Edwin Lisowski, Co-Fundador y Director de Crecimiento de Addepto – Serie de Entrevistas

Edwin Lisowski, Co-Fundador y Director de Crecimiento de Addepto, supervisa el crecimiento estratégico, el desarrollo empresarial y el marketing de la empresa. Aporta una amplia experiencia en arquitectura de datos, estrategia impulsada por IA y consultoría de análisis, combinando la experiencia técnica con un fuerte enfoque en la escalabilidad de la adopción de IA y las iniciativas de transformación empresarial para clientes globales.

Addepto es una empresa de consultoría con sede en Varsovia que se especializa en inteligencia artificial, aprendizaje automático, ingeniería de datos y soluciones de inteligencia empresarial para clientes empresariales. La empresa ayuda a las organizaciones a convertir los datos brutos en conocimientos útiles a través de la estrategia de IA de extremo a extremo, el desarrollo de pruebas de concepto y la implementación de modelos listos para la producción. Trabajando en sectores como finanzas, logística, fabricación y seguros, Addepto enfatiza las soluciones personalizadas y las asociaciones a largo plazo para ayudar a los clientes a aprovechar la IA para un impacto empresarial medible.

¿Qué te inspiró a co-fundar Addepto en 2018, y qué brecha en el mercado estabas tratando de llenar?

En 2018, seguíamos viendo dos extremos: grandes proveedores que vendían “una talla para todos” de IA y, por otro lado, equipos internos que se quedaban atascados después de unas pocas pruebas de concepto porque carecían de ingeniería de datos y músculo de MLOps. Construimos Addepto para ser el equipo que conecta la estrategia → la ingeniería de datos → los modelos → la producción, especialmente para industrias con gran cantidad de datos. Ese enfoque de pila completa sigue siendo nuestro ADN.

¿Cuál de las áreas de servicio de Addepto — visión por computadora, NLP, aprendizaje automático o ingeniería de datos — ha visto la adopción empresarial más rápida, y por qué?

En los últimos 18-24 meses, NLP/GenAI ha avanzado más rápidamente en la empresa (búsqueda, asistentes, procesamiento de documentos) porque se relaciona directamente con el ROI del trabajo del conocimiento y puede comenzar a partir de modelos de base. Las encuestas de la industria muestran un gran aumento en el uso de la IA en 2024, con casos de uso liderados por GenAI que se escalan a través de las funciones.

Muchas empresas luchan por pasar de la prueba de concepto de IA a los sistemas de producción. ¿Cómo ayuda Addepto a cerrar esa brecha?

Tratamos la producción como una disciplina, no como una fase: talleres de descubrimiento, contratos de datos, arquitecturas de referencia, CI/CD para modelos, observabilidad y “día 2” de operaciones (deriva, costo, guardias). Concretamente, estandarizamos MLOps y refactorizamos las pruebas de concepto en puntos finales de microservicio que se ajustan a la pila del cliente (Databricks/Spark, Kubernetes, BI existente). Así es como consistentemente enviamos más allá de las demostraciones.

La IA generativa ahora es central en tus ofertas. ¿Cómo decides cuándo aplicar modelos de base versus desarrollo de modelos personalizados?

Nuestro árbol de decisión es pragmático:

• Comienza con modelos de base cuando el tiempo de valor, las tareas de lenguaje amplias y la variabilidad dominan.
• Pasa a la afinación o los adaptadores cuando la precisión del término del dominio o el tono es crítica.
• Construye modelos personalizados cuando la latencia/costo/control de IP es importante, los datos son propietarios/estructurados o se aplican restricciones de borde.
  Esto refleja hacia dónde se dirigen las empresas: menos “experimentos”, más arquitecturas con fines específicos.

En 2024, lanzaste ContextClue como una plataforma de gestión de conocimiento dedicada. ¿Qué punto de dolor te convenció de que era el momento adecuado para un producto separado?

Los clientes de ingeniería nos pedían lo mismo: “Nuestros CAD, PLM, ERP y documentos no hablan, ¿puedes hacer que piensen juntos?” Habíamos resuelto esto repetidamente en proyectos, así que productizamos el patrón. 2024 fue el momento adecuado porque GenAI hizo que la recuperación y la autoría fueran utilizables para los ingenieros (no solo para los equipos de datos). Anunciamos y comenzamos a implementarlo en ese marco de tiempo.

ContextClue se integra con CAD, ERP, PLM y documentos técnicos. ¿Cuál de esas fuentes de datos es la más difícil de unificar, y cómo lo resuelves?

CAD es el más difícil: formatos binarios/propietarios, versiones, ensamblajes y contexto espacial. Normalizamos CAD junto con los metadatos de PLM/ERP, luego mapeamos todo en un gráfico de conocimiento para que las partes, los sistemas, las especificaciones y los procedimientos se resuelvan en las mismas entidades. Esa es la columna vertebral de la canalización de ingesta de ContextClue.

La plataforma admite búsqueda semántica y generación de documentos. ¿Cómo garantizas la precisión y la confianza en esas salidas para los equipos de ingeniería?

Tres capas:

• Recuperación basada en esquema (RAG consciente del esquema sobre el gráfico de conocimiento) con citas a los artefactos de origen.
• Política + pruebas (conjuntos de evaluación en CI, prompts de equipo rojo, pruebas de regresión).
• Humano en el bucle para salidas críticas (documentos SOP, documentos de cumplimiento). Incluso abrimos partes de nuestra cadena de herramientas de evaluación y extracción de gráficos para que sea auditables.

¿Qué hace que ContextClue sea distinto de otras herramientas de gestión de conocimiento en los ecosistemas de ingeniería y industria pesada?

Es nativo de ingeniería: no solo “busca archivos”, sino que entiende ensamblajes, dependencias e impacto de cambios, enlaza CAD/PLM/ERP y el historial de mantenimiento en un gráfico utilizable. Las herramientas de gestión de conocimiento competidoras a menudo se detienen en la indexación; ContextClue unifica la estructura + la semántica y produce tanto documentos legibles por humanos como modelos legibles por máquina (para gemelos digitales, planificación).

¿Cómo ves que ContextClue evolucione con el surgimiento de la IA multimodal, especialmente en la combinación de texto, esquemas y modelos 3D?

Dos direcciones ya están en marcha:

• Visión sobre CAD y esquemas: extrayendo topología, llamadas y enlaces de lista de materiales para basar las respuestas en los dibujos.
• Alineación 3D: enlazando nodos de conocimiento con coordenadas 3D/vistas de Omniverse para que las consultas de mantenimiento o planificación se resuelvan en el lugar correcto del modelo. Espera agentes más ricos que naveguen por partes, versiones y procedimientos a través de modalidades.

Mirando hacia el futuro, ¿cómo ves que Addepto y ContextClue se influyan mutuamente en su crecimiento, y dónde imaginas su impacto combinado en la industria en la próxima década?

Addepto seguirá impulsando la frontera, produciendo sistemas multimodales/agénticos de manera responsable, mientras ContextClue convierte esa I+D en valor repetible para los equipos de ingeniería. Juntos, apuntamos a reducir el “desperdicio de conocimiento” (tiempo perdido buscando/re-creando) a escala, midiendo resultados como el tiempo de ciclo de ingeniería, las tasas de retrabajo y el tiempo de preparación para auditorías en plantas y programas. El mercado se está moviendo de “muchos pilotos” a “despliegues de mayor valor y menos frecuentes”, y planeamos ser el socio y la plataforma que entregue consistentemente esas victorias.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Addepto.