Conectar producto e inteligencia artificial en 2026 exige unir una necesidad real, una capacidad técnica adecuada y una forma verificable de medir valor. El trabajo de producto consiste en definir para quién mejora una experiencia, qué cambio esperamos y qué condiciones debe cumplir la solución para funcionar en un entorno real.
Mi punto de partida es conectar estrategia e ingeniería: comprender el problema, decidir dónde puede aportar la IA y construir una solución que podamos evaluar. Esta guía propone un recorrido práctico para equipos de producto, tecnología y diseño.
1. Empieza por el problema de producto
Una oportunidad necesita más precisión que “agregar inteligencia artificial”. Conviene describir quién encuentra una dificultad, en qué momento aparece y cuál es su consecuencia.
Por ejemplo: una persona de soporte debe revisar conversaciones extensas antes de atender un caso. Esa revisión consume tiempo y puede dejar fuera información relevante. El problema de producto es recuperar contexto útil para atender mejor; el resumen automático es una posible solución.
Antes de elegir un modelo, documenta tres cosas:
- Usuario y tarea: quién necesita hacer qué y en qué contexto.
- Situación actual: cómo resuelve la tarea, cuánto esfuerzo requiere y dónde falla.
- Cambio esperado: qué debería mejorar y cómo podríamos observarlo.
También conviene establecer una línea base. Sin una referencia del proceso actual, será difícil distinguir una mejora real de una demostración convincente.
2. Prioriza los casos de uso de IA
La prioridad de una iniciativa debe considerar su valor potencial, la viabilidad de implementarla y las consecuencias de equivocarse. Una tarea frecuente, con datos accesibles y resultados que una persona puede revisar, suele ser un buen punto de partida para experimentar.
Propongo evaluar cada oportunidad con estas preguntas:
| Criterio | Pregunta para decidir |
|---|---|
| Valor para las personas | ¿Reduce esfuerzo, mejora una decisión o facilita completar una tarea? |
| Frecuencia | ¿El problema ocurre lo suficiente para justificar la inversión? |
| Datos y contexto | ¿Tenemos información pertinente, actualizada y con permisos de uso? |
| Evaluación | ¿Podemos reconocer una respuesta correcta y un error importante? |
| Riesgo | ¿Qué ocurre si el sistema se equivoca o actúa fuera de lo esperado? |
| Viabilidad operativa | ¿Podemos integrar, mantener y supervisar la solución? |
No sumaría estas variables de forma automática para producir una clasificación aparentemente exacta. Las usaría para hacer explícitos los supuestos y acordar qué necesitamos aprender primero.
3. Elige entre reglas, asistentes y agentes
La arquitectura debe responder a la tarea y al nivel de autonomía necesario. Las reglas pueden ser adecuadas cuando las condiciones están claras. Un asistente puede ayudar a interpretar o redactar información bajo revisión humana. Un agente puede ser útil cuando necesita decidir pasos, utilizar herramientas y adaptarse a resultados intermedios.
Anthropic distingue los flujos con recorridos definidos de los agentes que deciden cómo avanzar, y recomienda comenzar con soluciones simples antes de añadir complejidad. Esa distinción ayuda a conectar la elección técnica con el problema. Fuente: Building effective agents.
| Necesidad | Primer enfoque a explorar |
|---|---|
| Aplicar una condición estable | Reglas o automatización convencional |
| Clasificar o extraer información de texto | Modelo con una salida definida y validación |
| Responder usando documentación interna | Recuperación de información y generación con fuentes |
| Preparar una respuesta que alguien revisará | Asistente integrado al flujo de trabajo |
| Resolver una tarea con pasos variables y herramientas | Agente con permisos y límites explícitos |
Esta tabla es una guía de decisión, no una garantía de que un enfoque será suficiente. Un prototipo debe permitir comparar alternativas, incluida la posibilidad de resolver el problema sin IA.
4. Define métricas de producto y calidad
Una evaluación útil conecta el comportamiento del sistema con la experiencia y con el resultado que buscamos. Contar llamadas al modelo o textos generados describe actividad; para decidir necesitamos saber qué valor produjo esa actividad.
Propongo trabajar con tres grupos de métricas:
- Resultado de producto: tareas completadas, tiempo hasta resolver la necesidad, esfuerzo de revisión o satisfacción con la experiencia.
- Calidad de la solución: exactitud en casos representativos, información omitida, afirmaciones sin respaldo y capacidad de reconocer cuándo falta contexto.
- Operación: latencia, costo por tarea completada, disponibilidad e intervenciones humanas necesarias.
En agentes, la evaluación debe observar tanto el resultado como las acciones realizadas. En enero de 2026, Anthropic publicó una guía sobre evaluaciones de agentes que explica cómo combinar pruebas y revisar el comportamiento a lo largo de una tarea. Es una referencia útil para convertir requisitos de producto en casos comprobables. Fuente: Demystifying evals for AI agents.
Una regla práctica es definir por adelantado qué mejora esperamos y qué deterioros no aceptaremos. Ahorrar tiempo con respuestas que requieren más correcciones puede trasladar el trabajo a otra parte del proceso.
5. Ejemplo: un asistente de soporte con valor medible
El siguiente caso es hipotético. Los objetivos numéricos son ilustrativos; no representan resultados de un proyecto real ni referencias del sector.
Supongamos que revisar el historial de un caso toma una mediana de ocho minutos. El equipo plantea un asistente que propone un resumen, muestra las conversaciones de origen y deja la decisión en manos de la persona de soporte.
La hipótesis podría ser: “Un resumen con fuentes reduce el tiempo de revisión de ocho a seis minutos, sin aumentar la omisión de datos críticos”. Ese cambio equivaldría a una reducción del 25 % en esa tarea concreta, no en todo el tiempo de atención.
Para probarlo, prepararía casos representativos, acordaría qué información es crítica y compararía el flujo habitual con el asistido. Revisaría las diferencias por tipo de caso, las correcciones necesarias y el tiempo total, incluida la revisión del resumen.
Si el resultado es favorable, aún faltaría comprobar que el beneficio se mantiene con usuarios reales, que el costo es razonable y que los casos difíciles tienen una salida clara. Si no lo es, el experimento habrá servido para revisar la hipótesis antes de ampliar la inversión.
6. Diseña los límites antes de llevar IA a producción
Una solución de IA también necesita decisiones sobre acceso, responsabilidad y recuperación ante fallos. El marco de gestión de riesgos de IA del NIST y su perfil para IA generativa ofrecen referencias para identificar riesgos y organizar su gestión durante el ciclo de vida del sistema. Fuente: NIST AI Risk Management Framework.
En una primera versión revisaría estos aspectos:
- Información: qué datos necesita el sistema, quién puede consultarlos y qué debe quedar fuera.
- Acciones: qué puede hacer por sí mismo y qué requiere aprobación.
- Trazabilidad: cómo revisar las fuentes, herramientas utilizadas y decisiones relevantes.
- Experiencia de error: cómo corregir una respuesta, pedir ayuda o volver al proceso habitual.
- Operación: quién responde por los incidentes y qué cambios exigen repetir las evaluaciones.
En el ejemplo de soporte, generar un borrador y enviarlo al cliente son permisos diferentes. Empezaría con lectura y asistencia, y solo ampliaría la autonomía cuando exista evidencia suficiente y un mecanismo de control adecuado.
7. Usa una plantilla breve para alinear al equipo
Antes de construir, un documento compartido puede conectar a producto, diseño, ingeniería y negocio. Esta es una plantilla inicial para una iniciativa de inteligencia artificial:
| Campo | Qué dejar definido |
|---|---|
| Problema | Usuario, tarea, contexto y dificultad actual |
| Evidencia | Observaciones, datos y línea base disponibles |
| Hipótesis | Cambio que esperamos y por qué podría ocurrir |
| Papel de la IA | Capacidad concreta y alternativas consideradas |
| Datos e integraciones | Fuentes, permisos, actualización y dependencias |
| Métricas | Resultado principal, calidad y límites operativos |
| Autonomía | Acciones permitidas y aprobaciones necesarias |
| Validación | Casos de prueba y criterios para continuar o detenerse |
| Responsable | Quién decide, supervisa y mantiene la solución |
El valor de este documento está en hacer visibles los desacuerdos. Si el equipo no puede explicar cómo reconocerá una mejora, probablemente necesita trabajar más en la definición antes de avanzar.
8. Organiza un primer ciclo de aprendizaje
Un ciclo de cuatro semanas puede servir para ordenar un experimento acotado. Es una propuesta de planificación, no un compromiso de que cualquier producto con IA pueda llegar a producción en ese plazo.
Semana 1: comprender. Entrevistar a quienes realizan la tarea, observar el proceso y acordar una línea base. Elegir un problema pequeño y relevante.
Semana 2: comparar. Construir un prototipo y contrastarlo con una alternativa sencilla. Revisar datos, permisos y errores previsibles.
Semana 3: evaluar. Probar casos representativos, medir resultados y observar el uso. Ajustar la experiencia, los límites y la hipótesis.
Semana 4: decidir. Revisar la evidencia para continuar, reformular o detener el experimento. Si procede un piloto, definir responsables, seguimiento y condiciones de reversión.
La colaboración transversal es clave durante todo el recorrido: producto aporta dirección, diseño ayuda a entender e integrar la experiencia, ingeniería hace viable la solución y negocio conecta el esfuerzo con una necesidad relevante.
Preguntas frecuentes sobre producto e IA
¿Todo producto necesita inteligencia artificial en 2026?
La decisión depende del problema. La IA debe compararse con las alternativas disponibles y justificar su aporte mediante evidencia. Añadir complejidad sin un beneficio reconocible puede dificultar la experiencia y la operación.
¿Cómo elegir el primer caso de uso?
Busca una tarea concreta y frecuente, con datos pertinentes, calidad evaluable y errores que puedan detectarse y corregirse. Delimita qué aprenderás con el experimento y qué quedará fuera.
¿Cuándo conviene usar un agente inteligente?
Cuando la tarea requiere decidir pasos y utilizar herramientas de forma adaptable, y el equipo puede definir permisos, evaluación y supervisión. Si el recorrido ya está claro, conviene contrastarlo con un flujo más sencillo.
¿Cómo saber si una iniciativa de IA aporta valor?
Compara el resultado con una línea base y considera el esfuerzo completo: uso, revisión, corrección y mantenimiento. Examina al mismo tiempo la utilidad para las personas, la calidad y el costo de operación.
Conectar producto e inteligencia artificial requiere sostener esa relación entre problema, decisiones y evidencia. Mi enfoque es llevar la visión estratégica hasta una implementación que podamos comprender, evaluar y mejorar.
Puedes conocer más sobre mi enfoque de producto, ingeniería e IA o conectar conmigo en LinkedIn para conversar sobre estos retos.