Hoy entrevisté a Alex Jaimes, Managing Director de AI Agents y Search en JPMorgan. Antes fue Chief AI Officer de Dataminr, donde construyó el sistema que alertó de un brote tipo gripe en Wuhan en diciembre de 2019, y antes de eso hizo investigación en Bell Labs, Yahoo y Fuji Xerox.
Muchas de las soluciones de AI que reciben las grandes empresas vienen de startups que hace un año ni siquiera existían. Un demo demuestra que el producto puede funcionar una vez. Para venderle a una empresa como JPMorgan, hay que demostrar qué pasa cuando falla.
Le pregunté qué necesita ver para tomar en serio a un proveedor, cómo decide qué se compra y qué se construye, y si los corporativos van a terminar armando sus propios modelos en vez de comprarlos.
Estructura y Highlights Clave
Dos Meses de Guardabosques en el Darién
- Un programa del gobierno colombiano le dejaba elegir parque nacional; eligió el más remoto y de más difícil acceso
- Dos horas de electricidad al día, el hospital más cercano a varias horas en bote y a caballo, nubes de mosquitos que impedían estar afuera
- La comida llegaba por barco cada dos meses: plátano, arroz y papa, y la poca carne salada para que no se dañara
- Su única preparación fueron las pastillas de la malaria. Ninguna capacitación
- El error: se rapó la cabeza pensando que nadie lo vería en dos meses. En plena época de conflicto armado, eso podía hacer que lo confundieran con militar
- Lo que le dejó: apreciar una gaseosa, un vaso de agua. Y la costumbre de meterse en situaciones extremas por interés propio
Crecer entre Bogotá y Nueva York
- Su mamá vivía en Nueva York, así que viajaba con frecuencia entre los dos mundos
- La lección no fue el contraste material sino epistemológico: cuando ves algo distinto a tu contexto, dejas de creer que tu contexto es el único
- En esa época Colombia tenía protección económica y todo llegaba tarde o no llegaba: las películas seis meses después, cosas que simplemente no existían
- La creencia de fondo que él veía en la región: que por algún motivo somos inferiores
La Visa que le Negaron en la Ventanilla
- Lo aceptaron en Columbia, pero tenía que renovar la visa de estudiante en la embajada en Colombia
- La cónsul miró el pasaporte, le dijo que se había quedado más tiempo del permitido, le devolvió todo y llamó a la siguiente persona
- Él había pedido la extensión dentro del plazo, o sea que estaba en regla. Se negó a moverse de la ventanilla hasta que se la dieran
- El otro obstáculo: había que demostrar $30,000 al año y él no los tenía. Leyendo la letra chica, la regla pedía demostrar capacidad de pago, no tener el dinero
- Juntó cartas de familiares con evidencia de sus ahorros. Hasta su abuela le firmó una
- Las dos lecciones: leer los detalles, porque dentro de las reglas hay más espacio del que parece; y no aceptar el primer no
El Día que le Dijo que no a Yann LeCun
- Trabajando en Bell Labs, caminaba el edificio después de almorzar mirando las puertas de los investigadores
- Encontró la de LeCun, que trabajaba en visión por computador, el tema de su tesis. Tocó sin saber quién era: en esa época todavía no era la figura que es hoy
- LeCun le ofreció trabajar con él el verano siguiente. Pasaron meses sin noticias
- Su asesor le consiguió una oportunidad en Siemens y la aceptó. LeCun llamó ese mismo día con todo listo
- Dijo que no por haber dado ya su palabra. No se arrepiente: cambiar habría afectado la relación con su asesor
Los Miedos a la IA que Dejaron de Parecerle Exagerados
- Hasta hace poco le parecían exagerados, porque los sistemas estaban limitados a hacer una sola cosa
- Con agentes que se modifican y se salen de su caja, ahora ve más peligros de los que pensaba
- El problema de fondo: los agentes no entienden contexto cultural, no tienen valores ni normas sociales, y muchas veces tratan de romper todo eso
- El reto de los próximos años es lograr que hagan solamente aquello para lo que fueron diseñados, sabiendo que quien los diseña siempre olvida algo
Por Qué el SaaS no se Muere
- Dos lecturas para un fundador de SaaS: el agente destruye la caja, o la caja vale precisamente porque el agente es peligroso y conviene contenerlo
- Alex se inclina por la segunda
- Y una observación sobre el nombre: SaaS es servicio. Los agentes van a necesitar servicios; lo que cambia es que muchos serán consumidos por agentes en vez de humanos
Comprar o Construir
- El espacio cognitivo y de atención es limitado, y eso vale igual para una persona que para una organización
- La regla: lo que no es importante pero sí requerido, se compra. Lo estratégico se construye
- Los factores nunca son uno solo: si es estratégico, si tienes los datos, si tienes el talento, cuánto tarda cada camino, y el costo
- En industrias reguladas comprar puede tardar más que construir, por las pruebas de ciberseguridad
- El tamaño del proveedor importa: si algo falla, una empresa de dos personas puede no contestar
- “You can’t get fired for buying IBM” ya no aplica: hoy no se sabe si el proveedor sobrevive dos años, porque está aprendiendo mientras construye
Qué Tiene que Traer una Startup para que la Tomen en Serio
- Primero el checklist, que es igual para todos: ciberseguridad, certificaciones, el onboarding de proveedor
- Después, lo que de verdad decide: que resuelva un problema real y que entienda al cliente
- El consejo concreto: manden gente técnica a las reuniones. Si Alex hace una pregunta técnica y quien presenta no sabe responder, se nota
- Lo que compra con eso no es la demo, es la confianza de que el día que haya un problema se lo van a resolver
- La transparencia sobre qué es exactamente lo que está comprando es clave
Quién Responde Cuando el Agente se Equivoca
- Hay niveles de agencia y niveles de responsabilidad: recomendar una película mala no es consignar dinero en la cuenta equivocada
- Ya ha visto clientes pidiéndole a startups firmar contratos donde el proveedor se hace responsable si el agente causa una penalidad o los saca de compliance
- Y prevé aseguradoras cubriendo ese riesgo, lo que crea un ecosistema de guard rails que copia al sistema social
- En EE. UU. los lawsuits funcionan como auto-regulación: en vez de que el gobierno imponga las reglas, el riesgo de demanda fuerza el comportamiento
El Bufete que Va a Gastar $500M en su Propio Modelo
- Kirkland anunció $500M para construir modelos legales propios. En Silicon Valley muchos dijeron que era una locura
- Alex lo predijo en una charla hace más de dos años, y lo que le sorprende es que no haya pasado antes
- La lógica: los frontier models sirven a poblaciones enormes en muchas tareas. Si eres un bufete, no te interesa que el modelo pase el SAT
- El conocimiento para hacerlo es público; el talento es caro y escaso, pero con $500M se consigue
- Rechaza la idea de que solo tres o cuatro personas en el mundo saben hacer esto
- La forma de fallar: usar los $500M para contratar abogados en vez de perfiles técnicos
Cuándo Dejar las APIs Públicas
- Ve startups en serie B y C armando equipos de investigación propios para no depender de los modelos
- A cierta escala, pagar por tokens deja de tener sentido económico, aunque los precios hayan bajado mucho y sigan bajando
- Casi nunca se construye desde cero: se toma un modelo open source y se adapta con datos propios
- Eso gana en tres frentes a la vez, porque el modelo resultante es más pequeño: accuracy, latencia y costo
- Al empezar nada de esto importa: el volumen es bajo, la velocidad no apremia y todavía estás buscando el producto
- Es la estrategia que publicó estando en Dataminr hace más de tres años, y sigue creyendo que es la correcta
Por Qué las Empresas Tradicionales no Arrancan
- No es solo el costo del compute y los experimentos: es contratar a la gente
- La mayoría no tiene quien entienda el área, así que no saben ni por dónde empezar ni cómo formar un equipo
- Si eso no se entiende a nivel ejecutivo y de board, no se toma la decisión de invertir
- El patrón triste: contratan un Chief AI Officer, dura un año o dos, ve que la empresa no está lista y se va
- Y una diferencia de fondo con el software tradicional: ahí decides y mides si funcionó. En IA hay que experimentar, y siempre existe la probabilidad de que no funcione
El Miedo al Open Source
- Es bastante, y buena parte es geopolítico: los modelos abiertos que funcionan bien vienen de China
- Técnicamente el argumento es débil: una vez tienes el modelo y lo adaptas, tú lo controlas
- Y el argumento se devuelve: con un modelo cerrado tampoco sabes qué datos entraron en el entrenamiento, ni tienes garantía de la empresa
- Históricamente el open source ha sido más seguro porque hay una comunidad mirándolo. Un modelo abierto lo descargan miles de personas en cinco días; un contrato de venta va uno por uno
La Luna de Miel de los Tokens
- La fase actual es gastar sin mirar la tarjeta de crédito: usar todo para ver qué pega, como tirar espagueti a la pared
- Después llegan las cuentas, y ahí empieza la conversación distinta
- El problema real no es gastar, es medir: saber cuándo el uso está teniendo impacto y cuándo no
- Lo concreto se mide en tickets. Lo difícil son las tareas cotidianas donde el impacto es enorme pero cuantificarlo cuesta
- Sobre qué porcentaje del presupuesto serán los tokens en cinco años, lo pondría en la categoría de cloud y operaciones, no en la de software
La Alerta de COVID, en Diciembre de 2019
- La plataforma de Dataminr genera miles de alertas al día; se usa en salas de control de gobiernos y grandes empresas
- Ninguna alerta aislada dice lo que está pasando: se acumulan hasta que se ve que el evento es más grande
- Cuando empezó a cerrar todo, él ya estaba muy informado. En una conferencia en Aspen esquió todos los días sabiendo que sería la última
- Le dijo a un argentino que había vendido todo para montar una tienda en el village de ski que le quedaban ocho días y que necesitaba un plan B
Cómo se Gana y se Pierde la Confianza en un Sistema
- En alertas de emergencia el accuracy es crítico, porque llegan a bomberos, policía y equipos de rescate
- La clave no fue no equivocarse nunca, sino mandar la corrección lo antes posible cuando había un error
- La confianza se rompe muy fácil: si una calculadora te da un número malo una vez, ya no la usas para nada importante
- Y hay doble estándar. A los autos autónomos les exigimos ser mejores que los humanos, aunque las estadísticas digan que ya cometen menos errores
El Camino a la Frontera
- Primero definir cuál es tu frontera: construir aplicaciones, trabajar en un laboratorio, o transformar una industria tradicional son fronteras distintas
- Entender qué hacen los modelos y empaparse de ellos. No se puede nadar sin mojarse
- Construir y experimentar, no solo leer: la mayor parte del éxito depende de las pruebas
- La idea siempre es bonita. Solo al construirla ves dónde falla, y casi siempre falla donde no lo esperabas
Glosario Silicon Valley
| Término | Qué significa | Contexto en el episodio |
|---|---|---|
| Agente | Sistema que ejecuta tareas con cierta autonomía, no solo responde | Su nivel de autonomía define cuánta responsabilidad hay en juego |
| Frontier model | Los modelos grandes de propósito general | Diseñados para poblaciones enormes, no para el caso de una empresa |
| Comprar vs. construir | Adquirir una solución o desarrollarla adentro | Se compra lo requerido, se construye lo estratégico |
| Guard rails | Los límites que impiden que un sistema se salga de lo diseñado | Lo primero que pregunta un banco antes de dejar pasar un agente |
| Accountability | Quién responde cuando el sistema se equivoca | En agentes todavía no está resuelto, y por eso frena la adopción |
| Fine-tuning | Adaptar un modelo existente con datos propios | La alternativa a entrenar desde cero, y a quedarse en la API pública |
| Public API | Consumir un modelo de terceros pagando por tokens | Cómodo al principio, caro cuando el volumen crece |
| Compliance | Cumplir la regulación de la industria | En banca condiciona qué proveedor se puede siquiera evaluar |
Personas, Empresas y Referencias
Personas Mencionadas
- Alex Jaimes: Managing Director de AI Agents y Search en JPMorgan
- Yann LeCun: lo encontró tocando la puerta de su oficina en Bell Labs; le ofreció trabajo y Alex terminó diciéndole que no
- José Tiberio Hernández: su primer asesor en la Universidad de los Andes, a quien señala como la persona que le mostró que existía el mundo de la investigación
- Su asesor de doctorado en Columbia: taiwanés, criticaba todo lo que hacía y le subía la barra
- Su abuela: firmó una de las cartas que le permitieron demostrar los $30,000 para estudiar en Columbia
- Enzo Cavalie: host del podcast
Empresas y Organizaciones
- JPMorgan: donde dirige AI Agents y Search
- Dataminr: donde fue Chief AI Officer y construyó el sistema de alertas
- Bell Labs: el laboratorio de los premios Nobel donde coincidió con LeCun
- Yahoo, IBM Research, Microsoft Research: los laboratorios que concentraban la investigación hace 15 o 20 años
- Fuji Xerox: tres años en Japón antes de todo lo demás
- Siemens: la oferta que aceptó el mismo día que llamó LeCun
- Columbia: la maestría para la que casi no consigue la visa
- Universidad de los Andes: donde conoció la investigación
- Kirkland: el bufete que anunció $500M para construir sus propios modelos legales
- Uber y Microsoft: citados como casos de empresas que anunciaron límites al consumo de tokens
Datos y Referencias
- Diciembre de 2019: la alerta de Dataminr sobre un brote tipo gripe en Wuhan
- $500 millones: la apuesta de Kirkland en modelos legales propios
- $30,000 al año: lo que tenía que demostrar para estudiar en Columbia
- 2 horas de electricidad al día: la vida en el parque del Darién
- De $2 millones a cientos de millones: el salto de gasto en pocos meses del que habla la conversación
- Serie B y C: la etapa en la que él ve a startups armando equipos de investigación propios
Descubre Más del Podcast Startupeable
Escucha todos los episodios en startupeable.com/podcast.
Suscríbete a la newsletter para enterarte cuando salga uno nuevo.
Sigue a Enzo Cavalie en X: @enzocavalie.