Waymo: la lección de no lanzar una IA hasta que sus evaluaciones estén listas
La compañía de coches autónomos de Alphabet explica su filosofía de 'desarrollo forzado por evaluaciones', un enfoque que cualquier empresa que despliegue agentes de IA debería copiar.
Pocas empresas se juegan tanto al desplegar inteligencia artificial como Waymo, la firma de coches autónomos de Alphabet. Sus modelos no se limitan a generar texto o automatizar tareas de oficina: toman decisiones en fracciones de segundo que pueden salvar vidas en calles impredecibles. Por eso, su forma de gestionar esos riesgos —con evaluación continua, datos cuidadosamente seleccionados y supervisión humana— ofrece un manual que vale para casi cualquier sector.
Manasi Joshi, directora de ingeniería de inteligencia de sistemas y aprendizaje automático de Waymo, explicó en la conferencia VB Transform 2026 el método de la compañía. Ya han recorrido más de 220 millones de millas totalmente autónomas (sin conductor de seguridad) y, según sus cifras, sufren 17 veces menos lesiones graves por accidente que un conductor humano en la misma distancia. ¿El secreto? Lo que llaman 'desarrollo forzado por evaluaciones': las pruebas no son un trámite final, sino el corazón de la ingeniería desde el primer día.
En la práctica, Waymo mide la madurez de un proyecto por la madurez de sus evaluaciones. Si no puedes medir de forma fiable el rendimiento de un sistema, probablemente no esté listo para producción. Y la evaluación no termina con el lanzamiento: es un proceso continuo que abarca desde el entrenamiento del modelo hasta simulaciones en bucle cerrado, pasando por datos de conducción real. Para las empresas que construyen agentes de atención al cliente, asistentes de código o sistemas financieros, el mensaje es claro: probar antes de lanzar no basta; hay que seguir evaluando a medida que cambian los modelos, los datos y el comportamiento de los usuarios.
Waymo también dedica un esfuerzo especial a probar los casos raros y peligrosos. A partir de sus propios registros de conducción, algunos datos externos y simulaciones que generan miles de millones de millas sintéticas, exponen sus sistemas a situaciones con peatones, pasos a nivel, zonas en obras y otros entornos complejos. Joshi subrayó que las decisiones de lanzamiento nunca son completamente automáticas: siempre hay una revisión humana exhaustiva y los responsables de seguridad internos dan el visto bueno a cada expansión. "Hay vidas humanas en juego", recordó.
La eficiencia no puede ir en detrimento de la fiabilidad. Waymo se enfrenta a una demanda de computación, almacenamiento y red que crece más rápido que los recursos disponibles. Para optimizar, seleccionan los datos de entrenamiento más útiles en lugar de acumular volumen sin criterio, y utilizan desde transformers (desde 2017) hasta grandes modelos multimodales generativos como parte de su estrategia de modelos fundacionales. Incluso los agentes de IA que usan internamente para ayudar a sus ingenieros son evaluados para garantizar que producen resultados fiables y no envían a los empleados por caminos equivocados.
El análisis de Salseo
- La filosofía de Waymo cambia el foco de 'el modelo funciona bien' a 'las evaluaciones demuestran que está listo'. Para el inversor, esto significa que las empresas que presumen de avances en IA sin métricas de evaluación sólidas y continuas están asumiendo riesgos que el mercado aún no descuenta.
- El énfasis en simular casos raros pero peligrosos (peatones, obras, vías de tren) es una llamada de atención para cualquier compañía que despliegue agentes de IA en entornos críticos. Un fallo puntual en una situación poco común puede generar un daño reputacional o legal desproporcionado, y Waymo demuestra que se puede —y se debe— entrenar para esos escenarios.
- La supervisión humana en las decisiones de lanzamiento, incluso en una de las empresas de IA más avanzadas del mundo, revela que la automatización total no es el objetivo cuando hay vidas o mucho dinero en juego. Esto debería moderar las expectativas de quienes esperan una adopción masiva e inmediata de agentes autónomos sin controles humanos.
- La tensión entre eficiencia y fiabilidad que describe Waymo —recursos limitados frente a necesidades crecientes— es un problema común en la industria. Las empresas que mejor gestionen esa ecuación (con datos más inteligentes, no solo más grandes) tendrán ventaja competitiva. Waymo, al ser parte de Alphabet, cuenta con músculo financiero y tecnológico, pero su enfoque en 'eficiencia de datos' es una lección para todos.