Jonathan Conradt: [00:00:00] En esencia, una IA es una llamada a función. Es como en Excel, tienes la función de sumar. Todos la usan y das la lista de columnas o filas que quieres sumar, lo toma como entrada y produce una salida. Y la IA, eso es todo lo que es.
David Rice: Bienvenido al pódcast Personas que Gestionan Personas. Nuestra misión es construir un mejor mundo laboral y ayudarte a crear lugares de trabajo felices, sanos y productivos. Soy tu anfitrión, David Rice.
Mi invitado de hoy es Jonathan Conradt. Recientemente dejó Amazon, donde trabajaba como Principal científico de IA. Vamos a hablar sobre IA, aprendizaje automático, y qué debe suceder en cuanto a la educación alrededor de estas tecnologías que se están incorporando cada día más en el trabajo de las personas.
Así que Jon, bienvenido.
Jonathan Conradt: Gracias.
David Rice: Para empezar, cuéntanos un poco sobre ti, cómo llegaste a donde estás y ¿cuál es el mayor reto en el que estás trabajando actualmente?
Jonathan Conradt: Sí, llevo mucho tiempo en tecnología.
Formé parte del equipo original de Chrome en Google, me uní cuando éramos unas [00:01:00] 40 personas. Y si alguna vez has usado las versiones de Chrome para Mac o Linux, ese era mi “bebé”. Después estuve en eBay, donde gestioné su marketing e integré la IA y el aprendizaje automático en eso, tanto en el sitio como fuera de él.
Y durante los últimos 12 años, estuve en Amazon. Allí descubrí que había grandes proyectos de IA que no se aprobaban, y algunos proyectos de IA mediocres sí que pasaban. El problema principal es que Amazon tiene gente muy inteligente, vicepresidentes muy listos.
Están bien formados. Provienen de grandes trayectorias. Conocen su negocio de principio a fin, pero la IA les llegaba de repente y no sabían cómo gestionarla o qué implicaba. Les costaba tomar buenas decisiones sobre en qué debían invertir. Así que perdían buenas ideas y, a veces,
Invertían en cosas que no iban a funcionar tan bien. Así que en mi último año en Amazon, la mayor parte de mi tiempo lo dediqué a [00:02:00] preparar currículos y enseñar a vicepresidentes y directores de todo el mundo en Amazon sobre aprendizaje automático e IA. Finalmente, decidí. Si es tan caótico dentro de Amazon, con personas en una empresa tecnológica, ¿cómo será fuera de Amazon?
Por eso decidí dejar Amazon y hacer cosas como esta: tratar de ayudar a la gente a entender qué es la IA, dónde deben tener precaución, dónde deben ser agresivos y. Ayudarles a aprovecharla al máximo.
David Rice: Es un momento muy interesante y oportuno para hacerlo.
Hay muchas cosas que creo que el aprendizaje automático y la IA pueden hacer. Algunas empresas lo ven como la novedad tecnológica del momento. Algunos tienen grandes ideas, pero como hablábamos antes de entrar en la llamada, hay muchas soluciones más prácticas que pueden ayudar a las empresas a abordar necesidades inmediatas.
Me preguntaba, ¿puedes darnos algunos buenos ejemplos y dónde puede RRHH implementar algo para tener impacto inmediato?
Jonathan Conradt: Sí, entonces [00:03:00] la IA generativa es esa bola brillante que a todos les llama la atención, ¿verdad? Pero el aprendizaje automático tradicional también ha avanzado mucho en los últimos años.
Uno de esos avances se llama aprendizaje automático automático. Básicamente, los científicos se dieron cuenta de que seguían los mismos pasos cada vez y vieron el potencial de automatizar eso. Hay un paquete open source muy bueno llamado autogluon.
Es bastante excepcional. Cuando lo vi, tuve una especie de crisis existencial. Porque me di cuenta de que era un paquete con el que alguien que tenga habilidades decentes de SQL, que sepa un poco de Python, puede producir un modelo de clase mundial en una noche, algo que a mí me podría haber llevado meses crear.
Eso es muy útil. Así que en RRHH, hay varias cosas que necesitas hacer. Quizá quieras clasificar cosas. Por ejemplo, identificar personas que se beneficiarían de formación en liderazgo, o empleados que estén [00:04:00] en riesgo de marcharse. Esas cosas. Y estos modelos lo pueden hacer.
También hay tipos de predicciones relacionadas con cifras. ¿Cuántos currículums esperamos recibir? ¿Cuántas personas necesitamos para operar el almacén dentro de dos semanas? Ese tipo de predicciones de cifras. También lo hace muy bien. Y también puede hacer series temporales. Las series temporales sirven para entender, por ejemplo, la estacionalidad de los datos.
Aunque no sé cómo se relaciona esto exactamente con RRHH, seguro que hay aspectos estacionales en RRHH que conviene identificar. Lo notable es que, en tres líneas de código, alguien que tenga los datos puede crear un modelo de clase mundial. Me parece asombroso.
David Rice: Sí, es muy interesante. Por supuesto, RRHH recibe cada vez más datos, especialmente con tantas nuevas herramientas.
Y sé que has hablado antes sobre IA responsable y has dicho que esto es [00:05:00] complicado cuando se trata de RRHH. Háblanos un poco sobre las consideraciones éticas más importantes respecto a la IA y los RRHH.
¿Y qué hay que resolver en estos modelos antes de integrarlos en RRHH?
Jonathan Conradt: Sí. En Amazon tenemos business partners de RRHH, personas vinculadas a cada equipo y son buenas consejeras. Cuando empezamos a crear algunos modelos, estos iban a usar datos de clientes para predecir cosas y RRHH y legales se convirtieron en socios imprescindibles, porque los científicos y técnicos muchas veces solo tuvimos una clase de investigación humana en la universidad hace mucho. Para RRHH, estas leyes y preocupaciones están siempre presentes. Por tanto, hay una oportunidad singular de incorporar a RRHH y hacerles buenas preguntas.
Cosas como cómo gestionar el género, qué sensibilidades hay en torno a la raza. Esos temas los domina RRHH [00:06:00]. Pero también puede ocurrir dentro de RRHH. Por ejemplo, un área de RRHH quiere automatizar procesos. Todos esos asuntos son muy delicados.
El ejemplo clásico es: Quieres automatizar la clasificación de currículums entrantes para ganar eficiencia. Pero hay peligros, porque los modelos de aprendizaje automático hacen trampas. Buscan atajos todo el tiempo para llegar a la respuesta.
Así que ocurren cosas como que el modelo detecta que quienes mencionan en su currículum que jugaban lacrosse en secundaria históricamente son contratados y ascendidos. Eso puede ser un sesgo histórico. Y es algo que no quieres como filtro para contratación o entrevistas.
No esperarías que esa palabra fuera importante para el modelo. Pero, como digo, los modelos hacen trampas. Detectan todas esas cosas. Y [00:07:00] entonces, la IA responsable es un conjunto de ideas sobre cómo gestionar mejor la relación entre nuestros objetivos y las personas involucradas.
Sean clientes o empleados o candidatos. ¿Cómo gestionamos sus datos? ¿Cómo somos justos entre subgrupos? ¿Cómo comunicamos honestamente y con transparencia lo que hace el modelo? Esta es un área interesante de ética. Y RRHH dedica mucho tiempo a la ética y cómo tratar bien a las personas.
La responsabilidad es un ámbito fascinante para RRHH y tiene impacto en muchas soluciones del área. Por ejemplo, quieres crear un modelo que prediga quién de tus empleados será vicepresidente en seis años. Es útil para retener y desarrollar ese talento.
Es un buen modelo. Pero, mientras se crea, hay que ser [00:08:00] muy cuidadoso porque, por ejemplo, si todos los vicepresidentes actuales en tus datos de entrenamiento provienen mayoritariamente de universidades de élite, o son hombres, esos factores estarán en los datos.
Así que para actuar correctamente en términos de IA responsable, hay que eliminar los factores que no deberían considerarse. No permitas que el modelo vea o infiera cosas que no contemplarías en una promoción real. Sí, la IA responsable es muy interesante. Hay cursos sobre el tema online.
Hay muchos artículos y la regulación ya está aquí, por ejemplo en la UE. Se acerca a EE.UU. Posiblemente, ya se ha presentado en el Congreso y es un área donde RRHH probablemente esté por delante de muchos científicos, así que puedes estar al tanto y ayudar a otros a entenderlo.
David Rice: Sí, eso es súper importante. Como decías, algunos datos perpetúan sesgos. Estuve hablando con alguien que mencionó un estudio donde se decía que las mujeres eran [00:09:00] un 75 por ciento menos propensas a experimentar con IA que los hombres. Pensé, ¿qué datos genera eso?
Eso puede perpetuar el sesgo de que las mujeres no tienen ciertas habilidades. Todo tiene una reacción, ¿verdad?
Jonathan Conradt: Sí, es interesante. Por ejemplo, el modelo de lenguaje grande de OpenAI, ChatGPT. No usan directamente lo que escribes para entrenar el modelo.
Porque la gente escribe de todo tipo de cosas terribles y absurdas. Tus datos de entrenamiento son el recurso más valioso de una empresa de IA, así que no quieres diluirlo o llenarlo de basura. Lo cuidan mucho. Pero recogen señales de cómo interactúas. Una señal es:
¿Reformulaste la pregunta? Si preguntas algo sobre, por ejemplo, la guerra de Corea y luego vuelves a preguntar lo mismo de otra forma, es una señal para ellos de que no se hicieron entender bien. [00:10:00] Finalmente, cuando consiguen una respuesta que te gusta, eso es una buena señal para ellos. Pero, claro, si hay sesgo de género, de ingreso, de geografía, en cómo interactúan los usuarios, el sistema aprende a gusto de quienes más interactúan. Un gran ejemplo es este (aunque no sé si es cierto, pero es el rumor):
Los modelos de OpenAI tenían un lenguaje peculiar, con palabras más frecuentes en sus respuestas que en una conversación normal. Alguien notó que sonaba como el inglés de Kenia. Puede que fuese Kenia o algún otro país africano.
Ocurrió porque, al crear esos modelos, hay un proceso llamado aprendizaje reforzado con retroalimentación humana. Se hace una pregunta, el sistema genera cinco respuestas y alguien elige cuál es mejor. Pasaron algunas cosas.
Una, la gente elegía la respuesta más larga, aunque no fuera la mejor, por parecerlo, así que el modelo empezó a generar respuestas cada vez más extensas. Además, los evaluadores elegían respuestas que sonaban [00:11:00] como se habla en su país. Así que, con un gran grupo de contratistas en un país africano, acabaron eligiendo tonos y usos de lenguaje de su propio país, que no es igual al inglés estadounidense ni al británico.
Eso se detectó y se empezaron a crear herramientas para detectar textos generados por IA sólo por el uso atípico de palabras, al menos en el contexto de EE.UU. Es un ejemplo donde, claramente, los sesgos pueden colarse de muchas formas.
Si más hombres lo usan, podría acabar respondiendo de una forma más satisfactoria para hombres que para mujeres, por ejemplo.
O puede enfocarse en responder más frecuentemente a los temas que trata la mayoría de la población. O imitar el dialecto de quienes entrenan el sistema.
David Rice: Fascinante.
Un tema recurrente es el de los límites, ¿verdad? En cuanto a cómo se usa la IA, los límites se mencionan mucho respecto a los empleados. Pero a veces me pregunto si habría que poner más límites [00:12:00] a los ejecutivos. Quizá evitar que inviertan demasiado en cosas incorrectas.
David Rice: En cuanto a la tecnología, ¿cuánto podemos realmente poner límites a los empleados? Y, ¿hace falta educar antes a los ejecutivos sobre estas herramientas antes de implementarlas y dárselas a empleados?
Jonathan Conradt: Ahí hay mucho que analizar. Primero, te cuento que del lado científico también se habla de límites. Hay modelos de control para que, si alguien escribe una pregunta sobre cómo fabricar una bomba con fertilizante,
Cuando llega esa pregunta, hay modelos rápidos y pequeños altamente entrenados para identificar violencia, cosas ilegales, o poco éticas, y simplemente descartan la pregunta para no hacer el procesamiento costoso, porque no está permitido responder eso. Otro control funciona después de la respuesta para asegurar que la IA no fue engañada para revelar información prohibida,
Como fabricar una bomba. Así que hay un término técnico ahí. Limitar a los empleados es complicado porque todos tienen móvil y, en mi caso, [00:14:00] tengo en casa una máquina corriendo una IA y acceso desde el teléfono para hacer lo que quiera con ella.
Podría consultarle cualquier cosa, subir cualquier documento. Si a los empleados se les bloquea por completo y no pueden acceder a estas herramientas, buscarán la manera de hacerlo igualmente.
Las herramientas les resultan demasiado valiosas: un email que tardaba 20 minutos, ahora lo escriben en cinco usando IA y editando el texto propuesto.
El gran problema de prohibirlo por completo y no dar alternativas es que usarán modelos que no controlas ni supervisas. Y pueden hacer cosas muy imprudentes, como subir documentos de la compañía. Si revisas los términos y condiciones de OpenAI, Google y seguramente todos los demás, dicen que cualquier cosa que subas puede ser usada por la empresa para mejorar el modelo de manera gratuita y perpetua. Así que no quieres que [00:15:00] alguien suba los planes de negocios, el presupuesto o listas de empleados, sería un desastre.
Afortunadamente, ahora existen controles útiles. Por ejemplo, puedes conseguir cuentas corporativas para estas IA. Amazon (mi ex empleador) ofrece una forma de tener tu propia IA accesible para todos los empleados, de manera separada y segura, sin que se compartan datos con Amazon.
Creo que pronto todas las empresas ofrecerán algo similar. ¿Y qué pasa con los ejecutivos? Bueno, también son igual de propensos a subir documentos sensibles a la IA como cualquiera. Incluso pueden ser peores.
Y no suelen saber dónde está realmente esa IA: ¿es interna, protegida, o un tercero externo? Puede ser complicado para los ejecutivos saberlo, porque son expertos en su materia, [00:16:00] formados, inteligentes, pero no en IT.
Cuando se les forma (como en los cursos de phishing), aprenden a no hacer clic en enlaces peligrosos ni a subir documentos incorrectos.
Es importante darles acceso a una herramienta útil, protegida y oficial. Pero eso no son proyectos. Los proyectos serían reemplazar el departamento de atención al cliente por una IA, por ejemplo.
Algunas empresas pioneras ya intentaron eso: fueron muy rápidas, gastaron mucho dinero, afrontaron muchas dificultades y probablemente no tuvieron éxito, pero fueron los pioneros. Las empresas que piensan en estos proyectos ahora son más bien seguidoras rápidas.
Pueden analizar qué funciona ya en el mercado y el coste ha bajado mucho. Así, no gastan tanto y hay investigaciones sobre cómo medir el impacto de estas cosas. Tomemos atención al cliente:
Nadie dice “Ojalá me atienda una máquina por chat”. Nadie espera eso, y menos los mejores clientes. Así que hay oportunidad de ganar eficiencia, pero hay que ser precavido.
Una de las primeras cosas que sugeriría es [00:17:00] tener un modelo que diferencie entre problemas graves, costosos de recuperar, y consultas sencillas que solo cuestan dinero.
Como cambiar una contraseña. Pero sí, poner límites a ejecutivos es un verdadero problema. Es parte de por qué dejé Amazon, para poder conversar con las empresas y preguntarles qué datos tienen, qué experiencia, qué problema quieren resolver, si quieren ganar o ahorrar dinero, y si han probado soluciones más simples.
Invito a las personas a reservar 50 minutos en mi agenda, y vemos si puedo ayudarlos.
Creo que hay tres tipos de empresas: las pioneras, que han probado todo, gastando mucho y probablemente sin mucho éxito. Segundo, las “nunca jamás”, convencidas de que todo esto es como el cripto, una moda pasajera. Esas empresas están en peligro, porque esto es más parecido a la llegada de la electricidad. Y están las organizaciones de seguimiento rápido, que ahora están evaluando datos, haciendo pilotos, y ahorraron dinero porque ahora es más económico. [00:18:00] Creo que ellos tendrán éxito y alcanzarán rápidamente a los pioneros, porque el rendimiento de los modelos alcanza un máximo (plateau).
Los pioneros llegan allí primero, pero los seguidores rápidos llegarán muy pronto porque la tasa de mejora es muy rápida.
David Rice: Sí, así el aprendizaje y los dolores de crecimiento no serán tan duros porque gran parte ya ha ocurrido.
A veces me pregunto si la gente tiene suficiente comprensión fundamental de cómo funciona el aprendizaje automático para aprovecharlo al máximo. ¿Dirías que es así? Y ¿qué podemos hacer para cambiar eso en el corto plazo en cuanto a formación y desarrollo?
Jonathan Conradt: Totalmente. No hay mucha comprensión. Incluso entre perfiles técnicos. [00:20:00] Estuve en Wharton, Universidad de Pensilvania, dando una charla a estudiantes de posgrado sobre qué es el aprendizaje automático. Es media hora y llega un momento donde explico que, en el fondo, una IA es una función, como en Excel, una suma: le das columnas o filas y obtienes un resultado. Eso es todo.
Esa función, entre usos, no planea ni conspira ni sueña. No existe realmente fuera del momento en que es usada.
La IA es un objeto matemático, una función. Toma una entrada, la procesa y da una salida. Muchas cosas asombrosas que vemos que puede hacer son realmente codificaciones alrededor de la IA, para organizarle los datos. Todo eso es complicado.
Es como esperar que todos entiendan cómo funciona el sistema de inyección de combustible de un coche. Nadie lo sabe y sin embargo usa el coche y le sirve. Así que hay que dar el nivel adecuado de entendimiento a cada grupo:
Unos serán usuarios, otros técnicos, otros estarán en lo profundo y otros serán solo beneficiarios. Va a ser complejo.
RRHH suele ser responsable de la formación. Decidir a quién formar y en qué. Es complicado, pero una solución “de mantequilla de cacahuete”, igual para todos, no funcionará. [00:22:00]
En Amazon, enseñé a vicepresidentes y altos ejecutivos. Una pregunta era qué hacer para quienes conducen camiones o trabajan en almacenes. Mucha gente sin estudios universitarios, pero trabajadores y valiosos. ¿Cómo formarlos en IA para que no le tengan miedo?
La empresa necesita IA, no quieres quedarte fuera porque el personal le tiene miedo. Tiene que haber formación adecuada según su realidad y responder a sus preguntas. También hay otra formación, la de los altos ejecutivos, que es muy distinta.
David Rice: Una de las áreas donde hay mucho interés en aplicar esta tecnología es el bienestar del empleado. Hablé con alguien con un uso curioso: tecnología de voz para detectar burnout o [00:23:00] estrés, y tenemos muchos datos que pueden dar indicadores de comportamiento.
¿Dónde crees que esto cambiará el enfoque en el bienestar de empleados en los próximos años?
Jonathan Conradt: Es un tema que me interesa mucho, ahora trabajo con dos investigadores en una manera de no solo medir el bienestar sino mejorarlo con el tiempo. Una cosa grandiosa de la IA es que es muy paciente.
Puede ser una fuente valiosa de información porque puedes proporcionarle información precisa y práctica, y la IA puede responder y dar consejos al respecto. Hace mucho, trabajé en Gallup y ayudé a desarrollar StrengthsFinder: buscaba que los responsables entendiesen mejor a sus empleados y el objetivo era que todos en la empresa ganasen con un mejor conocimiento y apoyo mutuo. Eso hoy lo llamamos parte del bienestar laboral.
[00:24:00] Ahora, con IA, intentamos aprender de la gente de forma más interactiva cómo se siente. Muchos sistemas de evaluación se basan en marcar casillas, pero al final uno suele dudar si se interpretará bien la selección.
Así que damos la oportunidad, además de los datos obligados, de que el empleado se exprese. “Al terminar esta sección, cuéntanos qué pensabas, qué fue lo más importante, qué desearías que aprendiésemos de lo que dijiste.” Ese texto es muy valioso. Una vez creé un modelo para predecir qué artículos científicos consideraría interesantes, de entre miles. Funcionó bien, pero mejor aún cuando transformé títulos y resúmenes de los artículos en vectores (objetos matemáticos de dirección y módulo).
Sin gran esfuerzo, usé IA para vectorizar esos textos. Con eso, el modelo mejoró un 14%. Eso es mucho. Del mismo modo, si en una encuesta de satisfacción laboral puedes entender las respuestas abiertas y mejora tu comprensión en un 14%, [00:26:00] puede marcar una gran diferencia.
David Rice: Sí. Entonces, en cuanto a los datos y herramientas que tenemos, ¿cuál es el potencial no aprovechado para ayudar a la gente y su visión de su trabajo, la empresa, su experiencia, etc.?
¿Se puede cambiar cómo los líderes abordan estas cuestiones?
Jonathan Conradt: Una de las preguntas más frecuentes que me hacen es si es posible externalizar RRHH o legal a un agente (IA). Mi respuesta es que los más propensos a usar asistentes de IA son los propios profesionales de RRHH, porque su trabajo es muy complejo.
Hay mucha información, deben buscar y consolidar datos. Un agente es una IA capaz de hacer cosas por sí misma: pedir información, consultar bases de datos, aplicaciones, hacer búsquedas. Así que creo que veremos cómo todos tendrán asistentes ejecutivos virtuales.
Imagina a toda una empresa con asistentes ejecutivos automatizados, que gestionan las tareas administrativas y simplifican cosas como leer emails y sugerirte información útil para responder. Incluso te propone opciones de respuesta.
Pero la decisión final la toma el humano, que puede matizar según el contexto o corregir posibles errores de interpretación de la IA.
Creo que serán herramientas muy útiles y poderosas. De hecho, lo curioso es que la IA reemplaza mejor a los vicepresidentes que a nadie. Su función principal es la síntesis de información, [00:28:00] recibiendo datos de toda la organización para tomar decisiones estratégicas. Ahí, la IA supera a los humanos.
Creo que empezaremos con los denominados “copilotos” de Microsoft, asistentes o ayudantes de IA. Serán útiles y ahorrarán tiempo, permitiendo un mejor entendimiento del negocio. Por cierto, sería un error de las empresas limitarse a reducir personal para mantener el mismo nivel de trabajo usando IA.
Por ejemplo, en programación, ahora los programadores con IA trabajan mucho más rápido. Hay dos reacciones posibles: una, despedir gente y conservar el mismo output. Otra, reconocer que en toda empresa tecnológica hay siempre más tareas deseadas que recursos para hacerlas, y hay que descartar cosas que ayudarían al cliente o la organización.
Si la IA aumenta la productividad, baja la línea de corte: puedes hacer más tareas útiles. Las empresas inteligentes usarán ese beneficio para liberar tiempo y producir más para los clientes, superando a la competencia.
Así, las empresas que recorten personal y ofrezcan lo mismo con menos gente serán superadas por las que mantengan el personal y hagan mucho más trabajo y más cosas para sus clientes.
David Rice: Me encanta.
Jonathan, quiero agradecerte por acompañarnos hoy. Antes de despedirnos, hay dos cosas que me gusta hacer siempre con los invitados. [00:30:00] La primera es darte la oportunidad de contar dónde puede encontrarte la gente y si quieres compartir algo en lo que estés trabajando.
Jonathan Conradt: Sí. Dejaremos un enlace para concertar una charla de 15 minutos conmigo sobre cualquier tema. Cuéntame sobre tu empresa y los problemas que intentas resolver. Me encanta aprender sobre nuevas empresas. Era parte de mi trabajo en Amazon reunirme con equipos de todo tipo para explicarles qué procesos de aprendizaje automático podían emplear para mejorar su día a día. Así que animo a la gente a programar una cita en Calendly.
David Rice: Eso estará enlazado en la descripción de este episodio. Así que no dudes en reservar, y también conectar con él en LinkedIn.
La segunda es que tenemos una pequeña tradición: puedes hacerme una pregunta, la que tú quieras, sobre el tema o sobre cualquier otra cosa.
Te cedo la palabra.
Jonathan Conradt: Sí. Tengo curiosidad: la IA hace [00:31:00] un gran trabajo en la edición de vídeo y similares. ¿Cómo ha impactado la IA en ti y en el pódcast?
David Rice: En el pódcast, es increíble lo que puede hacer con el audio, a veces nos ayuda mucho a mejorar la calidad.
No sé si es más trabajo de la IA o de los editores, pero a veces el efecto que produce en la voz es curioso. Pero lo más importante en mi trabajo es la creación de contenido, lo rápido que ha cambiado y cómo organizamos todo, desde la idea hasta el resumen y el desarrollo del contenido. Es lo que más ha cambiado. Ha transformado la naturaleza misma de la creación de contenidos. En algunos aspectos no diría que es más fácil, porque aún estamos aprendiendo cómo sacarle el máximo partido y que diga exactamente lo que quieres y se ajuste a tu público objetivo. Me sorprende a dónde hemos llegado desde la primera vez que usé ChatGPT. [00:32:00]
Jonathan Conradt: Es impresionante, ¿verdad?
David Rice: Ha cambiado rapidísimo.
Jonathan Conradt: Creo que la edición de telenovelas se ha revolucionado de la noche a la mañana.
Graban tantísimo vídeo y editarlo era una tarea enorme, solo por la cantidad de vídeo. Supongo que pasa lo mismo con los realities. Estas herramientas han reducido el tiempo de edición drásticamente. Básicamente, ya consiguen una primera edición automática. Eso es increíble.
David Rice: Increíble, sí. Seguro que todos los grandes estudios de cine están invirtiendo muchísimo.
Jonathan Conradt: Sí. Un placer conocerte, David.
David Rice: Igualmente, ha sido un gran programa. Espero que podamos repetirlo en el futuro.
Jonathan Conradt: Gracias.
David Rice: Y a los oyentes, si no lo han hecho, pueden visitar peoplemanagingpeople.com/subscribe y suscribirse al boletín. Hasta la próxima, sigan [00:33:00] experimentando.




