En la serie Author Spotlight, los editores de TDS conversan con miembros de nuestra comunidad sobre su trayectoria profesional en ciencia de datos e inteligencia artificial, sus escritos y sus fuentes de inspiración. Hoy estamos encantados de compartir nuestra conversación con la Dra. Janna Lipenkova.
La Dra. Janna Lipenkova es estratega de IA, emprendedora y autora del libro The Art of AI Product Development. Con un doctorado en Lingüística Computacional, combina un profundo conocimiento técnico con una estrategia empresarial para ayudar a las organizaciones a convertir la IA en resultados tangibles. Janna ha fundado y dirigido múltiples empresas en la intersección del lenguaje, los datos y la inteligencia, incluida Anacode, que se centra en la transformación de la IA empresarial, y Equintel, una plataforma de IA que respalda la sostenibilidad corporativa. A través de sus actividades de consultoría y liderazgo intelectual, Janna está continuamente dando forma y refinando su metodología integral para el desarrollo y la integración de la IA.
Usted llama a su “Manual de estrategia de IA” un conjunto de modelos mentales que ayudan a los equipos a alinearse sobre qué construir y por qué. ¿Qué modelos aportan más claridad en las salas ejecutivas y por qué resuenan?
Uno de los mayores desafíos en las salas ejecutivas es la comunicación. La gente quiere decir cosas diferentes cuando habla de IA, que bloquea la ejecución. Utilizo tres modelos mentales para crear un terreno común estructurado que nos permita avanzar sin excusas ni malentendidos.
Normalmente empiezo con el árbol de oportunidades de IA, que nos ayuda a mapear el panorama de posibles casos de uso de IA. Los ejecutivos a menudo llegan con una mezcla de curiosidad y exageración (“tenemos que hacer algo con la IA”), pero sin una visión clara de dónde reside realmente el valor. El camino predeterminado que la mayoría de los equipos toman a partir de ahí es crear un chatbot, pero estos proyectos rara vez despegan (consulte este artículo). El Árbol de Oportunidades rompe este patrón al descubrir sistemáticamente posibles casos de uso de IA y proporcionar una base estructurada y objetiva para la priorización.
Una vez que tengamos claro qué y por qué construir, pasamos al cómo y completamos el plano del sistema de IA. Este modelo ayuda a mapear los datos, los modelos, la experiencia del usuario y las limitaciones de gobernanza del sistema de IA previsto. Es especialmente poderoso en entornos de múltiples partes interesadas, donde los equipos de negocios, ciencia de datos y cumplimiento necesitan un lenguaje compartido. El modelo convierte la complejidad de la IA en algo tangible e iterativo: podemos dibujarlo, discutirlo y perfeccionarlo juntos.
Finalmente, presento el mapa espacial de soluciones de IA. Amplía la conversación más allá de las tecnologías dominantes de la actualidad (principalmente agentes y modelos de lenguaje grandes) y ayuda a los equipos a considerar todo el espacio de tipos de soluciones: desde el aprendizaje automático clásico hasta arquitecturas híbridas, sistemas de recuperación y enfoques basados en reglas o simulación. Esta visión más amplia nos mantiene firmes para ofrecer la solución adecuada, no sólo la que está de moda.
Juntos, estos modelos crean un viaje que refleja cómo evolucionan los productos de IA exitosos: desde el descubrimiento de oportunidades hasta el diseño de sistemas y la exploración continua. Resuenan entre los ejecutivos porque unen la estrategia y la ejecución.
En su escrito, la experiencia en el dominio es importante en la creación de productos de IA. ¿Dónde ha visto que el conocimiento del dominio cambia toda la forma de una solución de IA, en lugar de simplemente mejorar la precisión en los márgenes?
Un claro ejemplo en el que la experiencia en el campo reformó completamente la solución fue un proyecto de logística que inicialmente comenzó a predecir retrasos en los envíos. Una vez que los expertos en el dominio se unieron, replantearon el problema: los retrasos no eran eventos aleatorios sino síntomas de riesgos comerciales más profundos, como dependencias de proveedores, cuellos de botella regulatorios o fragilidad de la red. Nosotros, los “expertos en IA”, no pudimos detectar estos patrones.
Para incorporar este conocimiento de dominio, ampliamos la capa de datos más allá de los tiempos de tránsito para incluir señales de riesgo de proveedores y gráficos de dependencia. La arquitectura de IA evolucionó de un modelo predictivo único a un sistema híbrido que combina predicción, gráficos de conocimiento y razonamiento basado en reglas. La experiencia del usuario se amplió desde pronósticos de retrasos reactivos hasta escenarios de riesgo con mitigaciones sugeridas, que eran más prácticas para los expertos.
Al final, el conocimiento del dominio no sólo mejoró la precisión, sino que redefinió el problema, el diseño del sistema y el valor que recibió la empresa. Convirtió un modelo de IA en una verdadera herramienta de apoyo a la toma de decisiones. Después de esa experiencia, siempre insisto en que los expertos en el campo se unan durante las primeras etapas de una iniciativa de IA.
Además de sus publicaciones sobre TDS, también escribió un libro: The Art of AI Product Development: Delivering business value. ¿Cuáles son las conclusiones más importantes que cambiaron su propio enfoque en la creación de productos de IA (especialmente cualquier cosa que lo sorprendió o anuló una creencia anterior)?
Escribir el libro me motivó a reflexionar sobre todos los fragmentos de conocimiento teórico, experiencia práctica y mis propias convicciones y estructurarlos en marcos reutilizables. Dado que un libro debe seguir siendo relevante durante años, esto también me obligó a distinguir entre los fundamentos, por un lado, y las exageraciones, por el otro. Aquí hay un par de mis propios aprendizajes:
Primero, aprendí a encontrar valor empresarial en la tecnología. A menudo, oscilamos entre dos extremos: perseguir la IA por el bien de la IA o confiar únicamente en el descubrimiento impulsado por el usuario. En el primer caso, no estás creando valor real. En el segundo caso, quién sabe cuánto tiempo tendrá que esperar hasta que le llegue el problema de IA “perfecto”. En la práctica, el punto óptimo se encuentra en el medio: utilizar las fortalezas únicas de la tecnología para liberar valor que los usuarios pueden sentir, pero que no necesariamente articularían. Lo sabemos por grandes innovadores como Steve Jobs y Henry Ford, quienes crearon experiencias radicalmente nuevas antes de que los clientes las pidieran. Pero para hacerlo con éxito, se necesita esa combinación mágica de experiencia técnica, coraje e intuición sobre lo que necesita el mercado. En segundo lugar, me di cuenta del valor de la experiencia del usuario para el éxito de la IA. Muchos proyectos de IA fracasan no porque los modelos sean débiles, sino porque la inteligencia no se comunica, explica o utiliza claramente. El éxito de un producto de IA depende de qué tan intuitivamente los usuarios puedan interactuar con sus capacidades y cuánto confíen en sus resultados. Mientras escribía el libro, releía los clásicos del diseño, como El diseño de las cosas cotidianas de Don Norman, y siempre me preguntaba: ¿cómo se aplica esto a la IA? Creo que todavía estamos en las primeras etapas de una nueva era UX. El chat es un componente importante, pero definitivamente es sólo una parte de la ecuación completa. Estoy muy emocionado de ver el desarrollo de nuevos conceptos de interfaz de usuario como la UX generativa. En tercer lugar, los sistemas de IA deben evolucionar a través de ciclos de retroalimentación y mejora, y ese proceso nunca termina. Por eso utilizo la metáfora de un derviche en el libro: hilando, refinando, aprendiendo continuamente. Los equipos que dominan el lanzamiento temprano y la iteración constante tienden a ofrecer mucho más valor que aquellos que esperan un modelo “perfecto”. Desafortunadamente, todavía veo que muchos equipos tardan demasiado en entregar una primera línea de base y no dedican suficiente tiempo a la optimización iterativa. Estos sistemas podrían llegar a producirse, pero es probable que no se adopten y serán archivados como otro experimento de IA.
Para los equipos que lanzarán una función de IA el próximo trimestre, ¿qué hábitos recomendaría y qué obstáculos clave deberían evitar para mantenerse enfocados en ofrecer valor comercial real en lugar de perseguir exageraciones?
Primero, como se indicó anteriormente, domine el arte de la iteración. Envíe temprano, pero hágalo de manera responsable: publique algo que sea lo suficientemente útil como para ganarse la confianza del usuario y luego mejórelo sin descanso. Cada interacción te aporta nuevos datos y cada comentario es una nueva señal de entrenamiento.
En segundo lugar, mantenga una perspectiva más amplia. Es fácil tener una visión de túnel sobre el último LLM o lanzamiento de modelo, pero la verdadera innovación a menudo proviene de cómo se combinan las tecnologías: recuperación, razonamiento, análisis, UX y lógica de dominio. Diseñe su sistema de forma modular para poder ampliarlo y monitorear continuamente las soluciones y desarrollos de IA que podrían mejorarlo (consulte también nuestro próximo AI Radar).
En tercer lugar, realice pruebas con personas reales desde el principio y con frecuencia. Los productos de IA viven o mueren según la forma en que los humanos los perciban y utilicen. Las demostraciones internas y las pruebas sintéticas no pueden reemplazar las entradas y comentarios confusos y sorprendentes que recibe de los usuarios reales.
Su redacción extensa (libro, inmersiones profundas) evita exageraciones y se centra en brindar valor a las organizaciones. ¿Cuál es su enfoque para elegir temas? ¿Escribir sobre estos temas le ayuda a comprenderlos mejor?
Escribir siempre ha sido mi forma de pensar en voz alta. Lo uso para aprender, procesar ideas complejas y generar otras nuevas. Por lo general, sigo mi instinto y escribo sobre enfoques en los que realmente creo y que he visto funcionar en organizaciones reales.
Al mismo tiempo, en mi empresa tenemos un poco de nuestra propia “salsa secreta”. A lo largo de los años, hemos desarrollado un sistema impulsado por IA para monitorear nuevas tendencias e innovaciones. Se lo proporcionamos a un par de clientes selectos en industrias como la aeroespacial y las finanzas, pero, por supuesto, también lo utilizamos para nuestros propios fines. Esa combinación de datos e intuición me ayuda a detectar temas que son relevantes ahora y que probablemente importen no sólo dentro de algunos meses, sino también dentro de dos o tres años.
Por ejemplo, a principios de 2025, publicamos un informe sobre las tendencias de la IA empresarial y casi todos los temas del mismo resultaron ser muy relevantes a lo largo del año. Entonces, si bien mi escritura es intuitiva y personal, también se basa en evidencia.
Para obtener más información sobre el trabajo de Janna y mantenerse actualizado con sus últimos artículos, puede seguirla en TDS, Substack o LinkedIn.