La directora de producto y fundadora de una empresa nativa de IA comparte cómo gestionar inteligentemente una hoja de ruta con IA

Tara Sakhuja es la CPO de Luv or Pop y la fundadora de una empresa nativa de IA llamada Data Dumpling. Antes de desempeñar estos cargos, trabajó en producto en empresas como Meta y Bumble.

Nos reunimos con Tara para conocer cómo está cambiando sus flujos de trabajo de PM con IA. Durante la conversación, compartió una de las mayores trampas para quienes desarrollan productos de IA.

Productos inteligentes, creados de forma inteligente

Soy Tara Sakhuja. Trabajo en la intersección de la IA, la estrategia de producto y el comportamiento humano.

Soy la fundadora y CEO de Data Dumpling, una plataforma de IA que ayuda a las empresas a comprender quiénes son sus clientes, qué señales importan y dónde deben centrarse sus equipos. También soy directora de producto en Luv or Pop, donde estamos replanteando las citas y las comunidades en línea a través de uno de los programas más virales del mundo, Pop the Balloon or Find Love with Arlette Amuli.

Antes de esto, pasé una década creando productos en Meta y más tarde en Bumble, trabajando en publicidad, comercio, mensajería empresarial, integridad, confianza y sistemas de aprendizaje automático.

Una sola pregunta conecta todas estas experiencias: ¿Cómo se crean sistemas que ayuden a las personas a tomar mejores decisiones?

En Meta, creé sistemas que operaban a la escala de miles de millones de usuarios. En Bumble, me centré en la seguridad, la confianza y el impacto de la IA en experiencias profundamente humanas. Ahora, como fundadora, creo productos nativos de IA desde sus principios fundamentales.

Estamos entrando en uno de los mayores cambios en el desarrollo de productos desde la llegada de los dispositivos móviles. El mayor cambio no es que los productos se estén volviendo inteligentes. Es que la forma en que creamos productos también tiene que volverse inteligente.

La próxima generación de productos

Data Dumpling es nativa de IA. Conecta la inteligencia de la empresa, los comités de compra, las señales de relación y la intención en tiempo real, ayudando a los equipos a identificar sus oportunidades de mayor valor y a comprender qué acción deben realizar a continuación. Trabajamos con empresas de los sectores de tecnología empresarial, consultoría e industria, ayudando a los equipos de ingresos a pasar de listas estáticas e investigación manual a sistemas de decisión basados en IA.

En Luv or Pop, lidero la estrategia de producto de una plataforma social para consumidores que está reinventando las citas mediante la confianza, la identidad y la comunidad. Hemos crecido hasta alcanzar decenas de miles de usuarios en Estados Unidos, Reino Unido, Canadá y algunas zonas de África, creando sistemas de verificación, compatibilidad y conexión humana auténtica.

Aunque los productos parecen muy diferentes, la filosofía de producto subyacente es la misma: la próxima generación de productos no solo ayudará a las personas a hacer más trabajo. Les ayudará a tomar mejores decisiones.

Ya sea ayudando a un equipo de GTM a encontrar a su próximo cliente o ayudando a alguien a encontrar una relación significativa, el reto consiste en diseñar tecnología que potencie el criterio humano.

Cómo la IA permite a los equipos más pequeños alcanzar el rigor de producto

Uno de los mayores cambios para mí es cómo la IA ha aumentado la capacidad operativa de los equipos de producto pequeños.

Cuando estaba en Meta, contábamos con una infraestructura considerable para la toma de decisiones. Equipos especializados, plataformas de experimentación maduras, paneles de control, científicos de datos, investigadores y analistas ayudaban a los equipos de producto a comprender el comportamiento de los usuarios y a tomar mejores decisiones.

Históricamente, solo las empresas con cientos o miles de personas podían alcanzar ese nivel de rigor de producto. La IA está cambiando esto.

Incluso con mis equipos más pequeños, utilizamos mucho la IA para comprender las interacciones de los usuarios y definir nuestras próximas áreas de enfoque.

Conectamos nuestros datos de producto con Claude y utilizamos herramientas como Mixpanel para comprender el comportamiento de los usuarios. Antes, un equipo pequeño dedicaba mucho tiempo a crear paneles de control, escribir consultas y analizar manualmente los patrones antes de abordar la pregunta de producto. Ahora podemos conversar con nuestros datos.

Así, cuando lanzamos una nueva funcionalidad o realizamos una campaña, podemos comprender rápidamente:

• ¿Qué segmentos de usuarios están respondiendo?
• ¿Dónde abandonan las personas?
• ¿Qué comportamientos se correlacionan con la retención?
• ¿Qué deberíamos probar a continuación?

Eso no significa que la IA tome la decisión por nosotros. Cambia en qué invertimos nuestro tiempo.

El papel de las personas deja de centrarse en recopilar datos y pasa a centrarse en plantear mejores preguntas.

Un modelo puede identificar el movimiento de una métrica, segmentar el cambio y sugerir posibles explicaciones, pero, en última instancia, el criterio humano sobre el producto puede indicarte cuáles hipótesis son creíbles, si el movimiento importa y qué hacer a continuación.

Cómo cambia la conversación con la creación rápida de prototipos

La IA reduce la distancia entre una idea y los comentarios reales de los clientes.

Utilizamos mucho la IA durante las primeras fases del desarrollo de productos. En lugar de empezar con un documento conceptual escrito, ahora programamos rápidamente prototipos y experiencias interactivas con IA que permiten al equipo experimentar el producto antes de comprometer recursos de ingeniería.

Esto ha cambiado la calidad de las conversaciones que mantenemos interna y externamente.

Una idea de producto puede sonar muy bien en un documento, pero en el momento en que alguien interactúa con ella, observas cosas que de otro modo pasarías por alto: fricciones para el usuario, reacciones emocionales, flujos confusos o suposiciones que no se sostienen.

Sometemos los prototipos a pruebas rigurosas, recopilamos comentarios, iteramos y solo entonces pasamos al desarrollo completo.

Y esto es especialmente importante porque la IA también facilita la creación de cosas impresionantes que no resuelven problemas significativos. Por ejemplo, en Data Dumpling experimentamos con perfiles sintéticos de clientes porque disponíamos de información detallada sobre empresas, compradores y responsables de la toma de decisiones. Podíamos simular cómo responderían distintos perfiles a mensajes o campañas. Técnicamente, fue una de las cosas más interesantes que construimos. Pero nuestros clientes no lo necesitaban.

Los pensamientos de Tara

Sometemos los prototipos a pruebas rigurosas, recopilamos comentarios, iteramos y solo entonces pasamos al desarrollo completo. Y esto es especialmente importante porque la IA también facilita la creación de cosas impresionantes que no resuelven problemas significativos.

Cómo afecta la IA al descubrimiento de clientes y a las hojas de ruta

Históricamente, el descubrimiento de clientes era un proceso que perdía información. Un PM tomaba notas, resumía las conversaciones, identificaba temas y traducía esas conclusiones en decisiones sobre la hoja de ruta. Mucho dependía de lo que alguien recordaba o documentaba.

He reconstruido ese flujo de trabajo con IA. Read AI captura todas las conversaciones con clientes y posibles clientes, y Claude las sintetiza. Hemos creado habilidades personalizadas que relacionan directamente esas conversaciones con nuestra hoja de ruta, lo que nos ayuda a entender qué problemas aparecen repetidamente, qué segmentos de clientes se preocupan por ellos y cómo se conectan esas solicitudes con oportunidades de ingresos.

En cualquier momento, podemos entender no solo cuántos clientes han solicitado una función, sino también la importancia del problema, quién lo está experimentando y si resolverlo impulsa el negocio.

El resultado es que las decisiones de producto se basan en un sistema de inteligencia de clientes que se actualiza continuamente, en lugar de en una colección de notas estáticas y conversaciones aisladas.

Por qué los PM deberían tener cuidado al crear basándose en lo que los modelos fundacionales no pueden hacer

Si estás creando productos de IA, necesitas entender con qué rapidez mejoran los modelos fundacionales. El año pasado, una de las primeras capacidades de IA que desarrollamos en Data Dumpling estaba relacionada con la generación de contenido. En aquel momento, generar mensajes de contacto altamente contextuales utilizando inteligencia empresarial parecía una ventaja competitiva real.

A finales de año, los modelos habían mejorado drásticamente su capacidad para comprender imágenes, enlaces y contextos extensos, así como para generar contenido de alta calidad de forma predeterminada. Algo que al principio parecía diferenciador se convirtió rápidamente en un requisito básico.

Creo que es peligroso crear productos cuyo valor principal depende de lo que el modelo no puede hacer hoy. En su lugar, nos centramos en crear soluciones en torno a los flujos de trabajo de los clientes, los datos propios y sistemas que adquieren más valor con el tiempo.

Por qué los líderes de producto deben experimentar, pero ser decisivos

Mi consejo es sencillo: sé curioso, pero sé decisivo.

Casi todas las semanas aparecen nuevos modelos, herramientas y capacidades. Nadie tiene todas las respuestas, así que los equipos que aprenden más rápido son los que están dispuestos a experimentar.

Empieza por cualquier parte lenta, repetitiva o frustrante de tu proceso de desarrollo de producto. Prueba distintas herramientas de IA. Comprueba qué mejora realmente el trabajo de tu equipo. Mide el impacto, conserva lo que funciona y no tengas miedo de abandonar lo que no funciona.

Al mismo tiempo, ahora existe la tentación de reconstruirlo todo porque existe la IA. Ese no es el enfoque adecuado.

Si un proceso ya funciona bien, no tiene por qué incorporar IA. La IA debe resolver problemas reales, no crear otros nuevos.

Además, no todas las decisiones deben automatizarse. En Data Dumpling, aunque la IA automatiza gran parte del descubrimiento de clientes potenciales, la identificación del comité de compra y el análisis de señales de intención, diseñamos todo nuestro flujo de trabajo en torno a la participación de una persona. La IA es excepcional para detectar oportunidades, conectar señales y priorizar dónde centrar la atención. Pero una persona sigue tomando la decisión final, ya sea continuar con una cuenta, cambiar una estrategia o decidir cómo actuar ante una señal de compra compleja.

Es una decisión de diseño deliberada. El objetivo no es sustituir el criterio. Es proporcionar a las personas un mejor contexto para que puedan tomar mejores decisiones.

En última instancia, el éxito en la era de la IA no depende de utilizar más herramientas. Depende de saber dónde la IA genera ventaja y dónde el criterio humano sigue siendo importante.

Sigue la evolución

Puedes seguir el trabajo de Tara Sakhuja en LinkedIn e Instagram. También puedes conocer Data Dumpling y Luv or Pop.

¡Próximamente, más entrevistas con expertos en The CPO Club!