Ilan Gluck, Jefe de Go-to-Market, América del Norte en Digital Matter – Serie de Entrevistas

Ilan Gluck, Jefe de Go-to-Market, América del Norte en Digital Matter, es un experimentado líder tecnológico y comercial con un trasfondo que abarca Internet de las cosas (IoT), inteligencia artificial, tecnología de cadena de suministro, análisis de datos y estrategia empresarial. Antes de unirse a Digital Matter, pasó más de cinco años con Cox 2M y GearTrack, desempeñando el cargo de Gerente General y Director de Ingresos, y ayudando a avanzar en la visibilidad de la cadena de suministro y el seguimiento de activos en tiempo real. Anteriormente, Gluck fue Gerente General en Wasteless AI, donde trabajó en tecnología de precios dinámicos basada en inteligencia artificial diseñada para ayudar a los minoristas de alimentos a reducir el desperdicio, y ocupó puestos senior de producto y comercial en WeissBeerger, una empresa de IoT y análisis de datos adquirida por AB InBev. Comenzó su carrera en estrategia y operaciones en Deloitte Consulting, lo que le dio una combinación de experiencia en productos, comercialización y estrategia en tecnologías emergentes.

Digital Matter es una empresa global de hardware de IoT que se especializa en el seguimiento de activos de larga vida, monitoreo de sensores y soluciones de telemática. La empresa desarrolla dispositivos conectados resistentes y de baja potencia diseñados para despliegues en áreas como logística, seguimiento de flotas y equipos, monitoreo de la cadena de suministro, agricultura y aplicaciones ambientales, con millones de dispositivos desplegados en todo el mundo. Su hardware admite una serie de tecnologías de posicionamiento y conectividad, incluyendo el Sistema de Navegación por Satélite Global (GNSS), posicionamiento Wi-Fi, Bluetooth Low Energy (BLE), IoT celular, LoRaWAN y conectividad satelital. Digital Matter también ofrece una plataforma de administración de dispositivos basada en la nube que permite a los clientes y socios configurar, monitorear, aprovisionar y administrar dispositivos conectados a escala.

Antes de unirse a Digital Matter, trabajó en GearTrack, Wasteless AI y WeissBeerger, donde se utilizó datos operativos en tiempo real para mejorar las cadenas de suministro, reducir el desperdicio y tomar mejores decisiones comerciales. ¿Cómo ha influido esa experiencia en su visión de IoT como base para la inteligencia artificial empresarial?

A lo largo de GearTrack, Wasteless AI y WeissBeerger, vi de primera mano que la mejor tecnología es solo tan buena como los datos que la respaldan.

Cada empresa resolvía un problema diferente, pero el hilo común era el uso de información en tiempo real del mundo físico para tomar mejores decisiones. Eso podría significar entender dónde estaba el inventario, identificar el desperdicio antes de que sucediera o ayudar a una empresa a responder más rápido a lo que estaba cambiando en el terreno.

Esas experiencias realmente han moldeado cómo pienso sobre IoT y la inteligencia artificial. Mucha información operativa valiosa todavía no se capta en los sistemas empresariales tradicionales. Existe en vehículos, equipos, inventario, instalaciones y cadenas de suministro. IoT es lo que convierte esa actividad física en datos utilizables.

Para mí, eso hace que IoT sea una base crítica para la inteligencia artificial empresarial. Le da a la inteligencia artificial una imagen mucho más clara y actualizada de cómo opera realmente una empresa. En lugar de solo mirar hacia atrás a los informes históricos, las empresas pueden comenzar a identificar patrones, anticipar problemas y tomar mejores decisiones en tiempo real.

Muchas empresas están entrenando modelos de inteligencia artificial con los mismos conjuntos de datos públicos que sus competidores. ¿Por qué cree que los datos operativos propiedad son una fuente más importante de diferenciación de inteligencia artificial?

Mismo dato de entrada, mismas ideas de salida. A medida que el acceso a los modelos de inteligencia artificial se vuelve más ampliamente disponible, los modelos en sí se están convirtiendo en commodities, con el verdadero diferenciador siendo la calidad, la unicidad y la relevancia de los datos que los alimentan.

Si todos están utilizando las mismas herramientas entrenadas con los mismos conjuntos de datos públicos, terceros o históricos, todos llegan a conclusiones aproximadamente iguales.

Tome dos minoristas que compiten que utilizan la misma plataforma de inteligencia artificial, previsiones de mercado y datos de demanda histórica. Si uno de ellos ha desplegado sensores IoT en sus almacenes, remolques, palets y equipos, está continuamente alimentando a su inteligencia artificial con datos de la verdad en el terreno: información en tiempo real sobre el movimiento de inventario, tiempos de espera, utilización de activos, cuellos de botella y interrupciones operativas. Su inteligencia artificial no solo está aprendiendo de lo que sucedió el último trimestre. Está aprendiendo continuamente de lo que está sucediendo en la empresa en este momento.

Con el tiempo, eso se convierte en una ventaja real. Su inteligencia artificial no se basa únicamente en tendencias históricas o benchmarks de terceros. Está aprendiendo de las operaciones de la empresa en tiempo real, creando una fuente de inteligencia que los competidores no pueden comprar, raspar o replicar.

Cuando se despliegan sensores en flotas, instalaciones, equipos y cadenas de suministro, ¿qué tipo de inteligencia operativa pueden capturar las empresas que de otra manera se perderían?

Muchas organizaciones toman decisiones críticas sin visibilidad continua en lo que está sucediendo en sus operaciones físicas. Pueden saber cuánto inventario tienen o cuándo se programó la llegada de un envío, pero a menudo carecen de información sobre cómo los activos, los equipos y los flujos de trabajo están funcionando realmente día a día.

Al desplegar sensores en flotas, instalaciones, equipos y cadenas de suministro, las organizaciones pueden identificar cuellos de botella, rastrear la utilización de activos, monitorear el movimiento de inventario y entender cómo las condiciones del mundo real están afectando el rendimiento.

Por ejemplo, un minorista puede saber que el inventario llegó a un centro de distribución y finalmente se entregó a una tienda, pero no darse cuenta de que ciertos palets pasan consistentemente varios días adicionales en un área de espera antes de moverse hacia abajo. Sin datos de sensores, ese retraso permanece en gran medida invisible. Con IoT, se vuelve medible y se puede actuar sobre él: permitiendo a los equipos identificar la causa raíz, mejorar el flujo de inventario y reducir los problemas de disponibilidad de stock.

¿Cómo difiere el dato generado por IoT del dato empresarial tradicional al entrenar, afinar o fundamentar sistemas de inteligencia artificial?

Los datos empresariales tradicionales suelen ser transaccionales e históricos, capturando eventos que ya han sucedido, como pedidos, facturas, registros de inventario o procesos comerciales completados. Si bien esa información es valiosa, principalmente refleja una instantánea del pasado. Y con los mercados moviéndose más rápido que nunca, lo que sucedió la última temporada puede no decir mucho sobre esta.

Los datos generados por IoT son diferentes porque capturan lo que está sucediendo en tiempo real. Proporcionan información continua sobre la ubicación de los activos, el movimiento, la utilización, las condiciones ambientales y otros señales de operación que no suelen estar disponibles en los sistemas empresariales tradicionales.

Para las aplicaciones de inteligencia artificial, esa distinción es importante. Los datos históricos ayudan a explicar qué sucedió, mientras que los datos de IoT ayudan a establecer qué está sucediendo ahora. Cuando las organizaciones combinan ambos, pueden fundamentar los sistemas de inteligencia artificial en realidades operativas actuales, creando ideas más precisas y permitiendo una toma de decisiones más rápida y mejor informada.

Digital Matter enfatiza dispositivos de baja potencia y duraderos construidos para el seguimiento de activos de larga vida y el monitoreo de sensores. ¿Cuáles son los mayores desafíos técnicos para mantener que los dispositivos de IoT produzcan datos de manera confiable durante años en entornos complejos?

Los dispositivos de IoT a menudo se despliegan en entornos que son difíciles de predecir y aún más difíciles de controlar. Un solo dispositivo puede pasar años moviéndose entre instalaciones, vehículos, sitios de clientes, ubicaciones remotas y áreas con conectividad inconsistente.

Uno de los mayores desafíos es equilibrar la visibilidad con el consumo de energía. Cuanto más frecuentemente un dispositivo recopila y transmite datos, más energía consume. Diseñar dispositivos que puedan capturar eventos significativos de manera inteligente, adaptarse a condiciones operativas cambiantes y maximizar la vida de la batería durante varios años es crítico para entregar datos confiables a escala.

La durabilidad es igualmente importante. Los dispositivos deben soportar vibraciones, impactos, fluctuaciones de temperatura, humedad y años de uso diario mientras continúan funcionando consistentemente, con poco o ningún mantenimiento. Incluso una pequeña tasa de fallas puede convertirse en un desafío operativo significativo cuando los despliegues se escalan a miles o decenas de miles de dispositivos.

¿Cómo puede la inteligencia artificial ayudar a las empresas a ir más allá de simplemente rastrear dónde está un activo, hacia predecir fallos, optimizar rutas, reducir el desperdicio o mejorar la utilización?

Saber dónde está un activo es importante, pero la ubicación sola solo cuenta parte de la historia. La verdadera oportunidad viene de entender cómo se están utilizando los activos con el tiempo e identificar patrones que serían difíciles de detectar manualmente. Cuando las organizaciones combinan datos de IoT con inteligencia artificial, van más allá de simplemente reaccionar a eventos y comienzan a anticiparlos.

Al analizar tendencias en el movimiento, la utilización, el tiempo de espera, las condiciones ambientales y otros datos operativos, la inteligencia artificial puede ayudar a identificar ineficiencias, predecir posibles problemas y presentar oportunidades de mejora. Eso puede llevar a una mejor utilización de los activos, operaciones más eficientes, menos desperdicio y una toma de decisiones más rápida. El valor no es solo saber dónde está un activo hoy, sino usar los datos que genera para tomar decisiones más inteligentes sobre lo que sucede a continuación.

En industrias como logística, cadena de frío, atención médica, construcción o gestión de equipos, ¿dónde ve las oportunidades más fuertes a corto plazo para combinar datos de IoT con inteligencia artificial?

Las oportunidades más fuertes están en las industrias que gestionan enormes volúmenes de activos distribuidos en operaciones complejas, lo que es por qué la logística, la cadena de frío, la atención médica, la construcción y la gestión de equipos todas encajan en el perfil.

Y esto no es teórico. Las grandes empresas, desde minoristas importantes hasta fabricantes de automóviles y fabricantes de equipos pesados, ya están ejecutando esta estrategia, lo que es exactamente por qué están invirtiendo mucho en IoT. Cada vez más, sus juntas directivas ya no preguntan si están utilizando inteligencia artificial. Están preguntando de dónde proviene el valor empresarial medible, y las respuestas son operativas: mayor rendimiento, menos incidentes de calidad, mejor entrega a tiempo y mejor experiencia del cliente.

En el corto plazo, el mayor valor provendrá de ayudar a las organizaciones a tomar mejores decisiones operativas utilizando la actividad que ya generan todos los días pero que nunca han podido capturar o aprovechar completamente.

Al desplegar más sensores y dispositivos conectados, ¿cómo deben pensar las empresas sobre la calidad de los datos, la confiabilidad de la señal, la seguridad y la gobernanza al tratar los datos de IoT como un activo estratégico de inteligencia artificial?

Los modelos de inteligencia artificial son solo tan buenos como los datos que los respaldan. Las organizaciones tienden a centrarse en recopilar más datos, pero si esos datos son incompletos, inconsistentes o poco fiables, las ideas de la inteligencia artificial también serán poco fiables. Es el clásico problema de “basura que entra, basura que sale”, y a escala empresarial se convierte en un error costoso.

Por eso, la calidad de los datos debe ser una prioridad desde el primer día. Las organizaciones necesitan confianza en que los datos se recopilan consistentemente, se transmiten de manera segura y reflejan con precisión lo que está sucediendo en el mundo físico, junto con una gobernanza clara sobre de dónde provienen los datos, cómo se gestionan y cómo deben interpretarse.

En última instancia, el valor no está en generar más datos. Está en generar datos de alta calidad y confiables que puedan servir como una base fiable para la toma de decisiones.

Para las empresas que ya tienen despliegues de IoT en lugar, ¿qué pasos deben tomar para hacer que esos datos sean más utilizables para las aplicaciones de inteligencia artificial?

El primer paso es comenzar con el problema empresarial, no con la inteligencia artificial. Una vez que el objetivo esté claro, ya sea reducir el tiempo de espera, mejorar la utilización o reducir las pérdidas, se vuelve mucho más fácil identificar los datos, los flujos de trabajo y las capacidades de inteligencia artificial necesarias para respaldarlo. Muchas organizaciones ya recopilan enormes cantidades de datos operativos, pero se encuentran en sistemas desconectados y nunca llegan a una decisión.

El segundo paso es el que la mayoría de las empresas subestiman, y es el cambio de gestión. Los despliegues a escala rara vez fallan debido a la tecnología. Fallan cuando la gente no actúa sobre lo que los datos les están diciendo. Una alerta de que un área de espera está bajo stock solo crea valor si alguien realmente mueve el inventario, así que construir los procesos y hábitos que conectan las ideas con la acción es la parte más difícil y más importante del trabajo.

En última instancia, las empresas que ven el mayor éxito son aquellas que conectan los datos operativos con resultados empresariales medibles y aseguran que su gente los utilice.

Mirando hacia adelante, ¿cree que la inteligencia operativa propiedad se convertirá en una de las mayores barreras que separan a los líderes de inteligencia artificial de las empresas que simplemente utilizan las mismas herramientas que todos los demás? 

Sí. A medida que la inteligencia artificial se vuelve más ampliamente disponible, la tecnología en sí se convierte en menos diferenciadora.

Las organizaciones que se destacan serán aquellas que generen inteligencia operativa única de sus propios entornos y la utilicen para tomar mejores decisiones. En muchas industrias, parte de la información más valiosa todavía existe en el mundo físico, en activos, equipos, inventario y cadenas de suministro, y no se puede comprar, raspar o replicar por un competidor.

Las empresas que puedan capturar, entender y actuar consistentemente sobre esa información estarán en una posición mucho más fuerte que aquellas que confían únicamente en las mismas herramientas y conjuntos de datos que todos los demás.

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