Lakshmikant Gundavarapu, Director de Innovación de Tredence – Serie de Entrevistas

Lakshmikant Gundavarapu es el Director de Innovación de Tredence. Con más de tres décadas en el sector de TI, Lakshmikant es una autoridad reconocida en transformación de IA y innovación digital.

Como ex Jefe Global de Datos y IA en Microsoft (MSFT ) India, el liderazgo de Lakshmikant permitió la transformación digital para más de 100 clientes en 40 países. En Microsoft, Lakshmikant promovió la integración de bases de datos de código abierto en Azure y forjó alianzas estratégicas con proveedores de soluciones SaaS.

Con una habilidad para diseñar soluciones de IA centradas en el cliente, Lakshmikant sobresale en la creación de asociaciones estratégicas que impulsan la innovación. Lakshmikant aporta una gran experiencia, conocimientos técnicos y habilidades de liderazgo para catalizar transformaciones impulsadas por IA, demostrando una capacidad establecida para traducir tecnologías emergentes en soluciones de negocio concretas.

Tredence es una empresa de datos y IA que ayuda a las empresas a transformar experimentos de analítica en impacto real en el mundo. Trabajan en industrias como retail, CPG, tecnología, finanzas, atención médica y viajes, ofreciendo servicios en ingeniería de datos, IA/ML, IA generativa, cadena de suministro, experiencia del cliente y modernización digital. Su enfoque es combinar velocidad a través de aceleradores, experiencia en dominio y sólidas asociaciones para ofrecer soluciones escalables y listas para la empresa.

Con tus años en Microsoft India, ¿qué experiencias dieron forma a tu visión para la transformación empresarial impulsada por IA que ahora se refleja en la estrategia de Tredence?

Durante mi tiempo en Microsoft, tuve la oportunidad de trabajar con empresas de diversos sectores, incluyendo aviación y bienes raíces. Es evidente que la IA puede tener un impacto real cuando tiene un propósito claro, está respaldada por datos confiables y está diseñada para integrarse en la toma de decisiones operativas.

Por ejemplo:

• Una aerolínea importante implementó IA para predecir fallos de motores, lo que permitió un mantenimiento proactivo y mejoró tanto la seguridad como la eficiencia.
• Una gran empresa de bienes raíces utilizó IA para la monitorización predictiva de sistemas de edificios esenciales, lo que resultó en una reducción del tiempo de inactividad y horarios de mantenimiento optimizados.

Estas experiencias me enseñaron que la tecnología sola no transforma a las empresas. Requiere un diseño reflexivo, sólidas bases de datos y mecanismos que traduzcan los conocimientos en acciones reales. Esta perspectiva ahora impulsa el enfoque de Tredence: Desarrollamos soluciones de IA que son impulsadas por un propósito, informadas por datos y capaces de ofrecer resultados medibles en toda la empresa.

Tredence a menudo se describe como solucionadora del problema de la “última milla” en IA. ¿Podrías compartir ejemplos donde esta aceleración de la transformación para los clientes? 

Considera a un gran minorista global. Al unificar datos fragmentados de transacciones, programas de fidelidad, operaciones de la cadena de suministro y puntos de contacto digitales, habilitamos aplicaciones de IA que impulsaron el crecimiento de los ingresos, la retención de los clientes, la personalización del viaje y la previsión de la demanda. Aplicamos estas perspectivas operativamente, convirtiendo la analítica en resultados de negocio tangibles.

Caso de estudio de retail: Tredence creó un sistema de personalización unificado que generó $58 millones en ingresos y cerró una brecha de KPI del 54%. Esto fue más allá de las perspectivas del cliente y ofreció personalización que impulsó los ingresos a escala.

En biofarmacéutica, la integración de conjuntos de datos de I+D, clínicos y comerciales permitió que la IA optimizara el reclutamiento de ensayos, mejorara el diseño del estudio y mejorara la participación de los médicos, lo que aceleró el tiempo de llegada al mercado y aumentó los ingresos.

A través de sectores, desde la detección de fraude bancario hasta el mantenimiento predictivo en la fabricación, la lección sigue siendo la misma: la IA solo entrega valor cuando impulsa decisiones que importan a la empresa.

Caso de estudio bancario: Tredence desplegó copilotos de AML (anti-lavado de dinero) de GenAI que no solo generaron perspectivas sobre actividades sospechosas, sino que también se integraron en las operaciones diarias para aumentar el rendimiento de los casos en un 120% mientras reducían los falsos positivos en un 15%. Esto muestra la traducción de la detección de IA a la eficiencia operativa.

Las empresas a menudo luchan para pasar de pilotos de IA a producción a escala. ¿Cuáles son los principales obstáculos y cómo ayuda Tredence a superarlos?

Muchas iniciativas de IA se estancan porque no están diseñadas con un resultado de negocio claro, incluso cuando son técnicamente sólidas. Los desafíos clave incluyen:

1. Brechas de diseño con propósito : Las perspectivas pueden ser interesantes, pero no resuelven problemas de negocio medibles.
2. Limitaciones de datos: Los datos fragmentados o de mala calidad impiden una escalabilidad confiable.
3. Desafíos operativos: Sin despliegue automatizado, monitoreo, reentrenamiento y gobernanza, los modelos permanecen experimentales.

En Tredence, abordamos estos desafíos a través de:

• Diseño centrado en resultados, asegurando que cada iniciativa de IA esté directamente vinculada a resultados de negocio medibles.
• Fundamentos de datos sólidos, consolidando y enriqueciendo conjuntos de datos para un rendimiento de modelo confiable.
• Marcos operativos listos para la producción, incluyendo despliegue automatizado, monitoreo y reentrenamiento para mantener la precisión, la resistencia y el cumplimiento.

Este enfoque permite a las empresas transitar de la experimentación a la IA a escala completa que entrega impacto de negocio de manera consistente.

Recientemente anunciaste Milky Way, una constelación de agentes de IA autónomos. ¿Qué inspiró su diseño y cómo difiere de los asistentes de IA convencionales?

Milky Way nació de la comprensión de que las empresas necesitan más que paneles de control o chatbots. Necesitan un marco de razonamiento que pueda consumir, interpretar y conectar datos multivariables para generar inteligencia accionable.

A diferencia de los asistentes convencionales, los agentes de Milky Way:

• Razonan a través de fuentes de datos diversas, conectando perspectivas en lugar de simplemente responder preguntas.
• Analizan problemas complejos y multidimensionales, conectando información a través de flujos de trabajo.
• Entregan inteligencia accionable, convirtiendo perspectivas en decisiones o acciones automatizadas.

En resumen, Milky Way transforma la IA en una red de agentes de razonamiento capaces de manejar complejidad y impulsar resultados de negocio reales, en lugar de reemplazar herramientas básicas.

Los despliegues iniciales de Milky Way entregaron resultados rápidos. ¿Qué permitió estos logros?

Tres elementos hicieron la diferencia:

1. Integrar perspectivas donde ocurren las decisiones, haciendo que las recomendaciones sean inmediatamente accionables.
2. Inteligencia prospectiva, convirtiendo perspectivas en decisiones proactivas en lugar de análisis retrospectivo.
3. Plataformas seguras y gobernadas, permitiendo la IA a escala empresarial mientras se mantiene el cumplimiento y el control.

Esta combinación entrega resultados de negocio tangibles en semanas en lugar de meses.

Milky Way prioriza la explicabilidad, la auditoría y las vías de razonamiento. ¿Cuán crítico es esto para la confianza empresarial?

La confianza es fundamental en la IA empresarial. Milky Way asegura:

• Racionalización transparente para cada recomendación.
• Registros de auditoría que documentan todas las entradas, salidas y acciones.
• Pruebas adversas continuas para garantizar la robustez y la confiabilidad.

Esta transparencia y rendición de cuentas diferencian a Milky Way de los sistemas opacos y de caja negra, construyendo la confianza empresarial en la adopción.

¿Cómo afectará este cambio de herramientas a compañeros de IA a las organizaciones y la toma de decisiones?

Los compañeros de IA cambian la forma en que operan las organizaciones:

• Los gerentes asumen roles duales, guiando a los humanos mientras supervisan a los agentes de IA.
• Las decisiones se vuelven colaborativas, con los agentes manejando el razonamiento y los humanos proporcionando contexto y supervisión ética.
• Las estructuras operativas evolucionan para integrar la IA en la toma de decisiones diaria, mejorando la velocidad, la consistencia y la calidad de los resultados.

Para 2028, es posible que un tercio de las decisiones comerciales se tomen de manera autónoma. ¿Qué deben cambiar las organizaciones para garantizar la seguridad?

 Para implementar la IA autónoma de manera segura, las organizaciones deben implementar medidas prácticas en cultura, operaciones y gobernanza:

Cultura – Construir confianza con la IA:

• Comenzar con la toma de decisiones en el bucle humano y aumentar gradualmente la autonomía.
• Capacitar a los equipos para que comprendan, validen y intervengan en las recomendaciones de la IA.

Operaciones – Implementar monitoreo y controles de riesgo:

• Seguir continuamente las decisiones de la IA para precisión, sesgo y cumplimiento.
• Realizar simulaciones adversas para identificar vulnerabilidades.
• Mantener bucles de retroalimentación para mejorar los modelos de la IA a partir de las correcciones humanas.

Gobernanza – Establecer límites y vías de escalada:

• Definir qué decisiones pueden ser completamente automatizadas y cuáles requieren supervisión.
• Asegurar la auditoría y la trazabilidad de todas las acciones impulsadas por la IA.
• Crear procesos de contingencia para intervenir en caso de anomalías o riesgos.

Estos pasos permiten a las organizaciones escalar la toma de decisiones autónoma de manera segura mientras retienen el control, la rendición de cuentas y el cumplimiento.

¿Cuál es la hoja de ruta de Tredence para Milky Way?

Nuestra hoja de ruta incluye:

1. Agentes específicos de la industria para retail, atención médica, fabricación y servicios financieros.
2. Integraciones más profundas con sistemas ERP, CRM y de cadena de suministro para una adopción sin problemas.
3. Aprendizaje y razonamiento continuo para permitir que los agentes mejoren su inteligencia y comprensión contextual con el tiempo.

La visión es un ecosistema de agentes cooperativos que las empresas pueden ensamblar, gobernar y confiar.

¿Cómo deben prepararse los líderes de la suite ejecutiva para que la IA asuma roles de toma de decisiones estratégicas?

La adopción de la IA es un viaje de madurez:

• Comenzar con copilotos con bucle humano, progresar a flujos de trabajo semiautónomos y eventualmente permitir la autonomía completa en dominios gobernados.
• Invertir en alfabetización de la IA, permitiendo que los equipos colaboren de manera efectiva con los sistemas de la IA.
• Reconsiderar los KPI, los marcos de gobernanza y las estructuras operativas para centrarse en la calidad de la decisión y el impacto empresarial, no solo en el rendimiento del modelo.

En última instancia, la adopción de la IA no es solo una iniciativa tecnológica; es una transformación en el liderazgo, la cultura y la toma de decisiones operativa.

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