El descubrimiento es obra de la retroalimentación de la inteligencia artificial.
La productividad es el límite inferior del valor de la inteligencia artificial, no el límite superior. Un nuevo estudio de McKinsey aborda la existencia real de retornos duraderos y lo que eso significa para los equipos que deciden qué construir.
Para finales de 2025, casi nueve de cada 10 organizaciones encuestadas por McKinsey El estado de la inteligencia artificial en 2025: agencia, innovación y transformación Según se informa, la inteligencia artificial se utiliza en al menos una función empresarial. El noventa y cuatro por ciento de los encuestados dijeron que aún no han visto un valor significativo en estas inversiones.
Esta brecha está en “¿Dónde creará valor la inteligencia artificial y dónde no?” Número de abril de 2026 McKinsey trimestralno es un problema de adopción. Ésta es una cuestión de encuadre. La mayoría de las empresas utilizan la inteligencia artificial para completar el trabajo existente más rápido, pero los retornos duraderos requieren un tipo de trabajo completamente diferente.
Un equipo al que entrevisté recientemente utilizó inteligencia artificial para comprimir su ciclo de descubrimiento de seis semanas a diez días. Están orgullosos y el rendimiento es real. Cuando les pregunté qué les había enseñado su trabajo que aún no creen, la respuesta fue: no mucho. Mismo problema, más rápido. Misma respuesta, más rápido.
El problema se vuelve cada vez menor entre los equipos y fundadores con los que trabajo. De “¿Qué vale la pena construir?” a “¿Cómo podemos probar esto más rápido?” De “¿Es ésta la pregunta correcta?” a “¿Podemos sintetizar estas entrevistas de manera más efectiva?”
Joe Smiley describe la misma dinámica en su artículo de UX Collective, Las tendencias de diseño de experiencias más populares de 2026. Inteligencia artificial, escribe, “Acortar el tiempo entre ideas y artefactos parece un progreso. Pero cuando todo se puede generar instantáneamente, los equipos se saltan partes fundamentales del proceso de diseño: marco, investigación y exploración”.
Las cuestiones estratégicas que alguna vez estuvieron en la vanguardia del descubrimiento han pasado silenciosamente a un segundo plano. A veces simplemente no hay ningún lugar adonde ir.
reflejo de productividad
McKinsey cree que las ganancias de productividad son principalmente defensivas. La competencia los devorará. Es el cliente, no la empresa, quien obtiene la mayor parte del excedente.
La productividad restablece el piso, no el techo, del desempeño industrial. Es real y hay mucho en juego. Esto significa que si su estrategia de IA se limita a la productividad, estará corriendo demasiado rápido en la cinta en la que corren todos los demás.
Patrones familiares, ampliados
Los lectores pueden reconocer la alegoría detrás de esto. Ajay Agrawal, Joshua Gans y Avi Goldfarb en Poder y predicción. Cité la misma parábola en un artículo anterior de UX Collective, A medida que el software de IA se vuelve más fácil de construir, la toma de decisiones se vuelve más difícil.
Cuando se instaló por primera vez la electricidad en las fábricas, la productividad cambió poco. El fabricante sustituyó la máquina de vapor por un motor eléctrico y mantuvo la disposición del husillo. Más tarde, cuando hicieron posible la fábrica en torno a la electricidad, la rediseñaron y lograron un gran avance. La tecnología es sólo una parte de la respuesta.
McKinsey amplía esta parábola a un modelo de tres oleadas superpuestas de valor de la IA. El primero es la productividad, donde la inteligencia artificial acelera los empleos existentes. El segundo es la diferenciación, donde la inteligencia artificial respalda nuevos productos, modelos de negocio y experiencia del cliente. El tercero es reducir los costos de transacción, y la inteligencia artificial está remodelando la propia estructura del mercado: cómo los clientes encuentran proveedores, cómo los intermediarios obtienen ganancias y cómo encajan las cadenas de valor.
Las olas se superponen con dificultad. La productividad es más fácil porque no tienes que tomar ninguna decisión nueva. La diferenciación requiere decidir qué vale la pena ofrecer. Reducir los costos de transacción requiere apostar sobre cómo cambiarán las industrias.
Cuanto más se avanza, más se desplaza la pregunta de cómo hacer el trabajo más rápido a cuál debería ser el trabajo.
Donde falla el pensamiento de productividad en equipo
Los equipos y los fundadores suelen caer en esta trampa porque el descubrimiento parece beneficiarse de una mayor productividad.
Las entrevistas se pueden transcribir y agrupar automáticamente. Los supuestos se pueden mapear a partir de anotaciones. Los árboles de oportunidades se pueden redactar según las indicaciones. Todos estos son realmente útiles.
Pero hay una diferencia entre hacer descubrimientos más rápido y hacerlos de manera diferente. La segunda es una pregunta más difícil.
José Torre escribió sobre la misma dinámica en un artículo de UX Collective, Las herramientas afiladas aún pueden dañar el corte.en el contexto del diseño artesanal. Inteligencia artificial, escribe, “Hacer que te muevas tan rápido que te saltes los momentos en los que la atención y el juicio son más importantes”.
Este principio se extiende. No cambiar la velocidad de la pregunta no producirá una respuesta modificada.
Comprimir un ciclo de seis semanas en diez solo tiene sentido si el equipo hace preguntas diferentes, considera oportunidades diferentes o prueba hipótesis diferentes que antes.
Este es un tipo diferente de problema de descubrimiento. No se resuelve con una síntesis más rápida. Resuelve este problema cambiando primero lo que estás buscando.
Primero, la cuestión del marco.
La mayoría de los equipos y fundadores hacen alguna versión de esta pregunta: “¿Cómo podemos utilizar la inteligencia artificial para hacer que nuestro proceso de descubrimiento sea más eficiente?” Ésta es una pregunta natural. También podría ser la forma incorrecta de arrancar.
Un punto de partida más útil: “¿Qué descubriríamos si la inteligencia artificial cambiara lo que vale la pena construir?”
Se trata de una cuestión de marco, no de proceso. Se supone que los productos que vale la pena probar, los clientes que vale la pena atender y los modelos de negocio que vale la pena seguir pueden ser diferentes a los de hace tres años. Ve la inteligencia artificial como una fuerza que remodela el espacio de respuestas, no sólo la velocidad de búsqueda.
Ésta es la diferencia entre usar la IA para encontrar mejores respuestas a preguntas existentes y usar la IA para hacer mejores preguntas en primer lugar. El primero son las prácticas de productividad. El segundo es estratégico. Generan retornos a largo plazo muy diferentes.
¿Adónde va realmente la mejora de la productividad?
El mismo patrón surge en la investigación sobre el lugar de trabajo. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron a más de 5000 agentes de atención al cliente que utilizaban asistentes conversacionales de IA para su trabajo. IA generativa en acción.
La cifra más importante es que la productividad aumentó un 14% en promedio. Pero el promedio enmascara hallazgos más interesantes. Los trabajadores novatos y poco cualificados aumentaron un 34%. Los trabajadores experimentados apenas se mueven.
En este caso, la IA no eleva el límite para los trabajadores que ya son buenos en su trabajo. Da voz a quienes no están involucrados. En una escala más pequeña, esto respalda el argumento de McKinsey de que las ganancias de productividad tienden a ir a quienes están más cerca de la base y no a quienes están más cerca de la cima.
Las recompensas duraderas provienen de diferentes tipos de trabajo. En mi artículo anterior de UX Collective, Anatomía del juicio de descubrimiento de productosLo describo como un juicio marco: preguntar qué problemas vale la pena resolver, qué clientes vale la pena atender y qué suposiciones deben probarse primero antes de crear cualquier artefacto.
Estas decisiones son previas a cada artefacto producido por el equipo. También es allí donde las ganancias de productividad de la inteligencia artificial son menos útiles y donde el juicio humano es más complejo.
reinicio competitivo
Vale la pena escuchar las últimas palabras de McKinsey. “La inteligencia artificial no es una revolución de la productividad. Es un reinicio competitivo”. Las empresas líderes no serán las que más rápidamente lo adopten, sino las que piensen más claramente hacia dónde se dirige el valor.
Para el equipo y los fundadores, es una cuestión de descubrimiento y luego de entrega. Los equipos que más importarán dentro de tres años serán aquellos que analicen sus productos, modelos de negocio y relaciones con los clientes antes que sus competidores y hagan las preguntas más difíciles.
Descubra enfocándose siempre en contenido que valga la pena crear. La inteligencia artificial aumenta el riesgo al reducir el costo de cometer errores.
Por qué esto importa ahora
El impulso a la productividad no es descabellado. Es la ganancia más fácil de medir, la más fácil de celebrar y la más fácil de comenzar.
Pero el trabajo de crear una ventaja sostenible es el más difícil de iniciar. Pregunte si el producto sigue siendo el producto correcto. ¿La pregunta sigue siendo la correcta? Si el cliente sigue siendo el cliente correcto. La inteligencia artificial no responderá a estas preguntas. Esto sólo los hace más urgentes.
Es poco probable que los equipos y fundadores que recuerdan este período y piensan que aprovecharon bien la IA sean los que logren el progreso más rápido en sus esfuerzos existentes. Serán ellos quienes disminuyan el ritmo y tomen las decisiones correctas.
Siempre ha sido una cuestión de descubrimiento. La ventana para hacer esta pregunta se ha reducido.
por donde empezar
Si está pensando en recibir un diagnóstico esta semana, enumere tres decisiones importantes que haya tomado recientemente. Para cada pregunta, pregunte si el papel de la inteligencia artificial era el mismo hace cinco años. Si la respuesta es mayoritariamente Síestás utilizando inteligencia artificial para completar trabajos antiguos más rápido. La mayoría de los equipos se reúnen en Mayormente si El fin. Ésta es la brecha.
Dos preguntas más antes de su próximo ciclo de descubrimiento. ¿Sobre el problema de quién queremos aprender más? Si nuestro producto actual es incorrecto, ¿qué condiciones se deben cumplir? Primero afile el marco. El segundo crea espacio para respuestas que pueden sorprenderle.
enfocar
• La encuesta sobre el estado de la inteligencia artificial de 2025 de McKinsey encontró que nueve de cada 10 organizaciones utilizan IA, pero el 94% aún no ve un valor significativo, lo que sugiere que la mayoría de las organizaciones están atrapadas en una ola de productividad.
• McKinsey identifica tres olas de valor de la IA: productividad, diferenciación y reducción de costos de transacción. Los retornos duraderos llegan en oleadas dos y tres.
• Una investigación de la Universidad de Stanford revela que las ganancias en productividad de la IA están distribuidas de manera desigual. Los trabajadores novatos aumentaron un 34%; Los trabajadores experimentados apenas se movían. La inteligencia artificial eleva el suelo, no el techo.
• Los ciclos de descubrimiento más rápidos sólo tienen sentido si el problema subyacente cambia. El trabajo de construir una ventaja sostenible es la fase marco del descubrimiento.
• La pregunta de descubrimiento correcta no es cómo usar la IA para encontrar mejores respuestas, sino cómo usarla para hacer preguntas más difíciles sobre qué problemas, clientes y productos siguen siendo correctos.
referirse a
Agrawal, A., Gans, J. y Goldfarb, A. (2022). Poder y predicción: la economía disruptiva de la inteligencia artificial. Prensa de Harvard Business Review.
Brynjolfsson, E., Li, D. y Raymond, LR (2025). Inteligencia artificial generativa en funcionamiento. revista trimestral de economía140(2), 889–942. https://doi.org/10.1093/qje/qjae044
Montard, A., Diedrich, D. y Catlin, T. (abril de 2026). ¿En qué áreas la inteligencia artificial creará valor y en qué áreas no creará valor? McKinsey trimestral. McKinsey y compañía.
Robbins, G. (noviembre de 2025). A medida que resulta más fácil crear software para inteligencia artificial, tomar decisiones se vuelve más difícil. colectivo de experiencia de usuario. https://medium.com/user-experience-design-1/it-seems-anyone-can-build-software-now-how-do-you-build-the-right-software-182057dfa122
Robbins, G. (diciembre de 2025). La anatomía del juicio de descubrimiento de productos. colectivo de experiencia de usuario. https://medium.com/user-experience-design-1/the-anatomy-of-product-discovery-judgment-0cb28b28cc7c
Singla, A., Sukharevsky, A., Yee, L., Chui, M., Hall, B. y Balakrishnan, T. (noviembre de 2025). El estado de la inteligencia artificial en 2025: agencia, innovación y transformación. QuantumBlack, la inteligencia artificial de McKinsey. https://www.mckinsey.com/capability/quantumblack/our-insights/the-state-of-ai
Smiley, J. (enero de 2026). Las últimas tendencias en diseño de experiencias de 2026. colectivo de experiencia de usuario. https://uxdesign.cc/la-experiencia-más-popular-tendencias-de-diseño-de-2026-3ca85c8a3e3d
Torre, J. (2026, marzo). Las herramientas afiladas aún pueden dañar el corte. colectivo de experiencia de usuario. https://uxdesign.cc/a-sharp-tool-can-still-ruin-the-cut-b1014292335d
El descubrimiento es obra de la retroalimentación de la inteligencia artificial. Publicado originalmente en colectivo de experiencia de usuario En Medium, la gente continúa la conversación destacando y respondiendo a esta historia.
