- Un texto del fundador de Butter, adquirida por GrubMarket, que resume cinco años de experiencia desde 2020.
Parte 1: qué no hacer
Punto de partida: la pandemia y la oportunidad de la transformación digital
- Durante la pandemia de 2020, fundó Butter al ver el potencial de la transformación digital en la industria alimentaria.
- Problemas que detectó:
- Los chefs seguían prefiriendo métodos tradicionales, como hojas de pedido escritas a mano y pedidos por teléfono o mensaje de texto
- Los mayoristas dependían de tecnología obsoleta (ERP de los años 90, inventario en Excel, pagos con cheques en papel)
- Solo capturar los pedidos de clientes les tomaba 6 horas al día
- Plan de solución:
- Digitalizar los flujos de trabajo centrales con un ERP integral basado en la nube que capturara el workflow clave y funcionara como sistema de registro
- Integrar servicios financieros como pagos, préstamos y nómina para maximizar el valor por cliente (ACV)
- Introducir un proceso de comunicación fluido para chefs y mayoristas, y generar efectos de red de plataforma con una app de pedidos estilo DoorDash
((inspirado por Choco, otra app de pedidos que creció rápidamente hasta convertirse en unicornio)
Pero fracasó
- Parecía un éxito asegurado (
no-brainer), pero estaban completamente equivocados
Trampa 1: complejidad técnica y personalización excesiva
- Pensaban que construir un ERP sería simple, pero en la práctica los requerimientos distintos de cada cliente agotaron los recursos de desarrollo
- Ej.: atajos de teclado, diseño de pantallas de captura de datos, formatos específicos de factura
- Resultado: un producto dependiente de personalizaciones y sin escalabilidad
Trampa 2: ciclos de venta largos
- Cambiar de sistema ERP es complejo y requiere aprobación de muchos departamentos:
- Las empresas clientes evitaban el cambio pese a las incomodidades del sistema actual
- En temporadas altas de los restaurantes, las oportunidades de venta eran limitadas
- Resultado: baja tasa de cierre (solo 20~30% del objetivo)
Trampa 3: baja disposición a pagar y largo ciclo de activación de ingresos
- La mayoría de los clientes operaba con márgenes bajos (alrededor de 5%):
- Para clientes que pagaban $80 al mes por QuickBooks, el costo de migrar a un ERP era una carga
- Los ingresos adicionales por fintech y la app de pedidos también tardaban mucho en activarse
Trampa 4: demasiados experimentos
- En la etapa inicial intentaron al mismo tiempo varios modelos de ingresos y efectos de red:
- Expandieron demasiado el frente sin asegurar primero un caso de éxito único
- Resultado: burnout del equipo y baja velocidad de iteración
Lecciones aprendidas con dolor
- Hubo muchos momentos de orgullo mientras operaban Butter:
- Levantarse a las 2 a. m. y dormir en la bodega para asegurar un onboarding exitoso
- Construir un software complejo pero intuitivo que los clientes amaban
- Desarrollar guías de implementación sistemáticas
- Pero fracasaron en construir un negocio venture escalable
- Lección 1. No depender de ideas basadas solo en hipótesis de alto nivel:
- Hay que hablar directamente con la gente de bodega, de campo y de back office para obtener insights reales
- Conversar con el objetivo de “buscar la verdad”, no de confirmar una idea previa
- Lección 2. Elementos necesarios para construir un producto exitoso:
- Conseguir usuarios que entiendan profundamente el problema:
- Nadie cambia de sistema si el dolor de mantener el estado actual no supera la fricción del cambio
- A veces solo hacen falta unos pocos catalizadores para que ocurra el cambio
- Capacidad real de pago:
- Si el cliente no tiene holgura financiera para costear la solución, el valor ofrecido no sostendrá los ingresos de la empresa
- Una experiencia de producto 10 veces mejor que la actual:
- Cuanto más tradicional sea el cliente, más dramática debe ser la mejora
- Hay que abordar las razones por las que el cliente se quedó tanto tiempo con el método anterior
- La importancia de la simplicidad:
- El producto inicial debe ser simple y fácil de adoptar
- Ej.: en vez de vender un bidé japonés sofisticado, enfocarse en resolver un problema básico de plomería
- Lección 3. Modelo de negocio y condiciones para el éxito en SaaS:
- El tamaño del contrato y el ciclo de ventas (velocidad del deal) deben estar balanceados.
- "The Difficulty Ratio" de David Sacks:
- Se puede tener ACV alto con baja velocidad de cierre, o al revés
- Pero si el ACV es bajo y la velocidad de cierre es lenta, la probabilidad de fracaso es alta
- En el caso de Butter:
- Pese a las fuentes de ingresos adicionales, caía en el cuadrante de baja velocidad de cierre y bajo ACV
- En especial, la velocidad era muy lenta hasta completar todo el ciclo de activación de ingresos
Reflexión final
- Viéndolo en retrospectiva, subestimaron la complejidad de construir SaaS vertical en industrias que dependen de prácticas tradicionales y tecnología obsoleta
- Las soluciones digitales por sí solas no bastaban para impulsar la adopción
- En cambio, había que ofrecer una mejora radical frente al método existente, y
- comunicarla de una forma que el cliente pudiera entender.
- Si no se percibe como algo claramente adecuado de inmediato, el cliente se queda con lo conocido
- Lección: la clave del éxito es respetar los workflows existentes mientras se demuestra valor real
Punto de partida: el choque con los métodos tradicionales
- Intento inicial:
- Desarrollaron una herramienta para modernizar el proceso de captura de pedidos de los mayoristas mediante comercio electrónico
- Problema:
- Los chefs seguían prefiriendo métodos tradicionales (llamadas, mensajes de texto) y no se adaptaban fácilmente a sistemas digitales
- El nuevo sistema no ofrecía suficiente valor como para reemplazar por completo el método actual
- Escuchar la voz del cliente:
- Entrevistaron a varios grupos de clientes, incluidos usuarios activos, usuarios que abandonaron y detractores de la app
- Concluyeron que pedir por la app no era una experiencia 10 veces mejor que hacerlo por teléfono, mensaje o email:
- Faltaba visibilidad en tiempo real de la disponibilidad de productos y del estado de entrega
- Identificar las dificultades del mayorista:
- Los mayoristas seguían sufriendo horas de captura manual de pedidos
- Idea de incorporar IA:
- Los modelos de lenguaje grandes (LLMs) eran adecuados para manejar datos no estructurados
- La IA podía automatizar tareas complejas
- Vieron potencial de cambio de paradigma al considerar que cerca del 80% de los datos mundiales son no estructurados
- Cambio de estrategia:
- No obligaron a proveedores ni operadores a pasar por completo a un workflow digital
- En cambio, desarrollaron herramientas impulsadas por IA (por ejemplo, el AI Order Assistant de Butter) que complementaban el proceso existente:
- Diseñadas para integrarse de manera natural al workflow actual.
- Se posicionaron como una solución práctica para modernizar la industria de distribución de alimentos, rezagada tecnológicamente.
Giro hacia la IA: implementación real, no solo promesas
- Clave del éxito con IA:
- No se necesita un producto “más elegante”, sino uno que realmente complete el trabajo del usuario
- AI Order Assistant:
- Diseñado para que chefs y mayoristas no tuvieran que cambiar su proceso actual
- Se integra de forma natural con los workflows existentes
- Gestión de pedidos basada en procesamiento de lenguaje natural:
- Simplifica el proceso con IA capaz de procesar comandos de voz o mensajes de texto
- Se ofrece como herramienta adicional (
add-on), no como reemplazo total del sistema:
- Permite adopción rápida
- Evita los problemas complejos de la “transformación digital” tradicional
- Proceso de onboarding del cliente:
- Convierte datos de email y buzón de voz en datos estructurados de órdenes de compra, vinculándolos con el ERP
- Guarda en el sistema digital las preferencias del chef (ej.: “2 cajas de camarón”):
- Usa patrones históricos de pedido y guías de compra para entender con precisión variaciones de producto.
- Ej.: la IA distingue si se trata de
4-6 Tiger Shrimp Frozen o 16-20 EZ Peel Shrimp
- Incorporación del feedback del usuario:
- No se asume una precisión del 100% del modelo de IA:
- Mediante amplias entrevistas de UX, se permite al usuario corregir la salida de la IA
- Se diseñó para que todas las tareas puedan realizarse por teclado usando atajos del ERP
- Resultado:
- El tiempo de procesamiento de pedidos se redujo en más de 96%
- El personal de back office pudo pasar a tareas de mayor valor, como control de calidad y gestión de relaciones con clientes
- Expansión a GrubAssist:
- Tras la adquisición por GrubMarket, AI Order Assistant se expandió como GrubAssist
- Ofrece inteligencia de negocios y analítica en lenguaje natural sobre el sistema ERP existente.
- Se integra de forma fluida sin interrumpir los workflows existentes de la industria alimentaria
- La integración con los workflows existentes es la clave del éxito de la IA. Debe poder aplicarse fácilmente sin una transición compleja.
Lecciones aprendidas al desarrollar productos con LLM
- Diseñar considerando las limitaciones técnicas:
- Los LLM son poderosos, pero todavía tienen limitaciones de confiabilidad y velocidad.
- Un diseño eficaz puede compensar esas limitaciones:
- Ej.: como restaurantes y minoristas procesan los pedidos a la mañana siguiente, se puede sacrificar velocidad mediante procesamiento en segundo plano y elegir modelos con mayor capacidad de razonamiento.
- Priorizar velocidad ahora y perfección después:
- En etapas tempranas, no hay que obsesionarse con encontrar el “modelo perfecto”.
- Usar tecnologías simples para salir al mercado (ej.: RAG):
- Si se aporta el contexto adecuado, incluso métodos simples pueden funcionar muy bien.
- A medida que mejoran los modelos base, el propio producto de IA también mejora automáticamente.
- Asegurar bien los fundamentos:
- Ofrecer un entorno flexible para experimentar:
- Diseñar una arquitectura modular para facilitar el cambio de modelo o funcionalidad y permitir iteraciones rápidas.
- Es necesario integrar un sistema de feedback dentro del producto que sea claro y cuantificable.
- La interfaz define el éxito o fracaso del producto:
- Incluso con un modelo “perfecto”, hay que diseñar asumiendo que el 20% del trabajo requerirá validación humana.
- Hacer que la interacción sea simple e intuitiva para mantener la participación del usuario:
- Fortalecer el proceso de validación del usuario permite obtener datos clave para mejorar el producto.
- Capturar conocimiento no estructurado:
- En las industrias tradicionales, la información importante muchas veces no está digitalizada y depende de la memoria de las personas.
- Ej.: si las preferencias del cliente solo están en la cabeza del vendedor Joey, hay que construir una interfaz capaz de capturarlas.
- Estos insights fortalecen la diferenciación del modelo y generan una ventaja de datos sostenible.
- Mejorar la precisión mediante feedback loops:
- La ingeniería por sí sola tiene límites:
- Hay que ofrecer una forma fluida de recopilar feedback del usuario directamente dentro del producto.
- Al combinar ese feedback con el motor de ajuste, se logran salidas más precisas y contextualmente relevantes.
Es importante colaborar con los sistemas existentes
- Desafíos realistas:
- Por buena que sea una solución de IA, no sirve de mucho si no se integra con los sistemas ERP legacy existentes
- Intentar reemplazar sistemas legacy dificulta la colaboración
- Estrategia de integración:
- En el caso de Butter, hacía falta integrarse con el ERP mediante métodos como EDI (intercambio electrónico de datos) o intercambio de archivos SFTP
- Los sistemas legacy están profundamente arraigados, por lo que convencer al cliente y diseñar la arquitectura es complejo
- Estrategia exitosa:
- Ofrecer una herramienta complementaria (
add-on) que mejore el producto existente:
- Permite a los clientes conservar su infraestructura actual mientras aprovechan los beneficios de la IA
- Refuerza la red existente y subraya que la IA puede ser positiva tanto para el negocio como para los proveedores de infraestructura
- Urgencia del momento:
- La experiencia en IA se está difundiendo rápidamente, y hasta los proveedores tradicionales más lentos ya están incorporando IA
- Ejecutar rápido y colaborar con los actores existentes:
- Hay que responder al mercado con la estrategia correcta y un enfoque diferenciado
- Advertencia sobre nuevos enfoques de software:
- Nuevos productos bajo el enfoque “integrate and surround”:
- Construyen de manera totalmente autosuficiente un área específica del negocio (ej.: ventas de campo)
- Cambian a su favor la estructura de costos e ingresos
- Es importante entender estas tendencias y elegir a los socios adecuados
- Lección central
Colaborar con los sistemas existentes y ofrecer beneficios y mejoras claros sin exigir una sustitución total del sistema
- Mostrar valor como herramienta complementaria de bajo riesgo y alta recompensa para impulsar una adopción rápida
Perspectivas hacia el futuro
- La intersección entre industrias tradicionales e IA:
- Las industrias tradicionales, que dependían de datos no estructurados como registros escritos a mano o audio, ahora pueden acceder a soluciones tecnológicas modernas gracias a los LLM (modelos de lenguaje grandes)
- El Vertical SaaS está surgiendo gradualmente como una alternativa realista en estas industrias
- Existe la tentación de aplicar IA en todas partes, pero se necesita un enfoque cuidadoso
- La clave del éxito con IA:
- El factor decisivo no es la tecnología en sí, sino el product-market fit
- El avance de la IA abre posibilidades, pero los principios básicos del desarrollo de producto no cambian:
- Todo comienza con entender con claridad al usuario y sus necesidades
- La tecnología viene después
- Lecciones principales:
- La IA es más efectiva cuando se integra de forma adecuada a los procesos existentes
- No hay que intentar derribar los métodos actuales, sino diseñar para que se incorpore de manera natural
- Pregunta:
- “¿Quién aprovechará primero esta oportunidad?”
- Ganará quien sepa capitalizarla antes de que sea tarde
Aún no hay comentarios.