Priorización con evidencia, no con la conjetura de la IA
La IA arma la planilla de RICE y calcula el score en segundos, pero también llena alcance e impacto con un número que 'parece razonable' cuando no le das el dato real. La premisa es tuya, y todo número que sostiene la priorización es sospechoso hasta que se audite.
Abres la IA para priorizar el próximo trimestre de roadmap, y en minutos tienes un ranking de RICE listo para la reunión de mañana. Los scores cierran, la planilla es linda, todo parece listo para volverse decisión. El problema aparece cuando miras de cerca: el alcance del cuarenta por ciento de los usuarios que le atribuyó a una feature no vino de tu Amplitude, vino de "parece razonable para ese tipo de feature". La IA arma la planilla entera en un solo pedido; la premisa que sostiene cada número sigue siendo tuya, y es ella la que decide si la reunión parte de un dato real o de una conjetura bien formateada.
Un gerente le pidió a la IA una proyección de flujo de caja para los próximos doce meses, con escenario optimista, base y pesimista. En el escenario pesimista, asumió una morosidad que "parecía razonable", pero la empresa ya tenía el doble de eso en el mes en curso.
Estás decidiendo si entras a un mercado nuevo ahora o esperas dos años, y le pides a la IA tres escenarios de market sizing para el deck del directorio, con una tasa de conversión que "parece razonable" para un mercado genérico cualquiera.
Le pides a la IA que priorice qué campañas relanzar el próximo trimestre en base al ROI esperado, y asume una tasa de conversión de medios pagos que es promedio de mercado, no la de tu embudo real.
Vas a abrir dos vacantes y le pides a la IA que proyecte costo y plazo de contratación, asumiendo en el escenario base una tasa de aceptación de oferta que no coincide con tu historial real de reclutamiento.
Abres la IA para priorizar el próximo trimestre de roadmap, y en minutos tienes un ranking de RICE listo para la reunión de mañana: alcance, impacto, confianza y esfuerzo, calculados y ordenados. El problema aparece cuando miras de cerca: el alcance del cuarenta por ciento de la base que le atribuyó a la feature X no vino de tu Amplitude, vino de "parece razonable para ese tipo de feature en productos parecidos". La confianza del ochenta por ciento que le dio a la feature Y tampoco tiene ningún respaldo, se llenó porque el texto del PRD "sonaba convincente". La planilla entera cierra linda y miente en al menos dos columnas al mismo tiempo.
Estás cerrando el forecast del trimestre y le pides a la IA que proyecte el pipeline, aplicando una tasa de conversión de propuesta a cierre que es promedio de mercado, no la real de tu embudo en el CRM.
Vas a decidir si internalizas un proceso de despacho, y le pides a la IA tres escenarios de costo y SLA, asumiendo una tasa de avería que "parece razonable" para una operación sana, no para la tuya, que anda peor.
Necesitas dimensionar el riesgo de una exposición regulatoria, y la IA asume una probabilidad de sanción moderada para un caso genérico, sin conocer tu historial real con el regulador.
Vas a decidir entre migrar a una infraestructura nueva ahora o dentro de un semestre, y la IA asume una caída de costo que no tiene relación con tus contratos ni con tu volumen de tráfico real.
Vas a decidir si rehaces el flujo de checkout, y la IA asume que el flujo nuevo reduce el abandono en una proporción que "parece razonable", sin haber corrido ninguna prueba con tus usuarios.
Estás decidiendo si entras a un mercado nuevo ahora o esperas dos años, y le pides a la IA tres escenarios de market sizing y penetración para el deck del directorio. ¿De dónde salió la tasa de conversión que asumió? No tiene tus datos reales.
Ok, piensa conmigo un segundo. Priorizar el roadmap siempre fue la parte que más generaba discusión: abrir la planilla, debatir alcance, pelear sobre impacto, y al final tenías un ranking que nadie estaba seguro de que reflejara la realidad. La IA cambia ese juego de verdad. Arma la planilla de RICE, calcula el score de cada ítem y hasta escribe la justificación mientras tomas el café. El problema es que la velocidad engaña. Te entrega el ranking del trimestre entero en el tiempo de un solo ítem, pero si la premisa de alcance o impacto está inventada, no aceleraste nada. Solo te equivocaste más rápido, con planilla linda encima.
La idea central de esta lección. La IA es la mejor armadora de matriz de priorización que hayas tenido, pero no es dueña del dato. En priorización de roadmap, la regla es doble e innegociable: las premisas de alcance, impacto y confianza son TUYAS, ancladas en dato real de tu producto, no en conjetura; y todo número que escupe la IA es sospechoso hasta que lo audites contra la fuente. La máquina calcula; tú decides qué significa cada variable y firmas.
01La coreografía: quién hace qué
Priorizar no es adivinar, es una danza con pasos definidos. La IA es buena en tres cosas, y solo en esas tres. Estructura el modelo: arma la planilla con las columnas correctas de RICE (alcance, impacto, confianza, esfuerzo). Calcula el score: a partir de las premisas que tú das, corre la fórmula y ordena el ranking. Y escribe la explicación: convierte la planilla seca en un párrafo que el equipo entiende. Eso es trabajo pesado de modelado, y la máquina hace en minutos lo que te tomaba la tarde.
Lo que sigue siendo tuyo, y se encarece justamente porque la parte fácil desapareció, es la premisa. ¿A cuánta gente realmente alcanza esta feature, medido en tu analytics? ¿Cuál es el impacto esperado, con base en qué evidencia? ¿Cuánta confianza tienes en ese número, y por qué? Eso no es cuenta, es lectura de tu producto. La IA no tiene tu Amplitude abierto y, cuando no lo tiene, inventa un número que "parece razonable".
02Sensibilidad: no todas las columnas del RICE pesan igual
Aquí vive la pregunta que separa a quien juega con la planilla de quien prioriza con método. Las cuatro variables del RICE (alcance, impacto, confianza, esfuerzo) no pesan igual en confiabilidad. El alcance suele tener dato real disponible: tu Amplitude sabe cuántos usuarios pasan por ese flujo. El esfuerzo suele tener una estimación razonable del equipo técnico. Impacto y confianza son las dos variables más fáciles de que la IA llene con un número que "parece razonable", porque son las más subjetivas y las que menos tienen fuente auditable directo en el panel.
La coreografía es simple: fija lo que tiene dato real (alcance, esfuerzo) y cuestiona con más rigor lo que es estimación (impacto, confianza). Pregunta "¿de dónde salió ese impacto del diez por ciento, está en alguna prueba anterior o es una suposición?". Si la respuesta es suposición, marca ese número como el más frágil del ranking, y es ahí donde aplicas más escrutinio antes de decidir.
03El peligro central: la IA inventa alcance e impacto con cara de certeza
Ahora el punto que le da nombre al riesgo, y que necesitas llevar grabado. La IA no se equivoca como una calculadora rota, que se traba y avisa. Se equivoca con confianza. Escupe un alcance del cuarenta por ciento, bien formateado, dentro de una frase segura, y ese número simplemente no vino de tu analytics. Asumió un impacto "razonable" porque el PRD "sonaba convincente", mientras que el dato real, si hubieras revisado en Amplitude, mostraría otra cosa.
Aquí es donde el marco de producto se vuelve innegociable. Un roadmap armado sobre un número inventado no es solo una reunión perdida, son meses de esfuerzo de ingeniería apuntados al problema equivocado. Por eso la regla es dura y simple: todo número que sostiene un score de RICE es sospechoso hasta que audites la cuenta. Si el alcance de una feature figura como cuarenta por ciento, abre Amplitude y confirma cuántos usuarios de hecho pasan por ese flujo. Si no coincide, el ranking entero puede estar priorizando lo equivocado.
Sabe más: por qué "confianza" es la variable más peligrosa de tercerizar
En el RICE, la columna de confianza existe justamente para que admitas cuándo el dato es débil. Es tentador dejar que la IA llene esa columna también, porque siempre suena segura al escribir. Pero una confianza alta atribuida por la IA a una suposición no probada es el peor tipo de error: empuja hacia arriba de la priorización un ítem que en realidad debería estar marcado como incierto. La regla práctica es: si no puedes señalar de dónde salió el número de confianza, el valor correcto es bajo, no el que sugirió la IA.
Hazlo ahora
Toma una priorización real que está sobre tu mesa (tu tarea real sirve bien): dos o tres ítems de roadmap compitiendo por el próximo ciclo. Corre la coreografía en tres pasos:
- PREMISA TUYA: para cada ítem, escribe a mano el alcance real (consulta el analytics), el impacto esperado y de dónde viene esa expectativa, y el esfuerzo estimado por el equipo técnico.
- RANKING: pídele a la IA que arme la planilla de RICE y calcule el score usando EXACTAMENTE tus números. Indica explícito: "usa estos valores, no estimes ninguno por tu cuenta".
- AUDITORÍA: elige el ítem del tope del ranking y confirma, en la fuente, si el alcance y el impacto coinciden con lo que proporcionaste. Solo después de eso el ranking tiene permiso de volverse decisión de roadmap.
Si te trabaste en el paso 1 porque no tenías el dato de alcance a mano, mejor: la parte cara del trabajo era exactamente esa, y ahora lo sabes.
Practica
1. En la priorización con RICE, ¿qué variable suele tener el dato más confiable, directo de tu analytics?
2. La IA devolvió un ranking de RICE donde una feature tiene 'confianza: alta', pero no puedes señalar ninguna prueba o dato que sostenga ese valor. ¿Cuál es la regla correcta?
Para la pizarra
Sobre las columnasno toda variable pesa igual. El alcance suele tener fuente real; impacto y confianza son las más frágiles.
Sobre la confianzasi no puedes señalar de dónde salió el número, el valor correcto es bajo.
Sobre el efectola confianza inflada empuja al tope de la fila un ítem que debería estar marcado como incierto.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.