Jito Chadha, Fundador y CEO de Nventr – Serie de Entrevistas

Jito Chadha, Fundador y CEO de Nventr, es un experimentado ejecutivo de tecnología y inversor cuya carrera abarca la inteligencia artificial, la ciencia de datos, el capital de riesgo y el desarrollo empresarial. Desde que fundó Nventr en 2019, ha liderado el desarrollo de tecnologías de inteligencia artificial empresarial de la empresa, mientras también se desempeña como CEO de la empresa de análisis predictivo Rule14. Chadha ha sido parte de HandsOn Global Management desde 2007 y se convirtió en socio en 2013, contribuyendo a la búsqueda, estructuración y creación de valor de numerosas transacciones mientras lideraba inversiones en capital de riesgo, ciencia de datos y recursos naturales.

Nventr es una empresa de inteligencia artificial empresarial con sede en Los Ángeles que desarrolla tecnología para construir, implementar y gestionar aplicaciones y flujos de trabajo inteligentes. Su plataforma reúne a agentes de inteligencia artificial, modelos de aprendizaje automático, redes neuronales, gestión de datos, procesamiento de documentos inteligentes, visualización y herramientas de desarrollo. Los productos incluyen Agent IO, un sistema operativo para orquestar agentes autónomos en funciones empresariales, y nQube, un constructor de flujos de trabajo que admite desarrollo sin código, de bajo código y de código completo, así como la implementación en la nube, en el lugar y en el borde.

Antes de liderar Nventr y Rule14, pasaste años buscando inversiones, creando valor en empresas de cartera y trabajando con iniciativas de ciencia de datos dentro de organizaciones complejas. ¿Cómo te influyó esa experiencia para tomar la decisión de construir una plataforma de inteligencia artificial empresarial enfocada en flujos de trabajo en lugar de herramientas independientes?

Trabajar en empresas de cartera me permitió ver el mismo patrón en diferentes negocios. Cada organización tenía información que pasaba a través de varias personas, sistemas y aprobaciones antes de que un proceso pudiera completarse.

Esa experiencia me llevó a enfocar a Nventr en flujos de trabajo en lugar de herramientas independientes. Mejorar una tarea tiene un valor limitado si el resultado no puede moverse de manera eficiente a través del resto de la organización. Nos enfocamos en estructurar todo el proceso y ejecutarlo a escala.

Nventr combina acciones de agentes, modelos de aprendizaje automático y redes neuronales dentro de flujos de trabajo empresariales escalables. ¿Qué limitaciones observaste en las plataformas de automatización convencionales que te llevaron a desarrollar esta arquitectura más amplia? 

Durante años, las empresas operaban a través de colecciones de aplicaciones SaaS alojadas en la nube y en servidores locales que podían ser incómodas, rígidas y costosas. El sistema de flujo de trabajo, los modelos, los agentes y los datos de la empresa se trataban generalmente como capas separadas, lo que hacía que la automatización más amplia fuera más difícil.

Desarrollamos una arquitectura en la que esos componentes pueden operar juntos y escalar de manera independiente a medida que cambia la demanda. El proceso no tiene que ser forzado a una aplicación fija o a un tipo de entorno de computación.

Muchas organizaciones comienzan sus estrategias de inteligencia artificial seleccionando un modelo o lanzando un chatbot. En tu experiencia, ¿qué trabajo fundamental que involucra datos, permisos, procesos y integración de sistemas debe ocurrir antes de que una implementación de inteligencia artificial pueda producir resultados significativos? 

Una empresa primero debe definir el proceso, identificar qué información necesita el agente y determinar dónde vive esa información. Eso puede involucrar bases de datos, repositorios de archivos, PDF, artículos, sistemas de correo electrónico u otras fuentes de datos de la empresa que deben estar disponibles para el agente en una forma utilizable.

La empresa entonces debe definir qué sucede después de que el agente reciba esa información. Una conversación podría producir una respuesta, un resumen, una cola de seguimiento o otro flujo de trabajo de agente. Las herramientas aprobadas, los permisos de datos y los permisos de usuario deben establecerse por rol para que cada acción ocurra dentro de un proceso definido.

nQube está diseñado para ayudar a científicos de datos y analistas de negocios a construir, probar, implementar y monitorear flujos de trabajo impulsados por inteligencia artificial. ¿Cómo haces que estas capacidades estén accesibles para no especialistas mientras se mantienen los controles técnicos necesarios para entornos de producción?

La gente piensa en la inteligencia artificial y los productos de software a través del alcance de su propio rol y cómo el producto puede hacer su trabajo más fácil o permitirles ser más productivos. La interfaz debe permitirles describir lo que necesitan, hacer preguntas y ajustar un agente o flujo de trabajo a través de un lenguaje y voz normales.

Los flujos de trabajo, los procesos de computación y el escalado permanecen debajo de esa interacción. La organización todavía controla las herramientas, las fuentes de datos y el acceso asignado a cada rol, por lo que un analista de negocios puede usar el sistema sin tener que gestionar la infraestructura directamente.

El sistema operativo de agentes de Nventr utiliza un agente coordinador para dirigir agentes especializados a través de flujos de trabajo secuenciales e iterativos. ¿Cómo determina la plataforma qué agente debe manejar cada tarea, preservar el contexto entre agentes y manejar un resultado no fiable? 

El flujo de trabajo determina cómo una solicitud se mueve a través de pasos definidos, ramas y agentes especializados. La información de una etapa puede resumirse y pasarse hacia adelante para que el siguiente agente comprenda qué sucedió, qué se solicitó y qué seguimiento debe ocurrir.

Manejar un resultado no fiable depende del proceso y las consecuencias de la acción. Los controles del flujo de trabajo deben reflejar dónde el sistema puede continuar y dónde el resultado requiere revisión.

Las empresas cada vez más quieren la flexibilidad de usar diferentes modelos de lenguaje grande, sistemas de aprendizaje automático especializados y agentes de terceros. ¿Cómo deben diseñar las empresas su infraestructura de inteligencia artificial para evitar depender de un proveedor de modelos o pila de tecnología? 

La infraestructura debe admitir una multitud de modelos y permitir que operen en paralelo dentro del mismo flujo de trabajo. Un proveedor puede manejar el componente de habla a habla, mientras que otro modelo realiza razonamiento o procesamiento detrás de él.

La herramienta debe ser elegida según el costo, el rendimiento, la seguridad, la latencia y la apertura a los proveedores de servicios de terceros del cliente. Algunas empresas están cómodas combinando proveedores, mientras que otras quieren al agente en su propia nube o infraestructura dedicada. La arquitectura debe admitir ambos enfoques.

Una vez que un agente de inteligencia artificial puede acceder a los datos de la empresa y tomar acciones a través de sistemas empresariales, la seguridad se vuelve más compleja que proteger una interfaz conversacional. ¿Qué controles deben gobernar los permisos, la autonomía y la capacidad de un agente para iniciar acciones con consecuencias?

El acceso debe controlarse por rol, proyecto y flujo de trabajo. Un agente solo debe poder utilizar la información, las herramientas y las acciones aprobadas para ese contexto, con solicitudes fuera de ese alcance enviadas para autorización.

La cantidad de autonomía debe reflejar la sensibilidad de los datos y las consecuencias de la acción. Para transacciones que involucran dinero, información privada u otro resultado significativo, la empresa debe poder ver qué está haciendo el agente y requerir aprobación antes de completar.

Nventr presenta aplicaciones en áreas que incluyen procesamiento de documentos, servicio al cliente, informes, comunicación de atención médica y detección de fraude. ¿Qué características técnicas u operativas hacen que un flujo de trabajo sea adecuado para la automatización de agentes, y qué procesos deben seguir siendo liderados principalmente por humanos? 

Equilibramos la cantidad de personas o el costo asociado con un proceso contra su complejidad y viabilidad para la automatización. Un proceso puede ser costoso o laborioso y aún ser el lugar equivocado para comenzar si es demasiado complejo o poco fiable para automatizar de manera efectiva.

El enfoque general es ir por la fruta más baja con el mayor impacto. Esa fórmula es fractal porque puede aplicarse a un rol de una persona, varios departamentos o una organización completa. Los procesos que involucran incertidumbre o juicio con consecuencias deben seguir incluyendo a las personas.

Hablaste sobre la idea de que los empleados eventualmente tendrán contrapartes de inteligencia artificial que manejen los elementos repetitivos de su trabajo. ¿Cómo podría cambiar esto las estructuras organizativas, y qué deben hacer los líderes para asegurarse de que estos sistemas fortalezcan el juicio humano en lugar de eliminarlo gradualmente de las decisiones importantes? 

La idea es darle a cada persona en la nómina un agente correlativo que pueda aprender partes del trabajo con el tiempo. A lo largo de un porcentaje más grande de la organización, eso crea inteligencia y optimización centralizadas sobre el organigrama en lugar de limitar el beneficio a uno o dos empleados.

El agente puede asumir el trabajo repetitivo, como recopilar información, mover datos o construir presentaciones rutinarias. Eso da a las personas más tiempo para discusiones y decisiones importantes, mientras que la organización mantiene la autoridad sobre la información sensible y las acciones con consecuencias.

A medida que los agentes de inteligencia artificial evolucionan de asistentes a una capa de operación para organizaciones complejas, ¿qué capacidades deben mejorar antes de que las empresas puedan automatizar de manera segura los flujos de trabajo que abarcan departamentos o unidades comerciales enteras? 

Los agentes necesitan una latencia más baja y una integración más fuerte con las bases de datos, archivos y sistemas más grandes de la empresa. La información tiene que moverse a través de roles y departamentos sin requerir que las personas la transfieran manualmente o creen nuevos cuellos de botella.

La capa de interacción también tiene que mejorar. Los agentes de voz deben sentirse como una conversación normal donde una persona puede interrumpir y cambiar de dirección, y las empresas eventualmente necesitarán formas directas para que los agentes autorizados interactúen con sus sistemas. La automatización del navegador puede tender un puente, pero la industria se moverá hacia una estructura más eficiente porque la computación y la infraestructura tienen un costo. Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Nventr.