El líder de entrega en Google comparte cómo los flujos de trabajo agenciales cambian los modelos de gestión de producto
Anshumani Ruddra explica cómo los flujos de trabajo agenciales ayudan a los equipos de entrega a construir más rápido, mientras que el juicio humano, la validación y la toma de decisiones se vuelven aún más importantes.
Anshumani Ruddra
Líder de Producto en Google
Cambio Agencial: Los flujos de trabajo agenciales reemplazan las entregas lineales por una entrega paralela y multifuncional basada en código y documentación compartidos.
Juicio Humano: La IA se encarga de la coordinación y la redacción, mientras que los líderes mantienen la responsabilidad sobre la calidad, la creatividad, la priorización y la confianza.
Comenzar Auditoría: Los equipos deben auditar los principales focos de pérdida de tiempo semanal antes de seleccionar herramientas, evitando la adopción genérica y pilas llamativas pero ineficaces.
Los Rituales Importan: Una entrega más rápida apoyada por IA todavía requiere un alcance claro, alineación con las partes interesadas, validación rigurosa y listas de verificación disciplinadas para mantener la calidad del producto.
Modelo de Liderazgo: La adopción exitosa de la IA combina líderes que cambian su flujo de trabajo con equipos que experimentan y comparten mejoras en toda la organización.
Anshumani Ruddra es un líder de producto en Google, trabajando en la entrega dentro de sus productos de pagos. También es educador y ha ocupado cargos ejecutivos de entrega a nivel C.
Nos sentamos con Anshumani para aprender cómo la IA está cambiando la entrega en empresas como Google. Esto es lo que nos dijo.
Cómo se construyen productos en Google
Soy Anshumani Ruddra. He pasado más de 22 años construyendo productos de consumo en la intersección de la tecnología, la narrativa, la cultura pop y el comportamiento humano — comenzando como autor de libros infantiles, luego como diseñador de juegos en éxitos sociales globales como Mafia Wars y Café World, y después escalando Hotstar hasta convertirlo en una de las plataformas de streaming más grandes del mundo durante los años de la IPL.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Durante los últimos cinco años en Google, he liderado la gestión de producto de la exitosa app GPay en India, gestionado toda la oferta de productos de pagos de Google para APAC y desarrollado productos de IA orientados al consumidor. Actualmente, lidero un esfuerzo de desarrollo de producto de IA de extremo a extremo para construir un producto completamente nuevo.
Además, enseño a líderes y ejecutivos de producto a construir con IA a través de mi curso de Maven, Level Up to Product Super IC. Ocupo dos roles al mismo tiempo — operador y profesor — y ambos moldean mi enfoque a la entrega de producto: menos sobre coordinación y aprobaciones, más sobre pasar de una idea al prototipo funcional sin esperar permiso.
Cómo la IA permite a los humanos hacer más de lo que mejor saben hacer
Intento no pensar en la IA como solo otra herramienta mejorada. Ese marco te atrapa pensando que solo se trata de eficiencia. La IA es un multiplicador — posiblemente uno de una vez cada siglo.
Me permite gastar mucho menos tiempo en el "tejido conectivo" de la entrega: síntesis de reuniones, redacción de PRDs, informes de estado y actualizaciones para interesados, e investigaciones iniciales. He llevado gran parte de esto a un "sistema operativo agente personal", permitiendo que en gran medida se gestione solo.
Así que ahora, dedico mi tiempo al 10% que es difícil y humano, no al 90% de coordinación que solía consumir la semana. Me concentro más en la artesanía real. El pensamiento, las decisiones críticas y la creación de prototipos.
Hablando de prototipos, ese es un cambio inmenso en sí mismo. Ahora puedo validar una visión construyendo yo mismo un prototipo funcional antes de asignarle a alguien la tarea. La barrera para construir se ha ido. Si puedo imaginarlo, puedo tener un primer borrador funcionando.
Cuándo usar IA vs. cuándo es necesario un humano
El trabajo más automatizable es la capa de síntesis y administración:
- Convertir el audio bruto de reuniones en decisiones y acciones
- Generar PRDs y investigaciones de primer borrador
- Clasificar la señal entrante
- Manejar actualizaciones para interesados
Esto se implementa con agentes personales que vigilan tus entradas, resaltan lo que necesita una decisión y redactan el resto.
La inteligencia sobre el cliente está muy infravalorada aquí; ahora existen herramientas que te dicen qué funcionalidades construir y estiman el impacto en ARR, pero la mayoría de los equipos todavía agrupan comentarios manualmente desde Slack y tickets de soporte.
Pero los humanos todavía deben definir qué significa “bueno”. Como líder, definir la calidad es tu trabajo, por eso creo que las evaluaciones son tan importantes.
Los humanos también deben encargarse del gusto y el juicio de producto, de los saltos creativos genuinos de cero a uno, y del trabajo humano de alta confianza como guiar equipos, navegar la política y tomar las decisiones difíciles de priorización.
La IA te da más intentos al tablero; un humano todavía debe decidir dónde está el tablero.
Por qué los tech stacks deben comenzar con una auditoría
Las herramientas de IA son exactamente como un gran videojuego — fáciles de usar, brutalmente difíciles de dominar. La atractiva experiencia inicial hace que la gente asuma que todo será sencillo, por lo que se sorprenden cuando aparece la complejidad. Muchos se rinden. La habilidad real no es la de "prompting"; es la disposición a persistir y aprender a tu propio ritmo, más rápido de lo que resulta cómodo.
En mi trabajo, mi stack es principalmente los últimos modelos de Gemini, con Antigravity como central de agentes. El gestor de agentes de Antigravity está poco valorado. Es verdaderamente innovador. En cuanto a gestión de proyectos, Google utiliza sus propias herramientas personalizadas, equivalentes a Jira y GitHub en el mundo externo.
Para mis proyectos personales y actividades de enseñanza, mi pila principal es:
- Claude Code para programar. Este es el destacado. Ejecuto múltiples agentes en paralelo. Es lo más parecido a un asistente real, no solo autocompletado.
- Replit para prototipado. Su enfoque de planificar primero y sus agentes paralelos lo distinguen.
- NotebookLM junto con Obsidian para investigación y redacción.
- Codex y Claude Cowork se encargan de muchas tareas programadas y automatizaciones, integrando correo electrónico, calendario, nubes de archivos y notas de reuniones.
- Granola y Wispr Flow completan la pila. Defiendo firmemente el reconocimiento de voz a texto y el uso de la voz como entrada.
En los últimos 6–12 meses, la pila evolucionó de “usar IA para redactar cosas más rápido” a un verdadero sistema operativo personal basado en agentes; menos sobre prompts puntuales y más sobre agentes permanentes que gestionan flujos de trabajo recurrentes de principio a fin.
Mi consejo sobre cómo construir una pila: no empieces con la herramienta más llamativa. Evalúa cómo distribuyes tu semana, identifica los grandes focos de pérdida de tiempo y escoge la herramienta específica que los elimine. Las estrategias de adopción genéricas no funcionan.
Cómo los flujos de trabajo basados en agentes optimizan la entrega de proyectos
Nos enfocamos deliberadamente primero en la base compartida que hace posibles estos flujos de trabajo, porque todo se mantiene unido o se desmorona allí.
Casi todos nuestros procesos ahora funcionan como flujos de trabajo basados en agentes, en diseño, gestión de producto y ejecución de ingeniería. Los flujos basados en agentes gestionan la estrategia y el pensamiento detrás de lo que se debe construir, el diseño de componentes, pantallas y maquetaciones, y cómo se integran tanto el código backend como frontend. Esto no es un experimento aislado en un rincón del equipo; es cómo se realiza el trabajo de principio a fin.
Nos enfocamos deliberadamente primero en la base compartida que hace posibles estos flujos de trabajo, porque todo se mantiene unido o se desmorona allí. En la práctica, esto significa construir infraestructura común para todo el equipo, un conjunto compartido de habilidades de agentes y una plataforma común a través de la cual todos trabajan. La pieza más importante es la documentación, que no solo debe estar lista para humanos sino también para agentes. Si tu documentación solo tiene sentido para las personas, tus agentes se desviarán, así que invertimos mucho en escribir para ambas audiencias al mismo tiempo.
Concretamente, esto se ve como archivos de conocimiento claramente marcados, PRDs y documentos de diseño de ingeniería. Normalmente, los mantenemos en Markdown, muy claros, y los redactamos para que tengan sentido tanto para humanos como para agentes. Fundamentalmente, los humanos validan todos estos archivos antes de construir nada. La validación humana de las entradas mantiene el flujo de trabajo basado en agentes limpio porque los agentes solo son tan buenos como los documentos y habilidades que les asignes.
También mantenemos listas de verificación muy claras y cada agente debe completarlas exhaustivamente. Un agente solo marca un paso como terminado cuando la checklist está realmente cumplida; solo entonces avanzamos al siguiente paso. Esta disciplina de documentación clara, entradas validadas por humanos, habilidades compartidas y listas de verificación paso a paso convierte el trabajo basado en agentes de una novedad a algo confiable.
La recompensa es tangible una vez que la base está en su sitio. Lo difícil es la inversión inicial en infraestructura compartida y documentación lista para agentes. Los equipos que se saltan ese paso obtienen una demo vistosa y luego ven cómo todo se desmorona a medida que aumenta la complejidad. Los equipos que hacen el trabajo logran una ejecución verdaderamente rápida y en paralelo en diseño, producto e ingeniería.
Cómo la IA cambia los modelos tradicionales de gestión de proyectos
El viejo modelo waterfall sencillamente ya no funciona. La gestión de proyectos tradicional era implacablemente lineal: el paso uno conducía al paso dos, después al paso tres, con transferencias rígidas entre disciplinas. Producto redactaba las especificaciones, diseño creaba los mockups, ingeniería lo construía y luego diseño revisaba los detalles de acabado, cada etapa esperando a la anterior.
Esa cadena lineal se ha roto, lo cual es maravilloso. Ahora los pasos son intercambiables y las líneas entre diseño, ingeniería y producto se han difuminado. Por ejemplo, los diseñadores ya han integrado el sistema de diseño directamente en la base de código: los componentes correctos, maquetaciones y tokens de color específicos. Ingeniería puede entonces desarrollar todo el flujo de funcionalidades, y diseño corrige todos los aspectos visuales directamente en el código para ultimarlo. Nadie espera una entrega desde Figma. El diseño opera en el mismo entorno que ingeniería.
Lo mismo ocurre más arriba en el proceso. Producto puede redactar muchos más PRDs en paralelo, desbloqueando a ingeniería. Ingeniería puede generar documentos de diseño técnico profundos y detallados sin que producto supervise cada paso, porque la IA permite que cada disciplina produzca trabajos que antes requerían un especialista.
Ahora, los distintos miembros del equipo pueden encargarse de diferentes partes del trabajo. Así, en lugar de una carrera de relevos lineal donde se pierden los testigos en cada entrega, surge un equipo pequeño y autónomo donde todos pueden moverse a territorios adyacentes para destrabar el trabajo.
En la práctica, esto significa sistemas ligeros en lugar de procesos pesados: menos reuniones de seguimiento y menos etapas de aprobación, más prototipos funcionales. Los PRDs y los documentos de diseño de ingeniería se generan rápidamente y se tratan como artefactos vivos en vez de especificaciones congeladas. Una base de código compartida —con el sistema de diseño incorporado— sirve como la única fuente de verdad donde confluyen producto, diseño e ingeniería.
El resultado es velocidad: los equipos validan la visión construyendo, no coordinando, y entregan pulido que antes requería varios ciclos de traspaso en una fracción del tiempo.
Por qué la IA no puede eliminar la necesidad de rituales de proyecto
Todos los rituales habituales siguen existiendo, y varios incluso se vuelven más importantes con la IA, no menos. Es un error pensar que construir más rápido implica menor disciplina. Ocurre lo contrario.
Definir el alcance es tan fundamental como siempre. Un equipo sigue necesitando una definición nítida de lo que quiere construir. Lo que ha cambiado es lo que se vuelve posible dentro de ese alcance. Si un equipo construye eficientemente con IA, muchas cosas que antes eran de baja prioridad o quedaban atascadas en la lista de espera ahora pueden priorizarse y enviarse. Así, puedes construir un producto más completo y significativo que antes. La ambición del alcance puede crecer, pero sigue siendo imprescindible definirlo con claridad.
Los equipos aún requieren alineación total. Los stakeholders todavía requieren alineación. Al trabajar entre varios equipos, tienes que buscar activamente la alineación tanto dentro de tu equipo como entre ellos. La IA no alinea a las personas por ti.
La validación del trabajo es aún más importante. Al construir en una empresa grande, tus productos llegan a millones, no solo a decenas o cientos de usuarios. Los productos deben seguir siendo excelentes, funcionar muy bien y rendir a esa escala. Que la IA te ayude a construir más rápido no reduce ese estándar. Así que la validación sigue siendo innegociable.
Lo que ha cambiado es que el proceso ya no es tan difícil ni tan lento. Los propios rituales —alcance claro, alineación real y validación rigurosa— siguen siendo esenciales e incluso ganan importancia. Tenemos que repensar los procesos que tradicionalmente frenan la ejecución rápida. La IA te permite reducir la ceremonia y la fricción alrededor de estos rituales, mientras proteges su esencia.
Por qué el criterio será aún más importante en organizaciones lideradas por IA
En el corto plazo, más empresas tecnológicas adoptarán la IA en el desarrollo y entrega integral de productos. La predicción más audaz, sin embargo, es hacia dónde se expandirá después. No se quedará en tecnología. Se extenderá a grandes empresas, luego a compañías no tecnológicas e, incluso, a negocios tradicionales.
Cuando estos avances pasen de individuos a pequeños equipos y a organizaciones completas, el efecto dínamo transformará radicalmente los equipos y los flujos de trabajo. La estructura sobre cómo se construyen los equipos de entrega y cómo fluye el trabajo por ellos será muy distinta a la actual.
Pero la importancia de tomar buenas decisiones no desaparecerá; de hecho, será aún mayor porque ahora tomas decisiones con mucha más frecuencia. Cuando la entrega general era lenta, solo se tomaban algunas decisiones clave, quizá una vez cada varias semanas o meses. Ahora debes tomar decisiones de alta calidad varias veces al día, a veces varias veces por hora.
El desarrollo impulsado por IA debe adoptarse tanto de arriba hacia abajo como de abajo hacia arriba.
Por eso, el foco debe desplazarse a la toma de decisiones humanas. Cada área de especialización necesitará definir claramente las perspectivas desde las que analizar cada decisión, para tomar resoluciones más rápidas y claras. Igualmente importante, esas decisiones deben quedar registradas para que los agentes las comprendan y puedan consultarlas después.
Los equipos ganadores tratarán el juicio humano de alta calidad y bien documentado como un recurso escaso, porque la IA lo hace tanto más frecuente como más valioso.
Por qué los líderes de entrega deben adoptar la IA y fomentar la experimentación
El punto meta crítico es que el desarrollo impulsado por IA debe ser adoptado tanto de arriba hacia abajo como de abajo hacia arriba. No puede ser uno u otro.
La mitad de arriba hacia abajo requiere el compromiso de la dirección. Si la alta dirección no se compromete, experimenta e intenta cambiar sus propios flujos de trabajo y sistemas de entrega, la organización encontrará muy difícil adoptar la IA de manera significativa. No puedes imponer una transformación que no estás viviendo personalmente. Los líderes que delegan la IA en un grupo de trabajo mientras mantienen sus propias formas de trabajar intactas envían una señal clara de que esto es opcional, y la organización percibe perfectamente esa señal. Así que mi primer consejo a otros líderes de entrega es que cambien primero sus propios flujos de trabajo antes de pedir a los demás que cambien los suyos.
La mitad de abajo hacia arriba es igual de importante. Los empleados jóvenes y los equipos individuales deben tener la libertad de experimentar, desafiar las convenciones y cuestionar los flujos de trabajo existentes. Necesitan espacio para probar cosas, cuestionar cómo siempre se ha hecho la entrega y luego llevar lo que aprenden a la atención de la dirección. Si ese canal no existe, si la gente no tiene esa libertad y sus hallazgos nunca llegan hacia arriba, entonces todo se desmorona tan seguramente como cuando la dirección está ausente.
Lo más útil que puede hacer un líder de entrega en este momento es sostener ambos extremos a la vez. Lidera desde el frente repensando visiblemente tus propios sistemas de entrega y crea al mismo tiempo las condiciones para que tus equipos experimenten libremente y compartan contigo lo que funcione. Debe ser tanto de arriba hacia abajo como de abajo hacia arriba.
Cuando solo un extremo participa, la adopción se estanca. Cuando ambos lo hacen, el cambio se consolida.
Sigue el contenido
Puedes seguir el trabajo de Anshumani Ruddra en LinkedIn. También puedes ver su blog y sus cursos.
¡Se vienen más entrevistas con expertos en The Digital Project Manager!
