La mayoría de las prácticas de descubrimiento aún no han desarrollado el juicio.
Puedes medir lo que sucede después del lanzamiento. La mayoría de las prácticas de descubrimiento de productos nunca se verifican y no tienen un marco para verificar si el razonamiento humano que las produjo fue sólido.
La inteligencia artificial está acortando la distancia entre la idea y la entrega a un ritmo sin precedentes. Para muchos fabricantes, esta compresión evita por completo el descubrimiento deliberado. Los prototipos representan el encuadre del problema y la rápida publicación de una recopilación de evidencia alternativa. Cuando se produce un descubrimiento en dicha compresión, la intención suele ser producir resultados verificados para proporcionar la entrega.
Ese es el juego corto. Si se hace bien, puede reducir el riesgo de errores de compilación. La inteligencia artificial la hace significativamente más eficiente: la síntesis que antes tomaba días ahora toma minutos, y el reconocimiento de patrones de docenas de conversaciones con clientes es casi instantáneo.
Pero los juegos cortos son limitados. La calidad del razonamiento en esos momentos críticos (cómo se formula la pregunta, qué hipótesis se prueban, la importancia práctica de la evidencia, si continuar o detenerse) no mejora simplemente porque el trabajo se ejecute de manera más eficiente.
El juego a largo plazo plantea una pregunta diferente: ¿cómo mejora con el tiempo la calidad del juicio en estos momentos? ¿Cómo pueden los creadores mejorar el descubrimiento en sí, en lugar de simplemente ejecutarlo más rápido? Esto requiere un marco diferente.
Descubra lo que introduce el Marco de Juicio
La mayoría de las prácticas de descubrimiento se ven como un conjunto de actividades: cosas que ejecutar, entradas que recopilar, salidas que producir, hipótesis que probar. Descubra el marco de juicio, en Anatomía del juicio de descubrimiento de productos (Robins, 2025), lo redefinen como algo más: prácticas en capas basadas en humanos, procesos estructurados, una capa de juicio en todo momento y una capa opcional de socios de IA para acelerar la ejecución sin tocar el juicio.
La capa que convencionalmente no tiene nombre es la capa de juicio. Pasa por 19 momentos específicos en un proceso estructurado donde la calidad del razonamiento determina más directamente el resultado: definir un problema, priorizar oportunidades, interpretar evidencia, decidir si continuar, girar o detenerse. Estos no son pasos del proceso. Son momentos de razonamiento humano. Cada ronda de descubrimiento pasa por ellos. La mayoría de los fabricantes hacen juicios en estos momentos sin darse cuenta, lo que significa que no tienen forma de comprobarlo, de notar cuándo está débil y de mejorar deliberadamente su mecánica.
La capa de juicio permanece sin censura no porque el creador sea descuidado, sino porque las prácticas tradicionales de descubrimiento no tienen un marco. Este es un nivel que la inteligencia artificial no puede alcanzar. La inteligencia artificial es cada vez más fluida en su síntesis, generación y predicción, pero no puede responder a la pregunta de si el juicio detrás de las decisiones se está utilizando adecuadamente. Este problema es definitivamente un problema humano. Sólo puede desarrollarse mediante la práctica deliberada y la reflexión crítica, no mediante más rondas de trabajo.
doble ciclo
existir Enseña a las personas inteligentes cómo aprender (Argyris, 1991), Chris Argyris describe las diferencias entre el aprendizaje de bucle simple y de bucle doble. El aprendizaje de bucle único resuelve problemas con patrones de comportamiento existentes. El aprendizaje de doble bucle cuestiona si estos modelos siguen siendo apropiados. existir Revitalizando el aprendizaje de doble circuito (Westover, 2025), se identifica con precisión la paradoja que crea dificultades en la práctica: cuanto mejor dominan los profesionales determinadas formas de trabajar, más se resisten a comprobar si esas formas todavía les sirven.
Esta paradoja es especialmente evidente en el descubrimiento de productos. Los creadores publican algo, observan lo que sucede y ajustan sus próximas decisiones en consecuencia. El aprendizaje de bucle único salva esta aparente brecha. Necesario. funciona. No mejora el razonamiento que produjo estas decisiones.
El aprendizaje de bucle doble plantea preguntas que el aprendizaje de bucle único no puede plantear. no solo ¿Esto funciona? pero ¿Por qué definimos el problema de esta manera? no solo ¿Qué hizo el cliente? pero ¿En qué nos equivocamos al predecir lo que harían? no solo ¿Qué vamos a construir a continuación? pero ¿Qué revela la brecha entre nuestras predicciones y resultados sobre la forma en que razonamos?
Estas preguntas son incómodas. Requieren que los creadores examinen sus ideas y no sólo su producción. En un entorno donde la inteligencia artificial se está acelerando, la tentación de saltearlas es mayor que nunca. Cuando la inteligencia artificial puede sintetizar con fluidez, la falta de práctica reflexiva es invisible. Todo parece un progreso.
El doble bucle requiere la incorporación de dos hábitos disciplinarios a la forma en que funciona el proceso de descubrimiento estructurado, no además de él, sino practicados dentro de él.
El primero es documentar el razonamiento detrás de las decisiones importantes: no sólo lo que se decidió, sino también la evidencia considerada, los supuestos propuestos, las alternativas rechazadas y el nivel de confianza que se tenía en ese momento. Sin esta disciplina, la memoria reconstruye decisiones pasadas para adaptarlas a los resultados. Terminas mirando una historia en lugar del razonamiento original.
La segunda es una reflexión predeterminada después de conocer los resultados: no una revisión de lo entregado, sino un examen del razonamiento del fabricante sobre cómo se hizo. En lugar de “¿Qué salió bien?” pero: ¿Qué predijimos? ¿Dónde nos equivocamos? ¿Qué revela esta brecha sobre nuestra forma de pensar? Al realizar conscientemente este examen después de tomar decisiones y resultados importantes, el razonamiento registrado puede convertirse en un mejor juicio.
Sin estos dos hábitos, la experiencia se acumula. El juicio no. Con su ayuda, la experiencia se transforma en juicio y se agrava en rondas de descubrimiento.
En una asociación entre la IA y los humanos, la toma de decisiones eficaz depende de una combinación de las capacidades predictivas de la IA y el juicio humano. La IA maneja lo que podría suceder y los humanos deciden qué hacer. Este tipo de capacidad de toma de decisiones es exactamente lo que ha desarrollado el doble circuito. Ambos hábitos son Establecer un sistema para mejorar el descubrimiento y el juicio. (Robins, 2025) para fabricantes que estén dispuestos a incorporar esto a su práctica.
La IA acelera el juego corto. Pero los humanos son los impulsores de este largo juego.
La inteligencia artificial acelera de manera fluida la capa de ejecución de la asociación, sintetizando, generando y produciendo resultados más rápido de lo que cualquier fabricante puede igualar manualmente. Lo que no puede hacer es desarrollar el juicio que le aportan sus compañeros humanos. Este juicio sólo puede fortalecerse mediante una práctica reflexiva y probada.
existir Conviértete en un diseñador nativo de inteligencia artificial (Lin, 2026), Lin Sen observó que la mayor parte de lo que aportan los practicantes experimentados es la comprensión tácita acumulada a lo largo de años de práctica, que es su mapa de conocimiento personal único. existir El estado de la experiencia del usuario en 2025 (Teixeira & Braga, 2025), Teixeira y Braga documentaron los resultados directamente: el progreso operativo se aceleró, pero los resultados no mantuvieron el ritmo. La acumulación no probada produce experiencia. Sólo la reflexión puede transformarlo en juicio.
Los creadores que combinan juicios en rondas de descubrimiento están construyendo algo que la inteligencia artificial no puede replicar: no un proceso, no una metodología, sino un sentido verdaderamente agudo de lo que vale la pena construir y por qué. Esta perspicacia se muestra en las preguntas que hacen antes, en las suposiciones que hacen antes de comprometerse y en la toma de decisiones que son más difíciles pero mejores una vez tomadas. No es visible en ninguna ronda. Esto es visible en ellos. Ésta es la contribución humana a la asociación.
Preguntas que vale la pena hacer
Después de tu último lanzamiento importante, ¿comprobaste no sólo lo que pasó, sino también si tu razonamiento era sólido? ¿Alguien ha documentado esta inspección de forma que pueda servir como referencia para la próxima ronda de hallazgos?
Si no, has hecho el trabajo de descubrimiento, pero el razonamiento detrás de ello no ha sido examinado. Las habilidades de juicio no están desarrolladas. Este largo juego no ha terminado.
Este cambio no requiere abandonar el juego corto. Requiere agregar capas de juicio debajo: giros examinados, razonamiento documentado, reflexión reflexiva que traduzca la experiencia en juicio.
Esto es lo que transforma el descubrimiento de una etapa o ciclo continuo de operaciones en una verdadera capacidad. En un entorno acelerado por la IA, esta es una ventaja que crece a través del uso en lugar de la renovación, porque reside en el razonamiento del creador más que en las capacidades de la herramienta.
Gale Robins es el fundador de Unvera y autor de “Product Discovery Judgment Framework: Building Discovery Capabilities in the AI Era”. Ella ayuda a los fabricantes de software a desarrollar el criterio de descubrimiento: la capacidad de decidir qué vale la pena construir cuando la inteligencia artificial hace que su construcción sea más rápida y barata. Visite unvera.ai para obtener más información.
referirse a
Argyris, C. (mayo de 1991). Enseñe a las personas inteligentes cómo aprender. Revisión de negocios de Harvard. https://hbr.org/1991/05/teaching-smart-people-how-to-learn
Lin, S. (2026, 19 de abril). Conviértete en un diseñador nativo de inteligencia artificial. Colectivo de experiencia de usuario. https://uxdesign.cc/becoming-an-ai-native-designer-828365b71109
Robbins, G. (5 de diciembre de 2025). La anatomía del juicio de descubrimiento de productos. Colectivo de experiencia de usuario. https://uxdesign.cc/the-anatomy-of-product-discovery-judgment
Robbins, G. (2025, 10 de diciembre). Establecer sistemas para mejorar el descubrimiento y el juicio. Colectivo de experiencia de usuario. https://uxdesign.cc/building-systems-that-strengthen-product-discovery-judgment
Teixeira, F. y Braga, C. (2025). El estado de UX en 2025. Colectivo UX. https://trends.uxdesign.cc
Westover, JH (3 de junio de 2025). Revitalizando el aprendizaje de doble circuito: desde los fundamentos conceptuales hasta la transformación organizacional. Revisión del laboratorio de capital humano. https://www.innovative humancapital.com/article/revitalizing-double-loop-learning-from-conceptual-foundations-to-organizational-transformation
El descubrimiento es una capacidad, no una etapa Publicado originalmente en colectivo de experiencia de usuario En Medium, la gente continúa la conversación destacando y respondiendo a esta historia.
