3 de noviembre de 2026Actualizado el Fathy Shalaby13 min de lectura
Cómo validar un prototipo de IA: un plan de validación de producto en 7 días
Un plan de siete días para quienes crean productos de IA: pasar de un prototipo funcional a evidencias eligiendo un usuario y una tarea, observando el uso real, midiendo el comportamiento y tomando una decisión por escrito.
Para validar un prototipo de IA, compruebas si una persona concreta puede completar una tarea real con él y decide volver a usarlo. En siete días: elige un usuario y una tarea, define las evidencias antes de invitar a nadie, observa cinco sesiones reales, haz seguimiento de lo que pasó después y escribe una única decisión: continuar, acotar, revisar o parar. Una demo que funciona demuestra que el flujo se puede construir; no demuestra que alguien lo necesite.
Ideas clave
El 84 % de los desarrolladores ya usa herramientas de IA o planea hacerlo, pero el 66 % señala como mayor frustración los resultados de IA «casi correctos, pero no del todo» (Stack Overflow, 2025). Espera que tus usuarios dediquen tiempo a corregir resultados, y mídelo.
Cinco usuarios encuentran alrededor del 85 % de los problemas de usabilidad (Nielsen Norman Group, 2000). Una semana con cinco sesiones bien elegidas basta para tomar una primera decisión.
El uso repetido en trabajo real es la señal temprana más fuerte. Los elogios y las altas en la lista de espera son la más débil.
Escribe la regla de decisión antes de las sesiones, para que el resultado no se pueda racionalizar después.
Haz la encuesta de product-market fit de Sean Ellis más adelante, cuando tengas 40 o más usuarios comprometidos.
¿Qué demuestra un prototipo de IA funcional y qué no?
Una herramienta de programación con IA puede llevarte a una demo funcional en pocos días. Eso es una evidencia real: el flujo se puede construir, al menos en una versión de camino feliz. No es evidencia de que una persona concreta tenga el problema, de que el producto encaje en su día a día ni de que vaya a volver después de la primera sesión.
Dos cifras enmarcan la brecha. Pendo comprobó que el 80 % de las funcionalidades de un producto de software medio se usan rara vez o nunca (Pendo, 2019), y que un ajuste producto-mercado deficiente influyó en el 43 % de los cierres de startups con capital riesgo que CB Insights ha analizado desde 2023 (CB Insights, 2026). Construir se volvió más rápido; saber qué construir, no.
Los productos creados con IA añaden una segunda brecha: la calidad de los resultados. En la encuesta de Stack Overflow de 2025, más desarrolladores desconfiaban de la precisión de las herramientas de IA (46 %) que confiaban en ella (33 %) (). Tus usuarios sentirán lo mismo ante los resultados generados por IA dentro de tu producto, así que el plan de validación debe vigilar las correcciones y los retoques, no solo que la tarea se complete.
Si tu pregunta principal es cómo endurecer una app creada con vibe coding para producción, mira del prototipo creado con vibe coding a un producto financiable. Esta guía trata de validar el problema y decidir qué construir a continuación. No promete encaje producto-mercado en una semana; sustituye «parecía que les gustaba» por una observación concreta y un siguiente paso razonable.
¿Cómo validas un prototipo de IA en 7 días?
Día
Actividad
Resultado
1
Elegir un usuario y una tarea
Una hipótesis escrita y su alternativa más sólida
2
Definir las evidencias
Un comportamiento principal, una barrera de control, una regla de decisión escrita
3
Reclutar a personas que encajen
5-8 sesiones confirmadas con personas que hicieron la tarea hace poco
4-5
Observar flujos reales
Notas de sesión: observación, interpretación, incertidumbre
6
Comprobar si el valor continúa
Seguimientos: ¿usaron el resultado, volvieron o lo compartieron?
7
Decidir
Una nota de decisión: continuar, acotar, revisar o parar
Día 1: elige un usuario y una tarea
Describe a la persona con la precisión suficiente para poder encontrarla. «Cualquiera que quiera ser más productivo» no es un segmento. «Un fundador en solitario que convierte llamadas con clientes en tareas de ingeniería» o «un product engineer que explica un cambio técnico a un interlocutor no técnico» sí lo es.
Después, nombra una tarea que el prototipo ayude a completar. Limita la primera prueba a un único flujo. Si la demo tiene cinco funcionalidades, elige la que más le importa a la persona, no la más vistosa de enseñar.
Escribe una hipótesis breve:
Creemos que [persona concreta] tiene dificultades con [problema reciente y observable]. Si la ayudamos a [acción concreta], [comportamiento observable] porque [motivo que podemos comprobar].
Añade la explicación alternativa más sólida. Quizá la persona no necesita una herramienta nueva; quizá necesita una plantilla más clara, una integración o un proceso existente más rápido. Quieres que la prueba permita distinguirlas. Si aún no has comprobado si la idea merece construirse, empieza por nuestra guía para validar una idea de SaaS.
Día 2: define las evidencias antes de invitar a nadie
Elige un comportamiento principal que demuestre que el usuario superó la parte importante del flujo: completar una tarea real, volver para continuarla, compartir el resultado con un compañero o pedir usarlo en otro trabajo.
Añade una barrera de control que revele un mal equilibrio: confusión en la configuración, resultados incorrectos o más retoques manuales. Evita una métrica solo porque sea fácil de contar. Las visitas a páginas y los aplausos en la demo no demuestran que se haya hecho la tarea principal.
Anota qué resultado te llevaría a continuar, acotar, cambiar el flujo o parar. Por ejemplo (ilustrativo): «Continuar si al menos 3 de 5 participantes completan una tarea real sin ayuda y al menos 2 usan el resultado en su trabajo en una semana». El umbral es una ayuda para decidir en esta pequeña prueba, no una referencia universal.
Día 3: recluta a personas que encajen con el caso de uso
Invita a personas que hayan hecho la tarea recientemente. Pregunta por la tarea que realmente completaron, no por si quieren apoyar tu startup. Evita basarte solo en amigos, compañeros o gente ya predispuesta a animarte.
Tengo una herramienta en bruto para [tarea]. ¿Podría verte probarla con una tarea real que ya tengas que hacer? Estoy probando el flujo, no te pido que apruebes la idea.
Reserva entre cinco y ocho sesiones para que una o dos ausencias no frenen la semana. Si nadie del grupo objetivo dedica tiempo al problema, eso te dice algo sobre el acceso o la urgencia. No es, por sí solo, un veredicto sobre el producto. Si no tienes una red de contactos donde reclutar, nuestra guía sobre cómo encontrar tus primeros usuarios de SaaS sin audiencia explica dónde buscar.
Días 4 y 5: observa el flujo real
Pide a cada participante que traiga una tarea real. Déjale probar el producto sin que narre cada paso siguiente. Fíjate en qué hace antes de abrir la herramienta, qué espera, dónde se detiene, qué corrige y si puede terminar sin que tengas que rescatar la sesión.
Centra la atención en el comportamiento:
«¿Qué estás intentando terminar ahora mismo?»
«¿Qué esperabas que hiciera este control?»
«¿Qué harías normalmente en este punto?»
«¿Qué necesitarías verificar antes de usar este resultado?»
«¿Qué te haría volver la semana que viene?»
No trates cada petición como una especificación. Pregunta qué resultado quiere conseguir la persona y si la solución alternativa es frecuente, costosa o arriesgada. La petición de un botón puede apuntar a un problema más profundo de secuencia, confianza o configuración.
Tras cada sesión, escribe tres líneas: la observación, tu interpretación y lo que sigue incierto. Mantén el contexto del participante asociado, para que los distintos tipos de usuario no se fundan en una persona imaginaria.
Día 6: comprueba si el valor continúa y el trabajo oculto
Haz seguimiento uno o dos días después de la sesión. ¿Usó la persona el resultado en su trabajo real? ¿Volvió, lo compartió o pidió repetir la tarea? ¿Qué corrigió a mano? ¿Qué pasó cuando ya no estabas allí para guiarla?
Mira el comportamiento en el producto junto con la conversación: finalización correcta, uso repetido, tiempo hasta el primer resultado útil, tasa de corrección o traspaso a otra persona. Ninguna métrica por sí sola explica por qué alguien se comportó así, así que combínala con lo que observaste.
Día 7: toma una decisión explícita
Revisa la hipótesis y las evidencias y elige uno de los cuatro desenlaces. Escribe una nota de decisión breve con las evidencias a favor, las evidencias en contra, la incertidumbre que queda y la siguiente prueba.
¿Cuántos usuarios necesitas para validar un prototipo?
Menos de lo que piensan la mayoría de los fundadores, si son los usuarios adecuados. El modelo de Jakob Nielsen muestra que cinco usuarios descubren alrededor del 85 % de los problemas de usabilidad, y recomienda tres rondas de cinco, corrigiendo lo que encuentres entre ronda y ronda, en lugar de un único estudio con 15 (Nielsen Norman Group, 2000).
Dos salvedades. Primero, cinco usuarios por cada tipo de usuario distinto: si tu prototipo sirve de forma diferente a fundadores y a ingenieros, son dos grupos. Segundo, cinco sesiones encuentran problemas; no miden la demanda ni estiman un mercado. Para eso necesitas más usuarios y, con el tiempo, una encuesta o una prueba con tráfico real. Cuando tengas unos cientos de usuarios a la semana, nuestra guía de pruebas A/B te enseña a dimensionar un experimento en condiciones.
¿Qué deberías medir después de las primeras sesiones?
Señal
Fuerza
Por qué
Volvió sin que se lo pidieran con una segunda tarea real
Fuerte
Le cuesta tiempo; muestra que la tarea se repite y que la herramienta ayudó
Usó el resultado en su trabajo real (lo envió, lo publicó)
Fuerte
El resultado sobrevivió al contacto con la realidad
Completó una tarea real sin ayuda
Media
Muestra usabilidad, aún no valor
Pidió traer a un compañero
Media
Prueba social, pero comprueba que el compañero tiene la tarea
Reescribió la mayor parte del resultado de la IA antes de usarlo
Alerta
Puede que el flujo esté añadiendo trabajo en vez de quitarlo
«Seguro que lo usaría»
Débil
Una predicción, no un comportamiento
Alta en la lista de espera o elogio
Débil
Útil para saber a quién contactar después, nada más
Mide de forma explícita la tasa de corrección en las funcionalidades de IA: ¿qué proporción de los resultados editaron los usuarios de forma sustancial antes de usarlos? Dado que Stack Overflow informa de que el 66 % de los desarrolladores se frustra con resultados de IA casi correctos, una tasa de corrección alta es la forma más habitual en que un prototipo de IA fracasa en silencio.
Más adelante, cuando al menos 40 personas usen el producto con regularidad, haz la encuesta de Sean Ellis: «¿Cómo te sentirías si ya no pudieras usar este producto?». Ellis comprobó que las empresas en las que menos del 40 % respondía «muy decepcionado» solían tener dificultades para crecer, a partir de casi 100 startups. Superhuman partió del 22 %, subió al 33 % solo por centrarse en su segmento de mejor encaje y llegó al 58 % tras tres trimestres de trabajo en el producto. Su equipo encuestó solo a usuarios que habían usado el producto al menos dos veces en las dos semanas anteriores (First Round Review, 2018). Nuestra guía de product-market fit cubre esa etapa.
Ejemplo práctico
Un ejemplo ilustrativo, no son datos reales. Un creador tiene una herramienta de IA que convierte transcripciones de llamadas de ventas en notas de CRM. La regla de decisión, escrita el día 2: continuar si 3 de 5 completan una tarea real sin ayuda y 2 usan el resultado en una semana; acotar si un rol rinde claramente mejor que los demás.
Seis sesiones reservadas, cinco realizadas.
Cuatro de cinco completaron una tarea real sin ayuda.
Los dos ejecutivos de cuentas (account executives) usaron las notas en su CRM el mismo día; los tres fundadores reescribieron cerca del 70 % de cada nota.
El día 6, los dos ejecutivos de cuentas la habían usado en otra llamada sin que se lo pidieran. Ningún fundador lo había hecho.
Decisión: acotar. El problema parece real para los ejecutivos de cuentas, no para los fundadores. Siguiente prueba: cinco sesiones más solo con ejecutivos de cuentas, con la tasa de corrección como barrera de control.
¿Cómo decides si continuar, acotar, revisar o parar?
Decisión
Cuando las evidencias muestran
Siguiente paso
Continuar
El usuario previsto completó la tarea y mostró un motivo para volver
Construye solo lo que resuelva el obstáculo observado más claro
Acotar
El problema es real para un rol o una situación, no para el grupo amplio
Repite la prueba solo con ese segmento
Revisar
Los usuarios tienen el problema, pero el flujo no lo resuelve limpiamente
Cambia el flujo; prueba de nuevo con participantes nuevos
Parar o aparcar
No se mostró urgencia ni valor que justifique más tiempo de desarrollo ahora
Anota lo aprendido; vuelve a mirarlo si aparecen nuevas evidencias
Si continúas, no conviertas cada comentario de una entrevista en un elemento del roadmap. Nuestro marco para decidir qué construir a continuación te ayuda a elegir entre posibles cambios.
Ficha de experimento para copiar
Rellénala antes de tu próxima construcción:
User and context:
Recent job to complete:
Problem we believe exists:
Current workaround:
What the prototype changes:
Primary behaviour to observe:
Guardrail (incl. correction rate for AI output):
Decision rule (continue / narrow / revise / stop):
What would change our mind:
Evidence source and owner:
Decision date:
Las herramientas de IA pueden ayudar a organizar notas o a redactar un resumen, pero comprueba cada afirmación con la sesión original. No dejes nunca que un texto generado cree una cita de cliente, un resultado de uso o un dato de mercado que no se observó.
¿Qué deben comprobar los productos de IA más allá de la usabilidad?
Las funcionalidades de IA fallan de maneras que el software normal no conoce: respuestas erróneas dadas con seguridad, resultados inconsistentes y respuestas lentas o costosas. Antes de escalar más allá de los primeros usuarios, añade un pequeño conjunto de evaluación construido con tareas reales de los participantes, una alternativa para cuando el modelo no pueda completar la tarea y una forma de que los usuarios corrijan o sustituyan el resultado. El Generative AI Profile del NIST (NIST AI 600-1) es una referencia voluntaria e intersectorial para incorporar fiabilidad en el diseño, el desarrollo, el uso y la evaluación de la IA generativa (NIST, 2024). Nuestro marco de evaluación de IA para equipos de producto lo convierte en un filtro previo al lanzamiento.
¿Cuáles son los errores habituales tras crear un prototipo de IA?
Añadir funcionalidades en lugar de probar la que importa. Más superficie dificulta ver por qué la gente no vuelve.
Probar con amigos. Completan tareas por amabilidad y rara vez vuelven porque no tienen esa tarea.
Rescatar a los usuarios a mitad de sesión. Cada rescate oculta un problema con el que un usuario real se encontrará a solas.
Ignorar el trabajo de corrección. Una tarea «completada» tras reescribir la mayor parte del resultado no es un éxito.
Decidir a posteriori. Sin una regla de decisión escrita el día 2, cualquier resultado puede leerse como alentador.
Hacer la encuesta de PMF demasiado pronto. Cinco usuarios no pueden darte una lectura significativa del 40 %.
¿Dónde encaja Specky?
La validación produce notas, grabaciones y seguimientos que es fácil perder entre sesiones. Specky incorpora las llamadas con clientes y el feedback a un Product Graph, mantiene cada observación vinculada a su sesión de origen y registra la decisión del día 7 en su Decision Log con las evidencias adjuntas. Si trabajas en solitario, mira cómo funciona para quienes crean productos de IA.
Preguntas frecuentes
¿Qué debo hacer después de construir un MVP o un prototipo de IA?
Comprueba si una persona concreta puede completar una tarea real con él y vuelve, antes de añadir funcionalidades. Elige un usuario y un flujo, anota qué evidencias te harían continuar o parar, observa cinco sesiones reales y haz seguimiento unos días después. Después toma una decisión por escrito: continuar, acotar, revisar o parar.
¿Cuántos usuarios necesito para validar un prototipo de IA?
Empieza con cinco por cada tipo de usuario distinto. En el modelo de Nielsen, cinco usuarios encuentran alrededor del 85 % de los problemas de usabilidad, y tres rondas de cinco, corrigiendo los problemas entre ronda y ronda, funcionan mejor que una ronda de 15. Cinco sesiones encuentran problemas y patrones; no demuestran demanda de mercado, que requiere más usuarios y otro método.
¿Cómo sé si los usuarios valoran de verdad mi prototipo?
Busca comportamientos costosos: volver sin que se lo pidan con otra tarea real, usar el resultado en su trabajo real o traer a un compañero que tiene la misma tarea. Trata los elogios, las altas en la lista de espera y el «lo usaría» como señales débiles. En los productos de IA, comprueba además cuánto del resultado reescriben los usuarios antes de usarlo.
¿Cuándo debo hacer la encuesta de product-market fit?
Cuando al menos 40 personas usen el producto con regularidad. Superhuman encuestó a usuarios activos al menos dos veces en las dos semanas anteriores y comprobó que unas 40 respuestas bastaban para acertar con la dirección. La referencia es que el 40 % responda «muy decepcionado» si ya no pudiera usar el producto. Con cinco usuarios, el porcentaje no significa nada.
¿Basta una app creada con vibe coding para validar?
Normalmente sí, para una primera ronda, siempre que el flujo principal funcione y seas honesto sobre los límites. Evita datos sensibles o críticos, dile a los participantes qué está sin terminar y vigila los errores en los resultados. Cuando la gente vuelva con trabajo real, endurece la app antes de invitar a un grupo más amplio.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing