (UPCH-Universitat Leipzig). Cuenta con experiencia práctica en la gestión de la innovación, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA) y trabajado como consultor en diagnóstico para innovación abierta y vigilancia tecnológica. Cree firmemente en el poder de la innovación y la creatividad como motores de cambio y desarrollo.