¡Bienvenidos y bienvenidas a InspirAcción Startup Podcast y Newsletter!
2 veces por mes comparto entrevistas exclusivas con líderes de startups y venture capital de Latinoamérica. Me enfoco en las mejores historias, lecciones, errores accionables y consejos reales para crecer más rápido. Además de las entrevistas, incluyo resúmenes y shorts curados para que puedas aprender rápido, incluso si tenés poco tiempo.
¿Te reenviaron el correo o primera vez por acá?
Con gran alegría aquí va InspirAcción #20 junto a María Cristina Lico, de Argentina.
María Cristina Lico es Chief Data Analytics & AI Officer en Spin, la división digital de FEMSA. Trbajó más de 10 años en el Banco Galicia vinculada a marketing, growth, producto, y también fue Chief Data & AI Officer en Galicia Seguros.
También es miembra de 3 referentes organizaciones de ejecutivos y ejecutivas de Chief Data y Marketing Officers (CDO Latam + Club CDO Chief Data Officer Spain & Latam + CMO Council).
Foco entrevista
Cómo construir valor y productos con datos e inteligencia artificial (IA)
Temas clave
Su experiencia en el uso de datos e inteligencia artificial
Evolución de los roles basados en datos e IA.
Tendencias emergentes en IA
Consejos para emprendedores y profesionales que buscan integrar la IA
Errores comunes en proyectos de IA y la importancia de la iteración y la validación temprana de hipótesis.
¡Y mucho más!
⚡ 7 Top Shorts @YouTube
Escuchar ahora en Spotify
Escuchar ahora en YouTube
Capítulos
(00:00) Intro
(04:04) Intro de Maria Cristina Lico, Chief Data Analytics & AI Officer en Spin
(06:15) ¿Cómo ve la evolución de los roles, las empresas y las startups basadas en datos? ¿Qué es más importante ahora que hace años atrás?
(07:55) ¿Cuáles son algunas de las tecnologías y cambios de paradigmas más interesantes o de mayor valor actualmente?
(10:25) ¿Hay alguna tendencia que crees que va a impactar fuerte en los próximos años?
(11:39) ¿Cuáles son los elementos mínimos o claves para que una startup o empresa, incluso en etapas tempranas, pueda pensar seriamente en datos? ¿Qué necesitan para que Cris piense que van por buen rumbo?
(16:26) ¿Cuáles cree que son los errores más comunes de empresas y startups al intentar conectar puntos y construir valor centrado en datos e inteligencia artificial?
(20:32) ¿Pensando en emprendedores emergentes que no tienen tanta claridad, información, conocimiento y entendimiento sobre Data Analytics e Inteligencia Artificial, cómo les dirías que se enfoquen y mentalicen?
(23:01) ¿Cómo piensa sobre la validación temprana de hipótesis en proyectos de inteligencia artificial antes de escalarlos? ¿Qué le lleva a sentir que los proyectos de inteligencia artificial están listos para escalar?
(26:40) ¿Qué criterios usa para priorizar iniciativas de potencial valor con inteligencia artificial?
(31:15) ¿Cuáles son algunos KPIs o métricas clave de estrategias de datos relativamente sólidas de inteligencia artificial?
(33:46) ¿Cuáles son sus perspectivas sobre ventajas competitivas relativamente más sostenibles y defendibles basadas en inteligencia artificial y datos propios?
(38:02) ¿Si emprendiera una startup en la que la inteligencia artificial sería fundamental, cuáles perfiles serían los que contrataría primero y cuáles en una segunda etapa?
(40:55) ¿Qué recursos y/o libros sobre datos e inteligencia artificial te dan o te han dado valor?
(44:53) ¿Mejores consejos para personas que deseen entrar o incorporar datos e inteligencia artificial?
(49:18) ¿Mejores consejos para emprendedores de startups con por lo menos uno de sus pilares con datos e inteligencia artificial?
(53:05) Cierre del episodio
(*) Antes del resumen, simple recordatorio:
Muchos días los vivimos en una especie de modo piloto automático, procesamos información nueva de valor para nosotros pero no la ejecutamos rápido y a los pocos días la olvidamos.
Simple recordatorio para que si aprendés algo nuevo que te sume valor debajo, que enseguida lo anotes donde lo puedas ver de nuevo pronto, empezar a ejecutar y capitalizar.
Por ejemplo, en una App de Notas en tu celular o tu Notion personal (lo uso, te lo recomiendo, vale la pena).
Resumen: mejores historias, lecciones, errores y consejos accionables
1. Anticipar, influenciar, automatizar e incluso hoy generar nuevas experiencias
El foco de las áreas de datos hoy está más en poder anticipar, influenciar, automatizar e incluso hoy generar decomoditización de servicios, productos y experiencias distintas para los clientes.
2. Del hype al valor que genera la inteligencia artificial
El cambio de paradigma más interesante es pasar del hype al valor de la IA, integrándola como parte operativa y core del negocio.
Para esto tiene que haber métricas de negocio, trabajo multidisciplinario, integración tecnológica, una nueva arquitectura de stack de datos y de inteligencia artificial robusta para poder escalar todo este despliegue, no quedar atrapado en el limbo de los POCs, MVPs y generar valor genuino.
3. Primero hay que tener una hipótesis de negocio clara
La tecnología y los datos vienen a ayudar a una necesidad de negocio, no es al revés. Luego, aunque tengas herramientas sencillas, debes asegurarte de que los datos que generás se guarden de manera automática, transparente, clara y organizada.
4. Es clave salir de algo que nos es muy espontáneo que es la intuición
Y empezar a hacer preguntas pero dejar que los datos las respondan.
Además, hay que trabajar los datos con mucho respeto, ética y privacidad, porque si no lo haces esa relación con el cliente no va a ser sustentable.
5. Error común, parten erróneamente de la iniciativa
O sea, empiezan a pensar en la IA y no en la problemática de negocio que tienen que resolver.
El primer MVP tiene que tener alineación estratégica y un impacto significativo, porque desarrollar con AI es costoso y necesita recursos caros. Es importante tener resultados rápidos para sostener el cambio de mentalidad, idealmente en un plazo de tres meses.
6. Error importante, es minimizar las bases técnicas
Si armaste una arquitectura demasiado básica, corrés el riesgo de que se diga "esto no sirve" o que, al querer escalar, quedes atrapado en el limbo de las POCs, que es lo que sucede en muchas compañías y por eso no monetizan.
Si bien podés empezar por MVPs, el MVP es una primer versión de un producto que no pierde el foco de a dónde tiene que llegar.
7. Trabajar con IA es es como tallar en mármol
La primera vez que conectes un LLM va a ser horrible, va a alucinar, o va a generar un producto tosco o sobre exagerado.
A partir de ahí, empezás a refinar, a poner guardrails, y a dar información de contexto de tu empresa con una precisión científica, porque si dosificás de más alucina, si dosificás de menos, no da la respuesta que vos querés.
8. La mentalidad que se debe tener es de pensamiento abstracto
Entendiendo que va a ser una iteración muy rápida, muy continua y cooperativa.
Los perfiles que vienen de grandes compañías suelen tener más dificultades para adaptarse, mientras que aquellos que están acostumbrados a trabajar de forma artística tienen una gran ventaja.
9. Medir, medir, experimentar, medir, experimentar
Luego de estas iteraciones, siempre hay que chequear la adopción y iterar en producción (aunque sea con un grupo acotado) para ver cómo el usuario percibe la solución. Hay que iterar con personas reales y con clientes de verdad.
10. Trabajar con IA implica mantenimiento y observación constante
Esto implica un gobierno presente, frecuente, además de la posibilidad de tener un equipo que haga correcciones en tiempo real si es necesario.
11. Al empezar iniciativas la alineación de los equipos involucrados es clave
Si no tenés a todos los involucrados “on board” no es por ahí por donde tenés que empezar.
Tienes que asegurarte que todas las personas que van a integrar ese equipo estén disponibles y alineadas con la iniciativa.
12. Reutilización de arquitecturas para otros casos de uso
Es importante que iniciativas elegidas permitan la reutilización de arquitecturas para otros casos de uso.
Por ejemplo, un agente de experimentación nos permitió generar agentes para finanzas y para recursos humanos con la misma lógica.
13. Siempre pensar también en métricas de negocio
No hay que quedarse simplemente con las métricas de performance de los modelos, sino pensar siempre en métricas de negocio (ej. aumentar transacciones o reducir consultas asistidas). También son vitales las métricas de experiencia (NPS, adopción) y el retorno de la inversión (ROI).
Las métricas deben establecerse de formas evolutivas, para que los sponsors acompañen el proceso entendiendo que no se pasa de 100 a cero inmediatamente, sino que va a ir ajustándose. Lo ideal es medir el retorno de la inversión en un año o un año y medio a dos.
14. Las ventajas competitivas basadas en datos son reales
Pero los datos en sí mismos no generan valor si no se procesan o no se usan de forma enfocada.
En un ecosistema grande, la capacidad de procesar variables no tradicionales permite generar una diferencia (como generar un score de crédito para incluir financieramente a personas fuera del sistema).
15. La rigurosidad técnica es crítica, porque se refleja en costos y en escala
Si no se tiene una arquitectura que genere toda la experiencia en un proceso de costo marginal muy chiquito, no se podrá dar un producto a un costo competitivo.
16. Si emprendiera, qué perfiles vinculados a inteligencia artificial (IA) contrataría primero, segundo y tercero
Al armar un equipo en etapas tempranas, yo aconsejaría contratar primero un Data Engineer, un Data Analytics y un PM o Product Manager que tenga esta visión de negocio y de datos para que pueda integrar esto. El objetivo de esta primera etapa es guardar los datos y sentar las bases para poder tomar decisiones.
En una segunda etapa, sumaría un Data Scientist, un MLOps o un AI Engineer para empezar a trabajar en modelos que ayuden a predecir y a generar automatizaciones y experiencias con los clientes.
Y en la última etapa sumaría a alguien de UX e IA, porque esto es un diseño de una experiencia, entonces no hay que perder de vista al usuario.
Y lo más importante es que estas personas tienen que estar trabajando en la misma mesa donde está producto, esto tiene que nacer embebido dentro de los productos que se desarrollan, no sirven de nada aislados en silos.
18. La escasez de talento es terrible
Se abrirán muchas oportunidades en aristas enfocados al diseño, contenido o gobierno, y es posible ingresar en el campo ya que los equipos son diversos, en nuestros equipos incluso contamos con físicos, sociólogos, economistas y biólogos.
Lo importante es el pensamiento abstracto, crítico y la creatividad para conectar todas estas herramientas.
19. Mejor consejo para startups
Si van a invertir, inviertan en una agencia que les ayude a construir algo más elaborado y donde ustedes tengan el control. Mi recomendación es no comprar soluciones mágicas enlatadas, porque probablemente van a quedar obsoletas en dos días y no tienen flexibilidad.
¿Qué pensas sobre este contenido?
¿Qué te sumó más? ¿Sugerencias de mejora o críticas constructivas?
Me encantaría saber que te sumó más, si algún aprendizaje o consejo te suma mucho me encantaría que me lo digas cuando te sea oportuno, sería una gran alegría para mí saberlo.
También me encantaría recibir tus sugerencias de mejora, críticas constructivas, e ideas que te gustaría que enfoque para mejorar y sumar más. Podés escribirme a [email protected]
♻️ Si crees que este contenido podría sumarle también a amigos, familiares o colegas, sería de gran ayuda que los invites a suscribirse a este newsletter. También es una forma simple, rápida y gratuita de ayudarme, que me ayudaría a entrevistar a más líderes de startups y venture capital de LatAm, también a seguir creando contenido cada vez mejor.
Donde encontrarnos
¿Te reenviaron el correo o primera vez por acá?
Gracias por acompañar este camino y un abrazo,
Fito
