Comienza el descenso

El reconocido Hype Cycle for Artificial Intelligence1, desarrollado por Gartner, es una herramienta clave para entender la evolución de las tecnologías emergentes. Este ciclo describe cómo una tecnología pasa del entusiasmo inicial al desengaño, antes de alcanzar una adopción generalizada. En su edición 2024, el ciclo refleja cómo la IA generativa ha transitado del “Pico de Expectativas Infladas” al temido “Valle de la Desilusión”. En esta etapa es donde se hace evidentes las limitaciones de la tecnología, desafíos éticos, conflictos de derechos de autor, problemas de precisión y dificultades en la implementación práctica.

Los medios y el marketing contribuyeron a exagerar el potencial de la IA generativa, posicionándola como una solución casi mágica. Pasto para pseudo influencers hambrientos de algo novedoso con que llenar sus canales llenos de miniaturas llamativas y contenido sin verificar. Casos como el del “primer abogado robot”, que terminó con una multa de la FTC por publicidad engañosa2, son ejemplos claros de cómo las expectativas se desbordaron. Ahora, muchas empresas enfrentan una pregunta incómoda: ¿realmente vale la pena la inversión?

Vivir en el valle

Entrenar modelos de IA requiere grandes cantidades de datos, pero obtener datos reales puede ser caro, complicado o incluso ilegal en algunos casos debido a regulaciones de privacidad. Aquí es donde entran los datos sintéticos, información generada artificialmente para imitar datos reales. Gartner predice que, para 2026, el 75% de las empresas utilizarán datos sintéticos para entrenar sus modelos, comparado con menos del 5% en 20233. Esto es especialmente útil para sectores como la salud o las finanzas, donde los datos reales son sensibles y difíciles de compartir.

Antes, solo las grandes empresas podían acceder a la tecnología más avanzada. Ahora, gracias a plataformas como OpenAI, AWS y Google Cloud, las pequeñas y medianas empresas también pueden aprovechar la IA generativa usando un acceso API a un costo razonable. Estas plataformas ofrecen herramientas accesibles, lo que permite a las startups desarrollar productos específicos utilizando infraestructura y modelos ya existentes. Sin embargo, esta democratización en el acceso también significa que habrá más competidores en el mercado, lo que podría generar una saturación de soluciones similares. Las empresas deben diferenciarse ofreciendo valor único, como facilidad de uso, personalización o integraciones con otras herramientas.

La tendencia hacia modelos de inteligencia artificial generativa diseñados específicamente para industrias o funciones empresariales es un cambio importante. Actualmente, la mayoría de los modelos de IA generativa son generalistas (por ejemplo ChatGPT o Claude), lo que significa que se entrenan para manejar una variedad de tareas sin un enfoque particular. Esto los hace flexibles, pero no siempre óptimos para aplicaciones específicas. Gartner predice que, para 2027, más del 50% de los modelos de IA generativa utilizados por las empresas serán específicos para industrias, un gran salto desde el 1% en 2023. Esto significa que las organizaciones tendrán que invertir en la adaptación de los modelos a sus propias necesidades, lo que también generará oportunidades para consultoras y startups que se especialicen en esta personalización.

La inteligencia artificial multimodal, que permite a los modelos procesar texto, imágenes y audio de manera simultánea, está ganando impulso. Un ejemplo es el uso de modelos multimodales en el diagnóstico médico. Estos modelos pueden combinar análisis de texto (historial médico del paciente), imágenes (radiografías o resonancias magnéticas) y audio (grabaciones de consultas) para ofrecer diagnósticos más completos y precisos. Sin embargo, esta tecnología también presenta desafíos técnicos significativos. La integración de múltiples tipos de datos requiere modelos más complejos y potentes, lo que puede aumentar los costos de desarrollo e implementación. Además, el uso de datos tan variados plantea preocupaciones adicionales sobre privacidad y seguridad.

La expansión de la IA generativa no está exenta de riesgos. Los modelos pueden perpetuar sesgos existentes, generar desinformación o ser utilizados de manera indebida, como en campañas de desinformación o fraudes financieros. La gobernanza y la ética son ahora prioridades obligatorias para las empresas que implementan esta tecnología. Por ejemplo, los sesgos en los modelos de contratación basados en IA podrían llevar a decisiones discriminatorias, lo que no solo daña la reputación de las empresas, sino que también las expone a problemas legales. La gobernanza ética debe incluir auditorías periódicas para identificar y mitigar sesgos, transparencia en el desarrollo y uso de los modelos y capacitación en ética tecnológica para los equipos responsables de la IA.

Cuidado con el hype

Es fundamental no dejarse llevar por informaciones sensacionalistas que exageran las capacidades de la IA generativa4. No todas las empresas requieren necesariamente la implementación de la inteligencia artificial generativa más avanzada. A menudo, debido al miedo a quedar rezagadas frente a la competencia (también conocido como Síndrome FOMO5), las organizaciones pueden tomar decisiones apresuradas sin una evaluación exhaustiva de la verdadera necesidad. Antes de destinar recursos significativos, es esencial preguntarse cuál es el propósito específico de la implementación: ¿se busca mejorar la eficiencia operativa, fomentar la creatividad o automatizar procesos? Si el objetivo está claramente definido, resulta lógico invertir en la capacitación del personal o en la asesoría de expertos en inteligencia artificial, especialmente antes de realizar cambios en procesos críticos.

Finalmente, es importante que cualquier implementación de inteligencia artificial generativa o predictiva cumpla con estándares éticos rigurosos y garantice la seguridad y bienestar tanto de tu marca como de tus clientes. Esto incluye asegurarse de que los modelos no perpetúen sesgos, de que los datos utilizados estén protegidos según las regulaciones de privacidad, y de que la tecnología sea utilizada de manera responsable. Un error en esta área no solo podría dañar la reputación de la empresa, sino también tener implicaciones legales significativas, afectando tanto la confianza de los clientes como la estabilidad operativa.

En un modelo basado en generar tráfico para vender banners, cualquier truco es bueno para generar clics, y aquí es donde los medios caen en errores comunes. Con la llegada de la inteligencia artificial generativa, es bastante usual encontrar notas donde se le atribuyen capacidades extraordinarias sin evidencia que lo sustente, textos alarmistas acerca de cómo la IA es un peligro fuera de control o de cómo supera a los humanos sin considerar el contexto de uso.

Estos sesgos son conocidos y se pueden evitar. Sayash Kapoor y Arvind Narayanan2 identificaron 18 claras situaciones en las cuales los medios informan de manera incorrecta acerca de la inteligencia artificial y cómo pueden ayudar a corregir el problema. Agrego notas en cursiva:

1. Atribuir inteligencia independiente a la inteligencia artificial. Describir sistemas de IA como si actuaran independientemente de la supervisión humana es incorrecto.

   • Un artículo que describe a un chatbot diciendo que puede “resolver cualquier problema de atención al cliente sin intervención humana” cuando aún necesita supervisión para manejar casos complejos.

2. Imaginería sugestiva. Utilizar imágenes de robots humanoides para ilustrar artículos sobre IA que no tratan sobre robots físicos.

   • Porque nada dice “inteligencia artificial” mejor que la imagen de un robot humanoide ilustrando una nota.

3. Comparación con la inteligencia humana. Implicar que los algoritmos de IA aprenden de manera similar a los humanos.

   • Esto es incorrecto ya que la IA aprende a través de datos preetiquetados y ajustes matemáticos, no mediante la experiencia y el desarrollo cognitivo como los humanos.

4. Comparación con habilidades humanas. Comparar cómo las herramientas de IA realizan tareas específicas en comparación con los humanos, ignorando que estas funcionan solo en situaciones especificas.

   • Es incorrecto decir que “una IA puede diagnosticar enfermedades mejor que un médico” sin mencionar que la IA solo puede hacerlo en un conjunto muy específico de condiciones.

5. Hipérbole. Describir sistemas de IA como revolucionarios sin evidencia concreta de su desempeño.

   • Describir una nueva IA como “la próxima revolución en tecnología que cambiará el mundo” sin proporcionar evidencia concreta de su efectividad o impacto.

6. Comparación no crítica con transformaciones históricas. Comparar herramientas de IA con grandes transformaciones históricas sin evidencia sustancial.

   • La Revolución Industrial transformó todos los aspectos de la vida económica y social, mientras que los impactos de la IA aún están en desarrollo y son limitados a ciertas áreas.

7. Reclamos no justificados sobre el progreso futuro. Especular sobre cómo las herramientas de IA afectarán una industria en el futuro sin evidencia.

   • Especular que “la IA reemplazará a todos los trabajadores en la industria del transporte en los próximos cinco años” sin datos que lo respalden.

8. Reclamos falsos sobre el progreso. Incluir afirmaciones falsas sobre lo que una herramienta de IA puede hacer.

   • Por ejemplo afirmar que “una IA puede traducir cualquier idioma con precisión perfecta” cuando los errores de traducción aún son comunes.

9. Reclamos incorrectos sobre lo que informa un estudio. Citar estudios académicos que no respaldan las afirmaciones hechas en el artículo.

   • Los estudios de IA suelen ser específicos y no generalizables a todas las capacidades humanas.

10. Términos profundos para acciones banales. Usar frases que impliquen que la herramienta de IA está realizando algo extraordinario cuando no es el caso.

    • Muchos procesos de inteligencia artificial son avanzados, pero describirlos con lenguaje grandilocuente puede ser engañoso.

11. Tratar a los portavoces de empresas y a los investigadores como partes neutrales. Cuando un artículo presenta principalmente o solo citas de estos actores, sin un contexto equilibrado.

    • Cuidado con los artículos que solo citan a ejecutivos de una empresa de inteligencia artificial sin incluir opiniones de expertos independientes. Es necesaria una visión equilibrada.

12. Repetir o reutilizar términos y declaraciones de relaciones públicas. Usar términos de relaciones publicas sin describir cómo funcionan realmente las herramientas de inteligencia artificial.

    • Usar frases como “revolucionario” o “transformará la industria para siempre” sin explicar cómo la tecnología realmente genera un impacto.

13. No discutir las limitaciones potenciales. Omitir discusiones sobre las limitaciones, sesgos o uso potencial de las herramientas de inteligencia artificial.

    • Hablar solo de los beneficios de una nueva IA sin mencionar posibles sesgos, fallos o riesgos de privacidad es un problema común.

14. Desestimar limitaciones. Incluso si se discuten, a menudo se minimizan o se colocan hacia el final del artículo.

    • Las limitaciones y riesgos de la IA deberían ser una parte central del análisis, no una nota al pie.

15. Limitaciones enmarcadas en un contexto de "escépticos". Posicionar a los expertos que explican las limitaciones como escépticos que no ven el verdadero potencial de la inteligencia artificial.

    • Los críticos a menudo tienen puntos válidos sobre los riesgos y limitaciones que deberían ser considerados.

16. Menospreciar el trabajo humano. No reconocer el trabajo humano necesario para construir y mantener sistemas de inteligencia artificial.

    • Desarrollar y mantener esos sistemas requiere un equipo de ingenieros, científicos de datos y especialistas en diversas áreas trabajando para asegurarse de que todo funcione correctamente. Es un proceso complejo que depende en gran medida del esfuerzo humano.

17. Números de desempeño reportados sin estimación de incertidumbre o advertencias. Presentar números como "90% de precisión" sin explicar bajo qué condiciones se calculan.

    • Presentar números de desempeño sin estimaciones de incertidumbre o advertencias puede ser engaños.

18. La falacia de la inescrutabilidad. Referirse a las herramientas de IA como cajas negras inescrutables, lo que puede permitir a los desarrolladores eludir la responsabilidad3.

    • Las decisiones de las inteligencias artificiales pueden ser explicadas y auditadas, y es crucial hacerlo para asegurar la responsabilidad y transparencia.

Para informar de manera efectiva y precisa sobre inteligencia artificial es fundamental evitar errores básicos que pueden llevar a malentendidos, se deben evitar especulaciones no justificadas y afirmaciones falsas sobre las capacidades de la tecnología. Es una gran oportunidad de acercar esta tecnología a las personas de manera responsable y realista.

0

Todo esto ha pasado antes y volverá a pasar.

1

La cultura hacker es meritocracia. El respeto se gana por el código que funciona. El hacker, el verdadero, no tolera al tonto, no pierde el tiempo. Busca los proyectos interesantes, busca el reto intelectual. Se queda hasta tarde porque quiere las cosas funcionando, su ética lo obliga, su curiosidad lo impulsa.

No asiste a cada evento posible. ¿Por qué debo ir si mi código me da retos interesantes? ¿Por qué debo escuchar consejos de gente que no crea interfaces? ¿Qué hago en este proyecto sin dirección? ¿Por qué tengo que llevar corbata, carajo?!

El término hacker está devaluándose. Tantos hackers y tan pocos ejemplos de hacking. El hacker es. El hacker no es solo programador, también diseña, también analiza. El mapa no es el territorio. El hacker piensa en soluciones.

No es un payaso.

2

Jugadores de clase B no contratan jugadores de clase A. No buscan la calidad, buscan su permanencia, el cheque al final del mes. Nunca contratarán a alguien con mejores habilidades. Este fenómeno resalta cuando el jugador de clase B asciende en la escala corporativa. Se vuelve un jefe de clase B que contrata jugadores de clase C. El principio de Dilbert es una mentira, las cosas empeoran.

La explosión de payasos comienza.

Cuando los payasos abundan, el talento se va. Recuerde, los jugadores de clase A quieren jugar con jugadores de clase A. El dinero no los va a retener. Esta es una realidad empresarial.

¿Cómo contratan gente en tu empresa? ¿Los programadores hacen una prueba de código? ¿Se puede ser jefe de desarrollo sin saber programar? ¿El diseñador entiende el negocio para el que diseña?

¿Qué vas a medir, practicante imberbe, con Google Analytics?

La explosión de payasos arrasa.

4

Diseño sin método es jugar al artista. Programación sin especificaciones es una mentira cruel. Proyecto sin conocer al usuario es una fantasía.

La explosión de los payasos avanza, gerencia a gerencia.

5

- ¿Cuál es el estado del proyecto?
- Mira el cuadro Gantt.

Es tarde, la explosión ya ocurrió.

- ¿Cuál es el estado del proyecto?
- Estamos probando el prototipo para saber el verdadero estado.

La fumigación de payasos inicia.

- ¿Cuál es el estado del proyecto?
- La aplicación funciona, tenemos las pruebas.

Los payasos no pasarán.

6

Cuando las empresas no apuestan por el talento, implosionan. ¿De dónde van a venir las buenas ideas? Los payasos no son creativos por naturaleza. Recuerde, buscan su permanencia, no la calidad. Este peso improductivo cuesta dinero. Traer gente talentosa no es para que esté tranquila. El jugador de clase A quiere la valla alta. También necesita libertad para experimentar y contar con la confianza para arriesgar.

No es solo el conocimiento, es la actitud. Contrate pensando en eso.

7

En estructuras corporativas, las excusas en forma de cadenas de email son comunes. Pero el problema sigue allí.

El jugador de clase A soluciona. El hacker no tiene el corazón quieto. Discutan ustedes, aquí estamos subiendo las correcciones.

8

No me importa que funcione en tu máquina, no estamos vendiendo tu maldita máquina. Comprender el negocio es clave. Los de clase A entienden, los de clase B se excusan. Recuerde, la actitud es la clave. Los de clase A modifican su entorno laboral para el progreso.

9

Diseño, por lo tanto existo.
Programo, por lo tanto soy.
Soluciono, eres de clase A.

Suscríbete ahora

Desde hace unos meses, con la disponibilidad pública de GPT-3 en forma de chat, se ha demostrado la utilidad de la inteligencia artificial para el SEO actual. La IA es perfectamente capaz de ayudar en la generación de contenido, investigación de palabras clave y análisis de la competencia.

Sin embargo, el anuncio de Microsoft va más allá. Ofrece la visión de un copiloto inteligente integrado en el buscador que genera contenido personalizado para responder a las consultas. Esto cambia todo.

La búsqueda no solo devolverá una lista de páginas, sino que también proporcionará una nueva respuesta. Actualmente, Google ofrece algo similar con sus resultados enriquecidos, pero requieren que los creadores de los sitios web marquen el código para resaltar este contenido.

Bing ofrece algo completamente diferente: un resultado generado por una inteligencia artificial que extrae información de diferentes páginas, la resume y crea nuevo contenido para satisfacer la intención de la búsqueda.

El usuario encuentra valor en la respuesta en el buscador y no necesita acceder al sitio web. En este nuevo contexto, aparecer en los primeros 10 resultados ya no es el diferencial. Además, los sitios web se convertirán en simples insumos para el resultado devuelto. Menos aún cuando tienen páginas plagadas de banners, avisos de cookies, notas mal diseñadas para posicionar y anuncios pasivo/agresivos de "por favor, suscríbete".

Los retadores

Actualmente, Bing está en fase de pruebas para algunos usuarios, pero en unas semanas se abrirá la integración con GPT-3 al público. Además, la compañía ha anunciado su intención de integrar estas funcionalidades en otros productos, lo que puede impulsar el uso de su buscador.

Por otro lado, Google ha presentado su propuesta de inteligencia artificial con BARD, pero aún no se conocen detalles sobre su integración en el buscador. Sin embargo, dada la gran cantidad de búsquedas que gestiona, su influencia será significativa.

You y Neeva son dos ejemplos de buscadores que han adoptado la inteligencia artificial en sus resultados de búsqueda. Aunque su cuota de mercado es menor que la de sus competidores, estos buscadores nos ofrecen una visión de las posibilidades que existen en el futuro de la búsqueda con IA.

El nuevo contexto para el SEO

A diferencia de ChatGPT-3, que tiene un conocimiento limitado hasta 2021, la integración de esta inteligencia artificial con Bing plantea el reto técnico importante de mantener su índice actualizado en tiempo real. Esto puede requerir tiempo y puede ser un desafío para los sitios web que quieran posicionarse en el nuevo entorno de búsqueda.

Además, la creación de contenido por parte del buscador podría ser un obstáculo para los resultados orgánicos, ya que el contenido creado por defecto ocuparía la primera posición en los resultados de búsqueda. Esto plantea la pregunta de cómo competir con el propio buscador.

En mi opinión, la influencia de la inteligencia artificial en los buscadores será amplia y emocionante. Es imposible predecir el impacto que tendrá en el SEO, ya que se trata de un cambio completamente radical e inesperado. Será necesario adaptarse rápidamente a estas nuevas prácticas.

En definitiva, la inteligencia artificial tendrá un impacto significativo en el posicionamiento en los buscadores tal como lo conocemos actualmente.

Construir un producto genial y pensar que los clientes vendrán solos es un pecado mortal que puede acabar con todo. Es necesario un método para hacerlo crecer atrayendo nuevos usuarios, manteniendolos activos, motivandolos para volver y que recomienden la buena experiencia para atraer nuevos usuarios.

Los autores proponen romper los silos burocraticos con equipos multidisciplinarios, compuestos por analistas, diseño, desarrolladores, marketing y producto. Estos equipos exploran ideas para generar crecimiento, priorizar las más prometedoras, implementarlas rápidamente, luego con data obtienen conocimiento del cliente, evaluan los resultados y volver a empezar, en un ciclo continuo de experimentación y mejora.

El libro explica el paso a paso para implementar el método y consideraciones importantes. Esto requiere un cambio importante en el funcionamiento de una empresa, hace necesaria una coordinanción transversal y ágil para poder obtener resultados importantes. Rompe completamente con el modelo tradicional, ya saben, una cosa es leerlo y otra hacerlo.

Un lectura necesaria para todos los que se dedican al producto digital.

Habia leido antes a Scott Adams y por eso me llamo la atención este libro. Al autor tiene ideas interesantes sobre como pensar y trabajar, además siendo el creador de Dilbert habia que darle una oportunidad.

El libro explora varias ideas para evitar la carcel mental que nos encierra en nuestros sesgos y nos impide pensar de manera productiva, esto es lo que el autor llama el loserthink.

Usando como ejemplo como piensan personas de diferentes profesiones. nos recuerda constantemente que el sentido común no es el más común de los sentidos. Revisas algunos casos personales en el social media y el contexto politico del tiempo en que se escribio el libro y como estas estrategias le ayudaron a no caer en las burbujas tendenciosas.

Esto va bien en las primeras páginas, pero luego vuelve a usar los mismos ejemplos y se torna aburrido. El libro pudo haber sido la mitad de páginas y cumplia su cometido con tranquilidad.

Es una buena manera de entender el loserthink y evitar pensar de manera improductiva, al estilo Scott Adams.

Los autores del libro son los creadores del venerable Basecamp, una web app para gestionar proyectos digitales y comunicación de equipo, creado en 2004. Así que la experiencia volcada en este libro está garantizada.

Remoto: no se requiere oficina tiene ya varios años de haberse publicado , pero aún así los conceptos e ideas que ofrece sobre cómo convivir y gestionar el trabajo remoto permanecen vigentes y se refuerzan en el contexto actual de pandemia. Exponen varias ideas clave sobre las posibilidades de teletrabajar no solo desde casa, sino desde cualquier sitio.

Aquí también resuelven uno de los principales temores para pasar a modo teletrabajo: Sí, las personas trabajan si no las vigilan. Los autores defienden la idea que incluso se mejora la calidad: si no hay avance en el trabajo, se va a notar. El progreso es la medida que importa. Otras ventajas también son revisadas, como la posibilidad de reclutar talento más allá del area local y promover la calidad de vida de los trabajadores.

Este forma de trabajar también trae retos adicionales. ¿El trabajo debe estar atado a un horario fijo? ¿Está preparado el equipo para mantener un ritmo de trabajo asincrónico? ¿Qué dice la legislación sobre el teletrabajo en tu país?

Mucho del trabajo tiene que ver con la confianza, así que estar muy disponible es importante también, responder dentro de los plazos y mantenerse comunicado es esencial para mantener el ritmo de trabajo.

A veces el libro regresa a las mismas ideas, siendo un poco repetitivo. Por otro lado, una versión actualizada a nuestro contexto actual y herramientas nuevas sería bienvenido y necesario. Aún así es buen punto de partida para entender y gestionar el teletrabajo.

"Nuestra reacción instintiva ante un «exceso de información» consiste en abordarla de forma selectiva. Así, elegimos las partes que nos gustan e ignoramos el resto, y convertimos en aliados a quienes han hecho las mismas elecciones que nosotros y en enemigos a los demás."

Nate Silver.
Estadístico y escritor estadounidense en La señal y el ruido.

En esta ocasión hablamos del proceso del producto digital, el contexto y las restricciones en que desenvuelve. Ponemos en claro que la agilidad no solo es para programadores.

Basado en el método Kanban, se habla de la gestión basada en la evidencia y las prácticas generales. Visualizar a través de un tablero kanban, limitar el trabajo en progreso, gestionar el flujo, políticas explicitas y mejora continua. Dejo una lectura adicional: Essential Kanban.

Por temas de técnicos comienza con solo audio, pero luego se soluciona.

En esta edición participare dictando un workshop sobre el proceso del producto digital. Luego actualizare con algunas cosas interesantes del evento, el hashtag es #mediaparty.

Concepto básico

Para simplificar el problema, comencemos con un concepto: diremos que técnicamente un podcast es una colección de archivos de audio, que requiere una herramienta de audio digital que nos ayude a avisarnos de la existencia de nuevos episodios apenas se publiquen y así escucharlos usando un reproductor de audio. Esta herramienta de audio podría ser una aplicación (p.e. Google Podcast) o una plataforma web (digamos RPP Player).

Este concepto es debatible y ampliable, pero lo usaremos para explicar la medición de audio digital actual.

Medir en la plataforma

Para demostrar el problema, tomemos como ejemplo el concepto de "play". Este se podría considerar como la reproducción del audio en sí mismo. Haces clic y se escucha el audio, muy simple.

La pregunta entonces sería: ¿en qué momento el audio se considera "reproducido"? Podríamos decir que es cuando se termina de escuchar el audio al 100% , o sea al finalizar la ejecución del "play". Pero un escenario donde el oyente termine la escucha del audio hasta el último segundo es algo poco probable.

Google y Apple consideran un "play" los primeros 5 segundos de reproducción del audio. No importa si detienes el audio al segundo 6 o escuchas hasta el final, eso es una reproducción para ambas plataformas.

En cambio, IAB propone como estándar un "play" de 60 segundos de reproducción, mientras que Spotify lo contabiliza apenas se hace clic sobre el botón "play". En otras mediciones, si escuchas el episodio dos veces este se considera como dos "plays".

Vemos que un "play" no es lo mismo para todos. Medir en la plataforma es complicado porque cada medición del mismo concepto tiene una interpretación distinta. Si quieres medir cómo le fue a tu podcast en distintas plataformas, no lo puedes comparar directamente: naranjas no son lo mismo que manzanas.

Entonces una solución sería medir desde el origen.

Medir en el servidor

En teoría cada plataforma o programa no aloja el episodio, sino que lo reproduce desde un origen, el cual es el servidor que contiene el archivo de audio. Siendo así, podríamos implementar una medición en este punto.

De esta manera, al momento de ejecutar "play" desde cualquier plataforma o programa, esta solicitud viaja al servidor de origen donde mediremos la reproducción. Al centralizar la medición donde todas las reproducciones se pueden medir igual, se soluciona el problema de la diversidad de la medición: finalmente tendríamos métricas globales.

Íbamos bien hasta que aparecen dos problemas adicionales: el rehosting y el concepto de download.

Se dice que una plataforma hace rehosting cuando copia el audio en sus propios servidores. Así cuando se ejecuta el "play", la petición de reproducción no llega al origen sino que lo reproduce directamente desde la plataforma. De esta manera se aseguran que el audio esté siempre disponible ... pero afecta nuestra medición (y también la reproducción anuncios, pero de eso hablaremos otro día).

Por otra parte algunas apps permiten el download de los episodios de los podcast al dispositivo, para poder escucharlos luego sin conexión (como cuando viajas en avión), por lo que el audio se descarga previamente (pero podría no reproducirse o reproducirse varias veces). Sea lo que sea que suceda, no vamos a poder medir el "play" porque todo se ejecuta off-line, sin conexión al servidor. Un caso más en que la petición no llega al origen.

Una condición final para medir desde el servidor es tener control sobre estos equipos, algo que podría suceder solo si tienes los recursos técnicos y económicos. Algunas empresas dan el servicio actuando como un intermediario (CDN) entre tu servidor y las plataformas, pero esta es una solución más orientada a empresas.

Definición

Una buena idea para armar una pelea en un bar es intentar definir qué es un oyente de audio digital. La discusión será interminable. Conceptos como oyentes, oyente único, oyente recurrente, reproducción, repeticiones, descarga, tiempo de escucha, etc también tienen diferentes interpretaciones según qué mediciones se apliquen.

Medir audio digital aún tiene dificultades y limitaciones, lo importante es que la medición que utilice esté documentada, sea transparente y auditable por un tercero. Es la mejor manera de tener métricas fiables.

Referencia técnica de medición de audio digital

• IAB Podcast Measurement Technical Guidelines

• A Quick Guide to Spotify’s Podcast Metrics

• TRITON Podcast Metrics User Guide

• PODTRAC Measurement

Los ingresos en publicidad nativa de BuzzFeed cayeron de 60% en 2017 a 30% en 2019. El resto provino de otras fuentes de ingresos, como licenciar la marca (Tasty por ejemplo, en venta de libros de cocina o alimentos y todo lo relacionado), programática en todas sus propiedades y enlaces de afiliados (creando notas que recomiendan productos de empresas como Walmart o Amazon), así como seguir evolucionando y expandiendo esto a otras regiones.

El siguiente paso es eliminar al intermediario digital (Google y otros), de tal manera que, a partir del tráfico generado en su red de contenidos (la inspiración), los usuarios puedan comprar directamente a otros socios como hoteles o aerolíneas (la transacción), evitando que el usuario vaya a un intermediario para la búsqueda del producto y posterior compra. Ser una plataforma bussines-to-consumer (B2C) de pleno derecho.

Hay más en su plan, como la idea de formar comunidades que aporten valor o un mejor periodismo acompañado de la publicación de documentos y revelaciones. Curiosamente todas las áreas de Buzzfeed hacen dinero, menos News.

El plan completo publicado en Buzzfeed in 2020.

Mide lo que importa es un libro sobre cómo establecer objetivos y hacerlos funcionar en el mundo real. Define el modelo OKR (Objetivos y Resultados clave) como un contrato social cooperativo para establecer prioridades y definir cómo cuantificar el progreso. Pasar de los típicos objetivos fijos de revisión anual, por otros de una frecuencia trimestral o hasta mensual. En los que no hay miedo de cambiar sobre la marcha un objetivo o, de ser necesario, eliminarlo. Donde si varios objetivos se cumplen, es porque no fue lo suficientemente desafiante.

El autor propone desacoplar los objetivos de las bonificaciones, porque esto hace que los equipos busquen resultados claves conservadores buscando cumplimiento, limitando las oportunidades de innovación del producto.

Larry Page escribe el prólogo y se deshace en elogios hacia el autor. Los casos de éxito de Google, Chrome, YouTube o Intuit son la evidencia de la efectividad del modelo OKR. El autor nombra a Andy Grove como padre de los OKR y cuenta la experiencia de trabajar con él en Intel. Todos estos ejemplos ayudan al lector a entender cómo funcionan en el mundo real.

Aunque el modelo OKR es de una simplicidad aplastante y efectividad demostrada, viene con advertencia del autor: ser cauto con los objetivos que apliquen a su organización. Este tipo de modelos no son simples de implementar, en algunos casos toman varios trimestres y con mucho dolor corporativo.

No solo aplica a negocios digitales: por su naturaleza, su alcance es amplio y desafiante. Un libro indispensable de negocios y liderazgo.

I

En 1977 los Sex Pistols lanzaban su sencillo ‘God save the Queen’, una canción protesta sobre la falta de oportunidades para la juventud británica de aquella época y su poca confianza en la monarquía. Esta canción fue un éxito inmediato. Por su letra controversial, la cadena BBC se negó a transmitirla,[1] pero su popularidad la hizo llegar rápidamente al número uno en diversos rankings musicales. El estribillo de la canción era “… No hay futuro, no hay futuro para ti …”.

La juventud de ese entonces interpretó esto como una llamada a la desesperanza: si no había futuro, quedaba conformarse con la situación actual, ya no quedaba más para una generación que había perdido la fe en sus lideres. La filosofía Destroy como norma de vida.

Johnny Rotten luego tuvo que salir a aclarar: el estribillo “No hay futuro” no es un llamado a la desesperanza, sino un llamado a la acción, al cambio. Si no hay futuro, hay que crearlo.

Si no viene el salvador, tienes que salvarte solo.

II

En 2006 Buzzfeed empezó a hacerse conocido por ser uno de los primeros sitios generadores de trafico gracias al volumen de notas con memes, listados de curiosidades y títulos diseñados para el clic. Viralizados a conciencia y apoyados en data, fueron un subidón de tráfico para el sitio. Lo que paso luego es harto conocido: medios creando volumen de contenido para ganar alcance (algunos llegando al borde de las noticias falsas sin ningún pudor)[2], y por otro lado buscadores y redes sociales afinando los algoritmos trabajando por eliminar esta visibilidad[3]. Al caer la visibilidad, se contrata gente que debe generar más volumen a toda costa para recuperar, y los algoritmos nuevamente reducen el alcance, y así sucesivamente.

Buzzfeed no siguió en el juego del volumen: redujo personal y continuó cambiando, experimentando con formatos más allá del pageview. Así, de un momento a otro, pasaron al video por suscripción, encuestas, generación de nuevas marcas (Tasty es un caso de estudio), recomendación de productos e ecommerce. Así las cosas, durante el periodo 2018–2019. se generarán 200 millones de dólares en líneas de negocio que no existían en 2017. [4]

III

Los caminos de la experimentación son diversos, ya que usualmente esta es asociada con la creación de algo completamente nuevo y disruptivo. Usando metodologías tipo Design Thinking se puede llegar algo completamente novedoso. Aquí el riesgo es grande y la recompensa también, pero poner en marcha estos tipos de proyectos es costoso en tiempo, gestión e implementación.

Otro camino es adquirir tecnología o servicios y construir sobre estas. Es posible, pero esta limitado a la apertura de la plataforma y también es probable que un proveedor aplique restricciones en razón de mantener su negocio. Felizmente no siempre es el caso, Amazon Web Services es un ejemplo donde los medios no invierten en datacenters, sino arman toda la infraestructura tecnológica sobre la nube. Costo por uso.

La opción recomendada es la mejora continua. Comenzar con lo que se tiene: simplificar, optimizar, quitar, reemplazar y automatizar. Experimentar con un ciclo de implementar > medir > aprender usando procesos ágiles. Es la opción con menor riesgo o si hay poco presupuesto (y en muchos casos lo más realista).

Sea la opción que escoja, la experimentación debería (¡debe!) ser parte del día a día de la industria. En ocasiones ideales será motivada por la dirección de la empresa (si es el caso, aprovéchelo al máximo aunque sera para probar y que ese caro power point no termine en un cajón). En otras veces aparecerán iniciativas desde niveles más bajos de la escala corporativa[5]. Si realmente queremos innovar, estas iniciativas deberían ser evaluadas y darse la oportunidad de experimentar. Fomentar la actitud de resolver problemas a toda nivel debe volverse una actividad natural.

Las opciones están y las metodologías para lograrlo existen, le toca salvarse.

Imagen: Feral kid. Mad Max 2 (1981).

[1] https://en.wikipedia.org/wiki/God_Save_the_Queen_(Sex_Pistols_song)

[2] https://www.goodreads.com/book/show/41742717-no-hemos-entendido-nada?from_search=true

[3] https://www.sistrix.es/blog/google-core-update-septiembre-2019-primeros-resultados/

[4] https://www.niemanlab.org/2019/03/buzzfeeds-jonah-peretti-yes-to-scale-yes-to-platforms-still/

[5] https://www.thinkwithgoogle.com/intl/es-es/insights/los-ocho-pilares-de-la-innovacion/

Hubo una vez un maestro programador que escribía programas no estructurados. Un programador novicio, buscando imitarlo, también comenzó a escribir programas no estructurados. Cuando el novicio le pidió al maestro evaluar su progreso, el maestro lo criticó por escribir programas no estructurados diciendo: “lo que es apropiado para el maestro no es apropiado para el novicio. Debes entender el Tao antes de trascender la estructura”.

Tao del programador, 3.1

Una solución rápida y sucia es modificar una funcionalidad para salir del paso. Esto tiene el beneficio de que se soluciona el problema en el momento, pero, siendo una medida temporal, no corrige el problema de fondo. Esto es conocido como anti patrón de diseño de software.

Dado que es un último recurso, quick-and-dirty debe considerarse cuando:

• Es una emergencia. Una medida de excepción. Una corrección imprescindible.

• Se tiene un equipo que conoce muy bien su producto así como las consecuencias de cambios rápidos en la experiencia de uso.

• Se cuenta con una metodología ágil que permita aplicar estos cambios rápidamente, sin sacrificar calidad y seguridad.

Pero hay que tener en cuenta que esto será tan alegre como jugar con el jabón en el baño de la prisión: es divertido hasta que se te cae. Si esto no se hace con cuidado, se pueden empeorar las cosas.

Además, este tipo de soluciones tiene desventajas adicionales: una es que, dada la velocidad de la implementación, se tiene la impresión de que esta solución es permanente y lo recursos luego se asignan a otras prioridades. Así se deja de lado implementar la real solución y se acumula deuda técnica.

La otra desventaja es que esto puede volverse una mala costumbre. Es decir, una vez hubo una solución rápida. Como fue rápida, seguro fue fácil. O sea, ¿podríamos hacerlo de nuevo, no? Estas falsas impresiones son peligrosas y terminan destruyendo sistemas enteros.

Aplicar soluciones de este tipo no tiene que ver con la agilidad. Una solución de emergencia es eso, de emergencia.

Una buena manera de evitar esto es evaluar el origen de los últimos cambios del producto: ¿tienes cambios de emergencia todas semanas (o días)? ¿son diversos los orígenes o son de una misma área? ¿es una necesidad interna o externa?

Si pasa demasiadas veces, hay un problema más grande y no necesariamente de software.

—

> Photo by Marc Kleen on Unsplash

Filosos

Un podcast sobre filosofia en la cultura pop. Siempre te deja con preguntas, no te vas a aburrir.

Yo estuve ahí

Una selección de historias de la actualidad del equipo de Telemundo. La última cuentan sobre su entrevista exclusiva con Donald Trump, en otra hablan sobre el Instituto para Devolverle al Pueblo lo Robado. Todas buenas historias.

Plain english

Si estas aprendiendo inglés o te interesa ejercitar el idioma este podcast sirve. Tratan temas de actualidad un capitulo por semana usando un inglés pausado.

Asi de claro

Los periodistas de RPP explican la actualidad peruana en 3 minutos, todo en palabras breves y simples. Ideal para los que no quieren escuchar largos noticieros.

Canción original

Cada episodio cuenta como se hizo una canción original para una serie o película, mi favorita es sobre la creación del tema de Volver al Futuro.

Escalera al CEO

Semana Económica entrevista a CEOs de diversas industrias. Cuentan sus historias, aciertos y fracasos.

Metadata

En cada capitulo un completo análisis de lo último de la tecnología, además de reseñas y recomendaciones.

Entiende tu mente

Este podcast son capítulos de 20 minutos sobre como funciona nuestra mente desde el punto de vista de la psicología.

Dínamo

Un podcast sobre el universo Apple. Todas las novedades sobre sus productos y servicios. Obsesiones solo para los fans.

Astronomía y algo más

Sobre los misterios del universo y como la ciencia busca resolverlos, en lenguaje para gente común como nosotros :)

El encantador de perros argentino

Historias y recomendaciones de “Pampita” Montenegro para cuidar a nuestros perros.

Cacharradas

Este es un podcast sobre vida digital. Hablan de temas diversos como el reto de vivir dos semanas sin Google, Kingdom Hearts III o qué es el 5g.

/imagen: Photo by NeONBRAND on Unsplash

Los slides de la presentación en el WIAD Lima 2018 a continuación:

[embed]https://docs.google.com/presentation/d/12KijrR0x4WuiyZrdA5ynzclipALmSW4WTf8LIg07Iv4/edit?usp=sharing[/embed]

Algunas notas de la presentación:

• “casi la mitad de los internautas peruanos confiesa haber tenido dificultades para acceder a un sitio web para comprar o buscar información sobre algún producto desde su smartphone” … es evidente que el rol de la Arquitectura de Información peruana es deficiente.

• Se pone peor cuando “el 41% [de nuestros usuarios] busca la solución en la competencia”. ¿Por que esta carencia de atención a nuestros propios productos?

• En el curso de Experiencia de Usuario que dicto este año, las evaluaciones supervisadas realizadas por los alumnos a los sitios web y aplicaciones locales tampoco dan un panorama alentador. Es una debilidad común que la organización del sitio web responda a la organización de la empresa.

• El “tecno” optimismo que existe en el mercado actual seria uno de los motivos. Esta bueno clarificar la ideas y moldear prototipos, sino miremos las hackatones y eventos startuperos con las selfies con murales repletospost-its, pero aún es una carencia las pruebas heuristicas y de usuario más básicas. Todo esto se refleja en los productos que construimos.

• No me mal entienda, el problema es que nos enamoramos del proceso y nos olvidamos de validarlo con el usuario. No hay experiencia del usuario sin los usuarios.

• El puente entre la investigación de usuario y el diseño esta roto. Nos falta el diseño antes del diseño. La estrategia de la arquitectura de la información es ese puente. Por una parte sobre como la información será estructurada, organizada, administrada, etiquetada e integrada, y por otro como esto será comunicado a los equipos involucrados y dirección de la empresa.

• Esta comunicación es el punto de falla usual. La pobre comunicación del valor de la arquitectura de la información causa que esta se subestime y en ocasiones hasta se ignore. Afectando principalmente al SEO y la usabilidad, empobreciendo el resultado final.

• Aqui resaltan dos artefactos: un documento (o wiki) que documente claramente la estrategia de arquitectura de la información integral, y una presentación que “venda” a la organización el proceso y el valor que aporta al producto.

• Menos “tecno-optimismo” y más estrategia para mejores productos.

Bibliografía:

• Information Architecture: For the Web and Beyond (4th Edition).

• How to Make Sense of Any Mess: Information Architecture for Everybody 1.0 Edition