El product discovery, entendido como el proceso continuo mediante el cual un equipo de producto descubre qué problemas valen la pena resolver y cómo validar soluciones antes de construirlas, ha sido uno de los terrenos donde la IA generativa generó más expectativas durante 2023 y 2024. Dos años después, con experiencias acumuladas y fracasos incluidos, se puede hacer una lectura más fría de qué prácticas han pasado la prueba del tiempo y cuáles conviene descartar sin nostalgia.
Lo que la IA hace bien en discovery
La síntesis de transcripciones de entrevistas es probablemente el caso de uso más útil y menos controvertido. Un equipo que hace diez entrevistas a usuarios por sprint genera decenas de horas de audio y las correspondientes transcripciones, y procesar esa masa de texto para extraer patrones, citas relevantes y temas recurrentes es exactamente el tipo de tarea donde los modelos actuales añaden valor sin riesgo alto. La síntesis no sustituye al investigador; lo libera de trabajo tedioso para que dedique tiempo a interpretar.
La generación de preguntas para guiones de entrevista también funciona bien como primera aproximación. Pedirle al modelo que proponga veinte preguntas abiertas sobre un problema concreto, con variantes según segmento de usuario, produce un punto de partida que el investigador refina y filtra. El valor no está en aceptar las preguntas tal cual, sino en no empezar desde cero y en tener un conjunto más amplio del que el cerebro solo habría generado antes de la sesión.
La exploración de analogías de otras industrias ha sorprendido positivamente. Preguntarle al modelo cómo resuelven problemas similares sectores ajenos al nuestro, o qué patrones de producto han funcionado en contextos comparables, a veces produce insights que no habríamos encontrado buscando manualmente. No siempre funciona, pero como técnica de ampliación de espacio de búsqueda tiene rendimiento aceptable, especialmente en las fases iniciales de un problema nuevo donde todavía no hay claridad sobre dónde mirar.
La redacción de borradores de especificaciones, user stories y criterios de aceptación también ha encontrado su hueco. El modelo produce un primer texto razonablemente estructurado sobre una idea, el product manager lo edita, discute con ingeniería y diseño, y el tiempo de ir del concepto al documento discutible se reduce. Ojo, el documento final sigue siendo responsabilidad humana; el modelo solo acorta el camino hasta tener algo tangible sobre la mesa.
Lo que la IA hace mal
La generación directa de hipótesis de producto sin datos reales ha sido un fracaso repetido. Pedirle a un modelo que sugiera qué problemas tienen los usuarios de un segmento, sin alimentarlo con investigación real previa, produce listas de problemas plausibles pero genéricos que suenan a consultor externo pronunciando obviedades. El problema no es de calidad lingüística; es que sin datos reales del segmento concreto, el modelo produce consenso estadístico de internet, no insight útil.
La priorización automática ha decepcionado en la mayoría de casos. Varios equipos intentaron durante 2024 y 2025 usar modelos para puntuar backlogs según criterios como impacto, esfuerzo y riesgo. Los resultados eran superficialmente coherentes pero no resistían la discusión detallada con stakeholders, porque el modelo no tenía contexto completo sobre limitaciones internas, alianzas estratégicas, calendario de clientes clave o motivaciones políticas que pesan mucho en las decisiones reales. La priorización sigue siendo conversación humana con soporte analítico.
La simulación de usuarios, donde el equipo pedía al modelo que actuara como persona concreta y respondiera a prototipos, ha tenido resultados mixtos y mayormente desalentadores. El modelo produce respuestas plausibles pero converge hacia un promedio estadístico que no refleja la diversidad real de usuarios, y genera falsos positivos sobre adopción porque tiende a ser amable con las ideas propuestas. Ha habido casos documentados de equipos que validaron prematuramente direcciones que luego fallaron al contactar con usuarios reales, precisamente porque el modelo nunca objetó con la fuerza con que objetan los humanos de verdad.
La detección de necesidades no expresadas es territorio donde el modelo suele quedarse corto. Los usuarios a menudo no saben articular lo que necesitan, y el trabajo del buen investigador es escuchar entre líneas, observar contradicciones y captar señales no verbales. Estas capacidades, que son el núcleo del discovery cualitativo serio, no se delegan al texto ni al modelo. Cualquier intento de automatizarlas acaba produciendo transcripciones pulidas pero con las observaciones interesantes eliminadas en el proceso.
Prácticas que han madurado
Tras dos años de prueba y error, algunas prácticas concretas se han consolidado como estables. La primera es el uso del modelo como compañero de análisis tras entrevistas reales. El investigador transcribe, el modelo ayuda a sintetizar, el equipo humano discute los hallazgos. Este patrón aprovecha lo bueno de la IA sin caer en los fracasos de delegarle el pensamiento de fondo.
La segunda práctica consolidada es el uso del modelo para generar contraargumentos. Tras formular una hipótesis, pedir al modelo que construya los tres mejores argumentos en su contra, sin ser amable, como si fuera un crítico externo hostil. Esto ayuda a endurecer la hipótesis antes de invertir tiempo en validarla. Funciona mucho mejor que pedir validación, que tiende a producir aprobación superficial.
La tercera es la generación de variantes de texto para probar, aplicada a copy, a formulaciones de propuestas de valor y a mensajes de marketing. El modelo produce veinte variantes, el equipo elige cinco, se prueban con usuarios reales, y el aprendizaje vuelve al modelo para la siguiente iteración. El ciclo es rápido, el coste es bajo, y el resultado suele ser texto más afinado que el que salía de sesiones internas de marketing puro.
La cuarta práctica madura es el análisis de conversaciones de atención al cliente como fuente de discovery. Las interacciones de soporte contienen una mina de información sobre fricciones reales de usuarios, y procesar ese corpus con ayuda de modelos permite identificar patrones que de otra forma quedarían ocultos. Empresas con volúmenes grandes de tickets han empezado a integrar esta fuente como entrada sistemática a sus ciclos de discovery con resultados concretos.
Errores comunes a evitar
Varias trampas recurrentes merecen mención explícita. La primera es confundir velocidad con rigor. El modelo acelera muchas tareas del discovery pero no las hace mejores por sí mismo; un ciclo acelerado sin los controles humanos adecuados produce rápidamente malas decisiones bien documentadas. La velocidad tiene que ganarse por simplificación de tareas tediosas, no por eliminación de pasos reflexivos.
La segunda trampa es asumir que el modelo entiende el contexto del negocio. Sin carga explícita de información sobre segmentos, métricas, alianzas y limitaciones, las sugerencias del modelo son tan generales que no ayudan a decidir. Invertir tiempo en preparar un contexto bien curado, que se reutilice en las interacciones, hace más por la calidad de las respuestas que cualquier técnica avanzada de prompting.
La tercera trampa es excluir a los investigadores y product managers con más experiencia de la interacción con el modelo. En varios equipos hemos visto que cuando los juniors usan IA sin supervisión de seniors, el equipo pierde la capacidad de detectar cuándo las salidas son plausibles pero erróneas. El conocimiento de los seniors sigue siendo el filtro crítico, y ese filtro requiere estar presente en el proceso.
Cómo integrar sin corromper
Para un equipo de producto que quiere incorporar IA al discovery sin corromper sus fundamentos, la secuencia razonable es gradual. Empezar con síntesis post-entrevista y generación de borradores, que son las áreas de menor riesgo y mayor retorno inmediato. Medir el tiempo ahorrado y la calidad percibida de las salidas durante dos o tres sprints.
Pasar después a generación de contraargumentos y exploración de analogías, que son áreas de mayor palanca pero que requieren más madurez en el uso crítico del modelo. En esta fase, dedicar tiempo a documentar qué tipos de consultas producen resultados útiles y cuáles no, para que el equipo desarrolle intuición compartida sobre cuándo invocar IA y cuándo no.
Solo después, con meses de experiencia acumulada, considerar integraciones más ambiciosas como análisis sistemático de conversaciones de soporte o workflows híbridos donde el modelo intervenga en múltiples puntos del ciclo. En esa fase, la tolerancia al error del equipo ya es realista y los procesos de revisión humana están bien establecidos.
Cuándo compensa
La IA en product discovery compensa cuando el equipo tiene ya un proceso maduro sin IA. Introducir herramientas generativas en un equipo que todavía no tiene disciplina de entrevistas regulares, de síntesis rigurosa y de hipótesis bien formuladas solo acelera el caos. Primero las prácticas básicas bien asentadas, luego las herramientas que las amplifican.
Compensa también cuando el volumen de entradas del discovery justifica la inversión en integrar IA. Un equipo pequeño con una entrevista semanal y poco material no se beneficia mucho; un equipo con cinco investigadores activos, múltiples segmentos y mucho material acumulado extrae rendimientos significativos. El punto de inflexión suele estar en el momento en que la síntesis manual se convierte en cuello de botella.
Mi lectura
Product discovery con IA en 2026 es un área madura con prácticas concretas que funcionan y otras descartadas con claridad. La lección más importante es que la IA amplifica buenos procesos y acelera los malos hacia fracasos más rápidos y mejor documentados. Los equipos que ya hacían discovery serio antes, usando IA hacen más y mejor; los que no tenían proceso y esperaban que la IA lo sustituyera han aprendido que no funciona así.
El papel del producto manager y el investigador sigue siendo central, pero ha cambiado de perfil. Menos tiempo en tareas mecánicas de síntesis y redacción, más tiempo en decisiones críticas, conversación con usuarios y crítica de las salidas del modelo. Es un cambio positivo para quienes aman el oficio y una amenaza solo para quienes confundían actividad con valor. La buena noticia es que el estándar del buen discovery ha subido sin que haya subido el coste del equipo que lo practica; la mala es que quienes no se adapten quedan en desventaja creciente frente a quienes han integrado las prácticas que sí funcionan.
