Jonathan Horn, CEO y Co-Fundador de Treefera – Serie de Entrevistas

Jonathan Horn, CEO y Co-Fundador de Treefera, es un empresario tecnológico y ex ejecutivo de banca de inversión con profunda experiencia en gestión de riesgos, inteligencia artificial y análisis de datos a gran escala. Antes de fundar Treefera en 2022, ocupó puestos de liderazgo senior en J.P. Morgan y Citigroup, donde se centró en riesgos, datos y sistemas financieros complejos. Basándose en su experiencia en modelado de riesgos de grado financiero, Horn lanzó Treefera para abordar uno de los puntos ciegos más persistentes en las cadenas de suministro globales: la “primera milla”, donde se originan las materias primas. Bajo su liderazgo, la empresa ha crecido rápidamente hasta convertirse en un proveedor líder de inteligencia de cadena de suministro impulsada por IA, ayudando a las empresas a obtener visibilidad en tiempo real sobre la fuente de suministros, los riesgos ambientales, los requisitos de cumplimiento y la resiliencia operativa.

Fundada en Londres en 2022, Treefera es una empresa de inteligencia de cadena de suministro habilitada por IA que se centra en llevar transparencia a la primera milla de las cadenas de suministro de commodities globales. Su tejido de datos propietario combina imágenes satelitales, datos espaciales y temporales, modelos de IA y análisis de riesgos para proporcionar a las organizaciones información en tiempo real sobre la fuente de suministros, el cumplimiento, la sostenibilidad y el riesgo de la cadena de suministro. La plataforma ayuda a las empresas a monitorear todo, desde la exposición a la deforestación y los impactos de carbono hasta los riesgos de fuente de suministros de commodities, lo que permite una toma de decisiones más informada en la compra, las finanzas y las operaciones. Al transformar los datos ambientales y de la cadena de suministro fragmentados en inteligencia accionable, Treefera busca fortalecer la resiliencia de la cadena de suministro en una economía global cada vez más volátil y regulada.

Fundaste Treefera después de ocupar puestos senior de riesgo, IA y análisis de datos en J.P. Morgan y Citi. ¿Qué brecha específica viste en cómo las empresas entendían el riesgo de las commodities agrícolas y blandas que te convenció de que Treefera necesitaba existir?

Las commodities basadas en la naturaleza representan $2.1 billones del comercio mundial, sin embargo, los datos subyacentes para la evaluación del riesgo de esos activos eran manuales, demorados y estructuralmente inexactos. Trabajando con modelos de riesgo en J.P. Morgan y Citi, vi decisiones de precios y exposición que dependían de datos que se originaban en la primera milla de las cadenas de suministro agrícolas: recopilados a mano, propensos a omisiones y a menudo semanas o meses atrasados con respecto a la realidad. El sesenta por ciento del riesgo de suministro se origina en la primera milla, antes de que las commodities lleguen a un puerto o a un intercambio, sin embargo, ese era precisamente el lugar donde la visibilidad era más delgada.

Lo que me convenció de construir Treefera fue la convergencia de dos cosas: el alcance del problema y la llegada de herramientas capaces de abordarlo. La resolución y la cobertura de los satélites habían alcanzado un punto en el que podías observar las condiciones de los cultivos a nivel de campo en las principales regiones de producción a un costo mínimo. La IA había madurado hasta el punto en que podía convertir esa señal cruda en algo financieramente interpretable. Nadie estaba conectando esos puntos de una manera rigurosa y científica. Las empresas aún confiaban en informes gubernamentales que se atrasaban meses con respecto a las condiciones en el terreno, promedios nacionales que enmascaraban la variación local y modelos lineales que no podían manejar la volatilidad climática. La brecha entre lo que se podía conocer y lo que se conocía era enorme. Esa brecha es donde se sitúa Treefera.

Treefera a menudo se describe como una plataforma de inteligencia impulsada por IA, pero tu enfoque es explícitamente no centrado en LLM. ¿Cómo explicas la diferencia entre la IA predictiva para las cadenas de suministro y los sistemas de IA generativos que actualmente dominan la conversación?

La IA generativa y los grandes modelos de lenguaje resuelven un problema fundamentalmente diferente. Son herramientas de productividad: extraordinariamente útiles para simplificar tareas repetitivas, como la redacción y el resumen. El desafío comercial para esos sistemas es la adopción, lograr que las personas cambien la forma en que trabajan. Ese es un problema de educación del mercado, no científico.

Treefera utiliza la IA para resolver problemas científicos con requisitos de precisión de grado financiero. Nuestros modelos de aprendizaje profundo están entrenados para interpretar imágenes satelitales, señales climáticas y biología de cultivos para producir pronósticos de rendimiento y área de producción lo suficientemente precisos como para informar decisiones de asignación de capital. La pregunta que estamos respondiendo no es “¿qué dice este documento?” Es “¿qué rendirá esta región en tres meses, y qué tan confiado debería estar?” Esos no son el mismo tipo de problema y no requieren el mismo tipo de modelo. Los LLM están optimizados para el lenguaje; nuestros modelos están optimizados para la interpretación del mundo físico. Confundirlos conduce a aplicar la herramienta equivocada a un problema para el que no fue diseñada.

Muchas empresas de IA argumentan que un mejor rendimiento requiere más cómputo, modelos más grandes y mayor acceso a GPUs. Treefera parece desafiar esa suposición. ¿Qué significa “cómputo frugal” en la práctica, y por qué es importante para la IA aplicada?

La suposición prevaleciente en la IA es que la escala es igual a rendimiento: más parámetros, más GPUs, más infraestructura en la nube. Para la IA aplicada en contextos específicos de dominio, esa suposición es incorrecta, y produce un costo y un desperdicio de energía innecesarios.

El cómputo frugal, en la práctica, significa tres cosas para nosotros. Primero, desacoplamos el cómputo del tiempo. La mayoría de nuestras tareas de procesamiento no necesitan ocurrir en un segundo específico. En lugar de ejecutar infraestructura siempre activa, identificamos períodos de capacidad de red excesiva y prestamos cómputo durante esas ventanas.

Segundo, descentralizamos las cargas de trabajo. En lugar de enrutear todo a través de un centro de nube único, distribuimos a través de una red de nodos disponibles, incluida la infraestructura de blockchain, que lleva una capacidad significativa de inactividad en ciertos períodos. Si un nodo se vuelve ineficiente, las tareas se reenvían dinámicamente.

Tercero, dimensionamos el hardware correctamente. Usamos NVIDIA (NVDA ) AG6 en lugar de chips de nivel superior, donde el rendimiento es equivalente para nuestras cargas de trabajo a una fracción del costo y la energía. La razón por la que esto importa más allá de la eficiencia es la precisión. El cómputo frugal fuerza la disciplina sobre qué cómputo realmente necesitas. Eso produce modelos más delgados e interpretables: el tipo que los tomadores de decisiones financieras y operativos pueden realmente usar. No necesitan un modelo más grande; necesitan una respuesta más precisa.

Su plataforma informa que entrega salidas predictivas sobre el rendimiento de los cultivos, el uso de la tierra y el riesgo de suministro sin confiar en la infraestructura de nube siempre activa. ¿Cómo desacopla el cómputo del tiempo mientras aún entrega inteligencia comercialmente útil y casi en tiempo real?

La inteligencia casi en tiempo real y el cómputo continuo no son lo mismo. Nuestros clientes necesitan pronósticos actualizados semanalmente; no necesitan que el cómputo que genera esos pronósticos esté ejecutándose continuamente.

Asignamos nuestros ciclos de procesamiento al ritmo natural de los datos. Las imágenes satelitales llegan con una cadencia. Las entradas del clima se actualizan con una cadencia. Las preguntas analíticas que nuestros modelos responden también están impulsadas por la cadencia: ¿cuál es la trayectoria del rendimiento para esta región, qué ha cambiado esta semana en el área plantada. Así que programamos trabajos de cómputo para ejecutarse contra esas ventanas de datos, prestamos capacidad de infraestructura distribuida durante períodos de baja demanda. La salida al cliente es un flujo de datos semanal que es actualizado, accionable y listo para el modelo. La infraestructura detrás de ella solo se ejecuta cuando hay algo significativo para procesar. Esa arquitectura también es más resistente. Una carga de trabajo distribuida que se reenvía alrededor de nodos fallidos es más confiable que un servidor siempre activo con un solo punto de falla.

Los mercados de commodities agrícolas y blandas aún dependen en gran medida de datos demorados, basados en encuestas o fragmentados. ¿Cómo cambia la IA la forma en que las empresas, los bancos, los aseguradores y los comerciantes pueden evaluar el riesgo antes de que se vuelva visible en los informes oficiales?

El problema estructural con los informes basados en encuestas es que están diseñados para ser retrospectivos. Hasta que una agencia gubernamental publica una estimación de suministro, las condiciones físicas subyacentes son semanas o meses antiguas. Los mercados que se mueven en función de esos datos están reaccionando a la historia.

La IA cambia eso al cambiar la fuente de información de las encuestas a la observación directa. Las imágenes satelitales, las señales climáticas y los datos de desarrollo de cultivos están disponibles ahora, no en seis semanas cuando se compila y publica un informe. Lo que nuestros modelos hacen es traducir esos datos físicos en el lenguaje financiero que los comerciantes, los aseguradores y los analistas realmente usan: pronósticos de rendimiento con intervalos de incertidumbre declarados, estimaciones de área de producción con actualizaciones semanales, puntuaciones de estrés que cuantifican el riesgo en el origen antes de que se manifieste en los precios.

En 2022, nuestros modelos de maíz en EE. UU. señalaron una revisión a la baja cinco semanas antes de que el USDA publicara la suya. En enero de 2025, nuestros modelos revelaron una puntuación de estrés de 0.76 en el cinturón de cacao de Ghana; COCOBOD no revisó su pronóstico de temporada hasta junio. La ventaja de información no es marginal; es estructural. Las empresas que aún esperan informes oficiales para tomar decisiones de suministro y precios están operando con un retraso que sus contrapartes pueden no compartir.

La “primera milla” de las cadenas de suministro ha sido históricamente una de las áreas menos transparentes para las empresas globales. ¿Por qué la visibilidad de la primera milla se está volviendo tan crítica ahora, especialmente a medida que aumenta la volatilidad climática, la regulación y la incertidumbre geopolítica?

Tres fuerzas están convergiendo y cada una es individualmente material.

La volatilidad climática está aumentando la frecuencia y la gravedad de los choques de producción en el origen. El mismo evento climático ahora lleva un mayor impacto de suministro porque los sistemas de cultivos están más estresados y los eventos extremos son menos predecibles a partir de promedios históricos. Los modelos de riesgo lineales construidos sobre normas históricas están estructuralmente mal equipados para manejar eso. Necesitas observación física en tiempo real para ver lo que realmente está sucediendo en el campo.

La regulación está creando un vínculo de responsabilidad directa entre lo que sucede en la primera milla y lo que una empresa puede vender o financiar. EUDR, CSRD, TCFD: estos marcos requieren que las empresas sepan, con evidencia, de dónde provienen sus commodities y cuáles fueron las condiciones en el origen. “Confiábamos en el proveedor” ya no es una posición defensible. Esa responsabilidad está llevando la trazabilidad y la procedencia de la compra de una preferencia a un requisito legal.

La interrupción geopolítica ha hecho que la dependencia de una sola región sea un riesgo en la sala de juntas. Cuando una región cuenta con una participación dominante en el suministro global de una commodity y esa región se vuelve políticamente o físicamente poco confiable, las empresas sin visibilidad de la primera milla no tienen mecanismo de alerta temprana. Se enteran cuando el mercado ya ha replorado.

Hay un cambio más amplio que está sucediendo en el ecosistema de datos en sí. El lanzamiento reciente de Google (GOOGL ) Earth AI de mapas de commodities pan-tropicales – huellas de cultivos anuales de 10 metros para cacao, café, palma de aceite y caucho, lanzados como datos abiertos – es un indicador útil de hacia dónde se dirigen las cosas. El mundo físico es cada vez más legible desde el espacio, y la demanda de transparencia de la cadena de suministro ahora es lo suficientemente mainstream como para atraer inversiones de gran escala de big-tech. Treefera lo acoge. Una capa de datos fundamentales más rica eleva el piso para todo el mercado y crea una conciencia compartida de que una mejor información no solo es posible, sino que está disponible.

Lo que los mapas de descubrimiento abierto no pueden hacer es cerrar la brecha de inteligencia. Saber dónde se plantan los cultivos no es lo mismo que saber cómo se está desarrollando esta temporada o qué significan las condiciones en el origen para su exposición al suministro o dónde su cartera está en riesgo. La traducción de la observación a la perspicacia de grado financiero es para lo que Treefera está construida.

La ignorancia de la primera milla solía ser comercialmente tolerable cuando el mundo era más predecible. Ya no lo es.

Su base de clientes incluye organizaciones importantes como JP Morgan, Microsoft (MSFT ), Bayer y Anew. ¿Cuáles son los problemas más comunes que las empresas están tratando de resolver con Treefera: cumplimiento, riesgo de suministro, pronóstico, sostenibilidad, compra o algo más?

El problema central que las empresas nos traen es una versión de lo mismo: tienen una exposición financiera significativa a lo que sucede en la primera milla de las cadenas de suministro agrícolas y no tienen un mecanismo confiable para verlo antes de que les cueste. El marco específico difiere por sector.

Para los comerciantes y las instituciones financieras expuestas a commodities, la pregunta es la ventaja de información: ver los cambios en el suministro antes de que aparezcan en los precios o los datos oficiales. Para los prestamistas y aseguradores agrícolas, es la evaluación del riesgo; están suscribiendo o financiando operaciones cuyo desempeño está directamente gobernado por condiciones que no pueden observar. Para las corporaciones con obligaciones de sostenibilidad o cumplimiento, la pregunta es la evidencia: probar, con datos defendibles, que sus cadenas de suministro cumplen con los estándares que los reguladores y las contrapartes ahora requieren.

La respuesta tradicional – confiar en el proveedor, esperar el informe gubernamental, comprar el consenso de la estimación – ya no es adecuada. La precisión y la velocidad que necesitan no existen en el ecosistema de datos público. Existe en la primera milla.

Treefera ha informado de un crecimiento de 6 veces año tras año, cero rotación y una Serie B sobresuscrita dentro de dos años. ¿Qué sugiere ese nivel de adopción sobre la demanda empresarial de sistemas de IA que son precisos, eficientes y operacionalmente fundamentados en lugar de simplemente a gran escala?

La cero rotación es la señal más reveladora. El crecimiento de los ingresos puede reflejar la ejecución comercial; la cero rotación refleja la coincidencia del producto y el mercado. Los clientes que han utilizado los datos durante una temporada completa, han vuelto a probarlos contra sus propios modelos y han tomado decisiones basadas en ellos, y luego han renovado, nos están diciendo que la señal es real y que está cambiando la forma en que operan.

También apunta a una demanda empresarial significativa y no satisfecha de IA que sea precisa, auditable y operacionalmente integrable – demanda subatendida por un paisaje pesadamente inclinado hacia herramientas generativas y modelos generales a gran escala. Los profesionales de la cadena de suministro y el riesgo necesitan un pronóstico con un intervalo de incertidumbre declarado que puedan defender en un comité de riesgos. Cuando se cumple esa barra – datos de dominio específico, precisión de grado financiero, metodología transparente – las empresas lo priorizan. La recaudación de fondos sobresuscrita refleja el reconocimiento de los inversores de la misma dinámica: el mercado es grande, el problema es estructural y la infraestructura de datos existente no fue construida para resolverlo.

Mirando hacia adelante, ¿cree que la próxima fase de la IA aplicada estará definida menos por la escala del modelo y más por la eficiencia operativa, los datos específicos del dominio y los resultados comerciales medibles?

Sí, y la evidencia para ello ya es visible.

La IA a gran escala está comenzando a alcanzar los límites de lo que la escala cruda puede resolver. Agregar parámetros no mejora un pronóstico de rendimiento de cultivos si los datos subyacentes son gruesos, demorados o geográficamente mal alineados. El valor marginal del cómputo es decreciente cuando el cuello de botella es la calidad de los datos y la precisión del dominio, no el tamaño del modelo.

La próxima fase estará definida por datos de entrenamiento específicos del dominio, modelos de tamaño correcto y salidas verificables. En sectores como la agricultura, las finanzas y la cadena de suministro, donde las decisiones llevan consecuencias financieras y operativas, la pregunta nunca ha sido “¿cuán grande es el modelo?” Ha sido “¿cuán confiable es la respuesta y cuán rápido puedo actuar sobre ella?” La escala sola no puede responder a eso. Las empresas que liderarán en la IA aplicada en los próximos cinco años habrán construido tuberías de datos propietarias en el mundo físico, habrán entrenado modelos en esos datos con rigor científico apropiado y habrán demostrado precisión medible en condiciones de vida. La tecnología es cada vez más una commodity; los datos y la experiencia en el dominio no lo son.

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