Introducción
Matías Rojas rompe el molde tradicional del CIO: viene del mundo de las finanzas, no de ingeniería, y lidera tecnología en CCU, una de las corporaciones más grandes de la región. Esta combinación poco convencional le dio una perspectiva única sobre una verdad fundamental: entender el lenguaje del dinero y la cadena de valor es tan crítico como dominar la tecnología para liderar transformación digital.
Esta trayectoria le permitió diseñar un modelo de gestión de innovación basado en tres velocidades simultáneas (transatlántico, lancha media, lancha rápida) donde conviven sistemas legacy robustos con laboratorios de experimentación disruptiva. Además, decidió invertir en infraestructura física (GPUs locales) para retener talento y hacer I+D cost-eficiente antes de escalar a la nube.
En la conversación exploramos los cuatro pilares para abordar IA corporativa, por qué el modelo de cobro por horas en desarrollo de software castiga la eficiencia y debe reemplazarse por pago por output, y por qué la IA eliminará las interfaces gráficas operativas dejando solo interacción directa entre necesidad del usuario y resultado.
Sobre qué hablamos
Los 4 pilares para abordar IA corporativa: estrategia de datos, definir la pregunta correcta, entender cómo resolverlo y "meter las manos" en la tecnología.
Laboratorio on-premise: CCU invierte en tener un Data Lab con servidores y GPUs físicas locales (Nvidia) en lugar de ir directo a la nube. Esto permite motivar al equipo técnico con hardware de punta, hacer I+D cost-eficiente experimentando localmente antes de escalar, y retener talento que quiere trabajar con tecnología de vanguardia.
El fin del cobro por horas: debate sobre cambiar contratos de proveedores de TI dejando de medir Input para empezar a pagar por Output. Un desarrollador senior o asistido por IA puede resolver en 20 minutos lo que a otro le toma 10 horas. El cliente debería pagar por el valor del resultado, no por el tiempo sentado. El modelo por horas castiga la eficiencia.
El futuro sin interfaces: la IA eliminará las interfaces gráficas operativas. La interacción será directa entre la necesidad del usuario y el resultado entregado por agentes autónomos. Las pantallas y formularios desaparecerán para dar paso a conversación natural con sistemas que ejecutan acciones.
Para seguir explorando
Nunca dejen de programar: aunque la IA automatice codificación repetitiva, programar enseña a estructurar pensamiento lógico. Python y SQL son habilidades base indispensables. La IA reemplazará el "Excel" del código, pero no la capacidad de diseñar lógica de solución.
Saber finanzas abre puertas en tecnología: un tecnólogo que entiende números puede comunicarse con CFOs y CEO en su idioma, alineando inversión tecnológica con retorno de negocio. No es suficiente con dominar frameworks, hay que entender cómo la tecnología genera o protege valor en el P&L.
Output sobre Input: el modelo de contratación debe evolucionar. Comprar tecnología debería ser como comprar un bien tangible: pagas por lo que recibes (funcionalidad, producto), no por cuánto tiempo alguien trabajó en ello. Esto alinea incentivos para eficiencia y calidad.
Mentes inspiradoras
Leandro San Miguel: Gerente en Arauco, recomendado por Matías como próximo invitado por su visión de tecnología en manufactura
Kit tecnológico
Python / SQL: habilidades base indispensables que todo profesional técnico debe mantener activas, independiente de su nivel de seniority.
TensorFlow / PyTorch: frameworks de Deep Learning mencionados como herramientas fundamentales para trabajar con IA.
GPUs locales (Nvidia): infraestructura física implementada en el Data Lab de CCU para experimentación y retención de talento antes de escalar a la nube
Modelos open source: Llama (Meta) y Gemma (Google) mencionados como alternativas de código abierto para experimentación corporativa.
Cursor / ChatGPT: herramientas de asistencia de código que están transformando la productividad de desarrolladores.
Embeddings vectoriales: representaciones matemáticas en espacios multidimensionales usadas para predecir comportamientos de productos y clientes más allá del procesamiento de lenguaje.