Lauri Kien Kotcher, directora ejecutiva y cofundadora de Different Day – Serie de entrevistas

Lauri Kien Kotcher, directora ejecutiva y cofundadora de Different Day, es una líder empresarial experimentada, creadora de marcas, directora de consejo y asesora estratégica cuya carrera abarca inteligencia artificial, productos de consumo, retail, salud, servicios financieros y capital privado. Antes de fundar Different Day, se desempeñó como directora ejecutiva y miembro del consejo de quip, donde lideró un cambio más amplio de cuidado bucal a bienestar bucal, introdujo nuevos productos, reformuló el modelo de suscripción directa al consumidor de la empresa y redujo los costos operativos. Anteriormente dirigió The Shade Store y Hello Products, guiando a esta última a través de un crecimiento significativo y su adquisición por Colgate en 2020. Sus cargos de liderazgo anteriores incluyen puestos senior en L Catterton, Godiva Chocolatier, Lehman Brothers y Pfizer Consumer Healthcare, así como 15 años en McKinsey & Company, donde se convirtió en socia y co‑lideró la práctica de bienes de consumo de América del Norte de la firma. Kotcher también forma parte del consejo de administración de Freshpet, aportando una amplia experiencia en estrategia de crecimiento, innovación, marketing, fusiones y adquisiciones y transformación organizacional.

Different Day ayuda a organizaciones de mercado medio a convertir desafíos operativos en aplicaciones de inteligencia artificial prácticas y personalizadas que se integran con sus entornos tecnológicos existentes. En lugar de centrarse en proyectos experimentales de IA o software de propósito general, la empresa desarrolla soluciones integrales diseñadas para reducir el trabajo manual, mejorar la visibilidad, acelerar el crecimiento de ingresos, fortalecer los márgenes y descubrir información empresarial útil. Su trabajo abarca áreas como pronóstico de demanda, planificación de suministro e inventario, inteligencia de ventas, conciliación de ayudas financieras, cumplimiento, análisis de contratos, gestión de relaciones con clientes y generación de informes de desempeño. Different Day posiciona a su equipo como un socio desde el descubrimiento inicial del problema hasta la implementación y transferencia de conocimientos, permitiendo a los clientes operar y seguir mejorando las aplicaciones internamente.

Pasaste décadas liderando la transformación en McKinsey, Godiva, hello products, The Shade Store y quip antes de cofundar Different Day. ¿Qué te convenció de que las empresas de mercado medio necesitaban un nuevo tipo de socio de IA, y qué problemas operativos creías que los proveedores de tecnología y las firmas de consultoría existentes no estaban resolviendo?

Sorprendentemente, los líderes empresariales a menudo viven en la oscuridad. Como directora ejecutiva y directora de marketing (CMO) al frente de marcas y minoristas de consumo de mercado medio de alto crecimiento, nunca podía obtener una visión clara del alcance total de todas las piezas móviles del negocio. Nuestros datos a menudo estaban en silos desconectados por canal, geografía y propietario funcional. Mi intuición era que la IA podría finalmente conectar esos puntos y ayudar a descubrir lo que nos faltaba, pero no tenía idea de a quién llamar ni por dónde empezar. Different Day se convirtió en la respuesta a esa pregunta.

Las empresas de mercado medio tienen menos recursos que las grandes corporaciones, pero también pueden tener menos burocracia y deuda técnica. ¿Cómo debería diferir su enfoque de implementación de IA del manual de las grandes empresas?

Las empresas de mercado medio poseen una superpotencia extraordinaria que deben aprovechar. Deben aspirar a superar a sus competidores más grandes, ya que la velocidad es su verdadera ventaja. Nuestra visión es que podemos convertir a la mayoría de los negocios de mercado medio en organizaciones nativas de IA, como si se lanzaran en 2026 desde cero. Las grandes corporaciones temen silenciosamente que la IA permita a rivales más pequeños nivelar el campo de juego, usando compañeros de IA para moverse más rápido sin aumentar la plantilla. Menos personas significan menos decisiones sobre qué hacer, cómo hacerlo y cuáles son los objetivos, por lo que un organigrama más pequeño se convierte en un activo, no en una limitación.

Al evaluar las operaciones de una empresa, ¿cómo distingues un flujo de trabajo que realmente se beneficia de la IA de uno que sería mejor abordado mediante automatización convencional, software mejorado o rediseño de procesos?

Creo en el enfoque desnudo: reducir tu flujo de trabajo a lo esencial. Simplificar el proceso debe preceder a la IA. Comienza con una hoja en blanco: ¿qué harías aquí si el software heredado y los atajos no existieran? La mayoría de los procesos actuales se construyeron para sortear herramientas torpes, no porque sean la forma correcta de trabajar. Cuando los contratos se acercan a su renovación, pregunta qué funciones utilizas y, con pocas excepciones, la IA puede crear algo más a medida que lo que tienes hoy. Aunque siempre hay sistemas que vale la pena mantener, como tu ERP o CRM, diseñamos exactamente los complementos que necesitas y nada más.

Different Day afirma que puede iniciar con un prototipo de 72 horas y pasar a una entrega lista para producción en semanas. ¿Qué hace posible ese ritmo y qué condiciones técnicas, de seguridad u organizacionales podrían ralentizar una implementación?

Parece una promesa exagerada, pero refleja nuestra ventaja única como empresa fundada por personas que comprenden tanto el negocio como la tecnología. Nuestro equipo es nativo de IA, por lo que la construcción avanza mucho más rápido que el desarrollo de software tradicional. Lo que no cambia es el descubrimiento: quién es el propietario del proceso, quién más necesita comprar la idea, qué resultado buscas y en qué medida, qué ha fallado antes. Omitir ese trabajo al principio lo hace reaparecer más tarde; en integraciones, en la implementación, a un costo mucho mayor. El ritmo solo es posible porque cargamos la comprensión al inicio en lugar de codificar.

Muchas empresas de mercado medio operan con hojas de cálculo desconectadas, sistemas heredados y fuentes de datos inconsistentes. ¿Cuánta preparación de datos se requiere normalmente antes de que la IA pueda producir resultados operativos confiables?

Los datos desconectados con los que viven la mayoría de las empresas de mercado medio son en realidad una oportunidad, no un obstáculo. Nuestras herramientas revelan exactamente dónde están los vacíos, y la empresa decide si los llena y cómo. Antes de la IA, esos vacíos eran invisibles; alguien simplemente forzaba las hojas de cálculo a una decisión o tomaba decisiones con datos incompletos sin darse cuenta. Ahora los equipos pueden ver el vacío y sopesar su decisión en consecuencia, en lugar de asumir que los datos eran sólidos.

¿Qué métricas deberían establecer los ejecutivos antes de iniciar un proyecto de IA, y con qué rapidez deberían esperar ver evidencia de que la implementación está generando un retorno de inversión significativo?

La IA puede ser nueva, pero prevalecen las disciplinas empresariales clásicas. El problema surge cuando la gente piensa que todas las reglas anteriores han desaparecido. Cada proyecto de IA necesita un objetivo claro desde el principio, ya sea ventas, visibilidad de marca, margen, velocidad de decisión o mayor producción sin aumentar la plantilla, junto con un cronograma realista para alcanzarlo. Los plazos varían según la cantidad de conexiones de datos, los sistemas internos y externos involucrados y cuánto necesita aprender la herramienta antes de que su salida sea sólida. Deberías ver algún tipo de resultado alrededor de los tres meses; los proyectos más complejos tardan más. La clave es diseñar el proyecto en etapas, de modo que no esperes un único resultado explosivo.

Different Day destaca aplicaciones que abarcan pronóstico de demanda, planificación de suministro, inteligencia de contratos, conciliación de ayudas financieras y señales de ventas en tiempo real. ¿Qué casos de uso están generando los resultados más repetibles hoy, y cuáles siguen siendo altamente dependientes de la industria y el modelo operativo de una empresa?

No subestimes el factor de repetibilidad de la IA. En muchos sentidos, las empresas son estructuralmente más similares de lo que creemos, desde contratos universales hasta la alineación de las necesidades de los clientes con las capacidades internas. La inteligencia de contratos y la conciliación de ayudas financieras son hoy las más repetibles; ambas tienen parámetros y resultados claros, por lo que la herramienta sabe exactamente qué está resolviendo. El pronóstico de demanda y la planificación de suministro son más difíciles: más conjuntos de datos, más canales y mucha más variación de un modelo operativo a otro. Algo como la notificación al cliente en tiempo real queda en un punto intermedio, dependiendo de la pila tecnológica y los canales actuales de la empresa.

¿Cómo debe una empresa decidir si compra un producto de IA listo para usar, lo desarrolla internamente o crea una aplicación personalizada con un socio externo? ¿Qué preguntas ayudan a revelar complejidad innecesaria o dependencia del proveedor?

Evita el clickbait de IA y sé escéptico ante publicaciones de LinkedIn que hacen que construir herramientas sofisticadas internamente parezca fácil. Desarrolla internamente solo cuando la herramienta es realmente simple, como un panel que extrae unas cuantas hojas de cálculo en una vista limpia para un pequeño grupo de colegas. En el momento en que necesites extraer datos en tiempo real de sistemas internos y externos, eso está fuera del alcance de un equipo no técnico con herramientas DIY. La IA lista para usar tiene el mismo techo que siempre ha tenido el SaaS listo para usar. Te proporcionará una visión de datos genéricos, pero no te dará el matiz específico de tu negocio y tus competidores.

¿Cuáles son los errores más comunes que observas que cometen las empresas al pasar de una demostración impresionante de IA a un sistema que los empleados deben confiar y usar a diario?

Estoy viendo una epidemia de “prototipitis”: empresas que se enamoran del 10 por ciento visible del iceberg. El prototipo parece impresionante, pero el trabajo real ocurre bajo la superficie: pruebas de datos y retropruebas, probar cada enlace del sistema y asegurar los datos. Luego llega la gestión del cambio: enseñar a las personas cómo usarlo, dónde están sus límites, cuándo un humano debe permanecer en el circuito y qué preguntas hacer sobre su salida. La IA debe ser adecuada para un propósito, no un sustituto del juicio humano, especialmente en una empresa de mercado medio donde ese juicio se construyó durante años.

A medida que la IA se incorpora a las operaciones centrales, ¿cómo esperas que cambien los roles de los gerentes y los empleados de primera línea, y qué deben hacer ahora los líderes de mercado medio para garantizar que la IA eleve a sus equipos en lugar de simplemente añadir otra capa tecnológica?

“Managers” antes se refería a dirigir personas. Rápidamente, se ha convertido en la gestión de agentes y sistemas. Comienza mapeando los mayores puntos de dolor del equipo y aislando el trabajo manual y repetitivo; ahí es donde la IA debe intervenir primero, antes de asignarle decisiones más complejas. Camina antes de correr, especialmente en una empresa de mercado medio donde la confianza debe ganarse una victoria a la vez.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deberían visitar Different Day.