Onur Alp Soner, CEO y cofundador de Countly – Serie de entrevistas

Onur Alp Soner es el cofundador y CEO de Countly, una plataforma de análisis digitales y compromiso en aplicaciones. Como tecnólogo y emprendedor, él mismo creó Countly desde cero para dar a las empresas más control sobre cómo entienden y interactúan con sus usuarios. Bajo su liderazgo, Countly ha crecido hasta convertirse en una plataforma de confianza para empresas de todo el mundo que desean innovar rápidamente mientras mantienen la privacidad del usuario en el centro de sus estrategias de crecimiento

Llévanos al momento que te llevó a fundar Countly — ¿qué estabas encontrando personalmente con las herramientas de análisis existentes que te convencieron de que el modelo de propiedad de datos estaba fundamentalmente roto?

Hace unos 13 años, cuando las aplicaciones móviles comenzaban a despegar, las herramientas de análisis disponibles seguían un modelo muy particular. Muchas de ellas eran gratuitas o bastante baratas, pero el trueque era que la plataforma recopilaba y monetizaba tus datos, a menudo alimentando ecosistemas publicitarios. En ese momento, eso se aceptaba ampliamente como la forma normal de funcionar.

sin embargo, eso no nos parecía bien. Incluso como una pequeña empresa, la idea de entregar todos nuestros datos de usuario solo para entender cómo se estaba desempeñando nuestro producto no tenía sentido.

Countly comenzó como respuesta a eso. Queríamos construir análisis que las empresas pudieran poseer y controlar por completo, por lo que lo lanzamos como una plataforma de código abierto y autohospedada. La idea era simple: las organizaciones deberían poder entender y actuar sobre sus datos sin entregarlos. Ese principio sigue siendo el núcleo de Countly hoy en día.

Desde que fundaste Countly, la IA ha llevado la propiedad de los datos de una preocupación de nicho a un requisito estratégico. ¿Cuándo te dio la impresión de que este principio importaría mucho más allá del análisis?

En los primeros años, la mayoría de las conversaciones sobre la propiedad de los datos se enmarcaban en la privacidad o el cumplimiento. Era principalmente para los bancos, los proveedores de atención médica y los gobiernos que se preocupaban profundamente por dónde vivían sus datos y quién los controlaba. Para muchos otros, el análisis todavía se veía como una herramienta de informes simple, por lo que la cuestión de la propiedad no parecía urgente.

Esta perspectiva comenzó a cambiar a medida que las empresas comenzaron a depender más de los datos para ejecutar sus productos, no solo para medirlos. Una vez que el análisis pasó de la informes a la toma de decisiones, alimentando la personalización, los cambios de producto y el compromiso del cliente, la importancia de controlar esos datos se volvió mucho más clara. Cada empresa digital, desde la movilidad hasta la hospitalidad, efectivamente comenzó a competir en datos, no solo en su experiencia frontal.

La IA ha acelerado dramáticamente esa comprensión. Puedes licenciar o construir un modelo de IA, pero no puedes comprar los datos de comportamiento que reflejan cómo interactúan tus propios clientes con tu producto. Esos datos son únicos para cada organización.

Muchas organizaciones creen que están “listas para la IA” porque tienen grandes volúmenes de datos. ¿Qué es lo que normalmente falta debajo de la superficie en las empresas reales?

La falta de datos generalmente no es el problema. El problema real es la falta de datos utilizables. Muchas organizaciones tienen grandes volúmenes de información, pero están fragmentados en diferentes herramientas, equipos y sistemas. Por ejemplo, el marketing puede tener un conjunto de datos, el producto otro y la ingeniería su propia telemetría, a menudo almacenada en diferentes formatos con poca estructura compartida.

Para que la IA sea útil, los datos subyacentes deben ser limpios, coherentes y contextuales. No es suficiente recopilar eventos o registros; debes entender qué representan esas señales en realidad. Sin esa capa semántica, los sistemas de IA están esencialmente adivinando.

Otro problema es la propiedad. Un número sorprendente de empresas no controlan realmente sus propios datos porque residen dentro de plataformas de terceros. Eso hace que sea difícil combinar conjuntos de datos, gobernar cómo se utilizan o aplicar modelos de IA a ellos de manera segura.

Así que cuando las empresas dicen que están listas para la IA porque tienen mucho datos, la verdadera pregunta es si tienen una base de datos coherente.

¿Por qué los datos de primera parte crean una ventaja competitiva duradera en los sistemas de IA, mientras que los modelos en sí están volviéndose 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 los datos de primera parte. Esos datos reflejan cómo las personas interactúan realmente con tu producto, y son únicos para cada organización. Los modelos, por otro lado, están volviéndose cada vez más comodidades. Puedes licenciarlos, afinarlos o cambiar entre proveedores relativamente fácilmente. Lo que no puedes replicar es el dato de comportamiento generado por tus propios usuarios que interactúan con tus productos con el tiempo.

Esos datos capturan patrones, contexto y señales que reflejan cómo los clientes se comportan en realidad. Cuando se estructuran y se entienden adecuadamente, permiten a las empresas construir sistemas que aprenden continuamente del uso real en lugar de conjuntos de datos genéricos.

¿Dónde se rompen silenciosamente las pilas de análisis modernas cuando se reutilizan para sistemas de IA en lugar de informes, paneles y KPI?

Suelen romperse en el punto en el que los datos necesitan moverse de la observación a la acción. Las pilas de análisis tradicionales se diseñaron principalmente para informes. Recopilan y agregan datos, luego los presentan en paneles que ayudan a los equipos a entender lo que sucedió ayer o la semana pasada.

Los sistemas de IA, sin embargo, operan de manera muy diferente. Requieren datos que estén estructurados, contextuales y disponibles en tiempo real para que puedan influir directamente en cómo se comporta un sistema. Cuando las tuberías de análisis se construyen alrededor del procesamiento por lotes y la informes retrasada, luchan por admitir sistemas que necesitan reaccionar instantáneamente.

¿Cómo muestra la falta de verdadera propiedad de datos operativamente cuando los equipos intentan mover la IA desde la experimentación hasta la producción?

Generalmente aparece como un problema de control. En última instancia, si no tienes control sobre tus datos, no tienes control sobre tu IA. Esto se vuelve especialmente claro cuando los equipos pasan de la experimentación a la producción. Durante la experimentación, los equipos pueden trabajar con conjuntos de datos pequeños o tuberías temporales, pero los sistemas de producción requieren acceso consistente a datos confiables en toda la organización.

Luego, en muchas empresas, los datos subyacentes residen en diferentes plataformas de terceros, como herramientas de análisis, sistemas de marketing o servicios en la nube. Eso hace que sea difícil combinar conjuntos de datos, aplicar reglas de gobernanza o mover datos entre sistemas de manera controlada. Esta es una de las razones por las que muchos proyectos de IA permanecen atascados en fases de prueba. Sin una base de datos estructurada y organizativa, se vuelve difícil implementar la IA de manera confiable en la producción.

También hace que sea más difícil rastrear cómo un modelo llegó a una decisión o reconstruir el estado de datos exacto detrás de ella. Sin ese nivel de control, corregir errores o revertir decisiones se vuelve extremadamente difícil.

¿Por qué la mala estructura de datos, la semántica y el contexto socavan incluso los modelos de IA más capaces?

Even los modelos de IA más capaces solo 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 esas señales representan en realidad.

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

El contexto es igualmente importante. Los sistemas de IA necesitan entender cómo se relacionan diferentes piezas de datos entre sí con el tiempo. Sin ese contexto, los modelos pueden producir resultados, pero a menudo son poco fiables porque el sistema está trabajando con información incompleta.

¿Qué señales de advertencia indican que una empresa se dirige hacia resultados genéricos de IA mucho antes de que esas experiencias se sientan genéricas para los clientes?

La señal de advertencia más básica es cuando las empresas confían en los mismos modelos y herramientas de IA externas pero hacen muy poco para desarrollar sus propias bases de datos. Si las organizaciones están utilizando los mismos modelos pero no alimentándolos con sus propios datos de usuarios y contextuales, los sistemas están trabajando esencialmente con las mismas entradas genéricas. En esa situación, la IA solo puede producir resultados de alto nivel o genéricos. Con el tiempo, esto conduce a productos que se sienten cada vez más similares porque la inteligencia detrás de ellos se basa en la misma información limitada.

Otra señal de advertencia es cuando las organizaciones se centran mucho 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 están desordenados, fragmentados o mal estructurados, el sistema simplemente producirá una versión más sofisticada del mismo problema.

Para las organizaciones que intentan construir la IA sobre sus propios datos, ¿qué es lo que Countly realmente habilita que las plataformas de análisis y datos tradicionales no?

La diferencia clave es cómo el control está integrado en la plataforma. En muchos productos de análisis, la propiedad de los datos es algo que aparece como una opción o función. Con Countly, se encuentra en el núcleo del sistema. La plataforma se diseñó para que las organizaciones no tengan que intercambiar el control de sus datos por funcionalidad avanzada.

En la práctica, esto significa que las empresas pueden ejecutar Countly en su propio entorno, mantener el control total sobre su pila de datos y aún acceder a capacidades de análisis, compromiso y automatización a escala. Esto se vuelve especialmente importante cuando las organizaciones quieren construir la IA sobre sus propios datos. Muchas herramientas de análisis tradicionales se construyen principalmente para informes, lo que significa que los datos que recopilan a menudo permanecen dentro de paneles de terceros en lugar de convertirse en una base de datos utilizable para otros sistemas. Countly adopta un enfoque diferente al tratar el análisis como parte de la infraestructura de datos subyacente.

¿Cómo debería evolucionar la definición de la IA ética a medida que los sistemas de IA se incorporan en la toma de decisiones diarias, cuando la propiedad de los datos se trata como un principio de diseño fundamental en lugar de una casilla de política?

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 después del hecho, sino de diseñar sistemas donde los usuarios mantienen la agencia sobre los datos que los entrenan. La ética se convierte en infraestructura.

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