product-management | Conversis - Crecimiento de productos tecnológicos

Productos basados en IA vs. tradicionales: diseño de producto

por Antonio Matarranz en 5 abril 2025

El diseño de productos de IA difiere de los productos tradicionales en que debe proporcionar la funcionalidad y la experiencia de uso necesarias para que los usuarios puedan manejar los resultados inciertos y probabilísticos de la IA, les aporten transparencia y confianza, incorporen la realimentación y la mejora continua y proporcionen un comportamiento ético y cumplimiento normativo.

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

Una vez realizada, al menos de una manera preliminar, la Definición de nuestro producto (y acotado y articulado el problema de mercado a resolver), Diseño de Producto se encarga de conceptualizar la solución a dicho problema, de formular y validar su propuesta de valor y de especificar el producto desde el punto de vista funcional y de experiencia de usuario.

Para ello aplica inicialmente un proceso divergente de generación de múltiples ideas de solución que posteriormente se someten a un proceso iterativo de prototipado y prueba para converger hacia una única solución adecuada en términos de deseabilidad, utilidad y usabilidad. Diseño elabora storyboards, diagramas de flujo, wireframes, prototipos y otros artefactos que se van iterando y validando con los clientes para asegurar que la solución es aceptable desde los puntos de vista funcional y experiencial.

Como resultado, Diseño elabora las especificaciones a partir de las cuales el equipo de Implementación construirá la solución real. Se trata de especificaciones funcionales y de experiencia de usuario -no de especificaciones técnicas- que describen cómo funciona el producto desde la perspectiva de comprador y usuario. Esta especificación puede tomar diversas formas: desde el tradicional Documento de Especificaciones de Producto hasta un prototipo “de alta fidelidad” anotado con historias de uso.

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

Ideación. La fase de ideación hace hincapié en la identificación de soluciones que puedan implementarse específicamente utilizando capacidades de IA, como el análisis predictivo, la automatización o la personalización. Los diseñadores deben valorar la viabilidad del uso de la IA evaluando la disponibilidad de datos, las posibilidades algorítmicas y las limitaciones técnicas. Esto aboga por una involucración temprana del equipo de Implementación (ingeniería) en esta fase.
Manejo de la incertidumbre y los resultados probabilísticos. La IA suele proporcionar resultados probabilísticos que conllevan incertidumbre. El diseño en IA requiere el diseño de interfaces que puedan comunicar estas incertidumbres de forma eficaz, por ejemplo, mostrando los niveles de confianza o utilizando señales visuales para indicar la variabilidad de las predicciones. Los usuarios deben ser conscientes de que los resultados de la IA pueden no ser precisos al 100% y cambiar con el tiempo.
Educar a los usuarios sobre las capacidades y limitaciones de la IA. Los diseñadores deben informar a los usuarios de lo que la IA puede y no puede hacer, así como de las limitaciones de sus datos o algoritmos. Los esfuerzos del diseño a menudo implican procesos de onboarding, información sobre herramientas o señales visuales que informan a los usuarios sobre los puntos fuertes y débiles de la IA y los contextos en los que podría ser menos fiable.
Satisfacer las necesidades de los usuarios en materia de transparencia en la toma de decisiones. Los usuarios a menudo necesitan entender cómo la IA llega a sus conclusiones, especialmente en contextos de alto riesgo como la sanidad, las finanzas o la selección de personal. Esto hace que el diseño se centre en la transparencia y la capacidad de explicación. Los product managers y los diseñadores pueden tener que crear funciones que permitan a los usuarios ver las puntuaciones de confianza, las razones de las predicciones de la IA u otros datos sobre el «pensamiento» de la IA.
Crear confianza en las predicciones de la IA. La creación de confianza es una parte fundamental del diseño para la IA, ya que los usuarios pueden desconfiar de las recomendaciones o decisiones basadas en la IA. Los diseñadores deben crear interfaces y experiencias que ayuden a los usuarios a confiar en la precisión y fiabilidad de la IA, sobre todo para aplicaciones en ámbitos delicados.
Realimentación iterativa del usuario y mejora del rendimiento. Dado que los modelos de IA suelen entrenarse y mejorarse con los datos de los usuarios, la recopilación de sus opiniones es fundamental para la optimización continua. El diseño para la IA implica la creación de mecanismos para recabar opiniones que puedan mejorar directamente el rendimiento, la precisión o la relevancia del modelo a lo largo del tiempo, alimentando la lógica central del producto en tiempo real.
Pruebas contextuales y validación de usuario. El diseño para la IA requiere pruebas de usuario rigurosas para comprender cómo interactúan los usuarios con los resultados probabilísticos y el comportamiento impredecible. Las pruebas pueden incluir el examen de la tolerancia de los usuarios a la incertidumbre, su comprensión de las explicaciones proporcionadas y su comodidad a la hora de tomar decisiones basadas en las sugerencias de la IA.
Diseño para un uso ético y justo de la IA. La IA a veces puede reforzar los prejuicios, por lo que el diseño debe incluir consideraciones de equidad e inclusión. Esto puede significar diseñar con transparencia las fuentes de datos, permitir a los usuarios señalar resultados sesgados y posibilitar la revisión o auditoría de las decisiones de la IA. El diseño ético es fundamental para generar confianza y reducir los daños, especialmente en aplicaciones que afectan a la vida de las personas.
Adaptación continua de la UX a los cambios de modelo. Los modelos de IA pueden evolucionar con el tiempo a medida que se reentrenan con nuevos datos, lo que puede cambiar el comportamiento o el rendimiento del sistema. El diseño centrado en el usuario para la IA implica el diseño de interfaces adaptables que puedan dar cabida a cambios en la funcionalidad o el comportamiento debidos a actualizaciones del modelo, y puede ser necesario informar a los usuarios de estos cambios.
Requisitos reglamentarios y de conformidad. El cumplimiento de la normativa suele ser más complejo, sobre todo en sectores con directrices estrictas sobre el uso de datos, la transparencia y la imparcialidad (por ejemplo, sanidad, finanzas y seguros). El diseño debe incorporar una comprensión de cómo afectan las normativas a la recopilación de datos, el procesamiento y el despliegue de modelos, especialmente si el producto afecta a áreas personales o sensibles de la vida de los usuarios.
Prototipos y experimentación. Los anteriores puntos amplían el ámbito y la dificultad de las tareas de diseño de productos basados en AI y expanden el alcance de las actividades de prototipado y experimentación, claves en esta fase.

Muy importante: riesgo de Usabilidad

La experiencia del cliente es importante para cualquier producto, pero con la IA adquiere un nuevo nivel de importancia y complejidad. Para los productos de IA, necesitamos diseñar experiencias de usuario que establezcan claramente las expectativas sobre lo que la tecnología puede y no puede hacer y, al menos conceptualmente, cómo funciona el producto. Esta transparencia es clave para generar confianza y evitar la frustración al encontrar limitaciones. La explicabilidad de la IA es un componente clave de esta transparencia y confianza.

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

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

Deja un comentario

Productos basados en IA vs. tradicionales: definición de producto

por Antonio Matarranz en 15 marzo 2025

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.]

Deja un comentario

Productos basados en IA vs. tradicionales: análisis de oportunidades de mercado

por Antonio Matarranz en 2 marzo 2025

El análisis de oportunidades de mercado para productos de IA difiere de los productos tradicionales en su mayor dificultad para identificar dichas oportunidades, evaluar el problema de mercado a resolver y el valor que aporta nuestra solución.

Seguimos analizando cómo difiere la gestión de productos basados en IA frente a los tradicionales, centrándonos en este post en el Análisis de Oportunidades de Mercado.

En esta serie de posts abogamos por un proceso para analizar oportunidades de mercado dividido en las siguientes fases:

Identificación de oportunidades de mercado. ¿Qué oportunidades de mercado existen para nosotros?
Evaluación de oportunidades de mercado. ¿Cuáles son las oportunidades de mercado más interesantes para nosotros?
Priorización de oportunidades de mercado. ¿En cuáles de esas oportunidades de mercado deberíamos enfocarnos?

Es importante implementar un proceso sistemático de análisis de oportunidades de mercado porque nos obliga a explorar alternativas, favorece una toma de decisiones basadas en datos y fomenta el enfoque estratégico.

Este proceso nos evita jugar a la «ruleta del mercado objetivo» y el dolor de tener que pivotar más adelante por no haber analizado mínimamente con antelación nuestras posibles oportunidades.

Desde ese punto de vista, las diferencias más importantes entre productos de IA y tradicionales en el área de Análisis de Oportunidades de Mercado son:

Identificación de oportunidades de mercado. Como todas las tecnologías altamente disruptivas, la IA permite resolver problemas que hasta ese momento parecían irresolubles o se manejaban ineficientemente aplicando soluciones pedestres o enormes cantidades de trabajo humano. Por eso la IA no sólo va a mejorar productos existentes, sino a generar categorías de productos totalmente nuevas. Por lo tanto, nuestra identificación de oportunidades de mercado no puede centrarse sólo en necesidades conocidas y expresadas sino en necesidades nuevas, no articuladas, no reconocidas, latentes o inconscientes. Las técnicas de creatividad e ideación, y las técnicas no convencionales de comprensión de los clientes serán imprescindibles no sólo para encontrar aplicaciones a la tecnología (technology-push) sino para descubrir esas nuevas necesidades (market-pull).
Evaluación del problema de mercado a resolver. Uno de los primeros aspectos de la evaluación de una oportunidad de mercado es entender la importancia, urgencia y extensión del problema a resolver, la disposición de los clientes a pagar para resolverlo, etc. Dado que, como hemos mencionado, muchos de los problemas que resuelve la IA son “nuevos” necesitaremos de técnicas sofisticadas para cuantificarlos como, por ejemplo, el descubrimiento empático y la experimentación en el mercado (exponiendo a los clientes a prototipos de soluciones).
Estimación del tamaño actual y crecimiento futuro del mercado. Nuevamente, dado que la IA puede crear oportunidades de mercado totalmente nuevas, la estimación de su tamaño puede resultar difícil. Máxime, teniendo en cuenta que tendrán que producirse los inevitables procesos sociales de difusión de la innovación. Establecer analogías con mercados similares, la opinión de expertos externos o la experimentación en el mercado pueden ayudarnos para este propósito.
Evaluación del nivel de competencia del mercado. En el caso de nuevos mercados generados por la IA la competencia puede no estar en productos similares, sino en la propia mente humana. Tengamos en cuenta los altos costes de desarrollo y explotación de sistemas de IA, las dificultades en el uso y los retos en la adopción de esos productos y su inadecuación en escenarios donde la “exactitud” es imprescindible y la indudable superioridad de la mente humana en algunas tareas cognitivas y descubriremos en ella a un competidor extraordinario. En cuanto a la competencia creada por productos similares, debemos tener en cuenta las barreras de entrada basadas en la adquisición de datos y la capacidad de crear y mantener modelos de alto rendimiento.
Comprensión del valor que aporta nuestra solución. El comportamiento impredecible (incluyendo la tendencia a las “alucinaciones”) de los productos basados en IA, unas métricas de rendimiento complejas y los retos en el uso de estos productos (entre otras causas, por falta de transparencia) hacen que pueda resultar complicado cuantificar el valor efectivamente entregado a sus clientes.
Análisis de nuestra capacidad para entregar una solución. La dependencia de la disponibilidad de datos, la incertidumbre en los entregables, los altos costes de desarrollo y explotación, la dificultad en su mantenimiento y evolución, el peligro de sesgos y comportamiento discriminatorio y los retos del cumplimiento normativo pueden interponerse en nuestro objetivo de entregar una solución eficaz al problema.
Disponibilidad y calidad de los datos como limitadores del mercado. Los datos son fundamentales para el éxito de las soluciones de IA, por lo que la evaluación del mercado debe tener en cuenta la disponibilidad, calidad y accesibilidad de los datos pertinentes. La viabilidad de un producto depende a menudo de que existan datos suficientes, limpios e insesgados para respaldar un modelo de IA eficaz.

Muy importante: riesgo de Viabilidad

Aunque la IA encierra un inmenso potencial los retos de viabilidad empresarial suelen ser considerables, y los errores relacionados con este riesgo tienden a dominar los titulares de actualidad. Para cualquier producto, tenemos que asegurarnos de que puede comercializarse, venderse, recibir servicios, financiarse y monetizarse eficazmente, y de que es legal y cumple todas las restricciones normativas pertinentes. Pero para los productos de IA, estos riesgos de viabilidad pueden ser especialmente importantes y difíciles y es necesario abordarlos desde el primer momento. Todavía es muy pronto en términos de economía unitaria de los productos impulsados por IA, pero hoy en día los costes pueden ser bastante elevados. Además, para varios tipos de productos, existen verdaderas dudas sobre la procedencia de los datos y los derechos de autor de los datos de entrenamiento, los sesgos en esos datos y las ramificaciones de las recomendaciones basadas en estos datos. En términos más generales, las empresas siguen trabajando para comprender las responsabilidades e implicaciones legales de ofrecer soluciones probabilísticas a los clientes. Por último, pero no por ello menos importante, las consideraciones éticas son una preocupación constante y creciente. Esto va más allá de los posibles sesgos en los datos de formación. Si los usuarios malinterpretan un resultado, o el modelo alucina de forma que crea un peligro, ¿cuáles son las ramificaciones legales, reputacionales, económicas y éticas? Como siempre, un análisis efectivo de las oportunidades de negocio debe incluir el atractivo estructural del mercado y la posición competitiva.

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

El post “Productos basados en IA vs. tradicionales: análisis de oportunidades de mercado” 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.]