Experto en IA & Data Science · Buenos Aires, Argentina
Lideré proyectos de IA por más de 10 años que impactaron millones de usuarios, desde la definición estratégica hasta la implementación en producción.
cubierto por más de 40 medios argentinos
Proyectos reales, a escala, en producción.
"Hay expertos que hablan de IA y hay líderes que la ponen a producir a escala. César Riat pertenece al segundo grupo."
Con más de 10 años en la vanguardia tecnológica, César ha explorado todas las dimensiones de la Inteligencia Artificial —audio, imagen, visión artificial y texto— sin dejar ningún área sin conquistar. Como AI Lead en Carrefour, fundó el área desde cero, creando una arquitectura de innovación que exportó múltiples desarrollos a nivel global, incluyendo capacitaciones a equipos internacionales de la compañía y generando impacto directo en la operación mundial.
Su trayectoria es una combinación única de rigor científico y ejecución audaz. Fue Líder de IA en el Gobierno de la Ciudad de Buenos Aires, donde creó el Laboratorio de IA y el Plan de IA de la Ciudad, desplegando proyectos masivos en WhatsApp para salud y cultura. Su influencia regulatoria llegó a la UNESCO, donde participó en la creación de nuevas normativas para la IA, y a la implementación de sistemas críticos en el ámbito municipal y académico.
Ingeniero (UNS) y docente en las diplomaturas de IA de la UTN, César ha sido galardonado por la JCI como uno de los Jóvenes Sobresalientes en Desarrollo Científico y Tecnológico. Ganador de competencias de élite como Salud INNOVA, Media Party 2024, Hack2in y el prestigioso IBM BLUE CODE, reconocimiento que lo llevó a especializarse en el Centro de Innovación de Silicon Valley, California.
// mi enfoque
No demos. No prototipos. Sistemas de IA Generativa — LLMs, multimodal, agentes — procesando millones de interacciones reales.
+40 medios cubrieron mis proyectos de IA desde 2017
Artículos técnicos y reflexiones en Medium
No se trata de comprar suscripciones, sino de rediseñar procesos. Mi metodología se divide en cuatro fases críticas:
1. Diagnóstico de Datos: Evaluamos si tu infraestructura soporta la carga.
2. Identificación de Casos de Uso: Priorizamos donde la IA genera mayor ROI inmediato.
3. Desarrollo de MVP (4-6 semanas): Construimos una solución funcional para validar la hipótesis.
4. Escalado Seguro: Integración con sistemas existentes bajo estándares de ciberseguridad global.
El costo es relativo al valor que genera. Para presupuestar, considero el TCO (Total Cost of Ownership) que incluye: cómputo (GPU/Cloud), tokens de modelos, y horas de ingeniería especializada. Mi objetivo es siempre que la ecuación sea positiva: ROI = (Ganancia de Eficiencia − Costo de Implementación) / Costo de Implementación > 0. Un proyecto puede variar desde una consultoría estratégica inicial hasta el desarrollo de una arquitectura multimodal completa.
Liderar en IA requiere gestionar la incertidumbre. A diferencia del software tradicional, aquí los resultados son probabilísticos, no deterministas. Mi enfoque combina:
Cultura de Experimentación: Fomentar el fallo rápido en etapa de investigación.
Rigor de Producción: Una vez validado el modelo, aplicamos prácticas de MLOps para asegurar estabilidad.
Talento Híbrido: Unir a científicos de datos con ingenieros de software y expertos en negocio.
Es el puente entre la visión de negocio y la ejecución técnica. Mi rol como Head of AI se centra en tres pilares:
Gobernanza: Asegurar que el uso de los datos sea ético y seguro.
Estrategia: Decidir qué batallas pelear (¿Construimos nuestro propio modelo o usamos una API?).
Evangelización: Capacitar a las otras áreas para que la IA no sea un "miedo", sino una herramienta diaria.
Una estrategia real de IA no empieza con la tecnología, empieza con el problema de negocio. Se define mediante tres pilares:
Data Readiness: ¿Nuestros datos están limpios y centralizados?
Build vs. Buy: Analizamos si conviene desarrollar in-house para retener propiedad intelectual o adquirir soluciones existentes para ganar velocidad.
Ciclo de Retroalimentación: Implementar mecanismos donde cada interacción de la IA retroalimente y mejore el modelo automáticamente (Data Flywheel).