D

e todas las posibles aplicaciones de la IA generativa, la propuesta de valor de utilizarla para escribir código fue quizá la más clara. Programar puede ser un proceso lento y requiere experiencia, lo que puede resultar costoso. Además, la promesa de que cualquier persona que pudiera describir su idea en texto plano podría crear aplicaciones, funcionalidades u otros productos que aporten valor significaba que la innovación ya no estaría limitada a quienes tienen las habilidades para ejecutar, sino que podría ser realizada por cualquiera que tuviera una idea.

A medida que las empresas han anunciado despidos masivos en el sector de la ingeniería (algunos de los cuales se han atribuido directamente a la eficiencia impulsada por la IA), parece que los ejecutivos están experimentando con la reducción de sus departamentos de ingeniería y el uso de bots de IA para compensar la diferencia.

Dado el estado actual de la IA, los líderes deberían considerar tres reglas para utilizar con éxito las herramientas de codificación con IA: pruebas y verificación rigurosas, protección de la infraestructura y tratar a la IA como un posible adversario.

1. Pruebas y verificación rigurosas

El código generado por IA exige una verificación más rigurosa, no menos.

— Automatice la verificación con seguridad de tipos. Los lenguajes de programación con seguridad de tipos (como C++, Rust o Scala) aplican reglas sobre cómo fluyen los datos a través de su sistema en tiempo de compilación, detectando categorías llenas de errores antes de que el código se ejecute. Es fundamental destacar que esta verificación no depende de un LLM que pueda alucinar, sino que se trata de una comprobación determinista realizada por un compilador.

— La revisión de código impulsada por IA puede ser sorprendentemente potente. Utilice un agente de IA dedicado a revisar las ediciones de código. Aunque los LLM pueden alucinar durante la revisión, el agente revisor puede detectar problemas que el agente de codificación pasó por alto.

— Las pruebas unitarias le dan a la IA dos oportunidades de hacerlo bien. Las pruebas unitarias son pruebas pequeñas y automatizadas que verifican que los componentes individuales del código funcionen correctamente de manera aislada. Incluso cuando son escritas por un LLM, las pruebas unitarias reducen los errores de forma significativa.

2. Protección de la infraestructura

Escribir un código seguro es solo la mitad de la batalla. La ingeniería de software también requiere proteger y reforzar la infraestructura subyacente sobre la cual se ejecuta su código. Al igual que las pruebas y la verificación rigurosas, este es otro aspecto de la ingeniería que puede pasarse por alto fácilmente.

— Separe los entornos de desarrollo y producción. Los equipos profesionales de software mantienen una separación estricta entre los entornos de desarrollo (donde los desarrolladores experimentan en sus máquinas locales) y los entornos de producción (lo que ven los usuarios). Cada entorno utiliza una base de datos independiente, y la IA solo tiene acceso al entorno de desarrollo.

— Evite los depósitos de almacenamiento públicos y otras configuraciones incorrectas comunes. La filtración de la aplicación de citas Tea (que expuso 72,000 imágenes sensibles) fue resultado de un depósito de almacenamiento de Firebase sin protección. Este error de principiante es el equivalente digital de cerrar la puerta principal, pero dejar la ventana abierta.

3. Tratar a la IA como un posible adversario

En esta sección, destacamos cómo la amenaza de la IA puede ir más allá del descuido y volverse adversarial.

— No asuma que la IA seguirá las reglas. En ocasiones, los agentes de codificación no permiten la lectura de archivos que puedan contener secretos (como .env). A pesar de estas salvaguardas, yo mismo he visto cómo la IA elude estas medidas de seguridad para leer de forma encubierta un archivo .env.

— Debemos tratar los entornos en los que opera la IA como potencialmente hostiles. Afortunadamente, la solución existe. Tecnologías como Docker y la virtualización han protegido durante mucho tiempo el alojamiento de cargas de trabajo potencialmente hostiles en servidores en la nube.

El camino a seguir

El futuro probablemente implique la colaboración entre ingenieros humanos y herramientas de IA, con los humanos aportando la visión arquitectónica, las pruebas rigurosas y la protección de la infraestructura, mientras que la IA acelera las tareas de implementación. Los líderes que reconocen esta realidad e invierten en procesos de ingeniería rigurosos construirán sistemas más resilientes, seguros y sostenibles que aquellos que compran la narrativa exagerada y confunden la velocidad de generación de código con una productividad real.

L

a automatización ofrece una forma de abordar dos desafíos interconectados para los fabricantes occidentales: el escaso crecimiento de la productividad y la escasez de mano de obra. Pero el progreso ha sido irregular. En los Estados Unidos, solo el 12% de las fábricas cuenta con robots, y apenas el 6% ha automatizado a gran escala. La densidad de robots en los Estados Unidos (295 unidades por cada 10,000 trabajadores) está muy por detrás de Japón (419), Alemania (429), China (470) y Corea del Sur (1,012).

He aquí cinco pasos que han demostrado ser fundamentales para hacer que la automatización funcione.

1. Reconozca que la automatización es un cambio en el modelo de negocio.

Con demasiada frecuencia, la automatización se delega a los equipos de operaciones o ingeniería con poco apoyo interfuncional. Eso es un error. La automatización no es solo un asunto de implementación tecnológica. A menudo requiere rediseñar procesos, reorganizar el trabajo y reestructurar la forma en que las organizaciones toman decisiones.

Los líderes que tienen éxito elevan la automatización a la C-suite. Este tipo de movimientos señalan que la automatización no es un experimento: es parte central de la estrategia. La implicación de los altos ejecutivos también cambia el tono a nivel interno y puede generar credibilidad entre los inversionistas, reguladores y socios. En los lugares con altas tasas de adopción de la automatización, estas prioridades se filtran desde los ejecutivos hasta la planta de producción.

2. Defina un caso de negocio ambicioso y realista.

Una de las razones por las que la automatización tiene dificultades para escalar es la “parálisis piloto”, es decir, las empresas experimentan repetidamente con robots en casos de uso aislados y luego los abandonan cuando los resultados no cumplen con los objetivos de retorno de la inversión a corto plazo.

Muchos modelos de ROI se enfocan solo en los ahorros de costos laborales. Pero eso pasa por alto dos puntos críticos: 1) la automatización puede aliviar la escasez de mano de obra (no solo reemplazar personal), y 2) puede mejorar la calidad, aumentar la disponibilidad de datos y habilitar la flexibilidad operativa.

Estamos observando que los períodos de amortización se están acortando: a menudo de uno a tres años, en comparación con los cinco a siete años del pasado reciente. Con gemelos digitales y plataformas modulares, las empresas ahora pueden simular líneas de producción y validar mejoras antes de comprometerse.

¿La lección? Trate la automatización como cualquier otra transformación empresarial. Defina el “qué”, el “por qué” y el “cómo”, y luego escale con disciplina.

3. Construya una pila tecnológica lista para el futuro.

La mayoría de las fallas en la automatización no son causadas por los robots en sí, sino por errores de integración. Solo entre el 25% y el 30% de los costos totales del sistema están ligados al hardware, el resto corresponde a la configuración del sistema para que funcione con los equipos, la infraestructura de tecnología de la información y los flujos de trabajo existentes.

La fragmentación es el problema más común. Muchas herramientas de automatización son de propósito general por diseño, pero las empresas necesitan que funcionen en entornos muy específicos, a menudo propietarios. Esto conduce a integraciones únicas, interoperabilidad limitada y sistemas insostenibles.

Los datos son el combustible para los robots avanzados, especialmente a medida que los modelos fundacionales y los sistemas impulsados por inteligencia artificial se vuelven más poderosos. Las empresas deben mejorar la documentación, la integración y la transparencia para respaldar la escalabilidad.

4. Adopte un enfoque empresarial para equilibrar el riesgo.

Para escalar la automatización con éxito se requiere una estrategia que abarque toda la empresa, con una cartera de proyectos que equilibre las iniciativas de recuperación rápida con inversiones a más largo plazo. Las estructuras de gobernanza centralizadas para asignar capital y evaluar el progreso, como los directores de automatización o los comités directivos interfuncionales, han demostrado ser efectivas.

5. Invierta en las personas desde el principio y con frecuencia.

La tecnología no genera valor, las personas sí. La automatización solo tendrá éxito si la fuerza laboral está lista para ello.

El temor a que los robots nos quiten el trabajo es real. Una de las claves para el éxito es rediseñar las funciones de ingeniería y producción para que se encarguen de identificar e integrar las nuevas tecnologías.

Esto no es un problema tecnológico. Es un problema de gestión, y es uno que los gerentes pueden resolver.

L

os chatbots impulsados por inteligencia artificial se están convirtiendo en el nuevo estándar para gestionar consultas sobre productos, quejas y reembolsos.

Sin embargo, los clientes no se sienten satisfechos con las interacciones de los chatbots. Las encuestas muestran que el 77% de las personas considera que los chatbots son frustrantes, y el 88% sigue prefiriendo hablar con una persona real.

La mayoría de las empresas intenta solucionar este problema diseñando mejores modelos de IA en sus chatbots, bajo el argumento de que, si los modelos suenan lo suficientemente humanos, el problema eventualmente desaparecerá. Pero esta suposición es errónea. Incluso cuando los chatbots alcanzan un realismo casi perfecto (en recientes pruebas de Turing a ciegas, el 73% confundió a ChatGPT-4.5 con una persona), los clientes aún los rechazan.

Esto se debe a que el problema de fondo no es tecnológico. Es psicológico. En un estudio sobre interacciones con chatbots, los clientes que participaron en conversaciones idénticas con personas y con chatbots informaron estar un 8.5% menos satisfechos después de interactuar con el chatbot. Pero cuando las ventajas del chatbot (como “respuestas instantáneas” o “disponible 24/7”) se destacaban y ofrecían de forma explícita, las personas de repente se mostraban un 37% más satisfechas con el chatbot que con agentes humanos más lentos y menos disponibles.

Recientemente hemos analizado las últimas investigaciones sobre chatbots y la interacción entre IA y humanos, y las hemos convertido en una guía práctica para crear chatbots de IA efectivos que impulsen la satisfacción, la percepción positiva de la marca y las ventas. Estas son seis de nuestras formas favoritas para mejorar su chatbot.

1. Etiquete a su chatbot como “en aprendizaje continuo”

Las personas no solo quieren chatbots inteligentes. Necesitan chatbots de IA que sean cada vez más inteligentes. Las investigaciones muestran que los clientes tienen hasta un 17% más de probabilidades de seguir las sugerencias de un chatbot cuando este se etiqueta como “en aprendizaje continuo”, en comparación con un algoritmo estático, o incluso un agente humano.

2. Demuestre la precisión de su chatbot

Los clientes confían en los resultados, no en las explicaciones técnicas. Brinde pruebas de que su chatbot de IA realmente funciona. Mostrar ejemplos de éxito en el mundo real puede aumentar la confianza y la precisión esperada hasta en un 22%. Muestre métricas como: “Hoy gestionó 4,500 consultas con un 94% de precisión” o “Al 98% de los clientes les resultó útil”.

3. Utilice los halagos con cuidado

Los cumplidos sutiles hacen que las recomendaciones sean más persuasivas. Escuchar “Sí, este bolso encajaría con su estilo elegante” se siente bien, y hace que las personas tengan hasta un 12.5% más de probabilidades de aceptar recomendaciones de productos.

Pero si el halago suena demasiado humano, puede tener un efecto adverso. Mantenga los cumplidos basados en hechos, objetivos y alineados con el tono que los clientes esperan de la IA.

4. Compórtese como una persona para reducir el fraude

Las investigaciones muestran que los clientes tienen hasta un 35% más de probabilidades de comportarse de manera poco ética (por ejemplo, mintiendo para obtener un reembolso) cuando tratan con un chatbot en lugar de un agente humano. Interactuar con una máquina se siente menos personal y reduce los sentimientos de culpa.

Para contrarrestarlo, programe su chatbot de IA para que se comporte más como una persona en estas situaciones.

5. Vaya al grano con clientes enojados o apresurados

En momentos de mucho estrés (como la reprogramación de un vuelo cancelado), las respuestas con estilo humano no ayudan. En su lugar, programe su chatbot para que responda de forma rápida, clara y directa cuando detecte enojo o urgencia. En estas situaciones, es mejor no parecer “humano” en absoluto.

6. Comunique las buenas noticias de forma humana

Cuando su chatbot entrega buenas noticias (como la aprobación de un préstamo, un reembolso o una mejora gratuita), hágalo de forma cálida y humana. Los clientes calificaron a las empresas un 8% más alto cuando los resultados positivos fueron comunicados por un chatbot con comportamiento humano.

El próximo gran avance en los chatbots no vendrá solo de mejores modelos de IA. Vendrá del reconocimiento de que, con la IA, la experiencia del cliente ya no es un desafío de ingeniería. Ahora es un desafío de psicología humana.

“

La ingeniería es fácil. Las personas son difíciles”. Esa cita proviene del tecnólogo Bill Coughran, cuya carrera abarca los Laboratorios Bell, Google y la famosa firma de capital de riesgo Sequoia.

En noviembre, OpenAI aprendió la sabiduría de esta lección a menudo olvidada.

El laboratorio de inteligencia artificial, fundado por Sam Altman, Elon Musk y otros, ha cambiado el mundo con el lanzamiento de su modelo de lenguaje ChatGPT. Su destreza en ingeniería e innovación de productos están fuera de toda duda.

Pero OpenAI intentó combinar eso con una importante innovación en materia de gobernanza destinada a controlar su impacto a largo plazo. Y esa innovación fracasó estrepitosamente cuando la junta destituyó a Altman y casi destruyó la valoración de 80,000 millones de dólares de la empresa.

Los ingredientes inusuales de la estructura de gobernanza de OpenAI se han analizado recientemente: Es una organización sin fines de lucro que controla una organización con fines de lucro; los empleados tenían participación accionaria en la organización con fines de lucro, pero el CEO y los directores no; los inversionistas en la empresa con fines de lucro tenían un límite en el rendimiento que podían recibir, y no tenían derechos de control, porque permanecían en la junta directiva de la organización sin fines de lucro. (De hecho, el CEO de Microsoft, el mayor inversor de OpenAI, sólo se enteró de la destitución justo antes de que ocurriera).

Al combinar los modelos con y sin fines de lucro, OpenAI esperaba lo mejor de ambos mundos. En cambio, obtuvo lo peor, y subrayó la importancia de las mejores prácticas en gestión y gobernanza. Los fundadores y las empresas innovadoras pueden verse tentados a reinventar todo al mismo tiempo. Sin embargo, las startups exitosas se resisten a hacerlo. Se centran en cambiar algo importante (generalmente el producto) mientras duplican las mejores prácticas en otras áreas.

Mi investigación ha esbozado las mejores prácticas para startups exitosas. En ese trabajo, he descrito cómo las startups pueden fracasar cuando los fundadores actúan como monarcas sin restricciones. Eso fue, en parte, el fracaso de FTX. Y es por eso que las startups más exitosas suelen ceder el control gradualmente del fundador a los inversionistas, la gerencia y otros empleados. Idealmente, todos estos grupos están alineados a través del capital social de la empresa, pero ninguna persona tiene el control total.

A principios de noviembre, Brad Smith, presidente de Microsoft, intentó hacer una distinción entre la estructura de gobernanza de OpenAI y la de un gigante tecnológico como Meta. “¿En cuál tendría más confianza?” preguntó. «¿Obtener su tecnología de una empresa sin fines de lucro, o de una empresa con fines de lucro que es totalmente controlada por un ser humano?»

Desafortunadamente, esa declaración resultó acertada, pero no en la forma en que Smith la expresó. La toma de decisiones de OpenAI resultó mucho más similar a las monarquías tecnológicas de las que se burlaba. Hay un viejo dicho que dice que «la monarquía es el mejor método de toma de decisiones del mundo, siempre y cuando el monarca sea infalible». La junta directiva de OpenAI solo era responsable ante sí misma y su interpretación subjetiva de la misión de la organización sin fines de lucro, lo que llevó al caos y al fallido golpe contra Altman. Esto no es, por decir lo menos, una mejora del gobierno corporativo. Es un vaciamiento.

¿Qué pasa ahora? Altman está de vuelta como CEO, aunque quedó fuera de la junta reconstituida. Todos menos uno de los miembros de la junta que lo destituyeron se han ido. Pero hasta ahora no está claro si se producirán mejoras en la gobernanza.

Los cambios importantes en el modelo operativo o de gobierno de una startup son particularmente peligrosos. Los cambios significativos que se realizan a medida que una startup crece corren el riesgo de hundir la empresa. Y ahí es donde se encuentra OpenAI. Necesita limitar su experimentación a la investigación y los productos de IA, y adoptar cuidadosamente un modelo de gobernanza más probado en el tiempo. Pero llegar de aquí hasta allí estará plagado de dificultades. Lo más difícil son las personas, no la ingeniería.

A

l igual que muchos de los esfuerzos de digitalización previos, la IA ofrece un enorme potencial para ayudar a transformar la forma en que se hace el trabajo, e incluso acceder a trabajos que no creíamos posibles.

En la Pulse Survey de PwC de junio de 2024, el 84% de los ejecutivos afirmó que lograr un valor medible a partir de una nueva tecnología era un desafío. Por lo general, las organizaciones tienen que dedicar una cantidad significativa de tiempo y recursos a intentar corregir grandes cantidades de “deuda técnica”, es decir, todos los esfuerzos acumulados para ayudar a mejorar la infraestructura tecnológica de su organización y la complejidad resultante.

Nuestra experiencia trabajando en transformaciones tecnológicas y digitales con cientos de empresas nos ha llevado a creer que simplemente tratar de gestionar la deuda técnica es a menudo un esfuerzo equivocado e incompleto. Hasta que las organizaciones no puedan abordar su “deuda de proceso” (que a menudo no se discute, y que definimos como la acumulación de formas de trabajar anticuadas, funcionalmente aisladas y desconectadas del cliente), no podrán aprovechar el enorme potencial de tecnologías como la IA y el conjunto de herramientas de digitalización que tienen a su disposición.

Abordar la deuda de proceso

Entonces, ¿cómo recomendamos que las organizaciones aborden su deuda de proceso de una manera holística que pueda agregar valor? A través de estas cinco palancas:

1. Mapee los procesos de extremo a extremo de su organización e identifique resultados claros.

El primer paso consiste en identificar y clasificar los procesos de extremo a extremo de su organización en función de productos o flujos de valor diferenciados. A continuación, evalúe cada flujo de valor. ¿Todavía es necesario realizar esta actividad? ¿Aporta valor empresarial? ¿Está cumpliendo con las expectativas del usuario final o del cliente?

2. Determine quién está mejor capacitado para ayudar en cada área del proceso principal.

Este paso a menudo se pasa por alto. Muchas empresas rara vez cuestionan qué trabajo deben realizar internamente y qué puede ser realizado por colaboradores externos.

3. Cree una “fábrica digital” para reimaginar los procesos de extremo a extremo.

Así como los fabricantes tienen fábricas para el ensamblaje de productos, recomendamos a las empresas crear una «fábrica digital» (un equipo compuesto por capacidades como estrategia de productos, diseño de productos, ingeniería de datos, ciencia de datos y automatización) para ayudar a hacer realidad sus procesos reimaginados. Al aplicar estos métodos de manera consistente en cada área del proceso, este equipo puede desarrollar herramientas, capacitación y un modelo de gobernanza que ayude a la empresa a prevenir años de deuda de procesos empresariales.

4. Vuelva a capacitar a los empleados para ayudar a respaldar sus nuevos procesos.

Con nuevos procesos que son cada vez más críticos para los resultados comerciales, las organizaciones deben dotarlos de talento altamente calificado que pueda aprovechar su potencial. Esto probablemente signifique cambiar el modelo operativo, así como volver a capacitar o mejorar las habilidades de los empleados y redistribuir el talento en torno a sus nuevas actividades de valor agregado.

5. Adopte una mentalidad iterativa y de aprendizaje al estructurar el cambio en sprints cortos.

No se equivoque: obtener valor de estos esfuerzos probablemente no sea fácil, por lo que las organizaciones deben administrar estos programas de cerca para confirmar la adopción adecuada de los cambios y corregir el rumbo según sea necesario.

Las organizaciones están ansiosas por abordar la carga de su deuda técnica, centrándose cada vez más en los crecientes y aparentemente insuperables presupuestos necesarios para avanzar, y con la esperanza de que las nuevas tecnologías (mejores, más rápidas e idealmente más baratas) puedan ayudar a salvar el día.

En su lugar, comience por reestructurar y volver a priorizar la forma en que su empresa trabaja, con un enfoque en los resultados claros que exigen sus clientes y en los que puede diferenciarse significativamente.

L

os gerentes de producto (PM) de empresas tecnológicas que trabajan en funciones orientadas al consumidor se enfrentan a una serie de tareas desafiantes, pero cruciales: identificar el problema comercial que resolverá un producto, definir correctamente los requisitos del producto y elegir un diseño óptimo antes de entregar el proyecto a los ingenieros para su desarrollo. En cada paso del proceso, los PM deben asegurarse de que lo que se construya sirva tanto a los clientes como a la empresa.

Contrariamente a la idea errónea de que el equipo de productos está formado únicamente por el gerente de producto, el equipo está formado por varios miembros. En su libro Continuous Discovery Habits, Teresa Torres, coach de descubrimiento de productos, describe los roles de esta manera:

— Gerente de producto: El pensador estratégico que alinea las necesidades del cliente con los objetivos comerciales.

— Diseñador: El experto en experiencia de usuario que garantiza que el producto sea intuitivo y fácil de usar.

— Ingeniero de software: El experto técnico que aporta conocimientos sobre viabilidad e implementación.

Si bien este trío central forma el núcleo del equipo de productos, es importante tener en cuenta que su composición puede variar en función del tamaño de la empresa y la complejidad del producto. En algunas organizaciones, un PM también puede asumir responsabilidades de diseño, o puede haber un tecnólogo en diseño que desempeñe funciones tanto de diseño como de ingeniería. Además, dependiendo de la empresa u organización, los equipos de ingeniería o diseño pueden ser grandes, y más de un diseñador o ingeniero podría estar involucrado en el proyecto. Sin embargo, en la fase de ideación, es mejor que el gerente de producto identifique a los líderes de ingeniería y diseño relevantes, y los incluya en el trío central. A veces, dependiendo del producto u organización, puede ser necesario incluir funciones adicionales.

El desarrollo de productos es inherentemente interdisciplinario, y la colaboración temprana entre estos roles centrales puede mejorar significativamente el proceso de descubrimiento.

Para abordar estos desafíos y lograr el equilibrio adecuado, es fundamental redefinir qué constituye un equipo de productos y examinar las etapas clave del proceso de desarrollo de productos.

Involucrar a las personas adecuadas en el momento adecuado

Desglosemos el proceso de desarrollo de productos en cinco fases clave, examinando cómo involucrar eficazmente a las partes interesadas en cada punto:

1. Planteamiento del problema: Establecer las bases

Antes de involucrar a todo el trío central, los gerentes de proyecto deben tener claro el planteamiento del problema. Este primer paso crucial garantiza que el problema que se aborda es relevante para el negocio y merece el tiempo y los recursos del equipo de productos. Bijan Shahrokhi, fundador de Product Management Exercises, aconseja a los PM: «Siga siendo el oráculo en las primeras etapas de un proyecto (especialmente en las primeras partes de la ideación) antes de presentar sus requisitos frente a muchas personas».

En general, una buena idea para el gerente de proyecto en esta fase es realizar de forma independiente una investigación de alto nivel sobre los clientes y elaborar un documento con una descripción general del problema que contenga los detalles de cuál es exactamente el problema de la empresa, quién es el cliente objetivo, cuál es el problema asociado del cliente y el resultado deseado.

Una vez que tenga este documento, revíselo con la alta dirección y las partes interesadas clave para garantizar la alineación antes de pasar a la siguiente fase.

2. Definición de requisitos: Exploración colaborativa

Durante esta etapa, el trío central trabaja en conjunto para realizar entrevistas y estudios con clientes, identificar y priorizar las historias de usuario relevantes, redactar e iterar colaborativamente el documento de requisitos de producto (PRD, por sus siglas en inglés), crear y refinar maquetas de diseño, y evaluar la viabilidad técnica de manera continua. El objetivo de esta etapa es redactar requisitos de producto que mitiguen tres riesgos clave:

— Riesgo de deseabilidad: ¿Estamos creando características que los clientes realmente desean?

— Riesgo de usabilidad: ¿Los usuarios pueden encontrar fácilmente y usar de manera eficaz lo que estamos creando?

— Riesgo de viabilidad: ¿Es posible crear esto con los recursos de ingeniería asignados y la tecnología existente?

En este punto del proceso, los PM deben asegurarse de no trabajar demasiado de cerca con una función, excluyendo a otra. Si bien la colaboración temprana con el diseño y la ingeniería puede parecer costosa en términos de asignación de recursos, a largo plazo ahorra tiempo al prevenir problemas en las últimas fases que podrían descarrilar todo el proyecto.

3. Implementación: Mantener el compromiso

Esta es la fase en la que el trío central entrega oficialmente los requisitos al equipo de ingeniería más grande para su desarrollo. A medida que el proyecto avanza hacia la etapa de implementación, es fácil asumir que el equipo de ingeniería tomará las riendas mientras los gerentes de proyecto y los diseñadores dan un paso atrás. Sin embargo, mantener un compromiso constante es crucial para el éxito.

Durante esta etapa, los PM y los diseñadores deben asistir regularmente a revisiones de sprint o programar reuniones de sincronización ad hoc para abordar los problemas que surjan. Si es necesario, deben estar preparados para revisar los requisitos o los insumos de diseño. Dependiendo del producto, las partes interesadas del negocio también pueden participar.

Esta colaboración continua ayuda a reducir el riesgo de requisitos omitidos y minimiza el tiempo de respuesta en caso de que se necesiten revisiones.

4. Pruebas: Revisión final

Cuando el equipo de ingeniería declara que el producto está completo y ha pasado las pruebas unitarias, es tentador considerar que el trabajo está hecho. Pero, no es así.

Durante esta fase, el trío central debe reunirse para probar el producto en el entorno Gamma (de prueba) e involucrar a las partes interesadas internas de la empresa para realizar pruebas adicionales, si es posible y relevante. El objetivo aquí es buscar inconsistencias en la interfaz de usuario o validaciones omitidas que puedan afectar negativamente la experiencia del usuario, y proporcionar comentarios al equipo de ingeniería antes del lanzamiento final.

En esta revisión final pueden detectarse problemas sutiles adicionales que podrían haberse pasado por alto, garantizando un lanzamiento de producto de mayor calidad y manteniendo la confianza del cliente.

5. Lanzamiento: Coordinación del lanzamiento

La etapa de lanzamiento suele comenzar en paralelo con las pruebas. Como gerente de proyecto, normalmente tomará la iniciativa en la preparación de los materiales de lanzamiento al mercado, pero es importante mantener la colaboración con su trío central y otros equipos relevantes. Este trabajo incluirá la preparación de anuncios de lanzamiento y actualizaciones del centro de ayuda, la colaboración con los equipos internos de soporte o marketing y la revisión de todos los mensajes dirigidos al cliente.

Este enfoque colaborativo garantiza que el producto no solo sea técnicamente sólido, sino que también se presente de manera efectiva a su público objetivo.

Si bien no existe una solución única para el proceso de descubrimiento de productos, las directrices presentadas anteriormente ofrecen un marco para que los PM tecnológicos puedan navegar eficazmente por este complejo panorama. Al fomentar la colaboración temprana con los colegas de diseño e ingeniería y mantener una comunicación clara durante todo el proceso de desarrollo, estará mejor preparado para ofrecer productos que realmente resuenen con sus clientes e impulsen el éxito comercial.