Yoav Naveh, de Reindeer: el próximo campo de batalla de la IA empresarial es el mantenimiento, no los modelos
Puntos clave
- •Yoav Naveh, CEO de Reindeer, sostiene que los modelos de lenguaje de gran tamaño se están convirtiendo en commodities, ya que las alternativas de código abierto están aproximadamente seis meses detrás de los modelos propietarios de frontera.
- •Las dos olas previas de adopción de IA empresarial —copilotos de asistencia y automatización del soporte al cliente— no lograron los aumentos de eficiencia que los ejecutivos esperaban.
- •Se observó que una gran empresa de bienes de consumo empaquetados opera cinco procesos distintos de cuentas por pagar en diferentes departamentos, lo que ilustra la fragmentación interna que complica la implementación de IA empresarial a escala.
- •Naveh argumenta que el modelo de ingeniero desplegado en el cliente, popularizado por empresas como Palantir, no escala porque el personal integrado termina atado al mantenimiento de agentes en lugar de poder reasignarse a nuevos procesos.
- •Reindeer desarrolló un sistema de dos bucles diseñado para ayudar a los agentes de IA implementados a detectar, reconciliar y autocorregir la deriva de los flujos de trabajo, abordando lo que Naveh identifica como el cuello de botella crítico del sector para sostener la precisión de los agentes después del lanzamiento.
CHICAGO — Los agentes de IA empresarial ya no se diferenciarán por la calidad del modelo, según Yoav Naveh, fundador y CEO de Reindeer. Esa convicción está reordenando dónde colocan sus apuestas estratégicas las startups de IA.
En una entrevista con FreightWaves en el Supply Chain AI Symposium en Chicago, Naveh describió un sector que ha atravesado dos olas distintas de adopción sin entregar los retornos que los ejecutivos esperaban, y que ahora persigue una tercera ola más ambiciosa centrada en las operaciones centrales del negocio. Es un cambio que ocurre mientras el gasto empresarial en IA generativa sigue aumentando, aunque las encuestas a directores de tecnología muestran de forma reiterada que escalar pilotos a producción sigue siendo la principal barrera para materializar retornos.
Dos olas de adopción de IA se quedaron cortas
Naveh trazó la trayectoria en etapas claras. "La primera ola: asistentes. Todo el mundo tuvo un copiloto, Claude, ChatGPT", dijo. "Hemos visto mucho éxito con asistentes alrededor de la ingeniería de software. Los agentes de codificación funcionan muy bien. Tal vez en legal, no tanto. Pero, en general, no hemos visto que los asistentes hagan a las empresas 10x o 100x más eficientes."
La segunda ola se centró en la atención al cliente y los centros de llamadas. "Creo que eso ha sido realmente una oportunidad enorme y obvia", dijo Naveh. "Un flujo de trabajo grande, muchos tipos de casos similares en uno solo. Definitivamente veo algo de éxito ahí."
Ahora, dijo Naveh, las empresas están apuntando a la parte que realmente concentra la mayor parte de sus costos laborales: las operaciones centrales. "Tomemos todos estos flujos de trabajo centrales que representan el 70, 80% del trabajo que todos hacen", dijo.
Ese mercado es mucho más complejo que el soporte al cliente. Naveh estima que estos flujos de trabajo suman decenas, si no cientos, dentro de una sola empresa, abarcando finanzas, compras, tesorería, contabilidad y cadena de suministro, a menudo sin un único responsable de departamento.
El problema de matices que los inversores pasan por alto
El dato más claro de Naveh sobre por qué este mercado resiste el software de talla única proviene de un cliente que describió como una de las mayores empresas de bienes de consumo empaquetados del mundo.
"Dicen: 'Oye, estamos haciendo cuentas por pagar en mi empresa', pero tus cuentas por pagar son diferentes de sus cuentas por pagar", dijo Naveh. "Trabajamos con una de las mayores compañías de CPG del mundo. Cinco departamentos distintos, cinco procesos diferentes de cuentas por pagar dentro de la misma empresa."
Esa fragmentación es la razón por la que Naveh es escéptico respecto del modelo de ingeniero desplegado en el cliente que está ganando terreno en el mundo de las startups de IA, donde los proveedores integran personal técnico dentro de un cliente para construir a mano un agente para un proceso a la vez.
"Voy a poner a tres ingenieros y sentarme con tu equipo para construir el agente para ese proceso en particular. ¿Van a volver alguna vez y estar disponibles para enviarlos a otro departamento, o van a quedar atrapados manteniendo lo que construyeron a medida que los procesos cambian y evolucionan?", dijo Naveh. "Creo que las cuentas no cierran porque eso no escala."
Por qué el modelo no será el foso defensivo de los agentes de IA empresarial
La apuesta de Reindeer va en contra de una suposición común en el software empresarial: que poseer o ajustar finamente un modelo de lenguaje de gran tamaño propietario constituye una ventaja duradera. Naveh sostiene que está ocurriendo lo contrario.
"Fuerte convicción de que los LLM van a ser un commodity", dijo Naveh. "Vemos que los modelos de código abierto quizá están seis meses detrás de los modelos de frontera. Pero lo que pensamos es que ya no necesito el modelo de frontera para todo."
"Ahora trabajamos con una gran aseguradora europea. Decidieron construir su propio LLM. Nos alegra integrar su propio LLM", dijo. "Nos alegra restringir la lista de LLM permitidos según la política de privacidad de datos de la empresa y determinar cómo ejecutar su caso con lo que esté en la lista blanca."
Esa visión pone presión sobre cualquier competidor cuya propuesta se centre solo en la superioridad del modelo. Si el modelo subyacente se vuelve intercambiable, la diferenciación tendrá que venir de otro lugar.
Construir es fácil. Mantener no lo es.
Ese otro lugar, en el modelo de Reindeer, es la capa de mantenimiento: detectar cuándo un flujo de trabajo se desvía, reconciliar el cambio y ajustar el agente sin un nuevo ticket de ingeniería.
"Incluso después de implementar un agente, el flujo de trabajo sigue cambiando", dijo Naveh. "Si no tienes un método para que los agentes detecten estos cambios, reconcilien, se autorreparen y autoaprendan, realmente no vamos a poder materializar lo que los agentes pueden hacer por ti." Reindeer construyó lo que Naveh llama un sistema de dos bucles para manejar esa deriva.
Naveh dijo que la economía de construir ya se ha inclinado a favor de la industria, y eso es precisamente lo que convierte al mantenimiento en el cuello de botella.
"Creo que todo el mundo quiere construir. Construir es fácil", dijo. Describió haber creado un panel interno para un colega en una sola noche y luego recibir una corriente constante de correcciones de errores y solicitudes de funciones. "No quiero hacer eso", dijo. "Eso no es divertido. Mantener no es divertido ni fácil."
"Hace cinco años no podías construir nada, ahora puedes construir cosas increíbles", dijo Naveh, al describir la brecha entre un ingeniero principiante y uno experto como drásticamente reducida por herramientas como los asistentes de codificación en vivo. "La experiencia que se necesita ahora es exactamente lo que dijiste, alrededor de todas estas cosas después de que está construido, y asegurarse de que lo que fue increíble la primera noche que lo lanzaste siga siendo increíble seis meses después."
Para las empresas que evalúan proveedores de IA, el marco de Naveh sugiere una pregunta de diligencia distinta de la que la mayoría está planteando. En lugar de cuál compañía tiene el mejor modelo en la etapa de prueba de concepto, la pregunta más duradera puede ser cuál puede mantener un agente preciso mucho después del lanzamiento, a medida que el flujo de trabajo subyacente sigue cambiando.
La publicación Reindeer bets Enterprise AI’s next battle isn’t the model apareció por primera vez en FreightWaves.