Shanea Leven, fundadora y directora ejecutiva de Empromptu AI – Serie de entrevistas

Shanea LevenFundadora y CEO de Empromptu AI, es una líder de producto veterana con amplia experiencia en la creación de plataformas para desarrolladores y productos basados ​​en IA en importantes empresas tecnológicas. Antes de lanzar Empromptu en 2025, fundó CodeSee, una plataforma de IA para desarrolladores que ayuda a los equipos a visualizar y comprender bases de código complejas, adquirida por GitKraken en 2024. Anteriormente, ocupó puestos de alta dirección de producto en empresas como Docker, Cloudflare, eBay y Google, donde trabajó en iniciativas que abarcan desde las API de pago de Google Assistant hasta programas de formación para desarrolladores utilizados por cientos de miles de estudiantes.

IA improvisada Es una plataforma empresarial diseñada para ayudar a las organizaciones a crear e implementar aplicaciones de IA integradas con mayor facilidad. La plataforma combina el desarrollo de aplicaciones, la integración de datos, la gobernanza, las evaluaciones, la memoria y la orquestación de modelos en un único entorno, lo que permite a las empresas pasar de la experimentación rápida con IA a sistemas de nivel de producción con los controles y la fiabilidad necesarios para su uso empresarial.

Antes de fundar CodeSee, empresa que posteriormente fue adquirida por GitKraken, y ahora lideras Empromptu AI, dedicaste más de 15 años a crear plataformas para desarrolladores en compañías como Google, eBay, Cloudflare y Docker. ¿Cómo influyeron esas experiencias en tu perspectiva sobre por qué tantas herramientas de IA fracasan una vez que superan la fase de demostración? ¿Qué problema específico te propusiste resolver al fundar Empromptu?

Una de las lecciones que se aprenden al crear plataformas para desarrolladores es que los problemas más difíciles nunca son los de la demo. La demo siempre funciona. La verdadera prueba surge cuando miles de desarrolladores utilizan el sistema, cuando los datos son confusos, cuando fallan las integraciones y cuando empresas reales dependen de él.

En Google, Cloudflare, Docker y eBay pasé años trabajando en plataformas que debían operar a escala global. Esos entornos te enseñan algo rápidamente: la fiabilidad, la gobernanza y la observabilidad no son características que se añaden después. Son la arquitectura misma.

Cuando comencé a desarrollar aplicaciones de IA, los modelos eran pésimos, y a medida que mejoraban, me di cuenta de que la industria repetía el mismo error que habíamos visto en oleadas anteriores de software. En las herramientas de desarrollo, hay un concepto que parece haberse olvidado: ¿cuánto tiempo se puede llegar al "hola mundo"? Hoy en día, la versión generativa de "hola mundo" es un prototipo SaaS completamente funcional. Pero ahora no solo programamos aplicaciones SaaS de forma intuitiva, sino también aplicaciones de IA completas. Una IA que crea IA requiere otros sistemas para ponerla en producción.

Puedes generar rápidamente una aplicación o función de IA funcional, lo cual es emocionante y realmente útil. Sin embargo, los sistemas predominantes aún carecen de la infraestructura necesaria para entornos de producción. Faltaban elementos como canalizaciones de datos estructurados, marcos de evaluación, controles de gobernanza, monitorización y gestión del contexto a largo plazo, pero los hemos incorporado manteniendo todas las ventajas de la codificación Vibe.

Cuando mi cofundador y yo fundamos Empromptu, el problema que queríamos resolver era sencillo: ¿cómo logramos que las aplicaciones de IA estén listas para su producción desde el principio?

En lugar de tratar la gobernanza, la preparación de datos, la evaluación y la optimización como herramientas separadas o procesos posteriores, las integramos directamente en la plataforma. La idea es que los equipos puedan crear aplicaciones de IA rápidamente, pero con la misma fiabilidad, calidad y control que esperan de los sistemas de software empresariales.

Usted se ha mostrado muy crítico con la brecha que existe entre las impresionantes demostraciones de IA y los sistemas listos para la producción. Desde su perspectiva, ¿cuáles son los errores arquitectónicos más comunes que cometen los equipos al intentar convertir un prototipo de IA en un producto fiable utilizado por clientes reales?

El error más común que cometen los equipos es suponer que el modelo es el producto.

En los primeros prototipos, el modelo realiza la mayor parte del trabajo visible. Se le da una orden, produce una respuesta y, si la respuesta parece correcta, el sistema aparenta funcionar. Esto crea la ilusión de que mejorar el modelo es el principal desafío.

Pero en los sistemas de producción, el modelo es solo un componente de una arquitectura mucho más amplia.

El primer error consiste en tratar los datos como algo secundario. En los prototipos, los equipos suelen realizar pruebas con conjuntos de datos pequeños y limpios. Una vez que el sistema se conecta a datos operativos reales, la situación cambia rápidamente. Los datos llegan incompletos, inconsistentes, duplicados o en formatos inesperados. Sin un flujo de datos estructurado para normalizar y validar las entradas, el sistema se vuelve poco fiable, independientemente de la calidad del modelo.

El segundo error es la ausencia de marcos de evaluación. Muchos equipos implementan funciones de IA sin definir qué significa realmente "bueno". Si bien pueden realizar comprobaciones puntuales de los resultados durante el desarrollo, no crean sistemas de evaluación automatizados que midan continuamente la precisión, la desviación y los casos límite una vez que el sistema está en funcionamiento. Sin estas medidas de control, los fallos suelen ser descubiertos por los clientes en lugar de por los ingenieros.

Un tercer problema es la falta de mecanismos de gobernanza y control. Los sistemas de IA son probabilísticos, lo que significa que pueden comportarse de manera diferente bajo condiciones ligeramente distintas. En entornos regulados o de alto riesgo, esa imprevisibilidad debe controlarse mediante políticas deterministas, flujos de trabajo de aprobación y registros de auditoría que documenten cómo se tomaron las decisiones.

En definitiva, esto se reduce a que los sistemas de IA de producción no son solo modelos. Son sistemas operativos.

Las empresas que están teniendo éxito con la IA hoy en día son aquellas que consideran los flujos de datos, la evaluación, la gobernanza y la monitorización como infraestructura fundamental, no como complementos opcionales.

Muchas plataformas de codificación de IA prometen que cualquiera puede crear una aplicación siguiendo instrucciones sencillas. ¿Por qué estas herramientas suelen funcionar bien para demostraciones, pero presentan dificultades cuando las empresas intentan implementarlas en entornos de producción reales?

Muchas de estas plataformas funcionan bien para demostraciones porque están optimizadas para el momento de la creación, no para el ciclo de vida de un sistema real.

Pero existe una diferencia fundamental entre usar la IA para generar una página de destino y usar la IA para crear una aplicación de IA.

Una página de destino es, en su mayor parte, un software estático. Una vez que se visualiza correctamente, prácticamente ha cumplido su función. El sistema no tiene que tomar decisiones probabilísticas, procesar datos que cambian constantemente ni adaptarse al comportamiento impredecible del usuario.

Las aplicaciones de IA son completamente diferentes. Son sistemas dinámicos que dependen de flujos de datos, comportamiento de modelos, marcos de evaluación y monitorización continua. La aplicación debe gestionar el contexto, detectar desviaciones en los resultados, manejar casos límite y operar de forma segura cuando el modelo se encuentra con situaciones desconocidas.

La mayoría de las herramientas de codificación guiadas por comandos no abordan esas capas porque están diseñadas para que algo funcione rápidamente. Generan código que produce un resultado visible, lo cual es perfecto para un entorno de demostración. Pero los sistemas de producción requieren un conjunto de capacidades mucho más amplio: manejo de datos estructurados, controles de gobernanza, pipelines de evaluación, observabilidad y mecanismos para actualizar el comportamiento de forma segura a lo largo del tiempo.

Por lo tanto, cuando las empresas intentan implementar estos sistemas en entornos reales, la brecha se hace evidente. El prototipo funcionó porque el entorno estaba controlado. La producción es caótica.

Empromptu se centra en transformar el software existente en sistemas nativos de IA, en lugar de obligar a las empresas a reconstruirlo todo desde cero. ¿Qué implica realmente esa transformación a nivel de infraestructura y producto?

A nivel de producto, cada aplicación es completamente autónoma y está en contenedores. Creamos todo lo que necesitas: interfaces de usuario, backends, bases de datos, modelos, evaluaciones, reglas de operaciones de LLMS, y todo es sumamente flexible según las necesidades de la empresa.

Tenemos varias opciones diferentes para aplicaciones de IA:

“Sin interfaz” (Headless), por lo que si un cliente ya tiene una interfaz de usuario, podemos conectarla a nuestro sistema y enviar los datos de vuelta.

Están totalmente en contenedores, por lo que pueden implementarse en nuestra infraestructura o en la del cliente; por defecto, se encuentran en las instalaciones del cliente.

O bien, podemos generarlos y desplegarlos directamente en la nube, que es la opción más conveniente.

Podemos importar directamente el código que tengan a nuestro sistema y convertirlo en agente si aún no lo está. Por ejemplo, vemos esto con varios clientes que han intentado desarrollar sus aplicaciones en plataformas populares como Lovable, Replit, Bolt o Base44. A menudo, no funcionan. Pero los clientes ya han invertido mucho tiempo, energía y recursos en esta aplicación, así que la integramos, la reescribimos y hacemos que toda la IA funcione.

Y podemos hacerlo porque contamos con una serie de tecnologías personalizadas y patentadas, tales como:

• Motor de contexto adaptativo para gestionar el contexto
• Memoria ilimitada para procesar aplicaciones de código de larga duración.
• Modelos de datos personalizados y flujos de datos maestros para garantizar que podamos manejar cualquier limpieza de datos y etiquetado sintético que sea necesario.

Su plataforma hace hincapié en el contexto, la evaluación, la gobernanza y los datos estructurados como componentes clave de los sistemas de IA. ¿Por qué se suelen pasar por alto estos elementos cuando los equipos se apresuran a incorporar funciones de IA a sus productos?

¡Porque son difíciles de lograr! Mi cofundador, el Dr. Sean Robinson, dirige nuestro laboratorio de investigación. Es un astrofísico computacional que ha inventado varias tecnologías inspiradas en mis ideas más audaces, pero también en las necesidades de nuestros clientes y en la dirección que está tomando el mercado. Nuestra experiencia combinada en el desarrollo de numerosas aplicaciones de inteligencia artificial, el lanzamiento de satélites al espacio y el trabajo en las mayores empresas tecnológicas del mundo nos brinda una perspectiva que nos permite resolver problemas complejos mejor que nadie.

Trabajas con muchos fundadores que nunca antes han escrito código. ¿Cuáles son las ideas erróneas más comunes entre los fundadores sin conocimientos técnicos cuando intentan crear aplicaciones de IA por primera vez?

Creo que hay dos grandes ideas erróneas:

La primera idea errónea es que la IA es mágica. La IA no es mágica. Es simplemente buena ingeniería. Y, tarde o temprano, se llega a un límite en lo que se puede hacer en estas plataformas sin un ingeniero especializado.

En segundo lugar, poseen excelentes habilidades de gestión técnica de productos. Tengo experiencia en gestión técnica de productos y la habilidad de traducir una visión, a veces muy ambiciosa, en partes pequeñas y entregables con las especificaciones técnicas adecuadas para articular con precisión lo que se desea. En realidad, es una habilidad muy difícil que requiere tiempo.

Por ejemplo, supongamos que estás creando una aplicación que sube un PDF y lo guarda para que puedas consultarlo más tarde. Esto se conoce como persistencia. El PDF se codifica y se guarda en una base de datos.

Pero si no supieras que eso se llama persistencia, ¿cómo podrías escribir? Asegúrate de que estos datos persistan. Elegir la terminología técnica es como hablar un idioma diferente. Hay una diferencia entre escribir en lenguaje natural y escribir en lenguaje técnico.

Muchas startups asumen que la solución para desarrollar productos de IA es simplemente contratar más ingenieros. ¿Por qué cree que este enfoque suele fracasar y qué deberían considerar los fundadores al crear productos con IA?

A veces, contratar más ingenieros es la solución adecuada. Si estás desarrollando un producto altamente técnico o trabajando en la vanguardia de la investigación de modelos, necesitas sin duda equipos de ingeniería sólidos. No hay nada que reemplace a los buenos ingenieros a la hora de resolver problemas complejos.

Pero el error que cometen muchas startups es suponer que un mayor número de ingenieros resuelve automáticamente el reto de crear un producto de IA.

En realidad, los problemas más difíciles en los productos de IA a menudo no son problemas puramente de ingeniería. Son problemas de sistemas, como cualquier otro problema de ingeniería. A los ingenieros se les enseña específicamente a pensar en sistemas. Pero el desarrollo generativo es diferente del desarrollo determinista. Muchos de nosotros hicimos este cambio cuando pasamos de la programación orientada a objetos a la programación funcional. ¿Son ambas programación? Sí, absolutamente, pero ¿son diferentes? ¿Son una forma distinta de pensar? Sí, por supuesto.

Las aplicaciones de IA se sitúan en la intersección de los datos, el diseño de productos, los flujos de trabajo operativos y el comportamiento de los modelos. Puedes contratar un equipo de ingenieros excepcional, pero si los flujos de datos no son fiables, los criterios de evaluación no están claros o el sistema carece de gobernanza y supervisión, el producto seguirá teniendo problemas una vez que llegue a los usuarios reales.

Otro problema es que muchos equipos se lanzan directamente a construir antes de haber definido cómo se comportará el sistema de IA en producción. Cuestiones como la evaluación del sistema, el manejo de casos excepcionales, el registro de decisiones y la actualización de los modelos suelen surgir mucho más tarde. Para entonces, la arquitectura ya es difícil de modificar.

En lo que los fundadores realmente deberían centrarse es en el modelo operativo de su sistema de IA.

¿Quién es el propietario del flujo de datos?

¿Cómo se mide el rendimiento del modelo de forma continua, y no solo durante su desarrollo?

¿Qué ocurre cuando el sistema se encuentra con una situación que no ha visto antes?

¿Cómo se actualiza el comportamiento de forma segura sin interrumpir los flujos de trabajo posteriores?

A veces, solucionar esos problemas implica contratar más ingenieros. Pero también puede significar elegir la infraestructura adecuada, definir restricciones de producto sólidas y construir sistemas que permitan a los equipos pequeños operar de forma fiable a gran escala.

Las empresas que triunfan hoy en día con la IA no son necesariamente las que cuentan con los equipos de ingeniería más grandes. Son aquellas que tratan la IA como un sistema a largo plazo que requiere disciplina de datos, evaluación, gobernanza y mejora continua desde el principio.

Usted ha argumentado que algunos de los modelos de negocio actuales en las herramientas para desarrolladores de IA no se ajustan a la creación de productos duraderos. ¿Qué incentivos del ecosistema actual de herramientas de IA cree que están llevando a las empresas por el camino equivocado?

Uno de los mayores desajustes en materia de incentivos en la actualidad es que muchas herramientas para desarrolladores de IA están optimizadas para métricas de crecimiento en lugar de para la durabilidad del producto.

Muchas empresas de este sector son premiadas por la rapidez con la que los usuarios pueden crear algo impresionante. Si una herramienta puede generar una aplicación funcional, una función o una demostración en pocos minutos, esto impulsa los registros, la difusión en redes sociales y el interés de los inversores. Desde el punto de vista de la adopción del producto, esto tiene sentido.

Pero esos incentivos a menudo cesan en el momento de la creación.

El trabajo más arduo en el software de IA comienza después de ese punto. Es entonces cuando se genera confianza. Cuando se puede confiar en la calidad. Cuando el usuario desea regresar una y otra vez sin la frustración que produce una IA con resultados deficientes. Debe brindar buenas respuestas incluso ante la ignorancia o la malicia humana.

Otro problema es que muchas herramientas están optimizadas para la generación de código en lugar del diseño del sistema. Generar código rápidamente es útil, pero desarrollar un producto de IA implica más que solo producir código. Requiere definir cómo el sistema gestiona el contexto, cómo se evalúan las decisiones, cómo se manejan los fallos y cómo evoluciona el comportamiento de forma segura con el tiempo.

Las empresas que alineen sus incentivos con el objetivo de ayudar a los clientes a ejecutar sistemas de IA de forma fiable, y no solo a construirlos rápidamente, son las que crearán un valor duradero en este ecosistema.

Algunos de sus clientes son emprendedores que desarrollan productos muy específicos, como herramientas de salud especializadas o negocios centrados en la sostenibilidad, a menudo sin equipos de ingeniería tradicionales. ¿Qué patrones ha observado entre los fundadores que logran convertir esas ideas en productos de IA funcionales? 

Uno de los patrones más interesantes que observamos es que los fundadores que tienen éxito no son necesariamente los más técnicos. Son aquellos que comprenden a la perfección el problema que están resolviendo.

Muchos de los emprendedores que utilizan Empromptu son expertos en su sector. Pueden provenir de la sanidad, las finanzas, la sostenibilidad u otra industria especializada. Su conocimiento profundo de los flujos de trabajo, las normativas y las decisiones propias de ese entorno es invaluable a la hora de diseñar un producto de IA, ya que define las funciones que el sistema debe cumplir.

Los fundadores que triunfan tienden a abordar la IA no tanto como un experimento tecnológico, sino más bien como un sistema de producto. Comienzan formulando preguntas muy concretas: ¿Qué decisiones debería ayudar a tomar la IA? ¿A qué fuentes de datos necesita acceder? ¿Cómo se vería una respuesta correcta en este ámbito? ¿Qué medidas de seguridad se necesitan para que el sistema funcione de forma responsable?

Otro patrón común es que reflexionan detenidamente sobre la estructura. Los equipos exitosos comprenden rápidamente que la calidad de los resultados de la IA depende del contexto y los datos que los alimentan. Invierten tiempo desde el principio en definir los flujos de datos, organizar las fuentes de conocimiento y crear criterios de evaluación claros sobre qué se considera un buen resultado.

También observamos que los fundadores exitosos optan por la colaboración entre humanos e IA en lugar de intentar automatizarlo todo de inmediato. Diseñan flujos de trabajo donde la IA se encarga del análisis repetitivo o la síntesis de datos, mientras que los humanos siguen siendo responsables del juicio y las decisiones finales. Este equilibrio hace que los sistemas sean mucho más fiables, especialmente en campos como la sanidad o las finanzas.

En muchos sentidos, el cambio más importante radica en la mentalidad. Los fundadores que triunfan no consideran la IA como una función que añaden, sino como una nueva capa operativa para el funcionamiento de su producto.

A medida que los sistemas de IA se integran más en las operaciones comerciales principales, ¿qué capacidades definirán la próxima generación de plataformas de aplicaciones de IA? 

Sé que esto suena descabellado y quizás esté diciendo algo sacrílego, pero la gente podrá programar sus propios modelos personalizados. Algo que nuestro laboratorio de investigación denomina nanomodelos expertos ayudará a controlar los costos.

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