Derek Slager, Co-Fundador y Co-CEO de Amperity – Serie de Entrevistas

Derek Slager es co-fundador y co-CEO de Amperity, donde lidera la transformación de la empresa en cuanto a inteligencia artificial en ambos productos y la forma en que opera la empresa. Co-fundó Amperity para brindar a los marketeros y analistas datos de clientes que puedan confiar, y construyó la arquitectura de resolución de identidad y perfil en tiempo real patentada detrás del contexto de cliente confiable de Amperity. Anteriormente, estuvo en el equipo fundador de Appature y ocupó puestos de liderazgo en ingeniería en sistemas distribuidos y seguridad a gran escala.

Amperity es una nube de datos de clientes impulsada por inteligencia artificial diseñada para ayudar a las empresas a unificar la información de clientes fragmentada de fuentes en línea y fuera de línea en perfiles de clientes precisos y en tiempo real. Su plataforma combina la resolución de identidad basada en aprendizaje automático, gestión de datos, análisis, modelado predictivo y herramientas de activación, lo que permite a los equipos de marketing y datos comprender mejor el comportamiento del cliente, personalizar experiencias, medir el impacto en los ingresos y coordinar acciones en varios canales. Fundada en 2016, Amperity atiende a más de 400 marcas en todo el mundo, incluyendo Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts y DICK’S Sporting Goods (DKS ).

Ha trabajado en análisis avanzados, conocimientos de clientes, gestión de productos, ML/MLOps y estrategia de inteligencia artificial, ayudando a construir productos fundamentales antes de Amperity. ¿Cómo ha moldeado ese camino su forma de pensar sobre la relación entre la calidad de los datos de los clientes y el rendimiento de la inteligencia artificial?

Mi trabajo en la industria se ha centrado en un problema: ¿cómo hacer que la inteligencia artificial razone correctamente sobre las personas cuando los datos que describen a esas personas siempre son incompletos, inconsistentes y cambiantes? Al principio, en roles de análisis y productos, vi cómo los equipos construían modelos cada vez más sofisticados sobre datos de clientes que eran fundamentalmente poco fiables: registros duplicados, identificadores no coincidentes, atributos desactualizados. Ninguna cantidad de sofisticación en la modelización solucionaba eso; solo lo ocultaba más efectivamente.

Esa intuición es lo que nos llevó a construir Amperity: la resolución de identidad no es una capa opcional sobre la inteligencia artificial, es la base sobre la que se apoya todo lo demás. Cuando miro la inteligencia artificial empresarial hoy en día, veo el mismo patrón reproduciéndose a una escala mucho mayor. Los equipos están invirtiendo recursos en la selección de modelos y la ingeniería de prompts mientras tratan los datos de los clientes que alimentan esos modelos como algo dado. No lo son. Si se equivoca en la capa de identidad, cada sistema de inteligencia artificial descendente hereda ese error y lo amplifica.

A menudo escuchamos discusiones de inteligencia artificial empresarial centradas en la selección de modelos, pero usted argumenta que los datos de identidad de cliente confiables están volviéndose igual de importantes. ¿Por qué la conversación se está desplazando de “¿Qué modelo es el mejor?” a “¿Qué datos puede confiar la inteligencia artificial?”

En los primeros años de la ola de inteligencia artificial generativa, las capacidades de los modelos eran realmente el cuello de botella, ya que las herramientas simplemente no eran lo suficientemente buenas. Ahora, eso ha cambiado. Los modelos líderes de hoy son notablemente capaces, y la brecha entre ellos se ha reducido para la mayoría de los casos de uso empresariales. Lo que no ha seguido el ritmo es el dato que alimenta esos modelos dentro de la empresa.

Puedes poner el modelo más avanzado frente a un agente de servicio al cliente o un motor de personalización, pero si está razonando sobre tres perfiles duplicados para la misma persona, una dirección de correo electrónico desactualizada y un historial de compras que falta la mitad de los canales en los que esa persona compra, la salida va a estar mal. La conversación se está desplazando porque los líderes sienten esa brecha directamente. Han adoptado un gran modelo y aún no ven el retorno de la inversión que esperaban. La próxima ventaja real no vendrá de un modelo mejor. Va a depender de si una organización puede dar a sus sistemas de inteligencia artificial algo confiable sobre lo que razonar en primer lugar.

¿Cuáles son las formas más comunes en que los datos de identidad de cliente inexactos o fragmentados pueden socavar los resultados de la inteligencia artificial, incluso cuando el modelo subyacente es técnicamente sólido?

Unos patrones aparecen constantemente. El más básico es la duplicación. El mismo cliente existe como cinco o seis registros diferentes en varios canales, cada uno con una visión parcial de esa persona, por lo que un sistema de inteligencia artificial podría enviar una oferta de recuperación a alguien cuya suscripción es activa bajo un registro diferente. Luego está la desactualización. Datos que eran precisos hace un año pero que no se han actualizado, por lo que un modelo está optimizando basándose en quién era el cliente en lugar de quién es ahora. También hay una fusión excesiva, que es más sutil: sistemas de identidad que son demasiado agresivos al emparejar y que combinan a dos personas diferentes en un solo perfil, y ahora un agente de inteligencia artificial está tomando decisiones con confianza en nombre de alguien que no existe en realidad. Y finalmente, hay brechas simples. Actividad de lealtad en un sistema, historial de soporte en otro, comportamiento de navegación en un tercero, sin que ningún sistema tenga la imagen completa. Individualmente, cada uno de estos parece un problema de higiene de datos. En un contexto de inteligencia artificial, se combinan porque el modelo no sabe lo que no sabe. Simplemente produce una respuesta con total confianza.

¿Cómo cambian las cosas para las marcas cuando los consumidores cada vez más confían en sistemas de inteligencia artificial para comparar opciones, evaluar lealtad y tomar decisiones de compra?

Normalmente, las marcas controlaban la puerta de entrada. Construían un sitio web, optimizaban para búsqueda, refinaban su embudo y los clientes venían directamente o a través de resultados que podían influir. Ahora, esa puerta de entrada es una conversación con un asistente de inteligencia artificial que la marca no controla y no puede ver completamente.

Alguien le pide a una herramienta de inteligencia artificial que compare programas de lealtad o recomiende un hotel, y el trabajo de la marca ahora es ser lo suficientemente legible y confiable en ese momento para ser la respuesta que da la inteligencia artificial. Eso es un cambio genuino en lo que el marketing debe optimizar. Significa que la calidad, la estructura y la precisión de los propios datos y contenido de la marca importan más, porque los sistemas de inteligencia artificial están sintetizando a partir de cualquier señal que puedan encontrar.

La investigación de Amperity sugiere que solo una minoría de consumidores va directamente a marcas familiares sin considerar primero las recomendaciones de inteligencia artificial. ¿Qué significa esto para la lealtad de la marca, la personalización y el viaje del cliente tradicional?

Encuestamos a 1,000 consumidores estadounidenses a principios de este año, y un número me llamó la atención: menos de un cuarto dijo que va directamente a una marca que ya conoce sin considerar primero una recomendación de inteligencia artificial, y el 60% dijo que la inteligencia artificial ya los ha llevado a una marca que no habían considerado previamente. Eso erosiona la ventaja predeterminada que tenían las marcas establecidas. La lealtad no ha desaparecido, pero el embudo por encima de esa decisión ha cambiado. Las marcas están siendo evaluadas y preseleccionadas por sistemas que no controlan, basándose en cualquier dato disponible sobre ellas.

Las estrategias de personalización construidas sobre la suposición de que “ya conocemos a este cliente, así que no necesitamos ganar su atención” van a tener un rendimiento inferior. Al mismo tiempo, el viaje del cliente en sí se ha vuelto menos lineal. Un cliente puede llegar al sitio web de una marca ya habiendo sido “vendido” por un resumen de la inteligencia artificial de reseñas y comparaciones, lo que significa que la experiencia de la marca debe sostenerse frente a expectativas que nunca tuvo la oportunidad de moldear directamente.

La resolución de identidad ha existido como un problema de datos durante años. ¿Qué la hace más urgente ahora que los agentes de inteligencia artificial, copilotos y interfaces de inteligencia artificial generativa se están convirtiendo en parte de los flujos de trabajo empresariales diarios?

La resolución de identidad siempre ha importado para cosas como prevenir correo duplicado o asegurarse de que un miembro de lealtad obtenga el crédito adecuado por una compra. Esos son problemas reales, pero relativamente perdonables donde un ser humano generalmente atrapa el error. Los agentes eliminan esa red de seguridad.

Cuando un agente de inteligencia artificial está autorizado a tomar acciones reales, ya sea emitir un reembolso, aplicar un descuento, recomendar la próxima mejor oferta o actualizar una preferencia, lo hace sobre la resolución de identidad que se le ha dado, a velocidad de máquina y a menudo sin un ser humano en el bucle. Si se equivoca en la identidad, el agente no solo se equivoca una vez. Puede fallar sistemáticamente e inmediatamente, a escala, antes de que alguien se dé cuenta. Eso es lo que hace que este momento sea más urgente que antes.

¿Cómo deberían pensar las empresas sobre la identidad del cliente como parte de su estrategia de gobernanza de inteligencia artificial, junto con la privacidad, la seguridad, el monitoreo de modelos y el cumplimiento?

Pondría la identidad del cliente justo al lado de esos otros pilares, no debajo de ellos. La mayoría de las conversaciones sobre gobernanza de inteligencia artificial se centran en el modelo: ¿está sesgado, es seguro, cumple y se monitorea para detectar desviaciones? Esos son necesarios, pero asumen que la entrada que el modelo está razonando es sólida. Si la capa de identidad está mal, puedes tener un modelo gobernado perfectamente que produce decisiones sobre la persona equivocada, o un modelo que parece sesgado cuando el problema real es que sus datos estaban fragmentados de maneras que perjudicaban a ciertos segmentos de clientes.

Prácticamente, esto significa que el mismo rigor que las organizaciones aplican al monitoreo de modelos necesita aplicarse a la capa de identidad y datos subyacente. ¿Quién es el dueño del registro dorado del cliente? ¿Cómo se mide y se monitorea la calidad de la coincidencia con el tiempo? ¿Qué sucede cuando una coincidencia es incorrecta? Esas deben ser preguntas de gobernanza con la misma prioridad que cualquier cosa que suceda en la capa del modelo.

Muchas organizaciones están invirtiendo mucho en pilotos de inteligencia artificial, pero sus datos de clientes siguen siendo fragmentados en marketing, comercio, soporte, lealtad y sistemas fuera de línea. ¿Qué pasos prácticos deben tomar los líderes antes de escalar la inteligencia artificial en la toma de decisiones operativas?

El patrón que veo más a menudo es una organización que ejecuta varios pilotos de inteligencia artificial prometedores —un chatbot aquí, un experimento de personalización allá—, cada uno conectado a los datos que casualmente están más cerca para ese equipo. Funciona lo suficientemente bien como para obtener financiamiento, pero luego golpea un muro cuando alguien intenta escalarlo a una decisión operativa real, porque los datos del piloto nunca reflejaron al cliente completo.

El primer paso práctico es un inventario honesto: saber dónde vive cada fuente de verdad del cliente (marketing, comercio, soporte, lealtad, fuera de línea). ¿Cuánto se superponen? ¿Dónde no? En segundo lugar, invertir en resolución de identidad antes de invertir en más pilotos. Es lo que permite que cada futativa iniciativa de inteligencia artificial reutilice la misma base confiable, en lugar de que cada equipo reconstruya una parcial. En tercer lugar, construir un pequeño número de propietarios transfuncionales para esos datos de clientes unificados, en lugar de dejar la propiedad a cualquier equipo que la necesite para su piloto actual. Las organizaciones que obtienen esta secuencia al revés terminan con una cartera de pilotos de inteligencia artificial que nunca dejan la etapa de piloto, porque ninguno de ellos puede confiarse con una decisión real.

¿Dónde dibuja la línea entre personalización que se siente útil y personalización que se siente invasiva, especialmente cuando los sistemas de inteligencia artificial pueden inferir más de perfiles de clientes unificados?

La línea es menos sobre cuánto sabe una marca y más sobre si lo que hace con ese conocimiento se siente ganado y relevante en el momento. Una recomendación basada en el historial de compras real de alguien se siente útil. Una recomendación que revela una inferencia que el cliente nunca compartió explícitamente se siente invasiva, incluso cuando es precisa, porque expone cuánto se está compartiendo.

Nuestro informe encontró que una gran mayoría de consumidores dice que están más dispuestos a interactuar con personalización cuando confían en cómo se está utilizando su datos, y una mayoría dice que la personalización que se siente invasiva los hace menos propensos a elegir una marca en absoluto. Mi regla de oro para los equipos que construyen sobre inferencia impulsada por inteligencia artificial es simple: si no querrías explicar, en lenguaje plano, por qué el sistema sabe lo que sabe, no actúes sobre ello todavía. La personalización debe sentirse como ser reconocido, no como ser vigilado.

Mirando hacia adelante, ¿qué separará a las empresas que obtienen un valor real de la inteligencia artificial de aquellas que siguen atascadas en el modo de experimentación: mejores modelos, mejor infraestructura de datos, gobernanza más fuerte o un nuevo modelo de operación?

La calidad del modelo nunca fue destinada a ser el diferenciador duradero. Evoluciona demasiado rápido, y la mayoría de las empresas tienen acceso a modelos aproximadamente iguales. La gobernanza importa, pero es una restricción, no una fuente de valor por sí sola. Las dos cosas que realmente creo que separan a las empresas que avanzan son la infraestructura de datos y el modelo de operación, que están conectados.

Las empresas que obtienen un valor real de la inteligencia artificial son aquellas que ya han invertido en tener una visión única, confiable y continuamente actualizada del cliente, para que cualquier nueva capacidad de inteligencia artificial pueda apuntar a esa base en lugar de coser su propia. Pero eso solo funciona si el modelo de operación cambia también: si las iniciativas de inteligencia artificial todavía son propiedad de equipo por equipo, con cada grupo definiendo su propia versión del cliente, seguirás introduciendo los mismos problemas de calidad de datos. Las organizaciones que rompen el modo de experimentación son aquellas que tratan los datos de clientes confiables como infraestructura compartida y construyen su modelo de operación de inteligencia artificial alrededor de esa suposición desde el principio.

Gracias a Derek por la entrevista perspicaz. Los lectores pueden aprender más sobre Amperity y explorar las últimas ideas de Derek Slager en su página de autor de Unite.AI.