El puesto más candente en Silicon Valley en este momento es, sin duda, el de FDE. FDE significa "Forward Deployment Engineer", que se traduce directamente como "Ingeniero de Despliegue en Primera Línea". Deben entender tanto los modelos y la tecnología como los datos, procesos y puntos críticos del negocio del cliente. Su misión central es convertir la IA de un demo en un flujo de trabajo nativo de IA propio de cada profesión. Una encuesta de Perspective AI en 2026 a 1500 FDE mostró que la mediana de la remuneración total anual de un FDE senior en laboratorios punteros alcanza los 485.000 dólares, y para empleados de nivel senior asciende a 725.000 dólares, mientras que el rango salarial total en los principales laboratorios oscila entre 350.000 y 550.000 dólares.
Detrás de esta fiebre hay un giro estratégico importante en las principales empresas de IA. En mayo de este año, OpenAI, en alianza con 19 fondos de capital privado, invirtió conjuntamente más de 40.000 millones de dólares para crear "Deployment Company" (Compañía de Despliegue) y adquirió Tomoro, una empresa de servicios de implementación de IA, llevándose consigo a 150 FDE. Anthropic también anunció una asociación con varias instituciones financieras, incluida Blackstone, para crear una empresa conjunta valorada en 15.000 millones de dólares. Estas empresas de modelos líderes están apostando por el mismo tipo de servicio: no solo proporcionar herramientas de IA, sino sumergirse dentro de las empresas para desplegar verdaderamente las capacidades de IA en escenarios de negocio concretos.
En este episodio de "Silicon Valley 101", invitamos a dos profesionales en activo para hablar sobre los FDE y las empresas de despliegue. Hablamos sobre la forma concreta del trabajo del FDE, su relación con el modelo de despliegue militar temprano de Palantir, y también discutimos cómo están cambiando los fondos de capital privado y la industria de la consultoría en esta ola de adopción de IA.
Jove, responsable del equipo de FDE en Cresta. Cresta proporciona Agentes de IA para centros de llamadas empresariales. Jove comenzó a ampliar su equipo de FDE a principios del año pasado.
Oliver, exconsultor de McKinsey y actual VP de Negocio Empresarial en Invisible Technologies.
A continuación, una selección del contenido de esta conversación:
01. ¿Por qué las empresas de modelos están empezando a hacer despliegue?
Yiwen: Jove, ¿cómo ves los movimientos recientes de OpenAI, Anthropic y otras empresas de modelos para empezar con el despliegue de IA?
Jove: Creo que esta es precisamente la razón por la que el FDE ha cautivado a todos de repente. Como tipo de trabajo, el FDE ha existido desde los tiempos de Palantir durante más de una década. Nuestra empresa comenzó con este tipo de despliegue FDE en enero del año pasado. En ese momento no estaba muy claro que tuviéramos que contratar FDEs, pero teníamos la vaga sensación de que necesitábamos acercar a algunos ingenieros más al cliente. A través de este servicio muy cercano, podríamos entender lo que quieren y luego aplicar nuestro producto adecuadamente.
Pero en el último mes o dos, especialmente en la última semana o dos, ha habido mucha discusión sobre los FDE. Sabía que esto iba a pasar, pero no esperaba que fuera tan rápido y tan intenso. Sin embargo, creo que esto confirma varias cosas: primero, las empresas de modelos se dan cuenta de que el modelo en sí no es un producto. Para que un producto se implemente, se necesita mucho trabajo adicional, algo que las empresas de modelos tradicionales suelen pasar por alto o incluso despreciar. Pero sin una colaboración tan estrecha, incluso alguien con dinero que quiera comprar el modelo sentiría que, una vez comprado, no sabe cómo usarlo. Descubrimos que el FDE es una forma muy buena.
Además, el límite entre las empresas de modelos y las empresas de aplicaciones se vuelve muy borroso. El enfoque de OpenAI y Anthropic es más bien: sigo contratando a la mejor gente para entrenar mis modelos (como Anthropic, cuyo modelo es excelente pero también muy caro, se puede vender caro y la eficiencia por persona puede ser alta). Pero en cuanto a implementar en todos los sectores, eso requiere mucha gente, y no necesariamente quiero contratarla yo mismo. Por eso algunas empresas adquieren, y otras utilizan capital para que otras empresas hagan el trabajo FDE. Así, la relación, a la vez aliada y competitiva, entre las empresas de modelos y las de aplicaciones se enreda aún más.
02. El trabajo concreto de un FDE
Yiwen: Si tuvieras que definir FDE en una frase, ¿qué dirías?
Jove: Un FDE es un ingeniero que colabora estrechamente con el cliente para que la aplicación de IA funcione realmente, y que asume la responsabilidad de mejorar el producto. Por lo tanto, un FDE debe, primero, implementar la IA y, segundo, utilizar estas "lecciones aprendidas" para cambiar el producto directamente y mejorarlo. Es casi como un "CTO desplegado en primera línea": eres una persona muy completa. Debes cerrar el trato, implementar la aplicación de IA, retener al cliente; pero como CTO, no solo piensas en cómo mejorar el producto, sino que incluso te reinventas a ti mismo. Así que el FDE hace precisamente eso: implementa la IA y utiliza esas experiencias para hacer el producto cada vez más fuerte.
Yiwen: En los clientes con los que has tenido contacto, ¿cómo cambian los FDE sus flujos de trabajo existentes? Por ejemplo, las empresas Fortune 100 a las que sirven pertenecen a diferentes sectores y tienen distintas necesidades respecto al centro de llamadas con IA inteligente (el negocio principal de Cresta). El trabajo seguramente involucrará mucha terminología, conocimiento e incluso datos específicos de sus campos. ¿Cómo te transmiten estos clientes sus necesidades? ¿Y cómo las entienden y las implementan?
Jove: En el ámbito de la experiencia del cliente, tenemos relativamente mucha experiencia acumulada, ya que llevamos trabajando en ello desde 2017. Así que incluso antes de esta ola de IA, ya había una gran cantidad de conversaciones entre personas en el sistema de Cresta, y por supuesto, dedicamos muchos esfuerzos a temas de cumplimiento normativo, etc. Por ejemplo, grandes empresas como Marriott, antes de la era del Agente de IA, tenían agentes humanos, por lo que había muchos datos de texto y voz que, de manera conforme, se almacenaban en Cresta.
Así que puedes imaginar que una vez que decidimos seleccionar algunos casos de uso de Agentes de IA para implementar, analizaremos qué casos tienen un volumen grande pero no son demasiado complejos de poner en marcha. Es decir, aquellos que no requieren mucho juicio humano, donde los procedimientos operativos estándar (SOP) están claros y el volumen es alto. Probablemente el 80% del volumen de negocio proviene del 20% de los escenarios de aplicación. Con este juicio general, podemos utilizar el historial pasado para abstraer qué preguntas típicas hacen los clientes y cómo, como agente de servicio al cliente (humano o de IA), debes resolver el problema de manera efectiva. Esto evita muchas conjeturas, porque creo que la IA y los datos deben combinarse bien.
Cuando trabajamos en un proyecto relativamente grande, normalmente el cliente ya ha estado usando otros productos de Cresta durante mucho tiempo. Podemos basarnos en los datos de sus conversaciones humanas para extraer patrones, incluso podemos usar sus datos para entrenar un pequeño modelo y usar ese modelo para hacer más simulaciones. Así que el FDE debe actuar como un "oficial de implementación de IA" con experiencia para juzgar qué casos de uso podemos abordar primero, y si los recursos correspondientes para esos casos están disponibles. Si no lo están, no tendemos a cambiarlos por ellos, sino que co-creamos con el cliente, incluyendo el desarrollo de una versión del Agente, realizar muchas pruebas y optimizaciones, lo que realmente requiere mucho esfuerzo.
Yiwen: ¿Necesitas ir al sitio para ver cómo realizan los clientes estos trabajos?
Jove: El término "despliegue en primera línea" es muy llamativo. Ni yo ni mis colegas hemos estado nunca más de una semana en el sitio de un cliente. Porque nuestros FDE no necesitan hacer contacto inicial ni trabajos previos a la venta. Es más bien que ya hay una intención muy fuerte, y nos involucran más como expertos para ver cómo implementar de la manera más adecuada.
Así que podríamos tener una reunión de inicio, volar a sus oficinas y tener una reunión privada de dos o tres días para establecer objetivos de alto nivel, definir KPIs, verificar las API correspondientes, e incluso, si va bien, hacer una pequeña Prueba de Concepto (PoC) allí para generar interés. Pero luego probablemente cada uno vuelva a casa. Tendremos reuniones semanales o incluso diarias, y el desarrollo se hará ya sea en la oficina o en casa. Podríamos reunirnos de nuevo durante la llamada Prueba de Aceptación del Usuario (UAT) del proyecto, o cuando hablemos de considerar los próximos casos de uso. Además, en persona hay contacto visual, e incluso se pueden establecer relaciones personales. Establecer esa confianza temprano es muy útil para el trabajo posterior. Muchas cosas que no son convenientes poner por escrito pueden generar más complicidad a través de charlas y comunicación, entendiendo mejor el contexto, algo que es difícil de lograr sin estar en el sitio.
Pero todos estos objetivos combinados son para que la implementación de la IA sea más sólida, no para obligar al cliente a aprender, sino para que entendamos lo que necesitan y lo hagamos por ellos. Después, si quieren mantenerlo ellos mismos, pueden, pero el proceso de implementación de la IA es difícil y largo, y el FDE lo hace un poco más fácil.
Fuente de la imagen: Pixabay
Yiwen: El concepto de FDE fue inventado y popularizado inicialmente por Palantir. Al principio, Palantir tenía dos equipos, uno llamado Echo y otro llamado Delta, que juntos formaban un FDE. Pero probablemente los Deltas se parecen más a lo que entendemos ahora como FDE, es decir, el rol de ingeniero; la gente de Echo estaba más familiarizada con el campo profesional. ¿Podrías contarnos qué problema central crees que estaba resolviendo Palantir en ese entonces?
Jove: Sí, Palantir, como creador original de este modelo, merece respeto. Por supuesto, su negocio era muy singular, porque no todos los proveedores pueden hacer negocios militares. Cuando empezó hace 10 o 15 años, creo que porque muchos de los requisitos específicos no se querían expresar claramente, tenías que estar cara a cara, ir a la misma tienda de campaña en el cuartel, ver los datos para que estuvieran dispuestos a dar detalles, y además involucraba modelado de datos o creación de API sobre la marcha. Así que contrataron estos dos equipos: uno era algo así como ingenieros de software desplegados en el frente, y el otro era más como responsables de negocio, familiarizados con operaciones o rescates, por ejemplo. Uno era más técnico, el otro no.
En el sentido habitual, un FDE es todavía un rol muy técnico. Para Cresta, también pensamos que este enfoque es más apropiado. Por supuesto, lo ideal sería que una persona lo supiera todo, como una empresa unipersonal donde eres tanto el CEO como el CTO, pero esas personas son difíciles de encontrar y la energía es limitada. Así que hemos probado algunas cosas, como tener "diseñadores de conversación" al principio, que estaban más familiarizados con la interacción humana, la empatía y muchos detalles, sin necesidad de conocimientos técnicos. Nuestro enfoque en el último año más o menos también ha sido tener FDEs y FDPMs (Gerentes de Producto Desplegados en Primera Línea) trabajando juntos. Los FDPM no necesitan ser tan técnicos.
Un FDE es como un CTO desplegado en primera línea; puedes imaginar que un FDPM es un CEO desplegado en primera línea. Utiliza sus habilidades interpersonales, de comunicación y de negociación para integrarse profundamente con el cliente, dedicando mucho tiempo a generar confianza y entender lo que realmente quiere. Incluyendo cosas como qué debe decir o no decir un Agente, cómo crear conjuntos de pruebas... muchas de estas tareas no están directamente relacionadas con la codificación, y no necesita saber cómo configurar la seguridad o la red, pero es un trabajo sustancial. El FDPM puede encargarse específicamente de esto. Como un CEO es responsable de toda la empresa, el FDPM es responsable del comportamiento y nivel de capacidad del Agente de IA en su totalidad; el FDE se asegura desde el ángulo técnico de que la implementación es correcta, las pruebas correspondientes son sólidas, y además el FDE tiene la responsabilidad de llevar las lecciones aprendidas de vuelta a la empresa para mejorar el producto.
Unir a un FDPM y un FDE es útil porque a menudo tenemos reuniones con dos o tres clientes en un día, y no es necesario que el FDE asista a todas, ya que pueden estar discutiendo qué decir primero y qué después. Si se llega a una conclusión y la implementación no es difícil, las responsabilidades son diferentes. El FDE puede centrarse más en las mejores prácticas de la industria de IA, en cómo convertir tareas de desarrollo recurrentes en SDKs, kits de herramientas o CLI, contribuyendo más desde el aspecto técnico; mientras que el FDPM puede gestionar los requisitos específicos, incluyendo la identificación de riesgos, su escalamiento, e incluso ventas adicionales (si ya has implementado tres casos de uso, ¿puedes hacer seis?). Hay mucho de eso. Piensa en la diferencia entre un CEO y un CTO. Creo que es efectivo, evita que los requisitos de contratación sean excesivamente altos, y evita que una persona tenga que hacer muchas cosas diferentes cada día. Separarlos en dos roles funciona mejor.
Yiwen: Resumiendo, el FDE es en sí mismo un puesto con un fuerte componente técnico; el FDPM se centra más en el conocimiento del sector, entiendo que muchas de estas personas provienen de antecedentes como consultoría o más de operaciones empresariales. Creo que es una buena oportunidad para preguntar: ¿qué tipo de persona es la más adecuada para ser FDE? ¿Cómo es un FDE excelente?
Jove: Creo que también me obligo a lanzar una frase: quiero construir el mejor equipo de FDE del mundo. Sí, es un objetivo. Aunque hemos logrado algunos resultados, realmente creo que el enorme éxito de Palantir, o el aumento de su valor en bolsa, es difícil decir qué proporción se debe al FDE, porque hay muchos factores en juego, pero ellos crearon este modelo. Ahora el FDE se ha vuelto tan popular porque la implementación de la IA tiene muchas dificultades, y esta complejidad no quieres pasársela directamente al cliente. El FDE puede digerir estos aspectos complejos por sí mismo y dar al cliente una buena solución.
Y para muchas empresas de productos, o empresas de SaaS o plataformas, el FDE lleva las lecciones aprendidas en primera línea para cambiar directamente el producto. Porque piensa, hace 10 años, ¿qué podía hacer un FDE de Palantir si sabía que el producto tenía muchos fallos? Quizás solo podía escribir una carta o abrir un ticket rogando que lo arreglaran, y tal vez en seis meses estaría listo. Pero debido a que ahora la codificación con IA es muy potente, nuestros FDE (por supuesto, al contratar tenemos un listón alto, buscamos buenos ingenieros) —pero por otro lado, debido a estos Agentes de Codificación con IA, Claude Code o estos modelos— sabes qué está mal, dónde hay margen de mejora, qué se podría hacer diferente. Incluso si tienes 5 o 10 repositorios diferentes, con diferentes lenguajes y pilas tecnológicas, puedes fácilmente pedirle a la IA que lo haga así, y luego encontrar a la persona adecuada para revisarlo. Así que la iteración es muy rápida.
Además de la codificación, ahora las "skills" (habilidades) también son un buen modelo, se pueden destilar. Antes todo se quedaba en la cabeza de la gente, requería mucho tiempo para transferir conocimientos. Ahora puedes escribirlo como una skill: un markdown largo, algunos scripts, documentación de referencia. Después de hacer dos o tres cosas similares, puede convertirse en una buena skill que se puede usar rápidamente en el siguiente proyecto. O si tenemos 30 FDEs y llegan 20 más, esos 20 FDEs solo tienen que instalar esa skill y acceder a ella, ni siquiera necesitan aprenderla. Así que es fácil que tenga un efecto bola de nieve. Así que el FDE definitivamente está en un buen momento, contratar más FDEs puede ayudar en la implementación.
Incluido mi viaje a la TechWeek de Nueva York esta vez, también es con la esperanza de organizar algunos eventos y encontrar a las personas adecuadas: primero, necesita ser un ingeniero competente, porque en sí es como un CTO, no querrías que alguien que no sabe programar bien sea CTO, debe ser técnicamente fuerte. Como el equipo que estoy contratando ahora se limita a FDEs de Agentes de IA, mis requisitos en ingeniería de datos o seguridad de la información no son tan altos, pero esta persona definitivamente debe saber de Agentes de IA.
A menudo veo un currículum que dice "soy un ingeniero de IA". ¡Eso es obvio! Ahora, ¿qué ingeniero de software no es un ingeniero de IA? Ya estás fuera, seguro que nadie espera que escribas cada línea de código tú mismo. Debes saber usar estos frameworks como Harness, usar Cursor, Claude Code. Pero no mucha gente sabe cómo desarrollar y probar Agentes de IA; esta habilidad es muy importante para nosotros. No queremos gastar dos o tres meses entrenando a alguien; esta persona debería poder integrarse en un proyecto en dos o tres semanas. Así que necesitas ser un buen desarrollador, haber desarrollado y probado Agentes de IA.
Otra cosa es que necesita tener experiencia sólida o convincente en la interacción con clientes. Después de todo, estamos desplegados en primera línea. Aunque en el pasado hayas tenido reuniones en línea o hayas ido unos días ocasionalmente, todavía tienes que comunicarte con el CTO de la otra parte, su director de TI, sus personas senior; a veces también con personal no técnico. Debes saber cómo simplificar un problema complejo, o cómo captar puntos específicos de lo que expresan para verificarlos; a veces tienes que decir que no. No es solo comunicación en inglés, sino que toda la persona debe ser madura, en realidad como un CTO: un CTO no puede ser solo alguien que escribe código.
Así que esta habilidad generalmente espero que la tenga por haber trabajado en consultoría, o por haber sido un ingeniero fundador, o por tener mucha experiencia incluso como autónomo, creo que todo eso está bien. Además de la programación y la interacción con clientes, lo que queda es que la persona debe ser confiable y resiliente, porque el FDE está realmente muy ocupado, maneja muchas cosas simultáneamente, tiene mucha presión, se enfrenta a un mundo muy imperfecto: las API son endebles, los SOPs son inexistentes, la documentación es extraña. La presión es grande, la gente puede tener ideas poco realistas, así que se necesita una gran capacidad para enfrentar una enorme complejidad y una gran incertidumbre. Así que tener capacidad de decisión autónoma, saber cómo avanzar, cómo tomar la iniciativa.
Por eso me gusta contratar a fundadores, cofundadores ingenieros, o personas que han pasado por muchas situaciones difíciles, que saben que nada está garantizado ni será exitoso automáticamente, debes esforzarte mucho para llegar a un estado ligeramente mejor. Esta confiabilidad y resiliencia a menudo esperamos verla de esta manera. No contrato a ningún FDE junior, porque como dije antes, en un proyecto solo hay una o dos personas, co-creando con el CTO de la otra parte. Si es una persona muy junior, es difícil generar esa confianza, probablemente no tengas idea por dónde empezar, no puedes simplemente abrir la IA y pedirle que te diga qué hacer, sin capacidad de juicio propia es malo. Así que las habilidades técnicas deben estar en su lugar, tu capacidad de interacción con el cliente debe estar ahí, debes poder manejar muchas cosas de extremo a extremo.
Yiwen: Dijiste antes que el FDE se enfrenta a un mundo imperfecto y a herramientas de Agentes que todavía son relativamente nuevas. Entonces, ¿este puesto será un rol a largo plazo o uno transitorio? En la era de la IA, cuando las herramientas maduren y evolucionen continuamente, ¿crees que este rol cambiará? ¿O desaparecerá?
Jove: Lo único constante es el cambio, pero en comparación con muchos otros trabajos de ingeniería propietaria, el camino para que el FDE sea automatizado por la IA es todavía largo. A corto plazo, digamos 1 o 2 años, definitivamente habrá cada vez más herramientas que harán el trabajo del FDE más eficiente. Por ejemplo, ahora muchas llamadas o conversaciones se pueden grabar con herramientas como Gong, hacer traducciones, e incluso hacer preguntas sobre la grabación; también tenemos herramientas como Glean que pueden buscar en los registros de chat más recientes y ver algo de código. La aparición de estas herramientas nos hará más eficientes a los que manejamos múltiples cosas a la vez. A veces puedo tener dos o tres reuniones programadas en el mismo horario en mi calendario, faltaré a algunas, pero estas herramientas pueden permitirte estar presente en diferentes lugares simultáneamente o no perderte puntos importantes.
Estas herramientas permitirán al FDE (digamos que ahora en promedio una persona maneja de dos a tres proyectos) que en el futuro maneje quizás de 5 a 6 proyectos. Así que las mejoras en las herramientas nos harán más eficientes o capaces de hacer más cosas. Pero a más largo plazo habrá una diferenciación: se requerirán FDEs de alto nivel para tareas muy difíciles. Puedes usar todo tipo de herramientas, pero las herramientas en sí no lo resolverán, todavía se necesitan personas muy experimentadas.
Por un lado, mucha gente que antes no necesitaba un FDE pensará: ¿puedo contratar un FDE barato? Como se dice de los ingenieros de software, la demanda de contratación en realidad está aumentando, porque quienes antes pensaban que no podían permitirse un ingeniero de software (pequeñas clínicas, pequeños negocios) ahora piensan que pueden contratar uno para productivizar algún flujo de trabajo. Correspondientemente, aparecerá un grupo de FDEs dirigidos a pequeñas y medianas empresas, a la larga cola, incluso remotos, por ejemplo, en Vietnam u otros lugares menos desarrollados. Habrá muchos FDEs que nunca podrán estar en el sitio, pero combinarán las necesidades del cliente con sus habilidades de IA para hacer el trabajo. Si ellos mismos tienen un producto que pueden consolidar, también es un modelo.
Así que, mientras la complejidad del cliente siga ahí, y la automatización total por IA siempre tenga brechas, estas brechas necesitarán ser cubiertas por FDEs. Si realmente llegara el día en que hubiera un FDE completamente de IA (incluso ahora el rol de SDR (Representante de Desarrollo de Ventas) no está bien automatizado por IA), supongamos que algún día el 99% del trabajo del FDE pudiera ser automatizado por IA, ya sea entender al cliente, escribir prompts, hacer pruebas, comunicarse con el cliente, incluso que esta IA se comunique o alinee con la IA de otro cliente en una interacción agente-a-agente. Pero para entonces, lo que nos preocuparía no sería el FDE en sí, sino que todo el mundo industrial sería diferente, probablemente la participación humana sería muy poca. Pero creo que esto tomará un camino muy largo.
Tengo mucha confianza en el FDE. Esta profesión se volverá cada vez más diversa, participará más gente y se dará cuenta cada vez más de su importancia.
03. El capital privado como puerta de entrada importante para el despliegue de IA
En la entrevista con Jove, surgieron dos preguntas: Primera, lo que hacen las empresas de despliegue (profundizar en las empresas, transformar procesos, ayudarles a usar bien la IA) es muy similar a la lógica de la consultoría tradicional. ¿Será reemplazada la industria de la consultoría por esta ola? Segunda, como dijo Jove, ¿por qué las empresas de modelos buscan colaborar con fondos de capital privado? Sabemos que instituciones como Blackstone tienen en sus manos muchas empresas de cartera, muchas son empresas tradicionales que operan desde hace décadas. Para los fondos de capital privado, ¿qué atractivo tiene realmente esta colaboración?
Jove habló desde su perspectiva en parte. A continuación, hablé con Oliver, que tiene experiencia en consultoría y ha servido durante mucho tiempo a clientes de capital privado, sobre estos dos temas desde el ángulo de los cambios en la industria.
Yiwen: Hola Oliver, preséntate brevemente a ti mismo y a tu empresa actual a nuestros oyentes.
Oliver: Gracias, Yiwen. Me llamo Oliver, soy VP de Negocio Empresarial en Invisible Technologies. Mi trabajo es ayudar a los clientes empresariales a implementar IA, usando nuestras soluciones. Antes de esto, trabajé en McKinsey en consultoría de capital privado, en un equipo llamado Rewired, que ayudaba a las empresas a repensar sus modelos de negocio para ser más impulsadas por la tecnología y la IA.
Yiwen: Dices que ayudan a las empresas a implementar soluciones. ¿Qué tipo de soluciones exactamente?
Oliver: Vale, déjame explicar brevemente qué hacemos. Nuestra empresa se llama Invisible Technologies, o "Tecnología Invisible". Nuestro nombre proviene de una idea: cuando la tecnología está lo suficientemente bien hecha, es invisible, es decir, no la sientes. Nuestro enfoque es diferente al de muchas empresas de software. En la vida diaria todos usamos herramientas de IA, son muy útiles, pero el problema está precisamente ahí: hay una gran brecha entre la tasa de uso personal de IA y la adopción empresarial. Esta brecha se debe en gran medida a la oferta del mercado.
Piensa en cómo se sirve actualmente a las empresas en el mercado: o los propios proveedores de modelos grandes venden, o hay productos envoltorio ("wrapper") como Harvey para leyes o Granola para actas de reuniones, son buenas herramientas, pero no cambian tu forma de hacer las cosas, solo mejoran la forma existente. El resultado es que muchas empresas implementan IA pero no sienten cambios.
Así que tomamos un camino diferente: no implementamos herramienta por herramienta, sino que abordamos flujo de trabajo por flujo de trabajo, creando software a medida para cada empresa. Desglosamos un flujo de trabajo: si tiene diez pasos, determinamos que cinco deben ser deterministas (porque involucran cálculos matemáticos, requisitos de cumplimiento, no pueden fallar); tres o cuatro pasos pueden hacerse con IA, permitiendo cierta flexibilidad; y dos pasos requieren revisión humana para confirmar que todo está bien. Esta es la forma correcta de usar la IA para cambiar realmente el negocio.
Pero para lograrlo, debe ser personalizado para cada empresa, porque cada empresa, cada departamento, tiene procesos diferentes. Así que si quieres transformar empresas de la "era pre-IA" en empresas nativas de IA, debes construirles un software personalizado que se adapte a sus flujos de trabajo. Esto es lo que hacemos: hemos construido una plataforma modular, por lo que podemos hacerlo rápidamente.
Yiwen: Suena a que lo que hacen es bastante similar a lo que OpenAI anunció recientemente con "Deployment Company" (Compañía de Despliegue), ellos también ayudan a las empresas a implementar. ¿Cómo ves su movimiento? ¿Por qué crees que lo hacen?
Oliver: Creo que lo están haciendo muy bien. En los últimos seis meses se puede sentir claramente que los CFOs y los altos ejecutivos hablan cada vez más de reducir costos. Al mismo tiempo, informes de investigación del MIT y Stanford muestran que son muy pocas las empresas que realmente han implementado la IA a escala y con éxito. Esta brecha es insostenible, no puede continuar así. Así que los proveedores de modelos grandes deben impulsar la adopción real en el lado empresarial, deben demostrar el ROI; solo vender un chatbot no logra eso. Para abrir esa puerta, deben tomar el mismo camino que nosotros.
Así que creo que es un movimiento muy acertado. Por supuesto, tienen mucho capital y una gran capacidad técnica, definitivamente pueden lograrlo. Solo que su enfoque anterior era muy horizontal (aunque tienen algunas aplicaciones verticales, esencialmente hacen modelos grandes generales). Ahora, de repente, quieren pasar a construir flujos de trabajo personalizados para empresas, es un movimiento de mercado completamente diferente, una forma de venta completamente diferente, muy distinta de lo que conocían. Creo que podrán resolverlo, pero necesitarán algo de tiempo.
Yiwen: Me gustaría hablar primero del lado del capital privado. Porque dices que sirves a muchos clientes de instituciones financieras, siento que hay dos líneas: una es que estas instituciones usan la IA internamente; la otra son las empresas en las que invierten (empresas de cartera). Muchas empresas de SaaS tradicionales en las que invierten los fondos de capital privado también pueden necesitar transformarse. ¿Qué crees que más necesitan ahora? ¿Qué les preocupa? ¿Y es esta la razón por la que se asocian e invierten con OpenAI, Anthropic?
Oliver: Creo que los fondos de capital privado y las instituciones de capital privado tienen tres demandas centrales.
La primera es el valor de señal. He tratado con empresas de capital privado por un tiempo: hace tres años todavía preguntaban "¿puedes venir a explicar cómo funciona la IA?"; hace dos años se convirtió en "¿puedes ayudarme a pensar cómo impulsar la IA en toda la cartera?"; este año ha cambiado completamente, vienen a mí y dicen "tengo que recaudar fondos de los LPs, de los fondos de pensiones, de mis inversores, debo demostrar que estoy a la vanguardia de la IA, necesito casos que muestren cómo he creado valor a través de la IA, de lo contrario los LPs no me darán dinero". Es una lógica completamente diferente. Ahora, para un GP (Socio General), poder mostrar IA está relacionado con la supervivencia de la recaudación de fondos. Establecer una colaboración con los nombres más sonados de la industria es una forma muy buena de respaldo, por lo que el valor de señal es muy alto.
La segunda es la creación de valor en la cartera de inversiones. Esta también es una necesidad muy real. Usar la IA correctamente realmente puede crear mucho valor. Los detalles son complejos, pero este aspecto es real.
La tercera es el retorno de la inversión en sí. La estructura de estas colaboraciones es bastante atractiva; esencialmente permite a los GPs entrar en un sector de alto rendimiento, obteniendo exposición a activos de alto crecimiento. Desde esta perspectiva, la lógica también tiene sentido.
Yiwen: Creo que tu primer punto es muy interesante. ¿Qué crees que está impulsando a los LPs a presionar por la IA?
Oliver: Es la misma razón por la que la mayoría de las empresas impulsan la IA. Desde la perspectiva del consumidor común, cuánto contenido relacionado lees, más sientes lo que la IA puede hacer. El cambio es realmente aterradoramente rápido, parece que todo avanza a una velocidad loca. Así que todo el mundo se da cuenta de que la IA puede hacer muchas cosas; si no estás trabajando seriamente en IA, te estás quedando atrás.
Desde la perspectiva de un LP, si invierto dinero en un GP, por supuesto quiero asegurarme de que también esté usando la IA para transformar las empresas de la cartera; es una necesidad muy real. Otro punto, ya que también mencionaste SaaS: en los últimos cinco a diez años, las dos mayores categorías de activos para el capital privado han sido salud y software, casi todos los fondos tienen exposición a empresas de software. Este año ha habido mucho ruido sobre la teoría de que "SaaS está muerto", los LPs y GPs están muy nerviosos, los GPs se esfuerzan por demostrar que "no tenemos problemas", por lo que el valor de señal se amplifica aún más.
Pero dicho esto, si observas las colaboraciones de Anthropic y Coatue, los socios no son inversores puramente en software, porque como dices correctamente, donde la IA crea más valor a menudo no son precisamente las empresas de software.
Yiwen: Sí, son esas empresas tradicionales, incluyendo industria, manufactura, etc.
Oliver: Servicios comerciales, industria, salud (especialmente salud, esto es enorme). Básicamente, en todas las industrias donde el software antes no podía ayudar mucho, ahora se pueden hacer cosas muy interesantes con software. Otro buen ejemplo son los propios GPs. ¿Qué hace una empresa de capital privado? Encontrar proyectos, valorar, invertir dinero, gestionar activos. Es un trabajo muy intensivo en mano de obra, que utiliza personas muy caras (ya sea equipos internos o asesores externos). Este flujo de trabajo es precisamente el más adecuado para la transformación con IA. Tengo un gran cliente, una empresa de gestión de activos muy grande, podemos transformar estos flujos de trabajo para ellos, y los resultados son sorprendentes.
Yiwen: ¿Podrías darnos algunos ejemplos concretos? Siento que al hablar con muchos profesionales financieros, todavía usan la IA para investigación, resúmenes, ese tipo de usos relacionados con modelos de lenguaje grandes. Me da curiosidad cómo logran realmente automatizar flujos de trabajo.
Oliver: Claro, hay mucho de qué hablar. Si desglosas el negocio de un fondo de inversión, hay varios módulos: recaudación de fondos, gestión de inversiones, cumplimiento/finanzas y operaciones del fondo. Tomaré algunos flujos de trabajo como ejemplo.
Primero, la recaudación de fondos. Tengo un gran cliente, una empresa de gestión de activos muy grande, que quería colaborar con una gestora más pequeña. Esta última incluiría sus productos en su propia línea a cambio de una comisión, suena bien. Pero la contraparte dijo que en cada reunión con clientes debía haber un gerente de ventas de la gran gestora. La gran gestora, por supuesto, no aceptó, porque así no habría beneficio, no era viable. Así que vinieron a nosotros y preguntaron si podíamos construir un asistente de ventas de IA para participar en estas conversaciones.
El flujo de trabajo es así: primero, tienen aproximadamente mil productos, así que debes construir una infraestructura de datos, integrar estos mil productos; luego una capa de entrada para que la otra parte pueda ingresar datos del cliente, con permisos segregados; luego un módulo de cálculo que determine la combinación óptima de productos para ese cliente (esta parte es determinista, porque es matemática); luego generar el discurso de ventas para preparar la reunión; una herramienta para usar durante la reunión; y finalmente, después de la reunión, actualizar automáticamente la propuesta de productos basándose en las actas. Todo es un ciclo de retroalimentación, unos siete pasos. Este sistema permite a la gran gestora servir a un rango más amplio de clientes. Es un caso típico.
Otro que me interesa mucho es el proceso de decisión de inversión en sí. Durante la debida diligencia, normalmente se ejecutan diez líneas de trabajo, se contratan abogados, varios tipos de asesores (debida diligencia comercial, ambiental), coordinar con tanta gente es muy estresante para el equipo de inversión. Estamos construyendo una plataforma para que puedan interactuar con todos los asesores, enviarles preguntas, escanear automáticamente toda la sala de datos. Puedes ver una interfaz en tiempo real que rastrea el progreso de todos los asesores, y también extraer preguntas que este fondo ha hecho en proyectos similares, aprovechando lecciones de inversiones pasadas. Así pueden usar el conocimiento histórico institucional y simplificar enormemente la comunicación con asesores externos. Finalmente, la salida de documentos también es automática, lo cual era una gran carga. He visto a muchos inversores trabajar los fines de semana en esto, me alegra poder ahorrarles eso.
Otro es la operación del fondo, como el cálculo del valor liquidativo o la conciliación de cuentas (confirmar que los saldos son correctos al cierre de cada mes o incluso día). Mi primer trabajo fue de teneduría de libros, llevaba mucho tiempo, pero este proceso se puede automatizar completamente. Bueno, he hablado mucho, solo espero mostrarte algunos escenarios útiles.
Yiwen: Basándome en lo que dijiste, me pregunto: ¿crees que la adquisición por parte del capital privado ha cambiado en la era de la IA? Porque antes, cuando hablábamos de que un fondo compraba una empresa, pensábamos en fusiones posteriores a la inversión, consolidaciones (roll-ups). Ahora parece que casi hemos entrado en una era de "roll-up de IA": superficialmente compras estas empresas, pero en realidad estás comprando sus flujos de trabajo, y luego los transformas en empresas nativas de IA. ¿Crees que esto cambiará la forma de operar del propio capital privado?
Oliver: He visto muchos enfoques diferentes, pero principalmente se pueden dividir en dos categorías. La primera: inversores que dicen que no pueden invertir en áreas donde el riesgo de disrupción por IA es demasiado alto (es una reacción intuitiva de mucha gente). La segunda: inversores que abrazan más activamente esto, dicen que ahora es un momento muy interesante para crear valor a través de la IA. La transacción de Amex GBT es un buen ejemplo, hay muchas similares. Los inversores adquieren empresas que antes no tenían mucho contenido tecnológico y las potencian muy agresivamente con tecnología, con IA. Claramente, esto se está convirtiendo en un nuevo enfoque, algunos GPs que están a la vanguardia ya lo están haciendo. Y creo que el valor a escala que pueden crear es real.
Pero crear realmente este valor no es algo simple. Un problema que veo ahora es la gran brecha entre lo que mucha gente imagina que puede hacer y la realidad de lo que realmente se puede implementar. Quiero enfatizar un punto central: el error común es entender la IA solo como una herramienta para reducir costos. Pero en realidad, el verdadero valor de la IA a menudo está en crear ingresos, abrir nuevas oportunidades de ingresos.
Así que a menudo pregunto a los clientes: Si ahora te dieran gratis diez mil empleados con educación universitaria, ¿qué harías? ¿Qué es lo que antes querías hacer pero no podías? Porque en cierta medida, esto es lo que la IA ofrece ahora. Como los dos ejemplos de gestoras de activos que mencioné, para ellos significa poder entrar en un nuevo segmento de clientes o mercado que antes no podían alcanzar. Así que no se trata de reducir costos, sino de aumentar ingresos. Creo que esta es la dirección en la que muchas empresas deberían ir. Pero actualmente, la atención sigue muy centrada en la reducción de costos con IA, y no creo que sea el punto de entrada más poderoso. Lo que realmente se debe pensar es: ¿qué cosas no podía hacer antes y ahora sí puedo? Es decir, creación de ingresos.
Puede tomar muchas formas. Otro ejemplo: tenemos un cliente que es una empresa láctea, tienen muchas granjas y vacas. Cuando hablamos con ellos, preguntamos: si tuvieras diez mil personas, ¿qué harías? Dijeron: es una pregunta interesante, escribiríamos informes para todas las cuentas, porque quieren reducir el tiempo en estos informes y dedicar más tiempo a mantener la salud de las vacas. Así que les construimos un sistema completo de integración de datos e IA personalizada para generar informes de salud para todas las vacas. De esta manera, pueden recuperar más tiempo para realmente mantener la salud de las vacas, algo que antes no era factible.
04. ¿Cómo está cambiando la IA a la consultoría y a las propias empresas?
Yiwen: Suena a que lo que hacen también se parece a lo que hacen las consultoras. Este es otro tema que quería mencionar antes. Las consultoras tradicionales antes ayudaban a los clientes con áreas que no dominaban, pero ahora empresas tecnológicas como la suya y empresas de IA parecen estar reemplazando ese rol, usando IA para transformar procesos. ¿Crees que la industria de la consultoría se volverá obsoleta? ¿O la consultoría en sí se transformará en consultoría de transformación de IA?
Oliver: Creo que en los próximos tres a cinco años, la consultoría experimentará un crecimiento, porque todas las empresas, al hablar de IA, necesitan repensar sus modelos de negocio. El ejemplo más simple es un bufete de abogados: antes cobraba por horas, ahora es cada vez más difícil; si cambia a cobrar por resultados, toda la estructura de incentivos cambia. Para este tipo de transformación, necesitas hablar con alguien, quieres saber cómo lo han hecho otros, si hay experiencia para aprender, necesitas a alguien que te guíe en este camino. Así que creo que la demanda de consultoría aumentará notablemente en los próximos tres a cinco años.
Pero lo que realmente libera valor son aquellos que finalmente dejan un negocio transformado. Así que creo que el modelo de los laboratorios de IA y empresas como la nuestra (que van, hacen el trabajo y dejan un negocio transformado) es la forma de crear valor real, no solo hablar de cómo transformarse. Pero dicho esto, ahora hay mucha incertidumbre en el mercado, todos están en un estado de espera, así que la demanda de consultoría es real, la gente no sabe qué hacer, por dónde empezar. Esta es una gran parte de mi trabajo: sentarme con clientes para aclarar qué vale la pena hacer primero, debe ser caso por caso.
Yiwen: ¿Te has encontrado con empresas que piensan que pueden manejar un flujo de trabajo con IA por sí mismas, pero en realidad no pueden? Por ejemplo, ¿a veces la gente es demasiado optimista sobre la IA o malinterpreta cómo funciona?
Oliver: El problema más común es querer transformar todo con IA, pero en realidad ese camino no funciona. Debes hacer bien varias cosas. Lo más crítico es una buena plataforma de datos; su valor crece de manera compuesta. Por muy inteligente que sea la IA, sin suficiente información y conocimiento no puede hacer nada. Tenemos un módulo de datos llamado Neuron, específicamente para integrar datos, mapearlos claramente, asegurando que sean utilizables. Este es el primer obstáculo para la mayoría de las empresas, y tiene un costo considerable, porque antes no habían hecho nada así.
El segundo error común: en un flujo de trabajo de diez pasos, no todos los pasos deben hacerse con IA. Puedes usar IA para optimizar el flujo general, aclarar la lógica, definir qué pasos son deterministas, pero no todos deben confiarse a la IA. Por ejemplo, procesos financieros como la conciliación de cuentas, no querrías que la IA los hiciera, quieres resultados deterministas. Así que puedes usar la IA para ayudarte a estructurar la lógica del flujo de trabajo, pero muchos pasos de ejecución específicos deben ser de código duro, cálculos matemáticos deterministas. Creo que los dos mayores obstáculos son, primero, los datos, y segundo, confiar a la IA cosas que deberían ser deterministas.
Este artículo proviene del WeChat Official Account "Silicon Valley 101", autor: Yiwen
