El líder de producto y codirector ejecutivo comparte por qué crear productos de IA es un desafío totalmente distinto

Andrei Rebrov es un creador de productos de toda la vida y co-CEO de Finsi, donde está integrando la IA en cada capa de la estrategia de producto, tanto para el equipo como para sus clientes.

Le preguntamos a Andrei cómo la IA está cambiando tanto la gestión como la estrategia de producto. Esto es lo que nos contó.

Integrar la IA en la estrategia de producto

Soy Andrei Rebrov, co-CEO de Finsi. A lo largo de mi trayectoria en liderazgo de producto, me he enfocado profundamente en crear tecnología financiera que realmente sirva a las personas.

En Finsi, lidero la organización de producto detrás de una plataforma de crecimiento impulsada por IA creada para marcas de comercio electrónico. El producto es una solución SaaS B2B que sirve a operadores de comercio electrónico DTC y de suscripción, desde marcas emergentes con menos de $5M de ingresos hasta pymes más grandes. Nuestra plataforma se conecta con más de 50 herramientas, incluyendo Shopify, Klaviyo, Meta Ads, Google Ads y Recharge, unificando datos en toda la pila de comercio electrónico. Y utiliza cinco agentes de IA que cubren inteligencia de ingresos, automatización de anuncios, retención y correo electrónico, SEO e investigación de clientes.

El modelo de entrega es totalmente SaaS basado en la web, y nuestra propuesta de valor principal es cerrar el ciclo entre la analítica y la ejecución: no solo revelamos ideas, sino que creamos y lanzamos las campañas, flujos y segmentos para nuestros usuarios.

En mi trabajo en Finsi, he estado a la vanguardia de la integración de la IA en nuestra estrategia de producto: explorando cómo la IA puede agilizar los servicios financieros, mejorar la experiencia del usuario y promover la toma de decisiones más inteligentes a escala.

Este momento de transformación por la IA en el liderazgo de producto se siente tanto emocionante como decisivo. Estoy deseando compartir las lecciones y perspectivas que he obtenido en el camino.

Cómo la IA transforma los procesos de priorización de producto

Los líderes de producto deben rediseñar su proceso de priorización de producto. Casi todos los equipos que conozco siguen priorizando mediante hojas de cálculo, marcos de puntuación subjetiva y rituales de planificación trimestral diseñados para ciclos de desarrollo lentos y costosos.

La IA cambia ambos lados de la ecuación: hace que desarrollar sea más rápido (lo que te permite validar más apuestas) y puede procesar muchas más señales que un humano: datos de uso, comentarios de soporte, patrones de abandono, señales competitivas, entrevistas con clientes, para informar qué es lo importante.

Rediseñamos nuestro proceso de priorización en torno a una capa continua de señales de IA. Automatizamos la extracción de tareas desde transcripciones de Granola para no olvidar lo que debemos. Y en lugar de un ejercicio de hoja de ruta trimestral, mantenemos una lista de pendientes en vivo donde cada elemento está etiquetado con datos de múltiples fuentes: frecuencia de comentarios de clientes, estimación de impacto en ingresos, urgencia competitiva y patrones de engagement. Nuestra IA muestra semanalmente una vista jerarquizada de ese backlog, actualizándose a medida que cambian las señales.

Nuestros responsables de producto siguen tomando las decisiones finales, pero ahora trabajan con una imagen mucho más rica y dinámica que antes.

El resultado: hemos reducido el tiempo entre identificar una oportunidad y lanzar una solución aproximadamente a la mitad, y hemos creado muchas menos soluciones que nadie usa.

Por qué la IA necesita una base sólida de estrategia de producto

Es importante destacar que la IA no puede arreglar una estrategia de producto rota: simplemente amplifica la estrategia que ya tienes.

Si estás resolviendo el problema adecuado para los usuarios correctos, la IA te ayudará a hacerlo más rápido y a mayor escala. Pero si tu hipótesis de producto es defectuosa, la IA acelerará tu camino hacia el destino equivocado.

He visto esto de primera mano. Al principio, cuando desarrollábamos Finsi, consideramos agregar funcionalidades de IA porque eran impresionantes y técnicamente factibles: recomendar acciones, predecir abandono y generar contenido. Pero nada de eso hubiera importado si antes no hubiéramos entendido claramente el dato fundamental: los operadores de comercio electrónico no tienen un problema de análisis, tienen una brecha de ejecución. Solo cuando validamos eso, la IA se convirtió en la palanca correcta.

Al trabajar con IA se necesita la misma disciplina que en cualquier buen trabajo de producto: definición rigurosa del problema, profunda empatía con el usuario y priorización honesta. La IA aumenta la exigencia en todos estos aspectos porque la velocidad de desarrollo implica que puedes construir y lanzar lo incorrecto mucho más rápido que nunca antes.

Cómo una habilidad de Claude Code afinó el enfoque de producto

Un cambio crucial para nosotros fue implementar una habilidad de Claude Code llamada "Merchant Advocate" para nuestros agentes de codificación.

Le proporcioné a Claude contexto sobre la misión de Finsi y el enfoque del producto, así como un resumen de las transcripciones de Granola. Ahora, cuando tenemos un nuevo requerimiento, lo procesamos a través de esa habilidad, y nos ayuda a mantenernos fieles a nuestra misión central: lanzar software que reduzca el trabajo de los comerciantes.

Eliminamos muchas características potenciales de nuestra hoja de ruta debido a este simple paso en nuestros flujos de trabajo.

Por qué Cursor es crucial para la creación rápida de prototipos de producto

Cursor transformó la manera en que nuestro equipo de ingeniería entrega resultados — no solo escribiendo código más rápido, sino acortando la distancia entre el pensamiento de producto y la implementación.

Cuando puedo describir una característica en lenguaje natural y ver un prototipo funcional en minutos, realmente cambia la forma en que validamos ideas. Hace que todo el ciclo de desarrollo de producto sea más rápido y experimental.

Aquí tienes un ejemplo. Queríamos probar una interfaz de "informe de inteligencia semanal" para uno de los agentes de nuestro producto. En lugar de definirlo en Figma y esperar a un sprint, describimos el diseño y la estructura de datos a Cursor en lenguaje sencillo y tuvimos un prototipo funcional conectado a nuestros datos de pruebas en unas pocas horas. Luego lo mostramos a tres clientes ese mismo día, y recibimos comentarios que redefinieron el diseño final antes de escribir una sola línea de código de producción.

Por qué los humanos se encargan de lo trascendental y relacional

Hemos definido deliberadamente el papel de la IA y los humanos en nuestros procesos de producto.

La IA impulsa nuestra síntesis de datos, la detección de patrones, la identificación de anomalías y la ejecución: cosas como detectar automáticamente señales de abandono, reasignar presupuestos publicitarios, generar textos para emails con la voz de la marca y desplegar flujos de Klaviyo. Estas son tareas de alta frecuencia e intensivas en datos donde la IA supera consistentemente la velocidad y escala humanas.

La IA también informa nuestras prioridades identificando recomendaciones que generan el mayor impacto en ingresos entre nuestros clientes, ayudándonos a entender dónde enfocar el desarrollo del producto.

Sin embargo, los humanos toman explícitamente las decisiones que requieren juicio, ética y contexto estratégico.

Esto significa que la visión del producto y la dirección de la hoja de ruta siguen siendo humanas: debemos entender no solo lo que dicen los datos, sino también el tipo de empresa que queremos construir y las aspiraciones más profundas de nuestros clientes. Las decisiones de UX siguen estando guiadas por humanos porque la empatía y la intuición en relación a los sentimientos de los usuarios todavía no pueden automatizarse de forma confiable. Y cualquier decisión que ponga en riesgo el negocio de un cliente —como una gran reasignación de presupuesto publicitario— requiere aprobación humana antes de su ejecución.

Nuestro principio operativo es: la IA se encarga de lo repetible y analítico; los humanos se adueñan de lo trascendental y relacional.

Por qué la IA tiene dificultades para comprender en profundidad al cliente

La IA se ha quedado corta ante nuestras expectativas especialmente en la comprensión profunda del cliente. Al principio, creímos que la IA podría sintetizar de forma fiable las señales cualitativas —tickets de soporte, opiniones, respuestas a encuestas— y traducirlas en ideas accionables de producto con poca intervención humana. En la práctica, la IA destaca clasificando y agrupando comentarios a gran escala, pero se pierde constantemente los matices de los sentimientos de los clientes, especialmente para verticales de e-commerce de nicho con contextos culturales u operativos específicos. La IA suele mostrar patrones reales, pero interpretarlos todavía exige una persona que entienda verdaderamente el mundo de ese cliente.

También hemos descubierto que el material creativo generado por IA —copys para anuncios, asuntos de email—, aunque rápido y útil como punto de partida, rara vez iguala el rendimiento del que crea alguien que realmente domina la voz de la marca y su audiencia. Acelera la producción, pero aún no reemplaza el juicio creativo genuino.

Finalmente, esperábamos que la IA mejorara de forma significativa nuestro proceso interno de descubrimiento de producto, pero no ha reducido el tiempo necesario para identificar necesidades de clientes realmente nuevas: nos ayuda a procesar la información existente, pero los hallazgos más valiosos siguen surgiendo de conversaciones directas e informales con clientes, algo que ninguna herramienta de IA ha replicado o reemplazado aún.

Reflexiones de Andrei

La IA sobresale en categorizar y agrupar comentarios a gran escala, pero sistemáticamente no capta los matices de los sentimientos de los clientes.

Cómo la calidad de los datos impacta el desarrollo de productos de IA

Cuando empecé con la IA, no me di cuenta de lo importante que es la calidad de los datos ni de cuánto tiempo lleva hacerlo bien.

Cuando construimos los agentes de IA de Finsi, asumimos que conectar con Shopify, Klaviyo y plataformas de anuncios nos proporcionaría datos limpios y fiables. La realidad fue mucho más caótica. Cada marca estructura sus datos de forma diferente, rastrea distintos eventos, usa convenciones de nombres distintas y tiene vacíos e inconsistencias en sus registros históricos. Pasamos mucho más tiempo del previsto en procesos de normalización, eliminación de duplicados y validación de datos antes de que la IA generara recomendaciones confiables.

Si hubiera sabido esto desde el principio, habría invertido antes y más en infraestructura de datos, en vez de apresurarme a construir la capa de IA sobre una base inestable.

Por qué la confianza del usuario debe considerarse en los productos de IA

Si tuviera que comenzar de nuevo con los agentes de IA de nuestro producto, abordaría la confianza del usuario de manera diferente.

Inicialmente diseñamos nuestros agentes de IA para que fueran bastante autónomos: presentando recomendaciones y facilitando su aprobación y ejecución con un solo clic. Los usuarios dudaban, incluso cuando las recomendaciones eran buenas. Necesitaban entender el "porqué" detrás de cada sugerencia antes de sentirse cómodos para actuar. Como resultado, incorporamos la explicabilidad en el producto después del lanzamiento, pero habría sido mucho mejor diseñar la transparencia desde el día uno.

La confianza no es una característica que se pueda añadir después; debe estar tejida en la experiencia central.

Por qué la IA hace que la elección y la configurabilidad sean menos importantes para los usuarios

La IA también me obligó a abandonar la suposición de que un buen producto significa dar al usuario control y posibilidades de configuración.

Durante años, la sabiduría convencional en B2B SaaS era que los usuarios avanzados quieren flexibilidad: más opciones, más paneles, más formas de personalizar su experiencia. En Finsi, construimos las primeras versiones bajo esa premisa, permitiendo a los operadores configurar sus propios paneles, establecer sus propios umbrales KPI y personalizar qué métricas seguían. Pero una vez que empezamos a incorporar IA, vimos lo contrario: nuestros usuarios más exitosos dedicaban menos tiempo a configurar y más tiempo a actuar sobre las recomendaciones de la IA.

Los operadores que querían ajustar cada parámetro obtenían el menor valor porque optimizaban la herramienta en vez de su negocio. La IA reveló que nuestros usuarios necesitaban menos carga cognitiva y más confianza en qué hacer a continuación. Esto nos obligó a simplificar drásticamente el producto, eliminar parte de la configurabilidad que habíamos creado y enfocarnos mucho más en configuraciones predeterminadas, impulsadas por IA.

Fue una lección contraintuitiva: a veces, la mejor decisión de producto es quitar opciones a los usuarios en vez de añadir más.

Por qué la verdadera transformación de IA requiere repensar la cadena de valor de un producto

La mayoría de los productos "impulsados por IA" no son productos de IA, sino funcionalidades envueltas con un LLM pegado, y el mercado tarde o temprano se dará cuenta.

La verdadera transformación de un producto mediante IA requiere repensar toda la cadena de valor, no insertar una llamada a GPT en un flujo de trabajo existente. Las empresas que ganarán no son las que agregaron IA más rápido; son las que usaron la IA para cuestionar cada suposición sobre cómo funciona su categoría de producto.

Por qué los líderes de producto deben elegir un pequeño número de apuestas de alto impacto

Resiste dos impulsos igual de peligrosos:

1. La urgencia de adoptar la IA en todas partes a la vez
2. La urgencia de esperar hasta que las cosas se sientan más seguras

Los líderes de producto que prosperarán eligen un pequeño número de apuestas de alto impacto, profundizan y construyen una auténtica alfabetización organizacional —no solo familiaridad con las herramientas— en torno a la IA. Comienza con los problemas que más te cuestan: tiempo perdido en trabajo manual, decisiones tomadas sin suficiente información y funciones que tardan demasiado en lanzarse o validarse. Utiliza la IA para resolver esos problemas, de manera específica.

Y sé honesto con tus equipos sobre lo que la IA cambia para ellos. Los líderes que fingen que la IA no reformulará roles y responsabilidades perderán la confianza; aquellos que mantienen conversaciones abiertas y reflexivas sobre cómo la IA complementa el juicio humano crearán culturas capaces de adaptarse.

Por último, no optimices para parecer nativo de la IA: optimiza para lograr resultados. La mejor estrategia de producto de IA crea valor medible para los usuarios, no la demostración más impresionante. Mantente enfocado en el problema y el uso correcto de la IA llegará como consecuencia.

Reflexiones de Andrei

Los líderes de producto que prosperarán eligen un pequeño número de apuestas de alto impacto, profundizan y construyen una auténtica alfabetización organizacional en torno a la IA.

Sigue la conversación

Puedes conectar con Andrei Rebrov en LinkedIn. Y también visita Finsi.

¡Pronto más entrevistas con expertos en The CPO Club!