Yoav Naveh, cofundador y codirector ejecutivo de Reindeer: serie de entrevistas

Yoav Naveh es cofundador y codirector ejecutivo de Reindeer. Cuenta con experiencia en la creación de empresas tecnológicas, la expansión de negocios y la inversión en fundadores. Antes de Reindeer, creó ConvertMedia, continuó su trabajo en Taboola e invirtió a través de INT3. Actualmente, se dedica a ayudar a las empresas a pasar de implementaciones aisladas de IA a agentes capaces de realizar tareas operativas complejas, aprender de la experiencia humana y seguir siendo fiables a medida que cambian los procesos empresariales.

Reindeer desarrolla agentes de IA para empresas, destinados a operaciones esenciales en ámbitos como las finanzas, la cadena de suministro, la logística y los servicios compartidos. Su plataforma combina la ejecución de flujos de trabajo con la retroalimentación de expertos, la evaluación y la aprobación humana, para que los agentes puedan adaptarse a las excepciones y a la evolución de las políticas. En esta entrevista, Naveh habla de las limitaciones de los modelos de implementación que dependen en gran medida de la ingeniería, de cómo el conocimiento institucional se convierte en contexto para los agentes, y de la gobernanza y la medición necesarias para reducir con el tiempo el esfuerzo humano total.

Después de crear ConvertMedia, crecer dentro de Taboola e invertir en otros fundadores a través de INT3, ¿qué problema te llevó de nuevo a crear una empresa y cómo influyó en tu decisión de cofundar Reindeer?

El mercado de la IA era demasiado apasionante como para observarlo desde la barrera. Mi cofundador Yair y yo nos interesamos mucho por la brecha entre la utilidad que ha alcanzado la IA cuando trabajamos con ella individualmente y la dificultad que aún tienen las empresas para adoptarla a gran escala. La tecnología avanza a una velocidad increíble, pero la mayoría de las organizaciones todavía tienen dificultades para convertir ese potencial en cambios operativos significativos.

La IA transformará la forma en que operan las empresas, pero para lograrlo hace falta algo más que una mejor tecnología. Se necesita liderazgo dispuesto a replantearse cómo se trabaja y una manera práctica de incorporar la IA a las operaciones cotidianas sin crear nuevas capas de complejidad.

Ese desafío dio forma a Reindeer. Creamos una plataforma que lleva a las empresas desde su primer agente hasta un rebaño completo de agentes que aprenden de la retroalimentación humana y mejoran con el tiempo. Nuestro objetivo es cerrar la brecha entre el potencial de la IA y su adopción en el mundo real, y ayudar a las empresas a convertir sus operaciones esenciales en una fuerza laboral de IA agéntica sin tener que reconstruir ni mantener constantemente cada agente.

Has sostenido que el modelo de ingeniería de despliegue avanzado corre el riesgo de convertir la IA empresarial en un negocio de servicios intensivo en mano de obra. ¿En qué casos la ingeniería integrada genera valor duradero y en cuáles se convierte en una dependencia que impide a los clientes crecer?

Los ingenieros de despliegue avanzado son valiosos para las integraciones complejas y para poner en producción los primeros agentes. El problema empieza cuando cambian los propios procesos de trabajo y los ingenieros de despliegue avanzado (FDE) pasan a ser permanentemente necesarios para mantener en funcionamiento esos agentes mientras realizan esas tareas. Sobre todo, a gran escala. El modelo FDE funciona cuando se tienen 5 agentes. Se viene abajo cuando se tienen cien.

Si cada nuevo flujo de trabajo o excepción inesperada requiere más ingeniería, no estás ampliando el software: estás ampliando una costosa fuerza laboral humana.

La mayoría de las empresas que implementan FDE afirman que sus ingenieros acaban pasando a otras tareas. Antes de firmar un contrato que exija FDE, las empresas deberían pedir pruebas de que eso es así. Ya hemos visto lo frágil que se volvió la automatización robótica de procesos (RPA) a medida que evolucionaban los procesos empresariales. No deberíamos esperar que los agentes hechos a mano fueran diferentes.

Los flujos de trabajo empresariales suelen incluir excepciones no documentadas y prácticas contradictorias entre equipos. ¿Cómo registra Reindeer la forma en que realmente se trabaja y, a la vez, distingue el conocimiento institucional útil de los hábitos que no deberían automatizarse?

La mayoría de las empresas tienen enormes cantidades de conocimiento institucional que no están documentadas en ninguna parte. Ese conocimiento permanece en la cabeza de los trabajadores. Nuestros agentes parten de un conocimiento parcial y aprenden a partir de casos reales; cuando se encuentran con situaciones desconocidas, piden orientación a expertos en la materia.

Pero aprender de un empleado no significa reproducir ciegamente su comportamiento. Nuestro sistema distingue las excepciones individuales de los patrones recurrentes y propone cambios más amplios para que los aprueben las personas.

No intentamos automatizar todos los hábitos. Intentamos convertir el valioso conocimiento institucional en inteligencia fiable, sin exigir a los ingenieros que anticipen de antemano todos los escenarios.

La mayoría de las empresas de IA agéntica empiezan documentando y luego codificando el proceso mediante entrevistas y un análisis minucioso de los datos anteriores. Pero, en realidad, la forma más eficaz de aprender un proceso se pone en práctica cada vez que se incorpora un nuevo miembro al equipo: no memoriza los datos de todo un año ni un procedimiento operativo estándar de 3.000 páginas. Aprende algunas habilidades, observa algunos ejemplos, empieza a trabajar, hace preguntas cuando encuentra algo que no entiende y va ampliando sus conocimientos. Este es el proceso que creamos.

La IA agéntica también brinda a las empresas la oportunidad de replantearse un proceso, en lugar de limitarse a automatizarlo tal como está. Los equipos exclusivamente humanos, la automatización basada en reglas y el software tradicional dieron forma a los procesos según sus propias limitaciones. Al permitir que los agentes aprendan junto a los expertos, Reindeer ayuda a las empresas a reconsiderar cómo debería funcionar un proceso, qué prácticas conviene mantener, cuáles abandonar y en qué ámbitos aportan más valor los agentes y las personas.

Cuando dices que los agentes de Reindeer aprenden continuamente en producción, ¿qué cambia realmente: los pesos del modelo, la memoria, la lógica del flujo de trabajo o las políticas explícitas? ¿Podrías explicarnos un caso excepcional que enseñe a un agente a manejar de otra manera los casos futuros?

Lo que cambia es el contexto y las habilidades del agente: la lógica del flujo de trabajo, las políticas y las instrucciones sobre cuándo aplicar cada una.

Pensemos en un agente de facturas. Recibe una factura que supera en un 4 % el importe de la orden de compra y no encuentra ninguna política que contemple ese caso. En lugar de procesarla, el agente la remite a un experto. El experto explica que este proveedor tiene una excepción aprobada para los recargos por combustible. El agente resuelve ese caso y la explicación se almacena como contexto únicamente para ese proveedor.

Si vuelve a surgir el mismo tipo de excepción con otros proveedores y otros expertos la resuelven de la misma manera, el sistema propone un cambio de política, por ejemplo: «Se aceptan recargos por combustible de hasta el 5 % cuando el contrato lo permite». La propuesta se somete a pruebas y a la aprobación de una persona antes de que el agente la utilice. La respuesta de un experto resuelve un caso. Un patrón que se repite en varios casos puede dar lugar a una nueva regla.

La decisión de un empleado puede ser adecuada para un cliente o una transacción, pero no necesariamente servir como regla general. ¿Cómo determinan cuándo los comentarios deben quedar como una excepción puntual y cuándo deben convertirse en una propuesta de cambio de política?

Separamos la resolución de un caso concreto del cambio en la forma en que operará el agente en adelante.

Un empleado podría autorizar una excepción para un cliente, pero eso no significa que la misma excepción deba aplicarse de forma general. Incluso diría que dos empleados distintos podrían resolver de manera diferente la excepción de un mismo cliente. Nuestro sistema evalúa las circunstancias, identifica patrones recurrentes, concilia las contradicciones y busca posibles conflictos con las políticas vigentes.

Cuando hay pruebas que respaldan un cambio más amplio, ejecutamos el agente en nuestra plataforma de evaluación —una especie de «show de Truman» para agentes— y proponemos una actualización para que una persona la apruebe.

El objetivo es aprender de las personas, no replicar sus decisiones a ciegas. De lo contrario, simplemente estaríamos automatizando errores.

Un agente puede mejorar en casos recientes y, al mismo tiempo, volverse menos fiable en situaciones que antes resolvía correctamente. ¿A qué proceso de pruebas y aprobación debe someterse un cambio propuesto antes de llegar a producción, y cómo detectan y revierten las regresiones?

El aprendizaje continuo sin supervisión es peligroso, por eso cada cambio propuesto debe superar tres salvaguardas: pruebas de regresión, aprobación humana y un umbral de confianza que determina cuándo el agente puede actuar por su cuenta.

Las pruebas son lo primero, y son más difíciles de lo que parece porque el trabajo operativo no tiene una clave de respuestas fija. Seleccionamos casos representativos a partir de los comentarios de los expertos, definimos criterios para comparar los resultados y volvemos a ejecutar esos casos tanto con el agente actual como con la versión propuesta. Las acciones con efectos secundarios, como enviar un correo electrónico, se ejecutan en un simulador creado a partir de ejecuciones anteriores, y se retiran los casos de prueba que ya no se ajustan a la política vigente. Así podemos medir el efecto real de un cambio; los agentes tienen que creer que viven en el mundo real y que sus acciones tienen consecuencias concretas: por ejemplo, insertar un registro en SAP o enviar un correo electrónico a un cliente. Esa es la única manera de crear un marco de evaluación verdaderamente adecuado para cada agente.

A continuación, un responsable humano revisa el cambio, las pruebas que lo respaldan y los resultados de las pruebas, y puede aprobarlo, modificarlo o rechazarlo. La forma en que opera el agente no cambia hasta que se concede esa aprobación.

El umbral de confianza protege a la empresa después de que un cambio entra en vigor. El agente solo actúa por su cuenta cuando su nivel de confianza supera el umbral; todo lo que quede por debajo se remite a un experto. Los equipos de operaciones ajustan ese umbral por sí mismos, de modo que pueden empezar con cautela y conceder más autonomía al agente a medida que acumula un historial de resultados.

Si la calidad disminuye después de un cambio, el sistema ajusta automáticamente los umbrales de revisión para que más casos se remitan a expertos, cuyos comentarios permiten detectar el problema mediante el mismo ciclo que propuso el cambio. Cada cambio de política tiene control de versiones, atribución y registro, por lo que el equipo puede ver qué cambió, quién lo aprobó y por qué, y volver a la versión anterior.

Reducir el trabajo de ingeniería aún puede dejar una carga considerable a los equipos de operaciones, que deben revisar excepciones y corregir a los agentes. ¿Cómo miden si Reindeer reduce el esfuerzo humano total necesario, en lugar de trasladarlo a otro equipo?

La realidad es que la mayoría de las empresas ya cuenta con un equipo de personas que realiza este trabajo manualmente. Nuestro objetivo no es trasladar esa carga a otro equipo, sino reducirla con el tiempo. Tomamos a las personas con más experiencia de ese equipo y les damos las herramientas para enseñar al agente a gestionar excepciones y tomar mejores decisiones de forma autónoma.

El problema del modelo FDE es que a menudo traslada el trabajo de empleados operativos con costes relativamente bajos a ingenieros caros. Eso no resuelve el problema de la mano de obra: lo encarece. Reindeer no incorpora ingenieros a esa ecuación. En cambio, medimos el éxito según cuánto más trabajo pueden resolver los agentes de forma autónoma con el tiempo y cuánto disminuye la intervención humana necesaria en todo el proceso.

Medimos tres aspectos: la proporción de casos que el agente resuelve de principio a fin sin intervención humana, el número de intervenciones de expertos por caso y el tiempo total de gestión por caso, sumando agentes y personas. Si esta última cifra no disminuye, lo único que hacemos es trasladar el trabajo de un lado a otro.

¿Podría elegir una de las implementaciones en Hellmann Worldwide Logistics o Papaya Global y explicar qué cambió desde el lanzamiento hasta la operación continua? ¿Qué ocurrió con la precisión, las tasas de excepciones, los tiempos de respuesta y el nivel de intervención humana necesario?

Hellmann Worldwide Logistics es un excelente ejemplo de cómo los agentes pueden mejorar las operaciones en el mundo real con el tiempo. Su equipo de precios dedicaba muchísimo tiempo a procesar manualmente solicitudes de envío recibidas por correo electrónico, hojas de cálculo y otros documentos; a menudo tardaba varios días en preparar una cotización.

Empezamos con unas 20 solicitudes de muestra para entender el flujo de trabajo y entrenar al agente. Después, los expertos en precios de Hellmann comenzaron a trabajar directamente con el sistema, aportando comentarios y ayudándolo a gestionar las excepciones. Medimos la precisión y la velocidad durante las pruebas y seguimos supervisando el rendimiento cuando el agente pasó a producción.

Hoy, las solicitudes rutinarias se gestionan automáticamente, mientras que los casos más complejos se derivan al equipo. Y, algo fundamental, el agente detecta cuándo falta información en lugar de hacer suposiciones, lo que permite que los empleados intervengan cuando realmente se necesita su experiencia.

El resultado ha sido una reducción del tiempo necesario para responder a las solicitudes de cotización, menos tareas manuales de ingreso de datos y más tiempo para atender a los clientes. Hellmann también ha observado una mejora en su tasa de éxito de las cotizaciones. El objetivo no es eliminar a las personas del proceso, sino reducir continuamente la cantidad de trabajo rutinario que requiere su intervención.

¿Qué han aprendido sobre los límites de este enfoque? ¿Qué características de un flujo de trabajo indican que está listo para un agente adaptativo, y cuáles sugieren que la empresa debería rediseñar primero el proceso o mantener la automatización convencional?

No todos los procesos necesitan un agente de IA. Las mejores oportunidades se encuentran en flujos de trabajo repetitivos y de gran volumen que requieren criterio contextual, sobre todo cuando la información está repartida entre varios sistemas y los empleados suelen gestionar excepciones.

La lección más clara de nuestras implementaciones es que está surgiendo una nueva función dentro de las empresas, del mismo modo que surgieron las operaciones de ingresos con CRM y DevOps con la nube. A medida que las empresas pasan de contar con unos pocos agentes a tener muchos, necesitan una persona o un equipo que los gestione como un jefe de departamento gestiona a su plantilla: que responda por sus KPI y su ROI, decida en qué tareas deben participar los agentes y en cuáles no, y apruebe los cambios que se les hagan. Las empresas que ya están creando esta función avanzan más rápido y son las que están mejor posicionadas para triunfar.

Las discrepancias en las prácticas no son motivo para esperar. Los expertos discrepan en casi todas las operaciones, y nuestro sistema está diseñado para sacar a la luz esas contradicciones y convertirlas en propuestas de políticas. Resolverlas forma parte del trabajo de la persona responsable, lo que constituye otra razón para establecer esa función antes de ampliar el uso de los agentes.

Este enfoque también tiene sus límites. Las operaciones esenciales no se automatizarán por completo, ni ese es nuestro objetivo. Los agentes amplían gradualmente el conjunto de tareas que pueden cubrir, y los casos de alto riesgo se quedan en manos de las personas por diseño.

A medida que mejoren los modelos fundacionales y las herramientas para crear agentes, ¿qué aspectos de la implementación empresarial cree que se convertirán en productos básicos, y en qué ámbitos está creando Reindeer una ventaja que se fortalece con cada implementación en producción?

Los modelos fundacionales serán cada vez más intercambiables a medida que se vuelvan más baratos, rápidos y capaces. También es cada vez más fácil crear agentes básicos y conectarlos a los sistemas empresariales.

Pero crear un agente no es lo mismo que lograr que sea fiable a largo plazo dentro de una empresa compleja.

La verdadera ventaja competitiva reside en el conocimiento propio sobre cómo funciona realmente una empresa, algo que cambia constantemente. Cada caso en producción ofrece a nuestros agentes la oportunidad de aprender, resolver futuras excepciones y reducir la intervención humana.

Los modelos serán más baratos. Crear agentes será más fácil.

Las empresas que triunfen eliminarán la costosa infraestructura de ingeniería humana que se necesita para que esos agentes sigan funcionando y siendo pertinentes con el tiempo.

Gracias por esta excelente entrevista. Los lectores que deseen saber más sobre los agentes adaptativos de IA para empresas, la automatización operativa y el aprendizaje guiado por personas pueden visitar Reindeer.