Sergio Richter* lleva la innovación tecnológica a empresas globales, combinando tecnología, negocios y creatividad para transformar la forma en que los mercados toman decisiones.

Sergio Richter es un ejemplo de cómo la curiosidad y la reinvención constante pueden llevar a un profesional a impactar en el mundo. Graduado en 2007 de la carrera de Bioingeniería de UNER, primera generación universitaria, fue persistente en la búsqueda de nuevos desafíos hasta la creación de su propio camino en tecnología. Actualmente reside en una localidad llamada Dina Huapi, a 16 km de Bariloche, y distribuye su tiempo entre la pasión por la IA y la crianza de sus cuatro hijos/as, donde el tiempo se completa entre actividades cognitivas, manualidades y excursiones en la naturaleza. Richter creció en el campo entrerriano, dice que de joven aprendió lo que era el valor de la tecnología. Ya cuando era un niño, desarrolló el sistema eléctrico en su vivienda, así como un sistema de ducha, entre otras necesidades donde la tecnología “ayudó a su familia a vivir mejor”.

“No hay que esperar las condiciones perfectas” dice Richter que rindió libre el secundario desde su hogar, y fue inspirado por aquellos que fundaron empresas de tecnología desde un garage. Asegura que con recursos y foco uno puede lograr lo que busca. Su carrera fue desde un trabajo en INVAP, tecnología espacial, pasando por consultorías e inversiones en startups de tecnología hasta la IA. Asegura que su trabajo diario lo comparte con muchos graduados universitarios. “Mi carrera fue un camino de reinvención permanente”, dice Sergio, tan así que en sus primeros años como profesional le era “difícil imaginar que desarrollar soluciones de IA podría ser un modo de vida”, asegura. Hoy el cambio de enfoque fundamental en su vida es cómo puede usar la Inteligencia Artificial (IA) para resolver algo.

“La IA me permite enfocarme en lo que realmente genera impacto”

La Inteligencia Artificial ya no es una promesa de futuro: está transformando la manera en que las empresas e instituciones operan, toman decisiones y crean valor. Sin embargo, todavía circulan muchos mitos: que reemplaza trabajos, que es inaccesible para pequeñas empresas o que solo sirve para gigantes tecnológicos. La realidad es otra: cuando se utiliza de manera estratégica, la IA potencia la eficiencia, facilita decisiones más inteligentes y libera tiempo para enfocarse en lo que realmente genera impacto. 

Dialogamos con el graduado en Bioingeniería de la UNER, Sergio Richter, sobre el impacto de la IA en la sociedad y en los negocios. “Usamos inteligencia artificial para enfocarnos en las tareas que realmente generan valor, las que marcan la diferencia en el negocio”, afirma. Su experiencia invita a los empresarios a mirar la IA no como un riesgo, sino como una herramienta para innovar, crecer y tomar decisiones más informadas. Y en esa línea, los profesionales graduados de nuestra universidad desafían los ámbitos empresariales nacionales y globales.

—¿Cómo fue tu inicio profesional como graduado de UNER?

—Me gradué en 2007 de la Carrera de Bioingeniería de UNER. La Facultad me dio método y rigor académico, y afianzó mi mirada polímata de las cosas (hacer diferentes cosas con iguales capacidades). Fui la primera generación universitaria en mi familia, y esto fue un desafío muy grande para mí, romper esa barrera. Si puedo dar un consejo a cualquier universidad, es que hay que tratar al estudiante como un profesional en formación pensando que en breve va a ser un colega, y sostener ese estándar alto de exigencia y nivel académico, porque es lo que nos permite adaptarnos a diversos entornos y tener flexibilidad en el futuro. 

—¿Cómo llegó la inteligencia artificial a tu vida profesional?

—A veces me río cuando me preguntan esto porque es la pregunta obligada. Y lo entiendo porque hay muchos expertos recientes, por así decirlo, en inteligencia artificial. Pero si  ustedes ven mi mi track record, verán que en mi caso aprendí inteligencia artificial, sobre todo lo que era esa otra IA, que sentó las bases para la que evolucionó hasta hoy: con más datos y algoritmos depurados y complejos, como los transformers y demás, con una base en lo que siempre fue: redes neuronales artificiales. Aprendí con Drozdowicz, profesor de inteligencia artificial en la UNER, justamente en Bioingeniería, década del 2000. Y desde 2005 en adelante, aun como alumno, hice publicaciones de artículos técnicos sobre redes neuronales artificiales y demás. Imagínense, muchísimo antes de que aparezca la IA como palabra fancy. En realidad en esa época no servían para mucho las redes neuronales y todas estas soluciones, tanto por el poder de cómputo, como por la forma en la que operaban. Una época donde era muy difícil imaginar que la IA podría ser un medio de vida, trabajar todos los días dando servicios con inteligencia artificial, ¿no? 

Entonces, diría que una de las formas en las que cambió mi enfoque es que hoy tengo una capacidad de delivery muy acelerado debido a que puedo apalancar todas las tareas en las nuevas herramientas de inteligencia artificial. Siempre pienso, primero, cómo puedo usar la IA para resolver algo. Éste es el cambio de enfoque fundamental que trajo a mi vida.

—¿Y qué hace la IA por vos?

—Por un lado, la IA me exponencia, me ordena, me exige estándares. La uso en un montón de cosas. De hecho desarrollamos muchísimas soluciones, incluso mucho antes de estas capacidades conversacionales extremas que tenemos hoy día. Pero, en términos generales, claramente me ayuda a pensar mejor y más rápido mediante resúmenes de reuniones, draft de documentos, búsquedas, escritura de código. Me ayuda a conectar conocimiento, con búsquedas en contexto sobre repositorios internos y sobre conocimiento externo. Y en la empresa, nos ayuda a operar procesos usando agentes que orquestan tareas, que validan datos, que disparan flujos.

¿Qué aconsejo incorporar? Por un lado, no es que aconsejaría incorporar un modelo de lenguaje en especial: si ChatGPT, o si Grok u otro, porque creo que es mucho más que eso. Hoy, hay que incorporar capacidades, porque donde fracasan mucho las organizaciones y empresas para extraer valor de la inteligencia artificial, es que la piensan como plug and play, es decir, que la piensan como algo que se enchufa y anda, cuando en realidad hay que pensar la IA más como hacer outsourcing, es decir, como una capacidad en la que puedo tercerizar y apalancar ciertas tareas, actividades que hacen las organizaciones. Y ahí es donde está el valor real: que para tercerizar tareas o procesos, tenés que preparar muy bien la información con la que van a trabajar y los datos tienen que estar trabajados y pulidos.

Obviamente hay distintas formas de hacerlo y desde el punto de vista tecnológico hay capas: uno puede primero empezar por copilotos de texto y código. Después conectar la IA a nuestras propias bases de conocimiento a través de lo que son sistemas RAG,  conectándolo a nuestros propios datos y aprendiendo sobre lo que es una buena gobernanza de los datos. Luego, un siguiente nivel es a través de agentes y automatizaciones para cerrar el loop entre lo que es la inteligencia artificial y el negocio. Y por último, tiene que concentrarse en todo lo que es evaluación y guardrails, es decir, métricas de relevancia, precisión y observabilidad para hacer que esos agentes en producción, es decir, en la diaria, funcionen. Es mucho el esfuerzo consciente que hay que hacer para que la inteligencia artificial pase de lo que es una demo bonita, que es algo fácil de hacer y muy rápido, a algo que realmente esté en productividad sostenida y dé valor de forma consistente.

“Si uno logra gestionar bien la IA deja de ser una promesa o amenaza y se convierte más en una capacidad estratégica”

—¿La IA va a salvar el mundo o lo va a complejizar?

—Es ambas cosas, sin lugar a dudas es ambas cosas. La inteligencia artificial es como un tsunami tecnológico, en este caso, que si uno se para bien te impulsa, si le das la espalda te revuelca. Obviamente está acelerando todo lo que es ciencia, salud, educación y productividad, pero también complejiza muchísimas cosas con sesgos, cuestiones de seguridad, de impacto laboral, de regulación. Creo que ahí la clave es no ser extremista en ninguno de los dos aspectos, no elegir un extremo, sino poder gestionar esa complejidad, o sea, la complejidad de los datos, de la trazabilidad, de la evaluación continua, de la capacitación, a sabiendas de que al igual que un tsunami lo único que se puede hacer es elegir cómo reaccionar. Y generalmente, es ir hacia las partes altas, en este caso la altura es adquirir conocimiento para tramitar esa complejidad. Si uno logra gestionar bien la IA, deja de ser una promesa o amenaza y se convierte más en una capacidad estratégica.

No se trata sólo de tecnología

La inteligencia artificial es tan poderosa como la claridad con la que la usamos. No basta con “pedirle algo” y esperar la mejor respuesta: la clave está en cómo se lo pedimos. El destacado “buen prompt” —la instrucción que le damos a la IA— define si los resultados serán útiles o confusos.

Sergio Richter, lo resume así: “Un buen prompt tiene contexto, objetivo y claridad en la salida que uno espera. Cuanta más información le das a la IA, mejores y más valiosas son las respuestas”. En otras palabras, no se trata solo de tecnología, sino de pensamiento estratégico: saber qué queremos, en qué contexto y con qué formato nos permite que la IA se convierta en un verdadero aliado para tomar decisiones más rápidas y acertadas. 

—Y entonces, ¿es un genio/a la IA o la persona que hace el PROMPT?

—Ahí no hay genio, no hay magia, pensando en que si estoy usando un Large Language Model o algún tipo de modelo de lenguaje con el que estoy dándole instrucciones, prompts, como conocemos. Un buen prompt, obviamente da mucho valor real o ayuda, por así decirlo, pero en realidad el valor real está en el diseño de todo el sistema: qué datos le introduzco que sean de calidad, qué herramientas le doy de acceso a la IA, qué procesos defino de punta a punta, cómo son los feedback loops en ese proceso. 

Darle una buena instrucción implica traducir muy bien los objetivos organizacionales o de negocio que busco, a través de instrucciones muy claras. Es muy importante, pero sin datos, sin contexto, sin arquitectura, no hay resultados repetibles. Por eso lo veo como un equipo aumentado: Persona + Datos + IA + Procesos. Y ahí es donde realmente está el diferencial de la IA, ¿no? Cuando conecto IA a buenos datos que tienen las organizaciones, de los cuales se puede extraer mucho aprendizaje, es donde se empieza a agregar muchísimo valor en las organizaciones.

—¿Cómo era su uso antes del boom de los modelos generativos y cuáles son sus  aportes a áreas estratégicas de desarrollo?

—Como ya les comenté, retomé el camino de la inteligencia artificial previo al boom de las aplicaciones conversacionales, que a veces son las únicas en las que nos enfocamos, los llamados modelos fundacionales. Y eso me permitió tener un abordaje mucho más amplio de la inteligencia artificial, junto con las bases que había tenido en la Facultad y lo publicado desde temprano en estos temas. Entonces hablo en base al impacto de familias de casos de uso en inteligencia artificial, con infinidad de ejemplos en áreas estratégicas, en empresas e instituciones en las cuales hemos agregado inteligencia artificial con impacto. 

Si lo agrupamos por familias puedo mencionar:

-Predicciones y pronóstico: Prever comportamientos futuros. Por ejemplo, trabajamos en su momento en incorporar soluciones a un consorcio de productores agrícolas de la Costa Oeste de Estados Unidos que quería optimizar todo lo que era la venta de su cultivo (en este caso lúpulo). A través de modelos predictivos se pudo anticipar la demanda mensual por variedad para derivar el excedente al mercado spot sin comprometer contratos con los clientes. Esto tuvo un impacto enorme, aumentando en un 160% las ventas en su momento.

-Planificación: Se ha usado IA para modelar escenarios complejos, para tomar decisiones estratégicas u operativas. Un caso fue, por ejemplo, una empresa de energías del Perú, que necesitaba planificar la limpieza anual de su represa en el río Cañete. Necesitaban un pronóstico del caudal del río (basado en precipitaciones, flujo de agua y demás). Integrando datos meteorológicos, sensores y morfología. En un modelo de IA, uno puede tener un muy buen pronóstico con cinco días de antelación, para poder anunciar a toda la población que se va a hacer la limpieza y luego, realizar esa operación.

-Inteligencia en la toma de decisiones: Un retailer estadounidense que tenía que cerrar una tienda, tenía tres candidatas, y nuestro desafío era detectar cuál de ellas debería cerrar con menor impacto en clientes y en ventas. Y con modelos predictivos, a partir de los hábitos de compra de los clientes, se pudo determinar estratégicamente este resultado, con un mínimo impacto.

-Sistemas de recomendación: Utilizan algoritmos para sugerir productos. Lo utilizamos, por ejemplo, para una empresa automotriz en Estados Unidos, acerca de una pregunta clave: ¿cuál era el servicio adicional que podía interesarle a un cliente?. Esto se hizo con un sistema de recomendación de servicios.

-Segmentación y clasificación de clientes: Lo hemos usado, por ejemplo, el Customer Lifetime Value (CLV), que es el valor que puede aportar un cliente en todo su tiempo como cliente de una empresa. En base a eso, se lo ha clasificado para una aseguradora especializada en viajes, para entender ese valor potencial y orientar todas sus áreas de marketing, call center, operaciones y asistencia.

-Automatizaciones inteligentes: Durante las elecciones primarias de Argentina 2021, desde Baufest trabajamos con La Nación Data desarrollando y procesando más de 130 mil telegramas manuscritos con múltiples formatos y errores para hacer toda la validación con Computer Vision y un sistema de automatización. Ese proyecto le valió el premio a La Nación Data como el premio Telegramas PASO al mejor grupo de periodismo de datos del mundo.

-Percepción: Se ha trabajado mucho en todo lo que es Computer Vision y demás. Por ejemplo, en algún momento en una empresa europea con cámaras en planta, se buscaba reducir accidentes laborales. Con Computer Vision podíamos tener un análisis en tiempo real de que la persona no solo use el equipamiento correcto (casco, guantes, chaleco o lo que sea), sino que se reconocía también que las partes del cuerpo y su cobertura sea la apropiada, y podía reportar desviaciones en tiempo real, minimizando la tasa de posibles incidentes.

-Detección de anomalías: Hicimos un modelado para una empresa chilena de generación y distribución de energía, que necesitaba anticiparse al desafío de las interrupciones en su red. Entonces, se hacía una predicción sobre todas las estaciones transformadoras.

-Temas autónomos: Trabajamos en detectar automáticamente cardúmenes de anchovetas. Se hizo todo el modelado de la señal de sonar de los barcos y se usó detección de objetos para detectar automáticamente cardúmenes de anchovetas en una gran empresa pesquera de Centroamérica.

-Interfaces conversacionales: Desarrollamos un chatbot de innovación en la Agencia Nacional de Investigación e Innovación, en colaboración con el BID y el Microsoft Co-Innovation Lab de Uruguay. La idea era una interfaz que elimine barreras de uso, que permita acceder en lenguaje natural a toda la información sobre programas de apalancamiento del Estado para emprendedores, empresarios y demás.

-Generación de contenido: Automatizando procesos creativos para catálogos visuales, por ejemplo, de fotografías de productos. Como en un retail donde simulábamos un catálogo visual representando distintas etnias de cuerpos y se generaban modelos virtuales y se los vestía con prendas, mucho antes de que surja toda esta facilidad como hoy día.

-Descubrimiento de conocimiento: Hemos desarrollado una arquitectura de agentes multiagente para una empresa que trabaja con clientes como la NASA, Pepsico y demás, para anticipar tendencias reales de nuevas tecnologías. Analiza patrones ocultos dentro de la información de las patentes, de todas las publicaciones científicas. Se recopilan papers, patentes, reportes narrativos, después se detectan esos patrones emergentes, se generan modelos predictivos con escenarios what if, y después produce ideas que están prácticamente listas para prototipar.

-Agentes (Agent): Tambien trabajamos directamente con agentes, por ejemplo, desde una cadena multinacional en México con más de 23 mil tiendas, en la que se hizo todo un sistema de agentes para asistir a los abogados en la gestión de lo que son los procesos legales, de contratos y demás que necesitan las tiendas para operar. También en referentes de genética, de semillas, en soluciones de recursos humanos, retail y otro tipo de empresas.

“Con esfuerzo, con método y con un estándar alto, la tecnología deja de ser teoría, y se vuelve una mejora real realmente en la vida de las personas”.  

—¿Cuál es el vínculo entre IA y negocios/emprendimiento que tenemos que repensar?

—En cuanto al vínculo entre la IA y los negocios, el emprendimiento, me voy a salir de la mirada típica de que ahora es el momento para emprender con IA y voy a pensar más en la otra óptica. Primero que nada cuando voy a implementar IA para lograr impacto, necesito tener un problema claro y una métrica clara, es decir, una estrella norte: ¿qué es lo que quiero lograr? Reducir costos, tiempo, calidad, aumentar calidad, bajar el riesgo, lo que sea. Después, tengo que tener un proceso para ir de una prueba de concepto a una producción, es lo que llamamos un fast track, es decir, tengo que tratar de apuntar que eso ocurra en menos de 90 días y contar con un buen equipo para gestionar el desarrollo. Luego para que esa IA me sirva realmente, debo considerar muchas cosas, como las que llamamos nosotros MLOps y LLMOps: son los datos de uso versionados, tiene que haber guardrails en cuanto a la forma en la que responde la IA, tiene que haber una evaluación continua sobre sus respuestas. Después, tiene que haber un talento dual, es decir, tiene que haber negocios que entienda IA y técnicos que hablen de negocio. Y tiene que haber una economía unitaria: si cada ejecución no cierra en costos versus el valor que da, no va a escalar, o si no cierra el esfuerzo que hay que hacer para automatizar algo en función de lo que después te ahorrás, no tiene sentido.

En síntesis, hay que evitar hacer IA porque es fancy y en cambio hay que hacer soluciones de IA que realmente agreguen valor. Cuando uno busca problemas relevantes para resolver con inteligencia artificial, ahí la IA deja de ser sólo esa palabrita de estantería de innovación, y se vuelve más una capacidad core para las empresas.

—¿Cuáles son las sinergias que como Universidad podríamos destacar y/o fortalecer con los sectores socio-productivos?

—Las mejores sinergias se dan cuando la Universidad funciona como una fábrica de conocimiento aplicable y las empresas y los sectores socio productivos traen problemas reales a la Universidad. Es ahí donde se genera el mayor valor: cuando se comparten datos, talento y hasta riesgos. Por ejemplo, estos desafíos reales pueden transformarse en proyectos de investigación, tesis, trabajo en el aula y esto le da a los estudiantes una experiencia completa y al mismo tiempo la organización obtiene soluciones frescas. También es clave la existencia de los laboratorios o espacios de pruebas compartidos, donde se puedan prototipar tecnologías, y validarlas en un entorno controlado. Sumale a eso el acceso responsable a datos, con marcas claras de privacidad, y de ética, que son la base, realmente para las innovaciones aplicadas, sobre todo hoy día en inteligencia artificial.

Otro punto que es importante son las trayectorias de talento dual, es decir, programas de posgrado industriales, co autorías entre cátedras y empresas, o micro credenciales diseñadas en conjunto con el sector productivo; todo ello prepara a los profesionales que entran al mercado ya listos para aportar valor.

Entonces, ¿qué necesitamos? En base a la experiencia que tuve en CITES y abordando este análisis desde lo general (más allá de UNER), necesitamos mecanismos de transferencia ágiles: contratos simples, pilotos rápidos de menos de 90 días, oficinas de vinculación que puedan medir el éxito no solo en papers, sino en los proyectos escalados. En definitiva, creo que lo importante es pasar de colaboraciones aisladas a misiones compartidas, midiendo aspectos concretos como el tiempo que tardamos de ir de una idea a un piloto, o la tasa de proyectos que realmente llegan a producción.

—¿Cuánto utiliza hoy Argentina la IA como motor de desarrollo?

—Esta pregunta tiene varios atisbos. Particularmente la empresa en donde hoy estoy estamos desarrollando cosas muy interesantes, implementamos soluciones GenAI para cobranzas, reuniones, historias de usuario, soporte funcional y situación comercial de los clientes. En conjunto, tienen potencial de ahorrar muchas horas de trabajo al mes y creo que la estamos utilizando realmente como motor de desarrollo. Ahora si lo pienso a nivel país, Argentina tiene una gran capacidad, tiene fintech, agro, tiene software. Tiene una base científica muy fuerte y tiene mucho talento creativo. En mi humilde opinión creo que lo que falta es escala, es continuidad… y una demanda inteligente.

—¿Cómo podemos impulsar esto?

—Para empezar, una compra pública innovadora que traccione soluciones locales que realmente estén a la altura, apalancando soluciones interesantes. Otro camino es consorcios no excluyentes y múltiples: Universidad-Empresa, orientado a objetivos como salud, energía, trazabilidad, agro, para dar algunos ejemplos. Algunas ya están ocurriendo. Al mismo tiempo, trabajar mucho para que los datos sean de calidad y que podamos generar sandbox regulatorios donde probar soluciones con condiciones cuidadas. Llevar la formación de la Inteligencia Artificial a nivel de super usuario, es decir, saber explotarla bien por parte de las PyMES y del Estado y que no sea potestad sólo de expertos. Hablar el mismo lenguaje, ¿no? Y es que hay distintos niveles: tenemos el usuario que apenas sabe usarla o que sabe de qué va, super usuario que es el que le sabe sacar todo el jugo en su profesión, tercer nivel están los desarrolladores y en el cuarto nivel los investigadores de IA, pero super usuarios tenemos que ser todos, ¿no? Y en esta fase hay una importante labor, llevar la IA a todos.

Por último, hay que tener presente que hay que crear o reforzar lo que es la evaluación y la gobernanza para exportar realmente confianza, no solo código, cuando uno desarrolla soluciones de IA. Creo que si alineamos talento, datos y mercado, la Inteligencia Artificial realmente puede ser un motor de productividad y de exportaciones, obviamente en este sentido hablamos de desarrollo.

 *Sergio Richter es Bioingeniero de UNER. Director de IA Oversoft. Ingeniero Master en IA. MBA. Autor de ‘PROACTIVE INNOVATION®’