La PM impulsada por IA: cómo la Dra. Nancy Li lanza productos de IA en semanas
Aprende el marco de trabajo de la Dra. Nancy Li para la entrega de productos impulsados por IA, mostrando cómo automatizar el trabajo del PM, validar ideas rápidamente y lanzar productos de IA en semanas con valor medible.
Nancy Li
Directora de producto, YouTuber y Top Voice de LinkedIn
Liderazgo en la industria: La Dra. Nancy Li es una reconocida directora de producto, YouTuber y Top Voice en LinkedIn en gestión de productos de IA.
Gestión de proyectos de IA: La IA está transformando la entrega de proyectos al centrarse más en la toma de decisiones que en la mera documentación.
Automatización de tareas: La automatización de tareas clave de la gestión de productos ahorra tiempo significativo, incrementando la eficiencia y productividad.
Ciclo de vida del producto de IA: Un marco estructurado para productos de IA acelera el lanzamiento asegurando que las aplicaciones de IA entreguen verdadero valor.
Futuro de los roles: La IA puede sustituir algunos roles, pero enfatiza la necesidad de gestores de productos expertos en IA.
La Dra. Nancy Li es una reconocida Directora de Producto, YouTuber y Top Voice de LinkedIn. Fundó Product Manager Accelerator, dos productos de IA y el Bootcamp de Gestión de Producto con IA —el último de los cuales ha sido responsable del lanzamiento de más de 40 productos de IA en el mundo real.
Nos pusimos en contacto con ella para entender cómo lo logra. Nos compartió su marco para una entrega de proyectos rápida y efectiva.
Educando a los gestores de producto
Fundé Product Manager Accelerator, que ha ayudado a más de 1,500 gestores de producto a conseguir sus trabajos soñados de PM en empresas FAANG y startups unicornio —y a ser promovidos como líderes de producto. Y fundé el Bootcamp de Gestión de Producto con IA, que ha impulsado el lanzamiento de 40 productos reales de IA.
Desbloquea Gratis
Crea una cuenta gratuita para terminar de leer este contenido y unirte a una comunidad de líderes visionarios que están desbloqueando herramientas, manuales y conocimientos para prosperar en la era de la IA.
Have an account? Log In
Más recientemente, desarrollamos dos productos de IA para nuestros estudiantes: AI Study Companion y AI Interviewer Copilot. Actualmente son utilizados por los estudiantes de PM Accelerator, y lanzaremos el producto para usuarios externos en 2026.
También fui una de las doctoras más jóvenes en ingeniería de la Universidad de Boston y soy exalumna de la MIT Sloan School of Business. Soy una galardonada Directora de Producto y YouTuber. He aparecido en Forbes y soy Top Voice en LinkedIn.
Cómo la IA está remodelando la entrega de proyectos, de los artefactos a las decisiones
Gracias a la IA, la entrega de proyectos está pasando de producir artefactos a tomar decisiones. Pasamos menos tiempo en documentación y coordinación, y más en definir los problemas correctos, validar suposiciones y diseñar flujos de trabajo habilitados por IA.
Gracias a la IA, la entrega de proyectos está pasando de producir artefactos a tomar decisiones.
Es más rápido, más iterativo y cada vez más se trata de orquestar humanos e IA juntos — no de gestionar traspasos.
Como CEO y CPO, pude reducir mi equipo a la mitad y duplicar mi producción aprovechando el poder de la IA.
Qué tareas principales de PM pueden automatizarse
Ahorro al menos ocho horas semanales en tareas de gestión de productos automatizando mi trabajo. Las siguientes tareas deberían automatizarse:
- Generación de requisitos
- Prototipado
- Investigación de mercado
- Depuración
- Entrevistas a clientes — usamos Dovetail para resumir las notas de reuniones y convertirlas en requisitos.
- Puesta en marcha de nuevos proyectos
- Ponerse al día sobre cualquier tema, como noticias de la industria
- Resumir stacks tecnológicos existentes
- Crear diagramas de arquitectura del sistema basados en la base de código existente
Pero es importante señalar que el toque humano sigue siendo necesario en algunos ámbitos, como pasar del prototipo a productos a nivel de producción y crear una estrategia de producto que realmente te ayude a destacar.
El toque humano sigue siendo necesario en algunas áreas, como pasar del prototipo a productos a nivel de producción y crear una estrategia de producto que realmente te ayude a destacar.
Cómo la IA está cambiando los rituales clave de entrega para los equipos de producto
Todo esto impacta en los rituales de entrega.
La IA reduce el tiempo de definir el alcance del proyecto en un 50%. Recoger la opinión de los clientes y realizar estudios de mercado es mucho más sencillo hoy en día.
Y, aunque alinear a los equipos aún necesita un toque humano, la IA puede ayudar a resumir las reuniones de equipo y ahorrar tiempo de esa manera.
Un marco para crear productos de IA
Como mencioné, mi bootcamp ha ayudado a lanzar más de 40 productos de IA. Para lograrlo, creamos un marco de hipótesis de IA. Es un sistema simple y repetible que utilizamos para validar ideas de IA antes de desarrollarlas.
Comienza con la Definición del Problema, utilizando nuestro marco GUCCI (Metas y Misión, Necesidades No Satisfechas, Segmentación de Clientes, Competencia y Ecosistema Integrado), donde aclaramos el objetivo del usuario, el punto de dolor, las limitaciones y el impacto que queremos crear.
A partir de ahí, formamos una Hipótesis de IA — una declaración clara de qué entradas necesita la IA, qué salidas debe generar y cómo va a mejorar el flujo de trabajo. Esto impulsa nuestra Estrategia de Datos y una rápida Prueba de Concepto de IA para testar la viabilidad técnica.
Luego validamos directamente con los clientes las entradas y salidas de la IA para confirmar si la función realmente resuelve un problema real. Solo las ideas validadas pasan al Producto MVP, donde diseñamos todo el recorrido del usuario impulsado por IA.
Cuando el MVP está disponible, medimos si hemos alcanzado el ajuste producto–mercado para la IA. Si es así, escalamos mediante una estrategia de generalización, ampliamos los casos de uso y aprovechamos los datos reales de los usuarios para fortalecer nuestra ventaja de datos y producto.
Este ciclo de vida — GUCCI → Hipótesis de IA → PoC → MVP → PMF → Escalado — nos permite lanzar productos de IA de manera consistente en aproximadamente tres meses, asegurando que la IA solo se use donde realmente genera valor medible. Puedes leer más sobre el proceso aquí.
Cómo la gestión de productos basada en especificaciones acelera la entrega de productos de IA
Otra parte importante de esto es que nos hemos alejado de los métodos tradicionales de gestión de proyectos — escribir requisitos, esperar a que los diseñadores creen maquetas y esperar a que los ingenieros desarrollen el primer prototipo. Ahora, utilizamos un proceso de gestión de productos "basado en especificaciones", lo que significa que usamos herramientas de IA para redactar requisitos y generar prototipos rápidamente.
Ahora, utilizamos un proceso de gestión de productos «basado en especificaciones», lo que significa que usamos herramientas de IA para redactar requisitos y generar prototipos rápidamente.
Podemos convertir los requisitos del producto en prototipos en una hora y sin escribir código, experimentando con ideas rápidamente. Eliminar las dependencias de diseñadores y desarrolladores reduce los tiempos y fácilmente ahorra a los PM horas cada semana.
Así es como se hace:
- Pide ayuda a ChatGPT para definir los requisitos del producto para tus ideas.
- Introduce nuestras ideas de producto.
- Luego, ChatGPT hará preguntas aclaratorias y diseñará el mapa detallado del recorrido del usuario.
- Pídele a ChatGPT que genere requisitos.
- Coloca esos requisitos en Google AI Studio para generar el prototipo.
Por qué una filosofía centrada en escenarios crea valor medible
Nos gustan mucho los agentes. De hecho, nuestra dirección principal de producto se basa mucho en flujos de trabajo de tipo agente, tanto en nuestro negocio como en nuestros productos. Eso significa dar a la IA la responsabilidad de los resultados, no solo de los prompts.
Internamente, los agentes nos ayudan a transformar procesos complejos en flujos de trabajo escalables, de alta calidad y repetibles. Combinados con nuestro bucle de evaluación integral, los sistemas basados en agentes se han convertido en un motor confiable detrás de nuestra calidad de entrega.
Por ejemplo, usamos agentes que procesan datos de clientes, generan ideas, elaboran PRDs, crean variaciones de diseño y prototipan el diseño. Y hemos creado un "segundo cerebro de IA" que puede intercambiar ideas conmigo como si fuera un gestor de producto junior.
En nuestros productos, nos enfocamos en flujos de trabajo que aporten valor real a nuestra comunidad de aprendizaje: asistentes de aprendizaje, inteligencia documental y razonamiento de múltiples pasos.
Nuestra filosofía es simple: la IA debe servir al escenario y el escenario debe crear valor medible.
En nuestra perspectiva, la IA no se trata de perseguir el modelo más reciente, sino de una ingeniería disciplinada, un diseño centrado en escenarios y el arte de pulir cada componente hasta que realmente aporte al usuario.
En nuestra opinión, la IA no se trata de perseguir el modelo más nuevo, sino de una ingeniería disciplinada, un diseño orientado a escenarios y la artesanía para perfeccionar cada componente hasta que realmente sirva al usuario.
Cómo los agentes pueden volverse más sofisticados con LangGraph
Echemos un vistazo a un flujo de trabajo agentivo. Este caso de uso particular puede no ser de aplicación general, pero creo que los detalles de cómo lo implementamos pueden servir de ayuda para flujos de trabajo avanzados basados en gestión de producto.
En la primera fase de nuestro Copiloto Entrevistador de IA, nuestro sistema era principalmente un asistente centrado en RAG construido sobre LangChain. Fue útil para iterar rápidamente y nos ayudó a establecer bases sólidas en el procesamiento de documentos y la calidad de la recuperación de información, pero a medida que el asistente creció en funcionalidad y complejidad —soportando razonamiento de múltiples pasos, nuevos tipos de tareas, personalización y colaboración entre diferentes módulos de razonamiento—, un pipeline puramente RAG dejó de ser suficiente.
El reto inicial no era solo la complejidad, sino cómo asegurar una entrega fiable, repetible y de alta calidad cuando las fuentes de contenido eran heterogéneas y evolucionaban constantemente. Necesitábamos un marco que soportara RAG agentivo, en el que varios agentes especializados trabajaran juntos de manera controlada e interpretable.
Eso nos llevó a adoptar LangGraph. Proporciona determinismo, transparencia y una gestión explícita del estado, lo cual es esencial al construir un asistente conversacional cuyos pasos de razonamiento deben ser auditables, explicables y repetibles. El cambio a LangGraph también encajó muy bien con nuestra dirección a largo plazo: construir un asistente inteligente en lugar de un sistema de preguntas y respuestas de un solo turno.
Así que reconstruimos el flujo de entrega utilizando una orquestación moderna de IA:
- LangGraph para transiciones de estado deterministas entre múltiples agentes
- Bucles de evaluación de embedding + recuperación para estabilizar el Agente RAG
- Procesamiento de documentos que preserva metadatos para evitar la deriva semántica
Ahora es un sistema multiagente que consiste en un Agente RAG, un Agente de Revisión de Currículums y un Agente de Orquestación de Contexto. Implementamos un marco de evaluación completo de extremo a extremo, cubriendo precisión a nivel de componente (segmentación, embedding, recuperación) y precisión a nivel de sistema (relevancia de la respuesta final, tasa de alucinación).
Y al afinar continuamente cada componente e integrar pruebas automáticas de regresión, nos aseguramos de que el sistema alcanzara una precisión superior al 90% antes de cada lanzamiento importante.
En última instancia, creemos que un sistema moderno de IA no se define por ningún modelo en particular. Se define por un ecosistema bien orquestado de componentes: inteligencia documental, estabilidad en la recuperación de información, colaboración multiagente, estructuras de memoria y evaluación continua.
Creemos que un sistema moderno de IA no se define por un solo modelo. Se define por un ecosistema bien orquestado de componentes: inteligencia documental, estabilidad en la recuperación, colaboración multiagente, estructuras de memoria y evaluación continua.
Cómo la depuración asistida por IA acelera la entrega
La depuración asistida por IA fue una parte importante de esa implementación exitosa: dependimos mucho de ella.
Herramientas como Claude Code y Cursor nos ayudan a diagnosticar rápidamente problemas de integración, generar pruebas unitarias y razonar sobre casos límite complejos en el comportamiento del prompt. Esto aumentó significativamente nuestra velocidad de desarrollo, especialmente al corregir fallos de lógica o salidas inesperadas del modelo.
Cómo es en la práctica un stack de herramientas de gestión de productos con IA en el centro
Así es nuestro stack tecnológico para gestión de producto:
- Google AI studio para prototipado
- Claude Code para identificar problemas, analizar casos límite y generar pruebas unitarias específicas
- Cursor para depuración
- ChatGPT para PRD
- ChatPRD para la gestión de producto
- Dovetail para obtener requerimientos a partir de insights de clientes
- Miro para colaboración
Mi favorito podría ser Claude Code. Consistentemente nos ayuda a detectar problemas de integración o vacíos lógicos mucho antes que la depuración tradicional por sí sola. Y es significativamente mejor que Lovable. Aunque hay mucho revuelo alrededor de Lovable, no es apto para ingeniería avanzada de IA a nivel de producción.
¿Reemplazará la IA a los gerentes de proyectos y los roles de producto?
En última instancia, creo que la IA reemplazará a los gerentes de proyectos. ¡Simplemente ya no necesitamos que los gerentes de proyectos gestionen los procesos! De hecho, muchos empleos de nivel inicial serán reemplazados por la IA — esto incluye ingenieros de software, diseñadores y analistas de datos.
Sin embargo, necesitamos más gerentes de producto potenciados por IA que puedan tomar decisiones aprovechando la IA, liderar equipos multifuncionales para ejecutar la visión del producto y una gestión eficaz de las partes interesadas, y obtener resultados rápido.
¿Mi consejo? Necesitas mejorar tus habilidades rápidamente sobre cómo aprovechar las herramientas de IA existentes y reinventar la entrega de productos. Y considera enfocarte específicamente en productos de IA. Como yo lo veo, puedes crear productos de IA y liderar la innovación, o ser reemplazado.
Sigue el proceso
Puedes seguir a la Dra. Nancy Li mientras lanza productos de IA y enseña a otros a hacer lo mismo en YouTube, LinkedIn, X, su podcast, y el sitio web de PM Accelerator. También puedes revisar su nuevo AI Product Management Bootcamp.
¡Pronto habrá más entrevistas con expertos en The Digital Project Manager!
