La inteligencia artificial puede que haya cautivado la imaginación del público a través de chatbots y generadores de imágenes, pero algunos de sus casos de uso más trascendentales se están desarrollando lejos de las herramientas orientadas al consumidor. En industrias donde la infraestructura física, la continuidad operativa y la seguridad son primordiales, la IA se está convirtiendo en una capa operativa central. Con sus vastos sistemas industriales y su flujo constante de datos operativos, el sector energético ofrece una visión de cómo podría ser ese futuro.
En Woodside Energy, la adopción de la IA no comenzó con modelos generativos ni con copilotos empresariales. La empresa ha pasado años construyendo sistemas de analítica predictiva, de optimización y herramientas de aprendizaje automático en las áreas de exploración, perforación, mantenimiento y operaciones de planta. «Siempre hemos tenido grandes volúmenes de datos operativos procedentes de los equipos, las plantas y los activos que operamos», afirma Andrew Melouney, vicepresidente de digital de la empresa. «Estos han generado casos de uso muy claros y de bastante valor para nosotros».
Esa inversión a largo plazo en infraestructura y gobe anza está posibilitando ahora una transición más amplia hacia sistemas de IA con capacidad de agencia que pueden apoyar flujos de trabajo industriales complejos. En lugar de reemplazar a los operadores humanos, Woodside diseña sistemas de IA para potenciar la experiencia en ento os de alto riesgo. Un excelente ejemplo es su «Startup Advisor», un copiloto de IA que ayuda a los operadores a gestionar el complejo proceso de puesta en marcha de plantas de gas natural licuado (GNL). «Realmente estamos pensando en cómo apoya a las personas de la organización para empoderarlas a tomar mejores decisiones, a tomar decisiones más rápidas», explica Melouney.
El enfoque de la empresa refleja una evolución más amplia que está teniendo lugar en la IA industrial: pasando de experimentos aislados a sistemas empresariales construidos sobre plataformas estandarizadas, datos gobe ados y patrones de despliegue repetibles. Esa transición, argumenta Melouney, exige a las organizaciones replantearse tanto sus pilas tecnológicas como la forma en que se realiza el propio trabajo. «No estamos simplemente ato illando la IA a un proceso existente», afirma. «Estamos pensando profundamente en cómo debe reinventarse ese trabajo».
El lema de Melouney se ha convertido en: “Piensa en grande, prototipa en pequeño y escala rápido”.
A medida que los sistemas de IA se vuelven más autónomos e interconectados, las empresas destinadas a tener éxito podrían ser aquellas que dedicaron años a construir los cimientos operativos que subyacen a la euforia.
"Nuestra verdadera ambición es una empresa autónoma, donde tengamos agentes con capacidad de acción que sean capaces de interactuar profundamente con nuestros flujos de trabajo centrales", afirma Melouney.
Este episodio de Business Lab ha sido producido en colaboración con Infosys.
Transcripción Completa:
Megan Tatum: Desde MIT Technology Review, soy Megan Tatum, y esto es Business Lab, el programa que ayuda a los líderes empresariales a entender las nuevas tecnologías que salen del laboratorio y llegan al mercado.
Este episodio está producido en colaboración con Infosys.
Ahora, cuando la gente piensa en inteligencia artificial, a menudo se imagina *chatbots* o herramientas de productividad, pero algunos de los usos más sofisticados y de mayor impacto de la IA están ocurriendo en realidad lejos de las aplicaciones de consumo, dentro de ento os industriales complejos donde la seguridad, la fiabilidad y los sistemas físicos son fundamentales. El sector energético global es un excelente ejemplo.
Empresas como Woodside Energy, un productor de energía global con sede en Australia Occidental, han estado aplicando la IA desde hace más de una década, desde análisis avanzados y operaciones, hasta soporte remoto para la toma de decisiones, mantenimiento más inteligente y eficiencia energética en activos a gran escala. Hoy, Woodside está ampliando esa experiencia, integrando la IA más profundamente en sus operaciones y en toda la empresa, con un fuerte enfoque en la gobe anza, la calidad de los datos y la responsabilidad humana.
Dos palabras para ustedes: combustible tecnológico.
Mi invitado de hoy es Andrew Melouney, vicepresidente de digital en Woodside Energy. Bienvenido, Andrew.
Andrew Melouney: Gracias, Megan. Es un placer estar aquí.
Megan: Es un placer tenerte. Andrew, como decía, el sector energético ha abordado la IA de forma bastante diferente a las empresas tecnológicas o de consumo. El valor inicial ha surgido en ento os operativos e industriales, en lugar de en herramientas de IA generativa orientadas al consumidor. ¿Por qué es así? ¿Y qué diferencia el recorrido de la IA en el sector energético?
Andrew: Megan, creo que todo se reduce a la naturaleza del trabajo que realizamos. Las operaciones energéticas y lo que hace Woodside son muy intensivas en activos, críticas para la seguridad y muy físicas. Y si uno piensa en cómo opera Woodside, operamos a lo largo de toda la cadena de valor. Realizamos desde la exploración hasta la perforación y el trabajo subsuperficial, el desarrollo de proyectos, y todo ello hasta la operación de activos, que a menudo se operan en ubicaciones remotas y hostiles, así como la comercialización y el trading de carteras energéticas a nivel global.
Siempre hemos manejado grandes volúmenes de datos operativos procedentes de los equipos, las plantas y los activos que operamos, y estos han generado casos de uso muy claros y de alto valor para nosotros. Si uno piensa en la fiabilidad, la seguridad y la eficiencia, estos son elementos realmente críticos para una empresa como Woodside. Llevamos muchos años aplicando IA tradicional. Si consideramos la analítica, la optimización o los modelos predictivos, esas técnicas las hemos estado aplicando a nuestros conjuntos de datos y a nuestro negocio desde alrededor de 2015.
Y más recientemente, con el advenimiento de la IA generativa, hemos descubierto que contamos con una base bastante sólida y magnífica sobre la que construir y, realmente, resolver problemas al servicio de la mejora del negocio. Y, de nuevo, ya sea para mantener a las personas seguras, mantener seguros los ento os en los que operamos o mejorar los rendimientos para la organización.
Megan: Fantástico. Lo has abordado ahí, pero ¿cómo ha moldeado esta realidad vuestra propia estrategia de IA en Woodside? ¿Dónde empezasteis y dónde demostró ser la tecnología más impactante en aquellos primeros días?
Andrew: Bueno, como he dicho, hemos tenido un largo recorrido en cuanto a comprender nuestros datos operativos, reconocer su valor y recopilarlos a escala para poder utilizarlos. Y hemos sido muy deliberados en ese enfoque, Megan. Hemos reflexionado mucho sobre dónde reside el valor y dónde los riesgos eran manejables. Y hemos empezado a analizar, en el mundo actual desde una perspectiva de IA agéntica, los problemas que se resolvían con IA tradicional, machine lea ing y ciencia de datos en el pasado. Y hemos empezado a pensar, ¿dónde podemos entonces superponer la IA agéntica para proporcionar un resultado aún mejor?
Para nuestra industria y organización intensivas en activos, estamos explorando áreas como la optimización del mantenimiento. También analizamos cuestiones como la de cómo asegura os de que nuestras plantas de GNL arranquen de forma fiable, consistente y segura. Y estamos teniendo muy en cuenta a nuestro personal de primera línea, asegurándonos de que proporcionamos a las personas en la primera línea las herramientas necesarias para realizar su trabajo. Cuando pensamos en la IA, nuestra reflexión se centra realmente en cómo apoya a las personas de la organización, empoderándolas para que tomen mejores y más rápidas decisiones. Creo que, con el tiempo, esto ha evolucionado de lo que era la analítica tradicional a la inteligencia artificial y la IA generativa. Y hemos aprendido en el camino que la tecnología es importante, pero que se trata de alinear a las personas, los procesos y la tecnología.
Hemos dedicado mucho tiempo no solo a la recopilación de datos y a contar con un conjunto de datos bien depurado sobre el que poder construir, sino que también hemos invertido mucho tiempo en formar a las personas sobre cómo trabajar con metodologías ágiles, cómo aplicar el design thinking, cómo resolver problemas y cómo asegurar que la tecnología que, por ejemplo, mi equipo puede aportar a la organización se adopte de forma eficaz y con un propósito definido. Y creo que una vez que tuvimos esa base sólida establecida desde una perspectiva tecnológica y de datos, una vez que se estableció una sólida confianza entre nuestros equipos digitales y la organización, realmente vimos un repunte sustancial y que la escalabilidad de la tecnología se extendiera más ampliamente por toda la empresa.
Megan: Fantástico. El factor humano es tan importante, ¿verdad? La tecnología es solo una herramienta que debe estar en las manos adecuadas. Y ha mencionado los datos; la IA industrial, obviamente, depende de cantidades ingentes de datos. ¿Podría explica os con un poco más de detalle cómo han abordado los datos en Woodside? ¿Cómo se estructuran y gobie an, y cómo herramientas como la inteligencia de mantenimiento se integran en ello?
Andrew: Lo cierto es que los datos son verdaderamente fundamentales y esenciales para todo lo que hacemos, especialmente desde una perspectiva tecnológica. Estos nos brindan la capacidad de innovar con agilidad cuando construimos sobre una base sólida. Como mencioné anteriormente, nos hemos beneficiado de una inversión a largo plazo en nuestros datos operativos subyacentes. Creo que la forma en que concebimos los datos es que son un activo para nosotros.
Y cuando piensas en operar una instalación donde tienes sensores por todas partes, datos transmitiéndose en tiempo real, y operadores que necesitan tomar decisiones en tiempo real, hemos tomado conscientemente la decisión, a lo largo de muchos años, de invertir en esa plataforma de datos a escala empresarial para asegura os de que sea segura. Contamos con activos de datos bien estructurados y una sólida gobe anza sobre esos datos para que, cuando se utilicen, cuando se integren en una aplicación de ciencia de datos o un agente de IA, tengamos un nivel de confianza en ellos y se utilicen de forma responsable. Y que, cuando se usen, se pueda confiar en que proporcionarán el resultado que esperamos.
Hemos desarrollado plataformas que ingieren continuamente datos de muy alta frecuencia de los activos y de nuestros sistemas empresariales. Una vez que hemos podido desarrollar soluciones sobre eso, las partes del negocio que pueden poseer los sistemas que recopilan esos datos ven el valor en ello.
Si nos fijamos en algo como la inteligencia de mantenimiento, es un muy buen ejemplo de cómo hemos podido aprovechar algo en lo que hemos estado trabajando durante mucho tiempo. Woodside realiza mucho mantenimiento, es una parte muy importante de nuestro negocio y ocurre en todos nuestros activos operativos. Pero hemos estado estudiando cómo realizamos análisis predictivos y mantenimiento predictivo durante mucho tiempo a través de ese conjunto de datos que poseemos. Y algo como la inteligencia de mantenimiento es una solución que nos da la capacidad de optimizar cómo realizamos ese mantenimiento. Y lo que hace es analizar los registros de mantenimiento históricos, junto con el rendimiento del equipo. Y de nuevo, al tener ese conjunto de datos bien gobe ado y en un solo lugar, obtenemos la capacidad de correlacionar diferentes conjuntos de datos, como registros de mantenimiento de SAP, junto con, por ejemplo, el equipo y el rendimiento procedentes de nuestro data lake de series temporales.
Y cuando construimos sobre eso, algo como la inteligencia de mantenimiento nos brinda la oportunidad de recomendar a los activos cuál podría ser el momento óptimo para las actividades de mantenimiento, y realmente ofrecer un objetivo bastante simple, que es hacer el trabajo correcto en el momento adecuado. Y con algo como la inteligencia de mantenimiento, hemos visto la oportunidad, y tenemos la oportunidad de reducir las horas de mantenimiento hasta en un 15% en cinco años en uno de los activos en los que hemos pilotado esto. Y a medida que hemos desarrollado ese modelo analítico subyacente, ahora somos capaces de aplicar IA agéntica sobre eso y proporcionar mejores perspectivas y optimizar aún más esa solución.
En esencia, se trata de proporcionar a nuestros equipos de activos y a nuestros equipos operativos la capacidad adecuada de apoyo a la decisión, que garantiza que sigan siendo responsables de tomar la decisión y de asegurar que se realice el trabajo correcto, pero les estamos brindando la mejor oportunidad posible para que usen su criterio y experiencia, con los datos que proporcionamos, para tomar la decisión correcta.
Megan: Suena a un cambio realmente significativo. El año pasado también marcó un hito en la transición de los aprendizajes iniciales de la IA a la escala, utilizando la IA de forma más deliberada como un factor multiplicador. ¿Qué transición intentabais llevar a cabo y cómo la abordasteis?
Andrew: Bueno, Megan, en Woodside hemos tenido una filosofía desde hace mucho tiempo desde una perspectiva de innovación, donde realmente queremos pensar a lo grande, prototipar a pequeña escala y escalar rápidamente. Queremos encontrar grandes oportunidades que podamos perseguir, pero queremos asegura os de ver cómo las implementamos a pequeña escala primero, y luego proporcionar el aprendizaje y la visión adecuados que puedan escalarlo en todas partes. Algo como la inteligencia de mantenimiento es un buen ejemplo de ello, o nuestro Asesor de Puesta en Marcha, donde sabemos que tenemos múltiples plantas que necesitamos poner en marcha. Sabemos que tenemos múltiples activos que necesitan mantenimiento, por lo que tenemos una ambición grande y audaz sobre cómo podemos mejorar y optimizar eso. Comenzamos con un pequeño prototipo; podría ser un subsistema, podría ser solo una parte de un activo, y luego lo escalamos, aprendemos y escalamos más rápido.
Creo que, desde una perspectiva de aprendizaje de la IA, una de las cosas clave que hemos aprendido es la transición de pasar de soluciones de IA aisladas a una capacidad coordinada a nivel empresarial. Si echamos la vista atrás quizás 18 meses, dos años, en nuestro recorrido en IA generativa, raramente empezamos desplegando la IA tan ampliamente como pudimos en la organización desde una perspectiva de productividad personal. Y siendo probablemente bastante abiertos en cuanto a los problemas que resolveremos, los problemas de negocio que resolveremos con IA. Eso nos aportó muchos beneficios en cuanto a permitir que nuestra organización conociera la IA, conociera sus capacidades y generara confianza en ella.
Lo que hemos aprendido, sin embargo, es que hemos necesitado pivotar de eso a ser un poco más estrictos en cuanto a dónde vamos a invertir nuestro tiempo y recursos y en soluciones de mayor valor. ¿Cómo podemos entonces habilitar y empoderar al resto de la organización para que puedan resolver problemas eficazmente con la tecnología en su dominio o en su productividad personal sin tener que recurrir a un equipo central?
Cuando pensamos en eso, pensar a lo grande, prototipar a pequeña escala, escalar rápidamente, ha sido algo realmente importante para nosotros. La transición de un enfoque más amplio al desarrollo de casos de uso y al desarrollo de soluciones a un enfoque ahora más reducido en las prioridades de alto valor. Hemos visto que eso nos está dando frutos y nos permite ir tras soluciones y oportunidades, cosas como el Asesor de Puesta en Marcha.
Y así, nuestro Asesor de Puesta en Marcha es una solución de IA basada en agentes que realmente tiene como objetivo optimizar, empoderar y apoyar mejor a nuestros operadores que se sientan frente a un panel de control y tienen que poner en marcha plantas de GNL, las cuales son instalaciones increíblemente técnicas y requieren habilidades verdaderamente especializadas para su puesta en marcha. Y así, nuestro Asesor de Puesta en Marcha es casi como un copiloto que se sienta junto a esos operadores, y les da la capacidad de reproducir puestas en marcha anteriores. Les da la capacidad de ver cómo está progresando la puesta en marcha actual, y les proporciona mejores perspectivas para optimizar cómo ponen en marcha esa instalación. Y de nuevo, poner en marcha una instalación de GNL es increíblemente complejo.
Megan: Me lo puedo imaginar.
Andrew: Cuando pensamos en oportunidades como Startup Advisor, de nuevo, volvemos a ese principio de pensar en grande, prototipar a pequeña escala y escalar rápido. Partimos de una visión muy audaz: ¿cómo ponemos en marcha todas nuestras plantas de GNL de una manera mucho más estructurada y optimizada? ¿Cómo damos un mejor soporte a nuestros operadores de panel? ¿Cómo conseguimos que, por ejemplo, un operador de panel menos experimentado tenga un copiloto que pueda ayudarle casi como si tuviera a un operador de panel experimentado sentado a su lado? Y cuando pensamos en esa visión y en la capacidad de prototipar a pequeña escala para luego escalar rápidamente, creo que ha sido un gran éxito para nosotros.
A medida que escalamos, nos hemos expandido de forma natural a soluciones más basadas en agentes. Hoy, tenemos alrededor de 50 agentes de IA en producción, dando soporte tanto a nuestros activos operativos como a nuestros flujos de trabajo empresariales. Estas herramientas han sido probadas en ento os reales, y hemos visto realmente el beneficio de poder pasar de soluciones puntuales que quizás resuelven problemas a pequeña escala en áreas específicas, a soluciones de IA y agénticas con capacidad de acción que pueden funcionar realmente en todos nuestros flujos de trabajo.
Podemos hacer esto porque hemos estandarizado la plataforma sobre la que construimos y tenemos patrones repetibles. Este ha sido otro aprendizaje realmente importante para nosotros, y es que no queremos construir 50 soluciones de 50 maneras diferentes. Realmente queremos empoderar a nuestra organización, a nuestros equipos técnicos y a los usuarios de nuestras soluciones para que las implementen rápidamente, de forma segura, y lo hagan de manera estandarizada y sobre una plataforma.
Pero el último punto que quiero destacar, Megan, desde una perspectiva de aprendizaje, es que hemos comprendido realmente que una gobe anza sólida sobre cómo se implementa y desarrolla la IA es fundamental para nosotros, y es fundamental también para poder avanzar rápidamente. Las formas tradicionales de gobe ar cómo implementamos diferentes soluciones o sistemas digitales no van a escalar a la amplitud que necesitamos cuando pensamos en la IA. Tener una filosofía clara sobre cómo innovamos, la transición de soluciones aisladas a esa capacidad a nivel empresarial, y asegura os de tener plataformas sólidas con patrones robustos y una gobe anza clara son las tres cosas realmente críticas que hemos aprendido.
Megan: Pilares tan importantes, todos ellos. Y habéis estado trabajando con Infosys en este camino. ¿Cómo ha ayudado esa colaboración a acelerar la escalada y la integración de la IA en todo el negocio?
Andrew: Bueno, Infosys es nuestro proveedor de servicios gestionados, y por ello desempeña un papel fundamental en las operaciones de nuestro negocio principal. Una de las cosas que me gusta decir es que nuestra licencia para innovar se basa en nuestra licencia para operar. Y así, para que mi equipo pueda acudir a un activo operativo o a una función corporativa y tener la confianza necesaria para innovar, reimaginar y rediseñar cómo se realiza el trabajo, para poder hacer eso, necesitamos asegura os de que nuestras plataformas principales, nuestros sistemas centrales y nuestras aplicaciones funcionen de forma realmente fiable, segura y consistente todos los días. Contar con un socio experimentado como Infosys que se ocupe de esas operaciones centrales en colaboración con nuestros equipos inte os es muy, muy importante para nosotros.
A medida que pasamos de los proyectos piloto a un despliegue a nivel de toda la empresa, la capacidad de colaborar con alguien como Infosys también nos brinda la capacidad de escalar. Y así, siendo de Perth y Australia Occidental, aunque tenemos un equipo local realmente sólido en Australia Occidental y también un equipo muy fuerte en algunas de nuestras otras ubicaciones operativas, como todo el mundo, nos cuesta encontrar personas que puedan cubrir puestos de IA. Poder colaborar con Infosys y tener a nuestra disposición una serie de modelos operativos diferentes se vuelve realmente importante para nosotros. Tener equipos mixtos, formados por personal de Infosys, de Woodside y de algunos de nuestros otros socios, realmente aporta diversidad de pensamiento y experiencia a la forma en que resolvemos los problemas.
Fundamentalmente, la colaboración nos ha permitido operar e innovar con mayor confianza. Aunque Woodside siempre conserva la propiedad de la estrategia, de nuestra dirección y de la gobe anza, y mis equipos siguen siendo responsables de los resultados, no podemos hacer lo que hacemos sin colaboraciones sólidas como la que tenemos con Infosys.
Megan: Fantástico. Y a medida que la adopción de la IA escala, como usted misma ha señalado, la gobe anza adquiere una importancia creciente. ¿Qué desafíos ha planteado eso y qué salvaguardas han implementado en Woodside?
Andrew: Megan, la gobe anza es muy importante para nosotros, y operamos en un ento o bien regulado. Esto implica que debemos tomar decisiones muy deliberadas y bien fundamentadas cuando consideramos cómo desplegar tecnología en nuestra organización, ya sea inteligencia artificial o cualquier otra cosa. Y, por tanto, la gobe anza es fundamental para nuestra forma de abordar la ejecución de nuestra estrategia de IA en Woodside.
Hemos implementado quizás dos o tres aspectos realmente clave. El primero consiste en asegurar que cada caso de uso de IA pase por una evaluación estructurada, y esto implica verificar que cumple con nuestros controles de privacidad y nuestros controles de ciberseguridad. También nos planteamos la pregunta, no solo si podríamos hacerlo, sino si deberíamos hacerlo. Debemos integrar la seguridad, la ética, la transparencia, la rendición de cuentas, y asegura os de tomar una decisión informada. Cuando una solución de IA está pasando por esa evaluación estructurada, si surgen preocupaciones sobre cómo podríamos usar esa solución, esta se remite a un consejo de IA compuesto por líderes sénior de toda la organización. Ese consejo y ese grupo supervisan la priorización y la gestión de riesgos. Ahí es donde podemos tener debates realmente sólidos y robustos sobre, de nuevo, si podríamos hacer algo, si deberíamos hacerlo y cómo mitigamos cualquiera de los riesgos que podríamos introducir.
Creo que el último punto, Megan, se centra realmente en la gestión del ciclo de vida. Cuando uno empieza a pensar, tenemos 50 en este momento, pero si tuviéramos 500 agentes trabajando en nuestra organización, amplificando realmente la experiencia, la toma de decisiones y la creación de valor de nuestro personal, queremos tener la capacidad de gestionar el ciclo de vida de cómo operan esos agentes. Queremos saber: ¿Cuántas personas los están utilizando? ¿Cuál es su eficacia y el resultado? ¿Existe deriva del modelo? ¿Necesitamos reajustarlos o reentrenarlos? Creo que esa es un área en la que muchas organizaciones, incluida Woodside, aún están profundizando y descifrando la mejor manera de hacerlo. Podemos hacerlo con bastante facilidad con 50 agentes, pero 500, 5.000, 50.000 se convierte en una oportunidad para nosotros. De nuevo, al pensar en cómo nos asociamos con otros, la resolución de problemas como estos presenta una oportunidad para cocrear y co-resolver con algunos de nuestros socios, como con Infosys.
Megan: Fantástico. Para terminar, ¿cuál es su visión a largo plazo para la IA en Woodside? ¿Cómo ve su evolución en los próximos años, y qué podría desbloquear para el sector, en su opinión?
Andrew: Así que, Megan, creo que nuestra ambición es realmente hacia una empresa autónoma, donde tengamos agentes con autonomía que sean capaces de interactuar profundamente con nuestros procesos clave. El objetivo que perseguimos con ello es proteger a nuestro personal, proteger los ento os en los que operamos y poder suministrar energía al mundo a un coste más bajo. Al considerar esa ambición, observamos que puede aplicarse a casi todas las áreas en las que trabaja Woodside. Ya sea desde la exploración hasta el desarrollo de proyectos, pasando por las operaciones o el marketing, la magnitud de la oportunidad que se nos presenta y nuestra capacidad para cambiar realmente el flujo de trabajo dentro de la organización resulta verdaderamente apasionante.
Para nosotros, hay tres elementos fundamentales que debemos acertar para poder ejecutar esa ambición. El primero es reflexionar profundamente sobre cómo se realiza el trabajo en la organización, de modo que no estemos simplemente acoplando la IA a un proceso existente, sino que estemos pensando a fondo en cómo ese trabajo necesita ser reinventado. También debemos considerar cómo capacitamos a nuestra fuerza laboral para que trabaje de manera diferente, proporcionándoles las habilidades, las herramientas y la capacidad para realmente aprovechar el poder de la tecnología que ofrecemos.
En segundo lugar, debemos seguir alejándonos —y refrena os de— implementar soluciones puntuales que resuelven problemas muy específicos, para pasar a tener sistemas de sistemas más conectados y con capacidad de agencia que puedan interactuar entre sí. Para lograrlo, y si lo hacemos con éxito, es ahí donde realmente obtenemos el desbloqueo de alto valor al permitir que los agentes interactúen con los flujos de trabajo y cambien verdaderamente cómo se realiza el trabajo.
Y, por último, Megan, se trata de cómo debemos continuar con nuestra filosofía de pensar a lo grande, prototipar a pequeña escala y escalar con rapidez.
Megan: Lo cual es una lente fantástica a través de la cual tomar todas estas decisiones. Muchísimas gracias, Andrew. Él era Andrew Melouney, vicepresidente de digital en Woodside Energy, con quien hablé desde Brighton, Inglaterra.
Hasta aquí este episodio de Business Lab. Soy su anfitriona, Megan Tatum. Soy editora colaboradora y presentadora de Insights, la división de publicaciones personalizadas de MIT Technology Review. Fundada en 1899 en el Massachusetts Institute of Technology, puede encontra os en formato impreso, en la web y en eventos cada año en todo el mundo. Para más información sobre nosotros y el programa, visite nuestro sitio web en technologyreview.com.
Este programa está disponible dondequiera que escuche sus pódcasts. Y si ha disfrutado de este episodio, esperamos que se tome un momento para califica os y dejar una reseña. Business Lab es una producción de MIT Technology Review, y este episodio fue producido por Giro Studios. Muchísimas gracias por escucha os. Adiós.
Este contenido fue elaborado por Insights, la división de contenido personalizado de MIT Technology Review. No fue escrito por el equipo editorial de MIT Technology Review. Fue investigado, diseñado y redactado por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para las mismas. Las herramientas de IA que pudieron haberse utilizado se limitaron a procesos de producción secundarios que pasaron por una exhaustiva revisión humana.