Saltar al contenido principal

Curso completo

Product Manager + IA

Descubrimiento de producto con IA, métricas, economía y ciclo de vida

Ruta para product managers sobre discovery de funciones de IA, capacidades, evaluación, AI UX, unit economics, experimentación, seguridad y gestión del ciclo de vida.

Termina el curso con un dossier de producto de IA gobernado, no con una presentación “AI-first”: definición del problema, capability fit, prototipo respaldado por evidencia, contrato de evaluación, unit economics, límites de riesgo, rollout, telemetría, rollback y criterios de sunset.

0%0/10 lecciones

El progreso se guarda localmente en tu navegador.

8–14 semanas3 módulos10 lecciones2 evaluaciones

Sistema operativo de estudio

Cómo completar el curso y conservar un resultado real

1. Empezar por el problema, no por el modelo

Para cada tema define usuario o job, frecuencia, baseline del proceso actual, impacto del fallo y el criterio que demuestra que la IA es realmente mejor que una automatización más simple.

2. Definir evidencia antes del prototipo

Antes de una demo, fija casos representativos, umbrales de aceptación, resultados prohibidos y la métrica de negocio. Si no, el prototipo demuestra sobre todo que existe un prototipo.

3. Experimentar mediante evals

Compara cada cambio de modelo, prompt, contexto o tool con el mismo contrato de evaluación y baseline. Lanza experimentos online solo después de superar gates offline de calidad y seguridad.

4. Lanzar como sistema operativo

Canary, presupuesto, monitoring, revisión humana, ruta de incidentes, rollback y sunset forman parte del diseño de producto. “Operations lo verá después del launch” suele significar entregarles una sorpresa.

Reglas del curso

No basta con leer: hay que demostrarlo

  • No empieces discovery eligiendo el modelo. Empieza por problema, baseline, evidencia e impacto del fallo.
  • No uses un A/B test para descubrir si el sistema es seguro en absoluto. Los fallos de alta severidad deben filtrarse con gates offline.
  • Calcula coste por tarea exitosa incluyendo retries, revisión y gestión de fallos. El precio del token por sí solo dice muy poco a un PM.
  • No copies adoption, accuracy o revenue uplift reportados por proveedores a tu forecast sin validar atribución y supuestos de transferencia.
  • Cada corrección de producción de alto impacto actualiza el eval set, y cada cambio de modelo, prompt, contexto o tool pasa por una decisión de release versionada.

Módulo 1

Núcleo común de IA

Límites de los modelos, salidas estructuradas y evaluación para decisiones de producto.

ResultadoEl product manager entiende qué puede prometer a los usuarios y cómo verificar esas promesas.

  1. Alfabetización en IA y límites de los modelos

    Principal

    Capacidades, alucinaciones, límites de contexto, privacidad y uso responsable.

    Material →

  2. Ingeniería de prompts y contexto

    Principal

    Instrucciones, ejemplos, restricciones, contexto y verificación de resultados.

    Prerrequisitos: Alfabetización en IA y límites de los modelos

    Material →

  3. Salidas estructuradas y evaluación

    Principal

    Esquemas de respuesta, checks deterministas, casos de prueba y criterios de aceptación.

    Prerrequisitos: Ingeniería de prompts y contexto

    Material →Recurso →

Checkpoint después del módulo

Baseline de evidencia de producto

  • ✓ el problema y el segmento de usuario están formulados sin atarse a un modelo concreto
  • ✓ la métrica de éxito tiene baseline y owner
  • ✓ se define un resultado inaceptable para fallos de alto impacto

Laboratorio de transferencia de escenario

Transfer lab: de un caso de IA a un contrato de problema y evidencia

Usa el caso de inbound sales de OpenAI como proceso de referencia. No copies sus métricas reportadas como business case propio. Para otra empresa, construye problem tree, funnel baseline, plan de evidencia y razones por las que el mismo workflow podría no transferirse.

Entregable

Contrato problem/evidence de una página: usuario o job, baseline, resultado objetivo, non-goals, casos representativos, fallos inaceptables y plan de atribución.

Caso IA ChatGPT/OpenAI →AI² Business →Mapa de conocimiento →Roadmap Product Manager + AI →
  • ✓ una métrica reportada por un proveedor no se usa como baseline propio
  • ✓ hay al menos tres hipótesis de riesgo de transferencia
  • ✓ la métrica de negocio está separada de la métrica de calidad del modelo
  • ✓ se define la fuente de ground truth del resultado

Módulo 2

Descubrimiento de producto con IA

Definición del problema, adecuación de capacidades e hipótesis de valor.

ResultadoLa función de IA aborda un problema claro, un usuario definido y métricas de éxito medibles.

  1. Adecuación de capacidades y selección del problema

    Principal

    Identificar dónde la IA aporta valor y dónde introduce riesgo innecesario.

    Material →

  2. UX de IA, confianza e incertidumbre

    Principal

    Feedback, explicabilidad, aprobaciones, fallos y control del usuario.

    Material →

  3. Proyecto: dossier de discovery de una función de IA

    Proyectopráctica + evaluación

    Definir problema, prototipo, métricas, riesgos, economía y plan de experimentación.

    Prerrequisitos: Adecuación de capacidades y selección del problema, UX de IA, confianza e incertidumbre

    Material →Práctica →Evaluación →

Checkpoint después del módulo

Paquete de discovery validado

  • ✓ el prototipo se prueba en casos representativos
  • ✓ los umbrales de aceptación de calidad y seguridad se definen antes del test
  • ✓ la revisión humana y los límites de autoridad están descritos para acciones con consecuencias

Laboratorio de transferencia de escenario

Transfer lab: discovery de feature de IA con criterios de kill

Elige una feature de IA consumer o interna y ejecuta discovery de modo que el equipo pueda aprobarla o matarla a tiempo. Añade capability fit, prototipo, eval set, límite de revisión humana, abuse cases y una alternativa non-AI más simple.

Entregable

Dossier de discovery de feature IA + tabla IA vs automatización determinista + criterios go/iterate/kill pre-registrados.

AI² Consumer →AI product discovery →Práctica de discovery dossier →Human in the loop →
  • ✓ existe una baseline non-AI
  • ✓ los casos de eval representativos cubren happy path y fallos de alto impacto
  • ✓ el criterio de kill se fija antes de conocer los resultados
  • ✓ la revisión humana está ligada al riesgo y no a un porcentaje arbitrario de tráfico

Módulo 3

Métricas, economía y ciclo de vida

Calidad, seguridad, coste, experimentación y operaciones.

ResultadoLa función de IA se gobierna mediante gates medibles desde el prototipo hasta su retirada.

  1. Métricas de calidad y seguridad

    Principal

    Éxito de tarea, groundedness, latencia, coste, tasa de fallos y confianza.

    Material →

  2. Economía unitaria de IA

    Principal

    Coste por tarea, routing de modelos, presupuesto y margen.

    Material →

  3. Experimentación guiada por evaluación

    Principal

    Evaluaciones offline, tests online, gates de release y rollback.

    Material →

  4. Milestone: lanzamiento gobernado de una función de IA

    Hitopráctica + evaluación

    Métricas, seguridad, coste, rollout, monitorización y plan de incidentes.

    Prerrequisitos: Métricas de calidad y seguridad, Economía unitaria de IA, Experimentación guiada por evaluación

    Material →Práctica →Evaluación →

Checkpoint después del módulo

Preparación para un lanzamiento gobernado

  • ✓ los unit economics se calculan por tarea exitosa y no solo por coste de tokens
  • ✓ el rollout incluye criterios de canary, rollback y stop
  • ✓ el feedback de producción alimenta el backlog de eval y regresión

Laboratorio de transferencia de escenario

Transfer lab: eval → economics → rollout por etapas → incidente

Convierte un prototipo funcional en una decisión de lanzamiento. Calcula coste por tarea exitosa, fija gates de calidad y seguridad y diseña canary, telemetría, escalado, rollback y el loop post-incidente a regresión.

Entregable

Launch control sheet: baseline de eval, umbrales de release, presupuesto de unit economics, etapas de rollout, especificación de dashboard de telemetría, trigger de rollback y workflow incidente-a-regresión.

Evaluación en producción →Optimización de costes →Respuesta a incidentes de IA →AI² Government →
  • ✓ calidad, seguridad, latencia y coste tienen umbrales separados
  • ✓ el coste se normaliza por tarea exitosa
  • ✓ el canary tiene un trigger de rollback explícito
  • ✓ un incidente de producción o corrección de alta severidad genera un caso de regresión

Contrato capstone

Capstone: dossier de lanzamiento gobernado de una feature de IA

Diseña una feature de IA desde el problem framing hasta el ciclo de vida en producción. Otro equipo debe poder tomar una decisión go/no-go sin fe en la magia del modelo y sin “los riesgos los vemos después de beta”.

Qué entregar

  • — problem brief con usuario o job, workflow baseline, non-goals y resultado de negocio medible
  • — decisión de capability fit: IA, automatización determinista o híbrida con trade-offs explícitos
  • — dataset de evaluación representativo, contrato de aceptación de calidad/seguridad y política de regresión
  • — paquete de evidencia del prototipo con traces, taxonomía de fallos y decisiones de revisión humana
  • — unit economics: coste por intento, coste por tarea exitosa, coste de revisión, volumen esperado y budget guardrail
  • — matriz de riesgo y autoridad: clases de datos, acciones con consecuencias, approvals, audit y owner de escalado
  • — plan de rollout por etapas: shadow, draft, canary, disponibilidad general, telemetría, rollback y criterios de kill
  • — plan operativo de 30 días: revisión de métricas, incident loop, refresh de evals, control de cambios de modelo/prompt y trigger de sunset

Cuándo puede considerarse terminado

  • ✓ éxito de negocio, calidad del modelo y métricas de seguridad no se mezclan en un vanity score
  • ✓ la decisión go/no-go usa umbrales predefinidos y evidencia representativa
  • ✓ una acción de alto impacto no obtiene más autonomía sin evidencia de autoridad y controles
  • ✓ los unit economics permanecen dentro del presupuesto con el volumen esperado y la tasa de revisión humana
  • ✓ el rollout puede detenerse o revertirse mediante una señal runtime clara
  • ✓ las métricas reportadas por proveedores se marcan como contexto externo y no como prueba causal del ROI propio

Práctica final y evaluación

El curso termina con un artefacto práctico y una rúbrica de aceptación. El resultado se considera completo después de cumplir los criterios de aceptación, no solo de leer los materiales.

Proyecto: dossier de discovery de una función de IA →Milestone: lanzamiento gobernado de una función de IA →Abrir roadmap →