La IA está cambiando la forma en que los clientes eligen su negocio
Por Graham Kenny y Ganna Pogrebna
Inteligencia artificial y aprendizaje automático
Harvard Business Review
#Doxa #InteligenciaArtificial #ExperienciaDelCliente #Personalización #ComportamientoDelConsumidor #TomaDeDecisiones #Chatbots #Datos #Automatización #Recomendaciones #MarketingDigital
Resumen. A medida que la IA interviene cada vez más en la forma en que los clientes investigan, evalúan y eligen proveedores, la ventaja competitiva se desplaza de la comprensión directa del cliente a la gestión de las interacciones generadas por la IA. Basándose en las experiencias de tres pequeñas y medianas empresas con las que colaboraron, los autores muestran cómo las empresas pueden adaptarse. Un fabricante mejoró la eficiencia de las ventas filtrando las consultas generadas por IA antes de invertir tiempo de ingeniería en presupuestos. Un hotel boutique aprendió a monitorizar cómo las herramientas de IA describían su negocio y revisó el contenido público para mejorar la precisión y la diferenciación. Una empresa de software B2B sustituyó las revisiones periódicas de clientes por la monitorización continua de los comentarios de los clientes y las percepciones del mercado generadas por la IA. En los tres casos, la lección es que las empresas deben tratar a la IA como un nuevo intermediario en la relación con el cliente. Las empresas exitosas no necesariamente invertirán más en tecnología; construirán sistemas para escuchar continuamente, interpretar señales y adaptar la estrategia en mercados donde tanto los clientes como la información en la que confían están cada vez más mediados por la IA.
Durante décadas, las empresas han mejorado su ventaja competitiva observando a sus clientes a través de encuestas, grupos de usuarios, quejas y datos de uso, todo lo cual se ha visto cada vez más facilitado por el auge de internet.
La novedad actual reside en que ninguna de las partes de esta relación es ya puramente humana. Tanto los clientes B2C como B2B comienzan a investigar posibles compras con la ayuda de sugerencias y agentes, formándose opiniones sobre las empresas mediante IA incluso antes de interactuar con ellas. Según una encuesta de McKinsey, el uso relacionado con las compras es ahora la tercera aplicación más popular de la IA generativa, y la información que aporta la herramienta resulta decisiva para muchos. Alrededor del 50 % de los consumidores utiliza la IA para investigar productos y servicios, según un informe reciente de Semrush, una plataforma de visibilidad de marca. Las categorías en las que la IA desempeña un papel clave en la toma de decisiones incluyen no solo bienes de consumo (39 %), sino también viajes (21 %) y servicios financieros (13 %).
La aparición de este nuevo intermediario transforma dónde reside la ventaja competitiva, cómo las empresas la reconocen y cómo pueden gestionarla. En este artículo, analizamos cómo tres pequeñas y medianas empresas (pymes) a las que hemos asesorado o estudiado se han adaptado a tres desafíos diferentes pero relacionados en este nuevo entorno. (Los nombres de las empresas se mantienen en clave).
El problema: cualificar la demanda entrante
Para muchas pymes, un aumento en las consultas entrantes es una buena noticia. Más solicitudes de cotización, más correos electrónicos y más solicitudes de comparación de proveedores indican que el mercado está atento. Sin embargo, la compra asistida por IA complica esta señal.
Los clientes B2B ahora pueden usar herramientas de IA para generar listas de proveedores, redactar correos electrónicos de compras, preparar solicitudes de cotización y enviar consultas bien elaboradas a una docena de empresas en cuestión de minutos. El proceso de compra se vuelve más rápido para el cliente y más complejo para el proveedor. Una empresa puede recibir más solicitudes de cotización sin obtener más oportunidades reales, y su equipo de ventas termina dedicando más tiempo a cotizar y menos tiempo a diagnosticar, asesorar, producir y atender a los clientes.
El peligro es mayor para las empresas especializadas, aquellas cuya ventaja reside menos en suministrar un producto estándar y más en diagnosticar el problema específico de cada cliente. Entre ellas se incluyen fabricantes de precisión que asesoran sobre materiales y tolerancias, empresas de software especializadas que configuran sistemas en función del flujo de trabajo del cliente, consultoras de ingeniería que identifican riesgos ocultos en el pliego de condiciones y empresas de servicios profesionales cuyo valor reside en interpretar la situación del cliente antes de proponer una solución. Su experiencia radica en formular las preguntas que el cliente quizás aún no sepa plantearse, identificar las limitaciones que no ha reconocido y mejorar las especificaciones antes de que comience el trabajo.
Si respondes con demasiada rapidez a cada solicitud generada por la IA, competirás por precio antes de demostrar que tu experiencia aporta valor. En otras palabras, la IA puede generar una carrera por cotizar más rápido en lugar de mejor, y la rapidez es la carrera que menos desea ganar un especialista, ya que su valor añadido reside en ayudar al cliente a mejorar su propio valor mediante la experiencia que aporta a la tarea que debe realizar el cliente.
Lo que hizo Meridian Mouldings. Una empresa a la que llamaremos Meridian Mouldings, un pequeño fabricante británico especializado en componentes plásticos moldeados de precisión para clientes industriales, fue una de las primeras empresas que estudiamos o asesoramos en notar el cambio. Históricamente, sus consultas provenían de recomendaciones, relaciones recurrentes y contactos comerciales: compradores que ya habían identificado un problema de fabricación y buscaban ayuda para resolverlo. El volumen era manejable y la mayoría de las consultas derivaban en una conversación técnica provechosa.
Entonces la situación cambió. Meridian empezó a recibir muchas más solicitudes de cotización. Al principio, esto parecía un éxito: más compradores encontraban la empresa, y las consultas estaban bien redactadas, con un formato profesional y, a menudo, acompañadas de dibujos, tablas comparativas o breves resúmenes técnicos. Pero la tasa de conversión no mejoró. El equipo dedicaba más horas a preparar cotizaciones, mientras que menos de ellas se convertían en proyectos valiosos.
Cuando el director general y el equipo comercial revisaron el flujo de trabajo, tres cosas llamaron la atención. Muchas consultas se habían enviado a una larga lista de proveedores a la vez; algunas incluso mencionaban al proveedor equivocado o a varios en el mismo mensaje. Las solicitudes utilizaban un lenguaje genérico que hacía que cada trabajo pareciera más sencillo de lo que realmente era. Además, los documentos omitían sistemáticamente el contexto necesario para cotizar con responsabilidad: para qué servía la pieza, cómo se usaría, qué tolerancias de tensión se requerirían, si las versiones anteriores habían fallado, si el cliente deseaba asesoramiento de diseño y si el comprador estaba listo para la producción o simplemente recopilaba precios. La IA no había generado una mayor demanda, sino que había facilitado la generación de demanda de baja calidad.
Para Meridian, esto resultaba costoso porque la elaboración de presupuestos no era una tarea administrativa. Un presupuesto responsable requería la intervención de un ingeniero: alguien que revisara el plano, evaluara la selección de materiales, considerara las herramientas, analizara la viabilidad y, a menudo, detectara riesgos en las suposiciones del cliente. Por lo tanto, una solicitud de cotización mal formulada consumía tiempo de las personas cuya experiencia la empresa más necesitaba proteger.
La primera medida de Meridian fue analizar el problema en lugar de simplemente absorberlo. El equipo revisó las consultas recientes y las clasificó en tres categorías. Las consultas con la etiqueta "Listo para cotizar" contenían suficiente información técnica y comercial para respaldar una estimación responsable. Las consultas con la etiqueta "Necesita aclaración" podrían resultar valiosas, pero carecían de algo importante. Las consultas con la etiqueta "Buscando cotizaciones" eran amplias, genéricas o claramente distribuidas masivamente, sin indicios de que el cliente comprendiera el requisito o tuviera la intención de entablar una conversación técnica real.
El ejercicio modificó el enfoque habitual del equipo. La respuesta automática a una solicitud de cotización siempre había sido presentar una cotización; ahora, se trataba de calificar la solicitud. Antes de que alguien preparara un presupuesto, la consulta pasaba por un breve filtro de calificación. ¿El cliente explica la aplicación? ¿Conocemos el entorno operativo? ¿Existe un plano o una muestra? ¿Se especifican los requisitos de materiales y son coherentes? ¿Está claro el volumen previsto? ¿El cliente solicita asesoramiento, reemplazo, rediseño o producción? ¿Comprendemos el problema que intenta resolver? ¿Hay indicios de que se trata de un proceso de compra serio y no de un simple análisis de mercado?
Cuando se disponía de las respuestas, la consulta avanzaba rápidamente hacia la elaboración de un presupuesto. Cuando no se disponía de ellas, pero la oportunidad parecía prometedora, Meridian enviaba una breve y cortés nota de aclaración técnica explicando que podría ofrecer un presupuesto más preciso una vez que el cliente respondiera a algunas preguntas, normalmente sobre la aplicación, las condiciones de exposición, el volumen previsto, las tolerancias de uso, las suposiciones sobre los materiales, los fallos anteriores y los plazos.
Esto logró dos cosas a la vez: redujo el tiempo perdido en la elaboración de presupuestos y generó una mejor conversación de ventas. Los compradores serios solían responder: algunos proporcionaron el detalle que faltaba, otros concertaron una breve llamada. Estos intercambios tendían a revelar el verdadero problema comercial. Un comprador que había solicitado un componente de plástico barato resultó estar intentando reducir las fallas en el campo. Otro que solicitaba un reemplazo idéntico en realidad necesitaba asesoramiento sobre el diseño para la fabricación, ya que la pieza original no se podía producir de forma consistente. Un tercero, que había enviado la misma solicitud de cotización, perfeccionada con IA, a varios proveedores, se dio cuenta, gracias a las preguntas de Meridian, de que la especificación aún no estaba lista para ser cotizada.
Los clientes potenciales menos serios a menudo simplemente guardaban silencio, y Meridian aprendió a considerarlo un resultado, no una pérdida. Un cliente que no estaba dispuesto a responder preguntas básicas sobre la aplicación difícilmente valoraría la experiencia de la empresa; perderlos en las primeras etapas liberaba tiempo de ingeniería para tareas que se ajustaban a las fortalezas de la compañía.
Meridian combinó su filtro con una regla de triaje simple. Se priorizaron las consultas de clientes existentes, las oportunidades técnicamente complejas y todo lo relacionado con fallas, rediseños o aumento de producción. Las solicitudes genéricas de precio más bajo se descartaron a menos que cumplieran con criterios comerciales claros. La empresa no abandonó el trabajo sensible al precio; simplemente dejó de permitir que las solicitudes de cotización mal calificadas marcaran el ritmo del negocio. El último cambio fue interno y se redujo a lo que la empresa decidió medir. La revisión mensual de ventas siempre había comenzado con una sola cifra: cuántas solicitudes de cotización se recibieron. Ahora comenzaba con mejores preguntas: ¿Cuántas valía la pena cotizar? ¿Cuántas necesitaban aclaración? ¿Cuántas eran solo para obtener cotizaciones? ¿Qué preguntas nos ayudaban a identificar a los clientes serios? El aumento del volumen de consultas ya no indicaba automáticamente un aumento de oportunidades, y la dirección obtuvo una lectura mucho más precisa de la demanda real.
Meridian no adquirió ningún software nuevo para realizar estas tareas. Los criterios, la plantilla de aclaración y la regla de priorización se crearon y ejecutaron manualmente. La clave residía en la configuración predeterminada, no en las herramientas: en un mercado impulsado por IA, donde cualquier comprador puede generar y distribuir una consulta de apariencia creíble en cuestión de minutos, la respuesta ganadora ante un aumento repentino de la demanda suele ser una mayor selectividad, no una mayor velocidad. La competencia no radica en cotizar más rápido, sino en calificar mejor, protegiendo el tiempo de los expertos y aprovechando la oportunidad de entablar la conversación técnica en la que puedan demostrar su experiencia.
El problema: interpretar la retroalimentación
Como dice el refrán, quien no llora no mama. En lo que respecta a los clientes, esto significa que se presta atención a las quejas más sonadas y a los temas más frecuentes en los segmentos más rentables. Pero esos datos ya no provienen tan directamente del cliente.
Cada vez más, las opiniones de los clientes pueden ser escritas, asistidas o revisadas por IA. Un estudio revisado por pares sobre reseñas de hoteles utilizó 400 reseñas originales de TripAdvisor para generar 6000 reseñas parafraseadas por ChatGPT, lo que demuestra que el texto de las reseñas parafraseadas por IA puede crear nuevos desafíos de detección, ya que permanece vinculado al material original escrito por humanos, pero oculta su origen. Por otra parte, un análisis de 245 000 reseñas en Capterra, G2 y TrustRadius estimó que, según el sitio, entre el 10 % y el 30 % de las reseñas publicadas después del lanzamiento de ChatGPT probablemente fueron generadas por IA. Esta última estimación debe tomarse con cautela, ya que proviene de un proveedor comercial de detección de IA y no de un estudio revisado por pares, pero ambas fuentes apuntan al mismo problema de gestión emergente: la interpretación de las opiniones de los clientes se está volviendo más compleja. Un estudio que analiza más de 700.000 reseñas muestra que las reseñas falsas generadas por IA eran más fáciles de entender, pero menos específicas que las reseñas auténticas, lo que sugiere que un lenguaje de reseña muy cuidado no siempre refleja una experiencia genuina del cliente.
La implicación de ponderar los datos de retroalimentación es incómoda. Si solo se consideran las opiniones visibles (reseñas, quejas, respuestas a encuestas), no solo se está evaluando contenido generado por IA, sino que también se podría pasar por alto a un grupo mucho mayor de clientes cuya elección se basa, en primer lugar, en la descripción que la IA hace de la empresa. La imagen que la IA proyecta de su negocio se ha convertido en la voz del cliente, y la mayoría de las empresas no tienen un sistema para escucharla.
Lo que hizo Ashcombe Manor. Recientemente asesoramos a la dirección de un hotel boutique histórico y lugar para bodas en el Reino Unido, al que llamaremos Ashcombe Manor. El negocio depende en muchos sentidos de la cocreación con el cliente: cada boda es diseñada en parte por la pareja, cada estancia se adapta a las preferencias de los huéspedes, negociadas a través del equipo de planificación, y cada reseña posterior a la estancia influye en la decisión del siguiente huésped potencial.
Como la mayoría de los gerentes en su puesto, el director de marketing se centraba en las reseñas de TripAdvisor, Google y Booking.com, y ponderaba los comentarios según su volumen e intensidad emocional. Al auditar cómo se percibía el lugar, tanto en sus reseñas como en la descripción que le proporcionaban las herramientas de IA, descubrimos que: a) si bien las reseñas en los tres sitios web estaban bien redactadas, ya no transmitían una sensación auténtica de la experiencia de cada huésped; y b) cuando una pareja potencial preguntaba a ChatGPT o Perplexity por "los mejores lugares para bodas en [región]", Ashcombe Manor aparecía solo en dos de los diez resultados y se describía de forma inexacta en la mitad de ellos. Toda una capa de formación de la opinión de los clientes sobre el lugar se producía en conversaciones que el propio lugar no podía ver.
El trabajo que emprendió Ashcombe Manor consistió tanto en escuchar de manera diferente como en escuchar más. Se basó en tres líneas de trabajo. Primero, separaron las reseñas según el grado probable de mediación de la IA. Luego, el equipo desarrolló un conjunto simple de criterios para leer las reseñas y seleccionar cuáles destacar en el sitio web del hotel. Los pasajes largos y fluidos que utilizaban frases estándar de la industria hotelera, como "una experiencia mágica de principio a fin" o "un servicio impecable en un entorno impresionante", se marcaron como de baja señal, ya que probablemente habían sido pulidos por la IA, útiles para las calificaciones por estrellas, pero no para la estrategia. Sin embargo, las reseñas cortas o imperfectas que mencionaban personal específico, platos específicos o momentos específicos del día se marcaron como de alta señal y se discutieron en detalle en las revisiones de estrategia. Los temas que se repetían solo en el grupo de alta señal, no en el grupo pulido, se trataron como la verdadera voz del cliente.
En segundo lugar, el equipo de Ashcombe Manor realizó auditorías periódicas de cómo las herramientas de IA describían la propiedad. Cada pocas semanas, el equipo ejecutaba un conjunto fijo de preguntas a través de ChatGPT, Claude y Perplexity, como "mejores lugares para bodas en [región]", "hoteles boutique románticos cerca de [ciudad] para una boda pequeña" y "lugares históricos para bodas con alojamiento en el lugar". Registraban si la propiedad aparecía, en qué posición, junto a qué competidores y con qué descripción. Cada inexactitud u omisión se convertía en un elemento específico que corregir, no en la IA (que Ashcombe Manor no puede editar directamente), sino en el contenido público del que se nutría la IA. Cuando ChatGPT describía el lugar como un "hotel rural" en lugar de una finca histórica con una granja en funcionamiento, el equipo rastreaba el lenguaje hasta una descripción específica de un tercero y priorizaba colocar descripciones más precisas donde las herramientas de IA pudieran encontrarlas.
Basándose en estos hallazgos, Ashcombe Manor reescribió su contenido público para proporcionar a las herramientas de IA información específica con la que trabajar. El lenguaje genérico de la industria hotelera, como "encantador", "romántico" y "personal atento", no ofrece a la IA información distintiva. El equipo reescribió el texto del sitio web del lugar, los listados en directorios y los materiales de prensa para reemplazar las frases genéricas con detalles concretos, mencionando las características patrimoniales de la finca, los momentos más memorables de los huéspedes, el chef y su enfoque, el hecho de que el hotel obtiene sus alimentos de su propia granja y las tradiciones nupciales específicas que el lugar ofrece. El principio era simple: si tu contenido público suena igual que el de cualquier otro lugar, las herramientas de IA te describirán igual que a cualquier otro lugar. El contenido específico proporciona a la IA información específica que comunicar.
Tal como vimos en Meridian, el equipo de Ashcombe Manor lo hizo manualmente. No había software personalizado, ni un sistema de aprendizaje automático, ni un analista dedicado. Dos gerentes dedicaban unas horas cada dos semanas a leer las reseñas según los criterios del equipo, procesando el conjunto de preguntas con ChatGPT, Claude y Perplexity, y registrando los resultados en una hoja de cálculo compartida. La disciplina radicaba en la frecuencia y los criterios, no en las herramientas. Este cambio reconoció que una descripción inexacta en una lista de preselección de ChatGPT ahora tiene tanto peso estratégico como una reseña crítica en TripAdvisor, ya que ambas influyen en lo que los clientes potenciales creen antes de contactar.
El problema: mantenerse al día con los cambios frecuentes
La mayoría de las empresas aún consideran la cocreación de estrategias como algo puntual. Realizan una reunión estratégica fuera de la oficina, implementan un rediseño importante o convocan un consejo asesor de clientes una vez al año. Luego, retoman su rutina operativa. La cocreación puntual funciona cuando las expectativas de los clientes cambian en cuestión de meses. Tiene dificultades cuando las expectativas cambian en cuestión de semanas, y fracasa por completo cuando cambian a diario, algo cada vez más frecuente en los mercados mediados por la IA.
La razón es sencilla. Cuando los clientes investigan, comparan y se forman opiniones mediante herramientas de IA que se actualizan constantemente, el punto de referencia con el que evalúan su negocio cambia continuamente. El mismo producto que encantó a un cliente en marzo puede decepcionar a un cliente potencial en noviembre. Esto no se debe a que el producto haya cambiado, sino a que la IA que lo describe se ha reentrenado, los competidores con los que se compara han actualizado su contenido y el estándar implícito de "bueno" ha variado.
La cocreación continua no requiere tecnología a escala empresarial. Muchos equipos de productos SaaS B2B ahora utilizan IA para sintetizar los comentarios de los clientes. Las plataformas de comentarios de clientes con análisis temático, detección de sentimientos y flujos de trabajo de ciclo cerrado basados en IA cuestan entre 20 y 200 dólares al mes para pequeñas y medianas empresas, y las opciones gratuitas son suficientes para empezar.
Lo que hizo Runtime Harboris. Runtime Harbor es una pequeña empresa B2B SaaS en fase inicial con menos de 20 empleados. Vende herramientas de infraestructura de TI para desarrolladores a equipos de ingeniería en empresas tecnológicas en crecimiento. El sector está saturado con decenas de ofertas similares, desde pequeñas startups hasta plataformas consolidadas. Sus clientes son compradores técnicos que, cada vez más, seleccionan las mejores herramientas preguntando a ChatGPT y Perplexity: "¿Cuáles son las mejores herramientas [de la categoría] para una empresa SaaS en fase de financiación Serie B?". También leen reseñas resumidas por IA en Capterra y G2, y envían solicitudes de soporte y de nuevas funcionalidades, que a menudo se elaboran con la ayuda de la IA.
El proceso de desarrollo de productos tradicional de Runtime Harbor, que incluye entrevistas trimestrales con clientes, una revisión anual de la hoja de ruta y un ciclo de lanzamiento principal de seis meses, no puede seguir el ritmo. Para cuando la dirección se reúne para la planificación del tercer trimestre, las herramientas de IA que describen su categoría se han actualizado dos veces. En respuesta, Runtime Harbor ha adoptado un sistema de cocreación continua, con tres ciclos interconectados.
El primer ciclo consiste en la captura continua de señales de clientes. Runtime Harbor consolida tickets de soporte, grabaciones de llamadas de ventas, widgets de comentarios en la aplicación y menciones en plataformas de reseñas en una única herramienta de retroalimentación impulsada por IA, con un costo de entre $100 y $200 mensuales. La herramienta está diseñada para extraer temas, solicitudes, objeciones, gravedad e impacto comercial de cada conversación. Esto alerta al equipo cuando los patrones de retroalimentación superan ciertos umbrales; por ejemplo, cuando cinco cuentas empresariales mencionan el mismo problema en un plazo de 14 días. Donde antes el equipo de producto leía los tickets manualmente y los discutía mensualmente, ahora utiliza un agente de IA que agrega toda esta información y envía un resumen los lunes por la mañana al equipo, informándoles sobre los cambios en la opinión de los clientes, clasificados por intensidad y peso de la cuenta. La señal ha pasado de ser periódica a constante.
El segundo ciclo consiste en la monitorización continua de la representación de la IA. Cada dos semanas, un miembro del equipo designado ejecuta un conjunto fijo de preguntas a través de las principales herramientas de IA: «mejores herramientas de [categoría] para startups de la serie A», «compara las tres mejores plataformas de [categoría] para un equipo SaaS de 50 ingenieros» y «qué herramientas ayudan a reducir [problema] para una startup en fase inicial». Los resultados se registran en una hoja compartida para responder a las siguientes preguntas: ¿Dónde aparece Runtime Harbor? ¿Cómo se describe? ¿Qué competidores aparecen junto a ella? ¿Dónde están las imprecisiones? Estas pueden ser importantes: en un caso, ChatGPT describió sistemáticamente a la empresa como adecuada solo para startups muy pequeñas, cuando en realidad presta servicios a equipos de entre 50 y 200 ingenieros.
El tercer ciclo se da entre la señal y la acción. Runtime Harbor cuenta con un proceso establecido para actuar en el plazo de una semana laboral. Cuando la empresa detecta que los clientes solicitan una nueva función o servicio, se crea un prototipo de inmediato y se lanza a un grupo reducido antes de su aprobación para el público general. Además, cualquier información errónea en las herramientas de IA activa una actualización del sitio web de la empresa, las páginas de comparación y los listados de terceros, es decir, la información pública que las herramientas de IA utilizan para describir la categoría. Cada cambio retroalimenta el siguiente ciclo de retroalimentación y la siguiente auditoría de IA, cerrando así el ciclo.
El efecto combinado es que la estrategia de Runtime Harbor se crea de forma continua de manera conjunta entre tres partes: el equipo de producto de la empresa, los clientes de la empresa (que, a su vez, se ven potenciados por la IA en la forma en que evalúan, eligen y describen el producto) y las herramientas de IA que median entre ellos.
...
Las empresas que triunfen en los mercados impulsados por la IA no serán aquellas con los mayores presupuestos tecnológicos, sino las que hayan priorizado la escucha activa y la adaptación a las necesidades del cliente. La IA no solo ha ayudado a las empresas a cocrear estrategias con sus clientes de forma más eficiente, sino que ha transformado el diseño estratégico. Ahora, sus clientes investigan, comparan y eligen su empresa con la ayuda de agentes y asistentes de IA. Es necesario interpretar las señales, valorar las opiniones de los clientes y adaptar la estrategia con la IA de forma autónoma. Diseñe pensando en esto: defina a los clientes como participantes activos en la interacción humano-IA, priorice la autenticidad sobre la perfección y fomente una escucha continua en lugar de episódica.
Lea más sobre IA y aprendizaje automático o temas relacionados: IA generativa, comportamiento del consumidor, experiencia del cliente y servicio al cliente.
Graham Kenny es director ejecutivo de Strategic Factors y autor del libro Strategy Discovery. Como experto en estrategia y medición del desempeño, ayuda a gerentes, ejecutivos y juntas directivas a crear organizaciones exitosas en los sectores privado, público y sin fines de lucro. También ha sido profesor de administración en universidades de Estados Unidos y Canadá. Puede conectar con él o seguirlo en LinkedIn.
Ganna Pogrebna Es titular de la Cátedra David Trimble en la Universidad Queen's de Belfast. Profesora y ejecutiva con experiencia en IA conductual y tecnologías emergentes, colabora con empresas para mejorar la experiencia del cliente, fortalecer la toma de decisiones estratégicas y gestionar el riesgo tecnológico. Puedes conectar con ella en LinkedIn.
