Acelerar la innovación de productos con IA generativa

Introducción: Mayores velocidades, mayores riesgos

Las presiones que rodean el desarrollo de productos han aumentado significativamente. Las demandas de velocidad y escala siempre han estado presentes, pero en un entorno económico más desafiante, los recursos se reducen a medida que los riesgos aumentan.

"Las circunstancias están provocando un cambio hacia lo que llamamos formas de trabajo orientadas al valor", dice Farooq Ali, Principal de Estrategia de Productos y Entrega en Thoughtworks. "Existe un mayor escrutinio sobre el retorno de la inversión y un énfasis cada vez mayor en alinear el trabajo de productos con los resultados para los clientes y el negocio. Un efecto de segundo orden es un cambio hacia equipos y procesos de productos más ágiles, con las personas comenzando a pensar en cómo lograr más con menos".

Al mismo tiempo, el entorno de desarrollo se vuelve más complejo a medida que las empresas luchan por diferenciarse y los productos incorporan más características.

"Lo realmente importante es identificar esa propuesta de valor única para un producto y crear una hoja de ruta del producto para mantener una ventaja competitiva sostenible", dice Rujia Wang, Jefa de Experiencia del Cliente, Producto y Diseño de Thoughtworks.

"El desafío de hoy no consiste en agregar nuevas ideas; es cómo escalas, dadas las dependencias y la complejidad en el ecosistema del producto", dice Zichuan Xiong, Jefe de Producto de IA Generativa en Thoughtworks.

Incluso cuando la inteligencia artificial presenta problemas para los equipos de productos que luchan por satisfacer demandas simultáneas de deseabilidad, viabilidad, factibilidad, usabilidad y responsabilidad, cada vez más la están considerando, y la inteligencia artificial generativa (GenAI) en particular, como la solución. Una encuesta realizada a cerca de 600 empresas en 11 industrias encontró que un tercio ya está explorando activamente el uso de GenAI en el diseño y simulación de productos. La investigación de mercado sugiere que el mercado de desarrollo de productos para GenAI se expandirá a mil millones de dólares estadounidenses para 2032.

La adopción de la IA generativa en el desarrollo de productos se acelerará hasta 2032

Fuente: MarketResearch.biz

Al menos en teoría, la capacidad de GenAI para complementar el desarrollo de productos es enorme. Las empresas han utilizado durante mucho tiempo la automatización para reducir algunos de los aspectos más mundanos de la carga de trabajo del desarrollo. Pero con GenAI, la expectativa es que al extenderse aún más, y de manera más profunda, en los aspectos más creativos del proceso, los equipos estarán más libres para concentrarse en las características más críticas e innovadoras del producto, contribuyendo de manera más directa y sustancial al valor del negocio.

"GenAI tiene el potencial de analizar muchas de las complejidades del desarrollo de productos por nosotros, ya que puede considerar miles de puntos de datos sobre las interacciones de los clientes y las señales del mercado, algo que a un humano posiblemente le llevaría meses comprender", señala Wang.

"Puede reducir el costo de la prototipación tradicional prácticamente a cero", agrega Xiong. "Por ejemplo, puedes crear una aplicación y encargar a GenAI que averigüe cómo afectan ciertas características a tu cartera en función del conocimiento de otros valores de cartera, porque es excepcionalmente bueno para identificar patrones y crear nuevos hallazgos utilizando el lenguaje natural".

"Aprender más rápido que tu competencia es la nueva ventaja competitiva", dice Ali. "La velocidad a la que puedes aprender sobre el mercado te permite reducir el riesgo en tus decisiones de productos. Y GenAI puede potenciar y permitir gran parte de eso".

Sin embargo, como ocurre con todas las nuevas herramientas, existe un grado de incertidumbre sobre cómo debería aplicarse GenAI exactamente, y la creciente conciencia de que, si no se controla, sus impactos pueden no ser del todo positivos.

i. Ampliación a lo largo del espectro del desarrollo de productos

Como señala Ali, la cadena de valor del desarrollo de productos se puede dividir en varias etapas clave:

• Investigación y análisis
• Ideación y planificación
• Diseño y desarrollo
• Pruebas y retroalimentación
• Producción e implementación
• Lanzamiento y marketing
• Soporte al cliente

La mayoría, si no todas, de estas etapas son "propicias para la innovación con GenAI", afirma Ali.

Esto se debe en parte a que GenAI representa un cambio genuino. "La principal diferencia con lo que existía anteriormente es que GenAI es creativo y, a su vez, potencia la creatividad tanto de los profesionales de productos como de diseño", dice Wang. "Se puede utilizar en todo el proceso de desarrollo de productos, desde la definición del producto hasta el diseño de soluciones, la construcción, el lanzamiento y la evolución".

En la etapa de investigación y análisis, GenAI amplía exponencialmente la capacidad de la organización para encontrar, recopilar y analizar datos pertinentes sobre las condiciones del mercado y las preferencias de los clientes, y quizás aún más importante, puede introducir nuevas perspectivas.

"La IA puede sintetizar rápidamente grandes cantidades de información para proporcionar una comprensión coherente de las tendencias del mercado, las señales presentes en el mercado y las necesidades de los clientes", explica Ali. "Pero siempre terminamos recurriendo al sesgo de selección cuando estamos pensando en en qué enfocarnos. Lo que la IA realmente puede hacer es brindarnos una apertura más amplia y la capacidad de ampliar el análisis y la síntesis de esa investigación".

Por ejemplo, con un cliente, Thoughtworks estaba buscando oportunidades en torno al emergente campo de la inteligencia empresarial generativa e intentando trazar el panorama competitivo. Utilizamos a Boba, un copiloto experimental para la generación de ideas, para investigar cómo otras empresas están utilizando GenAI para la inteligencia empresarial. En cuestión de segundos, obtuvimos una lista de todas aquellas que exploran este espacio sin necesidad de recurrir a costosas investigaciones de mercado.

Otro ejemplo se encuentra en las entrevistas a clientes, una táctica frecuente para comprender sus roles, problemas y beneficios, para que estos puedan alimentar el diseño del producto.

"Las entrevistas generan muchas notas, grabaciones y demás", dice Ali. "Ahora hay herramientas que te permiten resumir las grabaciones de entrevistas en ideas clave de la conversación y agruparlas en temas, que luego pueden ser explorados más a fondo por los investigadores".

Cuando se trata de ideación y planificación, la IA se asocia con los humanos para respaldar las etapas iniciales, a veces angustiosas, del proceso creativo.

"GenAI puede usarse en todas partes, pero creo que donde obtendremos más beneficios a corto plazo es en la parte de diseño de soluciones del proceso de desarrollo de productos", dice Wang. "Realmente está reduciendo el costo marginal de la imaginación, las ideas, la visualización y la comunicación. GenAI resuelve el problema de la página en blanco con el que a menudo nos encontramos al comienzo del proceso creativo. Amplía nuestra forma de pensar en lo que es posible al proporcionarnos una gran cantidad de ideas para explorar y desarrollar".

Un caso en punto es la gigante de snacks Mondelez, que emplea la inteligencia artificial para sugerir nuevas recetas de productos que luego son preseleccionadas y evaluadas por catadores humanos. "Lo realmente interesante de este enfoque es que, lejos de reemplazar la creatividad humana, estos algoritmos actúan como catalizadores", dice Ali. "Pueden generar nuevas ideas que las mentes humanas aún no han considerado. No son perfectos, pero nadie espera que los expertos creativos humanos generen ideas brillantes el 100% del tiempo".

Incluso cuando las ideas surgen con facilidad, antes de GenAI, "todavía se requería mucho esfuerzo para visualizarlas y comunicarlas", dice Wang. "Tenías que ser riguroso en la priorización porque estabas limitado en cuántas ideas podían ser llevadas razonablemente a la siguiente etapa. Pero ahora puedes delegar parte de esa tarea de visualización de ideas a GenAI, creando wireframes de baja, mediana e incluso alta fidelidad, a un costo marginal casi nulo en comparación con lo que requeriría para un humano. De esa manera, puedes mantener abierta la parte de divergencia del proceso de ideación durante más tiempo, pasar más tiempo considerando realmente todas las alternativas, y al interrogar esas ideas, es posible que se te ocurra algo incluso mejor".

Al permitir la creación rápida de prototipos y diseño de interfaces, GenAI facilita la evaluación de ideas antes de que los equipos inviertan demasiado en código. Esto crea eficiencias que, a su vez, allanan el camino para beneficios en las fases posteriores del viaje de desarrollo del producto, como el lanzamiento y el marketing.

"No solo reduce la carga de las tareas operativas; los ingenieros de productos y los profesionales de productos pueden centrarse más en trabajar con los clientes, hablar con ellos, ir al mercado, descubrir problemas reales", dice Xiong. "Los subproductos como el análisis del servicio al cliente o un plan de SEO pueden ser producidos por la inteligencia artificial, por lo que las personas pueden centrarse en la máxima prioridad, que es el beneficio del cliente y la realización del valor del cliente".

Sin embargo, los casos de uso también pueden depender en cierta medida de la industria. Aquellas en las que la generación de contenido está directamente relacionada con los ingresos y que no enfrentan muchas restricciones regulatorias, como la industria de los videojuegos, "pueden ser adoptantes rápidos y de alta madurez que aplican herramientas de GenAI en cada etapa de su ciclo de vida de producto", dice Xiong. Los sectores en los que los problemas de propiedad intelectual y privacidad están más en primer plano, y las consecuencias de la desinformación pueden ser potencialmente devastadoras, como los servicios financieros, es probable que deban adoptar un enfoque más medido.

ii. Mejores prácticas y principios; equilibrando los roles de la IA y los humanos

Las empresas tienden a sobrestimar el esfuerzo involucrado en el uso de las nuevas herramientas de GenAI debido a suposiciones derivadas de la falta de familiaridad con la tecnología, como la noción equivocada de que requiere habilidades avanzadas o vastas cantidades de datos de alta calidad.

A diferencia de los modelos clásicos de aprendizaje automático, que requieren una entrada de datos de alta calidad para su entrenamiento y que tradicionalmente han sido difíciles de escalar debido a problemas de calidad de datos, las herramientas de GenAI son capaces de llenar espacios en blanco y crear sus propios datos. Esto permite a las organizaciones comenzar a mejorar su proceso de desarrollo sin necesidad de grandes inversiones en datos.

Tomemos, por ejemplo, a Genius, el asistente de diseño de autocompletado de Figma, un copiloto que desarrolla una comprensión del sistema de diseño del producto del diseñador y recomienda posibles soluciones a medida que crean una interfaz. Jira, una popular herramienta de gestión de proyectos, es otro ejemplo de la baja barrera de adopción de GenAI. Su copiloto Atlassian Intelligence AI funciona como un "compañero virtual", ayudando a resumir los resultados de las reuniones y definir flujos de trabajo.

El desafío real para la fluidez en GenAI es "la necesidad de un cambio en la mentalidad de diseño", dice Xiong. Los diseñadores tienden a seguir principios probados y verdaderos, que pueden basarse en entornos que están volviéndose menos relevantes, al igual que las interfaces de usuario (UI) todavía se adaptaban a las pantallas grandes cuando el mundo se estaba moviendo hacia lo móvil.

"En el futuro, tendremos menos interfaces de usuario gráficas (GUI), como un envío de formularios de un sistema a otro, porque los modelos de lenguaje grandes dominarán la transacción de información entre sistemas", explica Xiong. "Dado que las aplicaciones transaccionales pueden ser ahora de interfaz cero, surge la pregunta de cómo generar y validar ideas y diseñar soluciones para eso".

Wang señala que aprovechar al máximo GenAI depende de aprender a interactuar con él de la manera óptima.

"Lleva tiempo aprender a hablar y trabajar con GenAI y convertirlo en un verdadero compañero de pensamiento creativo", dice. "Una táctica es hacer que te haga preguntas y proporcionarle más contexto para crear una mejor lista de ideas, o pedirle que piense en lo que debe ser cierto para que una idea tenga éxito, en lugar de pedirle respuestas directas. Alguna de esa interacción puede sentirse poco natural, pero para obtener un mejor resultado, es importante hacer mejores preguntas".

Con la disponibilidad de GenAI como copiloto, también es fundamental comprender sus límites. Los humanos todavía tienen un papel mucho más grande en la definición de los problemas que la empresa intenta resolver con la IA a lo largo del ciclo de desarrollo del producto, lo que requiere una comprensión profunda de los objetivos comerciales.

"Algunas personas tienen la fantasía de que pueden alimentar cosas en un motor de promoción y obtener buenos resultados, pero son solo los buenos diseñadores los que saben cómo traducir ideas en palabras, y palabras en productos", señala Xiong. "El diseño no es solo un trabajo de una sola vez; es gente que dedica tiempo a encontrar la solución óptima, ajustando el camino y utilizando diferentes herramientas para hacerlo. Pasar nuevamente por el recorrido del cliente, hacer iteraciones, no es tan fácil como la gente piensa. Todavía necesitas seres humanos, toda la experiencia y conocimiento que tenemos. [La IA] es solo una herramienta y no debe presentarse como la solución a todos los problemas".

"Mientras que los usuarios sintéticos, usuarios construidos sobre modelos históricos y patrones de clientes reales, pueden ser desplegados para ayudar en ciertas tareas de diseño, tienen sus limitaciones", dice Wang. "Por un lado, no siempre conocemos los sesgos y problemas de los datos que se utilizan en ellos, o si los resultados son realmente perspicaces para comprender el problema que estamos tratando de resolver. En última instancia, los humanos siguen siendo mejores para entender lo que otros humanos necesitan".

La contribución humana también es muy valiosa en áreas donde GenAI puede tener lagunas de conocimiento, como la validación de productos.

"La base de conocimiento en la que se construyen algunas herramientas puede que no incluya los últimos eventos o los últimos cambios regulatorios", dice Wang. "[GenAI] tampoco sabe lo que los competidores han estado haciendo recientemente. Los humanos necesitan intervenir y utilizar conocimiento del dominio para validar las salidas de la IA".

"La validación de resultados requiere que los diseñadores de productos humanos aprendan el conocimiento del usuario final y trabajen con los usuarios finales para verificar que el contenido generado sea valioso, consistente, predecible y libre de sesgos", coincide Xiong.

En esencia, según Ali, existen tres niveles de madurez o colaboración con la IA: la IA informando las decisiones de productos, la IA aumentando las decisiones de productos y la IA automatizando las decisiones de productos.

"Debes analizar tu cadena de valor de desarrollo de productos, desglosarla en los puntos donde tomas decisiones clave y luego hacerte la pregunta: ¿Deberíamos informar esta decisión de producto con la IA? ¿Deberíamos aumentarla? ¿O deberíamos automatizarla?", dice. "Las respuestas serán diferentes para cada empresa".

Modelo de madurez de colaboración en IA

Fuente: Thoughtworks

"Algunas personas tienen la fantasía de que pueden alimentar cosas en un motor de promoción y obtener buenos resultados, pero son solo los buenos diseñadores los que saben cómo traducir ideas en palabras, y palabras en productos", señala Xiong. "El diseño no es solo un trabajo de una sola vez; es gente que dedica tiempo a encontrar la solución óptima, ajustando el camino y utilizando diferentes herramientas para hacerlo. Pasar nuevamente por el recorrido del cliente, hacer iteraciones, no es tan fácil como la gente piensa. Todavía necesitas seres humanos, toda la experiencia y conocimiento que tenemos. [La IA] es solo una herramienta y no debe presentarse como la solución a todos los problemas".

"Mientras que los usuarios sintéticos, usuarios construidos sobre modelos históricos y patrones de clientes reales, pueden ser desplegados para ayudar en ciertas tareas de diseño, tienen sus limitaciones", dice Wang. "Por un lado, no siempre conocemos los sesgos y problemas de los datos que se utilizan en ellos, o si los resultados son realmente perspicaces para comprender el problema que estamos tratando de resolver. En última instancia, los humanos siguen siendo mejores para entender lo que otros humanos necesitan".

La contribución humana también es muy valiosa en áreas donde GenAI puede tener lagunas de conocimiento, como la validación de productos.

"La base de conocimiento en la que se construyen algunas herramientas puede que no incluya los últimos eventos o los últimos cambios regulatorios", dice Wang. "[GenAI] tampoco sabe lo que los competidores han estado haciendo recientemente. Los humanos necesitan intervenir y utilizar conocimiento del dominio para validar las salidas de la IA".

"La validación de resultados requiere que los diseñadores de productos humanos aprendan el conocimiento del usuario final y trabajen con los usuarios finales para verificar que el contenido generado sea valioso, consistente, predecible y libre de sesgos", coincide Xiong.

En esencia, según Ali, existen tres niveles de madurez o colaboración con la IA: la IA informando las decisiones de productos, la IA aumentando las decisiones de productos y la IA automatizando las decisiones de productos.

"Debes analizar tu cadena de valor de desarrollo de productos, desglosarla en los puntos donde tomas decisiones clave y luego hacerte la pregunta: ¿Deberíamos informar esta decisión de producto con la IA? ¿Deberíamos aumentarla? ¿O deberíamos automatizarla?", dice. "Las respuestas serán diferentes para cada empresa".

"Algunas personas tienen la fantasía de que pueden alimentar cosas en un motor de promoción y obtener buenos resultados, pero son solo los buenos diseñadores los que saben cómo traducir ideas en palabras, y palabras en productos", señala Xiong. "El diseño no es solo un trabajo de una sola vez; es gente que dedica tiempo a encontrar la solución óptima, ajustando el camino y utilizando diferentes herramientas para hacerlo. Pasar nuevamente por el recorrido del cliente, hacer iteraciones, no es tan fácil como la gente piensa. Todavía necesitas seres humanos, toda la experiencia y conocimiento que tenemos. [La IA] es solo una herramienta y no debe presentarse como la solución a todos los problemas".

"Mientras que los usuarios sintéticos, usuarios construidos sobre modelos históricos y patrones de clientes reales, pueden ser desplegados para ayudar en ciertas tareas de diseño, tienen sus limitaciones", dice Wang. "Por un lado, no siempre conocemos los sesgos y problemas de los datos que se utilizan en ellos, o si los resultados son realmente perspicaces para comprender el problema que estamos tratando de resolver. En última instancia, los humanos siguen siendo mejores para entender lo que otros humanos necesitan".

La contribución humana también es muy valiosa en áreas donde GenAI puede tener lagunas de conocimiento, como la validación de productos.

"La base de conocimiento en la que se construyen algunas herramientas puede que no incluya los últimos eventos o los últimos cambios regulatorios", dice Wang. "[GenAI] tampoco sabe lo que los competidores han estado haciendo recientemente. Los humanos necesitan intervenir y utilizar conocimiento del dominio para validar las salidas de la IA".

"La validación de resultados requiere que los diseñadores de productos humanos aprendan el conocimiento del usuario final y trabajen con los usuarios finales para verificar que el contenido generado sea valioso, consistente, predecible y libre de sesgos", coincide Xiong.

En esencia, según Ali, existen tres niveles de madurez o colaboración con la IA: la IA informando las decisiones de productos, la IA aumentando las decisiones de productos y la IA automatizando las decisiones de productos.

"Debes analizar tu cadena de valor de desarrollo de productos, desglosarla en los puntos donde tomas decisiones clave y luego hacerte la pregunta: ¿Deberíamos informar esta decisión de producto con la IA? ¿Deberíamos aumentarla? ¿O deberíamos automatizarla?", dice. "Las respuestas serán diferentes para cada empresa".

iii. Evitando consecuencias negativas

A medida que las organizaciones exploran nuevos horizontes creativos con GenAI, se vuelve más importante crear conciencia sobre los nuevos riesgos que presenta y encontrar formas de mitigarlos.

Xiong señala que a medida que GenAI adquiere capacidades multimodales, su velocidad y eficiencia pueden ser confundidas con autoridad, lo que dificulta discernir la realidad de las alucinaciones generadas por la IA.

"Existe el potencial de un gran efecto dominó cuando, en un futuro cercano, entre cientos de agentes de IA que trabajan en red, uno comete un error y ese error es disfrazado por otro, lo que creará una serie de consecuencias aguas abajo", explica.

"Si estás utilizando la IA en la toma de decisiones, deberías ser capaz de explicar por qué la IA recomendó una decisión en particular", señala Ali. "Y la realidad de los modelos actuales es que son muy opacos. Sabemos cómo los construimos, pero no sabemos cómo razonan".

La lucha de la IA con la explicabilidad se puede comparar con la forma en que los humanos llegan a una respuesta, señala Wang.

"Tal vez se basó en la experiencia, tal vez se basó en nuestra intuición", dice. "Al usar GenAI en el proceso de desarrollo de productos, nos encontraremos con desafíos muy similares en los que llegaremos a una conclusión que realmente no sabemos cómo explicar. En ese caso, la consideración clave es si podemos cuestionar las conclusiones de GenAI".

Las consideraciones de propiedad intelectual y derechos de autor también están contribuyendo a la reticencia de las organizaciones a adoptar e implementar la IA en el desarrollo de productos.

"Aunque es tentador usar productos y modelos de IA listos para usar, no se nos permite, desde la perspectiva de los clientes, tomar una serie de materiales de entrevistas, datos de clientes y ponerlos en una herramienta externa hasta que haya pasado por una evaluación adecuada, y para ese momento el proyecto ya está terminado", señala Ali. "Aunque una herramienta de IA proporciona cierta capacidad, debes tener en cuenta algo de tiempo para comprender hacia dónde se dirigen los datos y cómo se utilizan".

Precisamente porque GenAI se entrena con datos externos que están fácilmente disponibles para todos, incluidos los competidores, se argumenta que las organizaciones deben incorporar datos propietarios en modelos de IA cuando sea posible. Los datos también deben ser evaluados en busca de sesgos, que no se limitan a los datos públicos, sino que pueden extenderse a los recursos propios de las organizaciones.

"Los datos de tus clientes podrían estar sesgados hacia un grupo demográfico sobre otro", señala Ali. "Cuando te encuentras en esa situación, es posible que necesites tomar decisiones deliberadas para ampliar tus datos, ya sea con datos sintéticos o realizando entrevistas deliberadas con clientes de otros grupos demográficos".

"La investigación y las pruebas con usuarios reales siguen siendo las partes más importantes del proceso de desarrollo de productos", dice Wang. "Eso incluye pruebas con grupos diversos para identificar posibles sesgos que hayan sido introducidos al usar GenAI".

En la gran mayoría de los casos de uso de consumidores, Xiong dice que los problemas de gobernanza plantearán un desafío mucho mayor que las faltas éticas.

"El desafío de la gobernanza no es gobernar la IA; se trata de gobernar el contenido generado por la IA", dice. "El sistema operativo existente para realizar revisiones de contenido, el proceso editorial, piensa en cumplimiento, privacidad, seguridad, escaneo de todo: una vez que la adopción de GenAI aumenta, esa carga de trabajo también aumentará".

La buena noticia es que la IA también tiene el potencial para resolver algunos de los problemas de gobernanza que crea. "Por ejemplo, podrías usar tu cumplimiento o política de contenido como entrada para un gran modelo de lenguaje que luego puede llevar a cabo revisiones de contenido", explica Xiong.

Las medidas más efectivas para la gobernanza de la IA son la incorporación de principios éticos y responsables de la IA en la cultura de la empresa, incluido cómo construye experiencias para el cliente, señala Wang. Algunos de estos principios están detallados en una colección de herramientas, métodos y marcos que Thoughtworks ha creado para ayudar a las organizaciones a navegar por el ámbito complejo pero esencial de la construcción de tecnología responsable.

Pasos deliberados también pueden ser introducidos en el proceso de desarrollo de productos para garantizar una mayor adhesión a prácticas de IA responsables.

"GenAI está expandiendo las posibilidades y acelerando el proceso de desarrollo de productos", dice Wang. "Pero al introducir intencionalmente fricción, por ejemplo, al hacer que sea una práctica predeterminada para que los humanos y la IA exploren las posibles consecuencias negativas de una solución o por qué la solución no funcionaría, podemos tomar decisiones más consideradas y deliberadas".

Como con cualquier forma de innovación, "tomar ideas de otros es una parte natural del proceso creativo humano, aunque se vuelve más pronunciado con GenAI", agrega. "La clave es construir sobre las ideas de GenAI en lugar de aceptarlas tal cual o usarlas tal como están. Por eso, los seres humanos seguirán siendo increíblemente importantes en todo el proceso de desarrollo de productos".

iv. Cómo evolucionará el uso de la IA generativa

Se espera que la evolución y creciente presencia de GenAI transformen no solo el desarrollo de productos, sino también la naturaleza de las aplicaciones en sí y los roles de las personas que las crean.

"Si se adopta un gran modelo de lenguaje en todo el ciclo de vida del producto, existe la posibilidad de fusionar roles, de modo que no se diferencie realmente al diseñador del gerente de productos ni del analista de negocios", dice Xiong. "No necesitarás roles diferentes para traducir los requisitos comerciales en especificaciones del producto, o las especificaciones del producto en una historia de usuario, o la historia de usuario en una interfaz. En el futuro, podrás usar modelos para traducir requisitos de diferentes formatos, para navegar en el espacio en lenguaje ambiguo y conectar los dominios del problema (negocio) y la solución (diseño)".

Al mismo tiempo, podemos esperar usar menos aplicaciones en el futuro. "La razón por la que tenemos tantas es debido a las limitaciones del software en sí; cada solución de software tiene un alcance cerrado y, cuando deseas un nuevo alcance, debes crearlo", señala Xiong. "Con los productos de software tradicionales, el alcance de trabajo se está reduciendo, pero existen nuevas posibilidades con la construcción de aplicaciones de IA, lo que, si eres un gerente de proyectos, argumenta a favor de centrarse en ese espacio".

Las organizaciones que intentan crear una fuerza laboral más orientada a la IA tendrán que mirar más allá del desarrollo de software tradicional y comenzar a dar a los equipos de desarrollo de productos más oportunidades para construir y experimentar con soluciones de IA innovadoras.

"Poder interactuar de manera efectiva con GenAI pronto será una habilidad mínima que se espera, al igual que cuando Google salió, tuviste que aprender a buscar eventualmente", dice Ali. "Verás a expertos en dominios trabajar más de cerca en el desarrollo de productos, diseñando indicaciones que interactúan con el sistema para construir una aplicación impulsada por IA. Ampliando eso, veo convergencia interdisciplinaria, la culminación de la ciencia de datos, la economía del comportamiento, incluso la filosofía y otros campos que se unen y participan más en el desarrollo de productos".

La metodología de diseño también tendrá que cambiar para mantenerse al día con estos avances.

"En design thinking, tienes tres grandes círculos: lo viable, lo deseable y lo factible, pero con la IA, la utilización justa y la responsabilidad deberán agregarse a eso", dice Xiong. "También debes actualizar tu diseño de diseño de mapa de servicio existente como metodología, porque la IA va a ser un nuevo usuario. Deberás diseñar la IA mientras diseñas al agente humano y tratar de diseñar una relación entre el agente de IA y el agente humano para que trabajen juntos para ejecutar una tarea y ayudar a los clientes. Cuando diseñas de esa manera, no piensas en la IA como un sistema; piensas en la IA como un individuo inteligente".

Otra área emocionante que está surgiendo es la creación de prototipos simulados. "Esto es algo común en la fabricación; debido a que se ocupan de la física, es mucho más fácil generar diseños que puedas probar en función de diferentes criterios", dice Ali. "El problema en la construcción de software es que estás construyendo para humanos, y poder modelar a los humanos es un problema muy difícil. Además, solo porque puedas generar muchas ideas y prototipos, no significa que puedas evaluarlos rápidamente. Una vez que las personas descubran cómo pueden evaluar rápidamente a través de la simulación y la prueba simulada de ideas, se abrirá un mundo completamente nuevo en términos de generar nuevas características e ideas de productos".

Wang ve tanto divergencia como convergencia en la forma en que se aplica GenAI en diferentes industrias.

"Las industrias que son más ricas en datos pueden tener más oportunidades para transformarse porque tendrán modelos más potentes, y los modelos de GenAI se especializarán más en industrias particulares para poder resolver problemas mejor", dice. "Pero en general, todas las industrias se verán afectadas de alguna manera. Prefiero ser optimista y decir que serán transformadas para mejor. También es nuestra responsabilidad como diseñadores de productos crear ese futuro y no solo esperar a que suceda".

En el esquema más amplio, el potencial de GenAI para atraer a más personas al proceso de desarrollo, romper las barreras en torno a sus roles y superar las limitaciones anteriores en términos de escala y velocidad, conlleva la perspectiva de mejorar la capacidad colectiva de la organización para tomar decisiones efectivas sobre los productos que crea.

"Actualmente, muchas decisiones sobre productos están centralizadas dentro del equipo de productos", señala Ali. "Ya estamos comenzando a ver la descentralización de los datos, pero cuando comiences a ver la descentralización de la inteligencia, verás que se produce una toma de decisiones distribuida, donde la estrategia no será solo algo que viene desde arriba, sino que se extenderá desde el liderazgo senior hasta los representantes de servicio al cliente, en las decisiones que toman".