Por qué la planificación sigue siendo importante en la era de la programación con IA: una intención verificable frente a una velocidad aparente =============================================================================================================================================== Las herramientas de programación basadas en IA han reducido considerablemente el coste y el tiempo necesarios para plasmar las ideas en una pantalla funcional; sin embargo, la rapidez sin una hipótesis clara ni una verificación adecuada solo sirve para multiplicar rápidamente los resultados inútiles. La planificación en la era de la IA no consiste en completar primero un documento extenso, sino en definir pequeños problemas, aprender rápidamente a través de prototipos y mantener el rumbo de la intención. - La programación con IA ha reducido los costes de creación de un MVP, lo que ha convertido la experimentación y la obtención de comentarios, más rápidas que las reuniones previas, en una opción más razonable. - Un prototipo funcional puede ser una herramienta de planificación que permita al equipo llegar rápidamente a un consenso y reducir los errores de comunicación, mucho más que una larga presentación en PowerPoint. - El uso de la IA que se centra únicamente en la velocidad puede parecer convincente cuanto más difusa sea la definición del problema, pero conlleva un gran riesgo de generar en masa funciones y pantallas que, aunque parezcan útiles, en realidad no lo son. - La competencia clave en materia de planificación en la era de la IA no es la capacidad de presentar un producto final de una sola vez, sino la capacidad de formular pequeñas hipótesis, verificar los resultados y ajustar el rumbo. - Un buen proceso de creación de prototipos de IA agrupa en un único ciclo corto la definición del problema, el alcance mínimo de funcionalidades, los indicadores de validación, los comentarios de los usuarios y la decisión de descartar o mejorar el proyecto. Conclusión en una línea Aunque estemos en una era en la que la IA escribe código y crea interfaces, la planificación no va a desaparecer. Más bien al contrario, su papel se ha definido con mayor claridad. Si antes la planificación se reducía a «prever todo lo posible antes de crear», en la era de la programación con IA consiste en «determinar qué se va a validar, crear en pequeño, aprender rápidamente y controlar la dirección de la intención hasta el final». La IA reduce los costes de producción. Sin embargo, no asume la responsabilidad de los problemas de los usuarios, las hipótesis de negocio, las prioridades, los criterios de calidad ni los juicios éticos. Por eso, más importante que la capacidad de crear rápidamente es la capacidad de mantener firme hasta el final el «qué y por qué» se va a crear. ¿Por qué hay que volver a hablar de la planificación? La IA generativa y las herramientas de programación con IA han reducido considerablemente las barreras iniciales en la creación de servicios. Antes, para ver una idea plasmada en una pantalla real, se necesitaban documentos de planificación, bocetos de diseño, sprints de desarrollo, control de calidad y preparación para el lanzamiento. Ahora es mucho más fácil crear una sencilla aplicación web, una herramienta interna, una página de demostración o un prototipo funcional en cuestión de horas o días. Este cambio no supone una mera mejora de la productividad. Transforma el propio proceso de toma de decisiones. Antes había que convencer a los demás, mediante documentos y reuniones, de que «esta idea tiene muchas posibilidades de triunfar». Ahora, en muchos casos, la opción más razonable es «creemos algo a pequeña escala y comprobémoslo en la práctica». Al haber bajado los costes de creación, se ha creado un umbral en el que experimentar resulta más barato que hacer predicciones. Sin embargo, hay una trampa. Que sea más fácil crear algo no significa que sea más fácil crear un buen producto. La IA aporta velocidad, pero no garantiza la dirección. La velocidad sin dirección no es aprendizaje, sino simplemente un aumento de la producción. El cambio fundamental que ha supuesto la programación con IA: la reducción del coste de desarrollo Las herramientas de programación con IA no solo han cambiado «quién escribe el código». El cambio más importante es que se han reducido los costes de los intentos, de la comunicación y de los fracasos. La tendencia del pasado y la tendencia actual Categoría Tendencia habitual en el pasado Tendencia en la era de la programación con IA Forma de expresar las ideas Documentos de planificación, wireframes, presentaciones en PowerPoint Requisitos interactivos, pantallas generadas al instante, demostraciones funcionales Unidad de validación inicial Proyectos de varias semanas Experimentos de unas horas o unos días Eje central de las reuniones Interpretación de documentos y coordinación de opiniones Manipulación de pantallas reales y retroalimentación Coste del fracaso Tiempo y recursos de desarrollo de varios departamentos Coste de tiempo de pequeños experimentos Función clave del planificador Previsión previa y obtención de autorizaciones Definición de problemas, diseño de hipótesis y gestión de criterios de validación La razón por la que este cambio es importante es sencilla. Los prototipos dan lugar a menos malentendidos que las explicaciones. Si el debate se limita a documentos, cada uno imagina pantallas y flujos de uso diferentes, pero ante una maqueta en la que se puede hacer clic o un MVP, el debate se concreta. Por qué una maqueta es más eficaz que cien diapositivas de PowerPoint Un prototipo funcional se convierte en una potente herramienta de planificación por tres razones. 1. Alinea las ideas en torno a una misma pantalla Las diapositivas de PowerPoint y los documentos son abstractos. Expresiones como «pantalla de entrada sencilla», «resultados de análisis intuitivos» o «incorporación rápida» se interpretan de forma diferente según cada persona. Por el contrario, un prototipo en el que se puede hacer clic hace que los miembros del equipo vean y hablen del mismo objeto. En ese momento, las preguntas de la reunión también cambian. Se pasa de «¿Es necesaria esta función?» a «¿Entenderá el usuario este botón?». Se pasa de «Tiene buena pinta» a «Parece que abandonarán en el segundo paso». Se pasa de «Podremos crearlo en algún momento» a «Podemos probar esta hipótesis hoy mismo». 2. Concretar rápidamente los comentarios Contar con un prototipo reduce las discusiones abstractas sobre gustos. Los miembros del equipo, los clientes y las partes interesadas pueden expresarse de forma concreta tras experimentar el flujo real. Por ejemplo, la frase «Se necesita una función de entrada de voz» por sí sola no es suficiente. Sin embargo, si se muestra directamente el flujo en el que se pulsa el botón del micrófono, la voz se convierte en texto, el usuario lo corrige y se guarda, surgen inmediatamente las siguientes preguntas: ¿Entiende el usuario de forma natural la solicitud de permiso para el micrófono? ¿Es fácil realizar correcciones cuando se produce un error de reconocimiento? ¿Puede el usuario revisar el texto antes de guardarlo? ¿Es esta función realmente más rápida que los métodos de entrada existentes? 3. Convertir el fracaso en aprendizaje Es posible que un prototipo creado por IA sea rechazado en tan solo un día. Pero esto no es un mal resultado. Más bien, supone confirmar, con un coste reducido, que «esta no es la dirección correcta». Una buena organización de planificación no es aquella que evita el fracaso, sino aquella que genera muchos fracasos baratos y reduce los fracasos caros. La programación con IA hace posible esta estructura. Pero la velocidad por sí sola no basta para crear un producto El mayor riesgo de la programación con IA es la «apariencia de verosimilitud». La IA generativa rellena los huecos y crea un resultado incluso cuando las instrucciones del usuario son ambiguas. Como resultado, la interfaz puede parecer convincente, pero a veces no resuelve el problema real. Señales típicas de una velocidad engañosa Señal Descripción ¿Por qué es peligroso? Las funciones aumentan rápidamente Se siguen añadiendo pantallas y menús sin verificar el problema fundamental Solo aumenta la complejidad y disminuye el aprendizaje La demo es impresionante, pero no hay usuarios Parece buena en las reuniones internas, pero no se realizan pruebas con usuarios reales No se lleva a cabo una validación de mercado, sino que todo queda en la satisfacción interna Las instrucciones son ambiguas El objetivo y las restricciones no están claros, como en el caso de «Crea una aplicación genial» La IA determina la dirección del producto de forma arbitraria No hay indicadores de validación No hay criterios para juzgar el éxito o el fracaso Aunque se cree, no se aprende de ello No se comprueba la calidad del código No se tiene en cuenta la seguridad, el tratamiento de excepciones ni la estructura de mantenimiento El prototipo se convierte directamente en deuda técnica La «velocidad falsa» da la impresión de que se avanza rápidamente, pero en realidad consiste en acumular más resultados en la dirección equivocada. En la era de la IA, lo más peligroso no es la lentitud en la ejecución, sino la falsa sensación de rapidez. Definición de planificación en la era de la IA La planificación en la era de la IA no puede reducirse a «la redacción de documentos para entregar a los desarrolladores». Más concretamente, consiste en gestionar los cuatro aspectos siguientes: Definición del problema: ¿qué inconveniente de qué usuario se resuelve? Diseño de la hipótesis: ¿qué debe ser cierto para que esta idea tenga sentido? Alcance del experimento: ¿qué es lo más pequeño que se puede crear para verificarlo? Criterios de decisión: ¿qué resultados darían lugar a una mejora, a una suspensión o a un abandono del proyecto? La IA puede ayudar a llevar a cabo algunas de estas tareas. Sin embargo, la elección del problema, la interpretación del significado de la hipótesis, el establecimiento de las prioridades empresariales y la toma de la decisión final siguen siendo responsabilidad del ser humano. Principio práctico n.º 1: No exigir un producto definitivo de una sola vez Si se exige a la IA que cree un producto perfecto desde el principio, es fácil que los resultados sean dispares. Esto es especialmente cierto si aún no se han definido el objetivo del producto, los usuarios, la estructura de datos, el flujo de pantallas, el tratamiento de excepciones y los requisitos de seguridad. Una buena estrategia consiste en dividir un producto grande en pequeñas unidades de validación. Ejemplo de solicitud inadecuada «Crea un SaaS de gestión contable para pymes. Incluye todo: inicio de sesión, panel de control, cálculo de impuestos, informes, pagos y página de administrador». Esta solicitud es demasiado amplia. La IA puede crear muchas funciones, pero no sabe qué problema es el más importante. Ejemplo de una buena solicitud «Crea un prototipo de pantalla única en el que, cuando un usuario autónomo suba una imagen de un recibo, se extraigan la fecha, el importe y el nombre del establecimiento y se muestren en una tabla editable. El objetivo de este experimento es comprobar si el usuario lo percibe como más rápido que la introducción manual de datos». En esta solicitud quedan claros el problema que se quiere validar, el usuario, las funciones clave y el alcance de la pantalla. Principio práctico n.º 2: definir el problema que se va a validar de forma concisa y específica La clave del prototipado con IA no es «hacerlo pequeño», sino «hacer que se pueda aprender a pequeña escala». Por pequeña que sea una función, no tiene sentido si no queda claro qué se pretende aprender con ella. Plantilla para formular hipótesis Si primero redactas la hipótesis siguiendo este formato, te resultará más fácil dar instrucciones a la IA. Usuario objetivo: ¿Quién se enfrenta a este problema? Problema actual: ¿Qué inconvenientes o costes existen en este momento? Funcionalidad propuesta: ¿De qué manera se pretende resolverlo? Cambio esperado: ¿Cómo deberían cambiar el comportamiento o los indicadores del usuario? Método de validación: ¿En qué elementos nos basaremos para determinar si ha sido un éxito o un fracaso? A continuación se muestra un ejemplo. «A los agentes noveles les lleva mucho tiempo resumir a mano el contenido de las llamadas con los clientes. Si, tras la grabación de voz, se resumieran automáticamente los puntos clave y se mostraran en un formato editable, se reduciría el tiempo dedicado a redactar los registros de las consultas. Si, tras realizar una prueba con cinco agentes utilizando muestras reales, el tiempo medio de redacción se reduce en más de un 30 % y los agentes responden que la carga de trabajo de corrección es menor, se pasará a la siguiente fase». Cuando la hipótesis está tan clara como en este ejemplo, también queda claro qué es lo que se le debe pedir a la IA que cree. Principio práctico n.º 3: Verificar y controlar siempre los resultados de la IA Las pantallas y el código generados por la IA son borradores. En particular, para que un prototipo se convierta en un servicio real, es imprescindible revisar los siguientes aspectos. Lista de verificación Aspecto a revisar Pregunta Adecuación al problema ¿Está esta función directamente relacionada con el problema del usuario definido inicialmente? Flujo de uso ¿Puede el usuario comprender de forma natural cuál es el siguiente paso? Tratamiento de datos ¿Se gestionan correctamente los valores de entrada, los errores, los campos vacíos y los datos duplicados? Seguridad y datos personales ¿Se evita el almacenamiento o la exposición innecesarios de información sensible? Accesibilidad ¿Se han tenido en cuenta aspectos básicos de accesibilidad como el manejo del teclado, el contraste y el texto alternativo? Facilidad de mantenimiento ¿Tiene el código del prototipo una estructura que permita ampliarlo al código del producto real? Criterios de toma de decisiones ¿Existen criterios para decidir si continuar o detener este experimento? Es peligroso implementar los resultados generados por la IA sin revisarlos previamente. Especialmente en ámbitos relacionados con la autenticación, los pagos, la sanidad, las finanzas, los datos personales y las decisiones legales, es imprescindible contar con la revisión de expertos y con controles de seguridad. El ciclo de planificación al trabajar con IA En la era de la programación con IA, la planificación se asemeja más a un ciclo iterativo corto que a un procedimiento lineal prolongado. Paso 1: Redactar el problema en una sola frase Se redacta del siguiente modo: «El usuario A no puede hacer D en la situación B debido a C». Ejemplo: «Los nuevos empleados se retrasan al comenzar su trabajo porque no saben dónde encontrar los documentos internos». Paso 2: Definir el flujo de resolución más básico No se crea el sistema completo desde el principio. Se elige solo un flujo de uso. Ejemplo: «Al introducir una pregunta, se muestran tres documentos relevantes y el usuario evalúa si le ha sido de ayuda». Paso 3: Proporcionar a la IA tanto las restricciones como los criterios de éxito Hay que indicar a la IA no solo el objetivo, sino también lo que no debe crear. Ejemplo: «No crees la página de inicio de sesión ni la de administración; implementa únicamente el campo de búsqueda, las fichas de resultados y el botón de comentarios. El objetivo en esta ocasión es comprobar si el usuario puede encontrar el documento que busca en menos de un minuto». Paso 4: Mostrarlo a usuarios reales o a las partes interesadas No basta con una demostración solo para el equipo interno. Si es posible, hay que mostrarlo a usuarios que tengan problemas reales. Hay que observar no solo las opiniones que expresan los usuarios, sino también su comportamiento real. Paso 5: Decidir si se mejora, se pospone o se descarta Tras el experimento, es imprescindible tomar una decisión. Mejorar: la hipótesis principal es correcta, pero la usabilidad o la precisión son insuficientes. Aplazar: hay problemas, pero la prioridad o los recursos no son los adecuados. Descartar: los usuarios no consideran que el problema sea importante o la solución no es la adecuada. Descartar una idea no es un fracaso, sino una decisión que reduce los costes. Estructura de las instrucciones para prototipos de IA La estructura que se muestra a continuación es un formato básico que se puede utilizar para transmitir los requisitos a las herramientas de programación de IA. Papel: Eres un desarrollador front-end y socio de UX encargado de crear el prototipo inicial del producto. Objetivo: [Problema del usuario y hipótesis que se quieren validar] Usuarios objetivo: [Quiénes lo utilizarán] Ámbito de desarrollo: [Una sola pantalla o un solo flujo] Lo que no se desarrollará: [Inicio de sesión, pago, panel de administración, configuración avanzada, etc.; elementos excluidos] Funcionalidades imprescindibles: [3 o menos] Criterios de éxito: [Criterios que se evaluarán tras la prueba] Datos: [Datos de muestra o formato de entrada] Restricciones: [Seguridad, datos personales, accesibilidad, pila tecnológica] Formato de salida: [Código, estructura de archivos, método de ejecución, método de prueba] La clave de esta indicación es especificar «qué no se va a crear». Dado que la IA tiende a rellenar los espacios vacíos, es necesario definir claramente el ámbito de exclusión para que el resultado no sea excesivamente amplio. ¿Se reduce o cambia el papel del planificador? La programación con IA no reduce el papel del planificador, sino que lo reorienta. Aunque la importancia de la elaboración de documentación pueda disminuir, la de la toma de decisiones aumenta. Tareas que se reducen Redacción repetitiva de documentación descriptiva de pantallas Creación de wireframes sencillos Solicitar y esperar el código para las primeras demostraciones Elaboración de material estático para reuniones Tareas que cobran mayor importancia Definir los problemas de los usuarios de forma precisa y concreta Transformarlos en hipótesis experimentables Revisar la calidad y la orientación de los resultados generados por la IA Armonizar las interpretaciones del equipo Distinguir entre productos listos para su lanzamiento y entregables para demostraciones Determinar los aspectos relacionados con la privacidad, la seguridad y el alcance de la responsabilidad En otras palabras, el planificador pasa de ser un «redactor de documentos» a convertirse en un «diseñador de experimentos y gestor de intenciones». Criterios para evaluar un MVP creado por IA Un MVP creado por IA no tiene sentido solo por el hecho de haberse creado rápidamente. Debe evaluarse según los siguientes criterios. Criterios de evaluación Buen MVP Mal MVP Hipótesis Hay una hipótesis central clara Muestra varias funciones, pero no se sabe qué es lo que se está validando Alcance Se implementa solo el flujo mínimo Se intenta que parezca un producto completo desde el principio Comentarios de los usuarios Se observa el comportamiento de los usuarios reales Solo se recogen opiniones internas Resultados del aprendizaje Quedan claras las siguientes decisiones Solo se repite «vamos a crear más» Estado técnico Se distingue entre el alcance de la demostración y el de la comercialización Se pone en servicio el código del prototipo tal cual Un buen MVP puede ser pequeño y modesto. Lo importante no es una demostración espectacular, sino que proporcione el aprendizaje necesario para la toma de decisiones. Principios operativos que puede aplicar la organización Si el prototipado de IA se limita a experimentos improvisados de individuos, los resultados se dispersarán. A nivel organizativo, se necesitan unos principios operativos mínimos. Crear un formulario de registro de experimentos: se deben registrar el problema, la hipótesis, el alcance, los criterios de éxito, la persona responsable y la fecha de finalización. Distinguir entre el código del prototipo y el del producto: el código de la demostración debe poder descartarse rápidamente. Reservar con antelación el tiempo para recabar los comentarios de los usuarios: si se busca a los usuarios después de haber creado el prototipo, la validación se retrasará. Establecer límites de seguridad: por norma general, no se debe incluir información personal real, datos de clientes ni información de pago en los experimentos iniciales. Especificar los criterios de descarte: hay que decidir en qué momento detenerse para que el experimento no se prolongue indefinidamente. Dejar constancia de lo aprendido: si se documenta por qué ha fallado un prototipo, esto se convierte en un recurso para el siguiente experimento. Conclusión: la planificación en la era de la IA no se ralentiza, sino que gana en precisión En una era en la que la IA se encarga de crear muchas cosas, es natural preguntarse: «¿por qué hablar de planificación?». Sin embargo, la respuesta es clara. Cuanto más fácil resulta crear, más importante se vuelve decidir qué se va a crear. La programación con IA no elimina la planificación. Simplemente cambia su enfoque. Pasamos de una planificación basada en largos documentos que requieren aprobación a una en la que se verifican rápidamente pequeñas hipótesis. Pasamos de una planificación que describe productos imaginarios a otra en la que se comprueban las reacciones del equipo y de los usuarios a través de pantallas reales. La velocidad es un arma poderosa. Pero la velocidad sin rumbo es un desperdicio. La clave de la planificación que hay que mantener en la era de la IA es la orientación de la intención. La persona debe decidir hasta el final qué problema resolver, qué verificar y con qué criterios detenerse o seguir adelante. Solo entonces la IA podrá ir más allá de ser una simple herramienta de automatización y convertirse en un compañero que aprende más rápido y crea productos con mayor precisión. FAQ Q. Si la IA se encarga de escribir el código, ¿ya no se necesitarán los planificadores? A. No. Cuanto más ayude la IA a acelerar la creación de código y la diseño de pantallas, más claramente deberá definir el planificador la problemática, el diseño de hipótesis, los criterios de verificación y el establecimiento de prioridades. La IA puede acelerar la ejecución, pero es el ser humano quien debe decidir qué problemas de los usuarios hay que resolver y qué se considera un éxito. Q. ¿En qué se diferencia la planificación en la era de la programación con IA de la planificación tradicional? A. Si bien la planificación tradicional se basaba en predecir al máximo mediante documentos y reuniones antes de la creación, la planificación en la era de la programación con IA se basa más bien en crear prototipos a pequeña escala y aprender rápidamente observando las reacciones reales. La clave no está en completar primero un documento extenso, sino en establecer hipótesis pequeñas que puedan verificarse. Q. ¿Hasta qué punto debe estar terminado un MVP creado con IA? A. Un MVP creado con IA no tiene por qué parecer un producto muy pulido. Basta con que funcione lo suficiente como para poder validar un comportamiento clave del usuario. Lo importante no es el número de funciones, sino poder decidir, tras el experimento, si se mejora, se deja en suspenso o se descarta. Q. ¿Qué es la velocidad falsa? A. La «velocidad falsa» se refiere a una situación en la que, aunque parezca que se avanza rápidamente, en realidad no se verifican los problemas de los usuarios y solo aumentan los resultados. Si se siguen añadiendo funciones mediante IA sin hipótesis claras, sin comentarios de los usuarios y sin criterios de éxito, es fácil caer en la «velocidad falsa». Q. ¿Cómo debo dar instrucciones a la IA para que cree un buen prototipo? A. Es recomendable indicar el público objetivo, el problema que se pretende resolver, el alcance de esta versión, lo que no se va a incluir, las funciones imprescindibles, los criterios de éxito, los datos de muestra y las restricciones. En particular, si se especifica que se excluyen aquellos aspectos que no son necesarios para este experimento —como el inicio de sesión, el pago o las funciones de administración—, se puede evitar que los resultados adquieran una envergadura excesiva. Q. ¿Se puede implementar directamente el prototipo de IA como servicio real? A. Hay que tener cuidado. Dado que los prototipos creados por la IA suelen ser borradores destinados a una validación rápida, es necesario comprobar por separado aspectos como la seguridad, la protección de datos, la gestión de errores, la accesibilidad, el rendimiento y la estructura de mantenimiento. En particular, los servicios relacionados con el sector financiero, sanitario, jurídico, de pagos y de protección de datos requieren una revisión por parte de expertos. Q. ¿Cuáles son los criterios de éxito de un buen experimento de MVP de IA? A. Un buen criterio de éxito debe estar vinculado al comportamiento o a la toma de decisiones de los usuarios. Por ejemplo, se necesitan criterios observables, como si el usuario encuentra la información que busca en un minuto, si se reduce el tiempo de introducción de datos en comparación con el método anterior o si no abandona el proceso en las etapas clave. Q. ¿Qué es lo primero que hay que decidir a la hora de implantar la programación con IA en una organización? A. Lo primero que conviene hacer es definir el formato básico del experimento. Si se registran el problema, la hipótesis, el alcance, los criterios de éxito, los datos que se utilizarán, los datos que no se utilizarán, la fecha de finalización y el procedimiento para la toma de decisiones posterior, el prototipo de IA no se quedará en una simple demostración improvisada, sino que se convertirá en un activo de aprendizaje para la organización. Sources - Los principios del «Lean Startup»: https://theleanstartup.com/principles - Guía sobre las personas y la IA: https://pair.withgoogle.com/guidebook/ - Documentación de GitHub Copilot: https://docs.github.com/en/copilot - Claude Código: Buenas prácticas para la codificación agencial: https://www.anthropic.com/engineering/claude-code-best-practices - Exploración de la IA generativa: https://martinfowler.com/articles/exploring-gen-ai.html Images - Robot de IA creando pantallas en una cinta, con brújula, ruta y marca de verificación: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA1NSwicHVyIjoiYmxvYl9pZCJ9fQ==--b60f6fc0807ab09049a0addbf6a573d28afda6d8/ai-a6cb5742.webp - Persona con brújula y robot de IA entre validación, prototipo y comentarios de usuarios: https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzA2MSwicHVyIjoiYmxvYl9pZCJ9fQ==--a0fa007960eb6f925e2189c8e48a5230bd2a1922/ai-0a5d3d9a.webp --- Category: Cómo hacer Source: https://injoys.com/es/articles/why-planning-matters-in-ai-coding-era License: cc_by Translation-Status: reviewed