Lean Tech: Cómo liderar la creación de más valor con AI

Estoy muy feliz de estar aquí hoy. Quiero compartir con ustedes cómo, como tech leads, pueden contribuir a crear más valor con IA. Y primero, quiero comenzar con ¿por qué necesitamos tener esa conversación en primer lugar? Entonces, Gartner dice que el gasto mundial en IA totalizará alrededor de $2.5 billones en 2026, así que este año. Solo para darles una idea de la escala que representa, miré hacia atrás a la escala del Plan Marshall.

Entonces, cuando EE.UU. decidió reconstruir toda Europa después de la Segunda Guerra Mundial, gastaron alrededor de 5% de su PIB, lo que en el dinero de hoy significaría alrededor de $1 billón. Así que estamos diciendo que ahora mismo estamos invirtiendo más de dos Planes Marshall en IA cada año. ¿Y el impacto alcanza el tamaño de esto?

Un dato muy interesante para eso es un informe publicado por Kinsey, que sobre el estado de la alimentación y el impacto en la productividad, encuestaron a unos 2000 líderes empresariales y tiene como 40 páginas de datos realmente fascinantes. Lo recomiendo. Pero hay un número que particularmente llamó mi atención. Está en medio del informe y está escrito de una manera tan enrevesada que tuve que leerlo varias veces para entender si lo había, ya sabes, entendido correctamente. Pero ya sabes, después de leerlo varias veces, esta es la versión simplificada. Dice que solo el 6% de los encuestados han tenido un impacto en las ganancias de más del 5%. Y han visto un valor significativo del uso de la IA.

Entonces, el problema no es la falta de adopción. Yo diría que al menos en ese aspecto, nosotros como, ya sabes, contribuyentes a la adopción tecnológica hemos hecho nuestro trabajo. Más del 90% de las organizaciones han adoptado IA en algún lugar. Más del 80% usa IA en producción en al menos una función empresarial. Claramente ese no es el problema. Y los beneficios percibidos también están ahí. Hay, ya sabes, beneficios percibidos reales en términos de satisfacción del cliente, satisfacción del empleado satisfacción, ya sabes, sensación de innovación. Y ya sabes, esta situación interesante me recuerda a esta caricatura. No sé si la has visto. Alguien, digamos un empleado, se jacta de usar IA para transformar un punto de viñeta en un correo electrónico muy largo. Así que ese es un caso típico de uso de innovación y aumento de la satisfacción del empleado. Y por otro lado, alguien más, asumamos un cliente, se jacta de usar IA para resumir un correo electrónico muy largo recibido en un solo punto de viñeta. Así que de nuevo, innovación y satisfacción del cliente. Y también puedes argumentar que has aumentado la métrica de adopción de IA si esa es una métrica en la que estás trabajando. Pero por supuesto, ¿dónde está el valor? No se crea un valor real. Así que esta caricatura es bastante divertida, pero está inquietantemente cerca de lo que observo en el mundo real.

Así que si miro las corrientes de valor típicas que encuentro, este es un ejemplo de una corriente de valor de un préstamo al consumidor en banca. Así que los diferentes pasos desde, ya sabes, un cliente pidiendo un préstamo y el cliente finalmente teniendo el dinero en su cuenta bancaria. La forma en que las organizaciones están adoptando IA es generalmente imponiendo iniciativas de IA de arriba hacia abajo en algunos pasos del proceso. Y eso de hecho potencialmente aumentará la productividad localmente o, ya sabes, mejorará la satisfacción del usuario en ese paso. Y digamos cinco minutos aquí, una hora allá. Pero por supuesto, si, ya sabes, en medio de tu flujo, tienes este gran cuello de botella donde las cosas pueden esperar 10 días antes de que avancen. Haber ahorrado cinco minutos o una hora aquí y allá no tendrá un impacto significativo en el resultado global. Y solo para decir un poco más sobre esto, creo que, ya sabes, si quieres resumir la razón por la cual este tipo de iniciativas no crean valor real es porque los equipos no están enfocados en el valor final, en el valor del cliente. Así que hay una alta probabilidad de que, ya sabes, su iniciativa solo tenga un impacto local y nunca tenga un impacto global. Y también porque no se están enfocando en el valor final. No están realmente pensando en todo el sistema de manera holística.

Y así definitivamente no están contribuyendo a repensar la experiencia, el producto o el servicio, y por lo tanto no están cambiando, como no trayendo innovación real. Así que este malentendido sobre cómo crear valor real me recuerda a lo que sucedió hace mucho tiempo en la industria automotriz cuando el mundo descubrió el éxito de Toyota. Así que para aquellos que no nacieron o eran demasiado jóvenes en ese momento, esto sucede en 1990. Así que dos profesores del MIT, Jim Womack y Dan Jones publicaron un libro llamado The Machine that Changed the World que resume cinco años de estudio de la industria automotriz en todo el mundo y fue un resultado muy fascinante que una compañía automotriz estaba superando a todas las demás por mucho. Esa compañía automotriz era Toyota. Eran dos veces más productivos que GM, por ejemplo, con tres veces mejor calidad.

Y sabes, todavía hoy, Toyota es una compañía increíble con cinco modelos entre los 10 autos más vendidos en el mundo. Y podría decir mucho más sobre Toyota, pero, ya sabes, sigamos adelante. Y la primera persona en realmente. Sí. Así que, por supuesto, todos en ese momento comienzan a interesarse mucho en entender el secreto de lo que hace a Toyota mucho mejor en la creación de valor en la misma industria que todos los demás. Y fue el primero en entender ese secreto en Europa una persona llamada Freddy Ballet, quien había descubierto Toyota en los años 70, 80, y tiene esta increíble oportunidad cuando Toyota llega a Europa en los 90 para realmente comenzar a trabajar para ellos. En ese momento, él es CTO de Valeo y Toyota elige a Valeo como uno de sus proveedores.

Y así está súper interesado en entender qué los hace tan mágicos. Y eso va a ser aún más fácil porque Toyota propone espontáneamente enviar un sensei, como un súper experto, cada mes para entrenarlos en convertirse más como ellos. Así que puedes imaginar la emoción del CEO. Él está como, wow, vamos a trabajar con Toyota. Vamos a codificar las técnicas y luego vamos a copiarlas y pegarlas en todas partes. Y luego vamos a aplastar a la competencia. Así que un CEO muy feliz. Así que llega el sensei. Así que el sensei en ese momento era Nampashi Hayashi.

Así que directamente entrenado, formado por Taichi Ono, quien a menudo es considerado como el abuelo de todo esto. Y cuando llega, comienza a hacer estas cosas realmente extrañas que no tienen que ver con mejorar la productividad. Así que los franceses están completamente sorprendidos. Así que lo primero que dice, les pide que preparen la entrega todos los días, aunque el camión solo viene cada semana. Así que es una pérdida de tiempo muy extraña preparar entregas cuando realmente no las necesitas. Luego se vuelve muy insistente en que todas las piezas deben estar cuidadosamente envueltas individualmente cuando antes de eso, simplemente ponían todo a granel en una caja grande.

Y luego hace esto como algo increíblemente contraintuitivo. Él dice, OK, sabes, así que es una producción celular que construye cajas de señalización. Así que imagina cosas de plástico para lámparas y coches. Esto es lo que te das cuenta de que soy un ingeniero de software. De todos modos, así que les pide que están siendo moldeados en una gran máquina. Y así hacen como hacen un día solo cajas de señalización izquierda y al otro día hacen como cajas de señalización derecha. Y están muy contentos con eso, porque, por supuesto, cambiar de izquierda a derecha requiere cambiar el molde, requiere pedir a algunos especialistas que vengan a la máquina y cambien la máquina. Y él comienza a pedir, OK, no vamos a hacer cada como, sabes, no vamos a hacer 1000 al día izquierda y 1000 derecha. Vamos a cambiar cada 25 unidades, lo que requiere detener la máquina, cambiar el molde y hacer 25 unidades, volver a detener la máquina, etc.

Así que es completamente contraintuitivo para ellos. Y como era de esperar, los resultados iniciales son menos productividad. Y porque estamos en Francia, largas negociaciones con los sindicatos. Porque lo que el sensei había hecho era realmente crear nuevos problemas y lo había hecho a propósito. Estos problemas estaban todos relacionados con crear más valor para los clientes.

Porque si piensas en eso, sabes, el problema de, sabes, el primer problema es sobre la entrega más rápida, lo cual siempre es bueno para los clientes, mayor calidad, como apuntando a casos sin arañazos y más flexibilidad. Y luego había entrenado a los equipos en la resolución colectiva de problemas alrededor de todos estos desafíos. Así que podrías preguntarte por qué la negociación con los sindicatos, porque ese es un aspecto interesante. Por supuesto, uno de los problemas de resolución alrededor de la flexibilidad, como dije, sobre cambiar los moldes fue darse cuenta rápidamente de que sería mucho más fácil si los ajustadores de máquinas, ese es el nombre del especialista que cambia el molde, realmente estuvieran entrenando a los operadores de máquinas para cambiar los moldes ellos mismos. Aunque tenía mucho sentido, eran muy defensivos sobre perder ese privilegio. Y así tuvieron que discutir esto durante mucho tiempo.

Por supuesto, la resolución colectiva de problemas en cuestiones que están estrechamente vinculadas al valor del cliente funciona no en el muy corto plazo, sino en el mediano, largo plazo. Y así, después de trabajar en estas cosas durante tres años, pudieron ganar un 30% de productividad con mayor calidad, entrega más rápida y más flexibilidad. Ahora, lo que es interesante es que la productividad laboral, cuando se tiene en cuenta el costo del plástico, era solo el 10% del costo total. Así que hay una mejora del 30%, parece increíble, pero la realidad es que es solo una mejora del 3% cuando consideras el costo total. Y así es difícil creer que después de todos estos esfuerzos y ganar solo un 3%, encontraste el secreto del éxito de Toyota, porque no es con un 3% que vas a ser dos veces más productivo que GM.

Este es como el segundo nivel del secreto, que Valeo descubrió después de tres años. Porque después de tanta resolución colectiva de problemas, y hablé sobre la resolución colectiva de problemas entre los operadores de máquinas y los ajustadores de máquinas, pero en realidad también involucraron a los ingenieros de fabricación, los ingenieros de producto, así que involucraron a todos involucrados en todo el producto. Y después de tantos aprendizajes y aprendizajes colectivos, los ingenieros comenzaron a entender mucho mejor el sistema y el diseño de los productos y las restricciones y los compromisos que enfrentaban. Eso les permitió rediseñar un nuevo caso que en realidad usaba un 30% menos de plástico. Y eso fue, por supuesto, una creación de valor muy significativa, tanto financieramente, muy feliz CEO, pero también muy interesante hoy en día que pensamos mucho en el medio ambiente, una mejora increíble en términos de impacto ambiental. Y así, ese es el aprendizaje muy interesante sobre el secreto de Toyota.

Y el secreto de Toyota es lo que llamamos lean. No se trata de mejoras de productividad de arriba hacia abajo reutilizando técnicas codificadas. Realmente se trata de enfocar a todos en la organización en desafíos que están vinculados a más valor para los clientes, y luego involucrar a todos en la resolución colectiva de problemas alrededor de estos desafíos. Lo que ves es que tienes un impacto de dos pasos al hacer eso. El primer paso es que obtienes pequeñas mejoras que sí crean valor. Y luego el segundo paso es que creas aprendizajes que te permitirán tener una mejor comprensión de tus compensaciones de ingeniería y luego llegar a verdaderos avances en ingeniería.

¿Cómo adaptas todos estos aprendizajes a AI hoy en día? Pero claramente, la razón por la que comparto esta historia es porque creo que tenemos el mismo malentendido en tecnología de que podemos copiar y pegar las técnicas y las tecnologías de nuestros competidores para crear mucho más valor en nuestra organización. Tengo bastante experiencia en tecnología. He sido cofundador de CO2 durante 16 años. Solo para darte una idea de la escala de nuestra experiencia, hemos trabajado en más de 1,500 proyectos en todo el mundo, pero en unos pocos países. Y adoptamos Lean como estrategia hace 12 años cuando la empresa comenzó a escalar súper rápido y éramos grandes fanáticos de Agile y nos dimos cuenta de que escalar a esa velocidad probablemente perdería agilidad.

Así que queríamos encontrar una manera de mantenernos Agile mientras crecíamos tan rápido. Así que tuvimos la suerte de trabajar con algunos de los mejores expertos en Lean del mundo para intentar adaptar todos estos aprendizajes de Toyota a lo largo de los años. Y trabajamos directamente con Freddie Ballet y con su hijo, Michael Ballet. Y después de 10 años, nos dimos cuenta de que teníamos esta experiencia única de realmente llamar duro en ingeniería de software. Así que sentimos que necesitábamos compartir ese conocimiento. No me di cuenta de que escribir un libro era tan difícil, así que escribimos un libro.

Y así este es el libro y se llama el Lean Tech Manifesto porque éramos grandes fanáticos de Agile, y queríamos demostrar que podías mantenerte fiel a la esencia del Agile Manifesto. Y aunque los principios no eran necesariamente o no funcionaban a gran escala, podíamos encontrar a través de nuestra experiencia Lean, principios equivalentes que tenían mucho más sentido y que estaban conectados a este enorme cuerpo de conocimiento para ayudarnos a mantenernos fieles mientras escalábamos. Así que Lean Tech es el sistema que creamos para resumir todos estos aprendizajes, y es el sistema que hoy nos ayuda a navegar nuestra transformación de AI. Estoy seguro de que tienes la sensación de que podría hablar de esto durante horas, así que intentaré realmente resumirlo en dos ideas clave.

La primera idea clave y el primer principio es el valor para el cliente. Se trata realmente de involucrar a todos en la búsqueda de crear más valor para los clientes. Y hay un millón de maneras de hacer eso o de intentar hacerlo. Y luego la segunda idea clave es que todo lo demás en ese gran sistema se trata de crear un sistema de aprendizaje en tu organización e integrarlo dentro de tu sistema de producción para que crees estas oportunidades de aprendizaje todo el tiempo y no como parte del trabajo. Así que para resumir estas dos ideas clave, para liderar, como líder tecnológico, si quieres liderar en la creación de más valor con AI o con tecnología en general, creo que las dos ideas clave son liderar en valor para el cliente incansablemente, realmente llevando a las personas siempre de vuelta a los desafíos o conectando sus desafíos a si realmente genera valor para el cliente, y luego asegurar que tus procesos y sistemas creen oportunidades diarias, o oportunidades horarias si quieres, pero al menos oportunidades diarias para la experimentación y el aprendizaje, y por supuesto, tanto como sea posible con resultados medibles, porque realmente quieres llevar esa mentalidad científica a tu trabajo.

Y así es como obtienes las pequeñas mejoras al principio, y luego los aprendizajes que llevan a avances en ingeniería. Voy a compartir contigo tres ejemplos de lo que eso significa para Theodore. Así que el primer ejemplo será sobre el valor para el cliente, y creo que ese ejemplo probablemente resonará con muchos de ustedes, porque cuando Copilot y luego Chadjipiti llegaron, sabíamos que AI iba a interrumpir nuestra industria, pero también estábamos muy confundidos sobre el futuro, y especialmente porque eran los líderes tecnológicos más experimentados en la organización los que eran los más escépticos.

Y tenían razón, porque cuando has entregado 1,500 proyectos, sabes que codificar más rápido no es la manera de entregar más valor a tu cliente, porque generalmente los típicos cuellos de botella que encontrarás en un proyecto son personas de negocio y producto que realmente no saben lo que quieren construir, y los sistemas de TI con los que necesitas integrarte, y necesitas obtener acceso, toman edades y largas discusiones y negociaciones, y ahí es donde AI hoy no tiene el mayor impacto. Pero este escepticismo saludable sobre el valor creado con AI es también lo que nos llevó a pensar en un caso de uso donde no tendríamos estos dos cuellos de botella, y el caso de uso que teníamos una corazonada era modernizar sistemas heredados. Así que invertimos muchos esfuerzos de I+D, de nuestros esfuerzos de I+D de AI en ese caso de uso particular, y rápidamente para que pudiéramos obtener resultados asombrosos, y luego rápidamente decidimos probarlo en la vida real, trabajar en proyectos reales. Tuvimos bastante suerte de encontrar rápidamente dos clientes que estaban de acuerdo en ser conejillos de indias. Uno de ellos fue Maxim, el CTO de Health Hero, y ya estaban migrando. Tenían bastantes problemas, y estimando el resto del trabajo en 70 semanas, y pudimos, usando nuestras técnicas de AI, reducirlo a solo 21 semanas. Así que eso es un valor real y medible para el cliente, y ese valor es validado por el mercado, porque esta experiencia en acelerar modernizaciones heredadas con AI es una de nuestras experticias de más rápido crecimiento ahora en el grupo. Estamos en camino, creo, de hacer alrededor de 10 millones de euros en ingresos por eso este año.

Así que el segundo ejemplo es hacerlo bien a la primera. Así que hacerlo bien a la primera es este ideal de que deberías apuntar a la más alta calidad en cada paso del proceso, y tan pronto como sea posible. ¿Cómo se traduce ese principio a AI? Bueno, para nosotros, realmente resuelve un debate sobre el prompting de un solo intento, porque cuando tienes este principio de hacerlo bien a la primera en mente, piensas que la mejor manera de aprender será apuntar todo el tiempo al prompting de un solo intento. Y por supuesto, si tu prompting de un solo intento no funciona, analizar cuál es el problema, qué faltaba en tu contexto, qué faltaba en tu prompt, y aprender de esto, en lugar de la gran tentación de hoy, chatear tu camino hacia el resultado. Y por supuesto, así es como obtienes los aprendizajes asombrosos. Y esta es una curva de un proyecto en el que trabajé directamente, donde pudimos medir el tiempo que nos tomó por pantalla migrar. Y puedes ver que desde la primera pantalla, que nos tomó 10 días, hasta la sexta pantalla, solo nos tomó un día. Porque al apuntar a estos aprendizajes y esta calidad muy alta, obtienes el nivel correcto de calidad que te permitirá industrializar y realmente usar AI como una automatización de tu trabajo.

Y finalmente, un ejemplo de construir una organización de aprendizaje. Y ese es un ejemplo que me gusta mucho. Así que es un equipo haciendo un Kaizen. Así que Kaizen es una palabra que usamos en CO2 para describir un día que tomas libre de tu trabajo normal para experimentar en torno a mejorar el valor para los clientes, por ejemplo, como problemas de rendimiento o experimentar con las condiciones de trabajo. Y eso es extremadamente relevante para nosotros con AI hoy en día, porque incluso la automatización exitosa de AI no siempre es, y probablemente a menudo, una mala noticia para el equipo. Así que este es un ejemplo del equipo comenzando a estar muy frustrado por tener que hacer revisiones de código de manera muy regular de pull requests con como 4,000 líneas a través de 53 archivos, y preguntándose cómo hacer eso. Esto claramente no es una gran condición de trabajo, y por eso Kaizen es tan importante. Porque ¿cómo quieres abordar eso? Si crea valor real, no puedes simplemente decir, está bien, voy a detener eso y dejar de usar AI. Pero necesitas buscar contramedidas y necesitas retomar el control de tu destino. Y eso sucede cuando decides, bueno, resolver el problema. Y eso comienza haciendo explícito el problema. Así que aquí, el equipo decidió medir el tiempo de entrega, así que el tiempo desde recibir el pull request hasta fusionarlo, y hacerlo realmente explícito que porque era tan difícil y aburrido, estaba tomando mucho tiempo. Y luego dar un paso atrás en todos los pequeños pasos, diferentes pasos de su trabajo, y luego comenzar a surgir con intuiciones interesantes. Y una de ellas fue que se dieron cuenta de que tenían suficiente experiencia ahora para saber que algunas partes del código no tendrían errores, y algunas partes del código tendrían sistemáticamente defectos.

Y la intuición fue que las partes del código sobre las que estaban bastante seguros eran aquellas donde la AI había simplemente copiado y pegado un muy buen ejemplo. Así que decidieron experimentar con anotar el mejor ejemplo en la base de código, los llamaron blueprints, así que usaron anotaciones normales de GS para hacerlo, y luego indexaron todos estos blueprints, y luego pidieron explícitamente a la AI que decidiera si podían reutilizar estos blueprints o si no podían reutilizar el blueprint. Y luego, por supuesto, podían enfocar todos sus esfuerzos de revisión de código en las partes que no tenían un blueprint, y revisar rápidamente las partes que estaban bastante seguros de que estarían bien. Y el resultado es que, después de estos experimentos, comenzaron a reducir el tiempo de espera para fusionar pull requests. Y fue un momento muy humano, en esta época de AI, fue un momento muy humano. Tanto humano porque fue un gran trabajo en equipo con resolución colectiva de problemas, como también porque estaban retomando el control de ser gestionados por la AI.

Así que el objetivo de compartir estos tres ejemplos en TheoDor con ustedes fue mostrarles que crear más valor con AI, no hay soluciones milagrosas para hacerlo, pero hay un sistema que pueden usar como líderes tecnológicos para navegar mejor el desafío. Y pueden primero, ya saben, orientar a sus equipos hacia el valor para el cliente y enfocar todas las iniciativas que tienen en donde puede tener un impacto y realmente pensar en el todo, incluso si están experimentando a nivel local, siempre medir el nivel global, el impacto global, tener un punto de vista holístico sobre el sistema. Y luego integrar un sistema de aprendizaje a su sistema de producción para desarrollar a sus equipos y usar AI para escalar la ingeniosidad en lugar de reemplazarlos. Sí, así es como se obtienen las pequeñas mejoras al principio. Y luego estoy bastante seguro de que los verdaderos avances en ingeniería vendrán más adelante en el camino. Así que la razón por la que estoy aquí predicando este sistema es porque creo que es un sistema significativo para nuestra sociedad hoy. Es un sistema que se preocupa por crear valor real en lugar de intereses financieros a corto plazo. Es un sistema que se preocupa por hacer más con menos en lugar de desperdiciar nuestros recursos, que son bastante preciosos. Y es un sistema que se preocupa por aumentar a los humanos con tecnología en lugar de reemplazarlos. Muchas gracias.

Vamos a elegir el primero. ¿Tienes algún consejo sobre qué tipo de métricas usar para medir aspectos cualitativos de organizaciones o rendimiento de productos? Métricas. Todos quieren escuchar sobre métricas. Métricas. Así que para mí, hay como dos tipos de valor. Quiero decir, voy a intentar desglosar el problema. Y el aspecto más simple es lo que llamo factores de higiene. Y los factores de higiene serían para eso uso este marco muy simple, que es seguridad, calidad, retraso, costos e impacto ambiental. Así que seguridad, pruebas de penetración, calidad, bueno, necesitas medir errores. Hay un capítulo completo en el libro sobre medir errores. Por supuesto, una gran idea es que cuando comienzas a medir errores, la mejor manera de mejorar eso es medirlos mal. Así que intentas en su lugar medir errores en diferentes etapas de detección, y así intentar cambiar las etapas de detección en lugar de solo reducir la cantidad total. Sí, y luego podría continuar. Pero estos serían como los factores de higiene. Y luego en el valor real, creo que la gente subestima las métricas simples, ingresos, retención, como la retención de usuarios, por supuesto, funcionan bastante bien. Y luego se trata de porque cada situación es única, se trata de crear tu propio modelo de lo que significa valor. Así que generalmente escuchando a los clientes, qué quieren más, qué quieren menos. Y luego una vez que modelas lo que probablemente piensas que es el valor para tu producto, bueno, entonces intentar rastrearlo y ver si AI lo mejora o no.