Prototipar con IA, una habilidad en auge

Está ampliamente documentado que, a medida que la comunidad de IA desarrolla mejores modelos, el coste de ejecutar estos modelos disminuye para el usuario final. Tras la introducción de un nuevo algoritmo, al cabo de un tiempo las mejoras en investigación, en implementación y las nuevas generaciones de hardware contribuyen a un “factor multiplicador” en la eficiencia. Un estudio de OpenAI de 2019 estimó que, con implementaciones y hardware actualizados, el coste en recursos de entrenar un clasificador de imágenes tan preciso como AlexNet —un avance clave en 2012— era 44 veces más bajo que 7 años antes. 

Esta reducción de costes va acompañada de otro “efecto de ecosistema”: la IA no solo es más eficiente, sino también más accesible. En comparación con hace unos años, el desarrollo de la IA ha convergido hacia unos pocos “diseños dominantes”: librerías de código abierto populares, APIs de software de fácil acceso o repositorios de modelos, facilitando así su integración en apps y demás software. En 2012, clasificar una imagen con un modelo de deep learning como AlexNet suponía un reto nada despreciable incluso para un programador competente. Hoy en día, el modelo se puede descargar de una plataforma como Hugging Face y aplicarlo mediante librerías de usuario. Lo mismo ocurre con muchos otros modelos, incluidos de lenguaje de gran tamaño (LLMs), como DeepSeek. Así, la IA no solo es más barata en términos de recursos, sino también en cuanto a romper las barreras de adopción. 

Una de las consecuencias de esta tendencia ha sido señalada por algunos economistas: a medida que el coste de las predicciones de IA disminuye, el valor de las habilidades complementarias a la IA aumentará. 

En este artículo sostengo que una de esas habilidades complementarias que será cada vez más valiosa es el prototipado con datos e IA. Hasta hace poco, prototipar un producto digital se consideraba una actividad costosa y especializada. Con el ecosistema actual de herramientas de IA y desarrollo de aplicaciones, junto con la asistencia de la IA generativa, debemos redefinir esa visión. 

Del prototipado tradicional al prototipado con IA

El prototipado se refiere al proceso de generar y probar rápidamente ideas de productos mediante la creación de una representación de “baja fidelidad” del producto final, deliberadamente poco pulida en cuanto a apariencia o funcionalidad. Este proceso es una herramienta eficaz para reflexionar a partir de la observación y recopilar comentarios de los stakeholders antes de invertir recursos significativos en fases más costosas del desarrollo del producto. 

Las técnicas de prototipado abordan la cuestión: “¿estamos desarrollando el producto correcto?”. Tradicionalmente, esto se ha traducido en responder preguntas sobre la experiencia del usuario o la apariencia, utilizando técnicas como prototipos en papel, prototipos “wizard-of-oz”, wireframes, maquetas o ficciones de diseño. 

Sin embargo, en el caso de productos basados en datos e IA, los prototipos deben responder a dos preguntas adicionales: 

1. ¿La hipótesis técnica que involucra datos e IA es viable? 
2. ¿La precisión de los componentes de IA es suficiente para la experiencia deseada? 

Es prácticamente imposible evaluar la calidad de los datos, el poder predictivo de las variables o si la precisión final del sistema ofrece la experiencia deseada sin construir un prototipo de software y realizar iteraciones reales. 

Prototipar con IA exige una mentalidad de descubrimiento y un sentido intuitivo de las necesidades del negocio

Hasta hace unos años, construir un prototipo de software de este tipo se consideraba una transición a una fase más avanzada de fidelidad con un coste mayor. En los últimos años, profesionales técnicos (científicos de datos, analistas de negocio o ingenieros de IA) han sido testigos de cómo el ecosistema de desarrollo de software se ha enriquecido progresivamente con más y mejores herramientas, quizás alcanzando un punto de inflexión que lleva la práctica de prototipar a otro nivel. Ahora, un desarrollador que trabaje en el ecosistema de Python puede utilizar librerías como Streamlit o Gradio para desarrollar interfaces rápidamente, acceder a modelos de lenguaje de gran tamaño (LLMs) a través de sus API y SDK específicos, descargar modelos preentrenados de Hugging Face o utilizar herramientas como Lightning para agilizar el ciclo de gestión del producto. Así, en poco tiempo puede crear un prototipo que seguirá siendo baja fidelidad, pero con datos e IA reales. 

Además, las herramientas de IA generativa se están usando cada vez más como herramientas de prototipado en sí mismas, tanto por expertos como por no expertos. Estos últimos se benefician de la creciente popularidad de asistentes de programación como Cursor o Lovable. Todo esto ha contribuido a la aparición del nuevo —y algo controvertido— término vibe-coding. 

En conjunto, la habilidad de prototipar con IA exige no solo comprender cómo funcionan estas herramientas desde una perspectiva “full-stack”, sino también la capacidad de navegar, adaptarse y manipular creativamente este ecosistema dinámico. Incluso para perfiles técnicos, también implica una mentalidad de descubrimiento y un sentido intuitivo de las necesidades del negocio. 

El impacto de un prototipado más sencillo

Dado que cada empresa tiene un enfoque distinto para prototipar, la adopción de estas habilidades será diversa y progresiva. Por ejemplo, algunos científicos de datos o analistas de negocio que ya están involucrados en la creación de productos de IA podrían ver cómo su trabajo pasa a orientarse más hacia la producción y validación de prototipos, en detrimento de la creación o entrenamiento de modelos. Del mismo modo, los desarrolladores o diseñadores con inclinación técnica pero con poca experiencia en IA podrían encontrarse con que la barrera para trabajar con componentes de IA es cada vez menos desalentadora. 

El aumento del valor del prototipado dibuja un futuro prometedor en el que las decisiones se toman ‘haciendo’

Lo que está claro es que la reducción de costes del prototipado da más valor a la formulación de las preguntas de negocio relevantes, difuminando la frontera entre el trabajo técnico y la toma de decisiones empresariales. 

Esta difuminación podría llegar a influir incluso en las funciones de gestión no técnicas. Un buen ejemplo, señalado por Andrew Ng, es el de los product managers. Dado que estos perfiles son responsables de priorizar las características del producto, garantizar el ajuste con el cliente y explorar con riesgo y creatividad, un prototipado más barato aumenta la importancia de sus funciones. Además, es cada vez más probable que los product managers acaben asumiendo algunas tareas de prototipado. Esta afirmación está en línea con ciertas perspectivas sobre la necesidad de funciones mixtas técnicas y de gestión, postuladas antes del auge de la IA generativa, como la del Analytics Translator. Personalmente, he topado con ejemplos en ambos sentidos: tanto product managers que han recibido formación en IA para comunicarse mejor con sus equipos, como perfiles técnicos que han ascendido a puestos de gestión pero aún reservan tiempo para probar ideas técnicas antes de delegarlas en sus equipos. 

Imaginemos un futuro en el que invertir tiempo en un prototipo rápido sea más eficaz que una serie de reuniones interminables con diapositivas basadas en especulaciones. O en el que un taller de design thinking se convierta en una sesión de design doing. En definitiva, el aumento del valor del prototipado nos permite especular con un futuro prometedor en el que las decisiones, en múltiples niveles de la organización, se toman “haciendo”, desplazando así otras prácticas menos eficaces.