AI product manager: qué cambia cuando prototipas con IA

El AI product manager ya no entrega un documento de requisitos: enseña un prototipo, lo valida con usuarios y sabe qué sigue siendo del equipo técnico.

AI product manager: qué cambia en el rol cuando puedes prototipar tú con IA
AI product manager: qué cambia en el rol cuando puedes prototipar tú con IA

Un AI product manager es un product manager que construye él mismo prototipos funcionales con IA. En vez de entregar un documento de requisitos, enseña una versión que se puede usar, la prueba con usuarios y pasa a desarrollo solo lo que ha demostrado valor. La escala, la seguridad y el mantenimiento siguen siendo del equipo técnico.

La etiqueta se usa con dos sentidos. Hay quien llama así al PM que gestiona un producto cuyo valor depende de un modelo de IA (un asistente, un sistema de recomendaciones). Y hay quien la usa para el PM que trabaja con IA para descubrir qué construir. Este artículo va del segundo, que es el cambio que está viviendo cualquier persona de producto, tenga o no un modelo dentro de su producto. Verás qué pasa con el documento de requisitos, cómo se valida un prototipo con usuarios, qué no debes quedarte tú y qué riesgos conviene vigilar desde el primer día.

Qué hace un AI product manager (y qué no hace)

Un AI product manager hace lo mismo que cualquier product manager: decide qué problema merece resolverse y comprueba que la solución funciona para el cliente y para el negocio. Lo nuevo es el cómo. Con herramientas de IA puede convertir una idea en algo que se usa en días, sin esperar a que diseño o ingeniería tengan hueco.

Marty Cagan, de Silicon Valley Product Group, resume desde hace años el trabajo de descubrimiento en cuatro riesgos que hay que despejar antes de construir. El de valor (¿lo van a querer?) y el de viabilidad de negocio (¿encaja con la empresa?) son del product manager. El de usabilidad es del diseñador de producto y el de factibilidad, del ingeniero responsable. La IA no reparte esos riesgos de otra forma: le da al PM una herramienta mucho más rápida para comprobar los suyos.

Lo que no hace un AI product manager es sustituir al equipo de ingeniería. Tampoco es un product owner con otro nombre: el product owner es una responsabilidad dentro de Scrum, centrada en el backlog del equipo, mientras que el PM trabaja también antes, cuando aún no está claro qué hay que construir.

Del documento de requisitos al prototipo funcional

El cambio más visible está en el entregable. Durante años, el product manager escribía un documento de requisitos (PRD) con pantallas descritas, casos de uso y criterios de aceptación. Ahora puede enseñar un prototipo que funciona, con datos de ejemplo, y dejar que el documento se encargue solo de lo que el prototipo no puede mostrar.

La idea no la ha inventado la IA. En 2006, Cagan ya defendía en «Revisiting the Product Spec» que un prototipo realista e interactivo era la mejor especificación posible, porque se puede probar con usuarios antes de que llegue a ingeniería. También decía que hay cosas que un prototipo no enseña y que hay que escribir aparte: los requisitos de fiabilidad, rendimiento y escalabilidad, los de plataforma y los casos de uso principales. Lo que entonces exigía semanas de un diseñador hoy lo puede montar el PM con una herramienta de IA.

Con documento de requisitos

Con prototipo funcional

Qué entrega el PM

Un texto con pantallas y criterios

Una versión que se usa, con datos de ejemplo

Cuándo opina el usuario

Cuando el desarrollo ya está hecho

Antes de pedir desarrollo

De qué se discute en la reunión

De cómo se interpreta el texto

De lo que han hecho los usuarios con el prototipo

Qué sigue escrito

Todo

Lo que el prototipo no muestra: escala, rendimiento, seguridad, integraciones

Quién construye la versión final

Ingeniería

Ingeniería

La última fila es la que más se olvida. El prototipo sustituye a buena parte del documento, no al trabajo de desarrollo.

Prototipar para aprender, no para lanzar

Un prototipo hecho con IA sirve para aprender rápido y barato si una idea merece la pena. No es la primera versión del producto. Esa diferencia, que parece de matiz, es la que separa a los equipos que ganan velocidad con la IA de los que acaban manteniendo en producción algo que nunca se pensó para estar ahí.

Cagan lo explica en «Build to Learn vs Build to Earn» (abril de 2026), con una expresión que toma de Jeff Patton. En el descubrimiento se construye para aprender: se ponen a prueba el valor, la usabilidad, la factibilidad y la viabilidad. En la entrega se construye para ganar dinero: el producto tiene que aguantar escala, ser fiable y seguro. Cagan añade que la IA generativa permite hacer muchos prototipos por semana sin depender de diseño ni de ingeniería, incluso con datos reales y probados por clientes reales, y que eso adelanta la evidencia y abarata los errores. También advierte de que, con la construcción cada vez más barata, lo escaso es saber qué merece la pena construir.

Mi criterio para no confundir las dos cosas es sencillo: antes de abrir la herramienta, escribe en una frase qué quieres aprender con ese prototipo («¿entienden los usuarios la lista de espera sin explicación?»). Si no sabes formular la pregunta, todavía no toca prototipar.

Si quieres llegar a prototipar tus propias ideas con este método, en Makers, el Intensive Master de ThePower Business School, el producto es uno de los perfiles para los que se diseña el programa: un Maker en ese puesto «Prototipa la funcionalidad y la enseña funcionando antes de pedir desarrollo». Puedes ver el temario y el formato en el dossier de Makers.

Cómo validar un prototipo con usuarios antes de pasar a desarrollo

Validar un prototipo es ver a usuarios reales intentar hacer una tarea con él, sin ayudarles, y anotar dónde se atascan y si les importa lo que resuelve. Con IA se puede corregir entre una sesión y la siguiente, de modo que el prototipo que llega a desarrollo ya ha pasado varias rondas.

Nielsen Norman Group lo explica en su guía sobre prototipos de baja y alta fidelidad: un prototipo es una solución candidata y la forma más directa de evaluarla es observar a usuarios usándola. Un prototipo de alta fidelidad, que responde como un sistema real, hace que la persona se comporte con más naturalidad. Esa es justo la ventaja de los prototipos funcionales hechos con IA. La misma guía avisa de errores que conviene evitar: explicar cómo funciona el diseño, convertir la sesión en una charla y no probar antes el prototipo para que no aparezcan pantallas equivocadas.

Un proceso que funciona:

  1. Una pregunta por ronda. Qué quieres aprender (valor, comprensión, una decisión de diseño concreta).

  2. Prototipo con datos ficticios. Lo justo para que la tarea sea creíble: ni más pantallas ni datos de clientes reales.

  3. Tareas, no preguntas. «Apúntate a la clase del jueves, que está llena» en lugar de «¿te gusta esta pantalla?».

  4. Observa y calla. Anota dónde duda, qué busca y qué dice en voz alta.

  5. Corrige y repite. Cambia lo que ha fallado y vuelve a probar con otras personas.

  6. Cierra con evidencia. Lo que ha funcionado, lo que no y lo que aún no sabes, en una página.

Ejemplo ilustrativo (ficticio). Laura es product manager en una app de reservas para gimnasios, inventada para este ejemplo. Los clientes se quejan de que las clases se llenan y no se enteran cuando queda un hueco. Antes, Laura habría escrito un documento de requisitos de la lista de espera y lo habría pasado al backlog. Con IA monta en una tarde un prototipo con tres clases inventadas y un botón de «avísame si queda sitio». Lo prueba con socios del gimnasio y descubre que casi nadie entiende si el aviso le reserva la plaza o solo le avisa. Cambia el texto y el flujo, repite la prueba y, cuando el comportamiento es el que esperaba, lleva a ingeniería el prototipo, las notas de las sesiones y una página con lo que el prototipo no resuelve: notificaciones reales, concurrencia cuando dos personas pulsan a la vez y el cruce con el sistema de pagos.

Qué sigue siendo del equipo técnico

Que el PM pueda construir un prototipo no cambia quién responde de la versión que usan los clientes. La factibilidad, la arquitectura, la escala, el rendimiento, la seguridad y el mantenimiento siguen siendo de ingeniería. El PM llega con más evidencia y mejores preguntas, pero no con el producto terminado.

En la práctica, lo que pasa de mano en mano cambia de forma. Una entrega útil del PM a ingeniería suele llevar:

  • El prototipo y el enlace para probarlo, con la advertencia de que es desechable.

  • Lo que se ha aprendido con usuarios y qué decisiones se han tomado por ello.

  • Lo que el prototipo simula y no hace de verdad (pagos, envíos de correo, permisos).

  • Los requisitos que no se ven en pantalla: volumen esperado, tiempos de respuesta, integraciones con otros sistemas, datos personales que se van a tratar.

  • Las preguntas abiertas para el equipo técnico.

Hablar de tú a tú con ingeniería es la habilidad que más rinde aquí. No hace falta saber programar, pero sí entender por qué una funcionalidad que en el prototipo tardó una tarde puede llevar semanas en producción, y saber preguntar en lugar de prometer fechas.

Los riesgos: deuda técnica, seguridad y datos

Prototipar con IA tiene tres riesgos que el product manager tiene que conocer aunque no los resuelva él: que el prototipo acabe en producción y genere deuda técnica, que se publique con fallos de seguridad y que se usen datos de clientes donde no toca. Los tres se evitan con decisiones tomadas antes de empezar.

Deuda técnica. Martin Fowler define la deuda técnica como los problemas de calidad interna que se acumulan en el software y hacen que cada cambio posterior cueste más, igual que los intereses de un préstamo. Un prototipo pensado para aprender suele estar lleno de esos atajos, y está bien mientras siga siendo un prototipo. El problema aparece cuando «ya funciona» se convierte en motivo para lanzarlo. Decide con ingeniería, antes de empezar, si el prototipo se tira o se reescribe.

Seguridad. Las propias herramientas lo dicen. La documentación de seguridad de Lovable describe un análisis rápido que se ejecuta al publicar (reglas de acceso a la base de datos, dependencias con vulnerabilidades conocidas) y otro más profundo que hay que lanzar a mano, y advierte de que estas comprobaciones no sustituyen una revisión de seguridad completa. Si tu prototipo va a salir de tu ordenador, repasa los errores de seguridad al publicar una app hecha con IA antes de compartir el enlace.

Datos. El RGPD pide tratar solo los datos necesarios (principio de minimización, artículo 5.1.c) y proteger los datos desde el diseño (artículo 25). Cagan habla de prototipos con datos reales porque dan mejor evidencia, y es verdad. Mi regla para empezar es otra: datos ficticios mientras el prototipo lo construyes tú solo, y nada de exportaciones del CRM ni de conversaciones de soporte reales pegadas en la herramienta. Cuando la prueba necesite datos reales, ese paso se da con IT y con la persona responsable de protección de datos, no por tu cuenta.

Herramientas para prototipar con IA, según su documentación

Para prototipar con IA, un product manager necesita una herramienta que genere una aplicación a partir de una descripción en lenguaje natural o de un diseño. Hay dos familias útiles: las que construyen apps web completas y las que viven dentro del software de diseño. Lo que sigue sale de su documentación oficial, consultada el 17 de noviembre de 2026.

  • Lovable. Su documentación la describe como una plataforma para construir y desplegar aplicaciones web a partir de lenguaje natural, con base de datos y autenticación incluidas, publicación en una URL y sincronización con GitHub, GitLab o Bitbucket. Es la opción si el prototipo necesita guardar datos o tener usuarios. Lo explicamos en detalle en qué es el vibe coding.

  • Figma Make. Según el centro de ayuda de Figma, convierte una petición o diseños ya hechos en Figma en apps interactivas, permite añadir un backend para guardar datos y gestionar inicios de sesión, y publicar el resultado como web. Encaja si tu equipo ya diseña en Figma y quieres que el prototipo parta de sus componentes. Está disponible en varios planes de pago y en el Starter, según la misma página.

Si lo que quieres es una página de producto para medir interés antes de construir nada, la guía para crear una landing con IA sin programar es un buen punto de partida.

Qué habilidades ganan peso en un product manager con IA

Cuando construir cuesta poco, lo que distingue a un buen product manager es el criterio para decidir qué construir y qué significa lo que ha aprendido. La habilidad técnica ayuda, pero lo que más pesa es saber formular la pregunta, leer la evidencia y defender una decisión ante negocio e ingeniería.

Cagan lo planteaba a finales de 2024 en «AI Product Management 2 Years In»: con la IA generativa, el papel del PM se vuelve más necesario y también más difícil, y lo que permite sacarle partido es el «product sense», el juicio de producto. En su artículo de 2026 añade que los PM que entienden su trabajo como coordinar y facilitar son cada vez los más expuestos.

Las habilidades que veo ganar peso:

  • Formular hipótesis comprobables. Una pregunta por prototipo, con lo que significaría un sí y un no.

  • Descomponer una solución en piezas. Saber qué parte se puede prototipar hoy y cuál necesita ingeniería.

  • Leer evidencia de usuarios. Separar lo que la gente dice de lo que hace.

  • Medir el antes y el después. Llegar a dirección con un resultado, no con una demo.

  • Conocer el mapa de roles de IA. Saber cuándo hace falta un perfil técnico; si te pierdes, la comparativa entre prompt engineer y AI engineer y el papel del Chief AI Officer te ayudan a situarte.

Aprender a construir tus propios prototipos

Aprender a prototipar con IA lleva menos tiempo del que parece si se practica sobre retos reales de tu trabajo, no sobre ejercicios genéricos. Lo que cuesta más es el criterio: qué construir, cuándo parar y cuándo pasar el testigo a ingeniería.

Ese es el planteamiento de Makers, el Intensive Master de ThePower Business School: «En diez semanas aprendes a detectar qué procesos de tu área merecen una solución con IA y a construirla tú mismo. Sin programar y sin esperar a IT». Combina dos pilares, criterio de negocio para decidir y capacidad técnica para construir, con puntos como «Quick wins y MVP» («La versión mínima que ya sirve, funcionando en semanas y a la vista de quien decide») y «Desarrollo asistido por IA» («Herramientas como Claude Code, Codex o Cursor para construir sin escribir código a mano»).

Para el perfil de product manager, la ficha de Makers pone ejemplos de lo que puede hacer alguien en ese puesto: prototipar una funcionalidad y enseñarla funcionando antes de pedir desarrollo, agrupar el feedback de cada release por tema, frecuencia e impacto en negocio, y simular el efecto de un cambio de precio o de plan antes de proponerlo. Y en el programa eliges un reto real de tu empresa y lo conviertes en tu proyecto.

Construye 8 proyectos con IA
sin necesidad de programar.

Aprende a construir tus propias soluciones con IA
para resolver problemas reales de tu trabajo y tu empresa.

Descubre AI Maker

Construye 8 proyectos con IA
sin necesidad de programar.

Aprende a construir tus propias soluciones con IA
para resolver problemas reales de tu trabajo y tu empresa.

Descubre AI Maker

Preguntas frecuentes sobre el AI product manager

¿Qué es un AI product manager?

Es un product manager que usa la IA para construir prototipos funcionales y validarlos con usuarios antes de pedir desarrollo. El término también se usa para quien gestiona productos cuyo valor depende de un modelo de IA. En los dos casos el fondo es el mismo: decidir qué problema resolver y comprobar que la solución funciona.

¿Un AI product manager necesita saber programar?

No para prototipar. Las herramientas actuales generan aplicaciones a partir de una descripción en lenguaje natural o de un diseño, y el PM dirige el resultado con instrucciones y pruebas. Sí necesita entender cómo se construye el software para hablar con ingeniería y saber dónde termina un prototipo.

¿La IA sustituye el documento de requisitos?

Sustituye buena parte, no todo. Un prototipo funcional explica mejor que un texto cómo debe comportarse el producto, y se puede probar con usuarios. Lo que el prototipo no muestra sigue escrito: rendimiento, escalabilidad, seguridad, integraciones, datos que se tratan y casos de uso principales. Suele bastar una página breve que acompañe al prototipo.

¿Qué diferencia hay entre un AI product manager y un AI engineer?

El product manager decide qué construir y comprueba con usuarios que merece la pena; el AI engineer diseña, construye y pone en producción los sistemas de IA. El PM prototipa para aprender y el ingeniero construye para que el producto aguante escala, sea fiable y seguro. Trabajan juntos: cuanto mejor es el prototipo, más concreta es la conversación técnica.

¿Se puede lanzar a producción un prototipo hecho con IA?

Puede funcionar, pero no es lo recomendable sin pasar por ingeniería. Un prototipo de descubrimiento acumula atajos que se convierten en deuda técnica, y las propias herramientas avisan de que sus análisis de seguridad no sustituyen una revisión completa. Lo sensato es decidir con el equipo técnico, antes de empezar, si el prototipo se desecha o se reescribe.

Comparte este artículo

Por:

Franco Brutti

·

Fecha de Actualización:

Artículos Relacionados

AI product manager: qué cambia en el rol cuando puedes prototipar tú con IA

AI product manager: qué cambia cuando prototipas con IA

VER ARTÍCULO

Del informe a las diapositivas: Gamma, Napkin y Copilot con el mismo encargo

Presentaciones con IA: Gamma, Napkin y Copilot, un encargo

VER ARTÍCULO

Errores de seguridad al publicar una app hecha con IA (y la comprobación que los evita)

Errores de seguridad al publicar una app hecha con IA

VER ARTÍCULO

IA en las pymes españolas: qué dicen los datos oficiales y por dónde empiezan las que ya la usan

IA en las pymes españolas: datos del INE y por dónde empezar

VER ARTÍCULO

Copilot en Word, Excel, Outlook y Teams: una tarea real en cada aplicación, paso a paso

Copilot en Word, Excel, Outlook y Teams: guía paso a paso

VER ARTÍCULO

Contabilidad con IA: qué tareas automatiza y dónde sigue haciendo falta criterio

Contabilidad con IA: qué automatiza y dónde decides tú

VER ARTÍCULO

Dossier de Makers: prototipa antes de pedir desarrollo
Dossier de Makers: prototipa antes de pedir desarrollo

DESCARGAR DOSSIER POWER IA

DESCARGAR DOSSIER POWER IA

Business & IA

Tech & Data

Pharma

FP Oficial

Oposiciones

Oficios

In Company