00:00:08 La dura verdad sobre que los proyectos de ciencia de datos no impactan las operaciones diarias del negocio.
00:00:55 La comprensión general de la ciencia de datos en la mayoría de las empresas como modelado estadístico glorificado.
00:02:17 La diferencia entre el modelado estadístico clásico y lo que empresas como Google, Microsoft y Amazon están haciendo.
00:03:51 La historia del electromagnetismo y su comparación con la ciencia de datos.
00:07:04 El problema con la mentalidad de Kaggle en la ciencia de datos.
00:08:01 Discusión sobre cómo funciona la innovación tecnológica en el mundo real.
00:09:01 Ejemplo de cómo Amazon revolucionó el ecommerce.
00:10:01 Explicación de que la mayoría de los departamentos de ciencia de datos se encuentran atrapados en métodos académicos.
00:12:34 Explicación de que el mayor riesgo para las empresas es volverse obsoletas.
00:14:06 Discusión sobre la importancia futura de la IA y deep learning en las empresas.
00:16:01 El progreso de los vehículos autónomos es asombroso, pero la pregunta es si puede industrializarse.
00:16:17 La discusión se traslada a la aplicación de la tecnología en los supply chains y las finanzas.
00:17:37 Una prueba decisiva para determinar si el equipo de ciencia de datos de una empresa es lo suficientemente importante para la supervivencia de la misma.
00:20:07 La importancia de que los ejecutivos tengan “mechanical sympathy” para usar eficazmente la ciencia de datos en su empresa.
00:22:34 La idea de contratar a jóvenes recién salidos de la universidad para revolucionar una empresa es un pensamiento ilusorio y una pereza intelectual.
Resumen
En la entrevista con Kieran Chandler, Joannes Vermorel discute cómo la mayoría de las empresas no aprovechan el potencial completo de ciencia de datos, centrándose en los modelos estadísticos existentes en lugar de desarrollar nuevos. Él cree que las empresas deberían reinventar los procesos y adoptar métodos estadísticos innovadores. Vermorel destaca la importancia de abrazar las capacidades técnicas e incorporarlas a nivel ejecutivo a través de “mechanical sympathy.” Sostiene que contratar a ingenieros jóvenes es insuficiente para la transformación de una empresa y que los ejecutivos deben tener mechanical sympathy para aprovechar verdaderamente la nueva tecnología. Los emprendedores exitosos son o muy jóvenes o cuentan con experiencia, esta última a menudo adquirida fundando nuevas empresas. Confiar en graduados recién egresados para la transformación de la empresa es un pensamiento ilusorio y una pereza intelectual.
Resumen Ampliado
En esta entrevista, Kieran Chandler conversa con Joannes Vermorel, el fundador de Lokad, acerca de las deficiencias del modelado estadístico clásico en la ciencia de datos y cómo las empresas necesitan repensar su enfoque para tener éxito en este campo.
Vermorel explica que la mayoría de las empresas ven la ciencia de datos como un modelado estadístico glorificado, aplicando modelos estadísticos existentes a los datos. Sin embargo, las empresas que realmente se toman en serio la ciencia de datos, como Google, Microsoft y Amazon, están replanteando la naturaleza de los métodos estadísticos y creando nuevos, en lugar de simplemente aplicar los modelos existentes.
Argumenta que la forma en que se concibe la ciencia de datos en la mayoría de las empresas es demasiado simplista y lo compara con la introducción del electromagnetismo en el siglo XIX. En ese entonces, la gente solo lo veía como una herramienta útil para tareas específicas, como el aseguramiento de la calidad. Sin embargo, una vez que se aprovechó la electricidad, esta transformó industrias enteras. De la misma manera, Vermorel cree que la ciencia de datos tiene el potencial de revolucionar los negocios, pero solo si las empresas lo abordan de manera diferente.
Critica el enfoque común de la ciencia de datos, que implica recolectar y limpiar datos, aplicar modelos estadísticos y proporcionar resultados. Sostiene que este método, a menudo representado por la comunidad de Kaggle, es demasiado simplista y se centra en exceso en encontrar el mejor modelo para un conjunto de datos y problema determinados, en lugar de comprender verdaderamente los datos subyacentes y sus potenciales aplicaciones.
En cambio, Vermorel sugiere que las empresas deberían ver la ciencia de datos como una forma de reinventar sus procesos, similar a cómo la electricidad revolucionó la industria. Esto requiere un cambio de mentalidad, pasando de simplemente aplicar modelos existentes a los datos a desarrollar nuevos métodos y enfoques estadísticos que puedan desbloquear el potencial completo de la ciencia de datos.
Joannes Vermorel sostiene que la mayoría de las empresas no están aprovechando el potencial completo de la ciencia de datos, ya que se centran en aplicar modelos estadísticos existentes en lugar de desarrollar nuevos. Para beneficiarse verdaderamente de la ciencia de datos, las empresas deben replantear su enfoque y centrarse en reinventar sus procesos y desarrollar métodos estadísticos innovadores.
Vermorel argumenta que la adopción de nuevas tecnologías no es un proceso lineal en el que las empresas simplemente aprenden de las universidades e implementan innovaciones. En cambio, los negocios deben participar en un diálogo continuo con las nuevas tecnologías, obteniendo perspectivas y proyectando sus necesidades futuras basadas en las capacidades que estas tecnologías ofrecen.
Vermorel utiliza el ejemplo del desarrollo del ecommerce por parte de Amazon, destacando cómo la empresa tuvo que replantear el futuro del comercio, establecer requisitos y proponer soluciones innovadoras. Enfatiza que la clave para una innovación exitosa es comprender claramente el problema y formular las preguntas correctas.
Cuando se le pregunta por qué muchos departamentos de ciencia de datos aún siguen enfoques académicos, Vermorel señala la pereza como un factor principal. Las empresas a menudo optan por un enfoque “lleno de palabras de moda”, invirtiendo en las últimas tendencias sin considerar cómo estas tecnologías podrían cambiar fundamentalmente sus modelos de negocio. Vermorel sugiere que las empresas deberían centrarse en comprender los cambios profundos que la nueva tecnología puede traer a sus organizaciones, en lugar de buscar mejoras cosméticas.
Chandler se pregunta si el riesgo de adoptar nuevas tecnologías y cambiar los modelos de negocio podría ser la razón de la resistencia al cambio. Vermorel reconoce el riesgo inherente, pero también señala el riesgo de obsolescencia para las empresas que no innovan. Comparte sus experiencias de hace una década, advirtiendo a los minoristas sobre el potencial disruptivo de Amazon. A pesar de haber descartado inicialmente a Amazon como insignificante, muchos de estos minoristas ahora se encuentran luchando por competir con el gigante del ecommerce.
Según Vermorel, el crecimiento continuo de Amazon y Alibaba, a pesar de las diseconomías de escala que enfrentan, indica que están años luz por delante de su competencia. Aunque los ejecutivos puedan verse tentados a mantener el status quo para minimizar el riesgo, Vermorel advierte que hacerlo de manera continua puede llevar a la caída de la empresa. En cambio, los negocios deberían comprometerse activamente con las nuevas tecnologías y adaptar sus modelos para seguir siendo competitivos frente a la disrupción.
Discuten el papel de las técnicas estadísticas avanzadas, el futuro de gestión de supply chain y cómo las empresas pueden inculcar una cultura orientada a los datos en sus equipos.
Vermorel primero aborda la mentalidad de las empresas que desestiman la importancia de las técnicas estadísticas avanzadas. Argumenta que las empresas no deberían pasar por alto los riesgos de no invertir en nuevas tecnologías, utilizando el ejemplo de aquellos negocios que no se adaptaron a internet a principios de los años 90. Enfatiza que las empresas deben asumir el riesgo de adoptar nuevas tecnologías o correr el riesgo de volverse irrelevantes.
Cuando se le pregunta sobre la relevancia futura de la IA y deep learning, Vermorel señala los logros asombrosos de empresas como Google, Amazon y Microsoft en campos como el ajedrez y los vehículos autónomos. Cree que estas tecnologías continuarán avanzando y jugarán un papel esencial en la gestión de supply chain. Establece un paralelismo entre la optimización de supply chain y el trading cuantitativo en finanzas, donde este último ya ha estado en marcha durante décadas.
Para inculcar una cultura de innovación y asunción de riesgos en los equipos de ciencia de datos, Vermorel sugiere una prueba decisiva: si una empresa despidiera a todos sus data scientists de la noche a la mañana, ¿estaría en peligro mortal o se enfrentaría a la bancarrota en el plazo de un año? Si la respuesta es no, entonces es probable que la empresa no esté asumiendo suficientes riesgos con su equipo de ciencia de datos. Compara esto con los primeros días de internet, cuando las empresas asumían riesgos significativos con los desarrolladores web, a pesar de que la tecnología parecía ser inferior a los métodos tradicionales en ese momento. Esta toma de riesgos permitió a esas empresas adaptarse y prosperar en la era digital.
Discutieron la importancia de que las empresas adopten capacidades técnicas y tengan una estrategia que incorpore estos aspectos a nivel ejecutivo. Enfatiza el concepto de “mechanical sympathy”, donde los ejecutivos tienen un entendimiento profundo de los elementos técnicos, lo que les permite tomar decisiones informadas en colaboración con los ingenieros.
Vermorel argumenta que contratar ingenieros jóvenes y brillantes no es suficiente para revolucionar una empresa. Más bien, es crucial que los ejecutivos tengan “mechanical sympathy” para aprovechar verdaderamente el potencial de la nueva tecnología. Destaca el hecho de que el patrón común entre los emprendedores exitosos es ser muy joven o contar con una experiencia y sabiduría significativas, a menudo adquiridas mediante el establecimiento de nuevas empresas. Vermorel concluye que depender de graduados recién salidos de la universidad para transformar una empresa es un pensamiento ilusorio y una pereza intelectual.
Transcripción Completa
Kieran Chandler: Hoy en LokadTV, vamos a ir más allá del modelado estadístico clásico y discutir por qué los departamentos de ciencia de datos deben hacer más que simplemente recolectar datos, manipularlos y ofrecer resultados. Entonces, Joannes, la mayoría de nosotros todavía estamos asimilando el modelado estadístico clásico. ¿Cuál es la idea principal hoy?
Joannes Vermorel: Hay varias ideas. Primero, estoy usando el término “modelado estadístico” como sugerí para este episodio porque, cuando observas las prácticas de ciencia de datos tal como se conciben en la mayoría de las empresas, es simplemente un modelado estadístico glorificado. Para el público en general, por si se lo preguntan, cuando se trata de extraer patrones o replicar algún aspecto de la inteligencia humana, lo único que tenemos en este momento es estadística. Estos métodos estadísticos pueden tener nombres elegantes como deep learning, y algunas personas se referirán a ellos como IA, pero literalmente, lo que tenemos son modelos estadísticos.
En el pasado, hace algunas décadas, se intentó hacer IA con enfoques no estadísticos, como el enfoque simbólico, que produjo casi cero resultados prácticos. Esta rama se extinguió, dejando al enfoque estadístico como el único que aún existe de manera significativa en la actualidad. Así que, para hacer algo elaborado con los datos, lo único que tenemos son métodos estadísticos.
Lo interesante es, ¿qué están haciendo esos equipos en la mayoría de las empresas que realmente practican la ciencia de datos? Bueno, están jugando con modelos estadísticos. Estoy contrastando eso con lo que, digamos, las personas que realmente se toman en serio el tema, como Google, Microsoft y Amazon, están haciendo. No se trata solo de modelado estadístico; están replanteando la naturaleza fundamental del próximo método estadístico, como inventar deep learning en lugar de simplemente jugar con deep learning. Se trata de inventar la siguiente etapa de árboles potenciados por gradiente en lugar de tomar árboles potenciados por gradiente, un modelo estadístico, y simplemente aplicarlo a otro conjunto de datos.
Kieran Chandler: Entonces, la comprensión común es que esos equipos están entrando, recolectando datos, limpiándolos, aplicando sus modelos estadísticos y proporcionando resultados. ¿Qué es lo que están haciendo los Googles y Amazons que es tan superior a eso?
Joannes Vermorel: Creo que para responder a esta pregunta, tenemos que retroceder un poco en el tiempo y replantearnos, digamos, el siglo XIX, cuando el electromagnetismo era algo completamente nuevo.
Kieran Chandler: Si lees un poco de historia, cómo se abordaba eso, dirías: “Oh, existe el electromagnetismo. Es tan increíblemente interesante.” Imagina que eres una empresa industrial de la época, una empresa preindustrial. Tienes un fabricante que es semi-manual, y luego aparece este asunto del electromagnetismo que comienza a despertar interés, y dices: “Oh, creo que realmente vale la pena tener un pequeño equipo haciendo algunas cosas elegantes con eso.” Y tal vez, para el aseguramiento de la calidad, tendremos algunas pruebas para verificar la conductividad, y eso es muy prometedor. Además, realizaremos algunas actividades de interés porque, sí, probar la conductividad es una excelente manera de garantizar la calidad de algunas de las cosas que producimos.
Joannes Vermorel: Si lo piensas un siglo después, dirías que esto es un sinsentido. Quiero decir, con electricidad puedes tener motores, iluminación eléctrica, calefacción, refrigeración e incluso fundir metal. Reemplazará todas las necesidades de tener una llama abierta en tu fabricación. Así que, una vez que se dispone de electricidad a gran escala, literalmente se puede reinventar casi todo en la forma en que se hace. La cuestión es que la forma en que se concibe la ciencia de datos es como si fuera un artilugio elegante, y la gente se apegaba al marco en el que se presenta el problema.
Kieran Chandler: Entonces, la forma en que se hace en la academia es presentar el problema como si tuvieras un conjunto de datos bien definido, una serie de modelos y métricas de precisión de algún tipo, porque deseas hacer algún tipo de predicción. Vamos a explorar los diversos modelos y buscar aquel que rinda mejor. Y eso está literalmente encarnado en las competiciones de Kaggle que discutimos anteriormente.
Joannes Vermorel: La gente dice, “Bueno, todo ha sido enmarcado; existe un conjunto de datos dado, un problema con una métrica dada, y luego hay una colección interminable de modelos.” La mayoría de ellos incluso pueden componerse de muchas maneras, y potencialmente se pueden reingeniar las características que tienes para hacer que el conjunto de datos sea más adecuado en relación con el modelo que posees. Eso es ciencia de datos.
Kieran Chandler: ¿Qué tiene de malo ese tipo de mentalidad de Kaggle? ¿Es simplemente excesivamente simplista y te dice que solo vas a obtener un único resultado preciso, o por qué está tan mal?
Joannes Vermorel: Si miras la historia, y de nuevo, es algo que solo se observa en el pasado, se vuelve obvio. Pero en el presente, cuando estás en el límite, es difícil de ver. Una vez que se convierte en la norma, es tan obvio. Así que ahora, si vuelvo a la ciencia de datos, veo que las empresas invariablemente adoptan proyectos paralelos, una aplicación particular, una especie de elegante gadget numérico en el que has incorporado un poco de AI. Probablemente lo más absurdamente inútil sean los chatbots. Pero sé que hay muchísima gente que ha recaudado montos considerables de dinero para desarrollar grandes empresas que pueden aprender dinámicamente a debatir en Twitter y volverse nazis en 48 horas, simplemente porque se les han suministrado las entradas adecuadas. Y eso es un disparate.
Kieran Chandler: Volviendo a eso, quiero decir, el problema es que cuando quieres pensar en lo que implica una nueva tecnología, no es un proceso unilateral. La gente piensa que las universidades descubren cosas, se las enseñan a los estudiantes, y los estudiantes, que ahora se gradúan con títulos de ingeniería, informática, etc., entran en las empresas y despliegan la innovación. Pero absolutamente no es así como funciona el mundo real.
Joannes Vermorel: El mundo real es, por ejemplo, que Amazon prácticamente inventó lo que estaba a punto de convertirse en ecommerce, junto con algunos otros como eBay y otros pioneros. Ellos definieron eso a través de su innovación. No fue Jeff Bezos yendo a algún lugar a principios de los 90 diciendo, “Simplemente voy a contratar a webmaster y a construir un sitio web.” Literalmente tuvieron que pensar en lo que sería el futuro del comercio a distancia, y eso era algo profundamente diferente de lo que se había hecho hasta entonces.
Entonces, la ciencia de datos, ves, el problema es que piensas que se trata de tener un marco en el que puedan trabajar ingenieros inteligentes que implementen la solución. En realidad, el proceso es más bien una conversación continua en la que el negocio adquiere conocimiento sobre nuevas capacidades técnicas y luego se proyecta hacia lo que debería ser el negocio de su futuro. Después, establecen los requisitos de lo que les falta en términos tecnológicos para implementarlo, y usualmente te das cuenta de que la mayor parte de la innovación surge de esos requisitos. Una vez que tienes una visión clara de lo que necesitas, la solución no es tan difícil de idear, siempre y cuando sepas qué pregunta hacer.
Kieran Chandler: ¿Y por qué dirías que la mayoría de los departamentos de ciencia de datos siguen estancados en esas maneras académicas? Quiero decir, ¿por qué no son más de ellos como los Amazon del mundo?
Joannes Vermorel: Primero, porque si eres una empresa de cierto tamaño y ves estas palabras de moda, la forma más perezosa de abordarlo es añadir una línea en el presupuesto en la que se destinen unos pocos millones al año al enfoque de moda del día. Si es un equipo de ciencia de datos, sí, hagámoslo. Si blockchain es lo de hoy, sí, creemos también en un equipo de blockchain. Rutinariamente incorporarán algo que sea la palabra de moda del día y eliminarán aquello que ha perdido la fiebre. Es simplemente el curso habitual de los negocios.
Mi mensaje es que si quieres hacer algo con sustancia, realmente debes preguntarte: ¿cuál sería el cambio profundo en tu empresa debido a esos sofisticados métodos numéricos? Si el único cambio es algo cosmético, como el auto-cálculo de las clases ABC de una forma mejor, no va a cambiar nada en tu empresa. Pero, sin duda, cambiar todo el modelo de negocio de una empresa para adaptarse a algún tipo de nueva tecnología es otra historia.
Kieran Chandler: ¿Es inherentemente arriesgado, y no dirías que esa es la razón por la que hay tanta resistencia a ese tipo de cambio? ¿Es porque, fundamentalmente, si la gente no lo entiende, existen muchos riesgos asociados, ya que es una tecnología nueva? Así que es mucho más seguro dejarlo como está e invertir, tal vez, en un poco de investigación y desarrollo.
Joannes Vermorel: El problema es el riesgo ambiental de salir del negocio solo porque te has vuelto obsoleto. Para la mayoría de las empresas, este riesgo es muy real. He estado conversando con muchos minoristas durante más de una década, y literalmente, hace diez años tuve discusiones surrealistas en las que les decía que esta empresa, Amazon, venía, y se comería su negocio. Necesitan hacer algo. Y la gente me decía, “Oh, pero mira, es tan pequeña. Sí, está creciendo, pero ni siquiera tiene un uno por ciento de cuota de mercado. No nos importa.” Hoy en día, si observas a Amazon y Alibaba, son absolutamente gigantes y siguen creciendo, lo cual es una locura. Considerando la magnitud de esas economías de escala de las que están siendo víctimas, ya sabes, cuando creces más allá de cierto tamaño, ya no obtienes economías de escala, sino deseconomías de escala. Amazon ha superado con creces su etapa de deseconomías de escala, de modo que tienen enormes desventajas en todo lo que hacen debido a ello. Si todavía quieren tener un uno por ciento de crecimiento, deben superar deseconomías de escala absolutamente masivas. Eso significa que no están haciendo algo que sea marginalmente mejor que la mayoría de las otras empresas; simplemente están años luz por delante. Así que, efectivamente, como ejecutivo, no hacer nada o nunca desafiar el status quo es la jugada más segura que puedes hacer, sin lugar a dudas. El problema es que si juegas esta carta continuamente durante un par de décadas, la empresa simplemente queda rezagada. Mi mensaje para el CEO sería: ¿Puedes tolerar que esta mentalidad prevalezca en tu empresa? ¿No ves ningún problema que se avecine? Si no lo haces, diría que nadie derramará lágrimas por el hecho de que hayas seguido el camino del dodo.
Kieran Chandler: Entonces, estas técnicas estadísticas avanzadas son, sin duda, la moda del momento, y la gente siempre habla de palabras de moda como AI y deep learning. Pero, ¿cuánta confianza puedes tener en que dentro de diez años esto siga siendo un tema importante para estas empresas?
Joannes Vermorel: Es una buena pregunta. Primero, los logros de empresas como Google, Amazon o Microsoft con estas tecnologías son simplemente impresionantes. Por ejemplo, pasamos de programas que tenían muchas dificultades para superar a un gran maestro de ajedrez a algo que ahora vence al campeón de ajedrez. Si miras el último trabajo de Google, puedes pasar de cero a algo increíble, inhumanamente bueno en cuatro horas para el ajedrez. Pueden configurar un programa que aprenda a jugar ajedrez y, en cuatro horas, alcanzar un nivel literalmente inhumano, donde derrota a cada ser humano vivo. La forma en que la computadora juega es simplemente incomprensible porque ni remotamente tiene sentido. Así que, tienes logros impresionantes, obviamente, para problemas muy específicos y bien definidos. Pero si miras a los vehículos autónomos, también es absolutamente impresionante; realmente funciona.
Kieran Chandler: La pregunta es, ¿se puede industrializar? Todavía tenemos algunas dudas, pero la cantidad de progreso es literalmente impresionante.
Joannes Vermorel: El hecho de que puedas dar este salto de fe y decir, bueno, existen estas tecnologías que han demostrado funcionar en una larga serie de casos, es una creencia muy razonable, al pensar que las probabilidades son bastantes altas de que estas cosas reinventen por completo la manera en que se hacen los supply chain. Por cierto, en el caso de supply chain, ni siquiera será algo muy nuevo, porque si observas a Lokad, defendemos esta visión de Supply Chain Quantitativa. Pero si miras lo que se está haciendo en los bancos, en las finanzas hoy en día, todo gira en torno al quantitative trading. Tienen quants, y ni siquiera es el futuro, ya está ahí desde hace dos décadas o más. Así que ahora, la idea es que este enfoque llega dos o tres décadas tarde a supply chain, pero ya ha estado en marcha durante décadas en finanzas.
Kieran Chandler: Si alguien está viendo esto y se pregunta qué debe hacer para inculcar ese tipo de cultura en sus equipos de ciencia de datos, ¿cuáles son los pasos que deberían tomar? ¿Cómo pueden impulsar a sus equipos para que asuman más riesgos y sean un poco más innovadores, y se aparten de las opciones fáciles del status quo?
Joannes Vermorel: Creo que puedes tener una prueba sencilla: si la empresa despidiera a todos los data scientists de la noche a la mañana, ¿se encontraría en graves problemas? ¿Entraría en bancarrota en un año? Y si la respuesta es no, entonces probablemente esas personas sean intrascendentes, y lo que estés haciendo con ellas no importa. Dirías, “Oh, pero es tan arriesgado, es tan brutal.” Pero, nuevamente, reconsidera la situación de Amazon a principios de los 90 con la web. La gente diría, “Oh, pero tenemos tanta dependencia de estos ingenieros web. Es una locura depender de esta tecnología que se ve super cutre. Tienes este módem que es super lento, tarda tres minutos en establecer la conexión. Esto es un montón de porquería sobre un montón de porquería. Y luego tienes imágenes con una resolución tan mala. Quiero decir, primero esperas un minuto para ver la imagen de tu producto, y luego es super cutre. Este catálogo en papel es mucho mejor. Acceso en tiempo real a todos los productos, imágenes de alta resolución. Esta cosa de la web es simplemente un gran montón de tonterías. ¿Por qué arriesgaríamos tener una dependencia tan crítica en toda la compañía de estos desarrolladores web?” Pues, la respuesta es porque, si no lo haces, dentro de diez o veinte años, ya no existirás.
Así que, obviamente, estoy hablando con el beneficio de la retrospectiva. Las cosas son mucho más obvias ahora. Me resulta difícil transmitirlo, pero la cuestión es que creo que muchas empresas se han dado cuenta de ello, y por eso han contratado a estos data scientists. Pero no se dan cuenta de que la pregunta es: ¿tienen una estrategia en la cual los ejecutivos principales realmente aprovechen al máximo esas capacidades técnicas? Y eso requiere un pensamiento estratégico.
Kieran Chandler: Entonces, ¿tienes simpatía mecánica, que te permita tener una discusión inteligente y educada con los ingenieros que están construyendo el motor de tu empresa? ¿Dirías que ese es uno de los verdaderos grandes obstáculos cuando se trata de ciencia de datos en las empresas, el hecho de que probablemente los ejecutivos no tengan actualmente ese nivel de simpatía mecánica que necesitan?
Joannes Vermorel: Francamente, si pudieras reinventar empresas contratando a jóvenes de 24 años y dejándoles hacer magia, sería fantástico. Pero si miras la historia de las empresas, la cantidad de veces que ha ocurrido algo así —contratar a un ingeniero brillante que terminó revolucionando completamente una empresa de 50 años desde adentro— es muy rara. El patrón dominante es o bien contratar a personas muy jóvenes o a aquellas de más de 45 años, ya que usualmente cuentan con algo de capital, experiencia y quizá algo de sabiduría. Se necesita una empresa nueva para conseguir eso.
Mi consejo sería: si piensas que contratar a personas recién salidas de la universidad revolucionará tu empresa, te estás haciendo ilusiones. No es serio y, diría, es intelectualmente vago en el mejor de los casos.
Kieran Chandler: Bien, tendremos que terminar aquí, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y nos vemos de nuevo en el próximo episodio. Gracias por ver.
