8 The Algorithmic Leader TRADUCCION

DOCUMENTO 8
Mike Walsh.- CEO de

Tomorrow, una consultoría
global sobre diseño de
empresas para el siglo XXI.
Nómada global, futurista y
autor del libro más
vendido, The Algorithmic
Leader, asesora a algunas de las organizaciones más grandes del mundo
sobre transformación digital e innovación disruptiva en esta nueva era de inteligencia
artificial.
“Un líder algorítmico es alguien que ha adaptado, con éxito, su toma de decisiones, estilo de
gestión y producción creativa humana a las complejidades de la era de la máquina”.
INTRODUCCIÓN
Para ser un líder exitoso en esta nueva era se requiere un enfoque diferente, un conjunto diferente de
habilidades y una forma diferente de pensar. Pero por ahora, tal vez una pregunta más existencial puede
estar preocupando a algunos de ustedes: ¿no es la idea misma de un líder en la era algorítmica un
concepto anticuado?
Si en el futuro las empresas se componen no solo de personas sino también de plataformas algorítmicas
que toman decisiones, supervisan procesos y gestionan recursos, ¿cuál será exactamente el papel del
líder? ¿Puedes ser un líder si no estás tomando todas las decisiones importantes? ¿Puedes ser un líder
sin un título de trabajo impresionante y un equipo de subordinados? ¿Puedes incluso ser un líder sin que
la gente te siga?
Nos gusta contarnos historias sobre líderes. Ya se trate de mitos clásicos o películas de Hollywood,
biografías de negocios o noticias, tendemos a presentar a los líderes como individuos con cualidades
especiales que actúan como agentes heroicos de cambio, defendiendo a su gente contra los enemigos y
llevándolos a salvo a una tierra prometida de prosperidad.
El problema es que, en un mundo algorítmico, las distinciones tradicionales, es decir, entre competidor y
socio, local y global, jefe y subordinado, centro y ventaja, cliente y producto, humano y máquina, son
borrosas. Los datos y los algoritmos ahora nos conectan de formas complejas y dinámicas que se burlan
de los modelos perfectamente organizados de las organizaciones, industrias y sociedades del siglo XX.
Si el líder analógico prosperó escalando las alturas de una organización jerárquica, el líder algorítmico
necesita operar en una totalidad interconectada que se parezca más a un ecosistema orgánico.
Aquellos de ustedes que son empresarios o autónomos tienen una ventaja: ya entienden que estar en
una organización pequeña significa jugar múltiples roles. Ya ha dominado el arte de orquestar a otros
proveedores y tecnologías para llevar al mercado un producto o servicio complejo, a pesar de su
tamaño. Cuando eres pequeño, tu valor como líder se define no por tu posición en un organigrama o un
título en tu tarjeta de presentación, sino por el mapa de tus conexiones y relaciones.
Los líderes de las grandes organizaciones necesitan aprender esta misma lección sobre cómo se crea el
valor real. El conocimiento en una organización del siglo XXI vive en todas partes, no solo donde el
directorio telefónico corporativo dice que pertenece. La percepción es democrática. La próxima gran
idea que transformará su negocio podría estar oculta en los registros de su servidor, en notas de campo
escritas por un ingeniero de mantenimiento, o enterradas en su propio producto, como los datos en vivo
de un motor a reacción que opera a 35,000 pies.
1 Tomado del libro The Algorithmic Leader

Material preparado por Carlos Thais Mayo
DOCUMENTO 8
Su verdadero poder como líder no se refleja en cuántas personas tiene que informarle, sino en el éxito
que ha tenido en conectar personas, socios y plataformas. Usted agrega el mayor valor cuando crece y
alimenta su red organizacional, no cuando avanza hacia la cima de la pirámide corporativa.
Para desarrollar el liderazgo algorítmico debemos conjugar 10 principios:
1. Trabajar desde el futuro, hacia atrás

2. Apuntar a 10X, no al 10%
3. Pensar computacionalmente
4. Abrace la incertidumbre
5. Haga de la cultura su sistema operativo
6. No trabaje, diseñe el trabajo
7. Automatice y eleve
8. Si la respuesta es X, pregunte Y
9. En caso de duda, pregúntele a un humano
10. Resuelva el propósito, no solo el beneficio
TRABAJAR DESDE EL FUTURO, HACIA ATRÁS
"Creo que poseo la combinación más singular de cualidades perfectamente adaptadas para hacerme
preeminentemente una descubridora de las realidades ocultas de la naturaleza".
ADA LOVELACE
Comience con algoritmos
Imagine cómo sería la vida en diez años. Quizás esté imaginando flotas de autos sin conductor en el
camino, drones que entregan paquetes, fábricas totalmente automatizadas y dispositivos más delgados,
elegantes y más rápidos.
Todas estas son posibilidades realistas, dadas las circunstancias y desarrollos actuales, y sin embargo,
apenas una desviación dramática de la apariencia de la vida cotidiana actual. Pero si bien nuestro
hardware tecnológico puede no cambiar radicalmente en la próxima década, hay una cosa que sí cambia
radicalmente: nuestras experiencias. Es probable que todas nuestras experiencias sobre cómo hacemos
las cosas (comunicarnos, comprar, encontrar amor o trabajo, recibir pagos, viajar) cambien como
resultado de los algoritmos. En el futuro, a medida que podamos aprovechar mejor los datos con el
aprendizaje automático y la computación, veremos una mejora exponencial en las plataformas
algorítmicas que dan forma a nuestro mundo. Y es probable que las nuevas experiencias algorítmicas
asociadas, en lugar de las mejoras operativas como resultado de los algoritmos, sean donde se crea el
mayor valor comercial.
Primero, aclaremos un error común: los algoritmos no son un encantamiento computacional que de
alguna manera da vida a las máquinas. Se parecen más a una receta para hornear un pastel: un proceso
paso a paso (mezcla ingredientes) para resolver un problema (necesita un pastel para la fiesta de
cumpleaños de su hijo).
El concepto mismo de un algoritmo es anterior a la computadora moderna por varios miles de años; se
remonta a algunas de las mentes más grandes del mundo antiguo que también usaron algoritmos para
pensar en desafíos difíciles.
Por ejemplo, imagine que tiene un patio rectangular agradable y sombreado detrás de su casa, que
planea cubrir con azulejos de piedra cuadrados. Su albañil le pregunta qué tamaño de baldosa debe
ordenar, y ahora tiene un pequeño dilema. ¿Cuál es el tamaño más grande que puede elegir que le
permita revestir uniformemente toda la superficie de 38 x 16 pies?
El matemático griego Euclides tenía un método para resolver este dilema. El mosaico de su patio es un
rompecabezas matemático que se puede resolver calculando el máximo común divisor (MCD) de dos

DOCUMENTO 8
números, es decir, el número más grande que los divide a ambos sin dejar un resto. El procedimiento de
Euclides para realizar el cálculo, que describió por primera vez en su libro Elementos (c. 300 a. C.), es
uno de los algoritmos más antiguos que todavía utilizamos. El Algoritmo Euclidiano, como se lo llama,
procede por una serie de pasos de tal manera que la salida de un paso se usa como entrada para el
siguiente. Entonces, salgamos a nuestro patio imaginario y echemos un vistazo, ¿de acuerdo?
Como punto de partida, puede imaginarse que su patio está revestido de dos cuadrados de 16 x 16 pies,
más un resto con un área de 6 x 16. Para encontrar el tamaño de los azulejos que funcionarán para todo
el piso, necesita trabajar en dividir el resto.
Afortunadamente, puedes colocar dos cuadrados de 6 x 6 pies en ese pequeño espacio, con un resto
aún más pequeño. Este resto se puede volver a visualizar como un rectángulo, esta vez con un área de 4
x 6. Rellenemos parcialmente con un cuadrado de 4 x 4. Ahora todo lo que nos queda es un pequeño
rectángulo de 2 x 4. Dividir eso con algunos hermosos azulejos de arenisca debería ser fácil.
Necesitaremos solo dos fichas de 2 x 2. Ahora tenemos nuestra solución para todo el patio. Pensando en
el problema matemáticamente, el máximo común divisor de 16 y 38 es 2. Pero desde un punto de vista
pragmático, ahora puede decirle a su constructor el tamaño exacto de los azulejos para que su jardín se
vea perfecto. Necesita comprar 2 x 2 fichas. Ningún número de baldosas de mayor tamaño cubrirá el
patio sin huecos ni superposiciones.
Los pasos del algoritmo euclidiano se pueden enumerar como:
38 ÷ 16 = 2 + 6 rem
16 ÷ 6 = 2 + 4 rem
6 ÷ 4 = 1 + 2 rem
4 ÷ 2 = 2 + 0 rem
En cada paso, tomamos el divisor anterior y dividirlo por el resto anterior, continuando de esta manera
hasta obtenemos un resto cero. La cifra que tenemos en ese paso es el MCD.
Por supuesto, hay otras formas algorítmicas de encontrar esta respuesta. Por ejemplo, podríamos
enumerar los factores primos de cada número y luego seleccionar el factor o factores en común:
38 = 2 x 19
16 = 2 x 2 x 2 x 2
En este caso, el MCD es 2.
No se preocupe. Ese es el último ejemplo matemático que encontrarás en este libro. Solo quería ilustrar
un punto simple: los algoritmos tienen entradas y salidas. Cada paso genera un resultado, que luego
podemos alimentar como entrada para el siguiente paso.
Cuando amplía esta idea, los algoritmos nos permiten abordar desafíos muy complejos del mundo real.
Por ejemplo, considere uno de los clásicos de la informática: el problema del vendedor ambulante. El
problema es el siguiente: si un representante de ventas que vende enciclopedias necesita visitar
múltiples ubicaciones en una lista, ¿cuál es el viaje de ida y vuelta más corto posible que pasa por cada
ubicación una vez sin retroceder? Encontrar la respuesta es más complejo de lo que podría pensar, y es
algo con lo que las empresas de logística tienen que lidiar todo el tiempo cuando intentan entregar sus
paquetes de la manera más eficiente posible. UPS, por ejemplo, usa una herramienta de optimización de
ruta llamada ORION (On-Road Integrated Optimization and Navigation) para que los conductores
puedan entregar sus paquetes a tiempo.
Los algoritmos nos rodean. Cuando retire dinero de un cajero automático, compre algo en línea y
envíelo a su domicilio, desbloquee su teléfono con reconocimiento facial, verifique las fotos de sus
amigos en Instagram, explore una lista de reproducción personalizada en su servicio de música o
seleccione una película para ver De la lista de recomendaciones de Netflix, los algoritmos funcionan en
segundo plano para anticipar y responder a sus necesidades.

DOCUMENTO 8
Comprenda por qué las máquinas se vuelven tan inteligentes
Si bien los algoritmos han existido durante miles de años, la verdadera razón por la que ahora vivimos
en una era algorítmica es que ha habido avances dramáticos en el aprendizaje profundo.
Con la llegada del aprendizaje profundo, las computadoras pueden capacitarse en conjuntos de datos
que contienen millones de entradas y salidas, evolucionando a medida que lo hacen. Entonces, en lugar
de seguir repetidamente un conjunto estable de instrucciones, como la receta de su abuela para la salsa
de pasta (que no se atrevería a modificar), los sistemas basados en algoritmos de aprendizaje
automático se adaptan a sí mismos a medida que funcionan. Esencialmente, las máquinas ahora pueden
escribir sus propias instrucciones.
¿Cuándo esto pasó? Para algunos, el punto de inflexión fue en diciembre de 2012, cuando el equipo de
la Universidad de Toronto ganó la competencia del desafío de reconocimiento visual a gran escala
ImageNet con su algoritmo SuperVision. La competencia ImageNet, realizada desde 2010, es un
concurso anual de software que invita a los equipos a desarrollar programas de software para clasificar y
detectar correctamente objetos y escenas en imágenes. Como su entrada ganadora, Geoffrey Hinton,
Alex Krizhevsky e Ilya Sutskever diseñaron una red neuronal que llamaron AlexNet, basada en lo que se
conoce como una red neuronal convolucional profunda.
Para poner su victoria en contexto, el equipo ganador en 2010 tuvo una tasa de error del 28,2 por
ciento. El equipo de SuperVision en 2012 ganó con una tasa de error del 16,4 por ciento. La siguiente
mejor entrada fue 26.2 por ciento. Desde entonces, la capacidad de las máquinas para comprender de
manera confiable las imágenes se ha acelerado dramáticamente. En 2017, el equipo ganador, de China,
tuvo una tasa de error de solo 2.25 por ciento. Eso es probablemente mucho mejor de lo que usted, un
ser humano altamente inteligente, podría lograr.
Al igual que el cerebro humano, la red neuronal convolucional de AlexNet estaba formada por capas de
pequeñas colecciones de neuronas que examinaban cada una parte de una imagen, extrayendo
características importantes. Los resultados de todas las colecciones en una capa se superponen para
crear una representación de una imagen completa. Esto se repitió en la capa a continuación, y así
sucesivamente, lo que permitió que el algoritmo entendiera el contenido de una imagen.
AlexNet ayuda a ilustrar la diferencia entre el aprendizaje profundo y las formas generales de
aprendizaje automático. En las aplicaciones tradicionales de aprendizaje automático, los algoritmos se
programan con un conjunto definido de características a tener en cuenta. Con el aprendizaje profundo,
la red neuronal puede definir características mediante el análisis de los datos que provienen de su capa
de entrada.
Hoy en día, las redes neuronales convolucionales se utilizan en todas partes y para todo, desde etiquetar
automáticamente sus fotos, hasta analizar videos, construir y controlar automóviles autónomos, e I + D
de drogas. Pero tales desarrollos se han producido solo relativamente recientemente, con la aparición
de suficientes cálculos baratos y potentes para hacer de los algoritmos de aprendizaje profundo una
herramienta práctica. Como algoritmo, AlexNet era inteligente; con suficiente poder de procesamiento,
podría aprender a ser más inteligente.
Las computadoras han sido una parte importante del diseño de negocios durante los últimos cincuenta
años más o menos. Si fueron inteligentes, fue porque los programamos para que fueran así. La
capacidad de las máquinas para aprender rápidamente a escala es lo que hace que la era algorítmica sea
radicalmente diferente de las edades anteriores, en las que las computadoras también desempeñaron
un papel clave en el procesamiento de la información y la automatización de las transacciones. Eso es
solo ahora, debido al aprendizaje automático, que nos enfrentamos a la nueva realidad de las
computadoras que pueden ser más inteligentes que nosotros.
Conceptos como "inteligente" o "inteligencia" pueden ser engañosos si no se definen claramente. En su

libro Life 3.0, el físico y cosmólogo Max Tegmark considera que la inteligencia es la capacidad de lograr

DOCUMENTO 8
objetivos complejos. Define "objetivos complejos" en términos generales, abarcando muchos aspectos
posibles, incluyendo la comprensión, la autoconciencia y la resolución de problemas. Para Tegmark, el
santo grial de la investigación de IA es construir una inteligencia general artificial (AGI) que sea capaz de
lograr prácticamente cualquier objetivo, incluido el aprendizaje.
Sin embargo, existe otro tipo de IA que podría considerarse como una IA estrecha. Como señala
Tegmark, la computadora de ajedrez Deep Blue de IBM solo pudo realizar la tarea muy limitada de jugar
al ajedrez. Tendría dificultades para tener éxito en otros contextos, incluso jugando otros juegos. Se
podría decir que Deep Blue era inteligente en el ajedrez, pero cuando se trataba de tres en raya, ni
siquiera podía vencer a un niño de cuatro años.
El fundador de Satalia, Daniel Hulme, a quien conoceremos más adelante en este libro, argumenta que
para que una máquina sea una verdadera IA, tiene que exhibir un "comportamiento adaptativo dirigido
a objetivos". Estar "dirigido a objetivos" se refiere al hecho que se utiliza un algoritmo para lograr un
objetivo específico, como clasificar una imagen u optimizar una ruta.
Sin embargo, la palabra importante aquí es adaptativa. En opinión de Hulme, si un sistema no se está
adaptando, aprendiendo de sus errores y mejorando su modelo, no es AI; Es solo una forma de
automatización.
Esta capacidad de adaptarse, aprender y lograr dominio dentro de dominios estrechos es la razón por la
cual las máquinas se están volviendo más inteligentes que nosotros en áreas específicas. En muchos
campos, las máquinas ya nos han superado en nuestra capacidad no solo para jugar juegos como el
ajedrez y el Go, sino también para detectar cánceres de piel, identificar planetas o reconocer caras en
una multitud. Un objetivo definido y estrecho, además de la capacidad de aprender, permite que las
plataformas algorítmicas actuales obtengan un dominio rápido de tareas como el reconocimiento de
patrones, la navegación, la optimización o la personalización.
En los próximos años, veremos una mejora exponencial en las habilidades de las máquinas para
aprender. AlphaGo derrotar al mejor jugador de Go del mundo, Lee Sedol, fue increíble. Pero lo que fue
realmente sorprendente fue su acto de seguimiento, AlphaGo Zero. El "cero" en el nombre debería darle
una pista sobre cómo funciona esta nueva IA: cero conocimiento humano. Equipado solo con las reglas
del juego y sin ejemplos de juegos humanos como datos de entrenamiento, AlphaGo Zero hizo jugadas
aleatorias hasta que desarrolló estrategias tan buenas que venció a su anterior encarnación de campeón
100-0.
Lo que hace que AlphaGo Zero sea realmente interesante es su capacidad, a diferencia de la
computadora de ajedrez Deep Blue de IBM, de aplicar sus conocimientos a otros juegos. DeepMind, la
subsidiaria de Google que desarrolló AlphaGo, informó recientemente que había generalizado el
software para poder aprender otros juegos. A las veinticuatro horas de haberse desatado en otros
juegos, como el ajedrez y el shogi (un juego japonés similar al ajedrez), la IA pudo desarrollar
"habilidades sobrehumanas" y luego derrotar convincentemente un programa de campeones del
mundo. Según el CEO de DeepMind, Demis Hassabis, construir un algoritmo que pueda aprender sin
conocimiento humano permite que ese algoritmo se aplique más fácilmente a múltiples problemas del
mundo real: “Para nosotros, AlphaGo no se trataba solo de ganar el juego de Go, también fue un gran
paso para nosotros hacia la construcción de algoritmos de aprendizaje de propósito general”.
Pero aquí está la parte importante de la historia: mientras que las máquinas mejorarán dramáticamente
en la obtención de información de los datos, detectar patrones e incluso tomar decisiones en nuestro
nombre, solo los humanos tendrán la capacidad única imaginar formas innovadoras de usar la
inteligencia artificial para crear experiencias, transformar organizaciones y reinventar el mundo.
Comprender la capacidad de las máquinas de hoy para aprender es el primer paso para imaginar los
tipos de plataformas inteligentes que podríamos construir en el futuro. Predecir el impacto de
algoritmos más inteligentes es más difícil que pensar en la importancia de un hardware más rápido o
más barato. Podemos imaginar intuitivamente el impacto de una computadora más potente o una

DOCUMENTO 8
cámara de mayor resolución. Pero, ¿cuál es el significado de un algoritmo más sofisticado que
comprende nuestras necesidades o anticipa nuestros deseos? ¿Qué tipo de industrias podría alterar un
algoritmo de reconocimiento de voz dramáticamente mejor (uno que funcionaba con todos los
lenguajes humanos)? Si una máquina pudiera medir con precisión las emociones humanas, ¿qué nuevos
tipos de productos y servicios podrían ser posibles?
La mejor manera de imaginar un futuro moldeado por la IA no es centrarse en las máquinas y sus
capacidades actuales, sino pensar en las posibles interacciones entre algoritmos, comportamiento
humano e identidad. Si puede comprender el impacto de los algoritmos sobre cómo viven las personas,
cómo toman decisiones y sus expectativas sobre cómo deberían funcionar las cosas, puede comenzar a
diseñar un mundo para clientes que aún no existen.
Construya para sus futuros clientes
Cuando se trata de trabajar hacia atrás desde el futuro, quizás no haya un mejor ejemplo que Masayoshi
Son. Nació en Japón en 1957, aunque no se quedó por mucho tiempo Se mudó a los Estados Unidos
cuando tenía dieciséis años para estudiar en la Universidad de California, Berkeley.
Hubiera sido difícil estar en Berkeley a mediados de la década de 1970 y no estar infectado por la
sensación de que las computadoras iban a cambiar el mundo. Uno de los compañeros de estudio de Son
fue Bill Joy, quien creó BSD UNIX mientras estudiaba allí y luego fundó Sun Microsystems.
Por lo tanto, no debería sorprendernos que cuando Son regresó a Japón a principios de los años 80, se
inspiró para fundar su propia compañía de software, Nihon SoftBank (más tarde abreviado a SoftBank).
A medida que creció la industria informática de Japón, también lo hizo SoftBank. En pocos años, Son
había asegurado el 50 por ciento del mercado minorista de software para computadoras en el país.
La estrella del hijo continuó en ascenso. A pesar de algunas desventuras durante el primer colapso de las
puntocom en los primeros años del nuevo milenio, que lo vio perder alrededor de $ 70 mil millones (y
lograr la dudosa distinción de sufrir la pérdida más significativa de patrimonio neto personal en la
historia humana), Son sobrevivió, y SoftBank se convirtió en el principal proveedor de banda ancha de
Japón, el primero en lanzar el iPhone al mercado y en uno de los primeros inversores en Alibaba.
Esto último fue particularmente importante porque el hijo de $ 20 millones apostó por Alibaba, que
entonces era una joven empresa china de comercio electrónico, en 2000 se convirtió en $ 50 mil
millones cuando la empresa se hizo pública en 2014. La inversión de Son puede parecer una decisión
fácil ahora, pero había pocos indicios en ese momento de que Jack Ma y su gran idea fueran un éxito .
Tuve la oportunidad de compartir una pizza en Hong Kong con Jack Ma y sus asesores a fines de la
década de 1990, cuando dirigía las operaciones australianas de Jupiter Research, uno de los primeros
competidores de empresas de investigación como Gartner y Forrester. La gente de Ma se había
acercado a mi jefe y al dueño de la compañía en ese momento, Alan Meckler, como un posible inversor
en su negocio.
Fue un almuerzo extraño, por decir lo menos, e incómodo para todos. Meckler relató historias de cómo
sus inversiones anteriores en China habían resultado ser estafas. Ma tomó su pizza con una mirada que
sugería que prefería estar en cualquier lugar menos allí. Y los asesores de mamá me estaban mirando,
preguntándose qué estaba haciendo en la mesa.
Entonces, ¿qué vio Masayoshi Son en Jack Ma que otros se habían perdido? La respuesta a eso radica en
cómo Son hace sus apuestas estratégicas. No solo invierte en compañías que cree que algún día podrían
ser exitosas o rentables; en cambio, se forma una visión muy personal de cómo podría ser el futuro y
desde allí, se retrocede.
En un viaje reciente a Tokio, conocí a Akira Tada, uno de los vicepresidentes senior de los negocios de
SoftBank en Japón. Tenía curiosidad sobre el Fondo de Visión de SoftBank, que ha recaudado $ 93 mil

DOCUMENTO 8
millones desde su lanzamiento a fines de 2016 para invertir en el futuro. Tada fue responsable de una de
las últimas inversiones del fondo, Plenty, un negocio de agricultura en interiores.
Cuando el fundador de Plenty propuso una inversión en SoftBank, explicó que las dos variables
incontrolables más importantes en el negocio agrícola eran el trabajo humano y el clima. Mucho
planeado para minimizar el impacto de ambos a través del uso de IA, automatización y entornos
internos controlados. El plan era construir granjas verticales cerca de ciudades de al menos 1 millón de
personas. La idea conmovió a Son porque estaba trabajando en un plan de cómo sería la vida en 2050.
Son excepcional en el pensamiento y la planificación a largo plazo. A través de una intensa investigación
y reflexión, construye una imagen de cómo sería la vida en treinta años. Luego se pregunta qué
tecnologías, modelos de negocio e infraestructura podrían necesitar estar en su lugar en quince años,
diez años, cinco años y el próximo año. Luego, con un enfoque singular, cada vez que encuentra una
oportunidad, negocio o individuo que se ajusta a su visión, la persigue sin descanso.
No es sorprendente que tal dedicación a la visión futura tenga implicaciones para el modelo operativo
de SoftBank. No puede tener una función de presupuesto tradicional cuando trabaja en escalas de
tiempo extendidas en nuevos mercados con un alto grado de imprevisibilidad. Tada explicó que trabajar
en SoftBank significa aceptar un enfoque más receptivo para la toma de decisiones y la estrategia. Hijo,
dijo, bromea con frecuencia: "Si está lloviendo, abra un paraguas". En otras palabras, si la compañía de
inversión está perdiendo una cierta cantidad de dinero, reduzca los gastos en una cantidad específica. Si
después de un año sigue perdiendo dinero, reduzca el 30%, por ejemplo, del personal y luego continúe
normalmente. Es posible que Son no sepa con precisión cuándo su visión del futuro se hará realidad,
pero confía en una cosa: debe asegurarse de que sus empresas estén disponibles el tiempo suficiente
para que esto suceda.
No todo el mundo tiene el lujo de miles de millones para invertir en empresas y sectores que pueden no
producirse durante décadas. Sin embargo, cambiar su enfoque de mantener a sus clientes actuales
contentos de pensar en lo que sus futuros clientes podrían querer garantizará que comience a resolver
problemas hoy que sus competidores no pensarán hasta mañana. No es ningún misterio quiénes son
estos clientes. Lo más probable es que ya hayas conocido a algunos de ellos.
Aprende de tus hijos
Si desea diseñar productos y servicios que prosperarán en el futuro, debe centrarse en las personas que
vivirán en él. Sus clientes de 2030 están vivos hoy. Son tus hijos y nietos. Tienen ocho años o menos, y
piensan de manera completamente diferente a usted.
Para cualquier persona nacida después de 2007, la influencia más significativa en su infancia fue el
delgado teléfono con pantalla táctil que Steve Jobs trajo al mundo ese año. Al igual que yo,
probablemente haya estado fascinado y horrorizado al observar a los bebés utilizando sofisticadas
piezas de tecnología.
En 2015, un equipo de investigadores de la Universidad de Iowa decidió analizar más de 200 videos de
YouTube, que utilizaron como fuente de información sobre cómo los niños pequeños usaban tabletas.
Descubrieron que a los dos años, el 90 por ciento de los niños en los videos tenían una capacidad
moderada para usar una tableta. Definieron "habilidad moderada" como la necesidad de la ayuda de un
adulto para acceder a las aplicaciones, pero poder usarlas mientras muestran cierta dificultad con las
interacciones básicas. Incluso los niños pequeños, cuando están expuestos a la tecnología, pueden hacer
algo significativo con ella. Entonces, ¿qué significa eso para su futuro?
La mayoría de nosotros, cuando tratamos con niños pequeños en el mundo moderno, probablemente
hemos tenido dificultades para moderar su uso de la tecnología. La lucha es importante, porque como
descubrió un investigador, es la clave del éxito futuro de nuestros hijos.

DOCUMENTO 8
En los últimos años, la investigadora Alexandra Samuel ha estado recopilando datos sobre cómo más de
10,000 padres en América del Norte han manejado los desafíos de criar a los niños en un mundo digital.
Al hacerlo, descubrió tres estilos distintos de crianza digital.
Al primer grupo de padres que llamó habilitadores digitales. Estos padres permiten que sus hijos
administren su propio uso de tecnología, con mucho acceso a dispositivos y tiempo de pantalla, si los
niños lo desean. Los limitadores digitales, por el contrario, son padres que usarán el interruptor de
apagado, restringiendo el uso de la tecnología por temor al impacto potencial en los períodos de
atención de sus hijos y cómo interactúan con los demás. El grupo final son los mentores digitales, que
desempeñan un papel activo en guiar a sus hijos en el mundo digital.
Los mentores, en su opinión, pueden ser los padres que tienen más éxito en la preparación de sus hijos
para la edad algorítmica, no solo trabajando activamente para dar forma a las habilidades y experiencias
en línea de sus hijos, sino también conectándose con ellos a través de la tecnología.
En última instancia, estas diferencias en la crianza de los hijos, según Samuel, conducirán a tres grupos
separados en las próximas generaciones: huérfanos digitales, exiliados digitales y herederos digitales.
Los huérfanos digitales, aquellos que tenían acceso ilimitado a la tecnología, lucharán con conexiones
interpersonales. Los exiliados digitales, que han sido protegidos de Internet, carecerán de las
habilidades para tomar buenas decisiones, y quizás peor, las capacidades para tener éxito en un entorno
de trabajo basado en datos. Eso deja a los herederos digitales, quienes pueden estar mejor posicionados
para mediar entre entornos reales y virtuales, y como resultado, sobresalirán en la era algorítmica.
Cuando entrevisté a Samuel para este libro, ella me contó una historia sobre sus propios hijos, y uno de
sus momentos más orgullosos como madre: “Mis dos hijos obtuvieron sus primeras cuentas de Gmail en
el mismo año, cada una de ellas sin ninguna sugerencia de mi parte. , y sin que ellos supieran lo que el
otro había hecho, "comenzó, antes de continuar con una cálida risa.
“El primer correo electrónico que envió mi hijo mayor fue solo las palabras 'varita mágica', 'varita
mágica', 'varita mágica' una y otra vez, mientras que el primer correo electrónico de mi hijo más joven
fue 'robot de juguete', 'robot de juguete', 'robot de juguete . 'Cada uno de mis hijos había hecho esto
espontáneamente por la misma razón. Sabían que Gmail espía su correo electrónico y lo usa para
publicar anuncios. Mi hijo mayor quería ver juguetes para una varita mágica, y mi hijo más joven quería
ver anuncios de robots de juguete, por lo que cada uno tuvo la misma idea. Con su primer correo
electrónico, lo diseñarían para darles los anuncios que querían "." ¿Entonces ya habían desarrollado un
modelo mental para el algoritmo de aprendizaje automático que Google estaba usando? " preguntó.
"Exactamente, y tenían solo siete y diez años en ese momento".
"No sabía a dónde irías al final de tu historia", le dije. “Honestamente pensé que ibas a decir que
estaban tratando de escribirle a Santa.”
“Dame un respiro. ¿Quién necesita a Santa cuando tienes el algoritmo, verdad? Santa es para los
perdedores que no saben cómo usar Gmail para mostrarles los anuncios que desean ”.
La historia de Samuel proporciona otra pista útil para comprender a sus futuros clientes, y tiene que ver
con cómo sus dos hijos pudieron formar un modelo mental. de un algoritmo al que fueron expuestos y
usan ese modelo para lograr sus propios fines. Esta nueva generación, las nacidas después de 2007, es la
primera no solo en tener acceso a los teléfonos inteligentes desde el nacimiento, sino también en estar
completamente inmersa en plataformas algorítmicas. El simple hecho de estar expuesto a tantos
algoritmos cambia su forma de pensar y cómo ve el mundo.
Tómese un momento para pensar en su propio hogar. Probablemente haya un altavoz inteligente en su
sala de estar que pueda brindarles a sus hijos respuestas a todas sus preguntas que podría estar
demasiado cansado o distraído para responder. En sus teléfonos inteligentes hay aplicaciones para
videos, música y entretenimiento que se ajustan algorítmicamente a su comportamiento y preferencias.
Incluso cuando acceden a Instagram o Facebook, los feeds que ofrecen mensajes, imágenes y

DOCUMENTO 8
actualizaciones sobre su círculo social están personalizados solo para ellos, con una asombrosa
capacidad de anticipar e incluso influir en sus intereses y comportamiento. Pensamos en todas estas
tecnologías como IA, pero para sus hijos, es más como un amigo imaginario, o tal vez incluso un padre
adicional.
En pocas palabras, lo que sus hijos ya saben, y lo que quizás recién están comenzando a darse cuenta, es
que lo más interesante del futuro no serán los nuevos dispositivos o dispositivos, sino lo que sucederá
después con nuestras experiencias algorítmicas.
Concéntrese en las experiencias, no en los dispositivos.
Aquí está la historia de cómo Steve Jobs lo engañó.
Cuando Jobs pronunció su discurso de apertura en la Macworld Conference & Expo en 2007, fingió
presentar tres productos: un iPod de pantalla ancha con controles táctiles, un teléfono móvil
revolucionario y un innovador dispositivo de comunicaciones por Internet. Ya sabes el final, por
supuesto: estos no eran tres dispositivos separados; eran un dispositivo y él lo llamó iPhone.
Pero el verdadero truco de Jobs estaba por venir. Aunque el iPhone nos fue vendido como una
convergencia de piezas dispares de hardware, en realidad condujo a una divergencia de dispositivos de
experiencias algorítmicas. Los teléfonos inteligentes fueron geniales, pero el nuevo mundo de
aplicaciones móviles que hicieron posible fue realmente sorprendente. Estas aplicaciones eran más que
simples piezas de software; Eran plataformas algorítmicas que tenían una vida más allá de su teléfono,
funcionando sin problemas en cualquier plataforma, dispositivo o sistema operativo que estuviera
utilizando.
Cuando confía sus experiencias musicales a Spotify, su relación con esa plataforma no está limitada por
su hardware. Además de su teléfono inteligente, puede escuchar sus listas de reproducción en su
automóvil, en el estéreo de su hogar, en su computadora portátil o incluso en el teléfono de otra
persona. Lo mismo se aplica a casi todas sus experiencias algorítmicas, ya sea la forma en que mira
programas de televisión, comparte fotos, habla con sus amigos o administra su transporte. Su
experiencia algorítmica trasciende sus dispositivos.
Recién estamos entrando en una nueva era de experiencias algorítmicas que serán impulsadas por
avances exponenciales en inteligencia artificial. La IA tiene el potencial de transformar la forma en que
interactuamos con el mundo, pero será su trabajo como líder algorítmico imaginar cómo sería ese
futuro y descubrir cómo llegamos allí.
Una forma útil de comenzar a diseñar experiencias algorítmicas es pensar en las relaciones entre
intenciones, interacciones e identidad.
Las intenciones son las necesidades o deseos a menudo no articulados de un usuario o cliente, que se
pueden deducir de su comportamiento. Las interacciones son el método o la forma en que utiliza una
plataforma, producto o servicio. La identidad es el impacto cognitivo o emocional de la experiencia y el
grado en que se ha integrado en el sentido de sí mismo de un participante.
Los tres elementos están conectados y se refuerzan a sí mismos, como un volante: anticipar las
intenciones de un usuario le permite crear interacciones más naturales, de modo que el sistema en sí se
convierta en una extensión de su identidad. Y cuanto más influye un algoritmo en el comportamiento de
alguien, más puede anticipar sus intenciones futuras, haciendo que las interacciones sean más fáciles,
etc.
La verdadera medida del éxito para una experiencia algorítmica es que dejas de notar el algoritmo por
completo. En otras palabras, puede considerarse exitoso cuando desaparece. Cuando esto sucede, la
búsqueda en Google se convierte en su sistema de memoria transaccional, su feed de Instagram se
convierte en la narrativa colectiva de su círculo social, y las canciones recomendadas de Spotify se
convierten en su gusto musical.

DOCUMENTO 8
Hay peligro en esto. Al igual que los videojuegos o las máquinas tragamonedas, las experiencias
algorítmicas se pueden diseñar para manipular el comportamiento humano al convertir en arma los
circuitos de recompensa en nuestro cerebro que conducen a la adicción. Eso no quiere decir que todas
las experiencias algorítmicas sean malas; es solo que cada vez que se trata de sistemas que aprenden
progresivamente mejor para influir en su comportamiento, el riesgo de abuso es alto. Exploraremos la
ética de esos temas más adelante en este libro, pero por ahora, centrémonos en la maquinaria por la
cual operan las experiencias algorítmicas.
Intenciones
Cuando se le preguntó por qué siempre llevaba el mismo estilo de camiseta gris todos los días, Mark
Zuckerberg respondió que quería simplificar su vida para poder tomar la menor cantidad de decisiones
posible. Steve Jobs usaba el mismo estilo de cuello de tortuga negro a diario, y Barack Obama el mismo
traje gris o azul. Todos estos líderes adoptaron este enfoque para ayudar a reducir la fatiga cognitiva de
tener que tomar demasiadas decisiones.
Como humanos, enfrentamos decisiones constantes. No solo lo

que usamos, sino también lo que compramos, lo que comemos, a
dónde vamos, con quién hablamos y a qué debemos prestar
atención. Se ha estimado que un adulto podría tomar alrededor de
35,000 decisiones todos los días. Investigadores de la Universidad
de Cornell descubrieron que tomamos 226.7 decisiones diarias
sobre la comida sola. La presión constante para tomar decisiones
crea estrés. El psicólogo Barry Schwartz, autor de The Paradox of
Choice, ha hablado sobre cómo demasiadas opciones pueden crear
una sensación de parálisis e insatisfacción.
Es poco probable que sus hijos estén en esa posición, dado que un número cada vez mayor de sus
opciones se están automatizando para ellos. Una vez que haya experimentado un mundo donde sus
decisiones son manejadas por usted mediante algoritmos inteligentes, no hay vuelta atrás. Los
algoritmos y los datos hacen posible el "diseño anticipatorio". El diseño anticipatorio en interfaces y
aplicaciones se basa en la idea de que si puede predecir de manera confiable lo que un usuario desea, es
mejor limitar el número de opciones que se le ofrecen.
Considere la aplicación Google Now, que intenta responder sus preguntas y resolver sus problemas
antes de que haya tenido que pensar en ellos: si tiene una próxima reunión o una reserva de
restaurante, le sugerirá el tiempo de viaje en función de su ubicación y tráfico actuales . O piense en el
termostato Nest, que ajustará la temperatura de la habitación en la que se encuentre, según su
comportamiento y las decisiones relacionadas con la temperatura que haya tomado anteriormente. De
manera similar, Netflix no te muestra todas las películas de su catálogo, solo las que cree que desee ver.
Y si no le gustan sus sugerencias, le ofrecerá diferentes para elegir la próxima vez que visite.
Cuando Amazon obtuvo una patente para "envío anticipado" en 2014, la imaginación de las personas
comenzó a volverse loca. ¿Amazon, basándose en lo que sabía sobre su comportamiento e intenciones,
comenzaría a enviarle paquetes sin que haga un pedido? No exactamente. La patente describió un
método por el cual Amazon envasaba y enviaba de manera preventiva artículos que predijo que sus
clientes en un área específica podrían desear. Estos artículos esperarían en pequeños depósitos
estratégicamente ubicados, o incluso en camiones, hasta que llegara el pedido anticipado. Esto
permitiría que Amazon le enviara un líquido para lavar platos o toallas de papel de reemplazo casi tan
pronto como le dijera a Alexa que se había acabado.
El hecho de que Amazon hubiera estado pensando en una idea así en 2014 ilustra cuán seriamente se
toman la idea de anticipar algorítmicamente las intenciones de los clientes. No es suficiente satisfacer
una solicitud del cliente cuando se le solicita. En una era de experiencias algorítmicas, anticipar lo que
alguien puede desear sin tener que preguntar será la nueva normalidad.

DOCUMENTO 8
Interacciones
Sus hijos pueden haber crecido con teléfonos inteligentes, pero eso no significa que esperarán que todo
funcione en pequeñas pantallas en el futuro. Como yo, probablemente te embarcaste en tu experiencia
digital escribiendo comandos de computadora desde un indicador de DOS. Dudo que te impresionaría si
alguien te pidiera que usaras ese tipo de interfaz hoy.
El próximo gran cambio en el diseño de la interfaz es el movimiento hacia interacciones más naturales.
Nuestros cuerpos se están convirtiendo en interfaces. Ya se trate de altavoces o sensores inteligentes,
tatuajes inteligentes o gafas de realidad aumentada, estamos aprendiendo a sentir y responder a los
datos de una manera más intuitiva. Cuanto más natural sea la interfaz, es más probable que
comencemos a olvidarnos de la maquinaria algorítmica que trabaja arduamente en segundo plano.
El reconocimiento facial, por ejemplo, se ha convertido rápidamente en la forma predeterminada en

que las personas se autentican en plataformas digitales en China. Si corriste en la Media Maratón
Internacional de Shanghai en la primavera de 2018, es posible que hayas subido una selfie a la cuenta
oficial de PaoBu WeiShengSu en WeChat (también conocida como Weixin). A los pocos minutos de
hacerlo, un sistema de filtrado con un algoritmo de reconocimiento facial le habría proporcionado una
multitud de fotos suyas, seleccionadas automáticamente y tomadas por miles de fotógrafos
independientes que cubrieron la carrera. Las fotos con marcas de agua eran gratuitas, y las fotos limpias
estaban disponibles para su compra.
Didi Chuxing, el Uber de China, utiliza tecnología de reconocimiento facial para verificar la identidad de
sus conductores antes de comenzar un viaje. China Construction Bank permite a los clientes pagar con la
cara en algunas máquinas expendedoras. Un número creciente de policías está equipado con gafas de
realidad aumentada que les permiten escanear multitudes y buscar sospechosos. Incluso el Templo del
Cielo en Beijing comenzó a usar tecnología de reconocimiento facial para abordar el robo regular de
papel higiénico. El dispensador de papel reconoce los rostros y lo interrumpe después de frecuentes
visitas repetidas (el potencial de desastre de esto no es difícil de imaginar).
La gran escala del mundo digital en China, la cantidad de datos que sus plataformas locales pueden
recopilar y su capacidad para utilizar estos datos para entrenar algoritmos cada vez mejores significan
que lo que suceda en China determinará el destino de los sistemas algorítmicos en todas partes. Cientos
de millones de personas usan WeChat, una plataforma que comenzó como un servicio de chat y se ha
convertido en una especie de sistema operativo para la vida diaria. WeChat facilita la compra de todo,
desde alimentos y ropa, hasta seguros y productos financieros. Del mismo modo, Didi Chuxing, una
plataforma de transporte, es enorme y está creciendo rápidamente. Tiene 450 millones de usuarios
registrados y 21 millones de conductores, y ofrece más de 25 millones de viajes por día. Uber, por el
contrario, proporcionó menos de la mitad que en todo el mundo por día en 2017.
Es probable que todos estos datos sean amalgamados por el gobierno chino como parte de su Sistema
de Crédito Social, un sistema de reputación nacional diseñado para determinar la "confiabilidad" de la
1.400 millones de ciudadanos del país. En este nuevo prototipo de sociedad algorítmica, su capacidad
para comprar boletos de tren, asistir a buenas escuelas, acceder a servicios de salud o incluso encontrar
una coincidencia en las aplicaciones de citas dependerá de su buen comportamiento, sus puntos de vista
y si sigue las reglas. A medida que recopilen más y más datos de nuestras interacciones, las plataformas
digitales del mañana harán un mejor trabajo para comprender nuestras intenciones y responder
rápidamente a nuestros deseos no articulados. Hablaremos en lugar de escribir, sonreiremos en lugar de
deslizar. En lugar de que la automatización cree experiencias más estandarizadas, sus futuros clientes
esperarán que aproveche el aprendizaje automático para crear interacciones más naturales,
personalizadas y de nivel humano.
Sin embargo, existe una línea muy fina entre útil e inquietante. Google Duplex, por ejemplo, es una
nueva tecnología de inteligencia artificial que utiliza conversaciones naturales para llevar a cabo tareas
como programar citas por teléfono. Las personas llamadas por el servicio pueden hablar normalmente,
tal como lo harían con otra persona, sin tener que adaptar su discurso sea reconocible para una

DOCUMENTO 8
máquina. De hecho, ni siquiera es obvio que estás hablando con una máquina. Y ese, para muchos, fue
el aspecto más desconcertante de la demostración del producto.
En el lanzamiento, el director de Investigación de Inteligencia Aumentada de Google, Greg Corrado,

explicó que durante la próxima década esperaba ver el desarrollo de la inteligencia emocional artificial
que permitirá a los productos tener interacciones humanas mucho más naturales y fluidas. El momento
más impactante fue cuando, en respuesta a una pregunta de un humano al otro lado del teléfono, la voz
algorítmica se detuvo y dijo "hmmm" antes de continuar. Según una publicación de blog de Google, esto
fue deliberado. El sistema fue diseñado para sonar más natural a través de la incorporación de
disfluencias y rellenos típicos del habla (por ejemplo, hmmms y aaahs) para imitar lo que las personas
hacen a menudo cuando están reuniendo sus pensamientos. ¿Pero es ésta una buena idea?
Hay una diferencia entre crear interfaces naturales a nivel humano y no requieren que modifiquemos
nuestro comportamiento para usarlas, y engañar a las personas para que piensen que están
interactuando con un humano. Piense en ello como la diferencia entre el nivel humano y el humano. Las
interfaces de tipo humano a menudo corren el riesgo de fallar en la extraña prueba del valle, un término
acuñado en 1970 por un profesor de robótica japonés llamado Masahiro Mori.
Mori argumentó que a medida que la apariencia de un robot se vuelve más humana, nuestra respuesta
emocional al robot se vuelve cada vez más positiva y empática, pero hay un punto en el que nuestra
respuesta se convierte rápidamente en una fuerte repulsión. Sin embargo, a medida que el robot
comienza a ser más difícil de distinguir de un humano real, nuestra respuesta emocional comienza a
volverse positiva nuevamente y nuestros niveles de empatía se acercan a los que mostraríamos hacia
otro humano.
Si bien Google puede tener éxito al crear una interfaz que no se puede distinguir de un humano, la
verdadera pregunta es, ¿debería? En el futuro, podemos insistir en que las IA identifiquen al usuario que
son máquinas y no humanos.
Las interfaces de tipo humano que intentan simular, imitar y finalmente engañarnos haciéndonos creer
que son humanos pueden generar desconfianza, sospecha e incluso miedo. Serán útiles las interfaces a
nivel humano que entienden nuestra habla natural, reconocen nuestros rostros, responden a nuestros
estados emocionales e incluso rastrean nuestros gestos. Nos permitirán comunicar sin esfuerzo nuestras
intenciones y lograr nuestros objetivos sin recurrir a interfaces de comando y flujos de trabajo. Y al
hacerlo, podemos comenzar a ver los algoritmos como una extensión de nosotros mismos.
Identidad
Cuando los algoritmos se incrustan profundamente en nuestra vida diaria, tienen el potencial de influir
en gran medida en cómo nos comportamos. Si llegamos a ese punto, ya no podremos discernir
fácilmente cuánto de nuestra memoria, experiencias, gustos o incluso nuestra propia identidad es nativa
de nosotros y cuánto son simplemente las extensiones tecnológicas de nosotros mismos.
Para ver cómo los algoritmos podrían desempeñar un papel tan importante en la configuración de
nuestro comportamiento, debe comprender el rápido crecimiento de Internet de las cosas (IoT), la vasta
red interconectada de dispositivos, vehículos, electrodomésticos, sensores y dispositivos portátiles que
se estima que un total de 30 mil millones de dispositivos para 2020.
Algunos de estos dispositivos IoT son industriales, conectando sensores en instalaciones de fabricación o
motores de automóviles con equipos de carreras. Sin embargo, muchos más están orientados al
consumidor en la naturaleza. Son los dispositivos que usamos en nuestras muñecas, alrededor de
nuestros cuellos, en nuestra ropa y, muy pronto, en nuestra piel y dentro de nuestros cuerpos. Estos
dispositivos brindarán una oportunidad para que las empresas y las marcas influyan y moldeen
directamente nuestra forma de pensar, sentir y actuar.
Saber cómo quiere que se comporten las personas no es lo mismo que saber a qué quiere que presten
atención las personas. La mayoría de los especialistas en marketing se centran en monitorear si los

DOCUMENTO 8
mensajes de su marca llegan o no a su público objetivo. Se centran en los clics, las interacciones y el
recuerdo de la marca. Sin embargo, si pudiera incorporar todo lo que sabemos sobre cómo se
comportan las personas, y por qué, en el diseño y la implementación de dispositivos inteligentes, su el
departamento de comercialización
podría necesitar cambiar su enfoque a ¿Qué queremos que haga nuestro cliente después?
Cómo y por qué las personas toman decisiones, especialmente en relación con el dinero y las
inversiones, se ha convertido en un área de intenso estudio para economistas e investigadores
cognitivos por igual. En 2017, el economista Richard Thaler ganó el Premio Nobel de Ciencias
Económicas por sus contribuciones a la economía del comportamiento y su trabajo para establecer que
las personas son previsiblemente irracionales en formas que desafían la teoría económica. Estas ideas ya
han sido aplicadas en el gobierno y por múltiples compañías para cambiar o empujar el comportamiento
de las personas.
Un "empujón" es una estrategia empleada para cambiar el comportamiento de alguien, a veces

denominado "cumplimiento no forzado". En su libro de 2008, Nudge: Mejorando las decisiones sobre
salud, riqueza y felicidad, Thaler y Cass Sunstein demostraron eso al diseñar la arquitectura de elección.
(la forma en que se presentan las opciones) de manera diferente, puede influir en las personas para que
hagan una elección específica sin restricciones, prohibiciones o un cambio en los costos.
Las compañías de tecnología han estado experimentando durante mucho tiempo con la arquitectura de
elección no solo en sus usuarios sino también en sus propios empleados. Google, por ejemplo, famoso
por proporcionar una amplia variedad de beneficios para los empleados en sus oficinas, se preocupó
porque sus empleados estaban comiendo demasiada comida poco saludable y beber refrescos con alto
contenido calórico. En lugar de restringir los dulces y la cola, decidió poner bocadillos saludables en
frascos transparentes que fueran fáciles de alcanzar y colocar el agua a la altura de los ojos en el
refrigerador. Dentro de las primeras siete semanas de probar este enfoque, la caída en el consumo de
M&M entre los empleados de la oficina de Google en Nueva York solo se tradujo en 3.1 millones de
calorías menos ingeridas.
Nuestros dispositivos también pueden empujarnos a comportarnos de diferentes maneras. Muchos de

nosotros usamos relojes inteligentes que pueden recordarnos que debemos beber más agua, respirar,
ponernos de pie o dar más pasos. Pronto nuestros refrigeradores harán un seguimiento de lo que
comemos, nuestros baños informarán sobre nuestra salud física o nuestros zapatos vibrarán para
alertarnos de caminar en la dirección de algo que podríamos encontrar personalmente interesante.
Desde una perspectiva, nuestra creciente dependencia de los algoritmos para tomar decisiones puede
verse como una peligrosa pérdida de autonomía personal. Una visión alternativa es que estamos
presenciando el surgimiento de una nueva relación simbiótica con la tecnología que nos permite
aumentar y ampliar nuestros cinco sentidos. Así como los gansos pueden sentir el campo geomagnético
de la Tierra y usarlo para navegar, la próxima generación de humanos puede comenzar a desarrollar una
especie de "sentido de los datos" que influirá y dará forma a su comportamiento de muchas maneras.
Incluso sin dispositivos dedicados para empujar a sus usuarios, las plataformas también deberán pensar
estratégicamente sobre los tipos de comportamientos que optimizan el valor general de su red. Tinder,
la aplicación de citas, ofrece un ejemplo interesante. Existe un concepto en el ajedrez competitivo,
conocido como puntaje Elo, que se utiliza para evaluar y clasificar la habilidad de cada jugador. Tinder
tiene su propia puntuación Elo, que utiliza para calificar su atractivo.
En el mundo del ajedrez, si un jugador de bajo rango vence a uno de alto rango, ese jugador de bajo
rango obtiene una mejor puntuación Elo, y así sucesivamente. Del mismo modo, si un usuario con un
puntaje Elo alto en Tinder se desliza hacia la derecha y le gusta alguien con un puntaje más bajo, el
usuario con un puntaje más bajo obtiene un aumento en su puntaje. Sin embargo, el algoritmo de
Tinder es complejo y también tiene en cuenta otros indicadores de comportamiento, como la rapidez
con la que las personas responden a los mensajes, si son selectivos en quién les gusta y otras acciones

DOCUMENTO 8
que se consideran consistentes con el modelo de uso óptimo de Tinder. La parte curiosa de estos
sistemas algorítmicos es que no siempre son completamente transparentes en su funcionamiento, lo
que lleva a toda una comunidad en línea de especulación e intercambio de información con el fin de
jugar o piratear el sistema. Al igual que los hijos de Alexandra Samuel, nosotros también podemos sentir
la tentación de escribir "varita mágica"o" robot de juguete "en nuestras pantallas, si pensamos que al
hacerlo, podemos hacer que aparezcan.
Parte del desafío de diseñar plataformas futuras no solo es determinar cómo desea que se comporten
las personas, sino también ser capaces de adaptarse y adaptarse constantemente al conocimiento
colectivo de los usuarios que intentan manipular sus algoritmos y jugar con el sistema.
Aunque gran parte de este capítulo se ha centrado en explicar qué son los algoritmos, la verdadera
conclusión es lo que importa en el futuro. A medida que comienza a reunir su visión de hacia dónde
podría ir el mundo, recuerde centrar su perspectiva en el comportamiento futuro del cliente. A largo
plazo, el verdadero impulsor del valor comercial serán las formas en que los algoritmos y la IA pueden
crear experiencias convincentes para el cliente.
RESUMEN
1 Al comprender los algoritmos y cómo dan forma a nuestras interacciones y experiencias como seres
humanos, puede obtener información sobre los tipos de plataformas y productos basados en datos que
es probable que tengan éxito en el futuro.
2 A diferencia de las plataformas de la revolución digital anterior, las máquinas de hoy están
comenzando a enseñarse a sí mismas, y al hacerlo, están ganando niveles de dominio que igualan o
superan las habilidades de los seres humanos en áreas específicas o actividades. Sin embargo, los
humanos todavía están en el asiento del conductor cuando se trata de imaginar formas de usar la
inteligencia artificial para crear experiencias, transformar organizaciones y reinventar el mundo.
3 Los líderes algorítmicos pueden prepararse para el futuro al comprender quiénes son sus futuros
clientes y qué pueden querer. Masayoshi Son, CEO de SoftBank, es un ejemplo de un líder algorítmico
que comienza con una fuerte visión del futuro y trabaja hacia atrás desde allí.
4 Sus hijos son la generación precursora de la era algorítmica. Habiendo crecido rodeados de IA
integrada en todos sus productos y aplicaciones, tendrán un conjunto radicalmente diferente de
expectativas y perspectivas sobre la forma en que el mundo debería funcionar. Aprende de ellos.
5 El mayor impulsor del valor comercial en el futuro no serán los algoritmos que utilice para optimizar
sus operaciones e infraestructura, sino aquellos que creen experiencias convincentes para sus clientes y
clientes. Use la Rueda de la experiencia algorítmica (intenciones, interacciones e identidad) para
imaginar cómo los algoritmos podrían responder a lo que sus clientes desean, así como también cómo
se comportan y se ven a sí mismos.
PREGUNTA
¿Qué es más valioso: saber quiénes son sus mejores clientes o identificar los comportamientos ideales
que maximizan el valor de su plataforma o servicio?

DOCUMENTO 8
Apuntar a 10X, no al 10%

"No tengo intención de hacer pequeñas apuestas".
MASAYOSHI Hijo, CEO DE Softbank
Concéntrese en los múltiplos, no en los márgenes
Mientras que los líderes se preocupan por el impacto de las ideas disruptivas en su negocio o industria,
lo que realmente deberían preocuparles es si sus propias ideas son lo suficientemente disruptivas.
Si simplemente está automatizando sus procesos existentes, agregando un chatbot a su sitio web o
actualizando su aplicación móvil, es muy probable que no esté pensando lo suficiente en sus
oportunidades futuras. Con demasiada frecuencia, la transformación digital es solo un incrementalismo
digital.
Cuando invierte en nueva tecnología pero no desafía su modelo de negocio por temor a una
transformación más radical, simplemente está retrasando el inevitable momento en que todo cambia y
queda atrapado. Parte del viaje para convertirse en un líder algorítmico es ser lo suficientemente
valiente como para buscar oportunidades que brinden resultados en múltiples, no solo en márgenes.
Conocí a Reid Hoffman, fundador de LinkedIn, a principios de la década de 2000, cuando la compañía
tenía solo unos pocos años y su oficina en Mountain View todavía tenía esa atmósfera mágica de una
startup al borde del rápido crecimiento. Hoffman fue amable, incisivo y, sin duda, una de las personas
más inteligentes que he conocido en Silicon Valley.
Lo que recuerdo más claramente de nuestra reunión fue el consejo de Hoffman sobre el crecimiento.
Hoffman explicó que solo comenzó o invirtió en compañías que tenían un modelo de crecimiento de red
incorporado. Si una empresa dependía de la publicidad tradicional para crecer, no era para él. Buscó
oportunidades que aprovecharan los datos, la computación y las redes de usuarios para expandirse
rápidamente y así obtener una ventaja competitiva.
Lo único peor que la falta de crecimiento es el costo de oportunidad de no crecer lo suficientemente

rápido. Cuando haya ganado suficiente escala, puede abordar la estructura de su organización, el diseño
de sus plataformas y la dinámica de su industria de una manera completamente diferente. Hoffman
refinó su concepto de crecimiento de la red en algo que él llama Blitzscaling. Su idea era que las nuevas
empresas estaban en una carrera para llegar al punto de su ciclo de vida cuando se podía crear el mayor
valor. Tómate demasiado tiempo y tus competidores te alcanzarán o te agotarán los recursos que
necesitas para sobrevivir. Básicamente, debe pasar directamente de "inicio" a "escalar".
Del mismo modo, ser un líder algorítmico significa pensar de manera diferente sobre las oportunidades
estratégicas que persigue y la velocidad con la que las persigue. Mientras que un líder de la era
analógica se enorgullecía de lograr pequeñas ganancias en los márgenes operativos al ser disciplinado
sobre los precios, mantener menos inventario o tomar más tiempo para pagar a los proveedores, un
líder algorítmico necesita pensar en grande solo para sobrevivir.
Cuando un capitalista de riesgo dice que necesita 10 veces el retorno de su inversión, suena codicioso
hasta que comprenda que invertir en startups es inherentemente riesgoso y que muchos no funcionan
como se espera. De hecho, muchos inversores en etapa inicial suponen que un tercio de sus inversiones
fracasarán por completo, un tercio apenas devolverá el dinero invertido y el tercio restante dará sus
frutos.
Sin embargo, la verdadera razón por la que los líderes algorítmicos necesitan pensar en múltiplos no es
por el riesgo comercial sino porque las industrias del siglo XXI basadas en datos y algoritmos tienden a
operar en un mercado de "ganador se lo lleva todo".
Si quisiera iniciar un motor de búsqueda hoy para competir con Google, no sería suficiente ofrecer una
mejora marginal en el tiempo de consulta de búsqueda o en una oferta del mercado local. Debe ofrecer

DOCUMENTO 8
la escala, los datos, los algoritmos de aprendizaje automático y la infraestructura tecnológica para
proporcionar una solución integral para todos; si no lo hace, no puede proporcionar un buen servicio a
nadie. Eso no quiere decir que la eficiencia operativa no sea un objetivo digno. Domino’s Pizza, por
ejemplo, está experimentando con un sistema de cámara AI diseñado para verificar automáticamente la
calidad. Puede diferenciar entre varios tipos de pizza y también determinar si las pizzas están a la
temperatura adecuada. De manera similar, CocaCola utiliza un algoritmo llamado modelo del Libro
Negro que combina datos de imágenes satelitales, patrones climáticos, rendimientos de cultivos
esperados, presiones de costos y preferencias del consumidor para producir un jugo de naranja de sabor
consistente durante todo el año. El problema aquí todavía es la escala. Cuanto más puedan mejorar sus
productos o procesos a través de los datos y el aprendizaje algorítmico, más difícil será para los nuevos y
pequeños competidores competir contra usted.
Uno de los conceptos fundacionales en Amazon es “la rueda del crecimiento". La lógica es la siguiente:
una selección más amplia de productos y servicios a precios más bajos genera más tráfico, lo que a su
vez genera más clientes y ventas, lo que respalda la expansión hacia nuevas categorías de productos y
servicios, etc. El volante de Amazon es más que solo los beneficios del impulso del cliente; describe las
ventajas que obtiene con una masa crítica de datos y modelos algorítmicos. Si puede estructurar su
organización en torno a modelos de aprendizaje basados en bucles de datos, creará un ciclo de refuerzo.
Más datos conducen a mejores modelos, lo que mejora sus productos y procesos, y así sucesivamente.
Al pensar más en sus oportunidades algorítmicas y diseñar una plataforma para más de lo que necesita
hoy, puede pasar potencialmente de un modelo de crecimiento lineal a uno exponencial.
No permita que una gran idea lo detenga de una buena.
Las grandes ideas pueden ser la base de un gran negocio, pero también pueden detenerlo si lo permite.
Debe ser lo suficientemente flexible como para permitir que las nuevas ideas reemplacen a las viejas. A
veces eso no significa nada más que un cambio en la estructura. Pero a veces, significa un cambio en las
personas.
A principios de mayo de 2013, el CEO de Microsoft, Steve Ballmer, estaba terminando una carrera
matutina en una calle de Londres. Tomando unos minutos para recuperar el aliento, reflexionó sobre sus
últimos meses en Microsoft. La compañía, incluido él mismo, estaba bajo una inmensa presión para
cambiar. La junta y los accionistas clave exigían una nueva estructura administrativa y un enfoque
renovado en los dispositivos móviles y los servicios en línea.
La revelación de Ballmer esa mañana fue que Microsoft podría cambiar más rápido sin él como CEO. "Al
final del día, tenemos que romper un patrón", explicó en una entrevista para el Wall Street Journal.
"Acéptalo: soy un patrón".
Windows fue una gran idea, y casi destruyó a Microsoft. Cuando el producto de una empresa tiene un
impulso poderoso, puede cegar a los líderes ante nuevas oportunidades a medida que surjan. Las
grandes ideas pueden convertirse en tejido cicatricial que protege a la organización del exterior, pero en
última instancia compromete su capacidad de ser flexible, adaptarse y cambiar. Las grandes ideas del
pasado pueden mantenerlo buscando mejoras marginales en el presente, sin perder la oportunidad de
una transformación más radical.
Durante el reinado de Ballmer como CEO, los ingresos en Microsoft se triplicaron a casi $ 78 mil millones
en el año que terminó en junio de 2013, y las ganancias crecieron un 132 por ciento a casi $ 22 mil
millones. Pero incluso cuando las empresas renovaron sus licencias de software y los consumidores
compraron PC con productos Windows instalados, la empresa cometió errores críticos, como subestimar
el impacto potencial de la Web y retrasar el lanzamiento de su propio navegador, lo que retrasó su
entrada en la búsqueda El mercado de publicidad de motores y el ecosistema de música digital, y casi
completamente perdido el cambio del consumidor a dispositivos móviles y redes sociales. Para 2013,
Microsoft estaba a punto de perder una transformación aún mayor en la naturaleza del software en sí:
el cambio de la distribución física del software a las suscripciones basadas en la nube.

DOCUMENTO 8
Ballmer es un líder clásico de la era analógica. Creció en Detroit y era entrenador de fútbol americano
universitario cuando conoció a Bill Gates. Abandonó sus estudios de MBA para convertirse en el primer
gerente comercial de Microsoft. En un momento en que el crecimiento en el negocio de los programas
informáticos tenía que ver con las ventas agresivas y la expansión de la cuota de mercado, ayudó a
construir una cultura competitiva de silos corporativos, donde los colegas se midieron y se enfrentaron
entre sí. Si bien esto creó un espíritu competitivo que impulsó el rendimiento cuando Windows era el
rey, más tarde dificultó que los líderes se unieran cuando la dinámica de la industria cambiaba y la
empresa necesitaba evolucionar.
Cuando Satya Nadella fue nombrada nueva líder de la compañía en 2014, se dio cuenta de que
Microsoft había desarrollado una capacidad y cultura rígidas en torno a Windows. Incluso cuando
Windows como producto se volvió menos relevante, la compañía no pudo desarrollar nuevas
capacidades funcionales. Nadella cambió rápidamente el enfoque de Microsoft a la computación en la
nube, la inteligencia artificial y las redes sociales. Sin embargo, el cambio más importante que introdujo
sería la forma en que la compañía pensaba sobre sí misma. Cuando fue entrevistada por McKinsey &
Company para un podcast, Nadella explicó que era natural que el producto principal de una empresa
comenzara a estancarse en algún momento.
Fue entonces cuando necesitaba nuevas capacidades para estimular la creación y el crecimiento de
nuevos conceptos y productos. En su opinión, en una época de cambios constantes y rápidos, una
cultura corporativa innovadora le permite seguir probando nuevos conceptos antes de que se
conviertan en la norma.
Lo que hace que el enfoque de Nadella sea poderoso y pragmático es cómo distingue entre capacidades
y unidades de negocio. Cuando a las empresas les va bien, tienden a organizarse por unidades de
negocio. Lo hacen porque creen que proporcionará eficiencia, productividad y menores costos de
transacción. Desafortunadamente, las empresas de tecnología están impulsadas por la capacidad más
que por la estructura.
Para buscar nuevas oportunidades 10x, no puede confiar en sus silos tradicionales y departamentos
funcionales. Incluso si sabe dónde podría estar el futuro de su negocio, llegar allí requiere un enfoque
más ágil; en otras palabras, permitir que sus equipos y líderes ajusten rápidamente sus planes,
proyectos, responsabilidades e incluso títulos de trabajo sin adherirse a estructuras organizativas rígidas
y procesos de aprobación.
Aprenda a seguir los datos
Dado que la casa siempre gana, parece improbable que un casino se arruine. Curiosamente, eso es
exactamente lo que sucedió en 2015 cuando Caesars se declaró en bancarrota, con un peso de $ 24 mil
millones de deuda. Uno de los detalles más fascinantes de esos procedimientos fue una queja
presentada por los acreedores, quienes argumentaron que había un elemento en la lista de activos de
Caesars que había sido subvalorado. En su opinión, lo más valioso que poseía Caesars no era su
propiedad inmobiliaria o sus marcas, sino sus datos. Los acreedores argumentaron que el programa de
datos de clientes de Total Rewards, compuesto por diecisiete años de datos sobre unos 45 millones de
miembros del programa, debería haber sido valorado en US $ 1 mil millones.
Caesars no es único a este respecto. El activo más valioso actual de su organización son sus datos. Y su
valor solo está listo para crecer. Para entender por qué, debe apreciar la importancia especial que
juegan los datos en el mundo de los algoritmos y la IA.
Geoffrey Hinton, Alex Krizhevsky e Ilya Sutskever no utilizaron redes neuronales como parte de su
estrategia ganadora en el desafío ImageNet 2012 por casualidad. Hinton fue persuadido de usar la
técnica por un joven profesor universitario de Stanford y prodigio informático llamado Andrew Ng.
Al crecer en Asia, Ng aprendió a codificar a temprana edad de su padre, un médico que incluso hizo un
intento entusiasta de programar un sistema informático para diagnosticar a sus pacientes. Ng no era un

DOCUMENTO 8
adolescente ordinario. A los dieciséis años, ya había descubierto cómo usar las redes neuronales para
ayudar a resolver problemas matemáticos.
Después de graduarse de la escuela secundaria, Ng estudió en tres instituciones famosas por sus
programas de informática: Carnegie Mellon, MIT y Berkeley, antes de convertirse en profesor en la
Universidad de Stanford. Cuando el fabricante de chips gráficos NVIDIA puso a disposición sus unidades
de procesamiento de gráficos (GPU) diseñadas para juegos para fines generales en 2007, Ng y su equipo
de investigación en Stanford se dieron cuenta rápidamente de que los chips también podían usarse para
sobrecargar redes neuronales.
Hasta este punto, los informáticos generalmente confiaban en procesadores de propósito general, como
los fabricados por Intel que se encontraban dentro de las PC de consumo, para ejecutar algoritmos.
Aunque rápidos, los chips de computadora convencionales solo pueden administrar algunas tareas
computacionales al mismo tiempo, y las redes neuronales requieren la capacidad de ejecutar miles de
cálculos al mismo tiempo. Afortunadamente, existían chips que podrían satisfacer esa necesidad. Fueron
diseñados para videojuegos, y los mejores fueron hechos por NVIDIA.
Entonces, recién armado con poder de procesamiento barato en forma de GPU, Ng comenzó a publicar
documentos sobre aprendizaje profundo a un ritmo prodigioso. Fueron estos documentos los que
inspiraron el enfoque ganador de la Universidad de Toronto en 2012, iniciando un renacimiento en IA
basado en el aprendizaje profundo y las redes neuronales.
Sin embargo, no pasó mucho tiempo antes de que Ng se diera cuenta de que necesitaría aún más
potencia computacional para poder llevar su investigación más allá. Eso lo llevó a Google, y con acceso a
la vasta potencia de cómputo y datos de esa compañía, formó la iniciativa Google Brain en 2011. Uno de
los experimentos más interesantes de su equipo fue usar YouTube como un conjunto de datos de
entrenamiento no supervisado para un algoritmo de aprendizaje automático. El famoso sistema de Ng
aprendió a identificar cómo era un gato, sin tener que pedirle que buscara uno, ni siquiera saber qué era
un gato.
En 2014, Ng aceptó una oferta para unirse al gigante chino de la web Baidu después de anunciar que
invertiría $ 300 millones en un nuevo centro de investigación y desarrollo en Silicon Valley. No es
sorprendente que lo primero que hizo Ng después de unirse a Baidu fue comprar muchas GPU. Parte de
su papel en Baidu era identificar y recursos proyectos que pudieran aprovechar la IA de manera efectiva
en una amplia gama de industrias y aplicaciones.
Su experiencia en Baidu finalmente llevó al pionero del aprendizaje automático a ponerse en marcha
por su cuenta, y finalmente creó un fondo de IA de US $ 175 millones. En una publicación de blog que
explica su decisión, Ng equiparó el desarrollo de la IA con el aumento de la electricidad. En los primeros
días de la electricidad, escribió, gran parte de la innovación se centró en encontrar mejoras ligeramente
diferentes en la iluminación, que era su aplicación original. Las aplicaciones realmente transformadoras,
en las que la energía eléctrica condujo a la remodelación de industrias enteras, tomaron mucho más
tiempo en aprovecharse. En su opinión, la IA es la electricidad del siglo XXI.
Ng cree que las empresas deberían poner los datos en el centro de sus negocios. Encontrar los datos
correctos para entrenar algoritmos de aprendizaje automático no es fácil, sobre todo porque los
jugadores titulares protectores suelen tener los datos. En Baidu, Ng a menudo diseñó y lanzó
aplicaciones con el objetivo específico de adquirir conjuntos de datos particulares que apuntaban a un
aspecto del comportamiento del usuario o una región geográfica. Había aprendido que para llegar a un
lugar interesante, primero debes seguir los datos.
Cuando observa la trayectoria profesional de un líder algorítmico como Ng, encuentra el compromiso de
buscar la idea más amplia. Encontrar la oportunidad 10x requiere no solo poder de la computadora y
recursos financieros, sino también conjuntos de datos ricos e interesantes para que sus algoritmos
aprendan. Para Ng, los datos son más que un activo. Los datos deberían impulsar su estrategia.

DOCUMENTO 8
Descubra el valor de su propio conocimiento
La importancia de los datos para impulsar la inteligencia artificial y el aprendizaje automático crea una
oportunidad única para las empresas tradicionales que ya tienen una gran cantidad. Si estás buscando tu
próxima gran idea, lo más probable es que la base para ello esté en sus propios datos.
Las grandes empresas establecidas han pasado años recopilando datos sobre sus clientes, las
interacciones de los clientes con proveedores y socios y el rendimiento de sus propias plataformas y
unidades operativas. Por supuesto, esos datos rara vez se analizan fácilmente mediante algoritmos, pero
simplemente tener acceso a ellos es un activo poderoso que carecen de nuevos participantes en el
mercado. Sin embargo, lo que las grandes empresas tienden a carecer es el incentivo para usar su tesoro
de datos de maneras interesantes.
Parafraseando a Andrew Ng, solo porque un centro comercial antiguo construya un nuevo sitio web no
significa que pueda convertirse en una empresa de comercio electrónico lista para asumir Amazon. No
hay atajos para convertirse en una organización algorítmica. Dado el valor de sus datos, el primer paso
es centralizar su información en un solo lugar, prácticamente. Walmart, por ejemplo, el minorista más
grande del mundo con más de 20,000 tiendas en veintiocho países, está en proceso de construir la nube
privada más grande del mundo para procesar 2.5 petabytes de datos cada hora. Esa instalación de datos
les dará la capacidad sin precedentes de encontrar patrones y correlaciones en sus datos operativos y de
clientes que les permitirán hacer cambios dramáticos en su modelo operativo y potencialmente lanzar
empresas completamente nuevas.
A veces llamado un "lago de datos", esta primera etapa de transformación digital requiere un enfoque
coordinado para la gestión de datos y una plataforma de análisis sólida. Agrupar datos de sistemas
dispares no es suficiente. Los líderes algorítmicos también deben pensar cuidadosamente sobre la
disponibilidad de datos, la adquisición de datos, el etiquetado de datos y el gobierno de datos. No solo
está ordenando sus datos, después de todo; está intentando convertirse en una organización donde los
datos son el producto principal que crea y nutre.
Según Richard Socher, el científico jefe de Salesforce, obtener los datos correctos es un serio desafío de
ingeniería. Requiere integrar datos de diferentes lugares, limpiarlos y etiquetarlos, organizar la
infraestructura de hardware adecuada, equilibrar las cargas, obtener buena documentación para los
desarrolladores y solo entonces pensar en esquemas de confianza, seguridad y permisos.
Para los líderes que trabajan en grandes organizaciones, todo eso requiere planificación y creatividad.
Financiar un laboratorio para hacer investigación fundamental no es suficiente. Ese fue un error que las
empresas de tecnología como Microsoft cometieron durante muchos años: sus académicos siempre
presentaban ideas brillantes que no podían comercializarse. Para crear una organización algorítmica,
debe descubrir cómo reunir a sus equipos de ingeniería y productos para crear formas de trabajo
completamente nuevas e identificar las partes de su negocio que podrían beneficiarse más de la IA.
Un buen ejemplo es cómo Rolls-Royce, el fabricante de los mejores motores a reacción del mundo, lanzó
una iniciativa llamada R2 Data Labs. La idea era crear equipos interdisciplinarios de expertos en datos y
líderes de diversas áreas a lo largo de las operaciones de Rolls-Royce para crear nuevos servicios
centrados en la inteligencia artificial o desbloquear eficiencias operativas. El plan es construir una copia
virtual de cada motor que fabrica Rolls-Royce, combinando información de datos de todo el negocio con
datos de diseño y fabricación, lo que resulta en un gemelo digital perfecto de su activo físico
subyacente.
Si puede descubrir el valor de su propio conocimiento, puede usarlo como plataforma para lanzar
nuevas ideas disruptivas. Por ejemplo, MassMutual, una compañía tradicional de seguros de vida, quería
encontrar una manera de reinventar la experiencia del cliente de comprar un seguro ofreciendo
aprobaciones instantáneas en línea. Para hacerlo, creó una nueva compañía que llamó Haven Life.
Además del apoyo financiero de su empresa matriz, Haven Life tenía un activo importante que ninguna

DOCUMENTO 8
otra startup en el espacio de seguros podía igualar: tenía acceso a los datos históricos de MassMutual,
que comprendían 1 millón de pólizas que se remontan a unos quince años.
Por lo general, solicitar un producto de seguro de vida requiere mucho papeleo y análisis. Esto se debe a
que el seguro de vida se basa en datos actuariales, que es la sombría ciencia de predecir cuánto tiempo
vivirá alguien. Para correlacionarse con los modelos actuariales y generar una vida útil prevista, los
clientes suelen ver a un médico, someterse a un examen médico y análisis de sangre, y responden una
larga lista de preguntas sobre el historial médico. En lugar de someter a sus clientes en línea a este
proceso, Haven Life pudo utilizar el aprendizaje automático y los datos sobre las correlaciones entre los
titulares de pólizas anteriores y sus períodos de vida útil para permitirle predecir el perfil de riesgo de un
solicitante, todo sin recurrir al papel que consume mucho tiempo. proceso tradicional pesado.
Los datos y los algoritmos ofrecen a las empresas tradicionales la oportunidad de reinventarse. La
pregunta más provocativa, sin embargo, es si todavía necesitamos la compañía en el siglo XXI.
Imagine un futuro sin su empresa en él
Las empresas, como concepto, han existido durante mucho tiempo. Si bien los primeros registros de una
sociedad anónima se remontan a China durante la dinastía Song (AD 960-1279), probablemente la
plantilla más famosa de una corporación global es la de East India Company. Se le otorgó una Carta Real
inglesa de Isabel I el 31 de diciembre de 1600, que le otorgó un monopolio de quince años para todo el
comercio de las Indias Orientales, la Compañía de las Indias Orientales se convirtió no solo en el primer
ejemplo, sino quizás en el más infame, de una asociación público / privada, ya que se transformó de una
empresa comercial a una organización semi-gubernamental y militar que se expandió para gobernar la
India y explotar sus recursos.
Pero, ¿es esta idea tradicional de una empresa, limitada por acciones y que emplea a cientos o incluso
miles de personas a tiempo completo, un reflejo adecuado de nuestro nuevo mundo, impulsado por los
datos y los algoritmos? Por ejemplo, ¿podría diseñar una empresa que no tuviera personas y que
existiera como nada más que líneas de código? Si una IA diseñara una organización optimizada para el
aprendizaje automático, ¿cómo operaría esa empresa?
La lógica clásica de la existencia de una empresa proviene del trabajo pionero de un joven estudiante
llamado Ronald Coase, quien a principios del siglo XX se atrevió a preguntar: "¿Por qué existen las
empresas?".
En 1931, a los veinte años, Coase dejó Inglaterra para viajar por los Estados Unidos, entrevistando a
empresarios y economistas. Lenin se había jactado de que convertiría a la Unión Soviética en una fábrica
gigante, por lo que una de las preguntas sin respuesta de Coase en ese momento era si había algún
límite natural para cuán grande podría ser una compañía y si realmente se necesitaban compañías.
La teoría económica predominante de la época, basada en el trabajo de Adam Smith, era que debido a
que los mercados eran eficientes, siempre debería ser más barato contratar que contratar. Cuando
Coase regresó de los Estados Unidos, había comenzado a formar una visión muy diferente. Escribió un
artículo breve, pero muy influyente llamado "La naturaleza de la empresa" (1937), en el que argumentó
que las empresas existen para reducir los costos de transacción incurridos si necesita utilizar el mercado
cada vez que necesita hacer algo.
Predijo el surgimiento de compañías que podrían producir internamente todos los componentes y
sistemas que necesitan para crear su producto final, en lugar de gastar dinero en lo que consideraríamos
externalizar (por ejemplo, reclutamiento a través de agentes). En su opinión, cualquier cosa que tuviera
que hacerse podría hacerse de manera más económica internamente que contratando a alguien de
afuera. Sesenta años después, ese periódico le ganaría un Premio Nobel de economía.
Pero si las empresas solo existen para reducir o eliminar los costos de transacción, ¿qué pasaría si la
tecnología como blockchain pudiera hacer esto de manera más efectiva? ¿La empresa como concepto
todavía necesitaría existir en su forma actual?

DOCUMENTO 8
Dejando de lado la naturaleza especulativa de las criptomonedas como Bitcoin, blockchain es una idea
profunda que probablemente cambiará la estructura de las empresas en el siglo XXI. Las cadenas de
bloques, blockchain, actúan como bases de datos distribuidas gigantes, que permiten a los compradores
y vendedores almacenar e intercambiar valor, y validar transacciones sin utilizar intermediarios.
Ethereum, por ejemplo, es una plataforma que ejecuta su propia blockchain y tiene un protocolo que
permite contratos inteligentes. Los contratos inteligentes son acuerdos escritos en código; podría
escribir uno que rija un contrato de alquiler para una casa o que especifique las regalías de una canción
o película, por ejemplo. Gaurang Torvekar, cofundador y director de tecnología de la firma de contratos
inteligentes Attores, y su prometida, Sayalee Kaluskar, incluso decidieron usar un contrato inteligente
para crear un acuerdo prenupcial que especificara, entre otras cosas, cuánto tiempo debería pasar la
pareja mirando The Walking Dead en relación con los episodios de Seinfeld.
En el futuro, algunas empresas pueden operar sin personas o ubicaciones. Serán "organizaciones
autónomas descentralizadas" basadas completamente en contratos inteligentes que reaccionan a los
datos y otros algoritmos. Incluso si no se suscribe a una visión tan radical de la empresa del mañana,
puede haber partes de su organización, tal vez incluso departamentos completos, que tienen el
potencial de ser automatizados o descentralizados.
¿Mi consejo? Si cree que existe la posibilidad de que los algoritmos puedan transformar su parte del
negocio, es siempre mejor hacer que suceda en lugar de esperar a ver como sucede.
RESUMEN
1 La era algorítmica es una era de "el ganador se lo lleva todo": los líderes que piensan en grande e
invierten en escala estarán en la mejor posición para el éxito continuo. No caigas en la trampa de dejar
que tu transformación digital se convierta en incrementalismo digital.
2 Las grandes ideas del pasado pueden impedirte explorar nuevas oportunidades. Diseñe su
organización para que sea lo suficientemente ágil como para mirar más allá de los éxitos pasados para
abarcar nuevas capacidades sin ser frenado por estructuras rígidas, jerarquías y flujos de trabajo.
3 La verdadera innovación algorítmica exige más que solo computación seria e inversión financiera;
Requiere datos interesantes. Los algoritmos son tan buenos como los datos en los que los entrena. Deje
que la búsqueda y el desarrollo de datos convincentes sean un motor central de sus planes estratégicos.
4 Las grandes organizaciones tienen una ventaja cuando se trata de datos si están dispuestas a
aprovecharla. Para hacerlo es necesario reunir los equipos y socios correctos e Identificar
sistemáticamente las partes de su negocio con el mayor potencial para la reinvención algorítmica.
5 Las tecnologías algorítmicas como la cadena de bloques, blockchain y los contratos inteligentes
desafían la estructura tradicional de las empresas y plantean la cuestión de si algunas de ellas existirán
en el futuro. El futuro de su empresa puede no ser una empresa en absoluto.
PREGUNTA
¿Qué es lo que hace su organización hoy que podría ejecutarse de manera autónoma en blockchain en
el futuro?


8 The Algorithmic Leader TRADUCCION

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

8 The Algorithmic Leader TRADUCCION

Загружено:

Авторское право:

Доступные форматы

DOCUMENTO 8

Mike Walsh.- CEO de

1 Tomado del libro The Algorithmic Leader

Para desarrollar el liderazgo algorítmico debemos conjugar 10 principios:

1. Trabajar desde el futuro, hacia atrás

TRABAJAR DESDE EL FUTURO, HACIA ATRÁS

Comience con algoritmos

2 Tomado del libro The Algorithmic Leader

Los pasos del algoritmo euclidiano se pueden enumerar como:

3 Tomado del libro The Algorithmic Leader

Comprenda por qué las máquinas se vuelven tan inteligentes

Conceptos como "inteligente" o "inteligencia" pueden ser engañosos si no se definen claramente. En su

4 Tomado del libro The Algorithmic Leader

5 Tomado del libro The Algorithmic Leader

Construya para sus futuros clientes

6 Tomado del libro The Algorithmic Leader

Aprende de tus hijos

7 Tomado del libro The Algorithmic Leader

8 Tomado del libro The Algorithmic Leader

Concéntrese en las experiencias, no en los dispositivos.

Aquí está la historia de cómo Steve Jobs lo engañó.

9 Tomado del libro The Algorithmic Leader

Como humanos, enfrentamos decisiones constantes. No solo lo

10 Tomado del libro The Algorithmic Leader

El reconocimiento facial, por ejemplo, se ha convertido rápidamente en la forma predeterminada en

11 Tomado del libro The Algorithmic Leader

En el lanzamiento, el director de Investigación de Inteligencia Aumentada de Google, Greg Corrado,

12 Tomado del libro The Algorithmic Leader

Un "empujón" es una estrategia empleada para cambiar el comportamiento de alguien, a veces

Nuestros dispositivos también pueden empujarnos a comportarnos de diferentes maneras. Muchos de

13 Tomado del libro The Algorithmic Leader

14 Tomado del libro The Algorithmic Leader

Apuntar a 10X, no al 10%

MASAYOSHI Hijo, CEO DE Softbank

Concéntrese en los múltiplos, no en los márgenes

Lo único peor que la falta de crecimiento es el costo de oportunidad de no crecer lo suficientemente

15 Tomado del libro The Algorithmic Leader

No permita que una gran idea lo detenga de una buena.

16 Tomado del libro The Algorithmic Leader

Aprenda a seguir los datos

17 Tomado del libro The Algorithmic Leader

18 Tomado del libro The Algorithmic Leader

Descubra el valor de su propio conocimiento

19 Tomado del libro The Algorithmic Leader

Imagine un futuro sin su empresa en él

20 Tomado del libro The Algorithmic Leader

21 Tomado del libro The Algorithmic Leader

Вам также может понравиться