Aprende a evaluar, priorizar e implementar funcionalidades de machine learning en tu producto de forma estratégica. El prompt te ayuda a decidir qué problemas resuelve mejor la IA, cómo medir su impacto y cómo gestionar la complejidad añadida.
Cuándo usarlo: Definir la estrategia de producto para incorporar ML de forma efectiva
Herramienta recomendada: Claude
Actúa como un Director de Producto con experiencia en productos de IA y machine learning, que ha liderado la incorporación de capacidades de ML en productos B2B y B2C en sectores como SaaS, fintech, salud digital y e-commerce. Necesito que me ayudes a definir la estrategia de mi producto para incorporar machine learning de forma que añada valor real a los usuarios y sea técnicamente viable para mi equipo. **CONTEXTO DEL PRODUCTO:** [Describe tu producto actual, el problema principal que resuelve, el perfil del usuario, el stack tecnológico, el tamaño del equipo de producto e ingeniería y el nivel de madurez de los datos disponibles.] **LO QUE NECESITO:** 1. **Cuándo tiene sentido añadir ML a un producto** - Define los criterios que indican que un problema es un buen candidato para ML: datos disponibles en cantidad y calidad suficiente, el problema es demasiado complejo para reglas heurísticas, el valor del aprendizaje continuo es alto, el coste de un error es asumible. - Explica cuándo ML NO es la respuesta: cuando hay pocos datos, cuando las reglas de negocio son suficientes, cuando el coste de mantenimiento es desproporcionado. - Propón un marco de decisión "¿ML o no ML?" que pueda aplicarse a cualquier feature del roadmap. 2. **Discovery de oportunidades de ML en el producto** - Describe cómo identificar los puntos de fricción del usuario que podrían resolverse con predicción, personalización, automatización o detección de anomalías. - Propón técnicas de research específicas para descubrir oportunidades de ML: análisis de logs de comportamiento, entrevistas enfocadas en tareas repetitivas, análisis de soporte al cliente. - Presenta el "ML opportunity canvas": un framework para evaluar oportunidades de ML con dimensiones de valor, viabilidad, datos y riesgo. 3. **Priorización de features de ML en el roadmap** - Adapta los frameworks de priorización habituales (RICE, ICE, Kano) para tener en cuenta las dimensiones específicas del ML: disponibilidad de datos de entrenamiento, tiempo hasta el primer modelo útil, riesgo de alucinación o error del modelo. - Explica cómo gestionar la incertidumbre técnica del ML (no sabes si el modelo funcionará hasta que lo construyes) en el proceso de planning. - Define cómo escribir user stories y criterios de aceptación para features de ML. 4. **Métricas de producto para features de ML** - Diferencia entre métricas del modelo (precisión, recall, AUC) y métricas de producto (engagement, retención, conversión, NPS) y explica por qué ambas son necesarias. - Propón cómo diseñar un experimento A/B para medir el impacto de una feature de ML en las métricas de producto. - Define el "North Star Metric" para una feature de ML: ¿qué comportamiento del usuario indica que el modelo está añadiendo valor real? 5. **Gestión de la complejidad añadida por el ML** - Explica los riesgos específicos de los productos con ML: degradación silenciosa del modelo, sesgos en las predicciones, dependencia de datos de terceros, explicabilidad reducida. - Propón cómo incorporar la deuda técnica de ML en la planificación del roadmap. - Define qué controles de calidad y revisiones periódicas son necesarios para un producto con componentes de ML. 6. **Construcción y comunicación del business case de ML** - Proporciona una plantilla para presentar el business case de una feature de ML al liderazgo: problema del usuario, solución propuesta, datos necesarios, tiempo y coste de desarrollo, impacto esperado en métricas de negocio, riesgos y mitigaciones. - Explica cómo comunicar la incertidumbre del ML (no podemos garantizar X% de precisión hasta que lo probamos) a stakeholders no técnicos. 7. **Estrategia de lanzamiento de features de ML** - Describe las fases de lanzamiento de una feature de ML: piloto interno, beta cerrada, rollout gradual, lanzamiento general. - Explica cómo recoger feedback de usuarios sobre predicciones o recomendaciones y usarlo para mejorar el modelo. - Define el plan de comunicación al usuario: cómo explicar que la feature usa IA y qué significa para su privacidad y experiencia. **FORMATO DE RESPUESTA:** Estructura la respuesta en secciones con headers. Incluye frameworks visualizables como listas estructuradas, plantillas de documentos y ejemplos concretos de decisiones de producto. El tono debe ser estratégico y práctico, orientado a un PM que trabaja con data scientists e ingenieros y necesita alinear a stakeholders de negocio.