Nuestros sitios
Ver edición digital Suscríbete al NEWSLETTER
Compartir

Transformando una organización tecnológica para el futuro: Gerri Martin-Flickinger de Starbucks

Sam Ransbotham, Shervin Khodabandeh 26 Ene 2022
Transformando una organización tecnológica para el futuro: Gerri Martin-Flickinger de Starbucks Transformando una organización tecnológica para el futuro: Gerri Martin-Flickinger de Starbucks

Me, Myself, and AI es un podcast colaborativo de MIT Sloan Management Review y Boston Consulting Group y está presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky, y los productores coordinadores son Allison Ryder y Sophie Rüdinger.


Ranjeet Banerjee

Gerri Martin-Flickinger, Starbucks

Como vicepresidenta ejecutiva y CTO de Starbucks, Gerri Martin-Flickinger dirigió el equipo de Tecnología de Starbucks a través de una transformación en la mejor organización de tecnología minorista de su clase. Fue la líder apasionada detrás de la estrategia tecnológica que juega un papel fundamental en impulsar la misión de Starbucks: “empoderar a los socios y deleitar a los clientes, a nivel mundial”.

Antes de unirse a Starbucks en 2015, Martin-Flickinger fue vicepresidenta sénior y CIO en Adobe, donde lideró partes de su transformación tecnológica hacia un negocio de servicios de suscripción basado en la nube. Anteriormente, se desempeñó como CIO en Verisign, McAfee y Network Associates y ocupó numerosos puestos de liderazgo sénior en Chevron, donde comenzó su carrera.

Martin-Flickinger actualmente forma parte de la junta directiva de Charles Schwab y es miembro de la Junta Asesora de la Escuela de Ingeniería Fulton de la Universidad Estatal de Arizona, la Junta Asesora de CIO de Sierra Ventures y la Red de CIO de The Wall Street Journal.

En su conversación con los anfitriones Sam Ransbotham y Shervin Khodabandeh, Gerri resume una carrera que abarca décadas trabajando en roles de liderazgo tecnológico en Chevron, McAfee y Adobe, luego explica algunos proyectos recientes para empleados y clientes que Starbucks ha emprendido utilizando inteligencia artificial y aprendizaje automático.

 Transcripción

Sam Ransbotham: ¿Qué hay en un nombre? Hoy hablamos con Gerri Martin-Flickinger, ex directora de tecnología de Starbucks, sobre cómo los nombres que usamos pueden marcar una gran diferencia en la innovación y la motivación.

Bienvenido a Me, Myself, and AI, un podcast sobre inteligencia artificial en los negocios. En cada episodio, te presentamos a alguien que innova con IA. Soy Sam Ransbotham, profesor de sistemas de información en Boston College. También soy el editor invitado del programa AI and Business Strategy Big Ideas en MIT Sloan Management Review.

Shervin Khodabandeh: Y soy Shervin Khodabandeh, socio senior de BCG, y codirijo la práctica de IA de BCG en América del Norte. Juntos, MIT SMR y BCG han estado investigando la IA durante cinco años, entrevistando a cientos de profesionales y encuestando a miles de empresas sobre lo que se necesita para construir, implementar y escalar capacidades de IA y transformar realmente la forma en que operan las organizaciones.

Sam Ransbotham: Hoy hablaremos con Gerri Martin-Flickinger, exvicepresidenta ejecutiva y directora de tecnología de Starbucks. Gerri, gracias por tomarte el tiempo de hablar con nosotros. Bienvenidos.

Shervin Khodabandeh: Es realmente genial tenerte aquí, Gerri.

Gerri Martin-Flickinger: Es genial estar aquí. Gracias por invitarme.

Shervin Khodabandeh: Entonces, Gerri, cuéntanos un poco sobre ti: tus antecedentes, tu viaje hasta este punto y cómo ha sido.

Gerri Martin-Flickinger: El tema de hoy será sobre IA, por lo que me encantaría retroceder en el tiempo hasta la década de 1980. Sé que probablemente no esperabas que comenzara allí cuando me hiciste esa pregunta, pero tengo que comenzar allí, porque fui a la Universidad Estatal de Washington, ¡vamos Cougs! — y yo tenía un énfasis en la inteligencia artificial en el pasado y, de hecho, hice mi proyecto de último año con una red neuronal que se construyó en Lisp, que… ya nadie recuerda qué es eso. Pero la razón por la que comencé allí es porque he tenido un amor por la IA y el potencial de las técnicas de IA durante todo este tiempo. Y ha sido realmente emocionante en los últimos cinco o seis años ver que finalmente estamos en un lugar donde la tecnología, tanto la computación como el almacenamiento (y los datos) han llegado al punto en el que podemos comenzar a lograr algunas de esas visiones que tenía mucho tiempo atrás.

Pero permítanme comenzar en el ’85. Después de ir a la escuela y obtener un título en informática, fui a Chevron, la compañía de petróleo y energía. [Yo] pasé mis primeros años allí e hice un trabajo de inteligencia artificial realmente genial mientras estuve allí, que era más bien un modo de investigación, e hice alguna tecnología que en realidad fue vendida y comprada por otras compañías fuera de Chevron.

Después de eso, me convertí en el primer CIO de McAfee a finales de los 90, cuando McAfee aún era bastante pequeño pero creció bastante. Y eso fue muy divertido, porque si piensas en el antivirus en esos primeros días, fue una de las primeras empresas de SaaS, porque comprabas tu software antivirus, pero luego recibías estas cargas útiles todos los meses que serían las nuevas firmas de virus. para seguir protegiendo su máquina. Entonces, en efecto, era como un negocio de suscripción. Ser parte de eso en los primeros días de, francamente, Internet y durante todo el período de las puntocom fue muy revelador y realmente me enseñó mucho sobre la escala y el consumidor digital antes de que lo llamáramos consumidor digital.

Me tomé un poco de tiempo de mi carrera para tener dos hermosas hijas gemelas, y luego regresé como CIO de Verisign, otra compañía de seguridad, y luego me convertí en CIO de Adobe y estuve en Adobe durante unos 10 años y parte del equipo que migró sus ofertas de productos a la nube, a un verdadero negocio SaaS de suscripción.

Después [yo] me uní a Starbucks hace seis años, hace poco más de seis años, como su primer director de tecnología y realmente los ayudé a migrar y pasar a una pila de arquitectura más moderna; evolucionar toda su plataforma digital, incluidos los pedidos y pagos móviles; [y] innovar IoT en todas las tiendas, así que realmente, solo una gran cantidad de tecnología a escala realmente divertida y, en el proceso, volví a mis raíces e hice algo de IA al mismo tiempo.

Shervin Khodabandeh: Esta es una serie fenomenal de cosas de las que has sido parte. Y tengo curiosidad, como alguien cuyo interés, exposición y práctica de la IA se remonta a los años 80, como dijiste, y has visto las diversas eras de innovaciones tecnológicas y organizacionales, y el campo de juego ha aumentado continuamente, ¿qué ¿Crees que son algunos de los conceptos erróneos más grandes que aún existen en la mente de los ejecutivos, particularmente cuando se trata de este tema?

Gerri Martin-Flickinger: Esa es una gran pregunta. Una de ellas es que si construyes un modelo, puede resolver cualquier cosa. No existe un modelo de IA generalizado que resuelva cualquier cosa o todo. Eso simplemente no es posible, si piensa en dónde las personas están teniendo más éxito en este momento con IA a escala, gran parte de esto está estrechamente relacionado con el análisis estadístico, francamente, se trata mucho de tomar conjuntos de aprendizaje muy grandes y construir modelos muy sofisticados que pueden ser predictivos. en naturaleza. Eso es increíble, y lo que se necesita es una gran cantidad de datos para que sea preciso.

Entonces, creo que uno de los conceptos erróneos sobre los que ciertamente he hablado con muchos ejecutivos en los últimos años es que para hacer IA de una manera realmente significativa, debe tener sus datos en orden. No es tan simple como decir: “¡Oye, tenemos muchos datos! Deberíamos poder tener increíbles modelos de IA”. Tienes que tener un poco de estructura para esos datos. Tiene que pensar un poco acerca de dónde se encuentran esos datos, incluso algo tan simple como, ¿cómo se ve su lago de datos? ¿Dónde estás poniendo esos datos? ¿Cuál es la moneda de esos datos? ¿Necesita los modelos para volver a entrenar en tiempo real? ¿Necesita construirlos una vez y luego volver a entrenarlos una vez por trimestre? Y todo eso comienza a estar realmente envuelto en su arquitectura de datos. Así que creo que lo único que siempre le pregunto a la gente cuando quiere hablar sobre IA es: “Háblame de tus datos. ¿Tienes datos? ¿Dónde están tus datos? ¿Eres dueño? ¿Puedes usarlo? ¿Tienes derecho a usarlo?

Esta es la otra cosa sobre los datos del consumidor que es muy importante: debe asegurarse de no estar haciendo cosas que no debería estar haciendo con esos datos. Así que realmente creo que uno de los conceptos erróneos que existen es la idea de que hay una cosa que compras llamada IA, la enchufas y todo funciona. Ese es casi el final de una larga serie de cosas que debe hacer y diseñar.

Sam Ransbotham: OK, entonces, una vez que una organización tiene sus datos en su lugar, ¿qué sucede a continuación? ¿Qué permite tener esos datos?

Gerri Martin-Flickinger: Creo que la evolución de la IA y el ML específicamente ha llevado a todas las partes de las empresas que son sofisticadas a hacer preguntas muy diferentes a las que hacían incluso hace cinco años. De repente, existe la expectativa de: “No, deberíamos poder predecir el pronóstico de la cadena de suministro en función de X, Y y Z”. Eso no requerirá que alguien construya una hoja de cálculo gigante para hacerlo. Hay una mejor manera de hacerlo ahora. Y creo que estás viendo esa evolución. Sin embargo, con lo que creo que compararía esto es… ¿recordamos todos los días antes de que todos tuviéramos Excel? Es difícil recordar esos días, pero…

Sam Ransbotham: ¿VisiCalc?

Gerri Martin-Flickinger: ¡Sí, VisiCalc! Recuerdo VisiCalc. Pero hubo un tiempo –

Shervin Khodabandeh: Loto 1-2-3.

Gerri Martin-Flickinger: Hubo un tiempo en que la idea de que todos nosotros en los negocios pudiéramos crear una hoja de cálculo y luego compartirla y colaborar en ella. Eso fue como, “¿Qué? Por que lo harias …”

Sam Ransbotham: Charla loca.

Gerri Martin-Flickinger: Charla loca, ¿verdad? Lo mismo cuando empecé a trabajar; había un grupo de mecanografía. No teníamos correo electrónico; enviaste notas. Mi punto es que a medida que las herramientas estén más disponibles para más personas, más personas podrán explorar más ideas. ¿Cuántas veces todos nosotros abrimos hojas de cálculo durante toda la semana para hacer de todo, desde ayudar a nuestros hijos con la tarea hasta hacer un seguimiento de nuestras finanzas personales, o simplemente mantener una lista? La mejor lista que tengo es una hoja de cálculo.

De repente, eso ha cambiado la forma en que todos trabajamos. Así que vuelvo a estos cambios fundamentales que hemos visto en el pasado, como la hoja de cálculo, y no creo que esto sea muy diferente. Pienso que a medida que sigamos viendo cómo evoluciona esto, encontraremos mejores herramientas y formas más efectivas en las que todos podamos explorar estas técnicas.

Usaré un par de ejemplos de Starbucks: hacer modelos para la programación de mano de obra. Eso no es un salto para pensar; ciertamente, [es] algo que puede hacer con el tipo de datos que tiene hoy.

Ahora, ¿cree que un gerente de tienda sabe o le importa que cuando crea un cronograma de mano de obra para su tienda, en realidad hay un modelo ML razonablemente sofisticado detrás de escena que hace eso? No. Así que creo que la cantidad de IA y ML integrados que todos tenemos… Probablemente todos tengamos algo en nuestros autos en este momento; mucho, probablemente. Sus compañías eléctricas, sus compañías telefónicas… Está incrustado en todas partes. Sus compañías de tarjetas de crédito probablemente lo han tenido más tiempo de lo que se imagina, para la detección de fraudes, por lo que ya es bastante generalizado. Creo que la pregunta es, ¿cuánto más accesible podría ser a medida que las personas se vuelvan más sofisticadas? No sé.

Tengo hijos en la escuela secundaria. Los niños de secundaria hablan ahora sobre ciencia de datos; son clases en la escuela secundaria, por lo que no hay nada que pensar que en cinco, seis, siete años, cuando salgan de la universidad, probablemente van a ser bastante fluidos en algunas de estas técnicas, incluso si parece completamente inconcebible para todos. de nosotros.

Shervin Khodabandeh: No, creo… en realidad me recuerda un artículo del Wall Street [Journal] que estaba leyendo hoy sobre ajedrez. Los grandes maestros de ajedrez han tenido que convertirse en expertos, de alguna manera, en IA, porque todo el mundo la está usando. Y tienen estos equipos de IA para poder obstaculizar diferentes líneas de pensamiento del algoritmo para despistar a sus oponentes, porque todos usan IA para planificar y ganar sus juegos. Entonces, debes comprender realmente cómo funciona el motor si vas a vencer a alguien que está usando ese motor para vencerte. Y se basa en el punto en el que estabas hablando, es bastante generalizado.

Sam Ransbotham: En su analogía, supongo, eso sería “Superar la programación de la competencia”. Mencionaste Starbucks. ¿Hay algo en particular que te entusiasme y quieras mostrar?

Gerri Martin-Flickinger: Ciertamente puedo destacar un par de ejemplos. Tenemos un apodo, Deep Brew, que representa una amplia sección de proyectos de IA en curso en toda la empresa. Con los que la gente está más familiarizada son los modelos de personalización.

Ya sea que se trate de personalización en la aplicación móvil o personalización cuando se detiene en un autoservicio donde tienen una pantalla digital, esas experiencias están impulsadas por modelos que se basan en muchas entradas diferentes, algunas de las cuales son muy personales, como tal vez su propios patrones de compra. Algunos de ellos son regionales, como, “¿Qué está pasando con los patrones de compra en esta región?” Podrían ser factores ambientales, como, “¿Qué tiempo hace hoy?” Podría tener que ver con las cargas de la cadena de suministro, como “¿Qué tenemos realmente en stock que necesitamos vender?”

Esos son en realidad mucho más difíciles de hacer de lo que parecen. Suena muy simple. Pero déjame darte un ejemplo para ilustrar por qué algo de esto es difícil y por qué siempre empiezo con datos. ¿No parece fácil averiguar si existen los ingredientes para un café con leche para poder promocionar un café con leche por teléfono?

Sam Ransbotham: Ingenuamente, diré que sí.

Gerri Martin-Flickinger: Parece que es una cosa, ¿verdad? Como, “Sí, tenemos café con leche”. Bueno, en realidad, los lattes se fabrican en el momento en una tienda y están hechos de componentes. Están hechos de algo de espresso, que podrían ser diferentes tipos de espresso, hechos con algún tipo de producto lácteo, que podría ser leche de vaca, podría ser una leche alternativa [no láctea], podría calentarse a diferentes temperaturas según lo que el cliente haya pedido. Y eso es una bebida simple. Esa es la bebida de espresso más simple, probablemente, que puedes conseguir en una tienda.

Así que he aquí por qué es complicado. Si estás en la tienda, el cliente solo lo conoce como un café con leche. Pero si piensa en toda la cadena de suministro de todos los componentes que deben estar disponibles en ese momento en el frente de la casa, detrás del mostrador, para hacer ese café con leche, ese es un problema completamente diferente. Y ahora tiene que volver a su maestro de datos, el maestro de datos que son las partes componentes, y comprender si se entregaron esa noche en la parte trasera de la tienda.

Ahora tiene un problema de datos que requiere que descomponga y reestructure los datos hasta el origen, si aún no lo ha hecho. Y solo estoy ilustrando esto porque a menudo piensa: “Bueno, es un problema fácil de ML decir: ‘Queremos promover los lattes'”. Pero en el momento en que hace eso, en realidad tiene que conocer el nivel más profundo de datos. posible para asegurarse de que realmente tiene el producto para vender.

Sam Ransbotham: Eso es complicado porque, en realidad, cuando dices “café con leche”, sé exactamente lo que quieres decir, porque te refieres exactamente al que yo bebería. No te refieres al que bebería Shervin.

Gerri Martin-Flickinger: Correcto.

Sam Ransbotham: Y para responder a la pregunta, debe responderla para cada persona.

Gerri Martin-Flickinger: Correcto. Y no vas a enumerar todos esos. Hay infinitas posibilidades de personalización. Infinito. Así que no puedes hacer eso. Tienes que trabajar realmente en ello como un problema de datos, puedes hacer el modelo de IA encima, porque realmente has descubierto con qué tienes que trabajar.

Shervin Khodabandeh: Habló sobre el problema de la cadena de suministro y la gestión de inventario. Y el punto para mí es que estos casos de uso ya no están en silos.

Gerri Martin-Flickinger: Exacto.

Shervin Khodabandeh: Todos los datos fundamentales, por supuesto, son fundamentales para impulsarlos. Pero la forma en que comercializamos afecta lo que sucede en la tienda, y los problemas de la cadena de suministro afectan lo que deberíamos poder comercializar o no, entonces –

Gerri Martin-Flickinger: Totalmente.

Shervin Khodabandeh: Mi seguimiento es, para los líderes empresariales que están escuchando esto, creo que hay muchos análogos de lo que acabas de describir que resonarían en cualquier línea de negocios, porque tienes estos grupos que son líneas diferentes. de negocios o diferentes componentes funcionales que, en el mundo de hoy con los datos de hoy, son mucho más interactivos, y hay un efecto de red de todas estas cosas, lo que requiere que se unan equipos que normalmente no trabajarían juntos.

¿Qué consejo le darías al director ejecutivo o al presidente de una unidad de negocios para romper estos silos, porque tienes diferentes equipos con diferentes herramientas, diferentes incentivos, verdad? Eso debe ser un problema organizativo desalentador. No es solo un problema tecnológico. Has visto que funciona bien, solo tengo curiosidad, ¿qué consejo me darías?

Gerri Martin-Flickinger: Bueno, no creo que haya magia aquí. Creo que, como en la mayoría de las cosas en los negocios, hay que empezar por tener muy claro cuál es el objetivo. ¿Qué estás resolviendo? Eso suena tan simple, pero a veces es realmente difícil de entender. ¿Lo que está resolviendo es aumentar los ingresos? ¿Es una mayor retención de clientes? ¿Es margen mejorado? ¿Es algo más?

Tener eso muy claro es parte de lo que hace que todos los electores se enfrenten: alguien lleva el sombrero de los ingresos, otro lleva el sombrero del margen y alguien más lleva la experiencia del cliente. Tienes que tener claro lo que estás resolviendo. Y no puedes resolverlo todo al mismo tiempo. Ahora, puede beneficiarse de todo, pero debe tener muy claro “¿Qué es lo que perseguimos?” Así que ese es mi primer consejo: tener muy claro qué problema estás tratando de resolver.

Creo que una cosa… Creo mucho en unir a personas que tienen diferentes conocimientos. De hecho, creo que es algo bueno. Es bueno reunir a personas que tienen cinco especialidades diferentes, porque aportarán las mejores ideas para ese dominio. Pero también tienes que hacer que sientan que están juntos en esto, y eso es un buen trabajo en equipo a la antigua. Y odio decir “buen trabajo en equipo a la antigua”, pero desde que he estado en el mundo de los negocios, todo se reduce a lo mismo: ¿Estás reuniendo a las personas con una visión común? ¿Les está dando espacio para fallar para que puedan emprender el camino hacia el éxito? ¿Les estás dando un objetivo que es realmente claro, con un cronograma que es alcanzable pero también muy claro? ¿Y luego los está apoyando con los recursos y el presupuesto que necesitan para tener éxito?

Es todo lo mismo, no hay nada nuevo allí. Creo que muchas personas fallan porque no comienzan con un problema claro que están tratando de resolver, eso tiende a hacer que las personas se atrincheren en sus silos y luego se vayan y traten de resolver su propio problema.

Shervin Khodabandeh: Eso está muy bien dicho.

Sam Ransbotham: Mientras escucho, me sorprende la cantidad de profundidad que obviamente tienes para hacer un café con leche, pero esa no era tu experiencia; no escuchamos esa parada [en tu carrera profesional]. ¿Cómo consigues que la gente sepa tanto sobre el área de dominio para luego poder resolverlo con la tecnología que estás usando para resolverlo? ¿Parece… algo muy difícil de lograr?

Gerri Martin-Flickinger: No sé qué pregunta responder: la de cómo terminé aprendiendo a hacer un café con leche en Starbucks o, en general, ¿cómo se hace eso en los negocios?

Shervin Khodabandeh: Empecemos por ahí.

Gerri Martin-Flickinger: OK, podemos comenzar con mi viaje. Entonces, sí, salí de la tecnología. Estuve en software empresarial durante muchos, muchos años en Silicon Valley. Y mi decisión de venir a Starbucks fue algo interesante. Yo estaba, en primer lugar, simplemente intrigado. Me intrigaba la escala. Y la escala es interesante cuando piensas en Starbucks, porque hoy en día hay más de 30 000 tiendas en todo el mundo. Hay más de 300.000 baristas en todo el mundo.

Y por qué es un problema de escala interesante no es solo la cantidad de clientes que visitan Starbucks. Pero si piensas en esas 30,000 tiendas, cada una es como un pequeño negocio en sí mismo. Cuando se dedica al software empresarial, es posible que tenga cien oficinas en todo el mundo. Es posible que tenga un montón de personas, pero están en estas grandes oficinas con grandes tuberías, mucha infraestructura, y tiene un equipo de apoyo allí.

Cuando tienes una tienda en el medio de Oklahoma con una línea de acceso telefónico, eso es algo completamente diferente de administrar. Tener la misma expectativa de calidad para un cliente que tiene su aplicación de pedido y pago móvil, es simplemente un juego completamente diferente. Estaba realmente intrigado, por supuesto, por IoT y cuánto más se podía hacer en tiendas físicas [minoristas] con dispositivos IoT. Me intrigó lo rápido que vi crecer el consumo digital. Todas esas cosas son las que me hicieron venir a Starbucks y ser parte de esa transformación.

¿Cómo aprendes cuando no sabes nada sobre alimentos y bebidas? Lo primero que haces es pasar tiempo en las tiendas, ¿sabes? Pasé mis primeras semanas en una tienda aprendiendo cómo la gente hace café con leche. Ahora, no puedo afirmar que soy un barista de ninguna manera, así que cuando estaba en la tienda, estaba principalmente ayudando a limpiar, o estaba saludando a los clientes, o estaba tratando de hacer cosas que realmente podía hacer. Pero en el proceso, aprende mucho sobre lo que sucede en una tienda, y no solo sobre las cosas realmente geniales que ve, como preparar café con leche o saludar a los clientes, sino también sobre lo que sucede en la parte trasera de la casa. ¿Cómo reciben el inventario? Oh Dios mío. ¿Cómo hacen la nómina? ¿Cómo tienen que hacer la programación laboral? ¿Cómo se ve eso? Y eso es una revelación.

Y yo diría, olvídese en qué negocio está. Sea cual sea el negocio en el que esté, si es un tecnólogo, si no está sentado hombro con hombro con quien sea la punta de lanza del negocio, usted Estás perdiendo una oportunidad. Tienes que hacer eso. Entonces, cuando estaba en software empresarial, pasaba mucho tiempo saliendo con los vendedores para visitar a los clientes. Solo quería ver, ¿qué están pensando los clientes? ¿Nos aman? ¿Nos odian? ¿Qué problemas están teniendo? Pasar tiempo con el centro de atención al cliente para simplemente sentarse y escuchar, de vez en cuando, las llamadas que recibían: ¿Qué piensa el mundo de nosotros y cómo se sienten las personas que dependen de nuestro software?

Shervin Khodabandeh: ¿Pasaste tiempo en la plataforma petrolera cuando estabas en Chevron?

Gerri Martin-Flickinger: Pasé tiempo en refinerías. Sí, un poco de tiempo en las refinerías.

Shervin Khodabandeh: Eso es genial.

Sam Ransbotham: En realidad, me recuerda a Prakhar Mehrotra y Walmart. Salió y, esta fue una de nuestras entrevistas anteriores, dijo algo muy similar sobre cómo entiendes cómo automatizar o cómo poner tecnología en estas situaciones. Se hizo eco en gran medida del tipo de cosas que estás diciendo: [eso] no se puede hacer de forma aislada.

Gerri Martin-Flickinger: Así es. Y creo que hay un par de cosas que, en mi libro de jugadas, han seguido dando sus frutos una y otra vez. Y son solo cosas simples, simples. La primera es que las palabras importan. Las palabras importan. Realmente lo hacen. Cuando les digo, y les voy a pedir a ambos que me respondan; Te voy a hacer una pregunta ahora: cuando digo la palabra TI, ¿en qué piensas?

Shervin Khodabandeh: Pienso en servidores de correo electrónico y parches de software y cosas así.

Gerri Martin-Flickinger: Sam, ¿y tú?

Sam Ransbotham: Creo que soy parcial. Pensé más en una estrategia orientada, cómo está habilitando la conectividad dentro de la organización:

Gerri Martin-Flickinger: No estamos usando su respuesta. No no no.

Sam Ransbotham: Está bien. Soy un profesor de TI, por lo que tal vez ese sea mi sesgo allí. ¿Crees que la mayoría de la gente va, “Operaciones”?

Gerri Martin-Flickinger: Cuando digo TI, la mayoría de la gente habla de la mesa de ayuda; hablarán de apagones.

Sam Ransbotham: Boletos de problemas.

Gerri Martin-Flickinger: Hablarán sobre servicios, tickets de problemas, centros de datos. ¿Correcto? está bien. Cuando digo tecnología, la gente dice: “El futuro. Innovación. Cosas nuevas.” ¿Correcto? Entonces, si está en un negocio y alguien presenta a alguien que está en el departamento de TI, tiene una reacción. Si les presento a alguien y digo: “Esto es”, en el caso de Starbucks, “tecnología de Starbucks”, ¿cuál suena y se siente más inclinado al futuro?

Sam Ransbotham: En realidad, esa es una gran diferencia.

Gerri Martin-Flickinger: Es una gran diferencia.

Sam Ransbotham: Definitivamente veo la diferencia ahí.

Gerri Martin-Flickinger: Correcto. Por eso dije que las palabras realmente importan. Y entonces estábamos hablando de transformación y cómo se transforma una organización tecnológica hacia el futuro. Entonces, una cosa que es una de estas cosas probadas y verdaderas es, ¿nombró a su organización de una manera que enorgullezca a la organización, de modo que cada persona en la organización se siente un poco más derecha y tal vez trabaje un poco más? ? ¿Ha nombrado a la organización de una manera que realmente represente lo que quiere que sea? ¿Y lo nombró de manera que todos los demás en el negocio lo vean y digan: “Oh, eso es algo un poco diferente”?

Está bien. Sé que una respuesta larga a una de las cosas que creo que es realmente importante en la transformación es señalar que lo estás haciendo. Y así, por ejemplo, con Starbucks, cuando me uní, 90 días después de que me uní, [yo] cambié el nombre de TI a Tecnología de Starbucks. Nunca más usé la palabra TI.

Y si alguna vez estuviera en una reunión donde alguien dijera TI, detendría la reunión y diría: “No tenemos TI. Tenemos la tecnología de Starbucks”, y es un poco divertido, porque ese único cambio marcó una gran diferencia.

Lo siguiente que creo que puede marcar la diferencia es que necesitas un eslogan. Odio decirlo, pero todos los que están en los negocios, todos los que son directores ejecutivos, lo saben. Tienes que contar tu historia y no tienes cinco horas para contarla. Obtienes de seis a 10 palabras, y será mejor que hagas que la gente sienta curiosidad por preguntar más; así, pon un eslogan en su lugar. Súper simple: “Tecnólogos talentosos entregando hoy, liderando hacia el futuro. Tecnología Starbucks”. Eso es.

Esa simple frase, que todavía se usa hoy, después de seis años, continúa reforzando el valor de la organización, el valor de las personas, la importancia de hacer el trabajo, además de continuar construyendo para el futuro. Entonces, para mí, la transformación se reduce a las personas; hacer cualquier transformación con tecnología no tiene tanto que ver con la tecnología como con las personas que la hacen posible. Deben sentirse inspirados, deben sentir que lo que están haciendo es importante y deben sentir que tienen espacio para ser parte de la invención del futuro. Creo que eso es todo lo que tenemos que hacer como líderes, es dejar espacio para eso.

Sam Ransbotham: Gerri, fue genial hablar contigo. [Usted tiene] una gran experiencia y una gran capacidad para conectar esas experiencias para darnos una visión holística de lo que está sucediendo y lo que puede suceder en el futuro. Gracias por tomarse el tiempo.

Shervin Khodabandeh: Ha sido realmente maravilloso. Gracias.

Gerri Martin-Flickinger: Ha sido divertido. Muchas gracias.

Sam Ransbotham: La próxima vez, Shervin y yo hablaremos con Barbara Martin Coppola, directora digital de IKEA Retail. Únase a nosotros mientras escuchamos lo que Barbara piensa sobre el significado detrás de las palabras que usamos cuando hablamos de inteligencia artificial.

Allison Ryder: Gracias por escuchar Me, Myself y AI. Creemos, como usted, que la conversación sobre la implementación de IA no comienza ni termina con este podcast. Por eso hemos creado un grupo en LinkedIn, específicamente para líderes como tú. Se llama AI for Leaders, y si se une a nosotros, puede conversar con los creadores y presentadores de programas, hacer sus propias preguntas, compartir sus conocimientos y obtener acceso a recursos valiosos sobre la implementación de AI de MIT SMR y BCG. Puede acceder visitando mitsmr.com/AIforLeaders. Pondremos ese enlace en las notas del programa, yesperamos verte allí.

Síguenos en Google News
Te recomendamos
Foto perfil de Sam Ransbotham, Shervin Khodabandeh
Sam Ransbotham, Shervin Khodabandeh Sam Ransbotham (@ransbotham) es profesor en el departamento de sistemas de información de la Carroll School of Management en Boston College, así como editor invitado de la iniciativa Inteligencia artificial y estrategia empresarial Big Ideas de MIT Sloan Management Review. Shervin Khodabandeh es socio sénior y director general de BCG y colíder de BCG GAMMA (práctica de IA de BCG) en América del Norte. Se le puede contactar en shervin@bcg.com.
Descarga GRATIS nuestro especial
descargable
Descarga AQUÍ el artículo completo IA ¿Un riesgo para el planeta? ¡Descárgalo GRATIS!
Suscríbete al Newsletter
¡SUSCRÍBETE!