Jen Vescio, presidenta de Empiric Earth – Serie de entrevistas

Jen Vescio es presidenta de Empiric Earth, donde supervisa la estrategia de producto, el desarrollo corporativo y la comercialización. Anteriormente fue directora de desarrollo de negocio de Uber, donde lideró el desarrollo de negocio a escala global y la creación de nuevas alianzas en los ámbitos de la movilidad y la autonomía. Su experiencia también abarca la inversión en empresas tecnológicas emergentes y su asesoramiento, con especial atención a ayudar a que la IA física pase de la investigación a la implementación comercial.

Empiric Earth reúne a Nexar y Nauto para ofrecer inteligencia sobre la conducción en el mundo real, modelos de seguridad y capacidades de validación. La empresa combina miles de millones de millas de historial de conducción con registros de sucesos poco frecuentes para ayudar a desarrolladores, flotas y otras organizaciones a comprender el rendimiento y los riesgos. En esta entrevista, Vescio habla de la evaluación independiente, la gobernanza responsable de los datos, la comercialización y la infraestructura necesaria para ampliar la IA física.

Has tenido una extensa trayectoria que abarca el desarrollo de negocio a escala global en Uber, las inversiones en tecnologías emergentes y el asesoramiento a empresas del ámbito de la IA física. Primero te incorporaste al consejo de administración de Empiric Earth en abril y hace poco asumiste el cargo de presidenta. ¿Qué te atrajo de la empresa y qué terminó por convencerte de asumir un puesto de liderazgo más práctico?

Como inversora y asesora en IA física, no dejaba de encontrarme con la misma carencia. Muchos equipos realizaban experimentos, pero muy pocos contaban con datos del mundo real que demostraran que sus sistemas funcionaban fuera de un entorno de pruebas. Empiric Earth ya disponía de esos datos. Más de 10.000 millones de millas de conducción real y 60 millones de casos límite son algo que no se puede comprar ni falsificar.

Eso sitúa a la empresa en una posición poco habitual. No necesitamos competir con las empresas que desarrollan robots, vehículos o modelos. Podemos ayudar a todas ellas a llegar antes al mercado proporcionándoles la inteligencia del mundo real que necesitan para gestionar los riesgos, validar el rendimiento y generar confianza. Desde mi puesto en el consejo, vi la oportunidad de crear algo fundamental para todo el ecosistema de la IA física.

Lo que me llevó a asumir el cargo de presidenta fue Zach y su visión. Lo conozco desde que ambos trabajábamos en crear alianzas en el ámbito de la movilidad: yo en Uber y él en Lyft. Cuando alguien en quien has confiado durante tanto tiempo te plantea un problema difícil y te presenta un recurso del que nadie más dispone, escuchas. Nos complementamos. Él piensa en la categoría y en el rumbo que está tomando. Yo he dedicado mi carrera a convertir nuevas tecnologías en negocios capaces de crecer a gran escala. La IA física está pasando ahora de la investigación a la implementación real, y no quería limitarme a observarlo desde una reunión del consejo.

Empiric Earth se creó mediante la fusión de Nexar y Nauto, que unió a dos empresas con una amplia experiencia en inteligencia sobre la conducción en el mundo real y seguridad basada en IA. ¿Qué capacidades únicas hace posible esta combinación y cómo prevés que la empresa resultante se diferencie en un mercado de IA física que evoluciona con rapidez?

Nexar y Nauto se fundaron en 2015 y dedicaron, entre ambas, más de dos décadas a medir el mismo problema desde dos perspectivas distintas. Juntas, podemos entender qué ocurre en la carretera y cómo responden los conductores, lo que nos permite obtener una imagen mucho más completa del comportamiento y los riesgos en el mundo real.

Para el mercado en general, eso constituye el puente entre la simulación y el mundo real. La mayoría de los equipos desarrollan y prueban sus sistemas mediante simulaciones, pero lo difícil es demostrar que pueden funcionar de forma fiable en condiciones reales. Podemos ayudar a nuestros socios a descubrir situaciones a las que sus sistemas no se han enfrentado, mejorar sus modelos y validar el rendimiento comparándolo con lo que ocurre realmente. Esto puede acortar los ciclos de desarrollo, reducir los riesgos y acelerar la comercialización.

Lo que nos distingue es nuestra capacidad para facilitar una evaluación independiente en todo el ecosistema de la IA física. No desarrollamos los vehículos, robots ni sistemas autónomos que crean nuestros clientes. Proporcionamos inteligencia sobre el mundo real para ayudarles a comprender el rendimiento, gestionar los riesgos y generar confianza. Para ello, es necesario comprometerse con la neutralidad, la portabilidad y la interoperabilidad. A medida que llevemos nuevas aplicaciones, modelos y servicios al mercado, queremos que los clientes puedan utilizarlos con distintos equipos y plataformas tecnológicas, sin quedar atados a un único proveedor. Nuestro objetivo es actuar como «árbitro» de todo el ecosistema, no elegir a sus ganadores.

La IA física se perfila como una de las próximas grandes fronteras de la inteligencia artificial, con aplicaciones que abarcan los vehículos autónomos, la robótica y las infraestructuras inteligentes. ¿Cuáles consideras que son los principales obstáculos que impiden que estos sistemas funcionen de manera fiable en entornos impredecibles del mundo real, y por qué es tan crucial acceder a datos del mundo real para superar esos obstáculos?

El mayor obstáculo es que el mundo físico nunca se ha puesto por escrito. Los modelos de lenguaje mejoraron rápidamente porque se entrenaron con décadas de textos que la gente ya había producido. No existe un equivalente para una carretera, el suelo de un almacén o una acera. La mayoría de lo que ocurre en esos lugares, como una situación de riesgo evitada por poco o un carril cerrado esa misma mañana, ni siquiera llega a registrarse.

Eso plantea dos problemas. El primero es que el mundo físico cambia constantemente. Un sistema tiene que saber qué ocurre ahora, y una foto de la primavera pasada no puede informarle sobre una carretera que cambió esta mañana. Tampoco se puede volver atrás para recopilar lo que ocurrió ayer. El segundo problema es la fragmentación. Ninguna empresa tiene por sí sola una visión suficientemente amplia del mundo, así que los desarrolladores llevan a cabo experimentos por separado, con distintos conjuntos de datos, modelos y plataformas tecnológicas. Esto dificulta comparar resultados, compartir lo que funciona y convertir investigaciones prometedoras en productos comercialmente viables.

Los datos del mundo real permiten superar ambos problemas. En algún lugar ocurre cada día algún suceso poco frecuente capaz de hacer fallar un sistema, y solo es posible detectarlo observando de forma continua una amplia variedad de condiciones reales. En nuestros datos de EE. UU., por cada colisión se registran unos 19 incidentes en los que se estuvo a punto de producir una, y casi ninguno aparece en un informe policial o una reclamación al seguro. Zach lo expresó muy bien en un ensayo reciente: la seguridad consiste en estudiar las cosas que no ocurrieron. No se pueden estudiar si nadie las contabilizó.

Empiric Earth ha acumulado más de 10.000 millones de millas de historial de conducción y más de 60 millones de casos límite, y cada mes registra cientos de millones de millas adicionales. ¿Cómo puede este vasto conjunto de datos ayudar a los desarrolladores de IA a entrenar y validar sistemas autónomos más fiables, sobre todo en situaciones poco frecuentes o peligrosas que las simulaciones tradicionales tienen dificultades para reproducir?

Hoy en día, la mayoría de los sistemas se desenvuelve bien en condiciones de conducción habituales. Lo que todavía los pone a prueba son los sucesos menos frecuentes: una colisión, un peatón que aparece entre coches estacionados, un animal en la carretera o una zona de obras que no estaba allí la semana pasada. Estos casos son demasiado poco frecuentes para que una flota de prueba los detecte en cantidades útiles, y las simulaciones solo pueden reproducir aquello que alguien ya haya pensado en modelar.

Empiric Earth se creó para encontrarlos. No procesamos cada milla que recorre nuestra red. Conservamos la pequeña proporción que nuestros modelos señalan como inusual o arriesgada, y así convertimos 10.000 millones de millas en 60 millones de casos límite que los desarrolladores pueden utilizar realmente.

Los equipos utilizan ese registro de tres maneras. Lo consultan: un equipo que trabaja en zonas de obras puede obtener miles de ejemplos reales de conductores que las atraviesan, en vez de programar unos pocos casos. También solicitan los datos que faltan: si un sistema tiene dificultades para girar a la izquierda en intersecciones concurridas, podemos orientar la red precisamente hacia esa situación y recopilar nuevos ejemplos a medida que se producen. Y contrastan sus simulaciones con la realidad. Cuando un socio reconstruye colisiones reales e incidentes en los que peatones y ciclistas estuvieron a punto de verse involucrados, puede comprobar si su mundo simulado se comporta como el real antes de lanzar el producto.

Eso es lo que hace que esto sea valioso, más allá de los datos en sí. La simulación es esencial, pero debe basarse en lo que ocurre realmente en el mundo real. Dar a los desarrolladores acceso a esas pruebas les ayuda a detectar antes las carencias, mejorar sus sistemas con mayor rapidez y tomar decisiones mejor fundamentadas sobre cuándo están listos para implementarse. También sienta las bases para realizar evaluaciones más coherentes e independientes a medida que crece el sector.

Uno de los principios que definen a Empiric Earth es su independencia respecto de los fabricantes de vehículos y sistemas autónomos que evalúa. ¿Por qué está adquiriendo cada vez más importancia la verificación independiente a medida que la IA física se acerca a su despliegue generalizado, y qué estándares debería adoptar el sector para establecer parámetros de referencia significativos en materia de seguridad de la IA?

A medida que la IA física pasa de los entornos de investigación a los espacios públicos, la confianza se vuelve tan importante como el rendimiento técnico.

Hoy en día, gran parte del sector depende de que los propios desarrolladores prueben e informen sobre el rendimiento de sus sistemas. Es comprensible en esta etapa, pero, a medida que más sistemas autónomos se incorporen a los entornos cotidianos, los clientes, los organismos reguladores y el público exigirán cada vez más pruebas independientes de que funcionan de manera fiable.

Hemos visto versiones de este desafío en otros sectores. Al subir a un coche, existe un marco establecido para expedir permisos de conducir, inspeccionar vehículos y definir las expectativas en materia de seguridad. La IA física necesitará sus propios métodos para demostrar su preparación y rendimiento. En el caso de los vehículos autónomos, podría adoptar la forma de un permiso de conducir: una prueba estandarizada que demuestre que un sistema rinde al nivel de un conductor humano o por encima de él.

La cuestión es cómo establecer parámetros de referencia significativos que reflejen las condiciones del mundo real, en vez de depender exclusivamente de pruebas controladas o simulaciones. Esos parámetros deben basarse en datos reales, tener en cuenta situaciones poco frecuentes y peligrosas, y permitir evaluar el rendimiento de manera coherente en distintos sistemas.

Ahí es donde Empiric Earth puede desempeñar un papel importante. No creemos que las empresas que desarrollan sistemas autónomos deban ser las únicas que evalúen su rendimiento. Nuestra función es proporcionar inteligencia independiente sobre el mundo real, así como modelos y capacidades de validación que permitan a terceros evaluar el rendimiento, gestionar los riesgos y generar confianza. Al mantenernos neutrales e interoperables, podemos respaldar la evaluación de distintas tecnologías y plataformas, en lugar de favorecer un enfoque en particular.

En última instancia, establecer estándares requerirá la colaboración de desarrolladores, investigadores, organismos reguladores y otras partes interesadas. Queremos contribuir a crear las bases que hagan posible la evaluación independiente, para que la confianza se sustente en pruebas y no en afirmaciones.

A medida que los sistemas de inteligencia artificial se vuelven cada vez más sofisticados e interactúan con el mundo físico, las organizaciones deben equilibrar la necesidad de contar con datos exhaustivos del mundo real con la privacidad, la seguridad y una gobernanza responsable de los datos. ¿Cómo aborda Empiric Earth estos desafíos y qué salvaguardas son esenciales para generar confianza pública en la infraestructura de IA física a gran escala?

La confianza comienza por cómo se recopilan, protegen y utilizan los datos. En Empiric Earth, la privacidad está integrada en nuestro enfoque desde el principio. Nos centramos en captar los acontecimientos del mundo real que aportan información valiosa, en lugar de tratar cada momento de conducción como si tuviera el mismo valor. La desidentificación y el tratamiento responsable de los datos son fundamentales en ese proceso.

La procedencia de los datos es igual de importante. A medida que la IA física avanza hacia su implementación comercial, los desarrolladores necesitan saber de dónde proceden los datos, cómo se recopilaron y qué derechos rigen su uso. Sin esa base, es difícil generar la confianza necesaria para crecer.

Los distintos mercados también tienen diferentes requisitos en materia de privacidad, consentimiento y residencia de los datos. Nuestra plataforma aplica configuraciones específicas para cada país, lo que nos permite cumplir las normativas locales sin tener que reconstruir el sistema. Debemos tener en cuenta esas diferencias al evaluar dónde y cómo expandirnos.

El principio más amplio es la transparencia. Cualquiera que desarrolle infraestructura para la IA física debería poder explicar qué datos recopila, cómo los protege y quién puede utilizarlos. Las prácticas responsables en el manejo de datos no son algo ajeno a la creación de una empresa exitosa. Son parte de lo que hace posible una adopción generalizada.

Tu experiencia en Uber consistió en convertir tecnologías emergentes y alianzas estratégicas en negocios escalables. En tu nuevo puesto, eres responsable de la estrategia de producto, el desarrollo corporativo y la comercialización de Empiric Earth. ¿Qué lecciones de tu etapa en Uber son más aplicables a la expansión de la IA física y cómo decides cuándo desarrollar capacidades internamente y cuándo optar por adquisiciones o alianzas?

Uber me enseñó que la respuesta adecuada puede cambiar. Creamos nuestro propio programa de conducción autónoma, ATG, porque creíamos que debíamos controlar toda la pila tecnológica. Más adelante, lo vendimos a Aurora y volvimos al ámbito de la conducción autónoma mediante alianzas. Ambas decisiones tenían sentido en el momento en que las tomamos. Lo que cambió fueron nuestros criterios en cuanto a velocidad, costo y riesgo.

Por eso, ante cada decisión de desarrollar, comprar o asociarnos, nos hacemos las mismas preguntas. ¿Cuál es el riesgo? ¿Qué recursos y capital requiere? ¿Con qué rapidez nos permite llegar al mercado y qué está haciendo entretanto la competencia? ¿Encaja con la estrategia?

Empiric Earth parte de una posición distinta a la de la mayoría de las empresas, porque ya contamos con lo más difícil de construir: los datos. Desarrollamos internamente aquello para lo que esa base nos da una ventaja difícil de replicar. Las adquisiciones tienen sentido cuando aportan capacidades complementarias o aceleran nuestra estrategia. Y las alianzas suelen ser la vía más rápida para llegar a los clientes, entrar en nuevos mercados y alcanzar escala comercial. La IA física abarca demasiado como para que una sola empresa pueda desarrollar todo, así que queremos colaborar con los socios que puedan fortalecer todo el ecosistema y definir la secuencia de nuestro enfoque en función tanto de las condiciones del mercado como de nuestra ventaja competitiva: nuestros activos.

También has participado en el ecosistema de IA de código abierto, incluido tu trabajo con la comunidad OpenClaw. ¿Cómo crees que la innovación de código abierto puede contribuir al avance de la IA física? ¿Y pueden una mayor transparencia y colaboración acelerar la adopción sin dejar de cumplir los estándares de seguridad y gobernanza que estos sistemas requieren?

El código abierto cambió la velocidad a la que avanzaba la IA en el ámbito del software. Cuando más personas pueden desarrollar sobre las mismas herramientas, los ciclos de investigación se acortan y las buenas ideas surgen de todas partes, no solo de los laboratorios más grandes. La IA física está en una etapa más temprana de ese proceso. Gran parte del campo aún se encuentra en la fase de investigación y demostraciones, y ahora la pregunta es cómo convertir ese trabajo en empresas duraderas.

Fui responsable de alianzas en la OpenClaw Foundation, que se creó para apoyar la visión de Peter Steinberger de una IA agéntica personal de código abierto. Es uno de los ejemplos más claros que he visto de un proyecto abierto que acelera el trabajo real, porque las personas podían adoptarlo, ejecutarlo en sus propios sistemas y adaptarlo a lo que realmente hacen.

Esa es la lección que creo que la IA física debería tomarse en serio. Las herramientas abiertas permiten que más equipos desarrollen y experimenten sin empezar de cero. Mantener los datos en el entorno del propio cliente, en lugar de pedirle que los envíe a otro lugar, elimina uno de los principales motivos de reticencia de las empresas. Una flota, una ciudad o un fabricante pueden aplicar la IA a sus propios datos, bajo sus propios controles, y obtener resultados más rápido.

Juntas, esas dos ideas pueden llevar a esta industria de la investigación y las demostraciones a productos por los que la gente esté dispuesta a pagar. La apertura por sí sola no hace que un sistema sea seguro, por lo que siguen siendo necesarias pruebas rigurosas, una gobernanza clara y rendición de cuentas. Pero un ecosistema abierto en el que los datos permanecen en manos de quienes tienen derecho a ellos permite que más sistemas se utilicen en situaciones reales, y es ahí donde el aprendizaje se acumula.

En Empiric Earth nos interesa cómo las herramientas abiertas y los datos que permanecen en el entorno del cliente pueden contribuir al crecimiento de todo el ecosistema de la IA física, mientras protegemos los datos del mundo real que hacen valioso nuestro trabajo. No creemos que impulsar el ecosistema y crear un negocio sostenible tengan que ser objetivos incompatibles.

Has hablado de la importancia de incorporar a más mujeres a puestos de liderazgo en IA, sobre todo ahora que el sector empieza a establecer los estándares de seguridad y los marcos de gobernanza que determinarán cómo operan las máquinas inteligentes en la sociedad. ¿Cómo crees que una mayor diversidad en los puestos de liderazgo puede influir en el desarrollo de sistemas de IA más seguros y responsables?

Abordo este tema con cautela, porque «incorporar a más mujeres hará que la IA sea más segura» constituye en sí mismo una forma de sesgo. La cuestión es más amplia. Los agentes que estamos creando aprenden de lo que ya han hecho las personas y de cómo les enseñamos. Si todas las personas que dan forma a esa enseñanza piensan igual, los sistemas reproducen los mismos puntos ciegos.

Un liderazgo diverso incorpora más perspectivas a las decisiones sobre qué debería valorar un agente, entre ellas la empatía, el cuidado y el efecto que una decisión tiene en la persona que la recibe. Muchos riesgos de la IA son técnicos. Otros surgen cuando los sistemas toman decisiones que no reflejan los valores o las necesidades de las personas afectadas. Incorporar distintas perspectivas a esas decisiones nos ayuda a detectar puntos ciegos antes de que se conviertan en problemas en el mundo real.

Lo que espero de estos sistemas es sencillo. Deberían ayudar a las personas a tomar mejores decisiones y darnos más tiempo para compartir en la vida real. Para lograrlo, hace falta equilibrio y controles efectivos que incorporen muchas perspectivas. Ningún grupo puede resolverlo por sí solo, y tenemos que motivar y animar a las mujeres a participar y contribuir a impulsar las conexiones entre agentes y personas, entre agentes y entre personas.

De cara a los próximos tres a cinco años, ¿dónde ves las mayores oportunidades para Empiric Earth más allá de sus aplicaciones actuales en seguridad vial e inteligencia de flotas? A medida que los vehículos autónomos, la robótica y otras tecnologías de IA física se integren cada vez más en la vida cotidiana, ¿qué papel imaginas que desempeñará Empiric Earth en la infraestructura que respalda esta transición?

Empezamos con la seguridad vial y las flotas, que siguen siendo pilares de nuestro negocio. Pero la mayor oportunidad consiste en respaldar la IA física reduciendo los riesgos, ofreciendo un estándar de validación y, en última instancia, haciendo más seguro el mundo real.

Los desafíos fundamentales son parecidos tanto si se está desarrollando un vehículo autónomo, un robot de reparto o un sistema de inteligencia comercial minorista que opera en una red de publicidad y comercio del mundo real. ¿Cómo se entiende lo que ocurre en el mundo real? ¿Cómo se sabe si un sistema puede afrontar situaciones imprevistas? Y ¿cómo se evalúa el rendimiento y se gestionan los riesgos cuando esos sistemas pasan a implementarse comercialmente?

Veo a Empiric Earth convirtiéndose en una importante capa de inteligencia para el ecosistema de la IA física, al proporcionar datos del mundo real, modelos, aplicaciones y servicios que ayuden a desarrolladores, socios y operadores a responder a esas preguntas. La neutralidad, la portabilidad y la interoperabilidad serán importantes para hacer realidad esa visión. Queremos que nuestras capacidades funcionen con distintas tecnologías y plataformas, para que los clientes puedan adoptar las soluciones que mejor se adapten a sus necesidades.

Contamos con una extraordinaria base de inteligencia sobre la conducción en el mundo real, y ahora tenemos la oportunidad de aprovecharla mediante nuevas capacidades, alianzas y modelos comerciales.

La IA física no se expandirá a gran escala porque una empresa construya el mejor robot o el mejor modelo. Lo hará cuando el ecosistema en su conjunto disponga de la inteligencia, las herramientas y las medidas de seguridad necesarias para poner esos sistemas a trabajar en el mundo real. Ese es el papel que queremos que desempeñe Empiric Earth.

Gracias por esta excelente entrevista. Los lectores que quieran conocer más sobre la inteligencia en el mundo real y la validación independiente para la IA física pueden visitar Empiric Earth.