¿Nueva iniciativa de IA? Empiece por la cultura IA

Supongamos que ya ha decidido construir una empresa de IA, ha definido su ventaja competitiva y ha trazado una estrategia razonable de producto y negocio. Llega entonces la fase de ejecución. Y ahí aparece un problema importante: muchas intuiciones válidas en ingeniería de software tradicional dejan de servir cuando el objetivo es construir una ventaja competitiva basada en IA.

En Good Strategy / Bad Strategy, Richard Rumelt recuerda una conversación con Jean-Bernard Lévy, entonces CEO de Matra Communications, en plena euforia de las telecomunicaciones de los noventa. Mientras los analistas esperaban que gigantes como IBM o AT&T dominaran el mercado, Cisco irrumpió con una ventaja inesperada: un bloque de software pequeño, muy difícil de reproducir y escrito por un equipo diminuto. La lección sigue siendo actual: a veces la diferencia decisiva no está en el tamaño de la organización, sino en la naturaleza de lo que realmente resulta difícil copiar.

«Intento entender qué fuerzas están cambiando la estructura del sector», decía Rumelt. «Mire el caso de Cisco Systems. Si la escala era la gran barrera de entrada en equipos de telecomunicaciones, ¿cómo ha conseguido Cisco abrirse paso?»

Lévy respondía que Matra entendía los principios básicos, pero no lograba reproducir el rendimiento de los routers multiprotocolo de Cisco. La clave estaba en el firmware: un bloque de código extraordinariamente bueno, creado por un equipo muy pequeño, que daba al producto toda su ventaja.

Desde entonces la ingeniería ha cambiado muchísimo. El cloud abarató el acceso al cómputo, el almacenamiento dejó de ser caro y aparecieron miles de herramientas, frameworks y componentes reutilizables. Hoy, salvo en nichos muy concretos, premiamos a los equipos que entregan funcionalidades deprisa, con costes ajustados y reutilizando al máximo soluciones ya existentes. Esa cultura hizo posible el internet moderno, pero también ha reducido de forma radical el coste de copiar una solución técnica.

La ventaja competitiva en IA, aunque exige ingeniería, se rige por una lógica diferente.

1. Con pocos datos, desarrollar un modelo de IA sólido debe ser difícil, y la primera versión será necesariamente imperfecta.

Una ventaja competitiva solo existe si es difícil de copiar. Idealmente, debería ser imposible reproducirla sin acceder a sus datos. Lo mismo aplica a la captación de esos datos: cuanto más dependan del uso real de su producto, más defendible será su posición.

De ahí se desprende una consecuencia contraintuitiva: con una base de datos limitada, incluso un gran equipo de ingeniería debería encontrar dificultades para alcanzar calidad alta desde la primera iteración.

En software tradicional, entregar rápido y barato suele ser una buena noticia. En IA estratégica, lograr resultados excelentes con muy pocos datos puede ser una señal de alerta: probablemente sus competidores podrán replicarlo con una velocidad similar.

2. Sus modelos no deberían transferirse con facilidad entre dominios.

En producto solemos valorar las soluciones muy generalistas. Sin embargo, en IA defensiva, una transferibilidad excesiva puede ser peligrosa. Si un modelo entrenado en retail funciona casi sin ajustes en banca o salud, un competidor puede hacer el camino inverso y entrar en su mercado con una inversión reducida.

Es una mejor señal cuando el modelo rinde bien en un dominio concreto y pierde rendimiento en otros hasta incorporar datos específicos de ese nuevo contexto. Eso encarece la copia y refuerza su barrera competitiva.

3. Las mejoras futuras deben venir sobre todo de nuevos datos, no solo de mejores algoritmos.

Es normal que su equipo quiera optimizar modelos y arquitecturas para ganar velocidad, coste y calidad. Pero para construir una ventaja defendible, el motor principal debe ser la acumulación de datos relevantes.

Puede invertir en algoritmos mejores, y debe hacerlo. Pero si el valor futuro del producto depende casi por completo de esa mejora algorítmica y no de un flujo creciente de datos propios, su ventaja será frágil y fácilmente replicable por otro equipo competente.

4. En IA gana antes quien aprende más rápido, no necesariamente quien llega primero.

En algunos sectores, como farma, el first-mover puede blindarse con patentes y capturar una posición privilegiada durante años. Pero en software de IA la dinámica es distinta.

Para ganar no basta con salir antes: hay que poner en marcha antes el ciclo correcto de datos, producto y aprendizaje. Ser el primero sin ese diseño solo revela la oportunidad al mercado y facilita la entrada de rivales que ejecutan mejor.

Por eso dirección, producto e ingeniería deben compartir una comprensión común de estas diferencias. Tratar una iniciativa de IA como si fuera desarrollo de producto convencional suele acabar en resultados mediocres.

Un cuento de advertencia

Hace algún tiempo, trabajé con una empresa de software empresarial. El cofundador James (nombre ficticio) tenía una poderosa visión de producto y la aspiración de convertir su startup en una empresa de inteligencia artificial. James no tenía ninguna experiencia con la IA en su carrera anterior. Sin embargo, asumió el cargo de director de producto para un producto complejo basado en aprendizaje automático posicionado como el nuevo buque insignia de la empresa.

James creía en la ventaja de ser el primero en actuar y quería llevar el producto al mercado lo antes posible. El desarrollo se mantuvo en extremo secreto. Al equipo de producto no se le permitió compartir en qué estaban trabajando, ni siquiera internamente. Como puede ver ahora, viola el punto cuatro: los productos de IA no tienen por qué ser los primeros en el mercado en tener éxito, sino que deben diseñarse adecuadamente. El secreto y la ausencia de trabajo multifuncional socavaron las posibilidades de lograr que la IA y el diseño del producto fueran correctos.

Después, James trazó una hoja de ruta extremadamente agresiva, convencido de que el equipo entregaría un producto excelente en muy poco tiempo sin preocuparse demasiado por la base de datos disponible. Esa decisión chocaba de frente con los principios anteriores: la calidad de un producto de IA debería emerger de los datos, y si una solución puede construirse con facilidad y sin una base de datos defensible, entonces también será fácil de copiar.

A medida que se acercaba el lanzamiento, la empresa activó una campaña de marketing que prometía una calidad excepcional y una aplicabilidad casi universal. Pero una versión inicial basada en pocos datos y pensada para múltiples mercados tenía todas las probabilidades de quedarse corta. Y eso fue exactamente lo que ocurrió. El producto llegó al mercado, pero el rendimiento real del modelo quedó muy por debajo de lo prometido. El consejo sustituyó a James, el producto se cerró y la empresa terminó buscando otra dirección. Hoy ese nicho está dominado por otro actor que observó el fracaso y entró después con una propuesta mejor planteada.

Si quiere profundizar, le recomiendo también nuestros artículos sobre el efecto de red y sobre cómo la IA lo activa.

Y si está construyendo una iniciativa de IA y quiere evitar estos errores desde el principio, nuestro equipo puede ayudarle a diseñar una estrategia y una cultura de ejecución verdaderamente defensibles.