Onur Alp Soner, director ejecutivo y cofundador de Countly – Serie de entrevistas

Onur Alp Soner es el cofundador y director ejecutivo de Con mucho, una plataforma de análisis digital e interacción en aplicaciones. Tecnólogo y emprendedor, impulsó Countly desde cero para brindar a las empresas un mayor control sobre cómo comprenden e interactúan con sus usuarios. Bajo su liderazgo, Countly se ha convertido en una plataforma de confianza para empresas de todo el mundo que buscan innovar rápidamente, priorizando la privacidad del usuario en sus estrategias de crecimiento.

Retrocedamos al momento que lo llevó a fundar Countly: ¿qué encontró personalmente con las herramientas de análisis existentes que lo convencieron de que el modelo de propiedad de datos estaba fundamentalmente roto?

Hace unos 13 años, cuando las aplicaciones móviles empezaban a popularizarse, las herramientas de análisis disponibles seguían un modelo muy particular. Muchas eran gratuitas o bastante económicas, pero la contrapartida era que la plataforma recopilaba y monetizaba tus datos, a menudo integrándolos en ecosistemas publicitarios. En aquel entonces, esto se consideraba la norma.

Sin embargo, eso no nos convencía. Incluso siendo una empresa pequeña, la idea de entregar todos nuestros datos de usuario solo para entender el rendimiento de nuestro producto no tenía sentido.

Countly surgió como respuesta a esto. Queríamos crear análisis que las empresas pudieran controlar por completo, por lo que lo lanzamos como una plataforma de código abierto y autoalojada. La idea era simple: las organizaciones debían poder comprender sus datos y actuar sobre ellos sin compartirlos. Ese principio sigue siendo la base de Countly hoy en día.

Desde la fundación de Countly, la IA ha transformado la propiedad de los datos, pasando de ser una preocupación minoritaria a un requisito estratégico. ¿Cuándo te diste cuenta de que este principio tendría una importancia mucho mayor que la del análisis de datos?

En los primeros años, la mayoría de las conversaciones sobre la propiedad de los datos se centraban en la privacidad o el cumplimiento normativo. Principalmente, los bancos, los proveedores de atención médica y los gobiernos se preocupaban profundamente por dónde se almacenaban sus datos y quién los controlaba. Para muchos otros, el análisis de datos todavía se consideraba una simple herramienta de generación de informes, por lo que la cuestión de la propiedad no parecía urgente.

Esa perspectiva empezó a cambiar a medida que las empresas empezaron a depender más de los datos para gestionar sus productos, no solo para medirlos. Una vez que la analítica pasó de la generación de informes a la toma de decisiones, impulsando la personalización, los cambios de producto y la interacción con el cliente, la importancia de controlar esos datos se hizo mucho más evidente. Todas las empresas que priorizan lo digital, desde la movilidad hasta la hostelería, empezaron a competir eficazmente con los datos, no solo con la experiencia de usuario.

La IA ha acelerado drásticamente esta constatación. Se puede obtener una licencia o desarrollar un modelo de IA, pero no se pueden comprar los datos de comportamiento que reflejan cómo interactúan los clientes con el producto. Esos datos son únicos para cada organización.

Muchas organizaciones creen estar preparadas para la IA porque manejan grandes volúmenes de datos. Sin embargo, según lo que se observa en empresas reales, ¿qué suele faltar en el fondo?

La falta de datos no suele ser el problema. El verdadero problema radica en la falta de datos útiles. Muchas organizaciones manejan enormes volúmenes de información, pero esta se encuentra fragmentada en diferentes herramientas, equipos y sistemas. Por ejemplo, marketing puede tener un conjunto de datos, producto otro e ingeniería su propia telemetría, a menudo almacenada en formatos distintos y con poca estructura compartida.

Para que la IA sea útil, los datos subyacentes deben ser limpios, consistentes y contextuales. No basta con recopilar eventos o registros; es necesario comprender qué representan realmente esas señales. Sin esa capa semántica, los sistemas de IA se limitan a adivinar.

Otro problema es la propiedad. Sorprendentemente, muchas empresas no controlan sus propios datos porque estos se encuentran en plataformas de terceros. Esto dificulta la combinación de conjuntos de datos, la regulación de su uso y la aplicación segura de modelos de IA.

Por lo tanto, cuando las empresas dicen que están preparadas para la IA porque tienen muchos datos, la verdadera pregunta es si tienen una base de datos coherente.

¿Por qué los datos de primera mano crean una ventaja competitiva duradera en los sistemas de IA, mientras que los propios modelos son cada vez más intercambiables?

Lo que crea una ventaja duradera no es el modelo en sí, sino la comprensión de los usuarios que proviene de datos propios. Estos datos reflejan cómo las personas interactúan realmente con su producto y son únicos para cada organización. Los modelos, por otro lado, se están convirtiendo cada vez más en productos básicos. Se pueden licenciar, ajustar o cambiar de proveedor con relativa facilidad. Lo que no se puede replicar son los datos de comportamiento generados por los propios usuarios que interactúan con sus productos a lo largo del tiempo.

Estos datos capturan patrones, contexto y señales que reflejan el comportamiento real de los clientes. Cuando se estructuran y comprenden correctamente, permiten a las empresas construir sistemas que aprenden continuamente del uso real, en lugar de conjuntos de datos genéricos.

¿Dónde fallan silenciosamente las plataformas analíticas modernas cuando se reutilizan para sistemas de IA en lugar de para informes, paneles de control e indicadores clave de rendimiento (KPI)?

Suelen fallar cuando los datos deben pasar de la observación a la acción. Las plataformas de análisis tradicionales se diseñaron principalmente para la generación de informes. Recopilan y agregan datos, y luego los presentan en paneles que ayudan a los equipos a comprender qué sucedió ayer o la semana pasada.

Sin embargo, los sistemas de IA funcionan de forma muy diferente. Requieren datos estructurados, contextualizados y disponibles en tiempo real para influir directamente en el comportamiento del sistema. Cuando los canales de análisis se basan en el procesamiento por lotes y la generación de informes diferidos, resulta difícil dar soporte a sistemas que necesitan reaccionar al instante.

¿Cómo se manifiesta operativamente la falta de verdadera propiedad de los datos cuando los equipos intentan pasar la IA de la fase experimental a la de producción?

Suele presentarse como un problema de control. En definitiva, si no se tiene control sobre los datos, no se tiene control sobre la IA. Esto se hace especialmente evidente cuando los equipos pasan de la experimentación a la producción. Durante la experimentación, los equipos suelen trabajar con pequeños conjuntos de datos o pipelines temporales, pero los sistemas de producción requieren un acceso constante a datos fiables en toda la organización.

En muchas empresas, los datos subyacentes residen en diferentes plataformas de terceros, como herramientas de análisis, sistemas de marketing o servicios en la nube. Esto dificulta la combinación de conjuntos de datos, la aplicación de reglas de gobernanza o la transferencia controlada de datos entre sistemas. Esta es una de las razones por las que muchos proyectos de IA permanecen estancados en las fases piloto. Sin datos estructurados de toda la organización, resulta difícil implementar la IA de forma fiable en producción.

También dificulta rastrear cómo un modelo llegó a una decisión o reconstruir el estado exacto de los datos que la respaldan. Sin ese nivel de control, corregir errores o revertir decisiones se vuelve extremadamente difícil.

¿Por qué una estructura de datos, una semántica y un contexto deficientes socavan incluso los modelos de IA más capaces?

Incluso los modelos de IA más capaces son tan buenos como los datos que reciben. Si los datos subyacentes están mal estructurados o carecen de contexto, el modelo tiene muy poca comprensión de lo que representan realmente esas señales.

En muchos sistemas, los datos se recopilan como eventos o registros aislados, sin un significado claro. Un modelo puede observar miles de interacciones, pero sin una estructura y semántica adecuadas, no puede distinguir entre lo importante y lo que es simplemente ruido.

El contexto es igualmente importante. Los sistemas de IA necesitan comprender cómo se relacionan entre sí los distintos datos a lo largo del tiempo. Sin ese contexto, los modelos pueden generar resultados, pero a menudo son poco fiables porque el sistema trabaja con información incompleta.

¿Qué señales de alerta indican que una empresa se encamina hacia resultados de IA genéricos mucho antes de que esas experiencias resulten genéricas para los clientes?

La señal de alerta más básica es cuando las empresas dependen de los mismos modelos y herramientas de IA externos, pero hacen muy poco por desarrollar sus propias bases de datos. Si las organizaciones utilizan los mismos modelos, pero no les proporcionan sus propios datos de usuario y contextuales, los sistemas funcionan básicamente con las mismas entradas genéricas. En esa situación, la IA solo puede producir resultados generales o genéricos. Con el tiempo, esto da lugar a productos que parecen cada vez más similares porque la inteligencia que los sustenta se basa en la misma información limitada.

Otra señal de alerta es cuando las organizaciones se centran en adoptar modelos de IA, pero prestan poca atención a la estructura y la calidad de sus datos. La IA amplifica lo que recibe. Si los datos subyacentes son confusos, fragmentados o están mal estructurados, el sistema simplemente producirá una versión más sofisticada del mismo problema.

Para las organizaciones que intentan desarrollar inteligencia artificial a partir de sus propios datos, ¿qué ofrece Countly que las plataformas tradicionales de análisis y datos no ofrecen?

La diferencia clave radica en cómo se integra el control en la plataforma. En muchos productos de análisis, la propiedad de los datos aparece como una opción o función. Con Countly, es la base del sistema. La plataforma se diseñó para que las organizaciones no tengan que sacrificar el control de sus datos a cambio de funcionalidades avanzadas.

En la práctica, esto significa que las empresas pueden ejecutar Countly en su propio entorno, mantener el control total sobre su conjunto de datos y, al mismo tiempo, acceder a las capacidades de análisis, interacción y automatización a escala. Esto cobra especial importancia cuando las organizaciones desean desarrollar IA sobre sus propios datos. Muchas herramientas de análisis tradicionales se diseñan principalmente para la generación de informes, lo que significa que los datos que recopilan suelen permanecer en paneles de terceros en lugar de convertirse en una base utilizable para otros sistemas. Countly adopta un enfoque diferente al considerar el análisis como parte de la infraestructura de datos subyacente.

A medida que los sistemas de IA se integran en la toma de decisiones cotidianas, ¿cómo debería evolucionar la definición de IA ética cuando la propiedad de los datos se considera un principio de diseño fundamental en lugar de una mera casilla de verificación en las políticas?

Una vez que la propiedad de los datos se convierte en un principio de diseño, la IA ética ya no se trata de auditar modelos a posteriori, sino de diseñar sistemas donde los usuarios conservan la autonomía sobre los datos que los entrenan. La ética se convierte en infraestructura.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Con mucho.