Lanzamiento archivos - DirigeHoy PREMIUM https://dirigehoy.info/tag/lanzamiento/ Todo lo que un gerente tiene que saber Wed, 19 Feb 2025 00:26:34 +0000 es hourly 1 https://wordpress.org/?v=6.9.4 https://dirigehoy.info/wp-content/uploads/2022/02/cropped-identidad-32x32.png Lanzamiento archivos - DirigeHoy PREMIUM https://dirigehoy.info/tag/lanzamiento/ 32 32 242473640 Lo que DeepSeek revela sobre el futuro de la IA https://dirigehoy.info/lo-que-deepseek-revela-sobre-el-futuro-de-la-ia/ Thu, 20 Feb 2025 11:30:25 +0000 https://dirigehoy.info/?p=270833 Veamos a DeepSeek R1 como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

La entrada Lo que DeepSeek revela sobre el futuro de la IA se publicó primero en DirigeHoy PREMIUM.

]]>

Lo que DeepSeek revela sobre el futuro de la IA

E

l lanzamiento del modelo R1 de DeepSeek a finales de enero de 2025 provocó un fuerte descenso de las valoraciones del mercado en toda la cadena de valor de la IA, afectando tanto a los desarrolladores de modelos como a los proveedores de infraestructura. Los inversionistas vieron en R1 un competidor poderoso (y económico) frente a los modelos de IA estadounidenses, lo que puso en duda las proyecciones de crecimiento extraordinario que habían justificado las valuaciones elevadas. Sin embargo, para aquellos que han estado atentos, la llegada de DeepSeek (o algo parecido) era inevitable.

Aun así, este es un momento útil para reflexionar sobre hacia dónde se dirige la IA. Más que considerar a DeepSeek R1 como un punto de inflexión, es más útil verlo como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

He aquí cinco lecciones que los líderes empresariales deberían extraer de este momento.

1. Del reconocimiento de patrones a la resolución de problemas

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se robaron el protagonismo en 2023 y 2024, pero en 2025 quedaremos asombrados por los sistemas de IA capaces de razonar, planificar y operar de manera autónoma. Esto se debe a que dos tendencias interrelacionadas dominarán el panorama de la IA este año: el auge de los modelos de razonamiento y la llegada de agentes de IA listos para el uso generalizado. Estas capacidades dependen en gran medida del aprendizaje por refuerzo (RL, por sus siglas en inglés), un método para entrenar a un agente inteligente para que tome una secuencia de decisiones óptimas. Piense en ello como aprender a jugar un videojuego: Cuando acierta en el blanco, salta sobre un abismo o adivina una palabra, gana puntos. A medida que juega, aprende a realizar acciones que son recompensadas.

La última generación de modelos, como GPT-4, era asombrosa para identificar patrones: Se entrenaban con enormes volúmenes de información, la contextualizaban y nos dejaban sin palabras con sus predicciones precisas del siguiente término en una conversación.

DeepSeek R1 es un modelo de razonamiento gratuito, al igual que los modelos ChatGPT o3-mini de OpenAI y Copilot o1 de Microsoft. Estos modelos representan un cambio crucial de la simple predicción de la siguiente palabra a la resolución metódica de problemas que se basa en gran medida del aprendizaje por refuerzo. Gracias a esta capacidad de razonamiento, estos modelos pueden desempeñarse mucho mejor que sus predecesores en tareas específicas, como resolver problemas matemáticos.

Con la capacidad de desglosar y razonar los problemas, los agentes de IA son capaces de aprender a navegar dinámicamente por flujos de trabajo complejos, adaptándose a nueva información a medida que surge en el proceso de realización de tareas, en lugar de limitarse a scripts rígidos y predefinidos. Esto es justo lo que hacemos los humanos en nuestro trabajo diario, como cuando los agentes de servicio al cliente responden consultas, los empleados administrativos organizan horarios y planifican viajes, o los analistas de datos recopilan información, la analizan y redactan un informe.

2. El punto de inflexión económico de la IA

Uno de los grandes titulares en torno a DeepSeek R1 es su supuesto costo de desarrollo de 5.5 millones de dólares. Esta cifra es engañosa. Probablemente solo refleje el costo de una única prueba de entrenamiento, sin incluir los gastos de infraestructura, ingeniería e implementación. Una cifra total que incluyera esos gastos sería mucho más alta, aunque significativamente inferior a las estimaciones de los costos de desarrollo de OpenAI, Anthropic, Google y otros modelos con los que compite R1.

En lugar de centrarnos únicamente en estas cifras, deberíamos prestar más atención a los costos de inferencia, es decir, los gastos asociados al uso real de los modelos una vez que han sido entrenados. El entrenamiento requiere una inversión inicial sustancial, pero los costos de inferencia son cruciales para las aplicaciones empresariales. DeepSeek R1 y otros modelos recientes, incluida la serie de modelos Llama de Meta, han logrado reducciones significativas en estos costos.

Por regla general, la caída de los precios tiende a estimular la competencia y a impulsar la adopción por parte de los usuarios. Basta pensar en la caída de los precios ajustados al rendimiento en mercados de productos electrónicos (teléfonos inteligentes, televisores, ordenadores portátiles) impulsada por el aumento de la eficiencia en la producción de semiconductores. Esta es la Ley de Moore, que impulsa la caída de los precios y el aumento de las tasas de adopción de demasiados productos finales. Lo mismo está sucediendo en la IA.

3. La IA de código abierto y la propietaria coexistirán

Una de las razones por la que deberíamos haber anticipado un desarrollo como DeepSeek R1 es la lógica económica del software de código abierto. Históricamente, los proyectos de código abierto han desafiado a las soluciones propietarias al reducir significativamente los costos, como sucedió con Unix/Linux en la informática empresarial, Android en los sistemas operativos móviles, MySQL en las bases de datos y, por supuesto, Llama en la IA. La ventaja en costos del software de código abierto está bien documentada. Era predecible que la IA siguiera una trayectoria similar.

Las empresas como OpenAI, Alphabet y Anthropic siguen estando a la vanguardia en cuanto a capacidades multimodales, seguridad (parece fácil vulnerar DeepSeek R1) y otros puntos de referencia. Aun así, los modelos de código abierto como DeepSeek R1 han reducido la brecha en el razonamiento basado en texto y han demostrado una eficiencia notable. Su potencial para aplicaciones empresariales se refleja en la decisión inmediata de Microsoft de integrar DeepSeek R1 en Azure. Dado su menor costo y mayor flexibilidad, los modelos abiertos como DeepSeek R1 serán muy atractivos para los usuarios, al igual que los modelos de lenguaje más pequeños como Phi-4 de Microsoft, que han demostrado un gran rendimiento en muchos casos de uso.

Por ahora, todo apunta a un mercado con una amplia gama de participantes, en lugar de un escenario donde un solo actor domine casi todo.

4. La escasez de chips impulsa la innovación algorítmica

Otro aspecto de la reacción ante DeepSeek R1 se ha centrado en la “sorprendente” noticia de que China parece haber alcanzado a Estados Unidos en cuanto a modelos de IA de vanguardia. Las restricciones estadounidenses a la exportación pretendían limitar el acceso chino a los semiconductores más avanzados y preservar el liderazgo estadounidense en la investigación de IA. El hecho de que este enfoque no haya tenido un éxito total no debería ser una gran sorpresa. La necesidad es la madre de la invención. Las limitaciones de chips han llevado a los investigadores chinos a priorizar la eficiencia algorítmica sobre la potencia bruta de cálculo, una estrategia que podría resultar profética a medida que se dispara el consumo de energía de los centros de datos.

5. DeepSeek R1 no lo cambió todo

Dicho todo esto, los principales laboratorios de IA y los gigantes tecnológicos de Occidente (incluidos Microsoft, Meta, Alphabet y Amazon) seguirán invirtiendo a niveles vertiginosos, asegurando que la demanda de GPU e infraestructura de IA de última generación siga siendo alta. Los modelos abiertos no reemplazarán por completo a los propietarios, y es probable que sigamos viendo un consumo inmenso de recursos computacionales en el entrenamiento e inferencia de modelos. Como resultado, la carrera por desarrollar los sistemas de IA más avanzados continuará impulsando la demanda de chips de alto rendimiento e infraestructura en la nube a gran escala, a pesar de que en estos momentos los costos de inversión superan con creces los ingresos de muchas empresas del sector.

Además, los grandes compradores de infraestructura de Occidente están indudablemente preocupados por el riesgo de suministro, ya que la mayoría de los semiconductores avanzados se fabrican en una planta de TSMC ubicada en Taiwán.

Podría decirse que el ritmo del avance de la IA, así como la importancia social y económica de este conjunto de tecnologías, no tiene precedentes históricos. Con el aprendizaje por refuerzo que permite avances en los modelos de razonamiento y los agentes de IA, que a su vez darán lugar a innumerables aplicaciones nuevas, 2025 estará repleto de momentos “DeepSeek”. Se esperan avances continuos, un aumento de los casos de uso en el mundo real y el verdadero inicio de una transformación económica a escala sísmica.

© 2025 Harvard Business School Publishing Corp. | De: hbr.org  |  Distribuido por: The New York Times Syndicate.

Artículo en inglés

DeepSeek’s launch of its R1 model in late January 2025 triggered a sharp decline in market valuations across the AI value chain, from model developers to infrastructure providers. Investors saw R1, a powerful yet inexpensive challenger to established U.S. AI models, as a threat to the sky-high growth projections that had justified outsized valuations. For those who have been paying attention, however, the arrival of DeepSeek — or something like it — was inevitable.

Even so, this is a useful moment to reflect on where AI is headed. Rather than understanding DeepSeek’s R1 as a watershed, it’s more useful to see it as a signal of where we really are right now — and a harbinger of what’s to come.

Here are five lessons that business leaders should take away from this moment.

FROM PATTERN RECOGNITION TO PROBLEM SOLVING

Large language models stole the show in 2023 and 2024, but in 2025 we will stand in awe of AI systems that can reason, plan and operate autonomously. That’s because two related trends will dominate the AI landscape this year: the rise of reasoning models and the arrival of AI agents that are ready for prime time. These capabilities heavily rely on reinforcement learning (RL), which is a method to train an intelligent agent to make a sequence of good decisions. Think of it like learning to play a video game. When you hit a bullseye or jump over a wide ditch or guess a word, you earn points. As you play, you learn to perform actions that are rewarded.

The last generation of models like GPT 4 were amazing pattern matchers — they pre-trained on vast quantities of information, contextualized it all and blew us away with their uncanny next-word predictions to respond to our prompts.

DeepSeek R1 is a free-to-all reasoning model — as are OpenAI’s just-released ChatGPT o3-mini and Microsoft’s Copilot o1 models. These models represent a crucial shift from uncertain next word prediction to methodical problem solving that heavily relies on RL. Reasoning allows them to perform certain tasks much better than prior models, like solving math problems.

With the capability to break down and reason through problems, AI agents are able learn to dynamically navigate complex workflows, adapting to new information as it arises in the process of task completion, rather than being limited to rigid, predefined scripts. This is just what humans do in our work, such as when customer service agents respond to queries, admin employees create schedules and plan travel and when data analysts collect information, analyze it and write a report.

AI’S ECONOMIC INFLECTION POINT

One of the big headlines around DeepSeek R1 is its reported development cost of $5.5 million. That figure is misleading. It likely only reflects the cost of a single training run, excluding infrastructure, engineering and deployment expenses. A total figure that included those expenses would be much higher — though still significantly lower than the estimates of the development costs for OpenAI, Anthropic, Google and other models R1 is competing against.

Instead of focusing on these numbers alone, we should be paying more attention to inference costs — the expenses associated with actually using models after they’ve been trained. Training requires substantial upfront investment, but inference costs are crucial for enterprise applications. DeepSeek R1 and other recent entrants, including Meta’s Llama series of models, represent large reductions in these expenses. As a rule, falling prices tend to spur competition and drive user adoption. Just think about the drop in performance-adjusted prices in markets for all electronic products — smartphones, television sets, laptops — driven by efficiency gains in semiconductor production. This is Moore’s Law propelling price drops and higher adoption rates of far too many end products to name. The same is happening in AI.

OPEN-SOURCE AND PROPRIETARY AI WILL COEXIST

One reason we should have expected a development like DeepSeek R1 is the basic economics of open-source software. Historically, open-source projects have challenged proprietary solutions by significantly reducing costs, such as Unix/Linux in enterprise computing, Android in mobile OS, MySQL in databases and, of course, Llama in AI. The cost advantage of open-source software is well-documented. It is predictable that AI would follow a similar trajectory.

In AI, proprietary models from companies like OpenAI, Alphabet, and Anthropic remain at the cutting edge in multimodal capabilities, security (it appears to be easy to jailbreak DeepSeek R1), and other benchmarks. Even so, open-weight models like DeepSeek R1 have closed the gap in text-based reasoning and the model is incredibly efficient. The potential for enterprise use cases of the model are reflected in Microsoft’s overnight decision to integrate DeepSeek R1 into Azure. Because of their lower costs and greater flexibility, open models like DeepSeek R1 will be very attractive to users. So will a host of small language models, like Microsoft’s Phi-4, which have demonstrated strong performance in many use cases.

For now, it looks like we can expect a market structure with a diverse array of players, versus a winner-take-almost-all scenario.

SILICON SCARCITY DRIVES ALGORITHMIC INNOVATION

Another part of the reaction to DeepSeek R1 has centered on the “surprising” news that China appears to have closed the gap on the U.S. in frontier AI models. U.S. export restrictions were meant to limit Chinese access to the most advanced semiconductors and help preserve American companies’ lead in AI research. The fact that this approach hasn’t completely succeeded should not be a great surprise. Remember the old adage, necessity is the mother of invention? The silicon constraints have led Chinese researchers to prioritize algorithmic efficiency over raw compute power — a strategy that could prove prescient as data center energy consumption explodes.

DEEPSEEK R1 DIDN’T CHANGE EVERYTHING

All of this said, the major AI labs and the hyperscalers in the West — including Microsoft, Meta, Alphabet and Amazon — will continue to invest at dizzying levels, ensuring that demand for state-of-the-art GPUs and AI infrastructure will remain high. Open models will not completely replace proprietary ones, and we are likely to see immense computational resources consumed in model training and inference. As a result, the neck-and-neck sprint for the most capable AI systems will continue to fuel demand for high-performance chips and large-scale cloud infrastructure, despite that investment costs now vastly outstrip revenues for many players in the industry.

In addition, the big infrastructure buyers in the West are undoubtedly concerned about supply risk, since the majority of advanced semiconductors are manufactured in a TSMC facility located in Taiwan.

The pace of AI advancement — as well as the social and economic importance of this set of technologies — arguably has no historical precedent. With reinforcement learning enabling breakthroughs in reasoning models and AI agents, which will in turn lead to countless new applications, 2025 will be packed with “DeepSeek” moments. Expect continuous advancement, increasing real-world use cases and the true beginning of a seismic-scale reshaping of the economy.

La entrada Lo que DeepSeek revela sobre el futuro de la IA se publicó primero en DirigeHoy PREMIUM.

]]> 270833 Cómo los grandes gerentes de producto facilitan la colaboración https://dirigehoy.info/como-los-grandes-gerentes-de-producto-facilitan-la-colaboracion/ Wed, 23 Oct 2024 09:00:30 +0000 https://dirigehoy.info/?p=269853 El gerente de producto es el pensador estratégico que alinea las necesidades del cliente con los objetivos comerciales.

La entrada Cómo los grandes gerentes de producto facilitan la colaboración se publicó primero en DirigeHoy PREMIUM.

]]>

Cómo los grandes gerentes de producto facilitan la colaboración

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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.

© 2024 Harvard Business School Publishing Corp. | De: hbr.org  |  Distribuido por: The New York Times Syndicate.

Artículo en inglés

Product managers (PMs) at tech companies working on consumer-facing features face a series of challenging but crucial tasks: identifying the business problem a product will solve, defining the product requirements correctly and settling on an optimal design before handing the project off to engineers to build. At each step in the process, PMs must ensure that what gets built serves both customers and the business.

Contrary to the common misconception that the product team consists solely of PMs, a product team consists of several players. In her book Continuous Discovery Habits, product discovery coach Teresa Torres describes the roles this way:

PRODUCT MANAGER: The strategic thinker who aligns customer needs with business goals.

DESIGNER: The user experience expert who ensures the product is intuitive and delightful to use.

SOFTWARE ENGINEER: The technical expert who brings insights on feasibility and implementation.

While this core trio forms the heart of the product team, it’s important to note that the composition may vary depending on your company’s size and product complexity. In some organizations, a PM might also take on design responsibilities, or you might have a design technologist who straddles both design and engineering roles. Additionally, depending on the company or the org, engineering or design teams can be large and more than one designer or engineer may be involved in the project. However, in the ideation phase, it’s best if the PM identifies relevant engineering and design leads and includes them in the product trio. And sometimes, depending on the product and organization, additional roles may need to be included.

Product development is inherently cross-functional, and early collaboration among these core roles can significantly enhance the discovery process.

To address these challenges and strike the right balance, it’s crucial to redefine what constitutes a product team and examine the key phases of the product development process.

INVOLVING THE RIGHT PLAYERS AT THE RIGHT TIME

Let’s break down the product development process into five key stages, examining how to effectively involve stakeholders at each point:

1. PROBLEM FRAMING: SETTING THE FOUNDATION

Before involving the entire product trio, PMs should gain clarity on the problem statement. This crucial first step ensures that the problem being addressed is relevant to the business and worthy of the product team’s time and resources. Bijan Shahrokhi, founder of Product Management Exercises, advises PMs: “You want to remain the oracle in the early phases of a project (especially the earlier parts of ideation) before you put out your requirements in front of many people.”

In general, a good idea for the PM at this stage is to independently conduct high level customer research and produce a problem overview document containing the details of what exactly is the business problem, who is the target customer and associated customer problem and what is the desired outcome.

Once you have this document, review it with leadership and key stakeholders to ensure alignment before proceeding to the next stage.

2. DEFINING REQUIREMENTS: COLLABORATIVE EXPLORATION

During this stage, the product trio works together to conduct customer interviews and research as a team, identify and prioritize the relevant user stories, draft and iterate on the PRD collaboratively, create and refine design mock-ups and assess technical feasibility continuously. The goal of this stage is to draft product requirements that mitigate three key risks:

DESIRABILITY RISK: Are we building features that customers actually want?

USABILITY RISK: Can users easily find and effectively use what we’re building?

FEASIBILITY RISK: Is it possible to build this with our allocated engineering resources and existing tech stack?

During this point in the process, PMs need to be sure they aren’t working too closely with one of the other functions and excluding the other. While early collaboration with design and engineering may seem costly in terms of resource allocation, it ultimately saves time by preventing late-stage issues that could derail the entire project.

3. IMPLEMENTATION: MAINTAINING ENGAGEMENT

This is the phase where the product trio officially hands over the requirements to the larger engineering team for development. As the project moves into the implementation phase, it’s easy to assume that engineering takes the reins while PMs and designers step back. However, maintaining constant engagement across the product trio during this stage is crucial for success.

During this stage, PMs and designers should attend sprint reviews regularly or schedule ad hoc sync meetings to address emerging issues. If needed, they must be prepared to revise requirements or design inputs. Depending on the product, business stakeholders can be involved here too.

This ongoing collaboration helps reduce the risk of missed requirements and minimizes turnaround time if revisions are necessary.

4. TESTING: THE FINAL REVIEW

When engineering declares the product code-complete and unit tested, it’s tempting to consider the job done. It’s not.

During this stage, the product trio must come together to test the product in the Gamma (test) environment, and involve internal business stakeholders for additional testing if possible and relevant. The goal here is to look for user interface inconsistencies or missed validations which could adversely impact user experience, and provide feedback to engineering before final release.

This final review can catch additional subtle issues that might have been overlooked, ensuring a higher-quality product release and maintaining customer trust.

5. RELEASE: COORDINATING THE LAUNCH

The release phase often begins in parallel with testing. As a PM, you’ll typically take the lead in preparing go-to-market materials, but it’s important to maintain collaboration with your product trio and other relevant teams. This work will include preparing launch announcements and help center updates, collaborating with internal support or marketing teams and having the product trio review all customer-facing messaging.

This collaborative approach ensures that the product is not only technically sound but also effectively communicated to your target audience.

While there’s no one-size-fits-all solution to the product discovery process, the guidelines presented here offer a framework for tech PMs to navigate this complex landscape more effectively. By fostering early collaboration with design and engineering colleagues and maintaining clear communication throughout the development process, you’ll be better equipped to deliver products that truly resonate with your customers and drive business success.

La entrada Cómo los grandes gerentes de producto facilitan la colaboración se publicó primero en DirigeHoy PREMIUM.

]]> 269853