La definición de productos de IA difiere de los productos tradicionales en la mayor dificultad para elegir problemas de mercado que la IA pueda resolver de manera útil, en la comprensión y el modelado de la respuesta de compradores y usuarios ante la IA y la articulación de requisitos en áreas específicas relacionadas con la IA.

Seguimos analizando cómo difieren las actividades de desarrollo en productos basados en AI frente a los tradicionales.

Una vez elegida/s nuestra/s oportunidad/es de mercado prioritaria/s, las actividades de Definición de producto consisten en acotar y articular nuestro espacio del problema.

Típicamente aplicaremos primero un pensamiento divergente para explorar ese espacio para finalmente converger en el problema específico que vamos a resolver con nuestro producto (y para quién lo vamos a resolver). Por lo tanto la Definición de producto se circunscribe específicamente al espacio del problema frente al Diseño o la Implementación, que se inscriben en el espacio de la solución.

Y una vez acotado dicho problema a resolver lo modelaremos y articularemos mediante artefactos accionables, entre ellos:

  • Personas o arquetipos, tanto de compradores como de usuarios.
  • Escenarios de compra y uso.
  • Requisitos, que son expresiones de problema agnósticas respecto a la solución y que pueden tomar diversas formas, incluyendo Jobs-To-Be-Done.

Las diferencias más importantes entre productos de IA y tradicionales en el área de Definición de producto son:

  • Selección de problemas de mercado. La selección de problemas de mercado para los productos basados en IA requiere identificar los problemas que se resuelven mejor mediante el reconocimiento de patrones, las predicciones o la clasificación en lugar de la lógica determinista. Los problemas adecuados para la IA suelen implicar conjuntos de datos grandes y complejos o requerir una toma de decisiones automatizada a gran escala. Además, es fundamental tener en cuenta si los datos están disponibles, son de alta calidad e insesgados, ya que son fundamentales para crear una solución de IA útil.
  • Definición del problema y análisis inicial de factibilidad. El descubrimiento suele comenzar con la evaluación de si la IA puede abordar realmente el problema. Esto incluye evaluar si hay suficientes datos de alta calidad disponibles, si los patrones de los datos coinciden con el problema y si el aprendizaje automático es adecuado. A menudo, los estudios de viabilidad de la ciencia de datos o los modelos rápidos de prueba de concepto (POC) se crean al principio para probar si una solución de IA es factible. Si la calidad o disponibilidad de los datos no es suficiente, es posible que la solución de IA no sea factible.
  • Necesidades y expectativas de los usuarios. Las necesidades y expectativas de los usuarios incluyen preocupaciones sobre la transparencia, explicabilidad y fiabilidad de la IA. Durante la definición se hace especial hincapié en saber hasta qué punto se sienten cómodos los usuarios con los resultados de la IA, sobre todo en ámbitos que requieren interpretabilidad (por ejemplo, las finanzas o la atención sanitaria). Los usuarios pueden necesitar garantías sobre cómo llega la IA a sus conclusiones, por lo que el descubrimiento debe identificar características que aumenten la confianza, como puntuaciones de confianza o explicaciones de las predicciones.
  • Modelado de personas de usuarios y compradores. Las personas de productos de IA a menudo deben incluir un conocimiento más profundo de la familiaridad de los usuarios con la IA, sus expectativas de transparencia en la toma de decisiones y su confianza en las predicciones de la IA. Estas personas deben ampliarse respecto a las de productos tradicionales para tener en cuenta hasta qué punto los usuarios necesitan comprender el razonamiento de la IA, el nivel de autonomía que desean tener sobre los resultados de la IA y si se sienten cómodos con la incertidumbre. Esto añade complejidad al desarrollo de las personas, especialmente en campos en los que los resultados de la IA influyen en decisiones críticas (por ejemplo, finanzas, sanidad).
  • Caracterización de escenarios de uso. Los escenarios de los productos basados en IA deben tener en cuenta una serie de resultados probables y las acciones del usuario asociadas. Esto significa definir escenarios no sólo para el comportamiento previsto de la IA, sino también para los casos en que las predicciones pueden ser inciertas, ambiguas o incorrectas. Los product managers suelen crear escenarios en los que los usuarios interpretan, verifican o ajustan las recomendaciones de la IA, lo que añade complejidad a los viajes del usuario.
  • Definición de los requisitos del producto. Aparte de los requisitos funcionales los requisitos de los productos basados en IA incluyen la definición de fuentes de datos, umbrales de precisión, métricas de rendimiento (por ejemplo, precisión, cobertura, F1) y consideraciones éticas como la imparcialidad y la transparencia. Los requisitos también pueden abarcar bucles de retroalimentación del usuario para el reentrenamiento del modelo e interfaces para mostrar puntuaciones de confianza o razonamientos. Esto exige una mezcla de requisitos técnicos, éticos y de usabilidad, lo que hace que el proceso sea más interdisciplinar.
  • Consideraciones sobre datos y privacidad. Definir un producto de IA implica evaluar la disponibilidad de datos, las implicaciones para la privacidad y las restricciones normativas, especialmente en el caso de datos sensibles para el usuario. Los requisitos pueden incluir la definición de cómo se obtienen, almacenan y utilizan los datos para entrenar modelos sin violar las normas de privacidad o introducir sesgos. Además, los requisitos pueden esbozar procesos para la curación continua de los datos y la supervisión de la desviación (drift) o sesgo del modelo.

Muy importante: riesgo de Utilidad

El valor es siempre un riesgo crítico.  Los productos basados en IA prometen un valor significativo, razón por la cual todos nos estamos apresurando a aplicar esta tecnología.  Pero también podemos ver hoy muchos ejemplos de productos de IA que sólo lo son de nombre.  Así pues, la primera responsabilidad del product manager de IA es garantizar que las funciones y los productos impulsados por la IA aporten un valor genuino y diferencial a los usuarios y clientes. Pero no sólo se trata de entregar valor, también tenemos que colaborar estrechamente con el departamento de marketing del producto para asegurarnos de que podemos comunicar este valor de forma eficaz.

En el próximo post cubriremos las actividades de diseño de productos de IA vs. tradicionales.

El post “Productos basados en IA vs. tradicionales: definición 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.]