Andreea Pleşea, PhD, COO y cofundadora de Druid AI – Serie de entrevistas

Andreea Pleşea, PhD, COO y cofundadora de Druid AI, es una ejecutiva tecnológica y emprendedora con casi dos décadas de experiencia que abarcan ingeniería de software, tecnología empresarial, inteligencia artificial, operaciones y éxito del cliente. Desde que cofundó Druid AI, ha ocupado varios cargos de alta dirección en la organización, incluidos Chief Operating Officer, Chief Revenue Officer y Chief Customer Success Officer, lo que le brinda experiencia tanto en los aspectos técnicos como comerciales de escalar una empresa de software empresarial. Antes de Druid AI, Pleşea pasó casi una década en TotalSoft, avanzando de programadora .NET a Gerente de Desarrollo de Software y, finalmente, a Directora de Aplicaciones Empresariales Charisma, donde supervisó el desarrollo de productos, la implementación, el soporte técnico, la arquitectura de soluciones y las responsabilidades de P&L. Su formación académica también incluye investigación en IA en la Universidad de Roma Tor Vergata, donde trabajó con el Grupo de Investigación en Inteligencia Artificial de la universidad en tecnología para extraer y estructurar información a partir de datos no estructurados. También forma parte del Consejo Asesor de Women in Tech Romania.

Druid AI es una empresa de IA empresarial centrada en crear y orquestar agentes de IA que pueden automatizar procesos de negocio complejos en las organizaciones. Su plataforma combina comprensión del lenguaje natural, IA generativa, generación aumentada por recuperación (RAG), integraciones empresariales, automatización de flujos de trabajo, análisis y gobernanza, con Druid Conductor coordinando múltiples agentes especializados y sistemas para lograr resultados empresariales. Las organizaciones pueden conectar los agentes de Druid a sistemas como planificación de recursos empresariales (ERP), gestión de relaciones con clientes (CRM), gestión de servicios de TI (ITSM) y plataformas de recursos humanos, mientras despliegan la tecnología en entornos cloud, híbridos, locales o aislados. La empresa afirma que su tecnología es utilizada por más de 300 clientes empresariales y cuenta con el apoyo de más de 200 socios globales, con aplicaciones que abarcan áreas como soporte a empleados, atención al cliente, salud, educación superior y servicios compartidos.

Usted cofundó Druid AI en Bucarest en 2018 después de pasar casi una década en TotalSoft, donde pasó del desarrollo .NET a roles senior de tecnología y liderazgo empresarial. ¿Qué le convenció en ese momento de que la IA conversacional podría convertirse en una capa central de la tecnología empresarial, y cómo ha evolucionado esa visión original a medida que Druid ha avanzado hacia la IA agente? 

La convergencia de dos caminos distintos — rigor académico y dolor empresarial de primera línea — moldeó mi forma de pensar mientras hacía mi doctorado. Sin embargo, no fue hasta que Liviu Dragan, un líder extremadamente visionario, propuso la idea de fundar Druid AI que comprendí cómo la investigación que realicé podía finalmente aplicarse en la vida real.

Entre 2008 y 2011, mi investigación doctoral se centró en agentes de IA autónomos que se comunicaban mediante tecnologías semánticas web y ontologías, explorando cómo los sistemas inteligentes podrían reemplazar o situarse sobre el software empresarial tradicional. Poco después, al trabajar en liderazgo de tecnología empresarial, me enfrenté a una cruda realidad: estábamos pidiendo a los empleados que gestionaran una complejidad insostenible.

Completar una tarea rutinaria implicaba saber qué aplicación abrir, dónde residían los datos, qué política se aplicaba y quién era responsable del siguiente paso. Mientras tanto, fuera de la oficina, la mensajería se estaba convirtiendo en la interfaz dominante para la interacción humana.

Cuando fundamos Druid AI en 2018, nuestra visión era sencilla pero ambiciosa: ofrecer a cada empleado y cliente un asistente virtual capaz de orquestar el trabajo en toda la empresa.

Casi una década después, esa visión central no ha cambiado: la tecnología simplemente ha alcanzado su nivel. La IA conversacional se centraba principalmente en el reconocimiento de intenciones, la recuperación de información y la activación de scripts estáticos. La IA agente cambia el límite de la delegación. Los agentes modernos evalúan objetivos, colaboran con sub‑agentes especializados, navegan por sistemas dispares y ejecutan flujos de trabajo complejos y multi‑paso de forma autónoma.

Para nosotros, la actual revolución agente no es un giro estratégico alejado de la IA conversacional. Es la realización natural de nuestra tesis fundacional: la tecnología empresarial debe volverse más simple para los humanos y ayudarles a realizar su trabajo, incluso mientras la orquestación tras bastidores se vuelve infinitamente más sofisticada.

Gran parte de la industria de IA se ha concentrado en construir modelos fundacionales cada vez más potentes, mientras que Druid AI se ha enfocado en conectar diferentes modelos con datos, sistemas y flujos de trabajo empresariales. A medida que los modelos se vuelven cada vez más intercambiables, ¿cree que la orquestación será una ventaja competitiva más importante que el propio modelo subyacente?

En Druid AI, nuestra misión central es simple: extraer lo extraordinario de cada interacción humana al realizar el trabajo de manera eficiente. Pero a medida que el mercado madura, la clave para ofrecer ese valor está desplazándose del stack tecnológico subyacente.

Estamos presenciando un patrón clásico en la tecnología empresarial: capacidades que antes servían como diferenciadores tempranos se están convirtiendo rápidamente en commodities. Hoy, los modelos fundacionales son accesibles para cualquier actor. Las empresas inevitablemente desplegarán una matriz híbrida de modelos seleccionados por rendimiento, costo, seguridad o requisitos regulatorios específicos. A medida que la inteligencia se vuelve una commodity, el campo estratégico se eleva en la pila.

Hoy, los problemas más difíciles en la IA empresarial giran en torno al contexto de ejecución: gobernanza y acceso (qué datos puede tocar la IA y bajo qué políticas), enrutamiento agente (qué agente especializado debe manejar una tarea determinada), integración de sistemas (cómo coordinan de forma segura múltiples sistemas transaccionales), autonomía vs. control (cuándo puede actuar un agente de forma independiente y cuándo se requiere la aprobación humana), auditabilidad (si un flujo de trabajo falla, ¿se puede reconstruir la cadena de decisiones paso a paso?).

Por eso la orquestación se ha convertido en la palanca estratégica definitiva. Los modelos generan inteligencia, pero las empresas requieren una ejecución fiable.

Druid AI está construida para servir como esa capa definitiva de control y orquestación. Conecta de forma segura diferentes modelos con los datos, flujos de trabajo y personas de la empresa. Crucialmente, proporciona el marco de referencia para medir la efectividad de la ejecución, evaluando resultados empresariales reales.

A largo plazo, la pregunta ganadora no será, “¿Qué modelo está usando?” Será, “¿Qué tan eficazmente puede convertir la inteligencia bruta en trabajo completado para sus empleados y clientes?”

Druid Conductor puede coordinar múltiples agentes especializados en recuperación de conocimiento, lógica de decisiones y acciones de sistema. ¿Qué se vuelve técnicamente difícil cuando una empresa pasa de un único asistente de IA que responde preguntas a múltiples agentes que pueden ejecutar de forma independiente procesos empresariales de varios pasos?

El paso de interfaces conversacionales simples a arquitecturas multi‑agente cambia fundamentalmente el desafío de ingeniería. Dejas de gestionar una conversación lineal y comienzas a gestionar un sistema distribuido de decisión y ejecución.

Con un único asistente de preguntas y respuestas, los obstáculos principales son el reconocimiento de intenciones, la recuperación y la generación de respuestas con un alto nivel de precisión. Los ecosistemas multi‑agente introducen una clase completamente diferente de sistemas distribuidos y preguntas:

1. ¿Qué agente tiene la autoridad para actuar y cómo se evita la desviación de dominio?
2. ¿Cómo se mantiene el estado cuando la responsabilidad se transfiere entre agentes?
3. ¿Cómo se reconcilian decisiones contradictorias entre agentes especializados?
4. ¿Cómo heredan los sub‑agentes los permisos de acceso de forma dinámica y segura?

Estos desafíos se agravan al aplicarse a la infraestructura empresarial del mundo real. Un único flujo de trabajo puede abarcar un CRM, ERP, plataforma de gestión de identidades, sistema de tickets y bases de datos heredadas. Cada uno opera bajo una lógica de negocio y modos de falla distintos, pero al final el agente conductor debe realizar el trabajo correctamente.

Si el paso cuatro de un proceso de seis pasos falla después de que tres sistemas ya hayan ejecutado cambios transaccionales, una canalización agente básica se derrumba. La capa de orquestación no puede simplemente lanzar un error genérico. Debe gestionar el estado, ejecutar retrocesos si es necesario, determinar si existe una ruta alternativa o escalar de forma elegante a una intervención humana en el bucle.

La verdadera orquestación empresarial es gestión de estado, consistencia transaccional, observabilidad, cumplimiento de políticas y autonomía a prueba de fallos. El objetivo de esta complejidad subyacente es la simplicidad: ofrecer una interacción única y sin fricciones donde los trabajos complejos de múltiples sistemas se realicen de forma sencilla.

Druid AI ha impulsado ahora más de mil millones de conversaciones a través de miles de agentes desplegados. A esa escala, ¿qué ha aprendido sobre la IA empresarial que habría sido imposible descubrir a partir de pilotos o demostraciones controladas?

La producción enseña humildad rápidamente.

Un piloto suele ser un entorno relativamente controlado. El caso de uso está definido, los datos son razonablemente limpios, los usuarios son conocidos y normalmente hay un equipo de proyecto observando de cerca.

La producción no se parece en nada a eso. Las personas hacen la misma pregunta de veinte maneras diferentes. Cambian de opinión a mitad de conversación. Proporcionan información incompleta. Cambian de idioma o de tema. Interactúan en momentos inesperados. Las políticas cambian. Las API fallan. Los sistemas de back‑end se ralentizan. Aparecen nuevos casos límite que nadie pensó incluir en el diseño original. Una cosa es segura: la expectativa de los usuarios es que el trabajo se realice de forma eficaz, sin interrupciones y de manera natural. Ya sea por texto, pero especialmente por voz, la conversación debe fluir de forma natural, sin latencia; debe sonar, en cierta medida, empática, y debe ejecutar la tarea mientras sugiere las mejores opciones y los siguientes pasos si corresponde, o tratar excepciones y bucles de forma humana cuando sea necesario.

Gran parte de la automatización de mayor valor proviene de hacer cosas relativamente ordinarias de manera excepcional y hacerlo cientos de miles de veces: responder a una pregunta de un empleado, verificar una cuenta, reprogramar una cita, resolver una solicitud de TI o recuperar la información correcta de un sistema empresarial. Eso cambió nuestra forma de pensar sobre el valor de la IA.

La segunda lección es que el lanzamiento en producción es solo el comienzo de un ciclo de aprendizaje. Es necesario observar qué solicitan los usuarios, qué intenciones están creciendo, dónde fallan las conversaciones, dónde escalan las personas y, a veces, dónde el propio proceso empresarial subyacente necesita cambiar.

Y quizá la lección más importante es que la confianza es operativa, ya que las empresas confían en la IA porque, con el tiempo, se comporta de manera predecible, las excepciones se manejan correctamente, las decisiones son visibles y la organización mantiene el control.

Los datos de producción de Druid indican que un número relativamente pequeño de flujos de trabajo puede representar gran parte del uso real de IA empresarial. ¿Esto sugiere que las compañías deberían centrar inicialmente la inversión en IA en un puñado de flujos de trabajo de alto volumen en lugar de intentar una transformación amplia en toda la empresa?

Uno de los patrones más claros en nuestros datos de producción es que la demanda tiende a concentrarse. En servicios financieros, por ejemplo, tres categorías de flujos de trabajo representan alrededor del 90 % del uso en producción. En la educación superior, la concentración es aún mayor. Eso nos indica algo importante sobre cómo las compañías deben pensar la transformación con IA. Hemos analizado estos insights y elaborado informes de referencia para educación superior, salud y banca, que permiten a nuestros socios y clientes identificar los procesos que impulsarían la eficiencia y ayudar a proyectar cómo los humanos interactuarán con los agentes.

Existe la tentación, particularmente a nivel de consejo, de comenzar con una demanda muy amplia: “DEBEN usar IA o nos quedaremos atrás”. Entonces el equipo operativo tiene que luchar para identificar los trabajos correctos que los agentes podrían desempeñar, mientras también temen perder sus puestos. Entonces, ¿cuál sería el equilibrio adecuado y cómo podrían contratar al agente de IA correcto para hacer el trabajo JUNTOS con ellos, maximizando el KPI que el consejo espera?

Comience donde exista potencial para aumentar los ingresos y/o reducir costos, cosas que normalmente la gente realiza de forma repetida. Si miles de clientes, empleados, estudiantes o pacientes intentan repetidamente lograr el mismo resultado, se tiene una línea base medible y una fuerte oportunidad para demostrar valor.

Pero hay una distinción importante: comenzar de forma estrecha, diseñar de forma amplia.

Los primeros casos de uso pueden concentrarse. La plataforma subyacente debe ser capaz de expandirse por toda la empresa. Se demuestran la economía, el modelo de gobernanza, las integraciones y los mecanismos de escalada humana en un puñado de flujos de trabajo significativos. Luego se expande a procesos adyacentes utilizando lo aprendido.

El volumen no debe ser el único criterio. Un flujo de trabajo de baja frecuencia aún puede ser extremadamente valioso si cada resolución exitosa conlleva un impacto financiero u operativo significativo.

A medida que las empresas se centran cada vez más en la resolución exitosa en lugar de simplemente maximizar el porcentaje de interacciones manejadas sin humanos, ¿cómo deben las organizaciones determinar qué decisiones puede tomar un agente de IA de forma autónoma y dónde la escalada humana debe seguir siendo obligatoria?

Druid AI ha creado un marco de evaluación que cubre 26 criterios y garantiza una valoración objetiva de la orquestación agente, desde cómo se construyó hasta cómo realiza el trabajo.

Si una acción es reversible, de bajo riesgo relativo, está gobernada por reglas claras y respaldada por información fiable, entonces hay un argumento sólido a favor de la autonomía. Reprogramar una cita con parámetros predefinidos es muy diferente de tomar una decisión clínica y puede parecer simple. Pero debe considerar muchos elementos para hacerlo de manera eficaz: p. ej., si el doctor B tiene una franja disponible, pero quería bloquearla, el agente de IA no debe reprogramar la cita de un paciente en esa franja solo porque la tarea es maximizar la cobertura del calendario del doctor.

Hay varias dimensiones que consideraría: la consecuencia financiera o humana de un error, si la acción es reversible, la completitud y calidad de la información disponible, los requisitos regulatorios y si se requiere un juicio o empatía humana genuinos. Luego se diseña la escalada de forma intencional.

Ahí es donde creo que las primeras ideas sobre la automatización con IA fueron demasiado simplistas. El objetivo se convirtió en “contener la mayor cantidad de interacciones posible sin involucrar a un humano”. Pero en muchos procesos, la escalada es precisamente el resultado correcto.

Por eso prefiero pensar en términos de resolución gobernada en lugar de pura contención.

El objetivo es que la IA resuelva de forma autónoma el trabajo que debe resolver, reconozca las situaciones en las que no debe actuar y aporte a una persona al proceso con el contexto relevante ya preparado.

Una vez que los agentes de IA pueden recuperar información sensible, actualizar sistemas empresariales e iniciar acciones en el mundo real, la observabilidad y la gobernanza se vuelven mucho más trascendentales. ¿Qué deberían poder auditar las empresas sobre el razonamiento, el acceso a datos y las acciones de un agente antes de confiar en él para flujos de trabajo críticos?

Siguiendo las directrices de Gartner, DRUID cuenta con un marco de evaluación incorporado que analiza a los agentes desde 5 ángulos: tolerancia al error, riesgo, cumplimiento, observabilidad y desviación. Bajo estas categorías, disponemos de un total de 26 componentes. Cada uno tiene una definición, un artefacto que puede abrirse y una medida.

Al evaluar un agente, la plataforma debe ser capaz de reconstruir la cadena completa desde la solicitud original del usuario hasta el sistema de acción final. Eso implica saber qué agente gestionó la solicitud, qué modelo se utilizó, qué contexto recibió el modelo, qué información empresarial se recuperó, qué reglas o políticas de negocio se aplicaron, por qué se seleccionó una ruta o acción concreta y qué cambió exactamente en los sistemas subyacentes. Decenas de interacciones auditables se rastrean, analizan y miden.

La identidad es igualmente importante. Un agente de IA nunca debe convertirse en un atajo que eluda el control de acceso empresarial. Es necesario saber quién inició la solicitud, a qué información o acciones estaba autorizado esa persona y si el agente se mantuvo dentro de esos límites exactos.

Con arquitecturas multi‑agente, la trazabilidad se vuelve aún más importante. ¿Qué agente delegó a otro agente? ¿Qué información cruzó ese límite? ¿Dónde se originó la decisión? ¿Qué componente ejecutó realmente la acción? Y luego está la evidencia operativa: marcas de tiempo, señales de confianza, resultados de ejecución, excepciones, eventos de escalada y la capacidad de comprender o reproducir lo sucedido.

Este es uno de los mayores cambios al pasar de la IA conversacional a la IA agente.

Cuando la IA solo responde a una pregunta, la observabilidad es útil. Cuando la IA puede modificar un registro de cliente, desencadenar un pago, actualizar múltiples sistemas de registro o iniciar un proceso empresarial, la observabilidad se convierte en parte de la arquitectura de control.

Ha desempeñado una gama inusualmente amplia de roles en Druid AI, abarcando desarrollo, operaciones, ingresos y éxito del cliente. ¿Cómo ha influido el trabajo directo con los clientes en su visión de por qué algunas implementaciones de IA empresarial generan valor medible mientras que otras permanecen estancadas en modo piloto?

Comencé mi carrera como desarrolladora y, como muchos ingenieros, inicialmente tenía la fuerte intuición de que si la tecnología era lo suficientemente buena, su valor debería ser evidente. Los clientes le enseñan muy rápido que así no funciona la tecnología empresarial.

Una implementación técnicamente sofisticada aún puede generar muy poco valor si el problema empresarial no es lo suficientemente importante, si el propietario del proceso está ausente, si la integración se trata como una reflexión posterior o si nadie ha acordado qué significa el éxito. Los clientes son extremadamente hábiles para eliminar la narrativa tecnológica. No les importa cuán elegante sea algo arquitectónicamente si el proceso del que son responsables no ha mejorado.

Cuando hablamos de implementaciones a esa escala, hay un propietario del negocio con un problema real que resolver. Existe un volumen medible, costo/ingreso o fricción. La IA está conectada a los sistemas donde realmente ocurre el trabajo. Y hay un plan de adopción y mejora continua después del lanzamiento. Los pilotos a menudo permanecen como pilotos porque demuestran que la tecnología funciona sin demostrar que el modelo operativo funciona. Por eso, cada vez que se diseña una solución de IA, capacitamos a nuestro personal y socios para que primero comprendan el trabajo, no los clics que los usuarios realizan en los sistemas. El “trabajo” significa todo el proceso, cómo tratan las excepciones, cuál es el resultado, con qué frecuencia aparecen las excepciones, qué impide que aumenten la productividad, cuánto tiempo lleva y qué esfuerzo se requiere para lograr un aumento de productividad si el trabajo no se automatiza.

Mi propia carrera ha pasado por tecnología, operaciones, ventas, éxito del cliente y creación de empresas, y ahora veo esa amplitud como una de mis mayores ventajas. La tecnología le enseña cómo funciona algo. Las ventas le enseñan por qué alguien pagará por ello. El éxito del cliente le enseña si funciona en el mundo real. Las operaciones le enseñan si la organización puede entregarlo de forma repetida y a gran escala.

En muchos sentidos, la evolución de Druid AI ha seguido el mismo camino: de demostrar que la IA conversacional podía funcionar, a demostrar que podía crear valor, a construir la infraestructura necesaria para que los agentes inteligentes sean fiables a escala empresarial.

También ha participado en Women in Tech Romania mientras construía Druid como una empresa internacional de IA. ¿Dónde sigue viendo las mayores barreras para que las mujeres funden y lideren empresas de IA, y qué aumentaría de manera significativa su representación a nivel ejecutivo y de fundadoras? 

Datos recientes resaltan una brecha notable en la tecnología europea: solo el 5 % de las startups de IA son fundadas o cofundadas por mujeres, y apenas la mitad de esas fundadoras poseen un doctorado. Aunque las estadísticas son impactantes, abordar esta disparidad requiere mirar más allá de las narrativas tradicionales sobre discriminación de género.

En esencia, el emprendimiento es una búsqueda individual moldeada por la personalidad, la tolerancia al riesgo, las prioridades personales y las decisiones profesionales. En lugar de verlo solo como una barrera social, debemos examinar la cadena práctica a través de la cual se forman los fundadores.

Si bien estadísticamente las niñas se sienten menos atraídas por disciplinas técnicas al principio, una barrera mucho más significativa y menos discutida surge más adelante en las carreras corporativas: la exposición a la plena propiedad del negocio.

Las mujeres a menudo sobresalen como especialistas técnicos de clase mundial y líderes funcionales. Sin embargo, menos transitan a roles con responsabilidad directa de ingresos, gestión de P&L, toma de decisiones comerciales y estrategia corporativa general. Estos son los músculos operativos exactos requeridos para fundar y escalar una empresa de tecnología empresarial.

Mi propia trayectoria, de desarrollo de software a CEO, no fue una línea recta, sino una serie de transiciones a través del liderazgo, operaciones, ejecución comercial y, finalmente, la creación de la empresa. En entornos como el sistema educativo rumano, donde la educación financiera práctica y la formación emprendedora faltaban para todos, independientemente del género, aprender a gestionar el riesgo empresarial fue un proceso paso a paso de exposición.

Superar esta brecha también requiere desmantelar un mito común: la idea de que el liderazgo tecnológico exige dominio absoluto antes de avanzar. En la era de la IA de rápido movimiento, nadie tiene todas las respuestas. Las cualidades de liderazgo definitorias hoy son la curiosidad, el aprendizaje continuo y la confianza para abordar problemas complejos antes de que el resultado esté garantizado.

Para ver a más mujeres dirigiendo empresas tecnológicas, debemos ampliar el acceso a redes comerciales, promover modelos a seguir visibles y alentar activamente a talentos experimentados a salir de los silos funcionales, asumir la responsabilidad de P&L y abrazar los riesgos de la propiedad empresarial.

De cara al futuro, ¿qué cree que separará a las plataformas de IA empresarial que se integren profundamente en las operaciones comerciales de los numerosos productos de IA que finalmente luchan por superar la fase de experimentación?

La línea divisoria será si pueden pasar de la inteligencia a una ejecución fiable.

Generar una respuesta impresionante ya está resultando relativamente fácil. Operar de forma fiable dentro de una gran empresa es otra historia.

Las plataformas que se integren en las operaciones empresariales deberán conectarse de forma segura a los sistemas existentes, en lugar de exigir a las compañías que reemplacen todo lo que ya utilizan. Necesitarán trabajar con diferentes modelos y tecnologías.

Necesitarán una orquestación capaz de coordinar agentes, flujos de trabajo y decisiones humanas. Y requerirán identidad, gobernanza, observabilidad y control diseñados en la arquitectura, en lugar de añadidos posteriormente.

Pero hay otro requisito que creo que separará cada vez más los experimentos de la infraestructura: la fiabilidad bajo condiciones imperfectas. Una demostración muestra lo que un sistema de IA puede hacer cuando todo funciona, pero una empresa quiere saber qué ocurre cuando algo falla.

¿Qué ocurre cuando los datos están incompletos? ¿Cuando una API falla? ¿Cuando dos políticas entran en conflicto? ¿Cuando la confianza es baja? ¿Cuando un usuario solicita algo para lo que no está autorizado?

Si un agente funciona brillantemente el 90 % del tiempo pero se comporta de manera impredecible en el 10 % restante, no se le puede asignar la responsabilidad de un proceso crítico.

Durante los últimos años, la pregunta dominante ha sido: “¿Qué puede hacer este modelo?”

La pregunta empresarial está convirtiéndose en: “¿Cómo puedo lograr este trabajo de manera eficaz?”

Las plataformas de IA que se integren profundamente en las organizaciones serán aquellas que puedan responder convincentemente a la segunda pregunta: técnica, operativa y económicamente. Esa es, en última instancia, la oportunidad que vimos al iniciar Druid AI: hacer que la inteligencia forme parte de cómo se realiza el trabajo.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deberían visitar Druid AI.