La escena se repite con una regularidad sospechosa: alguien nos muestra una idea de IA, la demo anda, el equipo está entusiasmado, y en algún momento aparece la pregunta que importa. ¿Vale la pena construir esto? Durante mucho tiempo la contestamos con criterios técnicos, y todos eran ciertos.
Ninguno alcanzaba para decir que no.
El criterio que sí alcanzó lo encontré en la página 12 de un libro que había comprado por otra cosa.
El libro es Building AI-Powered Products, de la Dra. Marily Nika: doctorado en Imperial College London, product manager de IA en Google, ex-Meta, y docente en Harvard Business School. Lo editó O’Reilly. Su lista de siete, leída rápido, parece una enumeración más de lo que la IA puede hacer por tu negocio.
Leída despacio, es un filtro para descartar proyectos.
¿Qué es un superpoder, exactamente?
Nika lo presenta con una frase de trámite: “I’ve compiled a list of seven superpowers that AI products currently offer users.” El trabajo lo hace la definición que pone justo antes:
“These are unique product features that directly impact how users interact with their environment”
“Son features de producto únicas que impactan directamente en cómo los usuarios interactúan con su entorno.”
Leela despacio. No hay una palabra sobre modelos, ni sobre datos, ni sobre precisión: la vara está del lado del usuario. Un sistema impecable que deja a la persona haciendo lo mismo que antes, según esta definición, no clasifica.
La jerarquía que sigue es mía: Nika los enumera como pares.
| Superpoder | Qué podía hacer el usuario antes | Qué puede hacer ahora | ¿Producto o margen? |
|---|---|---|---|
| Personalización a escala | Elegir en un catálogo igual para todos | Usar una versión hecha para él | Producto |
| Adaptación en tiempo real | Repetir hasta que el sistema acertara | Ser leído mientras habla | Producto |
| Desbloquear experiencias nuevas | Pedirle a un experto que traduzca | Preguntar directo, en su idioma | Producto |
| Aprendizaje de datos masivos | Leer un análisis | El mismo análisis, más fino | Margen |
| Automatización de workflows | Esperar a que alguien ejecutara | Esperar bastante menos | Margen |
| Generación de contenido | Pedir un texto y esperar | Pedirlo y recibirlo ya | Margen |
| Predicción y forecasting | Leer el pronóstico de un analista | Leer uno mejor, del mismo tipo | Margen |
Las cuatro de abajo son enormes comercialmente y ninguna cambia lo que la persona puede hacer. Las tres de arriba merecen prosa.
¿Por qué la personalización a escala pasa la vara?
El libro usa Pinterest: cada persona ve un tablero distinto, que se corre solo cuando su gusto se corre. La versión vieja era partir la base en cinco segmentos y mandar cinco mails. Cambió el costo marginal de la versión número un millón.
Nosotros lo vimos del lado menos fotogénico. Una empresa de logística llegó con una pregunta de una línea —“¿esto se puede automatizar?”— y el diagnóstico devolvió 14 formatos de factura y 3 idiomas en la misma bandeja. La receta conocida es una plantilla por formato y un backlog eterno.
Nunca escribimos esa plantilla.
Lynceo, nuestro producto de extracción documental, entiende la semántica de la factura sin plantillas. Cada proveedor quedó como un segmento de uno y sumar el formato quince dejó de costar una tarea. El equipo de contabilidad pasó de procesar facturas a supervisar excepciones: cambió la descripción del puesto. El caso completo está acá.
¿Por qué casi nadie construye adaptación en tiempo real?
Es el que más me interesa y el único de los tres sin caso propio nuestro. Lo digo de entrada porque es la parte honesta del artículo.
Los ejemplos son asistentes de voz que bajan la complejidad cuando detectan que el usuario se perdió, y plataformas educativas que mueven la dificultad en mitad de la lección. La palabra que hace todo el trabajo es “detectan”. Un sistema no puede adaptarse a una comprensión que nadie instrumentó, y casi nadie la instrumenta.
Casi todo lo que se vende como “adaptativo” es memoria de conversación.
Lo más cerca que llegamos es un sistema que frena y repregunta cuando su confianza baja de cierto umbral; esa decisión la tomamos con el cliente en la semana 2 y costó latencia. Igual no cuenta: se adapta a su propia incertidumbre, y la del usuario sigue sin medirse.
¿Qué quiere decir “desbloquear una experiencia nueva”?
Es el más difícil de fingir. El ejemplo obvio es Cursor: conversás con el editor y el código aparece mientras hablás. “Discutir el código con alguien que lo puede escribir” no era una categoría de herramienta que existiera.
El nuestro es Text-to-SQL: una base de 80+ tablas con nombres heredados que no le dicen nada a nadie fuera del equipo de datos, y cada pregunta del negocio esperando entre 2 días y 2 semanas.
No se volvió más rápido preguntar: cambió quién puede preguntar.
El trabajo largo fue traducir el schema a lenguaje de negocio y escribir el validador que revisa la query antes de ejecutarla. Acá está cómo lo construimos.
¿Cómo se usa esta vara con un cliente?
Cuando alguien llega con una idea, la pregunta va antes de la arquitectura y del presupuesto: si esto sale perfecto, ¿el usuario va a poder hacer algo que hoy no puede, o lo mismo con menos gente, menos tiempo y menos plata?
Las dos son buenas y definen proyectos distintos. Uno se defiende con un número contra el costo actual; el otro arranca lento, y el retorno aparece cuando la gente descubre qué preguntar.
Venderle el segundo a alguien que creyó comprar el primero es la forma más común de que un proyecto impecable se dé por fracasado.
Preguntas que nos hacen
¿Esto no es una taxonomía más?
Es una taxonomía, y valen por lo que te dejan descartar. Ésta nos ordenó por qué dos proyectos con presupuesto parecido necesitaban métricas de éxito distintas, algo que antes discutíamos a intuición. Si una clasificación no cambia lo que hacés el lunes, tirala.
¿No es cómodo que justo los tres que ustedes hacen sean los que valen?
Es una objeción legítima. También vendemos los cuatro de la columna del margen: buena parte del caso de logística es automatización de un proceso documental. La vara no decide qué vendemos, decide qué prometemos y con qué se mide el éxito.
Si estás evaluando una idea de IA y no sabés en cuál de las dos columnas cae, hablemos.