Cómo la IA está impulsando a los gerentes de producto más allá de su rol

El camino hacia la gestión de productos

He sido gerente de producto por más de 15 años. Al principio de mi carrera, hice todo lo que pude, incluyendo diseño, ventas, consultoría, marketing e incluso programación en los días de PHP — puaj.

Me metí a la gestión de productos porque realmente disfrutaba saltar entre varios temas e interactuar con usuarios, desarrolladores, ejecutivos, etc. También tenía buen ojo para el diseño y un buen sentido para los productos. Tras mucha investigación, descubrí que había un rol que encajaba muy bien con eso: la gestión de productos. Así que postulé para mi primer puesto de PM y así fue como llegué aquí.

He trabajado en todo tipo de verticales: B2B, B2B2C, retail y software de consumo. Empecé a enseñar gestión de productos en General Assembly hace más de una década, y después lancé mis propios cursos de forma independiente en Udemy y, más tarde, en LinkedIn Learning. Hoy, tengo más de 1,6 millones de estudiantes sumados en ambas plataformas. Y he dado muchas conferencias sobre gestión de producto y de proyectos, incluyendo trabajar con Google enseñando un curso de producto en Kiev, Ucrania.

Actualmente, estoy trabajando con Probably.dev, una aplicación de agente de datos determinista financiada por a16z. Somos un equipo pequeño, así que no soy solo PM, también soy ingeniero, representante de ventas, diseñador, etc.

Nuestra app es una aplicación de escritorio nativa que realiza ciencia de datos determinista a nivel de doctorado con visualizaciones de apoyo para responder directamente cualquier consulta en lenguaje natural sin que los datos sensibles salgan de tu máquina. Puedes pensar en ello como un "copiloto de datos". Trabajamos directamente sobre los esquemas de almacenes de datos (por ejemplo, BigQuery, Snowflake, Clickhouse, etc), así como con archivos locales como CSV, JSON y Parquet. Todas las respuestas que nuestro agente provee son rastreables y reproducibles por un humano, así que las típicas alucinaciones de los LLM no son un problema. No es solo otro agente generador de SQL, y podemos manejar miles de millones de filas/columnas y esquemas complejos con decenas de miles de tablas.

You should also read

• 16 Cursos de Gestión de Proyectos de Construcción para Tomar en 2026

• Lo que 12 líderes de gestión de proyectos realmente piensan sobre los marcos de trabajo de PM en 2026

• Gestión de Proyectos Legales: Guía Completa para Despachos de Abogados

Cómo la IA ayuda a los equipos a lograr más por persona

La IA ha tenido un gran impacto en mi trabajo. Antes era "solo un PM". Eso suena tonto porque los PM hacen mucho, pero ahora puedo contribuir en cualquier otra cosa, como ingeniería y ventas. Y eso ayuda a agilizar al equipo. Con la IA transformando la gestión de proyectos, los límites de los roles tradicionales se están volviendo más fluidos.

Las tareas que consumen mucho tiempo como la investigación y el análisis ahora son mucho más rápidas, y el ahorro de tiempo permite tener mucho más tiempo cara a cara y comunicación con los interesados. También permite tomar decisiones más rápidas.

Gran parte del trabajo de un PM es asegurarse de que todos los demás puedan hacer su trabajo de manera efectiva, así que, al poder hacer aún más yo mismo, somos capaces de lograr mucho más por persona. Este enfoque híbrido humano-IA se está volviendo esencial para los equipos modernos de entrega.

Por qué un conocimiento profundo de la IA permite a los gerentes de producto hacer casi cualquier cosa

Cuanto más me involucro, más me doy cuenta de lo pronunciada que es la curva de aprendizaje para un uso efectivo y eficiente de IA/LLM, así como la sub-habilidad de adaptarlo a los flujos de trabajo que prefieren las personas a tu alrededor o en tus equipos. Esto refuerza aún más mi creencia de que toda persona en una empresa debe estar íntimamente familiarizada no solo con los LLM en general y los modelos disponibles, sino también con la multitud de herramientas del ecosistema a su alrededor, como los MCP, las modalidades como CLI, GUI, y lo más importante, la arquitectura de transformadores. Para quienes quieran profundizar su comprensión, explorar libros sobre gestión de proyectos de IA puede proporcionar información valiosa sobre cómo implementar estas tecnologías de manera efectiva.

Trabajar bien con la IA en este vasto mar de mediocridad de IA hoy en día, ya sea contenido o herramientas, es una habilidad que debes perfeccionar, y eso solo se logra con experiencia. Debes ser capaz de comprender cómo funcionan los LLM y qué son o no capaces de hacer bien, para sacar lo mejor de ellos y rendir de manera óptima.

Muchos productos y herramientas SaaS "revolucionarios" por ahí parecen ser buenas soluciones —como hacer PRDs, por ejemplo— pero he comprobado que el 99% de todo lo que necesitas hacer puedes hacerlo tú mismo más barato, rápido, personalizado y muchísimo mejor. Eso sí, siempre que tengas conocimiento de los conceptos mencionados y las habilidades para utilizar los LLM de manera efectiva.

Es como esos infomerciales donde sale una persona haciendo algo simple, luego muestran lo "difícil" que es, y te quieren vender un aparato para solucionar ese mínimo caso de uso. Es como si, en vez de cortar un plátano en rodajas con un cuchillo como una persona normal, quisieran venderte un cortador con forma de plátano que corta todas las rodajas de una sola vez...

El cuchillo es un LLM y el cortador de plátanos es una aplicación basura de nicho. Aprende a usar el maldito cuchillo. Compra uno de buena calidad, úsalo, apréndelo y deja de buscar tonterías solo porque en Tech Twitter te dicen que una SaaS aleatoria acaba de “hacer obsoletos a los diseñadores” o “acabar con la programación”.

Básicamente no hay nada que no puedas hacer con un LLM en una CLI, un navegador web y, de vez en cuando, una herramienta de automatización abierta y ajena a tareas como n8n.

Ahorra tu dinero y aprende a crear cosas que reflejen la sabiduría de tus experiencias aprendidas en lugar de aceptar el resultado de una herramienta SaaS creada de la noche a la mañana.

La única vez que esto no aplicaría es para herramientas de un solo propósito que se centran específicamente en resolver problemas para los cuales la arquitectura transformer de los LLMs en modelos estándar (es decir, no ajustados) es inherentemente defectuosa. Por ejemplo, ciencia de datos o matemáticas a gran escala.

Cómo empezar a aprender con IA como product manager

La mejor parte de los LLMs es que puedes preguntarles cómo aprender sobre ellos. Si eres un aprendiz visual como yo, YouTube es la guinda del pastel: hay muchos recursos de calidad sobre IA y LLMs ahí.

Si tuviera que volver a empezar, afrontaría el aprendizaje así: indica a un LLM que quieres aprender todo sobre el espacio de IA/LLM adaptado a tu nivel de conocimiento técnico. Incluso puedes indicarle que te haga preguntas progresivamente más técnicas para entender tu nivel de competencia actual en cualquier área del espacio de IA/LLM, empezando desde lo fundamental. Y cuando alcances un punto en el que no puedas seguir, puedes pedirle que te recomiende temas para aprender, desde los conceptos básicos de la arquitectura transformer hasta cómo funciona una app como ChatGPT.

La idea es obtener una lista de temas para aprender, y luego buscar cada uno en YouTube para encontrar un vídeo que te ayude a entender cada tema.

Aquí tienes un ejemplo de prompt:

Actúa como mi evaluador de “punto de partida” en IA/LLM.

Hazme hasta 12 preguntas (una mezcla entre fáciles y técnicas) para evaluar:

• mi comodidad técnica general (programación, datos, APIs)
• mi entendimiento de cómo funcionan los LLMs (modalidades de modelo como CLI, GUIs, así como tokens, contexto, alucinaciones, etc.)
• mi familiaridad con los patrones de apps modernas de LLM (RAG/embeddings, agentes/uso de herramientas)
• mi habilidad para juzgar calidad (evaluaciones, verificación)
• mi conciencia sobre riesgos (privacidad, prompt injection, etc.)
• mi conciencia sobre las limitaciones de la IA (buenos vs malos casos de uso para LLMs, precisión, naturaleza incontrolable de las respuestas de LLM, etc.)

Tras responder, muestra SOLO:

• 5–10 temas de YouTube con mayor impacto que debería estudiar a continuación, ordenados por prioridad. Cada punto debe ser una frase de búsqueda en YouTube (no una oración) + un motivo de 5–10 palabras sobre por qué es importante.

Empieza con tus preguntas ahora.

Qué habilidades de IA deberían aprender primero los product managers

En mi opinión, es importante entender dónde y cómo puedes usar los LLMs. Con ello me refiero a comprender que pueden estar en una app, en la terminal de tu ordenador o en un código que opera en una automatización mediante MCPs o APIs.

En segundo lugar, debes entender que:

1. No son deterministas, son incontrolables y propensos a errores
2. Nunca se debe confiar en ellas para información precisa, especialmente en decisiones críticas
3. Pueden ser automatizadas creativamente para reducir los efectos de los dos puntos anteriores, según tu caso de uso

El ejemplo clásico que suelo dar es que nunca uses un LLM para escribir un ensayo completo por ti, pero sí está perfectamente bien pedirle que te dé algunas ideas sobre hacia dónde podrías dirigir tu escritura si te has atascado. En otras palabras, los LLMs son grandes complementos para la mente humana, pero es un camino peligroso intentar que hagan todo el pensamiento por ti.

Lo último que mencionaré aquí es que, mientras aprendes estos conceptos, necesitas probarlos por ti mismo. Si estás aprendiendo cómo funciona la ingeniería de prompts, por ejemplo, deberías probar hacerle a un LLM la misma pregunta formulada de dos maneras diferentes para ver la diferencia en la respuesta. Nunca aprendas sin practicar al mismo tiempo.

Por qué no deberías automatizar interacciones de alto valor con clientes usando IA

Una vez que aprendas lo que necesitas saber, puedes hacer prácticamente cualquier cosa. Pero eso no significa que debas hacerlo.

Para una empresa en etapas tempranas con un producto premium, la interacción con el cliente y las ventas "parecen" ser las áreas más abiertas para la IA y la automatización. Pero en la práctica, he descubierto que el contacto humano es absolutamente necesario. Personalmente, considero que la interacción con usuarios o potenciales clientes aporta gran valor para ambas partes y ni siquiera quiero intentar automatizar eso.

Como gestor de producto, te harías un flaco favor si te alejaras por completo de hablar con los usuarios. Cuanto más hablas personalmente con ellos con tu propia voz, más información obtienes y mayor confianza generas.

Por qué es difícil —pero posible— que los gestores de producto contribuyan en el código

Así que tengo cuidado con el uso que le doy a la IA, pero la uso mucho.

Por ejemplo, justo antes de un lanzamiento en producción, siempre hay una frenética corrección de errores. Normalmente, en una empresa más grande, los ingenieros y el equipo de QA se encargan de este tipo de retoques finales. Por supuesto, el responsable senior de producto estaría al tanto, pero también estaría planificando los siguientes pasos y estrategias para monitorear el lanzamiento, recogiendo feedback de usuarios, preparando varios ciclos por adelantado o recogiendo métricas una vez que la característica o producto se lanza.

Como actualmente estoy en una empresa pequeña, una gran ventaja para mí ha sido la posibilidad de ayudar a eliminar errores junto con los ingenieros, y solo he podido hacerlo gracias al uso de IA/LLMs.

Siempre he estado involucrado en el control de calidad en productos y características durante mi carrera, pero rara vez he podido meterme de lleno y corregir un error que implique cambios de código a lo largo de toda la pila.

La gente con experiencia en tecnología sabe que los ingenieros son muy particulares con sus bases de código y sus estándares de codificación. Así que, aunque sepas técnicamente cómo solucionar un error concreto, también necesitas tener el contexto de los estándares de código y las personalidades del equipo de ingeniería, así como conocer los ingenieros que han trabajado en cada parte del código. Por eso, solucionar algunos errores está a varios grados de dificultad incluso si sabes hacerlo, y la mayoría de los ingenieros rechazarían tu pull request para la solución.

Sin embargo, gracias a la IA he podido no solo contribuir al código haciendo push directamente en main, sino también solucionar los factores culturales secundarios que intervienen.

Cómo crear un agente de IA que pueda contribuir de forma segura a tu base de código

Mi enfoque inicial fue establecer un documento Markdown de estándares de codificación haciendo que un enjambre de agentes en Claude Code explorara todo el repositorio durante los seis meses anteriores y asimilara el estilo de código, el archivo Claude.md del repositorio y, lo más importante, todos los comentarios en los diffs de GitHub, resoluciones de conflictos, commits y ediciones de PR realizados.

A partir de ahí, tenía un documento de estándares de codificación bastante sólido que amplié convirtiéndolo en un conjunto de habilidades y comandos en Claude Code, que tomaba cualquier código que generara para una corrección de errores y lo adaptaba a los estándares de codificación que el equipo ya había implementado en la base de código. Luego, creé otro subagente que utilizaba hooks con GitHub, que también podía activar manualmente, para revisar el código que había hecho, así como los comentarios o correcciones, y luego asimilar todo eso como una adición al documento de estándares de codificación.

Con el tiempo, después de solo unos pocos PRs, el código que generaba para cada corrección podía traducirse fácilmente en el tipo de código que nos gusta ver en la base de código, gracias a un simple documento Markdown que, en esencia, era una guía de estilo de codificación autoaprendente y en mejora continua, activada mediante múltiples cron jobs y automatizaciones con Claude Code.

El agente ahora es tan bueno que puedo fusionar directamente en main.

Cómo los equipos pequeños de producto pueden aumentar su agilidad

Ese es un buen ejemplo de cómo estoy yendo más allá del rol tradicional de gestor de producto. Pero para ir más allá de los roles tradicionales se requieren buenos procesos.

Tenemos un backlog bien gestionado y etiquetado en Linear, y hacemos reuniones obligatorias los lunes, miércoles y viernes por la mañana. Los días sin reunión de sincronización, nos mantenemos al día con un check-in de pie en Slack. Toda la priorización y discusión adicional sucede en tiempo real vía Slack.

Quizá no sea la mejor solución para las empresas grandes, pero te sorprendería lo bien que funciona para este caso de uso y lo ágiles que nos mantiene. Solía usar Google Drive, hojas de cálculo, documentos, presentaciones y un millón de apps más. Ahora, como equipo pequeño, nos basta con GSuite, Slack, Linear y GitHub.

Los métodos ligeros de gestión de producto son importantes en este espacio de IA/LLM en constante evolución. Puede pasar cualquier cosa en cualquier día de la semana con el feedback de usuarios o lanzamientos de posibles competidores a los que tendremos que responder y priorizar rápidamente.

Cómo la IA está forzando a los equipos de producto a replantearse los rituales

En cuanto a los rituales, lo que más ha cambiado es que ahora es verdaderamente un ritual circular y sin fin, en vez de algo con documentos estancados que siempre hay que crear y consultar.

El alcance comienza como un ticket ajustado en Linear con diferentes grados de detalle, luego uso IA para ponerlo a prueba frente a ambigüedades, casos límite y opciones de secuenciación, y lo ajusto hasta que se puede enviar en la porción más pequeña posible.

Para nosotros, como equipo remoto pequeño, la alineación es principalmente asíncrona —un hilo corto en Slack que termina en una decisión clara y próximos pasos, con standups ligeros realizados por Geekbot. Sin embargo, sigue siendo muy valioso hacer tres o cuatro reuniones de equipo por semana para compartir ideas y fortalecer la moral.

En la validación, he sido más estricto, no más laxo. Los LLMs suelen generar basura convincente si no sabes utilizarlos correctamente, por lo que cada cambio en una función o app recibe un pequeño entorno de evaluación —entradas realistas, salidas esperadas, casos adversos— que la IA puede ayudar a redactar, pero que yo curaré y probaré.

La ejecución entonces es simplemente Linear + Claude Code + Posthog analytics autoalojado. Lanza, observa, ajusta y mantén el ciclo rápido porque el mercado tecnológico está cambiando a un ritmo que parece casi de hora en hora estos días.

Por qué una pila de herramientas minimalista y centrada en IA es lo mejor

Así que aquí está mi pila básica de Product Manager:

• GSuite
• Slack
• El bot Geekbot de Slack (para standups)
• Linear
• VSCode
• LLM basado en CLI (Claude Code en nuestro caso)

¿Por qué Linear? Es lo esencial. Es lo suficientemente potente como para satisfacer casi cualquier demanda que un equipo de proyecto requiera, pero lo bastante simple para ser accesible. Es el anti-JIRA. Y lo más importante, tiene integración fácil con GitHub y Slack, que es donde los ingenieros trabajan desde el principio. Es simple, liviano y añade una fricción mínima adicional para que los ingenieros sigan el ritmo de las tareas o las actualicen. Además, es extremadamente extensible, así que se pueden hacer cosas interesantes como tener tu LLM en tu CLI intentando arreglar automáticamente un bug cuando se reporta en un PR en borrador, incluso antes de que lo vea una persona.

No se necesita nada más. Cualquier tipo de trabajo adicional puede hacerse con herramientas de código abierto en la terminal.

La herramienta de IA favorita de Cole para la productividad personal

A nivel personal, fuera del equipo, estoy absolutamente obsesionado con Raycast para la productividad. Es la mejor app para acceso rápido, completamente personalizable y ultraligera, que reemplaza la terrible aplicación "Spotlight" en Mac o la tecla "Windows" en Windows. Reducirás el uso del ratón en un 75% para la mayoría de tareas. Puedes integrar casi cualquier aplicación con sus integraciones existentes o crear las tuyas propias fácilmente — ¡simplemente pídele a Claude Code que cree una extensión para ti!

Si quiero obtener el texto de una imagen que veo y ponerlo en mi portapapeles, presiono los atajos de Raycast, escribo "OCR" y pulso enter. Eso activa la herramienta de captura de pantalla OCR de cleanshotX y tengo el texto de cualquier imagen en menos de cinco segundos. De manera similar, puedo usar el atajo, escribir "Ask spotify", y luego escribir una frase en lenguaje natural como "ponme música buena para programar con mucha energía", que interpreta mi frase a través de un LLM, busca etiquetas y propiedades de música en la API de Spotify y comienza instantáneamente una lista de reproducción del estilo de música que acabo de pedir en Spotify.

Los casos de uso son infinitos. Sólo tienes que descargarlo, activar la IA ya sea con tus propias claves API o su suscripción, y revisar las mejores extensiones en su web para encontrar lo que te podría ser útil. Es realmente un antes y un después.

Por qué la gestión de producto y la ingeniería empiezan a solaparse

Pronto, la mayoría de los ingenieros de funcionalidades tendrán que empezar a pensar y tomar decisiones como los product managers, y los product managers deberán aprender lo suficiente sobre machine learning, redes neuronales, LLMs y diversas arquitecturas para acercarse lo máximo posible a ser ingenieros usando LLMs sin serlo realmente. Esta transformación refleja enfoques audaces de integración de IA que están cambiando radicalmente los roles tradicionales.

Obviamente, hay muchas salvedades y áreas donde esto no aplicará, pero en general, el diagrama de Venn de todos los roles tradicionales en una empresa, desde ventas hasta marketing, producto e ingeniería, tarde o temprano terminarán por solaparse, y muy pocas habilidades serán exclusivas de un solo puesto.

Cómo evitar la inevitable crisis existencial mientras la IA transforma el trabajo en producto

Este es mi consejo: intenta evitar la crisis existencial inevitable a la que te verás tentado conforme esta era tecnológica siga avanzando.

En su lugar, concéntrate en las habilidades que tu mente ha desarrollado a través de la experiencia. Los LLM pueden generar contenido, pero realmente apestan para tener buen gusto.

Ahora, las respuestas son muy fáciles de conseguir, así que preguntar cosas únicas y específicas de tu experiencia a la IA es una habilidad en sí misma. Además, descubrir la pregunta correcta que debes hacer en tu propia mente es el verdadero trabajo intelectual.

Sigue atento

Puedes seguir a Cole en X y en su web personal, donde sigue desafiando los límites de lo posible para los Product Managers. ¡Y no olvides visitar Probably.dev!

¡Próximamente más entrevistas a expertos en The Digital Project Manager!