Escucha el podcast: «Building AI: De la visión a la ejecución» | Una conversación con Artefact Ardian

 

En el cambiante panorama del capital riesgo, el debate ha ido mucho más allá de la simple ingeniería financiera. Hoy en día, la creación de valor depende cada vez más de la capacidad de una empresa para aprovechar data. En la segunda edición de la conferencia AI Alternative Investment» (AI AI), Arthur Garnier, del equipo Data de Ardian, se reunió con Elina Ashkinazi-Ildis, socia de Artefact, para analizar el camino que lleva AI teórico AI a la excelencia operativa tangible.

Su conversación pone de manifiesto una verdad fundamental: aunque AI generativa AI GenAI) es el catalizador «atractivo» que atrae a todo el mundo, los verdaderos ganadores son aquellos que han dedicado años a realizar la labor poco glamurosa de construir data sólidas.

Data y data No es un tema atractivo, es menos emocionante. Pero ahora, con AI generativa, el hecho de que se puedan crear casos de uso increíbles y obtener resultados alucinantes… de repente despierta el interés de la gente. Se preguntan: “¿Qué puedo hacer yo mismo para aprovechar todo el potencial de AI?”. Y, a menudo, la respuesta es: en primer lugar, hay que poner en común data », afirma Arthur Garnier, Data sénior de Ardian.

La pirámide de cuatro niveles AI

Artefact, una antigua Compañia de la cartera de Ardian Expansion, lleva una década perfeccionando su enfoque de la transformación digital. Según Elina, el éxito AI no radica en la tecnología en sí, sino en una pirámide de cuatro niveles que garantiza la sostenibilidad:

  • El nivel de los casos de uso: «¿A qué nos dedicamos?». Este es el punto de partida. Antes de escribir una sola línea de código, las empresas deben identificar en qué dedican su tiempo los equipos y qué problemas, de resolverse, marcarían la diferencia en las ventas y los márgenes.
  • El modelo operativo: ¿Cómo se conecta a los profesionales de la inversión con data ? El éxito requiere un marco en el que estos dos mundos puedan colaborar de manera eficiente.
  • Infraestructura y gobernanza: esta es la «sala de máquinas». Sin data limpios, estructurados y accesibles, incluso los algoritmos más avanzados fracasarán
  • Gestión del cambio: aquí es donde entra en juego el factor humano. Implica modificar procesos, impartir formación, cambiar mentalidades y garantizar que la organización esté preparada para evolucionar al ritmo de la tecnología.

GAIA: Un caso práctico sobre agilidad estratégica

Uno de los temas centrales del debate fue GAIA, AI interna AI generativa de Ardian. GAIA representa un término medio estratégico en el debate entre «desarrollar o comprar». El consejo de Elina es pragmático: «Si hay una solución en el mercado que responde a todas tus necesidades y se ajusta al presupuesto… no la desarrolles. Simplemente cómprala».

Sin embargo, Ardian decidió desarrollar GAIA porque le permitía mantener un control absoluto sobre su inteligencia interna. Arthur señala que, cuando una Compañia el 95 % del trabajo pesado para limpiar, organizar y hacerse dueña de sus data, el 5 % restante —la integración de esos data una AI personalizada— es el siguiente paso lógico y decisivo. Al crear una capa personalizada sobre tecnologías de socios como Microsoft, OpenAI, Mistral y otras, Ardian logró varios objetivos clave:

  • Agilidad tecnológica: se mantienen «agnósticos», es decir, son capaces de sustituir un modelo de lenguaje grande (LLM) por otro más nuevo y mejor sin tener que reconstruir todo el sistema.
  • Innovación de abajo arriba: muchas de las funciones de GAIA no surgieron en una sala de juntas, sino en un hackatón interno, como el «Ardian Startup Studio», y en presentaciones internas en las que los empleados identificaron sus propias necesidades.
  • Data : el 95 % del trabajo en AI depurar y controlar los data internos. Una vez hecho esto, la implementación final se convierte en un activo propio en lugar de un servicio contratado.

La necesidad imperiosa de «reingeniería de procesos»

Quizás la idea más reveladora de la conversación fue el lema de Elina: «Reestructuremos los procesos». Aplicar AI un proceso defectuoso o desorganizado es como poner un motor más potente en un coche con ruedas cuadradas. Elina compara enseñar a un AI con enseñar a un niño pequeño a cruzar la calle. No se le pueden dar un millón de variables y «atajos». Hay que simplificar el proceso en pasos binarios y precisos:

Luz roja: Detente. * Luz verde: Mira a ambos lados y luego cruza.

«La tecnología va a ser solo una pequeña parte… es la primera parte [la simplificación de los procesos] la que va a resultar realmente complicada para cualquier sector», explica Elina Ashkinazi-Ildis

Para una empresa de capital riesgo como Ardian, esto implica analizar las empresas de su cartera —desde las nativas digitales hasta las dedicadas a la fabricación «pura y dura»— y ayudarlas a eliminar los flujos de trabajo heredados ineficientes antes AI incorporar AI .

Acortar distancias: de los silos técnicos al impacto empresarial

El tema central de la AI Ardian AI AI quedó claro: la era del data «aislado» ha llegado a su fin. Arthur hizo hincapié en que, para AI tenga un impacto real, data debe integrarse en las unidades de negocio.

Cuando los equipos técnicos trabajan de forma aislada, crean paneles de control que nadie utiliza. Cuando colaboran con los equipos de inversión, incorporando comentarios en tiempo real y contando con la participación de «embajadores» de toda la empresa, crean herramientas como GAIA que transforman radicalmente Compañia .

A medida que el sector del capital riesgo sigue evolucionando, la función del inversor ya no se limita a aportar capital, sino que consiste en proporcionar una hoja de ruta tecnológica que garantice que las empresas de su cartera no solo sobrevivan a la AI , sino que la aprovechen para alcanzar nuevas cotas de eficiencia.

Escucha el podcast: «Building AI: De la visión a la ejecución» | Una conversación con Artefact Ardian