CEO de Snowflake delinea estrategia de IA: Priorizar datos y valor incremental sobre grandes inversiones iniciales
El consenso general busca una inteligencia artificial casi mágica. No obstante, Sridhar Ramaswamy prefiere una IA que, simplemente, sea funcional.
«La IA no debe ser una ‘gran explosión'», señaló el CEO de Snowflake. «Debe consistir en una serie de iniciativas menores que validen su utilidad progresivamente». Ramaswamy aclaró que, si bien esto podría interpretarse como precaución, en realidad constituye una estrategia definida.
Durante la conversación, Ramaswamy presentó una hoja de ruta para la IA empresarial que es tanto sencilla como fundamentalmente distinta a muchos enfoques actuales. «No comiencen con demostraciones llamativas o inversiones masivas en modelos», aconsejó. La clave es iniciar con los datos, empezar a pequeña escala, demostrar el valor y, posteriormente, expandir.
El auge de la IA agéntica y el trabajo subyacente necesario
El término «IA agéntica» puede tener múltiples interpretaciones según el proveedor. Sin embargo, al ser consultado sobre su perspectiva, Ramaswamy enfatizó la necesidad de trascender las definiciones para concentrarse en el trabajo práctico que hace que la IA sea verdaderamente operativa.
Ramaswamy observa una demanda creciente por sistemas de IA que no solo recuperen y sinteticen información, sino que también ejecuten acciones. Desde la automatización de la investigación previa a reuniones hasta la actualización de sistemas internos, la IA agéntica promete disminuir el tiempo que las personas dedican a conectar datos entre distintas plataformas. No obstante, su eficacia depende críticamente de que los datos sean accesibles, estén interconectados y sean confiables desde el principio.
«El primer paso es simplificar el acceso a la información», detalló. «El segundo», prosiguió, «es permitir que los modelos determinen qué información extraer. El tercero consiste en enlazar estos componentes. Es en ese punto donde comienza la orquestación».
Aun así, advirtió que las empresas no pueden saltarse la fase preparatoria, ya que hacerlo representaría un error de alto coste. Este es un mensaje crucial que los expertos del sector están empezando a difundir, especialmente ante la tentación de ver la IA como una solución instantánea a todos los problemas.
Sin embargo, al igual que un vehículo, la IA se dirige hacia donde el conductor la guía. En este contexto, los líderes empresariales deben discernir cómo navegar más allá del entusiasmo inicial para obtener beneficios tangibles de la IA. Como señalan diversos analistas, el potencial de la IA solo se materializa cuando se integra cuidadosamente en el núcleo operativo de la organización.
El error más común en los proyectos de IA empresarial
En la carrera por mantenerse al día con las tendencias de IA, muchas compañías incurren en un paso en falso costoso: comenzar por el modelo tecnológico en lugar de la misión empresarial.
«Numerosas organizaciones adquirieron capacidad de GPU o licencias de modelos sin analizar previamente dónde se generaría valor», apuntó Ramaswamy. Esta vía conduce rápidamente a la decepción.
¿Su propuesta? En vez de priorizar la escala, enfocarse en las necesidades de los clientes.
Un ejemplo interno de Snowflake —una interfaz de chat simplificada para su contenido de apoyo a ventas— ilustra este punto. «Su desarrollo no implicó un gran desembolso económico», mencionó Ramaswamy, «pero está teniendo una utilización considerable. Eso nos indicó que habíamos encontrado algo valioso que merecía ser desarrollado».
La inteligencia de la IA depende de la calidad de sus datos
La afirmación «la IA es tan buena como los datos que la alimentan» se repite con frecuencia. Pero, ¿cuál es su implicación práctica para la empresa actual?
En Snowflake, donde se utilizan más de 100 aplicaciones SaaS en toda la compañía, la conclusión es clara: si los datos no están unificados, son prácticamente invisibles. Esto significa que no se puede implementar la IA con éxito ni extraer valor real de los proyectos asociados.
Como explicó Ramaswamy, ni siquiera es posible ejecutar un panel de control adecuado sin integrar datos de diversas fuentes, como Workday, Google Calendar, Qualtrics o sistemas CRM como Hubspot y Salesforce. «Y si no puedes gestionar un panel de control», agregó, «definitivamente no puedes desarrollar una aplicación de IA útil».
El desafío va más allá de la inteligencia de negocios, según Ramaswamy. La mayoría de las herramientas externas como ChatGPT o Gemini carecen de acceso a los sistemas internos de una empresa. No pueden obtener métricas de consumo o actividad de los representantes de ventas a menos que esos sistemas estén centralizados y accesibles.
«Por eso, la preparación de los datos no es meramente un proyecto técnico», señaló. «Es el pilar fundamental que determina si sus inversiones en IA funcionarán siquiera».
El modelo SaaS está en proceso de redefinición
Ramaswamy sostiene que la IA modificará la forma en que operan las herramientas SaaS a un nivel fundamental.
«La mayoría de las aplicaciones SaaS fueron diseñadas para mejorar la eficiencia humana», explicó. «Pero el futuro pertenece al software capaz de gestionar una parte significativa del trabajo por sí mismo».
Este cambio —de soporte a la decisión hacia la ejecución de decisiones— es la razón por la cual las herramientas de BI, los paneles de control e incluso las plataformas de atención al cliente experimentarán una rápida evolución. Con la maduración de las interfaces de lenguaje natural, el número de personas capaces de consultar directamente los datos empresariales se ampliará más allá de los analistas y equipos de datos.
«Esta tecnología permitirá que cualquier persona con comprensión del negocio pueda formular preguntas», afirmó. «Eso representa un cambio significativo».
La habilidad más cotizada no es de índole técnica
Al preguntarle sobre los roles o habilidades que serán más valiosos en los próximos 18 meses, Ramaswamy no mencionó la programación ni la ciencia de datos, una respuesta sorprendente dado que estas competencias suelen encabezar las listas de habilidades más demandadas para la era de la IA.
En su lugar, se refirió a la «maleabilidad»: la disposición mental para experimentar, mantener la curiosidad y cuestionar los resultados generados por la IA.
«Es la capacidad de discernir entre lo factible y lo ilusorio», comentó. «De probar enfoques novedosos, pero también de mantener una postura crítica cuando algo no parece correcto. Eso es más crucial que cualquier habilidad técnica específica».
Esta es también la forma en que Ramaswamy mantiene los pies en la tierra. Él mismo sigue probando agentes de IA personalmente, desarrollando casos de uso simples solo para mantener afinada su intuición.
«Es necesario vivir y respirar esta tecnología», apuntó. «Es la única manera de separar la realidad del bombo publicitario».
La era de la plataforma de datos e IA
Mientras Snowflake consolida su posición como una plataforma integral de datos e IA —no solo un almacén de datos— Ramaswamy ve con claridad su función.
«En un entorno donde la IA está en auge, Snowflake prosperará», declaró. «Porque somos la capa subyacente que posibilita este acceso a los datos».
El futuro podría estar dominado por la IA agéntica, el software como servicio (SaaS) orientado a resultados y la presión del código abierto sobre los precios de inferencia. Sin embargo, nada de esto tendrá relevancia si las empresas no logran organizar eficazmente sus datos. La promesa de la IA comienza —y en ocasiones concluye— con la calidad de la información que la nutre.
Insights de Evox News: Cómo la visión pragmática de la IA puede impactar tu negocio
La estrategia delineada por Sridhar Ramaswamy, CEO de Snowflake, ofrece lecciones valiosas para empresarios y gerentes que buscan navegar el complejo panorama de la inteligencia artificial:
Impacto Económico: Adoptar un enfoque gradual y centrado en el valor, comenzando con proyectos pequeños basados en datos sólidos, puede mitigar riesgos financieros significativos. Evita grandes inversiones iniciales en tecnologías o modelos de IA sin un caso de uso claro y un retorno de la inversión (ROI) demostrado. Este método favorece una asignación de recursos más eficiente y reduce la probabilidad de fracasos costosos en proyectos de gran escala, optimizando el presupuesto de innovación.
Ventaja Competitiva: Las empresas que prioricen la preparación y unificación de sus datos estarán mejor posicionadas para implementar soluciones de IA efectivas. Al centrarse en resolver problemas empresariales reales o satisfacer necesidades específicas de los clientes con IA, en lugar de perseguir las últimas tendencias tecnológicas, las organizaciones pueden obtener una ventaja competitiva sostenible. La capacidad de extraer valor rápidamente de aplicaciones de IA bien fundamentadas se traduce en mayor agilidad y capacidad de respuesta al mercado.
* Innovación: Fomentar una cultura de «maleabilidad» —experimentación curiosa pero crítica— puede impulsar una innovación más práctica y relevante. Alentar a los equipos a probar nuevas aplicaciones de IA a pequeña escala, evaluar sus resultados objetivamente y centrarse en la utilidad empresarial fomenta un ciclo de aprendizaje continuo. Además, la democratización del acceso a los datos a través de interfaces de lenguaje natural puede desbloquear nuevas fuentes de innovación al permitir que más empleados, no solo técnicos, exploren datos y generen insights. Este enfoque pragmático cultiva una innovación arraigada en la realidad operativa y las necesidades del negocio
