Transcripción completa
Conor Doherty: Esto es Supply Chain Breakdown, y durante los próximos 30 minutos vamos a desglosar la brecha de valor de la IA generativa. Ahora, mi nombre es Conor. Soy Director de Comunicaciones aquí en Lokad, y a mi derecha, como siempre, el fundador de Lokad, Joannes Vermorel.
Ahora, para ser claros, cuando decimos “brecha de valor de la IA generativa” nos referimos, y cito, “a la falta general de datos claros que respalden un retorno de inversión (ROI) positivo para muchos proyectos de IA empresariales.” Antes de entrar en detalles, comenta abajo qué supply chain problems esperas que GenAI solucione, y envía tus preguntas lo antes posible. Joannes y yo discutiremos eso en unos 20 minutos. Ahora, sigamos adelante.
Joannes, el origen de esta conversación surgió cuando encontré algunas encuestas de grandes firmas de consultoría y de algunas instituciones públicas que básicamente hablaban sobre el cuestionable retorno de la inversión en esos proyectos de IA de los que hablamos. Ahora, para quien se lo haya perdido, una breve introducción. Según BCG, es decir, Boston Consulting Group, aproximadamente el 75% de las empresas no pueden escalar ni monetizar sus proyectos de IA. Según McKinsey, alrededor del 80% no ven impacto en EBIT. Según PwC, al menos la mitad de las empresas ni siquiera han realizado evaluaciones de riesgo en IA. Y según KPMG, aproximadamente uno de cada diez altos ejecutivos de empresas multimillonarias está, cito, altamente confiado en ver ROI alguna vez en sus proyectos.
Yo oigo eso y te supero: Harvard, que dijo que entre el 0.5% y el 3.5% de las horas de trabajo realmente utilizan la IA generativa, y eso se traduce en aproximadamente un aumento de productividad del 0.5%. El National Bureau of Economic Research en 2025 afirmó que los chatbots de IA no han tenido un impacto significativo en las ganancias. Y por último, según Reuters, más del 50% de las grandes organizaciones ni siquiera están monitoreando el ROI de estos proyectos. Ahora, Joannes, podría continuar, genuinamente, durante los 30 minutos completos, pero te pregunto: ¿alguna de esas cifras te sorprende?
Joannes Vermorel: No. Son exactamente los mismos patrones que la industria observa con todas las tecnologías transformadoras. Verás, la web hace 25 años era exactamente lo mismo. Si retrocedes 45 años, fue la introducción de la computación en las empresas—lo mismo. Más recientemente, digamos computación en la nube—nuevamente, lo mismo.
Entonces, en resumen, cuando tienes tecnologías transformadoras, es muy interesante. Muchas empresas ven la tecnología, identifican correctamente que es masiva, que es transformadora, y hacen algo—y fracasa miserablemente. Eso ocurre una y otra vez.
Puede parecer que un 90% de fracaso es absolutamente terrible, pero la realidad es que el 10% que tendrá éxito cambiará la industria para siempre. Así que puedes tener ambos al mismo tiempo: algo en que el 90% fracasa, y el 10% restante cambia la industria. Si vuelves a la web, la realidad es que la casi totalidad de la inversión realizada en temas web en los años 2000 salió extremadamente mal, y sin embargo, aquí estamos 25 años después, y la web lo es todo. E-commerce es super masivo; más del 80% de las personas encuentran pareja en línea, etc. El impacto es absolutamente enorme. Los videos y las películas ahora se venden a través de la web—Netflix. El impacto es enorme. Pero, ¿los portales web que estaban de moda en los 2000? Desaparecieron. Eso fue entre muchas otras ideas malas similares de la época. Y creo que GenAI sigue un curso muy similar. Hay montones de propuestas con enfoque en gadgets que fracasarán.
Mi opinión no es tanto que veamos una falta de rendimientos porque, de nuevo, es una etapa temprana para tecnologías transformadoras—no debemos dejarnos engañar por la falta de métricas. La cuestión es más la falta de sustancia: ¿estás haciendo algo que realmente tenga sentido con ello? En Lokad tenemos más de media docena de proyectos, y para algunos segmentos en los que estamos utilizando esas tecnologías, han revolucionado por completo nuestra práctica. No vamos a retroceder. Hubo un mundo antes y un mundo después. Es profundamente diferente—para mejor.
Conor Doherty: Bien, no quiero ocultar lo obvio. Algunas personas, incluyéndome, señalaron que hay una enorme cantidad de gasto. De nuevo, Gartner—creo—dijo algo como que para 2025 se estima que hay unos $644 mil millones, si recuerdo correctamente el dato, estimado para este año. No todos pueden estar en el 10% superior. Así que es mucho dinero y mucha reestructuración organizacional en torno a esta tecnología. ¿Se pueden trazar paralelismos entre, digamos, la histeria de los tulipanes en Holanda en el siglo XVII, la burbuja dot-com, la GFC? ¿Es eso histérico, o hay algo de sustancia?
Joannes Vermorel: Los fundamentos son genuinos. Es decir, cualquiera que pase 30 minutos jugando con ChatGPT—la sorpresa es simplemente increíble. Esos LLMs están haciendo algo que es asombroso. Lo mismo para la generación de imágenes; lo mismo para todas aquellas clases de tecnología generativa. La sorpresa es real. Realmente hay algo aquí. No estamos hablando de pura especulación; la tecnología es real.
Ahora, podemos debatir si la valoración de las empresas que están en la génesis de esas tecnologías está justificada. Esa es otra cuestión que depende de si la tecnología se mantendrá limitada a un pequeño número de empresas proveedoras, o si será ampliamente comoditizada. Pero la innovación técnica es real.
Sin embargo, el problema es que muchas empresas abordan esas tecnologías transformadoras de la manera equivocada. Identifican correctamente el potencial, y luego simplemente asignan un presupuesto para ello. Eso fue lo mismo con la web: “La web está en auge—bien, hagamos un proyecto web de $50 millones. Será un portal web, y vamos a consolidar las ideas de todos y a ver qué funciona.” ¿Y adivina qué? Fue dinero malgastado en ese momento. GenAI con mucha frecuencia se aborda de la misma manera, y ahora será dinero malgastado.
El problema no es algo que se solucione invirtiendo más dinero en el caso. Necesitas mirar hacia adentro en tu negocio y ver qué necesita cambiar para aprovechar esas tecnologías—que, de hecho, son bastante baratas. De nuevo, eso fue lo mismo con la web: la web es barata; la IA generativa es barata; la adopción de computación en la nube es barata. Si la usas a gran escala, sí, será costosa. Pero cuando quieres empezar, no hay razón para pensar que aprovechar GenAI comienza en millones de dólares. Comienza en $20 por mes con una suscripción a Google Gemini o una suscripción a GPT.
Para mí, el caso real es que hay una falta de sustancia porque, muy frecuentemente, las personas que se aventuran de esa manera no tienen una empatía empresarial mecánica. Les falta empatía por su propio negocio en cómo lo van a usar—empatía por el caso de uso: “¿Cómo voy a…?”—eso sería empatía con el cliente; y luego simpatía mecánica para entender el potencial y la limitación de la tecnología, de modo que lo que intentes tenga un 90% de probabilidad de éxito. Quiero decir, en Lokad—números pequeños—pero mi serie de intentos con la IA generativa para varias cosas supera el 90% de éxito porque tengo, creo, una buena idea de cuáles cosas tienen una posibilidad muy decente de funcionar, y ni siquiera intento aquellas en las que pienso que no va a funcionar.
Conor Doherty: De nuevo, ese es un punto clave porque lo que acabas de decir—cuando lo usas—de nuevo, cifras aproximadas, una tasa de éxito de aproximadamente 90%. Cuando publiqué esto en LinkedIn, recibí muchos comentarios privados de personas diciendo, “Sí, para mí, a nivel individual, es transformador. Pasé de rendir a este nivel a rendir a este nivel. Puedo paralelizar muchas tareas diferentes. Mi productividad individual se ha disparado.” Entonces la pregunta se convierte en: ¿qué falta? A nivel individual, las personas pueden ser increíblemente productivas, pero luego, cuando tienes una empresa, que es un conjunto de individuos, de repente, según una amplia variedad de fuentes de datos, esa productividad simplemente se desploma internamente.
Joannes Vermorel: Sí. Porque, de nuevo, si inicias un proyecto de GenAI—para la gran mayoría de las empresas—abordar la tecnología transformadora desde la perspectiva de la tecnología en sí es equivocado. Necesitas pensar: ¿qué voy a hacer por mis clientes que haga a mi empresa mejor, más eficiente y sirva mejor a mis clientes? Y resulta que cosas que antes eran imposibles ahora se han vuelto posibles gracias a GenAI. No todo; muchas cosas que eran imposibles siguen siendo imposibles. Pero tenemos un rango ligeramente más amplio de opciones, y ahí es donde hay una oportunidad masiva.
No puedes simplemente asignar dinero a GenAI y esperar que las cosas resulten. Esa es exactamente la actitud que las empresas tenían con sus portales web hace 25 años: “Oh, la web es genial—pongamos decenas de millones en algo web.” No. Pero si tienes la idea, “Voy a tener una tienda de ecommerce,” entonces muy bien, y ejecutas de manera brillante. Es muy diferente de decir, “Invierto $10 millones en la web,” o “Construyo una tienda de ecommerce y una experiencia de ecommerce para mi base de clientes.” Esa es una propuesta muy diferente.
Conor Doherty: Luego, de nuevo, esto vuelve a un punto clave. Si no lo estamos—si, bueno, estoy parafraseando; pueden corregirme si me equivoco—parecía que decías que no te sorprende que aún no haya un gran ROI porque es demasiado pronto para saberlo. Bien, podemos jugar con esa hipótesis, pero aún tienes que mostrar algún impacto. Entonces, si no estás midiendo el retorno de la inversión, ¿cuáles, en general, son las señales de que la gente está haciendo lo correcto o que está teniendo un buen impacto?
Joannes Vermorel: Si intentas usar esas tecnologías y no terminas en una posición en la que dices, “Bien, el mundo en el que vivo hoy es ahora radicalmente diferente al de antes,” entonces perdiste el tren. Solo para dar algunos ejemplos: hace unos años, decidimos optar por la traducción automatizada. Nuestro sitio web se traduce de forma automática; de hecho, lleva años haciéndolo. Pasamos de gestionar a más de media docena de traductores profesionales a cero, y está completamente automatizado. Ahora, cada vez que publicamos una página en inglés, en pocas horas tendremos la página traducida a más de media docena de idiomas.
Verás, el antes y el después son mundos completamente diferentes. En un caso, estábamos gestionando un equipo—incluso teníamos una aplicación para gestionar el workflow de esos traductores. Hoy en día es totalmente automatizado. Otro caso: RFPs—Solicitudes de Propuesta. Algunas empresas nos envían cientos de preguntas, y ahora las respondemos automáticamente. De nuevo, es el tipo de cosa en que pasamos de cientos de preguntas a “gastemos 20 minutos para responder esas mismas 400 preguntas,” dedicando luego unas pocas horas a las más importantes para dar el toque humano y mejorar las respuestas clave.
Ten en cuenta que en los RFPs tienes cientos de preguntas muy comunes, como “¿Aceptarás tener un NDA para nuestros datos?” y cosas por el estilo. Montones de preguntas comunes que necesitan ser respondidas pero que no necesariamente merecen la atención de un humano en este proceso. Así que hablo de algo en lo que, con o sin GenAI, el impacto no es del 1%. No—es de día y de noche. El impacto es absolutamente masivo. El nuevo proceso es completamente diferente al anterior, y es perceptiblemente mucho mejor, incluso si no se puede medir con precisión.
Sería muy difícil para una empresa como Lokad decir cuál es el ROI exacto de automatizar el problema súper tedioso de responder a los RFPs. Puedes medir en horas de trabajo cuánto tiempo tomó antes—sí—pero eso subestimaría enormemente el caso porque la realidad es que no necesariamente tienes a tantas personas en tu equipo capaces de responder eso, y las pocas que son capaces lo encuentran sumamente tedioso. No quieren hacerlo; es un castigo para ellos. Gracias a este nuevo proceso, puedes retener a tus mejores personas en el equipo de ventas por más tiempo. Es muy difícil de evaluar, pero el impacto es masivo.
Conor Doherty: De nuevo, este es un buen punto porque da paso al siguiente tema, que es: has expuesto muy bien las aplicaciones de marketing, las aplicaciones administrativas. Cuando hablamos estrictamente en el dominio de la supply chain y la optimización de supply chain, ¿conoces casos de uso específicos de GenAI que estén en producción? La razón por la que pregunto es que un estudio de IDC de principios de este año encontró que el 88%—digamos nueve de cada diez—de los pilotos de GenAI en este dominio, procesos reales de decision-making, nunca llegan a producción. Se refieren a ello como una zona muerta de prueba de concepto. Así que, ¿conoces casos de uso específicos de supply chain que realmente hayan graduado?
Joannes Vermorel: Sí. Pero la supply chain es muy cuantitativa—al menos de la forma en que Lokad lo hace. Se trata de la asignación de recursos. Quieres asignar tus recursos—inventario, capacidad de producción, capacidad de transporte, capacidad de estantería, etc. Si invierto $1 en capacidad en algo—capacidad de inventario, etc.—¿cuál es la opción que me ofrece el mayor retorno una vez que se tienen en cuenta todos los possible futures, para tener una decisión optimizada ajustada al riesgo?
Ahora, este es un problema altamente cuantitativo, y aquí los LLMs no son una buena opción para abordarlo directamente. Los LLMs pueden abordarlo de forma indirecta, potencialmente para ayudarte a generar la receta numérica que rige tus decisiones—si tus decisiones se rigen por una receta numérica. En Lokad esto es el caso para los clientes, pero para la mayoría de las empresas no es así, por lo que el LLM es impotente.
Luego tienes algunos casos de uso auxiliares—un complemento. Por ejemplo, la limpieza de datos del catálogo: quieres mejorar las etiquetas de tus productos; quieres enriquecer tu catálogo con categorías que no existían. Ese es el tipo de cosa en que los LLMs realmente pueden ayudarte, pero no resuelven el problema central de supply chain. Simplemente hacen tu vida mucho más fácil al resolver algunos de los sub-problemas de supply chain. Así que es bueno; es útil—muy útil—pero si comienzas, de primera fila, diciendo, “Voy a hacer un proyecto de GenAI,” no va a resolver tus problemas de supply chain.
Conor Doherty: Pero, de nuevo, añadimos—“Oh, simplemente voy a enchufar esto y todo va de maravilla”—en lugar de, “Aquí hay subaplicaciones útiles.” No son tan sexy como una transformación completa, pero ayudan.
Joannes Vermorel: Sí. Y cuando tienes tecnologías transformadoras, también necesitas replantear tu negocio. Piensa en la web: tienes un sitio web, pero por sí mismo es algo inútil. Esos portales web eran en su mayoría inútiles. Lo que es, por ejemplo, muy útil es tener e-commerce. Pero entonces, en e-commerce, eso significa que necesitas tener un centro de distribución que pueda cumplir los pedidos. Así que no se trata solo de la tecnología web. Te das cuenta de que si quieres ganar dinero en la web, entonces necesitas reorganizar todo tu negocio para poder operar este segmento de e-commerce. Es una transformación mucho más exigente comparada con simplemente “invertir y tener un sitio web.”
Ahí es donde digo que esas inversiones suelen estar mal orientadas, porque invierten en portales web—y GenAI es lo mismo—en la tecnología desnuda en lugar de considerar la transformación del negocio que la acompaña. La inversión impulsada por palabras de moda simplemente nunca funciona, y ha sido así durante los últimos, probablemente, 50 años de innovación impulsada por software.
Conor Doherty: ¿Existen algunas señales sutiles que la gente pueda discernir internamente—como, bueno, aún no puedo medir el ROI, pero aquí hay algunas indicaciones de que tal vez debamos pausar un poco el gasto, o, por el contrario, deberíamos aumentarlo?
Joannes Vermorel: La realidad es: no lo consideres una inversión. Es demasiado pronto. La inversión es un problema de asignación de capital una vez que conozco el terreno—una vez que sé dónde debería invertir. Aquí, de nuevo, es una tecnología que es muy barata. La pregunta es más: ¿tienes personas que hayan identificado algo que tenga mucho sentido y que pueda ser prototipado—even a nivel de un empleado? ¿Tienes algo que funcione, y luego dices, “Está bien, tengo esto; realmente tiene sentido. Puedo ver que tiene sentido; resuena. Ni siquiera necesito métricas sofisticadas—sé que es bueno.”
Piensa en cuando pasé de gestionar a seis traductores a una traducción completamente automatizada de extremo a extremo. No hice un estudio de caso. Era muy obvio. Además, en realidad obtuvimos mejores traducciones. Podrías pensar, “Si va a ser una máquina, va a ser peor.” Resultó ser de mayor calidad. ¿Por qué? Porque Lokad tiene tanto que traducir que, al precio que estábamos negociando, nuestros traductores no podían dedicar tiempo infinito a cada página. Tenía que hacerse rápidamente, y la calidad a veces se veía afectada. GenAI solucionó eso.
Primero puedes hacerlo a escala limitada: “Uso un cambio para traducir—¿funciona? ¿Puedo proporcionar instrucciones contextuales adicionales para mejorar la traducción?” Sí—y funciona. Una vez que lo haya validado, puedo entrar en la fase de inversión donde lo robotizo—no para una página, eso es una demo, sino para mil páginas—y colocar algo de infraestructura informática para hacerlo conveniente. Cuando me comprometí en la robotización de la iniciativa, ya estaba 100% convencido de que funcionaría. Ya había sometido la cosa a pruebas de estrés haciendo manualmente algunas páginas.
Es lo mismo con la web. Si haces un primer experimento—¿realmente tiene sentido? E-commerce: si empiezo a vender algunos productos en línea, ¿tiene sentido? ¿Hay alguien dispuesto a hacerlo? Si no puedo hacer un primer experimento en el que resuene lo que intento ofrecer a mis clientes, probablemente sea tontería y deberías detener el proyecto antes de invertir más dinero en él.
Conor Doherty: Estás describiendo aplicaciones muy, digamos, basadas en texto, y ciertamente son transformadoras—lo sabemos porque lo hacemos internamente. También hay otras aplicaciones, incluso en las etapas iniciales de forecast, donde se puede desplegar GenAI—y nosotros también lo hacemos, utilizando embeddings como parte del forecast inicial, etc. Hay aplicaciones de LLMs en esto.
Joannes Vermorel: Sí, pero de nuevo, es un complemento. La esencia es hacer forecast probabilístico, y si utilizas embeddings, entonces puedes obtener probabilidades un poco mejores en algunas circunstancias. Pero esto es un elemento—y aquí es muy incremental. Creo que probablemente no es lo que la gente busca cuando piensa en GenAI. No están pensando en algo que simplemente vaya a mejorar ligeramente un subproceso. Quieren algo súper transformador y muy visible de inmediato.
Tienes en realidad tales situaciones. Por ejemplo, ¿puedes automatizar la relación con tus proveedores? Ellos escriben correos electrónicos; tú respondes con correos electrónicos. ¿Puede eso ser automatizado en gran medida? No necesitas una empresa de TI y varios millones para descifrarlo. Puedes hacer un primer experimento: ¿puedo componer un prompt que dé una respuesta razonable a una pregunta planteada por un proveedor? ¿Puedo componer un prompt que redacte el correo electrónico que quiero enviar a este proveedor? ¿Funciona? ¿Puedo tener un prototipo de juguete funcionando? Una vez que tenga eso, entonces las empresas pueden empezar a pensar en automatizar grandes porciones de lo que hacen con este tipo de tecnología.
Conor Doherty: Este tema es tan interesante porque tiene múltiples matices. Hemos cubierto aplicaciones potenciales, pero el proceso real de aplicarlas es un gran problema. Permíteme agregar algo de contexto aquí: muchos—demasiados para que yo los analice; simplemente los agruparé como “muchos estudios” de este año—digamos que hay una falta de una gestión del cambio robusta para estos proyectos de GenAI. Lee entre líneas: simplemente se están obligando a encajar. ¿Crees que una mejor gestión del cambio ayudaría a aumentar los números en términos de ROI—capacitación, skilling?
Joannes Vermorel: Exactamente de eso hablaba: asignación de capital. La palabra de moda podría ser computación en la nube, big data, blockchain, y ahora es GenAI. “Asignamos tantos millones en eso.” Esto es simplemente incorrecto. Luego te preguntas sobre la gestión del cambio—no. Comienza con “Hay algo que entiendo sobre cómo puedo servir mejor a mis clientes,” y ello conlleva una transformación. Esta transformación se hace posible al final solo porque GenAI está presente, pero lo estás pensando de manera completamente diferente.
Comienzas centrándote en formular el problema correcto. El noventa por ciento del esfuerzo es formular el problema correcto, no la ejecución técnica. Volviendo a la web: el portal web estaba pensando en crear un sitio web y tecnologías web—ese era el problema. Resulta que no lo es en absoluto. La web es fácil en cuanto a tecnologías. Tener un sitio web funcionando es la parte fácil. Tener un negocio de e-commerce que sea rentable es la parte difícil.
Entonces, primer experimento: “Quiero un segmento de e-commerce muy próspero.” Tal vez te des cuenta de que la parte web de esta inversión no está realmente relacionada con las tecnologías web. Tienes muchos otros problemas que quieres resolver si deseas un negocio de e-commerce viable. Lo mismo ocurre con GenAI: si piensas en tecnología primero, inviertes en eso, pero para la transformación que buscas, el 95% del esfuerzo no tendrá nada que ver con GenAI. GenAI será el único componente que hizo posible toda esta transformación; antes de eso habría sido imposible. Simplemente hace algo posible, pero el resto de la transformación es tu enfoque. Ese es tu punto de partida. GenAI solo está conectado en el lugar correcto—crítico, pero fundamentalmente una cuestión técnica.
Conor Doherty: Bueno, la forma en que lo describes—no sé, porque ya te conozco bien a estas alturas. Ni siquiera estoy seguro de que tú lo creas—no, déjame reformularlo. Cuando dices que lo que las grandes empresas necesitan hacer es replantear el problema, y luego, una vez que han replanteado el problema, pueden trabajar hacia atrás e identificar los nodos en el mapa donde pueden conectar la IA—¿qué tan probable es eso, en la escala de la que hablamos, cuando estamos hablando de medio billón de dólares?
Joannes Vermorel: Va a ser bastante raro. Según la historia, ¿cuántas empresas hace 15 años estaban invirtiendo masivamente en centros de datos? Un montón de ellas. ¿Quién tuvo el valor de hacer lo que hizo Jeff Bezos—“Estamos invirtiendo tantos millones en nuestros centros de datos que vamos a abrirlos al mundo”? La gente diría, “¿Amazon?” Piensa en cuántos bancos tenían centros de datos supergrandes; ellos podrían haber hecho este movimiento diez años antes. Amazon no tenía los centros de datos más grandes del mundo en ese momento. Había corporaciones bancarias muy grandes con centros de datos mucho más grandes. Pero lo valiente fue esto: esta tecnología emergente que hemos llegado a llamar computación en la nube. Bezos decidió, “¿Sabes qué? Vendemos libros, pero también vamos a alquilar servidores.” Ese es el tipo de transformación de la que hablo.
Esto es muy desafiante porque requiere una transformación muy profunda en tu negocio. Estadísticamente, si observas el último siglo de negocios, muy pocas grandes empresas lograron hacerlo realmente. Obviamente, un montón de equipos de gestión brillantes lograrán ser los casos atípicos que superen al mercado y logren el cambio donde sus pares fallaron. Pero van a ser los casos atípicos.
Conor Doherty: Entonces, volvemos al punto original sobre esencialmente una burbuja. Si mucha gente está invirtiendo mucho dinero en algo con lo que no están equipados para manejar o ejecutar correctamente, ¿no significa eso que en algún momento se alcanzará una masa crítica y—
Joannes Vermorel: Una burbuja es como si fuera verdaderamente excepcional. Lo que veo en GenAI es que tenemos valoraciones muy altas para una serie de empresas—eso podría ser una burbuja, sí. Pero para las empresas que gastan dinero, mi opinión es que la base es probablemente que el 80% del dinero gastado en enterprise software se desperdicia. Esa es la base. Tal vez GenAI sea 90%, pero la base es que el 80% se desperdicia.
Entonces, para mí, no hay una burbuja muy específica en GenAI. Es más como la palabra de moda del día. Hace unos años habría sido desperdiciado en blockchain; antes de eso, desperdiciado en alguna iniciativa aleatoria de big data; antes de eso, en alguna iniciativa Web 2.0 aleatoria, etc. La mayor parte del dinero gastado por las grandes empresas en proyectos de software se desperdicia—el 80% sería mi base. Aquí no está muy fuera de la norma; es solo un poco mayor. No vería una burbuja tan significativa en este frente comparado con las valoraciones realmente asombrosas que tienes para las empresas de GenAI en términos generales.
Conor Doherty: Pero hay otra dimensión en esa consideración, que es: muchas empresas—tomemos una, no una de nuestros clientes—Shopify y ellos introduciendo habilidades de GenAI como un requisito real para la contratación y para propósitos de evaluación, porque se están comprometiendo completamente con esta tecnología. Hay otra consideración, que es el efecto real de reestructuración del empleo de esta tecnología, que a corto plazo podría, en realidad, no tener ningún efecto.
Joannes Vermorel: Nuevamente, ahí es donde desafiaría eso un poco. Mi opinión es que Shopify tiene un modelo de negocio muy específico que no es excesivamente complejo. Si hablamos de nuestros clientes—la aviación, por ejemplo—son mil oficios diferentes, súper arcanos, extremadamente difíciles. Se necesitan meses para siquiera entender lo que exactamente está sucediendo en este segmento del negocio, porque es técnicamente muy desafiante y complicado.
Conor Doherty: Pero son solo un ejemplo de la tendencia.
Joannes Vermorel: Sí, y mi punto es que para algo como Shopify—sí, es muy bueno si la cultura corporativa se inclina hacia esas tendencias emergentes—pero creo que recaerá mayormente en los hombros de la alta dirección identificar las cosas clave donde GenAI realmente transformará la experiencia de los clientes y socios de Shopify. No veo este negocio como tan difuso que vaya a ser una transformación de abajo hacia arriba.
Diría lo mismo de Apple. Cuando tienes un negocio supermasivo construido en torno a un producto hiperexitoso—el iPhone—no es realmente que 100,000 empleados familiarizados con GPT transformen tu empresa. Es más, es la alta dirección la que entiende muy claramente lo que significa para Apple, para el iPhone, y luego implementa algo que realmente tenga sentido—tomando las decisiones correctas. Ahí es donde diría, sí, hay un cambio cultural, pero el desafío para la mayoría de las empresas recaerá más en la gestión que en la base de la pirámide.
Conor Doherty: Voy a insistir un poco y preguntarte—porque es algo que me fue enviado en privado por LinkedIn. Estamos en YouTube ahora mismo debido a dificultades técnicas con LinkedIn, pero esto prepara la siguiente pregunta. Gartner—como gustes llamarlo—según sus Top 10 Strategic Technology Trends de 2025, esa es la fuente, pusieron a la IA agentiva—agentes de software autónomos que actúan como trabajadores virtuales—al principio de su lista. Entonces, la pregunta es: chatbots, agentes de IA—¿los ves como el factor decisivo que Gartner—
Joannes Vermorel: Lo que Lokad ha estado haciendo durante una década—sí, es absolutamente revolucionario. Pero apartaría las palabras de moda. Lo que queremos es la toma de decisiones sin intervención. Eso es revolucionario. Luego, ¿cuáles son las tecnologías para hacerlo posible? Diría que los LLMs son una parte pequeña y opcional para lograrlo.
Si por “IA agentiva” te refieres al resultado—la toma de decisiones sin intervención—de manera que decidimos qué comprar, qué construir, dónde tener stock, el precio que mostramos; todo eso cambia diariamente, automáticamente, de una manera sin intervención—sí, es absolutamente masivo. Así que si Gartner con “IA agentiva” se refiere a este resultado, entonces estoy de acuerdo. Si por “IA agentiva” se refieren a poner un LLM dentro del proceso, entonces no estoy de acuerdo.
Conor Doherty: Se me han acabado las preguntas. Voy a pasar a las preguntas que fueron enviadas. Algunas de ellas llegaron a través de LinkedIn a pesar de que en realidad estamos en YouTube, así que gracias por ello—gracias por hacer la transición. Entonces, Joannes—sí, Joannes—voy a leer esto literalmente; es bastante largo: “¿Qué métricas disponibles públicamente podemos usar para medir el progreso a nivel industrial en la adopción de GenAI y en la extracción de valor financiero a partir de ello? ¿Deberíamos fijarnos en el gasto en API de GenAI, despidos a gran escala, u otras señales?” Puedo repetir eso.
Joannes Vermorel: No, está bien. Es una pregunta larga. Mi sugerencia es: no te fijes en las métricas. Las métricas irán rezagadas, y cuando sean visibles, será demasiado tarde. Nuevamente, piensa en Amazon con e-commerce. Amazon no era nada, nada, nada—era insignificante para empresas como Walmart—hasta que de repente se volvieron imparables y demasiado grandes. Lo mismo ocurrió con las cámaras digitales versus las antiguas cámaras químicas: las cámaras digitales no significaron nada durante mucho tiempo, y luego de repente fueron dominantes. Esa es la característica de la mayoría de las transformaciones tecnológicas.
Lo mismo ocurrió en muchas industrias—por ejemplo, fly-by-wire para aviation. No significaba nada, y luego Airbus lo hizo, y entonces se convirtió en la norma, y cualquier cosa que no fuera fly-by-wire era prácticamente obsoleta. El problema es que los indicadores estarán rezagados. Sí, verás despidos, pero esos despidos se realizarán años después. Las empresas pueden automatizar y lograr enormes ahorros en productividad, pero no necesariamente desencadenarán despidos de inmediato—quieren preservar la moral, ser amables, dar a las personas la oportunidad de trasladarse a otro lugar—y luego habrá una recesión económica, posiblemente una década después, y entonces se producirán despidos. Así que puedes tener efectos que sean extremadamente rezagados.
En cuanto al gasto en API—sí, pero será muy difícil porque tendrás especialistas en IA o compañías como Lokad que pueden distorsionar completamente el mercado debido a que están gastando mucho. Cuando veas que muchas personas están gastando dinero, ¿se trata de tu empresa promedio, o es que el 90% del gasto lo realizan compañías muy específicas—por ejemplo, la industria de los videojuegos? Eso será difícil.
Mi opinión: no prestes demasiada atención a los indicadores. Son irrelevantes en casos de transformación tecnológica. Estás de regreso en el año 2000; no has experimentado las compras en línea; intenta proyectar: “¿Va a cambiar la vida de mis clientes si pueden comprar en línea?” Ese es un ejemplo de algo transformador. Piensa: ¿puedo hacer algo verdaderamente transformador para mis clientes con esas tecnologías? Si es así, entonces hazlo. No esperes. Si esperas, te enfrentarás a gigantes que habrán aparecido de la nada cuando finalmente decidas tomar esta dirección.
Conor Doherty: Quizás esto es algo—basado en lo que has dicho—obviamente Lokad tiene una perspectiva de ROI-first cuando se trata de decisiones. Así que a los CFOs que están viendo—y ambos sabemos que hay muchos en nuestras redes—a los CFOs que están viendo y que se han puesto en contacto en privado para decir, “Sí, ya sabes…” de vez en cuando: ¿cuál es el retorno, de la forma que se quiera expresar? ¿Cuál es el retorno? ¿Cuál es el impacto? ¿Qué consejo les darías a ellos específicamente—los CFOs—cuando se trata de navegar estos proyectos y su papel en todo esto?
Joannes Vermorel: Para los CFOs, la pregunta clave es: ¿cuál es el valor añadido de tu fuerza laboral de cuello blanco? Si tenemos que hacer una evaluación seria, entonces tienes que plantear preguntas muy difíciles y quizá jugar con ChatGPT para pensar: ¿esto se va a automatizar, o realmente está más allá de lo que la tecnología puede hacer? No necesitas consultores costosos, ni compañías de TI costosas para responder a esas preguntas. Puedes jugar con GPT y hacer pequeños experimentos para responder a esta cuestión.
Haciéndolo, puedes responder al meollo del mensaje: ¿creemos que esas tecnologías están automatizando el 10% de nuestro personal, el 20% o el 90%? Para Lokad, hay categorías enteras de tareas que se han automatizado al 100%—pasamos de media docena de personas involucradas a cero—para esa tarea.
Así que diría: comienza a construir una evaluación profunda de tu fuerza laboral de cuello blanco y de lo que está en juego, y luego traza una trayectoria. Obviamente, eso es solo para ver el tipo de retorno sobre la inversión, pero implica una transformación muy profunda. No va a estar liderada por los CFOs. Esas transformaciones son tan profundas. Piensa en Amazon: eres un minorista de libros en línea y quieres convertirte en un proveedor de computación en la nube. Es obvio que las decisiones se tomarán desde la más alta dirección—probablemente a nivel de CEO; el CEO tendrá que convencer a la junta, considerando la magnitud de las transformaciones de las que estamos hablando.
Conor Doherty: Bueno, Joannes, se nos han acabado las preguntas y definitivamente se nos ha acabado el tiempo. A las personas que asistieron en YouTube, y a las que vean esto más tarde, gracias por su atención. Por cierto, si aún no estás conectado con Joannes y conmigo en LinkedIn—¿por qué no? Somos encantadores. Contacta; hablaremos. Pero con eso, Joannes, muchas gracias por acompañarme y por tus respuestas. Y a todos los demás, les digo: vuelvan al trabajo.
