Rodrigo Olivares lidera la estrategia global de datos e inteligencia artificial en Nissan, en la intersección entre la industria automotriz y los servicios financieros. Con experiencia en distintos sectores y geografías, se ha especializado en conectar la visión de negocio con la tecnología, entendiendo que sin fundamentos sólidos no es posible escalar proyectos de datos ni de inteligencia artificial.
En esta entrevista comparte su recorrido al pasar de industrias y culturas tan diferentes como Latinoamérica, Estados Unidos y Japón; sus aprendizajes a la hora de liderar equipos globales de data; y su visión sobre cómo la AI está transformando no solo la tecnología, sino la cultura organizacional y la forma de liderar proyectos.
Tu recorrido combina varias industrias antes de llegar a Nissan. ¿Qué aprendizajes te llevaste de esos sectores?
Algo que considero universal es la adaptabilidad y la visión transversal. Para mí, trabajar en los fundamentos significa hacer las cosas bien desde el principio, lo que yo llamo el “blueprint”. Siempre me gusta usar la analogía de la casa: sin una base sólida, no podés construir nada estable encima. Y esa base no es la tecnología, sino entender la lógica de negocio: cuáles son los incentivos que lo mueven y cuáles son sus restricciones.
En Nissan y en proyectos globales, esa mirada se aplica de forma holística: primero el negocio, después la regulación, la cultura y recién entonces la tecnología. Cuando trabajás con diferentes sectores y regiones, el desafío es lograr un alto nivel de adopción y ajustar a todos a una forma común de trabajo. La tecnología llega después, cuando ya lograste esa alineación.
¿Cómo es para vos el proceso de llegar a una industria nueva y entenderla?
Lo primero es entender lo más rápido posible el core del negocio: dónde está el valor, qué sectores predominan y cómo se genera. Una vez entendido eso, paso a analizar los procesos internos, las dependencias entre regiones, personas y aplicaciones. En mi experiencia, casi siempre el corazón del negocio está en ventas, y allí aparecen problemas comunes como visibilidad, inventarios, logística y productividad.
Cuando tenés claro ese mapa, podés bajar a la capa tecnológica y pensar en integraciones, BI o machine learning. Eso te da una visión de 360° sobre madurez de procesos, personas y tecnología. Pero nada de eso funciona sin considerar la cultura. Cada industria y cada lugar exige creatividad, resiliencia y adaptabilidad.
Has trabajado en Latinoamérica, Estados Unidos y Japón. ¿Qué diferencias culturales encontraste al implementar estrategias de AI?
Latinoamérica es un entorno muy creativo, con equipos que encuentran soluciones innovadoras incluso con recursos limitados. Eso aporta flexibilidad y originalidad, pero el desafío aparece al escalar: muchas veces esas soluciones pierden fuerza en entornos más grandes. En Estados Unidos, en cambio, la disciplina está enfocada en la escalabilidad y la reproducibilidad, lo que hace que las soluciones tarden más en implementarse, pero sean más robustas.
En Japón, el énfasis está en la jerarquía, la calidad y la disciplina en los procesos. Eso puede generar cierta rigidez, pero también permite planificar a largo plazo de una forma que pocas regiones logran. En resumen, Latinoamérica es muy buena para crear, Norteamérica para operar y Asia para diseñar estrategias a largo plazo. Lo interesante es cómo se complementan esas miradas cuando trabajás en proyectos globales.
“Cada lugar al que llegás exige creatividad, resiliencia y adaptabilidad. No hay una receta única, sino soluciones posibles según la cultura y la capacidad de adopción.”
Cuando tenés que armar un equipo de data, ¿qué capacidades priorizás?
En la práctica, pocas veces podés elegir a tu equipo desde cero, así que lo más importante es cómo lideras y motivas a las personas que ya están. Para mí, lo esencial es conocer qué mueve profesionalmente a cada integrante y cómo aprovechar sus fortalezas. A veces valoro más a alguien organizado que a un gran programador, porque en proyectos globales lo que te sostiene es la claridad en procesos y documentación.
Más allá de lo técnico, busco perfiles con habilidades de comunicación. No sirve tener a alguien brillante programando si no puede colaborar con el negocio. Hoy AI y ML están tan embebidos en las operaciones que es imprescindible traducir necesidades, negociar y construir alianzas. En ese balance entre lo técnico, lo de negocio y lo humano se arma un equipo sostenible.
¿Podés compartir un caso de uso que haya tenido un impacto fuerte en tu carrera?
Uno que recuerdo con especial cariño fue la creación de la operación de BI y de IA en una empresa anterior. El reto técnico era grande, pero el verdadero aprendizaje estuvo en lo humano: cómo colaborar con distintas áreas, cómo alinear expectativas y cómo definir estándares de trabajo comunes cuando cada región tenía sus propias prioridades.
Fue un proyecto que me obligó a liderar con empatía, a negociar constantemente y a poner por encima de todo la capacidad de entregar valor al negocio. Lo más complejo no es lo tecnológico, sino cómo las personas se ponen de acuerdo, establecer marcos comunes de trabajo y construir confianza entre áreas. Eso me marcó como líder y como gestor de equipos globales.
“El reto más grande no siempre es tecnológico, sino humano: cómo ponernos de acuerdo en la forma de trabajo y los estándares comunes.”
¿Cómo convences a stakeholders de invertir en capacidades de datos antes de ver resultados tangibles?
Es una de las batallas más difíciles, porque muchas veces se percibe al área de datos como un centro de costo hasta que demuestra impacto directo en el negocio. En ese contexto, lo más importante es mostrar resultados parciales lo antes posible. No se trata de esperar al proyecto perfecto, sino de dar evidencia de valor: productividad ganada, costos reducidos, velocidad en procesos. Eso abre el camino para pedir más recursos.
¿Qué tecnologías ves hoy como game changers?
Una de las más interesantes es todo lo relacionado con multiagentes, que ya está cambiando la forma de automatizar procesos. También me llama la atención cómo se están simplificando las automatizaciones con tecnologías que permiten crear productos robustos en mucho menos tiempo. Lo valioso no es solo la innovación tecnológica en sí, sino cómo el ciclo de adopción se va acortando. Lo que antes tardaba años en adoptarse, hoy en meses ya está integrado a la operación.
¿Qué industrias tomás como inspiración?
Fintech siempre es un referente para mí, por su capacidad de innovar rápido y de poner al usuario en el centro. También miro mucho a la industria de la salud, especialmente en temas de privacidad y velocidad en el uso de datos, donde son líderes globales. Y por supuesto, la automotriz, que combina la complejidad de procesos globales con la necesidad de transformación digital permanente.
Lo que me interesa es cómo distintas industrias enfrentan los mismos desafíos desde ángulos distintos. Fintech te inspira en la agilidad, salud en la rigurosidad y automotriz en la escala. Al final, lo poderoso es cómo podés tomar aprendizajes de cada una y adaptarlos a tu propio contexto.
Si volvieras 20 años atrás, ¿cómo armarías tu carrera con las herramientas que hay hoy?
Estudié finanzas e ingeniería industrial al mismo tiempo, y durante muchos años pensé que había tomado un camino demasiado disperso. Recién con el boom de la AI entendí que podía juntar lo mejor de ambos mundos: la estructura financiera para entender qué genera valor y la ingeniería para optimizar procesos y escalar soluciones. Esa combinación me dio una ventaja que en su momento no supe ver.
Si tuviera que dar un consejo a quienes empiezan hoy, diría que inviertan en fundamentos de matemáticas y estadística, pero también en comunicación. Poder explicar, convencer y traducir conceptos técnicos en impacto de negocio es igual de importante que saber programar. El mercado hoy es exigente ya que se pide ser experto en varias disciplinas a la vez. Y aunque es duro, la flexibilidad para aprender y combinar conocimientos es lo que marca la diferencia en la carrera profesional.
¿Cómo te mantienes actualizado en un contexto de cambios tan rápidos?
En mi caso, paso mucho tiempo leyendo papers, tomando cursos, investigando y colaborando en proyectos que me apasionan. También estoy haciendo mi doctorado, lo que me obliga a mantener un ritmo constante de actualización. Para mí, la clave es la colaboración: discutir ideas, socializar proyectos y trabajar con personas jóvenes que traen nuevas perspectivas.
