00:00:08 La dura verdad sobre los proyectos de ciencia de datos que no logran impactar en las operaciones diarias del negocio.
00:00:55 La comprensión general de la ciencia de datos en la mayoría de las empresas como un modelado estadístico glorificado.
00:02:17 La diferencia entre el modelado estadístico clásico y lo que hacen empresas como Google, Microsoft y Amazon.
00:03:51 La historia del electromagnetismo y la 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 comercio electrónico.
00:10:01 Explicación de que la mayoría de los departamentos de ciencia de datos están 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 inteligencia artificial y el deep learning en las empresas.
00:16:01 El progreso de los vehículos autónomos es impresionante, pero la pregunta es si se puede industrializar.
00:16:17 La discusión se centra en la aplicación de la tecnología en las cadenas de suministro y las finanzas.
00:17:37 Una prueba de fuego para determinar si el equipo de ciencia de datos de una empresa es lo suficientemente significativo para la supervivencia de la empresa.
00:20:07 La importancia de que los ejecutivos tengan “comprensión mecánica” para utilizar eficazmente la ciencia de datos en su empresa.
00:22:34 La idea de contratar a jóvenes recién graduados 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 todo el potencial de la ciencia de datos, centrándose en modelos estadísticos existentes en lugar de desarrollar nuevos. Él cree que las empresas deben reinventar procesos y adoptar métodos estadísticos innovadores. Vermorel destaca la importancia de aprovechar las capacidades técnicas e incorporarlas a nivel ejecutivo a través de la “comprensión mecánica”. Argumenta que contratar ingenieros jóvenes es insuficiente para la transformación de la empresa y que los ejecutivos deben tener comprensión mecánica para aprovechar realmente la nueva tecnología. Los emprendedores exitosos son muy jóvenes o tienen experiencia, siendo esta última a menudo adquirida a través de la fundación de nuevas empresas. Confiar en graduados recién salidos para la transformación de la empresa es un pensamiento ilusorio y una pereza intelectual.
Resumen Extendido
En esta entrevista, Kieran Chandler habla con Joannes Vermorel, el fundador de Lokad, sobre las deficiencias del modelado estadístico clásico en la ciencia de datos y cómo las empresas deben replantear 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 e inventando nuevos, en lugar de simplemente aplicar modelos existentes.
Argumenta que la forma en que actualmente se concibe la ciencia de datos en la mayoría de las empresas es demasiado simplista y la compara con la introducción del electromagnetismo en el siglo XIX. En ese momento, la gente solo lo veía como una herramienta útil para tareas específicas, como el control de calidad. Sin embargo, una vez que se aprovechó la electricidad, 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 la abordan de manera diferente.
Critica el enfoque común de la ciencia de datos, que implica recopilar y limpiar datos, aplicar modelos estadísticos y proporcionar resultados. Argumenta que este método, a menudo representado por la comunidad de Kaggle, es demasiado simplista y se centra demasiado en encontrar el mejor modelo para un conjunto de datos y problema determinado, en lugar de comprender realmente los datos subyacentes y sus posibles aplicaciones.
En cambio, Vermorel sugiere que las empresas deberían ver la ciencia de datos como una forma de reinventar sus procesos, de manera 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 realmente nuevos métodos y enfoques estadísticos que puedan desbloquear todo el potencial de la ciencia de datos.
Joannes Vermorel argumenta que la mayoría de las empresas no están aprovechando todo el potencial de la ciencia de datos, ya que se centran en aplicar modelos estadísticos existentes en lugar de desarrollar nuevos. Para beneficiarse realmente 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, las empresas deben participar en una discusión continua con las nuevas tecnologías, obteniendo ideas y proyectando sus necesidades futuras en función de las capacidades que ofrecen estas tecnologías.
Vermorel utiliza el ejemplo del desarrollo del comercio electrónico por parte de Amazon, destacando cómo la empresa tuvo que replantear el futuro del comercio, establecer requisitos y encontrar soluciones innovadoras. Él enfatiza que la clave para una innovación exitosa es comprender claramente el problema y hacer las preguntas correctas.
Cuando se le pregunta por qué muchos departamentos de ciencia de datos todavía siguen enfoques académicos, Vermorel menciona la pereza como un factor primordial. Las empresas a menudo optan por un enfoque “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 cuestiona 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 comercio electrónico.
Según Vermorel, el crecimiento continuo de Amazon y Alibaba a pesar de las deseconomías de escala a las que se enfrentan indica que están a años luz por delante de su competencia. Si bien los ejecutivos podrían verse tentados a mantener el statu quo para minimizar el riesgo, Vermorel advierte que hacerlo continuamente puede llevar a la caída de una empresa. En cambio, las empresas deben participar activamente con las nuevas tecnologías y adaptar sus modelos para seguir siendo competitivas frente a la disrupción.
Discuten el papel de las técnicas estadísticas avanzadas, el futuro de la gestión de la cadena de suministro y cómo las empresas pueden inculcar una cultura basada en datos en sus equipos.
Vermorel primero aborda la mentalidad de las empresas que pasan por alto la importancia de las técnicas estadísticas avanzadas. Argumenta que las empresas no deben pasar por alto los riesgos de no invertir en nuevas tecnologías, utilizando el ejemplo de las empresas que no se adaptaron a Internet a principios de los años 90. Él enfatiza que las empresas deben correr 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 el deep learning, Vermorel señala los impresionantes logros de empresas como Google, Amazon y Microsoft en campos como el ajedrez y los vehículos autónomos. Él cree que estas tecnologías seguirán avanzando y desempeñarán un papel esencial en la gestión de la cadena de suministro. Establece un paralelo entre la optimización de la cadena de suministro y el trading cuantitativo en finanzas, donde este último ya ha estado en funcionamiento durante décadas.
Para inculcar una cultura de innovación y asunción de riesgos en los equipos de ciencia de datos, Vermorel sugiere una prueba de fuego: si una empresa despidiera a todos sus científicos de datos de la noche a la mañana, ¿estarían en peligro mortal o enfrentarían la bancarrota en 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, donde las empresas asumieron riesgos significativos con los desarrolladores web, a pesar de que la tecnología parecía inferior a los métodos tradicionales en ese momento. Esta asunción 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. Él enfatiza el concepto de “simpatía mecánica”, donde los ejecutivos tienen un profundo entendimiento de los elementos técnicos, lo que les permite tomar decisiones educadas en colaboración con los ingenieros.
Vermorel argumenta que contratar a jóvenes ingenieros brillantes no es suficiente para revolucionar una empresa. Más bien, es crucial que los ejecutivos tengan simpatía mecánica para aprovechar realmente el potencial de las nuevas tecnologías. Destaca el hecho de que el patrón común para los emprendedores exitosos es ser muy jóvenes o tener una experiencia y sabiduría significativas, a menudo adquiridas a través del establecimiento de nuevas empresas. Vermorel concluye que confiar en recién graduados universitarios para transformar una empresa es un pensamiento ilusorio y una pereza intelectual.
Transcripción completa
Kieran Chandler: Hoy en LokadTV, vamos a mirar más allá del modelado estadístico clásico y discutir por qué los departamentos de ciencia de datos deben hacer más que simplemente recopilar datos, manipularlos y proporcionar resultados. Entonces, Joannes, la mayoría de nosotros todavía estamos tratando de entender el modelado estadístico clásico. ¿Cuál es la idea clave hoy?
Joannes Vermorel: Hay varias ideas. Primero, estoy usando el término “modelado estadístico” como sugerí para este episodio porque, cuando miras las prácticas de ciencia de datos tal como se conciben en la mayoría de las empresas, es simplemente un modelado estadístico glorificado. Para la audiencia en general, en caso de que se lo pregunten, cuando se trata de extraer patrones o replicar algún aspecto de la inteligencia humana, todo lo 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, hubo intentos de hacer IA con enfoques no estadísticos, como el enfoque simbólico, que prácticamente no produjo resultados prácticos. Esta rama desapareció, dejando el enfoque estadístico como el único que todavía existe en algún grado significativo en la actualidad. Entonces, todo lo que tenemos para hacer algo sofisticado con los datos son métodos estadísticos.
Lo interesante es, ¿qué están haciendo esos equipos en la mayoría de las empresas que realmente están haciendo ciencia de datos? Bueno, están jugando con modelos estadísticos. Me opongo a eso con lo que, digamos, personas que realmente se toman en serio, como Google, Microsoft y Amazon, están haciendo. No solo están haciendo modelado estadístico; están repensando la naturaleza central del próximo método estadístico, como inventar deep learning en lugar de jugar con deep learning. Se trata de inventar la siguiente etapa de los árboles de aumento de gradiente en lugar de tomar los árboles de aumento de gradiente, un modelo estadístico, y simplemente aplicarlo a otro conjunto de datos.
Kieran Chandler: Entonces, la comprensión común es que estos equipos van, recopilan datos, los limpian, aplican sus modelos estadísticos y proporcionan resultados. ¿Qué es lo que Google y Amazon están haciendo que es mucho mejor que eso?
Joannes Vermorel: Creo que para responder a esta pregunta, tenemos que retroceder un poco en el tiempo y repensar un poco, digamos, el siglo XIX, cuando el electromagnetismo era algo completamente nuevo.
Kieran Chandler: Si lees un poco de historia, cómo las personas se acercaban a eso, dirías: “Oh, hay electromagnetismo. Es increíblemente interesante”. Imagina que eres una empresa industrial de la época, una empresa preindustrial. Tienes un fabricante que es semimanual, y luego tienes este electromagnetismo que está empezando a ser interesante, y dices: “Oh, creo que realmente vale la pena tener un pequeño equipo que haga algunas cosas sofisticadas con eso”. Y tal vez, para el control de calidad, tendremos algunas cosas donde podamos probar la conductividad, y eso es muy prometedor. Y haremos algunas cosas que son de interés porque, sí, probar la conductividad es una excelente manera de hacer control de calidad en algunas cosas que producimos.
Joannes Vermorel: Si lo piensas de nuevo un siglo después, pensarías que esto es absurdo. Quiero decir, con la electricidad, puedes tener motores, iluminación eléctrica, calefacción, refrigeración e incluso fundir metal. Reemplazará todas las necesidades de tener una llama abierta en tu fábrica. Entonces, una vez que tienes electricidad a gran escala, literalmente puedes reinventar casi todo en la forma en que lo estás haciendo. La cosa es que la forma en que se concibe la ciencia de datos es algo que es un aparato sofisticado, y las personas se ajustan al marco de la forma en 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 quieres hacer una predicción de algún tipo. Y vamos a explorar los diversos modelos y buscar el modelo que tenga el mejor rendimiento. Y eso se encarna literalmente en las competencias de Kaggle que discutimos anteriormente.
Joannes Vermorel: La gente dice: “Bueno, todo ha sido enmarcado; hay un conjunto de datos dado, un problema con una métrica dada, y luego hay una colección interminable de modelos”. La mayoría de ellos incluso se pueden componer de muchas formas, y potencialmente puedes rediseñar las características que tienes para que el conjunto de datos sea más agradable con respecto al modelo que tienes. Eso es ciencia de datos.
Kieran Chandler: ¿Qué está tan mal en ese tipo de mentalidad de Kaggle? ¿Es simplemente demasiado simplista y te está diciendo que solo vas a tener un resultado preciso, o por qué está tan mal?
Joannes Vermorel: Si miras la historia, y nuevamente, es algo que solo ves una vez en el pasado, se vuelve obvio. Pero en el momento presente, cuando estás en el límite, es difícil verlo. Una vez que se ha convertido en la norma, es tan obvio. Así que ahora, si vuelvo a la ciencia de datos, veo que las empresas invariablemente toman proyectos personales, una aplicación personalizada, una especie de gadget numérico elegante donde has incorporado un poco de IA. Probablemente lo más absurdamente inútil sean los chatbots. Pero sé que hay mucha gente que ha recaudado mucho dinero para desarrollar grandes empresas que pueden aprender dinámicamente cómo discutir en Twitter y convertirse en nazis en 48 horas solo porque las personas les dieron las entradas correctas. Y eso es simplemente absurdo.
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 unidireccional. La gente piensa que las universidades descubren cosas, las enseñan a los estudiantes, y los estudiantes que ahora son graduados con títulos de ingeniería, títulos de ciencias de la computación, etc., van a las empresas y lanzan la innovación. Pero no es absolutamente la forma en que funciona el mundo real.
Joannes Vermorel: El mundo real es, por ejemplo, Amazon inventó prácticamente lo que iba a convertirse en el comercio electrónico, junto con otros pioneros como eBay y otros. Ellos lo definieron a través de su innovación. No fue Jeff Bezos yendo a algún lugar a principios de los 90 diciendo: “Voy a contratar webmasters y construir un sitio web”. Literalmente tuvieron que pensar en cuál sería el futuro del comercio a distancia, y eso fue algo profundamente diferente de lo que se había hecho hasta ahora.
Entonces, la ciencia de datos, ya ves, el problema es que piensas que se trata de tener un marco en el que puedas tener ingenieros inteligentes que implementen la solución. Bueno, en realidad, el proceso es mucho más una discusión continua donde el negocio obtiene información sobre algunas nuevas capacidades técnicas y luego se proyecta en lo que debería ser el negocio de su futuro. Luego establecen los requisitos de lo que falta en términos tecnológicos para implementarlo realmente, y generalmente te das cuenta de que la mayor parte de la innovación proviene de los requisitos. Una vez que tienes una visión clara de lo que necesitas, la solución no es tan difícil de encontrar una vez que sabes qué pregunta hacer.
Kieran Chandler: ¿Y por qué dirías que la mayoría de los departamentos de ciencia de datos todavía están atrapados en esas formas académicas? Quiero decir, ¿por qué no son más como los Amazons del mundo?
Joannes Vermorel: Primero, porque si eres una empresa de cierto tamaño y ves estas palabras de moda, la forma fácil de hacerlo es agregar una línea en su presupuesto donde van a gastar unos millones al año en el enfoque de moda del día. Si es un equipo de ciencia de datos, sí, hagámoslo. Si la cadena de bloques es algo, sí, también tengamos un equipo de cadena de bloques. Rutinariamente incorporarán algo que es la palabra de moda del día y eliminarán algo que quedó fuera de moda. Es solo el negocio de siempre.
Mi mensaje es que si quieres hacer algo que tenga sustancia, realmente necesitas preguntarte, ¿cuál sería el cambio profundo en tu empresa debido a esos métodos numéricos sofisticados? Si el único cambio es algo cosmético, como calcular automáticamente las clases ABC de una mejor manera, no va a cambiar nada para tu empresa. Pero seguramente, cambiar todo el modelo de negocio de una empresa para adaptarse a alguna 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 las personas no lo entienden, hay muchos riesgos asociados porque es una nueva tecnología? Entonces es mucho más seguro dejarlo como está e invertir tal vez un poco en investigación y desarrollo.
Joannes Vermorel: El problema es el riesgo ambiental de quedarse obsoleto y salir del negocio. Para la mayoría de las empresas, este riesgo es bastante real. He estado discutiendo con muchos minoristas durante más de una década, y literalmente, hace diez años, tuve discusiones surrealistas donde les decía que esta empresa, Amazon, está llegando y se comerá su almuerzo. 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 participación en el mercado. No nos importa”. Hoy en día, si miras a Amazon y Alibaba, son absolutamente gigantescas y siguen creciendo, lo cual es una locura. Teniendo en cuenta la cantidad de economías de escala que están sufriendo, sabes que cuando creces más allá de cierto tamaño, ya no obtienes economías de escala, obtienes deseconomías de escala. Amazon está mucho más allá de su etapa de deseconomías de escala, por lo que tienen grandes desventajas para cualquier cosa que hagan porque tienen tales deseconomías de escala. Si quieren seguir teniendo un uno por ciento de crecimiento, tienen que superar desventajas absolutamente masivas. Eso significa que no están haciendo algo que sea marginalmente mejor que la mayoría de las otras empresas; están a años luz por delante. Entonces, de hecho, como ejecutivo, no hacer nada o nunca desafiar el statu quo es la carta más segura que puedes jugar, no hay duda al respecto. El problema es que si juegas esta carta continuamente durante un par de décadas, bueno, la empresa simplemente queda atrás. Mi mensaje sería para el CEO: ¿Puedes tolerar que esta mentalidad prevalezca en tu empresa? ¿No ves ningún problema que se avecine? Si no lo ves, bueno, diría que nadie derramará lágrimas por el hecho de que hayas seguido el camino del dodo.
Kieran Chandler: Entonces, estas técnicas estadísticas avanzadas son muy populares en este momento, y la gente siempre está hablando de palabras de moda como IA y deep learning. Pero, ¿cuánta confianza puedes tener de que dentro de diez años, esto seguirá siendo un tema importante para estas empresas?
Joannes Vermorel: Esa 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 está venciendo al campeón de ajedrez. Si miras el último trabajo de Google, puedes pasar de cero a increíblemente bueno en cuatro horas para el ajedrez. Pueden configurar un programa que aprenderá a jugar ajedrez y, en cuatro horas, alcanzará un punto que es literalmente inhumano, donde vencerá a todos los humanos vivos. La forma en que la computadora juega el juego es simplemente incomprensible porque ni siquiera tiene sentido. Entonces, tienes logros impresionantes, obviamente, para problemas muy estrechos y bien definidos. Pero si miras los vehículos autónomos, también es impresionante; 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, hay estas tecnologías que se ha demostrado que funcionan en una larga serie de casos. Es una creencia muy razonable decir que las probabilidades son bastante altas de que estas cosas reinventen por completo la forma en que se hacen las cadenas de suministro. Por cierto, en el caso de la cadena de suministro, ni siquiera va a ser algo muy nuevo porque si miras a Lokad, abogamos por esta visión de la cadena de suministro cuantitativa. Pero si miras lo que se está haciendo en los bancos, en las finanzas hoy en día, todo se trata de trading cuantitativo. Tienen quants, y no es ni siquiera el futuro, ya está ahí, ha estado ahí durante dos décadas o más. Entonces, ahora, la idea es que este enfoque llega dos o tres décadas tarde a la cadena de suministro, pero ya ha estado en su lugar durante décadas en las finanzas.
Kieran Chandler: Si alguien está viendo esto y se pregunta qué deben hacer para inculcar ese tipo de cultura en sus equipos de ciencia de datos, ¿cuáles son los pasos que deben seguir? ¿Cómo deben presionar a sus equipos para que asuman más riesgos y sean un poco más innovadores y se muevan en contra de las opciones fáciles del statu quo?
Joannes Vermorel: Creo que puedes tener una prueba simple: si la empresa despidiera a todos los científicos de datos de la noche a la mañana, ¿la empresa estaría en problemas desesperados? ¿La empresa se declararía en bancarrota en un año? Y si la respuesta es no, entonces probablemente esas personas son inconsecuentes y no importa lo que estés haciendo con ellas. Dirías: “Oh, pero es mucho riesgo, es tan brutal”. Pero nuevamente, reconsidera la situación de Amazon a principios de los años 90 con la web. La gente diría: “Oh, pero tenemos tanta dependencia de estos ingenieros web. Es una locura depender de esta tecnología que parece súper mala. Tienes este módem que es súper lento, tarda tres minutos en establecer la conexión. Esto es un montón de basura encima de un montón de basura. Y luego tienes imágenes con una resolución tan mala. Quiero decir, primero esperas un minuto para tener la imagen de tu producto y luego es súper mala. Este catálogo impreso es mucho mejor. Acceso en tiempo real a todos los productos, imágenes de alta resolución. Esta cosa de la web es solo un montón de tonterías. ¿Por qué tomaríamos algún riesgo al tener una dependencia difícil en toda la empresa de estos desarrolladores web?” Bueno, la respuesta es porque si no lo haces, dentro de diez años, 20 años, ya no existes.
Obviamente, estoy jugando con la ventaja de la retrospectiva. Las cosas son mucho más obvias ahora. Es difícil para mí transmitir eso, pero la cuestión es que creo que muchas empresas se han dado cuenta de eso, y por eso han contratado a estos científicos de datos. Pero no se dan cuenta de que la pregunta es si tienes una estrategia donde los ejecutivos principales realmente aprovechan al máximo esas capacidades técnicas. Y eso requiere un pensamiento estratégico.
Kieran Chandler: Entonces, ¿tienes empatía mecánica, lo que te permitiría tener una discusión inteligente y educada con los ingenieros que están construyendo el motor para tu empresa? ¿Dirías que ese es uno de los grandes obstáculos reales cuando se trata de la ciencia de datos en las empresas, el hecho de que los ejecutivos probablemente no tengan ese nivel de empatía mecánica que necesitan?
Joannes Vermorel: Francamente, si pudieras reinventar empresas contratando a personas de 24 años y dejándolas hacer magia, sería fantástico. Pero si miras la historia de las empresas, el número de veces que las cosas sucedieron de esa manera, contratando a un ingeniero brillante que logró revolucionar completamente una empresa de 50 años desde adentro, es muy raro. El patrón dominante es o personas muy jóvenes o personas de 45 años o más, ya que generalmente tienen cierto capital, experiencia y tal vez cierto grado de sabiduría. Se necesita una nueva empresa para lograr eso.
Mi consejo sería: si crees que contratar personas recién graduadas va a revolucionar tu empresa, estás siendo iluso. No es serio y, diría, intelectualmente perezoso en el mejor de los casos.
Kieran Chandler: Bueno, tendremos que terminar aquí, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y nos vemos en el próximo episodio. Gracias por ver.
