El desarrollo de productos basados en inteligencia artificial (IA) es más complejo que el de los productos “tradicionales”, ya que requiere una supervisión continua de la calidad de los datos, el rendimiento de los modelos y consideraciones éticas.

La irrupción de la IA Generativa (y hace unos pocos años, del Deep Learning) ha hecho que la inteligencia artificial monopolice virtualmente la conversación sobre innovación y tecnología. Tanto es así que en el campo del Product Management el tema más relevante es la incorporación de funciones de IA en todo tipo de productos y la gestión de productos basados en IA.

Por «productos basados en IA» entendemos productos que utilizan tecnologías de inteligencia artificial para crear experiencias que resuelvan problemas a nuestros clientes. El término «IA» incluye tanto la IA tradicional, como el aprendizaje automático, como la IA generativa. Estas tecnologías permiten una amplia gama de capacidades, incluidas las recomendaciones inteligentes, las experiencias personalizadas o el emparejamiento de los dos lados en una plataforma con varias caras.

Otros ejemplos de aplicaciones de inteligencia artificial son los dispositivos domésticos inteligentes que emplean el habla y la comprensión del lenguaje natural, los sistemas de detección de fraudes y, en el caso de la IA generativa, funciones avanzadas como la creación, el resumen y la síntesis de contenidos.

Cuando hablamos de «Gestión de Productos de IA» nos referimos a la creación de productos basados en IA.  Del mismo modo que «Gestión de Productos Móviles» se refiere a la creación de productos para móviles.  Y al igual que la «gestión de productos móviles» era una habilidad especialmente demandada cuando los móviles eran nuevos, y ahora se espera que la mayoría de los product managers tengan las habilidades necesarias para desarrollar productos para móviles, esperamos que ocurra lo mismo con los product managers de IA.  Dentro de unos años, esperamos que la mayoría de los directores de producto tengan que ser expertos en la creación de productos y servicios basados en IA.

En esta serie de post vamos a analizar cómo difiere la gestión de productos basados en IA frente a los tradicionales, centrándonos en las fases iniciales del Product Management: el Análisis de Oportunidades de Mercado y el Desarrollo de Productos propiamente dicho. Y lo que digamos será en general válido para productos que consisten tanto en Aplicaciones basadas en IA como en la Infraestructura de IA subyacente (ej.: modelos).

Cuando uno se aproxima a este asunto inmediatamente aparecen una serie de temas:

• Dependencia de los datos. Los modelos de IA dependen en gran medida de la disponibilidad de grandes conjuntos de datos para su entrenamiento y mejora continua.
• Iteratividad. Mientras que en productos tradicionales el desarrollo iterativo es una opción (muchas veces ligada e metodologías ágiles), en productos basados en IA es imprescindible: la construcción de IA implica ciclos iterativos de entrenamiento y validación en los que se evalúa continuamente el rendimiento de los modelos y se vuelve a entrenarlos con datos actualizados.
• Incertidumbre en los entregables. Los resultados del entrenamiento de modelos de IA son inciertos y a menudo no deterministas. Es necesario tener en cuenta la posibilidad de que un modelo no cumpla los parámetros de rendimiento deseados tras el entrenamiento y requiera un ajuste o rediseño exhaustivos.
• Métricas de rendimiento. El éxito de los productos de IA está ligado a métricas de rendimiento probabilísticas (como exactitud, precisión, F1, etc.). Estas métricas son complejas y puede ser necesario contextualizarlas para que los involucrados no técnicos las entiendan y así gestionar sus expectativas.
• Ética, sesgos e imparcialidad. Garantizar la equidad y el uso ético de la IA es crucial. Los sistemas de IA pueden aprender inadvertidamente y reforzar los sesgos presentes en los datos de entrenamiento, lo que conduce a resultados injustos.
• Colaboración interfuncional. La gestión de productos de IA amplía el ámbito de colaboración de los productos tradicionales, que además de involucrar a product managers, diseñadores y desarrolladores ahora se extiende a científicos de datos, ingenieros de datos, ingenieros de aprendizaje automático y expertos legales y éticos.
• Cumplimiento normativo. Las soluciones de IA, especialmente en campos sensibles como sanidad, finanzas y legal, deben cumplir normativas estrictas (por ejemplo, el Reglamento Europeo de IA).
• Experiencia de usuario. Es posible que los usuarios no entiendan del todo las decisiones basadas en IA, que pueden parecer opacas. Hay que crear experiencias de usuario transparentes, ofrecer explicaciones sobre las decisiones de IA y generar confianza en los usuarios.
• Mantenimiento. Los modelos de IA pueden degradarse con el tiempo a medida que cambian los datos del mundo real, lo que conduce a la deriva (drift) del modelo. Los gestores de producto deben establecer procesos para la supervisión continua del modelo, el reciclaje periódico y la actualización para garantizar la precisión. En IA el trabajo de desarrollo evolutivo excede los típicos de corrección de errores y adición de nuevas características.
• Costes de desarrollo y explotación. Los modelos de IA a menudo requieren recursos computacionales sustanciales para su entrenamiento, lo que puede elevar los costes de desarrollo (aunque esto parece estar cambiando últimamente). Pero durante la fase de explotación los costes de inferencia también pueden ser elevados. Los product managers deben equilibrar los gastos en infraestructura de cómputo, almacenamiento e interconexión y los consumos de energía con el retorno de la inversión del producto.
• «Humanos en el bucle» el estado actual de las tecnologías de IA hace que la participación humana sea en muchas aplicaciones imprescindible, tanto en aprendizaje (etiquetado de datos de entrenamiento, aprendizaje por refuerzo usando feedback humano) como en explotación (dirigiendo y aumentando la IA).
• Experimentación continua. La experimentación es fundamental para el desarrollo de la IA, donde a menudo se prueban y comparan múltiples modelos o enfoques.

En general, el desarrollo de productos basados en IA es una tarea multidisciplinar que combina la visión del producto con el rigor científico, sobre todo porque los modelos de IA aprenden y se adaptan continuamente a los nuevos datos.

Para estudiarlo vamos a utilizar nuestro modelo de Análisis de Oportunidades y Desarrollo de Productos, compuesto de un conjunto de actividades más o menos solapadas:

• Análisis de Oportunidades de Mercado: identificación, evaluación y priorización de oportunidades.
• Definición de producto: identificación y caracterización de problemas de mercado a resolver, articulación mediante requisitos/JTBDs, modelado de clientes mediante personas y escenarios.
• Diseño de producto: generación del concepto de producto, la propuesta de valor, la especificación funcional y la experiencia de cliente.
• Implementación de producto: especificación técnica y construcción de la “unidad 0” del producto, lista para ser replicada y validada en el mercado y, en su caso, escalada.

La Definición y el Diseño de producto recogen entre otras las actividades conocidas como “Descubrimiento de Producto” (comprobación del encaje Problema/Solución).

En el próximo post cubriremos las actividades de análisis de oportunidades de mercado para productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: desarrollo de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]