El discurso

“Queremos un MVP”. “Usamos metodología agile/scrum”. “Nuestro roadmap está vivo”. “Esto lo sacamos en la próxima iteración”. “Podemos pivotar porque somos flexibles”.

La cruda realidad

• Se confunde velocidad con progreso (muchos sprints ≠ aprendizaje).
• Se acaban creando MVPs gigantescos que consumen el presupuesto (y luego no hay budget para captar tráfico)...
• … o se crean MVPs inoperantes sin propuesta de valor.
• No se parte de hipótesis explícitas, de conclusiones ni de criterios de éxito y fracaso a la hora de iterar.
• Resulta imposible desapegarse de ciertas funcionalidades porque la dirección insiste en que son imprescindibles.
• La cultura de trabajo sigue siendo rígida, jerárquica y burocrática.

¿Y si…?

¿Y si, antes que nada, nos pusiésemos de acuerdo en qué problema resolver?

Cultura de producto

El objetivo no debería ser producir entregables, sino aprender continuamente qué aporta valor al usuario y al negocio y actuar en consecuencia. Y esto solo puede conseguirse apostando por una cultura centrada en crear valor continuo y sostenible, mediante iteración, medición y aprendizaje: la cultura de producto.

Eso sí, conviene no ignorar la complejidad de operar un cambio cultural de estas proporciones. La adopción de una cultura de producto no debería pasar por imponer procesos o frameworks de forma simplista y dogmática, sin entender el contexto real de los equipos.

Cadencia sostenible

Entregar calidad con una cadencia sostenible siempre va a producir mayor valor que lanzarse a sprints no respaldados por hipótesis. Por eso, el foco debería estar en trabajar con sentido y constancia, no en trabajar más rápido a toda costa.

Y hablando de “a toda costa”: el bienestar del equipo tiene que entenderse (también) como un factor estructural de la productividad con consecuencias directas sobre la calidad del producto y la velocidad a largo plazo.

De afuera para adentro

Cuando se colabora con un equipo externo solo para “añadir más manos” a un proyecto se está desaprovechando una oportunidad clave: la de saltarse ciertos procesos, hacer las cosas de manera diferente y subir el listón.

En un momento marcado por cambios constantes y significativos, aprovechar esas colaboraciones para poder seguirles el ritmo es vital para cualquier organización.

El discurso

Está muy de moda, desde hace tiempo, afirmar que nos guían los datos. Decir que “lo que no se mide no se puede mejorar”, que “tenemos muchísimos datos”, que “todas las decisiones que tomamos están basadas en datos”, que “el dato es el nuevo petróleo”.

La cruda realidad

• Se mide sin una estrategia clara, obteniendo datos que no son relevantes.
• No se explora el porqué de los datos, lo que los convierte en mero ruido.
• Se considera que hacen falta “más datos” para tomar decisiones, lo que paraliza y hace perder oportunidades.
• Los datos se acaban usando para justificar decisiones ya tomadas.

¿Y si…?

¿Y si en lugar de recopilar cada vez más datos cambiásemos la manera de trabajar con ellos?

Cuestión de cultura

Para que los datos se conviertan en un material realmente útil hace falta que se dé un cambio cultural en las empresas. La organización tiene que…

• Promover una mentalidad de toma de decisiones basadas en datos y definir KPIs que midan hasta qué punto esa mentalidad se aplica en la práctica.
• Fomentar una cultura de experimentación mediante tests A/B, hipótesis y validación empírica.

Esta no es una solución rápida y sencilla de implementar, pero es la base indispensable sobre la que seguir construyendo.

Analítica accesible

Es oficial: ha llegado la hora de ir más allá del perfil de técnico especializado en datos y dotar a todo el equipo de las habilidades necesarias para poder gestionar la analítica de su área de forma eficiente y autónoma.

¿Una manera de hacerlo? Implementando herramientas basadas en IA conversacional que permitan que cualquier perfil dentro de la organización pueda conversar con los datos para hacer preguntas en lenguaje natural (“¿Está habiendo más abandonos este mes que la temporada pasada?”, “¿Qué campaña de los últimos seis meses ha tenido más impacto sobre las ventas de productos de montaña?”) y obtener respuestas claras, eficaces y accionables.

Detrás del dato

Sí, un dato puede indicarnos que ahora los usuarios pasan menos tiempo en una página. ¿Pero es porque han encontrado antes lo que buscaban o porque la han abandonado frustrados?

Si no sabemos qué hay detrás de ellos, los datos engañan. Por eso es fundamental diseñar experimentos que nos permitan ver no solo lo que está pasando, sino también por qué está pasando. Este proceso de diseño empieza con una pregunta clara, sigue con una hipótesis medible y una prueba controlada para comprobarla (como un test A/B, una prueba con grupos de usuarios o un piloto por fases) y termina con una fase de análisis.

Hoy, la IA puede servirnos para acelerar el diseño, la ejecución y el análisis de estos experimentos. La clave está en medir con rigor, analizar con criterio y aplicar lo aprendido para decidir mejor, no solo más rápido.

Pasando a la acción

Imaginemos que, en vez de verse como números en un informe que hay que mirar cuando todo ha pasado, los datos se utilizasen como un material de construcción similar al código.

Y es que no deberíamos entender los datos como algo estático, sino como un elemento activo que dispara acciones. No es tener un informe sobre cuánta gente abandona el carrito, sino detectar que se ha abandonado el carrito y reaccionar al instante. No es esperar al informe mensual, es observar un cambio en el comportamiento de los usuarios y ajustar la estrategia en ese momento.

Así, a través de los datos, los equipos podrían construir sistemas, agentes o procesos automáticos de forma directa y consistente.

El discurso

“Conocemos al cliente”. “Construimos el producto que nos gustaría usar”. “No construimos features, resolvemos problemas”. “Trabajamos siempre con evidencias de usuarios”.

La cruda realidad

• Se hacen pocas entrevistas, encuestas genéricas o directamente se ignora al usuario.
• Decir que “ponemos al usuario en el centro” se usa muchas veces para justificar decisiones ya tomadas.
• La dirección de las organizaciones suele marcar la prioridad final, incluso cuando los datos apuntan en otra dirección. El ego, el miedo al riesgo y las prisas del negocio pesan más que la voz del usuario.
• Las distintas áreas de las organizaciones siguen trabajando en silos. Cada una genera su propia narrativa sobre el usuario, pero esas historias rara vez se cruzan.
• Cuando hay presupuesto, el exceso de capas y validadores diluye las decisiones.
• Cuando no lo hay, se improvisa: se entrevista poco, se valida menos y se asume demasiado.

¿Y si…?

¿Y si construyéramos procesos que nos permitiesen cerrar la brecha entre discurso y realidad?

Sin silos

Los equipos de Data, Marketing, Ingeniería, Negocio, Diseño y Producto deberían colaborar desde el principio, con una misma pregunta como punto de partida: “¿Qué problema hay que resolver?”.

Trabajar juntos no significa hacer todo entre todos, sino saber dónde cada perfil aporta valor: un perfil de Ingeniería puede participar en un discovery, uno de Diseño puede estar en un sprint de desarrollo, uno de Data puede detectar oportunidades desde la escucha directa.

Eso sí, esta transversalidad no implica dilución de la responsabilidad. El equipo de Producto tiene que ser quien articule la conversación y garantice la coherencia entre el propósito y la ejecución.

De lo puntual a lo constante

La investigación con usuarios no debería ser una fase, sino un hábito. Es decir, debería integrarse en el día a día del producto mediante ciclos cortos y constantes: entrevistas, tests, prototipos, decisiones basadas en evidencias que mantengan viva la conexión con las personas usuarias.

Una práctica enraizada en los principios de las metodologías agile que es necesario combinar con ese enfoque “sin silos” que mencionábamos antes: colaboración real desde el inicio, definición compartida del problema y coherencia en la aplicación de los datos.

¿Y la inteligencia artificial? Aunque no tiene la capacidad de sustituir el pensamiento crítico ni la empatía, la IA puede amplificar este enfoque, automatizando parte de la búsqueda de insights (por ejemplo, al recoger feedback o detectar patrones de uso) y distribuyendo ese conocimiento entre todos los equipos para que trabajen siempre con información fresca y compartida.

Privacidad por defecto

El equilibrio entre negocio y respeto al usuario es innegociable. Por eso…

• Los productos deben recoger datos de forma responsable y transparente, priorizando la privacidad.
• El futuro pasa por trabajar sobre datos propios (los que el usuario comparte directamente contigo) y no sobre datos comprados o inferidos.

El respeto genera confianza, y la confianza, más que cualquier KPI, es lo que mantiene a los usuarios en el centro.

El discurso

“Cualquiera puede generar una interfaz con IA, pero no cualquiera tiene el gusto necesario para hacerla coherente, elegante o emocionalmente relevante”. “No vendemos un producto, vendemos experiencias”. “Nuestra referencia es Apple”. “El producto tiene que ser sexy”.

La cruda realidad

• El diseño se entiende como decoración, como una capa de brilli brilli.
• Se relega al final de los procesos de toma de decisiones.
• Se traduce en debates interminables sobre gustos personales…
• ... que no se conectan de manera clara con métricas de valor.
• Se recurre a la IA generativa para intentar ahorrarse el coste del diseño…
• ... corriendo así el riesgo de hacer experiencias confusas e inconsistentes.
• Se imita ciegamente al líder del sector.

¿Y si…?

¿Y si empezásemos a usar el diseño como un sistema que una personas, negocio y tecnología?

Un rol realmente transversal

El diseño no es decoración: es el motor que coordina personas, negocio y tecnología para entregar valor con claridad y confianza.

Nuestra apuesta es la de recuperar el rol transversal del diseño (del negocio al píxel), incorporando desde un principio cuestiones como la accesibilidad universal. Sobre todo ahora que se está cuestionando la propia idea de interfaz.

Guía para la IA

Diseñar también puede ser una forma de garantizar que la incorporación de IA u otra tecnología responda a un propósito.

Recuperar ese rol transversal del diseño nos ayudaría a explorar nuevos retos de negocio y a encontrar soluciones innovadoras sin perder de vista a las personas: tanto a quienes forman parte de la organización que queremos transformar como a quienes serán los futuros usuarios o clientes de nuestros productos.

Objetivando el gusto

Establecer criterios de decisión compartidos puede ayudar a objetivar el gusto y reducir los debates basados en opiniones personales. Cuando el equipo acuerda qué principios guían las decisiones (claridad, accesibilidad, alineación con los objetivos de negocio…), el diseño deja de ser una cuestión de preferencias y se convierte en un proceso más transparente y argumentado.

Una palanca para llevarlo a cabo es involucrar a diferentes perfiles antes de lo habitual en el proceso: Diseño podría participar en la definición del negocio o Desarrollo en la investigación con usuarios.

Un porqué compartido

Se acabó la figura del diseñador rock star: sin perder el liderazgo individual, proponemos que la responsabilidad sobre las decisiones de diseño y sobre el resultado final se comparta entre todo el equipo.

Cuando todos entienden y comparten el propósito que hay detrás de una decisión de diseño (“mejorar la claridad y rapidez en la búsqueda”, por ejemplo), esta no se diluye a medida que va pasando por distintas manos (Desarrollo, equipo de Marketing, Product Manager…).

El discurso

"Somos líderes en innovación". "Incorporamos IA". "Estamos a la vanguardia"

La cruda realidad

• Se confunde incorporar IA con tener una estrategia.
• Se adoptan tecnologías porque están de moda, sin un análisis ni una estrategia detrás. Esto encarece y complica, pero además genera deuda técnica, frustración y falta de impacto.
• Las decisiones tecnológicas tienen costes a nivel de regulación interna (policies internas de usos de tecnología) y externa (marcos regulatorios), seguridad y percepción pública que rara vez se ponen sobre la mesa.
• El famoso “copiloto” rara vez transforma un proceso: normalmente es solo otra capa de interfaz bonita sobre lo mismo de siempre.
• Los equipos no saben cómo aprovechar la IA, o la usan sin que la dirección lo sepa (lo que llaman “los fantasmas de la IA”) por lo que no hay ni gobierno ni aprendizaje compartido.

¿Y si…?

¿Y si dejar de perseguir el hype nos hiciera ir más rápido y más lejos?

Un nuevo marco de trabajo

Evitar caer en la trampa de lo “puntero” pasa por un marco sencillo: decidir antes de construir, escalar con intención y medir lo que realmente importa.

1. Primero, entender qué problema queremos resolver y bajo qué restricciones coste, tiempo, seguridad, experiencia, lista de regulaciones), comparando alternativas, incluida la de no hacer nada, antes de elegir tecnología.
   
   
2. Después, estructurar la evolución en fases claras: una demo descartable para validar la hipótesis, un piloto con límites y mínimos de calidad, una versión “productizable” con observabilidad y criterios de escalabilidad, y solo entonces un producto en producción con SLO y runbooks definidos.
   
   En este camino, la automatización y los agentes de IA pueden jugar un papel relevante, no como atajo mágico, sino como parte de un diseño consciente: tareas repetitivas delegadas, flujos orquestados con criterio y supervisión humana donde realmente aporta valor. Cada salto requiere pruebas de valor, métricas de calidad y un análisis realista de coste y riesgo.
   
   
3. Finalmente, medir lo que de verdad cuenta: el valor entregado al usuario, el impacto en el negocio, la salud del producto y el coste total de propiedad. Así, la conversación deja de girar en torno a qué vamos a usar y se centra en qué queremos lograr, cómo lo hacemos sostenible y qué valor genera en el tiempo.

Cuestión de reputación

¿Cómo afectan nuestras decisiones tecnológicas a la reputación o se ajustan a la normativa actual? ¿Nos ayudan a ser más resilientes como organización o por el contrario nos alejan? ¿Cumplen nuestros productos con los estándares que están definiendo las normativas?

Conviene no perder de vista las “otras realidades de la tecnología”, la regulatoria (como el AI Act) pero también la pública o de la percepción social. Ser capaces de aportar explicabilidad a nuestros modelos y herramientas es también cada vez más estratégico y diferencial.

Más allá del copiloto

El valor real no está solo en un asistente individual (“copiloto”), sino en transformar procesos completos de la organización con IA agéntica (varios agentes colaborando en paralelo). Eso implica cambios culturales y estructurales, no solo tecnológicos.

Introducir agentes de forma estratégica, atendiendo a cómo orquestar pasos, pero también a sus posibles limitaciones (por seguridad, por coste), es una de las inquietudes clave a día de hoy.

Los buenos fantasmas de la IA

“La economía fantasma de la IA” hace referencia al uso no oficial de herramientas de inteligencia artificial dentro de una organización. Es decir, se da cuando la IA se está usando pero sin estructura ni seguimiento.

Esto, más que un problema, presenta una oportunidad: la de aprovechar una curva de aprendizaje que ya estaba en marcha para acelerarla y legitimarla. ¿Cómo? Facilitando herramientas low-code o de lenguaje natural a los equipos para que puedan seguir haciendo lo mismo pero de manera segura y trazable.

El discurso

“We’re game changers”, “estamos revolucionando la forma en la que se hace equis”... LinkedIn está lleno de frases que anuncian impactantes cambios de paradigma.

La cruda realidad

• Se exagera la magnitud del cambio, a menudo para conseguir ventas o atraer talento.
• Esto genera desconfianza: los usuarios, inversores o incluso empleados perciben que no hay coherencia entre lo que se promete y lo que se logra.
• Un cambio drástico no es necesariamente algo positivo o a lo que deberíamos aspirar siempre.

¿Y si…?

¿Y si empezásemos a hablar de “evolución consciente” y no de cambio espectacular?

Stack de impacto

Así como hablamos de stack tecnológico para referirnos a las herramientas que usamos, también podemos pensar en un stack de impacto: un marco que nos permita medir y gestionar el valor que generamos en distintas dimensiones.

• Cliente: cuánto tiempo ayudamos a ahorrar y qué errores evitamos.
• Negocio: cómo impactamos en ingresos, margen y gestión del riesgo.
• Producto: cuánto de fiable, seguro y eficiente en costes es lo que ofrecemos.
• Entorno: qué efectos producimos más allá de la empresa, como la huella de computación o la relación con poblaciones vulnerables.

ContraKPIs

De la misma manera en la que cada tendencia suele presentar una contratendencia, a cada métrica o KPI que le exijamos a un producto podríamos añadirle una contramétrica, un mecanismo de control que nos obligue a considerar las consecuencias no deseadas de nuestras acciones.

Si se mide el número de descargas de la app, se debe medir también el número de llamadas a Atención al Cliente. Si se mide la potencia de una IA, se debe medir también lo estable y controlada que es.

Al adoptar esta mentalidad, nos alejamos del concepto de "disrupción por disrupción", enfocándonos en un crecimiento más sostenible y en un impacto genuino. Este enfoque genera un discurso más maduro y honesto que, en última instancia, construye una relación más sólida y duradera con los clientes.

¿Demasiada disrupción?

Cuando basamos nuestra comunicación en ostentar disrupciones, nos estamos olvidando de cuál es la reacción más puramente humana a lo desconocido: el rechazo.

El editor de The Atlantic Derek Thompson ya señaló hace años que para lograr la adopción de un producto novedoso tenemos que presentarlo como algo familiar, conectarlo con algo que el cliente o usuario reconozca.

Una máxima que debemos tener en cuenta no solo a la hora de construir la narrativa en torno a nuestros productos digitales, sino también a la hora de construir los productos en sí.