Afsheen Afshar, Fundador de Pilot Wave Holdings – Serie de Entrevistas

Afsheen Afshar, Fundador de Pilot Wave Holdings, es un veterano líder en ciencia de datos y inversiones cuya carrera abarca puestos senior en Goldman Sachs, J.P. Morgan y Cerberus Capital Management, donde ayudó a pionear iniciativas de ciencia de datos y AI a gran escala dentro de instituciones financieras. Con una base técnica arraigada en la investigación de neurociencia y aprendizaje automático en la Universidad de Stanford, Afshar ha construido una carrera en la intersección de análisis avanzados, capital privado y transformación operativa, centrándose finalmente en la aplicación de AI al desempeño empresarial real. En Pilot Wave, reúne experiencia en inversiones, liderazgo operativo y conocimiento técnico profundo para identificar, adquirir y escalar empresas que utilizan estrategias impulsadas por datos y tecnología moderna.

Pilot Wave Holdings es una plataforma de adquisición y crecimiento centrada en transformar pequeñas y medianas empresas a través de la inteligencia artificial y la tecnología avanzada. La firma utiliza sistemas de AI propietarios para analizar operaciones, descubrir ineficiencias y impulsar mejoras del desempeño en sus empresas de cartera. Al combinar la participación operativa práctica con la infraestructura de datos moderna, Pilot Wave busca modernizar empresas tradicionales que históricamente han carecido de acceso a herramientas avanzadas, posicionándolas para un crecimiento a largo plazo y escalable en una economía cada vez más impulsada por la tecnología.

Ha ocupado puestos de liderazgo pioneros en AI en firms como JPMorgan y Cerberus, y más tarde fundó Pilot Wave Holdings para introducir AI en industrias tradicionales. ¿Cuál es la idea central o la frustración que lo llevó a cambiar de construir AI dentro de grandes instituciones a adquirir y transformar empresas directamente?

El problema central era la necesidad de empowerment para moverse con velocidad. Dentro de las grandes instituciones, incluso cuando la gente está de acuerdo en la oportunidad, usualmente hay demasiadas capas entre identificar el problema y realmente hacer algo al respecto. AI no suele fallar porque el trabajo técnico es imposible, falla porque la organización es demasiado lenta, demasiado política o demasiado fragmentada para actuar con urgencia. Quería trabajar en un entorno donde la estrategia, las operaciones y la tecnología pudieran alinearse rápidamente. Adquirir y construir empresas directamente crea ese tipo de empowerment. Si realmente quieres cambiar cómo funciona un negocio con velocidad y voluntad, ser el dueño es importante.

Muchas empresas de la industria todavía celebran pilotos exitosos, sin embargo, el valor real proviene de los sistemas de producción. ¿Por qué las iniciativas de AI a menudo se rompen en ese punto de transición, y qué separa a las organizaciones que logran operacionalizar AI con éxito de aquellas que se estancan?

Muchos pilotos están diseñados para tener éxito, lo cual es exactamente por qué muchas empresas se engañan a sí mismas. Ocurren en entornos limpios, con atención extra, alcance limitado y ninguna de la fricción que aparece en producción. El problema más profundo a menudo es una brecha de empatía. Los tecnólogos a menudo no toman el tiempo, o francamente no tienen el deseo, de aprender la experiencia del operador, así que construyen algo que funciona en teoría o en una demostración pero no se ajusta a la realidad del trabajo. Las empresas que operacionalizan AI con éxito son aquellas que toman en serio el flujo de trabajo humano desde el principio y construyen para la complejidad de las operaciones reales en lugar de tratar de evitarla. Todos dicen que quieren valor de producción, pero muchos equipos todavía están optimizando para el aplauso de los pilotos.

Su trabajo se centra en integrar AI en sectores como infraestructura, manufactura y comercio electrónico. ¿Cómo difiere fundamentalmente la implementación de AI en estos entornos de la implementación en empresas digitales o de software en primer lugar?

La diferencia es que en empresas más tradicionales, el elemento humano y la empatía son aún más importantes de lo que la gente en el mundo de AI suele admitir. En entornos de software en primer lugar, los equipos pueden moverse rápidamente y parchear problemas más tarde. En infraestructura, manufactura y comercio electrónico, el trabajo está vinculado a sistemas físicos, restricciones reales y personas que saben inmediatamente cuando algo no se ajusta a la forma en que realmente funciona el negocio. Eso significa que no puedes simplemente presentarte con una solución técnicamente elegante y esperar adopción. Si no entiendes la experiencia del operador, tu estrategia de AI probablemente ya está rota. Estos entornos exponen el pensamiento superficial muy rápidamente, lo que es parte de por qué importan tanto.

Ha argumentado que la adopción de AI debe comenzar con prioridades empresariales en lugar de herramientas. ¿Cómo se ve eso en la práctica, y cómo deben los equipos de liderazgo reformular su enfoque hacia la transformación de AI?

La mayoría de los equipos de liderazgo comienzan en el lugar equivocado. Comienzan con una conversación sobre qué puede hacer esta tecnología por nosotros porque suena emocionante y actual, cuando el lugar correcto para comenzar es ¿cuáles son nuestras prioridades comerciales más importantes? Una vez que sepas eso, entonces puedes hablar honestamente sobre las mejores herramientas para abordar esas prioridades, y no siempre tiene que ser AI. Eso suena obvio, pero la mayoría de las empresas todavía están persiguiendo la tecnología primero y esperando que el caso de negocio aparezca de alguna manera después. Es al revés y conduce a mucho movimiento desperdiciado. Si los líderes quieren resultados reales, necesitan dejar de tratar la estrategia de AI como un ejercicio de compras.

En Pilot Wave, no solo asesora a empresas, las reestructura después de la adquisición. ¿Cuáles son los primeros cambios estructurales o culturales que implementa para hacer que la adopción de AI realmente se mantenga?

La primera cosa es encontrar patrocinadores tanto senior como junior. Los patrocinadores junior conocen la realidad diaria y pueden asegurarse de que el personal realmente haga lo que necesita hacerse, mientras que los patrocinadores senior aseguran que la política se minimice y el esfuerzo no se estrangule silenciosamente. Muchas empresas se inclinan demasiado hacia el apoyo desde arriba y luego se preguntan por qué nada cambia en la práctica. La verdad es que la adopción de AI generalmente falla porque la organización se resiste a nivel de base o porque el liderazgo permite que la interferencia se acumule alrededor de ella. Necesitas ambos tipos de apoyo en su lugar temprano. De lo contrario, la iniciativa se convierte en otro punto de conversación ejecutivo que nunca realmente aterriza.

A medida que los agentes de AI se vuelven más capaces y la infraestructura se vuelve cada vez más abstracta, ¿qué riesgos estratégicos surgen para las empresas que no controlan sus propios datos y pila de AI?

Diría que las empresas siempre necesitan control fundamental. Eso requiere instrumentar cada sistema, que es cómo Pilot Wave aborda el diseño de sistemas, porque si no puedes ver lo que está sucediendo, medirlo y colocar barandillas alrededor de ello, entonces estás asumiendo un riesgo que no entiendes. Eso no significa que no debas delegar tareas, porque la delegación continuará a escala, pero la delegación sin medición no es una estrategia ejecutable. Gran parte del mercado se está dejando seducir por la abstracción porque hace que las cosas sean más fáciles y rápidas, pero esa comodidad puede ocultar fragilidad sistémica real. Si la instrumentación, medición y barandillas adecuadas están en su lugar, el riesgo sistémico potencial se puede minimizar. Si no lo están, estás construyendo dependencia antes de haber ganado confianza.

Hay una brecha creciente entre cómo se comercializa AI y cómo se desempeña en entornos del mundo real. ¿Qué señalesales deben buscar los líderes técnicos y los operadores para distinguir capacidades de AI significativas de reclamos superficiales?

Siempre pregunte por la medición del valor real. He sido religioso sobre medir el valor durante toda mi carrera, hasta proyectos individuales, porque sin esa disciplina se vuelve muy fácil confundir emoción con resultados. Cada esfuerzo debe ser sometido a un ROI y rastreado. Si alguien no puede explicar claramente cómo el sistema afecta los ingresos, el costo, el rendimiento, la eficiencia laboral o alguna otra métrica comercial real, entonces hay una buena posibilidad de que estén vendiendo teatro. La industria se ha vuelto demasiado cómoda recompensando demos pulidas y reclamos vagos. Sin una medición de valor rigurosa, hay un riesgo real de tirar tiempo y dinero.

Ha construido y liderado organizaciones de ciencia de datos a gran escala. ¿Cómo ve evolucionar el papel de los equipos de AI a medida que aumenta la automatización y los sistemas basados en agentes asumen más responsabilidades?

AI asumirá tareas de nivel más alto. En Pilot Wave, ya estamos desarrollando AI que puede tomar como entrada algo como “aumentar mis ingresos en un 10 por ciento” en lugar de “rediseñar mi sitio web”, lo que está mucho más cerca de donde se encuentra gran parte de AI hoy en día. Ese cambio cambia el papel de los equipos de AI de manera seria porque el trabajo se convierte menos en tareas aisladas y más en cómo los sistemas razonan a través de objetivos comerciales reales. Muchos equipos todavía piensan demasiado estrechamente sobre la automatización y subestiman con qué rapidez se mueve la tecnología hacia arriba en la pila. El centro de gravedad se va a desplazar desde la ejecución de tareas hacia la delegación comercial. Eso es un cambio mucho mayor del que la mayoría de las empresas están preparándose.

Muchas empresas están invirtiendo mucho en AI, sin embargo, luchan por generar un ROI medible. ¿Cuáles son los patrones de falla más comunes que ha observado, y cómo se pueden evitar?

La mayoría de los esfuerzos de AI, especialmente en grandes empresas, todavía se centran demasiado en paneles elegantes, palabras clave y cosas que son fáciles de presentar internamente pero difíciles de vincular a valor real. Las empresas pasan mucho tiempo haciendo que el trabajo parezca sofisticado en lugar de hacerlo útil. El patrón de falla generalmente no es misterioso, es solo una falta de disciplina alrededor de la creación de valor accionable. Si no hay un objetivo económico claro, no hay propietario y no hay marco de medición, el esfuerzo no debe avanzar. Estar enfocado religiosamente en la creación de valor en cada paso del camino es crítico. De lo contrario, AI empresarial se convierte en un ejercicio de marca muy costoso.

Mirando hacia adelante, ¿qué capacidades de AI o avances a nivel de sistema cree que tendrán el mayor impacto en las industrias del mundo físico en los próximos cinco a diez años?

La capacidad de dar objetivos de alto nivel a un sistema de AI y delegar partes importantes del negocio se va a volver muy real muy pronto. Esa es la capacidad que importará, porque mueve a AI más allá de la ejecución de tareas estrechas y hacia una verdadera palanca operativa. Como consecuencia, la gente se centrará más en los aspectos de relación y confianza de los negocios, junto con la naturaleza física real del trabajo en cuestión, ya sea construcción u otra industria basada en el campo. Mucha gente todavía habla de AI como una capa de productividad que se encuentra al lado, pero esa visión ya está empezando a sentirse desactualizada. Los sistemas están volviéndose capaces de asumir responsabilidades más amplias. El futuro es muy emocionante, pero también será mucho más disruptivo de lo que muchos incumbentes quieren admitir.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Pilot Wave Holdings.