El vicepresidente senior de gestión de producto analiza el cambio de los procesos lineales a la iteración paralela

Suman Chittimuri es el Vicepresidente Senior de Gestión de Productos en Kore.ai, donde lidera productos impulsados por IA que atienden a millones de usuarios en flujos de trabajo empresariales como RR.HH., TI, Compras y Experiencia del Cliente.

Hablamos con Suman para entender cómo la IA está transformando el desarrollo de productos como disciplina. Él argumentó que, en lugar de mejorar los flujos de trabajo existentes, la IA obliga a los equipos a repensarlos completamente, cambiando los procesos lineales por una iteración continua y paralela.

Aplicando IA a los flujos de trabajo empresariales

Soy el Vicepresidente Senior de Gestión de Productos en Kore.ai, donde lidero iniciativas de productos que aplican IA en flujos de trabajo empresariales, abarcando RR.HH., TI, Compras y Experiencia del Cliente.

Diseñamos nuestros productos para grandes empresas, atendiendo tanto a empleados como a clientes finales a gran escala en industrias como banca, salud y retail, dando soporte a millones de interacciones. Y utilizamos un modelo de entrega liderado por plataforma, en el que construimos capacidades fundamentales de IA como componentes reutilizables y los implementamos en múltiples flujos de trabajo—permitiéndonos escalar rápidamente los casos de uso mientras mantenemos la consistencia y el control.

En el último año, la IA ha pasado de ser una capa de asistencia a ser una capa central de ejecución. Ese cambio afecta no solo a las funcionalidades, sino también a cómo diseñamos los productos, cómo operan los equipos y la velocidad con la que avanzamos de la idea al impacto.

Ese cambio en la forma de pensar sobre los productos definió mi camino hacia la transformación de productos liderada por IA.

Cómo la IA acelera los flujos de trabajo de desarrollo de productos

Gracias a la IA, pasamos de un modelo lineal de desarrollo de productos a un flujo de trabajo más continuo y asistido por IA.

En el pasado, el descubrimiento, la creación del PRD, el diseño y la creación de prototipos eran procesos secuenciales. La IA rompe ese modelo. Ahora respalda cada uno de estos pasos en paralelo, generando insumos de investigación, redactando especificaciones y creando prototipos tempranos casi simultáneamente.

Lo que cambió como resultado fue la velocidad y la iteración. Lo que antes tomaba días ahora ocurre en horas, permitiendo a los equipos explorar más opciones y perfeccionar más rápido. Esto significa que los equipos pueden—y deben—explorar más alternativas antes de comprometerse.

Todo esto requiere algunos cambios:

• De traspasos secuenciales a iteración continua
• De producir artefactos a perfeccionar resultados
• De exploración limitada a experimentación rápida

El cuello de botella ya no es construir, sino decidir qué construir y validarlo de manera eficaz. Hemos tenido que fortalecer las capas de validación y aplicar el juicio humano de forma más deliberada.

Por qué la IA informa las decisiones de producto, pero los humanos las finalizan

Dependemos mucho de la IA para informar y acelerar actividades iniciales y orientadas a la ejecución:

• Apoyo al descubrimiento (investigación secundaria, análisis de competidores)
• Definición del problema y exploración inicial de soluciones
• Redacción del PRD y aportaciones al roadmap
• Conceptos de UX y prototipado temprano
• Diseño de experimentos y exploración de tradeoffs técnicos

Estas son áreas donde la velocidad, el alcance y la iteración importan. La IA actúa bien aquí.

La participación humana sigue siendo explícita en la toma de decisiones y en las áreas donde el contexto es fundamental:

• Investigación primaria y profundo entendimiento del cliente
• Priorización final y compromisos en la hoja de ruta
• Refinamiento de UX y consistencia en el diseño
• Interpretación de resultados de experimentos
• Toma de decisiones de compensación entre negocio, tecnología y grupos de interés

La razón es simple: la IA es fuerte generando opciones y patrones, pero más débil en juicio, contexto y responsabilidad.

En mi experiencia, la IA acelera el “cómo” y “qué es posible”, mientras que mi equipo y yo nos encargamos de “qué importa” y “a qué nos comprometemos”.

Cómo la IA aumenta la velocidad del producto pero desafía la calidad

Suman comparte

La IA no solo mejora los flujos de trabajo — te obliga a repensarlos… La IA mejora significativamente la eficiencia, pero los resultados aún dependen de cuán rigurosamente los equipos revisan y refinan lo que produce.

En general, he visto mejoras claras en velocidad y capacidad en todas las actividades de producto:

• La creación del PRD se redujo de ~1 día a ~2–3 horas
• La creación de prototipos tempranos se redujo de ~2 días a ~4–6 horas
• La investigación de competidores y mercado se redujo de ~5–6 horas a ~1–2 horas
• Los ciclos de análisis de datos se acortaron en ~60–70%

Esto permite a los equipos explorar más opciones e iterar más rápido dentro de los mismos plazos.

En el lado negativo, la calidad y consistencia son irregulares:

• Los resultados de la IA a menudo requieren mucha validación y retrabajo.
• Los equipos tienden a confiar demasiado en los primeros resultados, lo que lleva a un análisis superficial.
• La consistencia en UX se resiente cuando la IA genera prototipos sin una supervisión fuerte de diseño.
• En algunos dominios, la precisión se estanca (por ejemplo, 80–85% en extracción estructurada), limitando el uso en decisiones críticas.

La IA mejora significativamente la eficiencia, pero los resultados aún dependen mucho de cuán rigurosamente los equipos revisen y refinen lo que produce.

Por qué la IA requiere repensar los flujos de trabajo de producto

Esto es algo que los líderes de producto deben saber: la IA no solo mejora los flujos de trabajo — te obliga a repensarlos.

La mayoría de equipos comienza superponiendo IA sobre los procesos existentes, agregando copilotos, asistentes o automatización en pasos predefinidos. Eso generalmente conduce a mejoras incrementales en velocidad o eficiencia, pero el sistema central permanece sin cambios.

La verdadera oportunidad llega cuando rediseñas los flujos de trabajo, asumiendo que la IA es un componente central desde el principio.

Cuando haces eso, algunas cosas cambian:

• El trabajo se vuelve menos lineal y más paralelo—el descubrimiento, la creación de prototipos y la validación pueden ocurrir simultáneamente.
• El costo de crear y probar ideas baja considerablemente, permitiendo más iteración.
• El papel de los equipos pasa de generar resultados a revisar, refinar y tomar decisiones.
• Los cuellos de botella cambian de la ejecución al juicio, validación y alineación.

Pero hacer esto requiere repensar no solo los procesos, sino también los roles, la responsabilidad y cómo se mide la calidad.

Si no cambias el sistema, limitarás el resultado. Obtendrás versiones más rápidas de los mismos flujos de trabajo — no necesariamente mejores en su esencia.

Cómo la IA optimizó los flujos de trabajo de descubrimiento y prototipado

Hablemos de nuestro flujo de trabajo desde el descubrimiento del producto hasta el prototipado.

Comenzamos con un descubrimiento asistido por IA, donde la IA sintetiza señales del mercado, movimientos de la competencia y datos internos para crear una visión inicial del espacio del problema. La investigación primaria liderada por humanos — conversaciones con clientes y aportes de los grupos de interés — complementa esto.

Luego, la IA ayuda a estructurar el problema y explorar soluciones, generando múltiples enfoques, compensaciones e hipótesis iniciales.

Después, pasamos a la creación del PRD, donde la IA redacta la primera versión de los requisitos, flujos de usuario y casos límite. Los product managers lo refinan con contexto de negocio, restricciones y prioridades.

En paralelo, la IA respalda la conceptualización de la experiencia de usuario y la creación temprana de prototipos, generando wireframes o flujos para una revisión e iteración rápida.

Finalmente, antes de construir, ejecutamos un ciclo de validación:

• PM, diseño e ingeniería revisan los resultados.
• Identificamos brechas, inconsistencias y riesgos.
• Usamos la IA nuevamente para refinar según la retroalimentación.

Lo que solía ser un proceso secuencial ahora sucede en un bucle ajustado, comprimiendo a menudo varios días de trabajo en horas.

Por qué los flujos de trabajo de producto de IA de extremo a extremo siguen sin cumplirse

Con todo esto dicho, la IA aún no es capaz de un flujo de trabajo de producto autónomo y verdaderamente confiable de extremo a extremo.

Vemos grandes avances en pasos individuales, pero un sistema que pase de forma consistente de problema → solución → entrega con una mínima intervención humana aún no existe.

Las brechas aparecen en:

• Mantener el contexto a lo largo de los pasos
• Manejar casos límite y ambigüedad
• Garantizar calidad constante y alineación con los objetivos de negocio

La promesa es atractiva, pero hoy, la IA solo puede acelerar el flujo de trabajo. No puede gestionarlo de extremo a extremo con fiabilidad.

Cómo la IA redefine los roles y habilidades de los equipos de producto

En cuanto a los equipos de producto, destacan algunos cambios:

• Los PM se están convirtiendo en “constructores”, lo que significa que se espera que trabajen estrechamente con la IA, iteren rápidamente y comprendan cómo implementar las cosas, no solo qué construir.
• Los roles de diseño e ingeniería se adelantan en el ciclo, colaborando desde el inicio en lugar de incorporarse después de haber definido los requisitos.
• La responsabilidad de la calidad es más distribuida. Todos son responsables de validar los resultados de la IA, no solo su área funcional.

También vemos la necesidad de nuevas capacidades:

• Mentalidad más sólida de evaluación y pruebas
• Capacidad de trabajar con ambigüedad y sistemas no deterministas
• Comodidad con la iteración y experimentación rápida

Por qué los líderes deben tener cuidado con la falsa confianza en la IA

Suman comparte

Los líderes subestiman un gran riesgo: la falsa confianza en los resultados de la IA… Los equipos tienden a confiar en las respuestas sin la validación suficiente.

Los líderes subestiman un gran riesgo: la falsa confianza en los resultados de la IA.

La IA a menudo genera respuestas fluidas y bien estructuradas que parecen correctas, aunque sean incompletas o erróneas. Los equipos tienden a confiar en las respuestas sin suficiente validación.

A pequeña escala, esto resulta en errores menores. A gran escala, puede llevar a errores sistemáticos que se extienden por los flujos de trabajo, ya sea en decisiones de producto, interacciones con clientes o procesos operativos.

Por qué Claude es la herramienta más valiosa en la gestión de producto

Si solo pudiera quedarme con una herramienta de IA, sería un espacio de trabajo de IA de propósito general: Claude y Claude Work.

No porque sea perfecta, sino porque es la más versátil en todo el ciclo de vida del producto: descubrimiento, definición del problema, redacción de PRD, entradas para prototipo e incluso exploración técnica.

El valor no reside solo en la herramienta en sí, sino en lo fácilmente que se integra en distintos flujos de trabajo sin requerir una configuración o integración compleja.

Las herramientas especializadas son útiles, pero tienden a resolver pasos específicos. Un espacio de trabajo de IA de propósito general actúa como una capa de pensamiento y ejecución que se aplica a múltiples etapas.

Por qué la evaluación y el juicio son lo que importa para los líderes de producto

Esto es lo que me hubiera gustado saber antes de empezar con la IA:

1. El desarrollo guiado por la evaluación es fundamental: Necesitas formas claras de medir la calidad de los resultados iniciales. Sin esto, confiar o escalar sistemas de IA es difícil.
2. La experimentación no es opcional: Los sistemas de IA son no deterministas. No obtienes un buen resultado en una sola pasada; iteras a través de múltiples versiones.

Así que ese es mi consejo. Comienza con sólidos marcos de evaluación. Si lo hubiera hecho, habríamos evitado rehacer trabajos y la confianza errónea en los primeros resultados.

Además, entiende esto: El pensamiento de producto sólido ya no está impulsado principalmente por un profundo conocimiento del dominio.

En el pasado, los PM desarrollaban y confiaban en una experiencia profunda a lo largo del tiempo. Ahora la IA hace que gran parte de ese conocimiento base —el contexto del mercado, información sobre competidores, incluso el análisis de primer nivel— sea fácilmente accesible.

Lo que importa más ahora no es solo lo que sabes, sino cómo cuestionas, sintetizas y aplicas tu juicio. La profundidad sigue siendo importante, pero ya no es el único factor diferenciador.

Sigue la conversación

Puedes suscribirte al boletín AI Fluency de Suman Chittimuri en LinkedIn y a su boletín de producto en Substack. Además, síguelo en LinkedIn.

¡Pronto más entrevistas con expertos en The CPO Club!