Natasha Mohanty, Vicepresidenta de Ingeniería en Doppel – Serie de Entrevistas

Natasha Mohanty, Vicepresidenta de Ingeniería en Doppel, es una líder tecnológica experimentada con una profunda experiencia en AI, pagos, medios y plataformas de consumo. Antes de unirse a Doppel, lideró la ingeniería para la Suite de Checkout Optimizado de Stripe y Link, escalando la organización de 30 a 200 ingenieros mientras ayudaba a impulsar una adopción importante en los productos de checkout y billetera de consumo de Stripe. Anteriormente, se desempeñó como Vicepresidenta de Ingeniería en Nielsen después de la adquisición de Prizma.ai, la empresa de análisis de medios y video de compromiso impulsada por AI que cofundó y lideró como CTO. Al comienzo de su carrera, pasó más de siete años en Google (GOOGL ), trabajando en Search Quality, Google News y personalización de Google+.

Doppel es una empresa de defensa de ingeniería social nativa de AI que se centra en proteger a las organizaciones, ejecutivos, marcas y clientes de la impersonación impulsada por AI, el phishing, el fraude y el riesgo digital más amplio. Su plataforma combina protección de riesgos digitales, protección de ejecutivos y marcas, seguridad de correo electrónico, gestión de riesgos humanos, simulaciones y capacitación de conciencia de seguridad, utilizando AI y inteligencia de amenazas en tiempo real para detectar, correlacionar y disruptar la infraestructura de atacantes en canales como dominios, redes sociales, aplicaciones de mensajería, anuncios y la web oscura. La empresa se ha posicionado alrededor de la creciente amenaza de la ingeniería social habilitada por AI generativa, ayudando a los equipos de seguridad a responder a ataques cada vez más sofisticados en el panorama de amenazas digitales moderno.

Ha liderado organizaciones de ingeniería en empresas como Stripe, Google, Nielsen y ahora Doppel. A lo largo de ese viaje, ¿cómo ha evolucionado su visión del papel del ingeniero de software desde escribir sistemas directamente hasta orquestar flujos de trabajo impulsados por AI cada vez más autónomos?

El flujo de trabajo del ingeniero de software ha cambiado dramáticamente, pero la responsabilidad requerida de los ingenieros no ha cambiado. Cuando comencé mi carrera en Google hace dos décadas, los ingenieros pasaban la mayor parte de su tiempo escribiendo y revisando código ellos mismos. Hoy en día, la AI puede manejar la mayoría de la generación de código, pero los ingenieros siguen siendo responsables de definir objetivos, validar salidas, establecer guardias, revisar código y asegurarse de que los sistemas sigan siendo confiables a largo plazo. En muchos sentidos, la AI ha expandido el alcance de la responsabilidad de ingeniería en lugar de reducirla.

Lo que ha evolucionado es dónde los ingenieros crean valor. A medida que la AI asume más de la mecánica de la codificación, el papel se centra cada vez más en el gusto y el juicio, la comprensión del problema, la toma de decisiones arquitectónicas, la evaluación de compensaciones y la garantía de que los resultados se alineen con las necesidades del usuario y del negocio. Los mejores ingenieros hacen más que simplemente escribir software. Orquestarán sistemas coherentes de humanos y AI, aplicando el contexto y la responsabilidad que las máquinas todavía carecen. Es similar al cambio de contribuyente individual a gerente.

Ha argumentado que la AI no reduce la responsabilidad de ingeniería, la expande. ¿Cuáles son los mayores malentendidos que los ejecutivos todavía tienen sobre lo que los agentes de codificación de AI pueden manejar realistamente sin supervisión humana?

El mayor malentendido es que la AI va a eliminar la necesidad de ingenieros sólidos. La realidad es que la AI eleva el techo de lo que un equipo pequeño y capacitado puede construir, lo que hace que el juicio de ingeniería sea más valioso, no menos.

Lo que está cambiando es el área de superficie que los ingenieros son responsables. Ya no solo escriben código. Definen qué se construye, validan que los agentes están haciendo lo que se pretendía, y son dueños del resultado cuando no lo hacen.

Si algo, el espacio de problemas se ha vuelto más atractivo. Los atacantes tienen acceso a las mismas herramientas de AI que nosotros, lo que significa que el desafío de mantenernos por delante de ellos es genuinamente más difícil, y más interesante, de lo que ha sido nunca. No hay escasez de problemas difíciles de resolver, y Doppel está contratando en ingeniería a personas que se emocionan con este tipo de trabajo.

A medida que los equipos de ingeniería comienzan a coordinar múltiples agentes de AI en codificación, pruebas, depuración y documentación, ¿cómo se ve en la práctica un flujo de trabajo de “gestión de agentes” efectivo?

Los ingenieros están actuando cada vez más como gerentes de sistemas autónomos, no solo como contribuyentes a ellos. Los mejores ingenieros pueden mantener un contexto significativo a través de múltiples flujos de trabajo paralelos mientras saben exactamente qué contexto compartir con cada agente. En la práctica, eso significa escribir criterios de aceptación bien definidos, establecer guardias claras para la privacidad y la seguridad, y pedir a los agentes que expliquen su razonamiento y suposiciones como un paso de validación. Si un agente no puede articular lo que está haciendo y por qué, no puedes confiar plenamente en la salida.

En Doppel, estamos construyendo sistemas de agentes que investigan amenazas, adaptan continuamente las políticas de detección y explican sus decisiones en lenguaje plano. La gestión de agentes efectiva también requiere infraestructura de nivel de sistema, incluyendo entornos de ensayo, tuberías de pruebas automatizadas, herramientas de seguridad con permisos y supervisión definidos, y marcos de evaluación que evalúan continuamente si los agentes y el sistema más amplio están operando según lo esperado.

¿Cuáles son los mayores riesgos operativos o de seguridad que surgen cuando los agentes de AI se les da acceso a herramientas internas, sistemas de producción o flujos de trabajo sensibles sin guardias sólidas?

El riesgo no es solo que los agentes de AI cometan errores. Es que pueden cometerlos a una escala que es difícil de capturar en tiempo real. El peligro más específico es que los agentes actúen fuera de su alcance previsto, ya sea accediendo a sistemas que no estaban diseñados para tocar o manipular datos que no deberían retener.

En nuestro producto de seguridad de correo electrónico, por ejemplo, los agentes procesan datos que son inherentemente sensibles. Hemos ido a grandes lengths para asegurarnos de que esos agentes tengan acceso estrictamente restringido, no puedan exponer accidentalmente información personal sensible en el proceso, y no retengan información confidencial, mientras aún tienen el contexto necesario para tomar la decisión correcta.

¿En qué punto comenzar a depender mucho de código generado por AI comienza a introducir deuda técnica a largo plazo, y cómo deben pensar los líderes de ingeniería sobre equilibrar la velocidad versus la mantenibilidad?

El riesgo es priorizar la velocidad a corto plazo sobre los cimientos que permiten que los sistemas escalen y evolucionen. Una de las mayores lecciones de mi tiempo en Stripe fue que no todas las decisiones son iguales. Algunas son trampas: difíciles de revertir y con probabilidades de tener consecuencias a largo plazo, mientras que otras pueden cambiarse más fácilmente.

Con la AI, la disciplina es saber qué decisiones todavía llevan consecuencias a largo plazo, poner guardias más sólidos alrededor de esas, y moverse rápidamente en el resto. En Doppel, eso significa usar sistemas de evaluación y documentación actual para asegurarse de que los agentes continúen operando según lo previsto a medida que los sistemas evolucionan. El objetivo no es frenar, sino asegurarse de que la velocidad no erosiona silenciosamente los cimientos en los que se está construyendo.

Durante su tiempo escalando organizaciones de ingeniería en Stripe, ¿qué lecciones sobre confiabilidad, confianza y diseño de sistemas ahora se sienten especialmente relevantes en la era de los agentes de AI autónomos?

En Stripe, la confiabilidad era todo, especialmente porque la industria financiera está tan regulada y podría ser catastrófico para los negocios si sus portales de pago se fueran. Si un sistema no funcionaba según lo previsto, había un impacto directo en los clientes, y eso creó una fuerte cultura de propiedad y responsabilidad en la empresa.

Una de las cosas que me atrajo a Doppel fue un nivel similar de obsesión por el cliente. Los equipos aquí están profundamente enfocados en comprender los desafíos que enfrentan los clientes y asumir la responsabilidad de resolverlos.

Ahora que estoy en Doppel, esas lecciones se sienten especialmente relevantes. Estamos construyendo sistemas nativos de AI para ayudar a las organizaciones a defenderse contra ataques de ingeniería social cada vez más sofisticados. Y al igual que en Stripe, donde no puedes permitir que los sistemas de procesamiento de pagos se vayan, es catastrófico para los negocios no tener una postura de ciberseguridad sólida. Ambos son muy de alto riesgo, pero por diferentes razones.

¿Cómo espera que la contratación de ingeniería cambie en los próximos años a medida que las empresas priorizan cada vez más la fluidez en AI, el pensamiento de sistemas y la adaptabilidad sobre la especialización técnica más estrecha?

Creo que veremos un énfasis creciente en la contratación de ingenieros que puedan operar con autonomía, juicio sólido y la capacidad de aprender rápido. Esos son rasgos que siempre he contratado, pero que importan más ahora, no menos. A lo largo de mi carrera, los ingenieros que han tenido el mayor impacto no fueron necesariamente los que tenían la especialización más estrecha. Fueron los que podían adaptarse rápidamente, navegar la ambigüedad y aprender continuamente a medida que la tecnología evolucionaba.

Pero la barra ha cambiado. En Doppel, los problemas que estamos resolviendo no están definidos con claridad. Estamos trabajando constantemente para mantenernos por delante de los atacantes que también están aprovechando la AI, lo que significa construir sistemas como agentes de inteligencia de amenazas que exploran proactivamente la web para descubrir amenazas. No hay una guía establecida para ese tipo de trabajo, así que requiere determinación y una voluntad de empujar los límites de lo que es posible.

La AI solo continuará cambiando cómo se hace el trabajo, pero las empresas todavía necesitarán personas que puedan trabajar en sistemas y asumir la responsabilidad del ciclo de vida completo de lo que construyen. Los ingenieros que prosperen serán los que están constantemente reinventando lo que son capaces de hacer a medida que el paisaje de la AI evoluciona a su alrededor.

Ha trabajado extensivamente en personalización, sistemas de recomendación y plataformas impulsadas por aprendizaje automático a lo largo de su carrera. ¿Cómo esa experiencia moldea la forma en que piensa sobre la colaboración humano-AI dentro de las organizaciones de ingeniería hoy en día?

Una cosa que aprendí al trabajar en personalización y sistemas de aprendizaje automático es que la calidad de la salida es solo tan buena como la calidad de las entradas, incluyendo datos de entrenamiento, marcos de evaluación y una definición clara de lo que “bueno” realmente significa. Los modelos son excelentes para procesar información a escala, pero las personas aportan juicio, contexto y una comprensión de lo que es más importante.

Creo que el mismo principio se aplica a las organizaciones de ingeniería que operan hoy en día. La AI puede ayudar a los equipos a moverse más rápido, pero los mejores equipos serán deliberados sobre el contexto y la verdad que dan a la AI, así como sobre cómo los sistemas impulsados por AI se integran en el ecosistema de ingeniería más amplio. Los ingenieros todavía necesitan tomar decisiones, evaluar compensaciones y, en última instancia, ser dueños del resultado.

Muchas empresas están compitiendo para maximizar la productividad de los desarrolladores con herramientas de AI. ¿Cree que la ventaja competitiva provendrá finalmente de una codificación más rápida, o de construir organizaciones que sepan cómo gobernar y coordinar sistemas de AI de manera efectiva?

La velocidad es importante, especialmente en la ciberseguridad, donde quedarse atrás de los atacantes no es una opción. Pero la velocidad sin guardias es solo una forma más rápida de crear brechas explotables. La gobernanza de los sistemas de AI debe ser la base para cada empresa que construye con AI, no un después. Es esencial para garantizar la calidad, la confiabilidad y la responsabilidad en los flujos de trabajo de ingeniería de software. En la industria de la ciberseguridad en particular, la gobernanza es esencial porque los atacantes encontrarán y explotarán cualquier brecha que dejes. Es por eso que hemos construido nuestra plataforma de agentes en Doppel, hemos liderado con guardias de privacidad y un registro de auditoría claro desde el principio.

Mirando hacia adelante cinco años, ¿cómo cree que se verá el equipo de ingeniería de software moderno una vez que los agentes de AI se hayan integrado profundamente en los flujos de trabajo de desarrollo diarios?

Cinco años es difícil de predecir con confianza porque el mundo se está moviendo muy rápido. Lo que puedo decir con más confianza es que dentro de los próximos 18 meses a tres años, los agentes de AI probablemente manejarán la mayoría de la generación de código, pruebas y depuración de primer paso.

Lo que los ingenieros poseerán es el juicio de producto: la especificación, el gusto, la arquitectura y la responsabilidad cuando algo se rompe. Los equipos pueden ser más pequeños, pero el papel se vuelve más difícil. Los ingenieros que prosperen no serán necesariamente los que producen el código más, sino los que puedan dirigir, evaluar y corregir sistemas autónomos de manera efectiva.

Habiendo trabajado a través de cambios tecnológicos anteriores, una cosa que he aprendido es que la innovación rara vez sigue una línea recta. Los equipos que tienen éxito serán los que se mantengan curiosos, se adapten rápidamente y evolucionen sus flujos de trabajo a medida que la tecnología cambia.

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