Stefan Mesken, Chief Scientist en DeepL – Serie de entrevistas

Stefan Mesken, Chief Scientist en DeepL, ha pasado más de cinco años en DeepL avanzando su investigación y liderazgo científico, comenzando como científico de investigación en octubre de 2020, progresando a VP de Investigación en noviembre de 2023, y asumiendo su cargo actual en abril de 2025 en Múnich. Antes de unirse a DeepL, trabajó como científico de datos en real.digital en la región de Colonia-Bonn y realizó investigaciones en lógica matemática en la Universidad de Münster. Su carrera combina investigaciones matemáticas fundamentales y aplicaciones de inteligencia artificial, lo que lo posiciona para liderar la dirección científica detrás de los modelos de lenguaje a gran escala y los sistemas de inteligencia artificial multilingüe de DeepL.

DeepL es una empresa alemana de inteligencia artificial que se centra en construir sistemas de lenguaje avanzados que permiten traducciones precisas y contextualizadas, así como comunicación en más de 100 idiomas. Fundada en 2017 y con sede en Colonia, la empresa atiende a millones de usuarios en todo el mundo y ofrece soluciones de nivel empresarial a través de suscripciones y ofertas de API. Su plataforma se ha expandido más allá de la traducción hacia una suite más amplia de inteligencia de lenguaje, que incluye asistencia para la escritura y capacidades de voz, diseñada para apoyar la comunicación segura y escalable para empresas y organizaciones globales.

Comenzó su carrera en lógica matemática antes de pasar a la ciencia de datos aplicada y eventualmente liderar la organización de investigación de DeepL. Al mirar hacia atrás, ¿cómo influyó ese trabajo temprano en razonamiento formal en la forma en que ahora piensa sobre la construcción de sistemas de inteligencia artificial autónomos y de nivel empresarial?

Lo que me atrajo al campo de la teoría de conjuntos y la lógica matemática en primer lugar fue una insaciable curiosidad por aprender cómo funcionan estos sistemas complejos – desde los principios básicos y hacia una profundidad cada vez mayor. Esa curiosidad ha sido una constante en mi vida desde la infancia. También es el aspecto de mi trabajo que más me gusta. Actualmente, el desafío es avanzar en el estado de desarrollo de la inteligencia artificial con un enfoque intenso en la usabilidad en la vida real. Más allá de la seguridad y la confianza, dedico mi tiempo a asegurarme de que las empresas y los usuarios de todos los tipos puedan beneficiarse de esta tecnología increíble. Hasta ahora, la tendencia ha sido diferente: la mayoría del uso de la inteligencia artificial en la vida real es pasivo (por ejemplo, sistemas de recomendación que consumes pero no controlas) o utilizado principalmente por personas técnicas altamente capacitadas (por ejemplo, asistentes de codificación). Quiero cerrar esa brecha: cada individuo y empresa debe estar preparado para el éxito y ser capaz de revolucionar la forma en que abordan el trabajo.

DeepL ha construido su reputación en traducciones de alta precisión. ¿Cómo esa base en modelado de lenguaje ha influido en el pensamiento temprano de la empresa al moverse más allá de la traducción hacia sistemas de inteligencia artificial más generales?

Lo que hace que la inteligencia artificial sea tan mágica es que conceptos e ideas muy similares pueden llevar a nuevas soluciones en dominios muy diferentes: motores de ajedrez, sistemas de recomendación, plegamiento de proteínas, coches autónomos, motores de traducción y muchos más. Todos están impulsados por el mismo conjunto de principios y técnicas. Al haber dominado estas técnicas durante casi una década, naturalmente pensamos en nuevos problemas en los que centrarnos. Internamente, esto siempre ha sido el caso, lo que ha llevado a la invención del Glosario, Escribe, Voz, Centro de personalización y más.

Como Chief Scientist, ¿cómo distingue entre la construcción de modelos de lenguaje que generan salida fluida y la construcción de sistemas que pueden actuar de manera confiable dentro de flujos de trabajo empresariales reales?

Las ideas básicas son sorprendentemente similares: necesitamos entender en profundidad lo que nuestros usuarios desean y luego alinear nuestros sistemas de inteligencia artificial con estos objetivos y preferencias. A veces, son obvios y explícitos; otras veces, son sutiles y no dichos. En cualquier caso, es nuestro trabajo asegurarnos de que el trabajo que producimos tenga un alto valor para nuestros usuarios.

DeepL Agent representa un cambio de la inteligencia artificial asistente a la ejecución autónoma. ¿Cuáles fueron los mayores desafíos técnicos al hacer que esa transición funcionara en la práctica?

Con diferencia, el mayor desafío al construir DeepL Agent es la usabilidad. Durante años, el ecosistema de inteligencia artificial ha atendido principalmente a desarrolladores de software y expertos técnicos altamente capacitados. Con DeepL Agent, nos proponemos cambiar eso y equipar a todos los trabajadores del conocimiento con herramientas sofisticadas para resolver y automatizar problemas complejos. Para lograr esto, necesitamos el mismo nivel de sofisticación en reconocimiento, razonamiento, planificación y acción. En lugar de presentar a los usuarios una rica pero compleja serie de herramientas, hemos trabajado duro para crear una solución cohesiva, fluida y elegante para la asistencia y la automatización de flujos de trabajo de extremo a extremo.

Desde una perspectiva arquitectónica, ¿qué capacidades deben estar en su lugar antes de que un sistema de inteligencia artificial pueda confiarse para operar de manera autónoma en entornos empresariales?

Para una amplia gama de tareas administrativas, la tecnología ya está aquí. DeepL Agent puede actuar de manera confiable en su entorno, buscar asesoramiento cuando sea necesario y ofrecer verificación humana en el bucle siempre que se desee. Este nivel de inteligencia sintética era pura ficción hace solo unos meses. Sin embargo, todavía hay un largo camino por recorrer. En los próximos años, los agentes de inteligencia artificial se convertirán en una capa horizontal en las empresas —trabajando incansablemente en el fondo, colaborando con humanos y entre sí para eliminar el trabajo innecesario y empoderarnos para resolver problemas que anteriormente estaban fuera de nuestro alcance.

Habla sobre la comprensión profunda del lenguaje como un requisito previo para agentes de inteligencia artificial responsables. ¿Qué significa “profundo” en este contexto más allá de la fluidez superficial?

El lenguaje es notablemente ambiguo y dependiente del contexto —especialmente en dominios profesionales. Probablemente hayas experimentado esto tú mismo: escuchar a un grupo de amigos discutir un pasatiempo que no compartes o una especialización profesional que te falta experiencia… Puede que no tenga sentido para los extraños, pero de alguna manera se entienden perfectamente entre sí. Queremos que la asistencia de inteligencia artificial se sienta tan fluida como hablar con un compañero de trabajo experimentado y de confianza con quien compartes años de colaboración. Las preferencias implícitas deben permanecer implícitas. No deberías tener que explicar repetidamente cómo deseas que se realice el trabajo. Esto puede sonar obvio, pero requiere una investigación enorme para hacerlo bien. Eso es lo que quiero decir con “comprensión profunda del lenguaje”.

¿Cómo aborda las salvaguardas y la supervisión al implementar sistemas autónomos que pueden tomar acciones reales en lugar de solo hacer recomendaciones?

Para que la asistencia de inteligencia artificial funcione en contextos empresariales, debemos equilibrar cuidadosamente la capacidad con el control. Una mayor capacidad crea oportunidades inmensas para la productividad, pero si se deja sin control, se convierte en una responsabilidad. Esto no puede suceder. Desde el primer día, DeepL Agent ha estado equipado con salvaguardas de nivel empresarial, implementadas en múltiples formas. Los espacios de trabajo compartidos dan a los usuarios un control preciso sobre los datos y el acceso, mientras que alimentan registros de auditoría, supervisión humana y verificación en el bucle humano. Además, los administradores del sistema tienen un control detallado sobre los sistemas que DeepL Agent puede navegar y mecanismos para notificar a las herramientas subyacentes cuando están siendo operadas por el agente.

¿Qué lecciones ha aprendido sobre trasladar ideas desde la investigación hasta la producción sin sacrificar la confiabilidad o la disciplina científica?

La brecha entre la investigación y el desarrollo de productos es más ancha de lo que comúnmente se cree. Ambas comienzan con un enfoque riguroso para resolver problemas previamente insolubles y un registro meticuloso de lo que funciona y lo que no. Mientras que la investigación puede simplificar el alcance y asumir un modelo de mundo más simple, el desarrollo de productos debe tener en cuenta la complejidad de los contextos de los usuarios reales. En la asistencia de inteligencia artificial, el uso de herramientas es un ejemplo primordial. Es tentador asumir que los entornos siempre estarán preparados para la automatización, con el acceso al sistema ordenado y las API listas. La realidad difiere. Al igual que los coches autónomos deben manejar la complejidad completa de la infraestructura actual, los agentes de inteligencia artificial deben operar de manera efectiva dentro de los patrones de acceso, los datos y los sistemas en los que las empresas confían. Esta realización temprana está en el corazón del diseño de DeepL Agent.

A medida que DeepL se expande desde una plataforma de lenguaje enfocada hacia un sistema de inteligencia artificial empresarial más amplio, ¿cómo decide qué capacidades deben permanecer bajo control estricto y cuáles deben exponerse para un comportamiento más autónomo?

El nivel de control requerido para una tarea se determina por dos factores: la confiabilidad de la persona o sistema que la realiza y el impacto potencial de los errores. Esto se aplica igualmente a la ejecución humana y la ejecución de la máquina. La confiabilidad de la inteligencia artificial ha aumentado enormemente en los últimos años y seguirá mejorando. Por lo tanto, el control estricto será necesario para menos y menos tareas. En última instancia, la confiabilidad de la inteligencia artificial superará incluso los niveles de expertos humanos para muchas tareas. Esto también se aplica a los mecanismos de control, que cambiarán cada vez más hacia la supervisión de la inteligencia artificial. Internamente, DeepL Agent ya hace esto, pidiendo ayuda a los usuarios siempre que la autocorrección no sea posible.

Mirando hacia adelante, ¿qué avances en la comprensión del lenguaje o el diseño de agentes cree que darán forma más fuertemente a la inteligencia artificial empresarial en los próximos dos años?

Los agentes de inteligencia artificial no solo ayudarán con tareas individuales. Formarán una capa de productividad colaborativa en las empresas que trabaja en nuestro nombre para reducir las distracciones, preparar y presentar información exactamente cuando se necesita y resolver problemas y tareas cada vez más sofisticadas enteramente en el fondo.

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