Por qué construir una base preparada para la IA no se detiene en la tecnología
por Aly McGue
Kraken, el sistema operativo impulsado por IA detrás de algunas de las empresas de servicios públicos más grandes del mundo, administra más de 90 millones de cuentas de clientes en 27 países para clientes como EDF, E.ON, National Grid y Tokyo Gas. Kraken utiliza Databricks como su plataforma de datos interna y se asocia con Databricks para ayudar a los clientes a maximizar el valor de los datos que reciben a través de una distribución de datos segura y escalable.
Kristy Mayer-Mejia es la Directora Global de Transformación de Datos en Kraken, donde su equipo ayuda a los clientes de servicios públicos a comprender, adoptar y extraer valor de los datos que Kraken proporciona. Su mandato tiene un doble propósito: acelerar el tiempo que tardan los clientes en usar los datos y aumentar el valor que obtienen de ellos.
Me senté con Kristy para entender cómo los datos funcionan como un activo empresarial y son la base de una estrategia de IA exitosa. Un punto clave de nuestra conversación es que ser impulsado por datos se trata tanto de datos limpios y unificados como de contexto empresarial profundo y propiedad. Plataformas como Kraken y Databricks resuelven lo que Kristy llama el problema fundamental de unificación, el requisito previo que hace que todo lo demás sea viable. Pero una vez que esa base está en su lugar, la parte que la mayoría de los líderes subestiman es el contexto empresarial que hace que los datos unificados sean utilizables.
Aly McGue: En su experiencia, ¿por qué los datos aislados y los sistemas fragmentados siguen siendo un gran obstáculo para las organizaciones que intentan extraer valor de sus inversiones?
Kristy Mayer-Mejia: Lo que vemos repetidamente con nuestros clientes es que los datos de baja calidad y aislados son el mayor obstáculo para obtener valor de cualquier otra inversión. Hasta que los datos no estén en un solo lugar, nada más funciona a escala, y resolver eso es exactamente el problema que la plataforma de Kraken está diseñada para abordar. Y yo también he vivido esto como líder de datos en todos mis roles anteriores. Tu equipo pasa el 80% de su tiempo limpiando datos, y eso simplemente no es un trabajo valioso. No es necesario.
La verdadera solución es el autoservicio, pero solo es posible una vez que los datos subyacentes están limpios, unificados y accesibles. Especialmente en la era de la IA, el autoservicio es posible a escala. Nunca te moverás rápido como empresa, innovarás o tomarás decisiones diarias basadas en datos si cada pregunta tiene que ser respondida por el equipo de datos. Pero cuando los datos están dispersos en sistemas sin documentación y sin una forma clara de unirlos, el autoservicio es imposible. La unificación es esta solución fundamental que hace que todo lo demás sea viable: la analítica, la IA, la velocidad de toma de decisiones. Es esencial.
Aly: Todos hemos estado en reuniones donde el liderazgo pasa más tiempo debatiendo 'cuál número es el correcto' que tomando una decisión. ¿Cuál es el costo oculto de esa falta de confianza en los datos?
Kristy: Doy este ejemplo todo el tiempo, y ha sido cierto en todas las empresas en las que he trabajado. Antes de tener datos unificados, la pregunta clásica es: ¿cuántos clientes tenemos? Y nadie lo sabe del todo. Sabes la magnitud aproximada. Pero cuando doy ese ejemplo, cada vez la gente se ríe porque sabe que es cierto.
Lo que conduce a una falta de confianza en los datos. Y uno de los valores tempranos principales que proporcionan los datos unificados es la velocidad de toma de decisiones, la capacidad de incorporar el pensamiento basado en datos en el ADN de la empresa. No puedes moverte rápido si cada vez que obtienes un número, piensas: '¿Estoy seguro de que esto es correcto?'. Déjame verificar en otros cinco lugares. Déjame preguntarle a alguien. Y luego es diferente. Y luego tienes que averiguar por qué es diferente. De repente, han pasado dos semanas o un mes, y podrías haber elegido una dirección aleatoria y seguir adelante.
Aly: A menudo hablamos de que los datos impulsan la IA, pero usted ha sugerido que la IA podría ser en realidad una 'función de impulso' para mejorar los datos. ¿Cómo está cambiando el impulso de la IA la forma en que las organizaciones abordan la documentación y el contexto?
Kristy: La IA ha sido en realidad una función de impulso. Las entradas que necesita la IA son las mismas entradas que necesitan los humanos: datos claros, documentación, contexto sobre lo que significan las columnas y cómo se unen las cosas. Cuando los datos son difíciles de usar, la analítica de autoservicio se siente como un "nice-to-have" porque el valor es difícil de precisar. Son unas pocas horas ahorradas aquí y allá en decisiones individuales, lo que no parece convincente de forma aislada. Pero acumulado en toda la organización, es enorme. Simplemente es difícil de ver.
La IA ha hecho visible ese valor y ha hecho que los datos limpios y la documentación sean esenciales. Toma lo que todos siempre supieron que se necesitaba y lo hace innegociable. Y luego, por otro lado, la IA en sí misma proporciona las herramientas para desbloquear la analítica. Cosas como las interfaces conversacionales que permiten a las personas consultar datos sin escribir SQL. Por lo tanto, es tanto la función de impulso que impulsa la unificación como el beneficio que se deriva de ella.
Aly: Ha hablado de la necesidad de unificar y documentar datos. Pero cuando se trata específicamente de IA, ¿es suficiente la documentación en una base de conocimientos o en un PDF?
Kristy: Solía serlo. Compartíamos nuestra documentación de datos como lo hacen la mayoría de las empresas: un PDF o una página en un sitio web que un analista de datos podía consultar cuando necesitaba contexto. Eso funciona lo suficientemente bien para los humanos. No funciona para la IA.
Cada cliente con el que hablo ahora hace la misma pregunta: ¿pueden compartir los metadatos en contexto, junto con los datos mismos, para que podamos introducirlos en los modelos y que entiendan con qué están trabajando? Ese cambio, de la documentación como artefacto de referencia a la documentación como entrada en vivo, es uno de los cambios más subestimados que la IA está impulsando. Con Unity Catalog y Delta Sharing, podemos compartir ese contexto con los datos en lugar de por separado. Para nuestros clientes, esa es a menudo la diferencia entre una IA que puede razonar sobre los datos y una IA que no.
Aly: ¿Cómo se ve la 'unificación de datos' en la práctica? ¿Cómo cambia la visibilidad casi en tiempo real las operaciones diarias?
Kristy: Destacan algunos ejemplos de nuestros clientes. Una son las operaciones de los centros de llamadas, que es una función masiva para las empresas de servicios públicos. Tuvimos un cliente que pasó de informes mensuales sobre el volumen de llamadas, que era muy difícil de elaborar, a paneles que se actualizan cada pocas horas, con un modelo predictivo superpuesto sobre qué llamadas es probable que vean en el futuro. Esa capacidad de ajustar las operaciones en tiempo casi real, en lugar de mirar hacia atrás una vez al mes, es una forma completamente diferente de administrar el negocio.
Otra área es la innovación de productos. En el sector de los servicios públicos, los clientes determinan qué productos y tarifas ofrecer para atraer y retener clientes. Esa es una decisión que puede optimizarse profundamente con datos. Los datos limpios y claros brindan a los clientes información fácil y ciclos rápidos de prueba y aprendizaje para optimizar sus ofertas de productos, y luego la plataforma de Kraken les permite lanzar rápidamente esas nuevas tarifas.
Aly: El 'cuello de botella del analista' es un punto de dolor clásico para el liderazgo. ¿Cómo cambian las interfaces de lenguaje natural, como Databricks Genie, la cultura de esperar semanas por un informe a obtener respuestas en minutos?
Kristy: La mayoría de nuestros clientes de Genie todavía están en las primeras etapas. Pero lo que estamos viendo es que está acelerando su tiempo de inicio en semanas o más. No necesitan modelar los datos en profundidad como lo harían para introducirlos en una herramienta de BI tradicional. Necesitan documentación clara, necesitan el contexto, necesitan los datos en un solo lugar, pero no tienen que estructurarlos de manera tan precisa que un usuario pueda explorarlos a través de una interfaz rígida.
Pero más allá de la velocidad, hay un efecto dominó cultural muy claro. Una de las mayores barreras para el valor de los datos es el cambio cultural de hacer de los datos parte de su ADN. Y creo firmemente que una de las claves para eso es hacerlo increíblemente fácil e intuitivo. Cuando la barrera es baja y las personas pueden acceder rápidamente, la cultura y el valor acumulado siguen.
Aly: ¿Cuál es la mayor idea errónea que tienen los líderes de nivel C cuando encargan a sus departamentos de TI la tarea de 'preparar los datos' para la IA?
Kristy: Los datos son un activo empresarial. Y el mayor error que veo cometer a los líderes es tratarlos como una plataforma de TI. Los desconectan del negocio y dicen: "Está bien, TI, preparen nuestros datos". Pero la clave para construir una base de datos sólida es el contexto empresarial profundo. ¿Cómo se generan los datos? ¿Cómo se utilizan? ¿Cómo los interpreta la gente? ¿Qué significa realmente este campo? Una vez que la base técnica está en su lugar, la parte más difícil se convierte en ese contexto empresarial profundo. Y la gran mayoría de ese trabajo recae en el negocio, no en el equipo de datos.
Así que mi consejo es integrar los datos en el negocio. La hoja de ruta para preparar sus datos para la IA es una hoja de ruta compartida. Es una hoja de ruta empresarial tanto como técnica.
Aly: Kraken abarca una gran parte de los datos de la industria de servicios públicos. ¿Hacia dónde cree que llevarán la IA y los datos a sus clientes en los próximos tres a cinco años?
Kristy: Lo que me parece más interesante es la rapidez con la que la IA está elevando el listón de lo que los clientes pueden hacer una vez que tienen una base de datos sólida. Durante mucho tiempo, la pregunta fue: ¿cómo ponemos nuestros datos en un estado utilizable? Ese trabajo sigue siendo real y todavía lleva tiempo. Pero la pregunta se está desplazando hacia: ahora que la base está ahí, ¿qué se vuelve posible? Y la respuesta a eso sigue expandiéndose. La IA está cambiando desde dónde empiezan los clientes y cómo se ve el éxito. Los clientes que hace dos años habrían considerado un informe mensual un éxito, ahora están ejecutando paneles horarios con modelos predictivos superpuestos y mirando rápidamente hacia el uso generalizado de la IA agentica.
Los que invirtieron temprano en sus capacidades de datos –y no solo en su tecnología, sino en sus habilidades y cultura– son los que se mueven más rápido ahora, y la brecha entre ellos y los demás no hará más que ampliarse.
La perspectiva de Kristy añade una capa a menudo ausente en la conversación sobre la infraestructura de datos. La plataforma y la unificación que permite son el desbloqueo fundamental. Pero donde ella ve que la mayoría de las organizaciones se estancan es en el trabajo que viene después: el conocimiento empresarial que hace que los datos sean utilizables, la documentación que hace posible la IA y el cambio cultural que hace que el autoservicio sea real.
Mientras desarrollas tu hoja de ruta para integrar la IA en toda tu organización y productos, descarga el Databricks State of AI Agents para ayudarte a evaluar tus inversiones.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.