16 de julio de 2026Actualizado el Fathy Shalaby13 min de lectura
Proporción PM-ingenieros: rangos típicos, benchmarks y el cambio de la IA
La mayoría de las empresas de software tiene un product manager por cada 4 a 10 ingenieros, desde alrededor de 1:5 en las pequeñas hasta 1:11 en las grandes. Benchmarks por etapa, cómo calcular la tuya y qué cambian las herramientas de código con IA.
La proporción típica entre product managers e ingenieros en las empresas de software es de un product manager por cada 4 a 10 ingenieros, y 1:6 es la regla general más habitual. El tamaño de la empresa la mueve: los datos de 4.195 empresas muestran aproximadamente 1 PM por cada 5 ingenieros en empresas de menos de 100 personas y 1 por cada 11 en empresas de más de 3.000. Las herramientas de código con IA están empujando ahora a algunos equipos hacia 1:1.
Ideas clave
Rango habitual: 1 PM por cada 4-10 ingenieros. Andrew Ng considera 6:1 una proporción habitual de ingenieros por PM y 4:1 a 10:1 lo típico (The Batch, 2025).
Las empresas grandes tienen menos PMs. Los PMs pasan del 13 % de la plantilla de I+D en empresas de 1-100 empleados al 7 % en las de más de 3.000 (Pave, 2024).
La IA acelera la ingeniería más que las decisiones de producto. El 50 % de los líderes de producto declara un impacto alto de la IA en el trabajo de ingeniería, frente al 17 % en planificación estratégica y roadmap (Product Institute, 2026).
La historia del 1:0,5 es una propuesta aislada, no un benchmark. Ng dijo que aún no sabía si era una buena idea.
Mide el cuello de botella, no la proporción. Ingenieros esperando decisiones, retrabajo y prototipos sin responsable te dicen más que una fracción de plantilla.
¿Cuál es la proporción típica entre PMs e ingenieros?
No existe un estándar oficial, pero los datos publicados y las encuestas a profesionales se agrupan mucho. Esto es lo que midió realmente cada fuente:
Fuente
Año
Qué midió
Ingenieros por PM
Pave, benchmarks de organización de I+D
2024
Datos de plantilla, ~233.000 empleados de I+D en 4.195 empresas
~5 (1-100 empleados) a ~11 (más de 3.000 empleados)
Solo las cifras de Pave y Synq provienen de datos de plantilla; el resto son estimaciones de expertos. Aun así, coinciden en el centro: la mayoría de los equipos de software se sitúa entre 1:5 y 1:10. Por debajo de 1:4 es raro fuera de las startups tempranas y los equipos muy centrados en IA. Por encima de 1:15 suele significar una cultura liderada por ingeniería o PMs repartidos con demasiada dispersión.
¿Cómo es la proporción según la etapa de la empresa?
Etapa
Ingenieros por PM (típico)
Quién hace el trabajo de producto
Fuente o base
Antes del product-market fit, menos de ~10 personas
Sin PM dedicado
Un fundador hace de PM en el día a día
Ken Norton
Empresa pequeña, 1-100 empleados
~5
Primeros PMs, a menudo uno por área de producto
Pave
Scaleup
~8 de mediana; 15+ en empresas lideradas por ingeniería
Un PM por equipo o superficie
Synq
Gran empresa, más de 3.000 empleados
~11
PMs, group PMs, PMs de plataforma
Pave
Productos maduros con pocos cambios
Hasta 50
El PM cubre la roadmap de mantenimiento
Saeed Khan (opinión)
Equipos nativos de IA en 2026
De ~8 hacia 1
Generalistas que construyen y deciden
Andrew Ng, 2026
Pave también observó que la ingeniería crece de cerca del 70 % de la plantilla de I+D en empresas pequeñas a cerca del 80 % en las grandes, mientras que la ciencia de datos se mantiene en un 4-6 % en todos los casos (Pave, 2024). Las empresas grandes añaden ingenieros más rápido que PMs. Una razón plausible, que Pave no mide, es que el trabajo de plataforma e infraestructura necesita menos gestión de producto directa.
Vale la pena quedarse con la regla de Ken Norton para la etapa más temprana: antes del product/market fit, un fundador debería ser el PM del día a día (Norton, 2017). Si estás decidiendo cuándo contratar a uno, consulta nuestra guía sobre el primer product manager en una startup.
¿Cómo calculas tu proporción PM-ingenieros?
Divide el número de ingenieros entre el número de personas que hacen gestión de producto, contando por tiempo dedicado y no por cargo.
Cuenta los ingenieros que construyen el producto. Incluye product engineers y a los ingenieros de front-end, back-end, móvil y ML. Decide una sola vez si incluyes a engineering managers, QA e ingenieros de plataforma, y mantén ese criterio.
Cuenta la capacidad de gestión de producto en equivalentes a tiempo completo (FTE). Un PM a tiempo completo es 1,0. Un fundador que dedica la mitad de la semana a decisiones de producto es 0,5. Un diseñador o un ingeniero que hace discovery un día a la semana es 0,2.
Divide los ingenieros entre la capacidad de PM.
Compruébalo por equipo, no solo a nivel de empresa. Un promedio de empresa de 1:7 puede esconder un equipo en 1:3 y otro en 1:20.
Un ejemplo resuelto, con números ilustrativos. Supongamos una empresa SaaS de 30 personas con 18 ingenieros, 2 PMs, un CEO que dedica el 40 % de la semana a producto y un lead engineer que dedica el 20 % a discovery:
Capacidad de PM: 2 + 0,4 + 0,2 = 2,6 FTE
Proporción: 18 ÷ 2,6 ≈ 6,9 ingenieros por PM
Solo por cargo serían 18 ÷ 2 = 9, lo que exagera la brecha
La cifra por cargo empujaría a este equipo a contratar. La cifra por capacidad dice que está en el rango medio, y la pregunta real es si ese 40 % del CEO es el 40 % adecuado.
¿Por qué está cambiando la proporción PM-ingenieros en la era de la IA?
Las herramientas de código con IA aceleran la construcción más que la decisión de qué construir, así que las decisiones de producto pasan a ser la restricción. Ng lo expresó así en julio de 2025: decidir qué construir es el nuevo cuello de botella, sobre todo al inicio de un proyecto (The Batch, 2025).
Los datos de encuestas encajan con el argumento. En la encuesta de 2026 del Product Institute a 309 líderes de producto, el 50 % declaró un impacto alto de la IA en ingeniería y desarrollo y el 45 % en diseño y prototipado, pero solo el 17 % en planificación estratégica y roadmap y el 9 % en colaboración entre equipos (Product Institute, 2026). El informe DORA 2025 de Google encontró que el 90 % de unos 5.000 profesionales de tecnología ya usa IA en el trabajo y que su adopción ahora se asocia con un mayor rendimiento de entrega (Google, 2025).
Si la producción por ingeniero sube y la capacidad de decisión de producto no, cada PM puede respaldar a menos ingenieros antes de que estos empiecen a esperar. Ese es el mecanismo detrás de una proporción a la baja.
¿Qué dijo realmente Andrew Ng sobre 1 PM por cada 0,5 ingenieros?
En la AI Startup School de Y Combinator, en junio de 2025, Ng describió un equipo que proponía un PM por cada medio ingeniero, en lugar del habitual 1:4 (YouTube, 2025). Calificó la idea de extrema y añadió: «I still don't know if this is a good idea» (extracto de la transcripción, HackerNoon). Fue la propuesta de un solo equipo para un solo proyecto.
En abril de 2026 su planteamiento era más mesurado: algunos equipos están llevando la proporción de ingenieros por PM de cerca de 8:1 hasta 1:1, y los equipos pequeños y colocalizados de 2 a 10 personas que aprenden habilidades adyacentes pueden lograr mucho más (The Batch, 2026). Lo más duradero es que la línea entre ingeniero y PM se está difuminando, no que las empresas deban contratar dos PMs por ingeniero.
¿Cuáles son los límites del argumento «la IA hace más rápidos a los ingenieros»?
La aceleración es real en muchas tareas, pero desigual y fácil de sobrestimar:
En la encuesta de Atlassian de 2025 a 3.500 desarrolladores y responsables, el 68 % ahorraba más de 10 horas a la semana con IA, pero el 50 % perdía 10 horas o más a la semana por fricción organizativa, y los desarrolladores dedicaban solo el 16 % de su tiempo a programar (Atlassian, 2025).
En el ensayo aleatorizado de METR, 16 desarrolladores de código abierto con experiencia tardaron un 19 % más en 246 tareas con herramientas de IA, mientras creían haber sido un 20 % más rápidos (METR, 2025). METR ahora lo describe como una instantánea de las herramientas de principios de 2025.
Si programar es solo el 16 % del tiempo de un ingeniero, incluso duplicar la velocidad de programación libera menos capacidad de lo que sugieren los titulares. Los equipos cuyo cuello de botella es la revisión, las pruebas o unos requisitos poco claros no lo arreglarán añadiendo PMs ni quitando ingenieros.
¿Cómo debería cambiar la IA la proporción de tu equipo en la práctica?
Trata la proporción como un resultado de cómo fluye el trabajo, no como un dato de entrada para contratar. Pregúntate dónde espera el trabajo:
Señal
Qué sugiere
Qué probar primero
Ingenieros o agentes parados esperando decisiones o specs
Poca capacidad de decisión de producto
Un ciclo de decisión más corto y briefs acotados; después, más capacidad de PM
Se acumulan prototipos sin responsable ni camino a producción
Construir va por delante de decidir
Revisión semanal de mantener, descartar o lanzar; nombrar un responsable para cada uno
Mucho retrabajo: funcionalidades que se reabren porque el objetivo no estaba claro
Briefs débiles, no necesariamente pocos PMs
Un brief compartido, revisado con ingeniería antes de empezar
PMs que escriben specs que nadie lee; muchas reuniones de seguimiento
Demasiados PMs, o PMs que hacen coordinación
Menos traspasos; dar a los ingenieros acceso directo a los clientes
La calidad de las releases y la carga de soporte empeoran a medida que sube la producción
La revisión y las pruebas son el cuello de botella
Invertir en QA, evals y comprobaciones de release antes que en más PMs
¿Qué proporción debería buscar un equipo nativo de IA de 3 a 10 personas?
Busca la capacidad de decisión de producto suficiente para que nadie espere una decisión más de uno o dos días, en lugar de una proporción fija. Un ejemplo ilustrativo: un equipo de 7 personas tiene 5 ingenieros, 1 diseñador y un fundador-CEO que dedica la mitad de la semana a producto. Son 5 ÷ 0,5 = 10 ingenieros por equivalente de PM, en el extremo más ajustado del rango.
Si esos ingenieros usan agentes de código y ahora terminan un cambio típico en dos días en lugar de cinco, los 0,5 FTE de tiempo de producto del fundador se convierten en la cola. Las opciones, por orden de coste:
Recupera tiempo de producto de las tareas rutinarias. Gran parte del tiempo de los PMs se va en reunir contexto en lugar de decidir. Nuestro artículo sobre recuperar el oficio de la gestión de producto explica qué delegar.
Convierte a un ingeniero en product engineer a tiempo parcial, responsable de la discovery de un área con unos 0,2-0,3 FTE.
Contrata a un primer PM cuando el fundador ya no pueda mantener conversaciones semanales con clientes y a la vez el brief de producto al día. Eso lleva al equipo a unos 5 ÷ 1,5 ≈ 3,3 ingenieros por equivalente de PM, cerca de la dirección de la era de la IA que describe Ng.
Para un equipo pequeño nativo de IA, la respuesta práctica normalmente no es una nueva proporción sino generalistas: ingenieros que hacen discovery y PMs que saben prototipar. Aun así, cada persona debería decir qué sombrero lleva puesto en cada etapa. El modelo operativo se explica en gestión de producto nativa de IA para equipos pequeños, y el rol de PM en sí en qué hace un product manager de IA.
¿Por qué los ingenieros construyen cosas que no coinciden con lo que pidió el PM?
Los ingenieros construyen algo distinto de lo que el PM esperaba cuando el brief falla de una de dos maneras opuestas. O dice muy poco sobre el usuario, el problema o el comportamiento esperado, o prescribe la implementación antes de que ingeniería haya evaluado el enfoque. Un cambio de proporción no arregla ninguna de las dos.
Antes de empezar a trabajar, haz que estos puntos sean fáciles de encontrar:
Usuario y situación: ¿a quién afecta y qué intenta hacer?
Evidencia: ¿qué conversación con clientes, patrón de soporte o señal de uso llevó hasta aquí, y qué sigue siendo una suposición?
Resultado deseado: ¿qué debería mejorar, con una línea base si la hay?
Ejemplos de comportamiento: el caso principal y dos o tres casos límite importantes.
Restricciones y no objetivos: ¿qué debe seguir siendo cierto y qué queda deliberadamente fuera del alcance?
Decisiones abiertas: ¿qué necesita la opinión de ingeniería, diseño o legal antes de comprometerse?
Verificación: cómo comprobará el equipo el comportamiento y el efecto tras el lanzamiento.
Errores comunes al usar proporciones PM-ingenieros
Usar un benchmark como objetivo de contratación. Una proporción describe un equipo; no dice si el equipo entiende a sus clientes.
Contar cargos en lugar de tiempo. Los fundadores, diseñadores e ingenieros suelen hacer trabajo de producto real. Cuéntalo.
Copiar la proporción de una empresa grande. Un 1:11 empresarial refleja equipos de plataforma que necesitan poca gestión de producto. Una startup de 15 personas tiene otro trabajo.
Olvidar el diseño. Ken Norton prefiere un diseñador por PM en superficies de cara al usuario. Añadir PMs sin capacidad de diseño solo desplaza el cuello de botella.
Suponer que la IA hace igual de rápido a todos los ingenieros. Las mejoras medidas varían mucho según la tarea y el código base.
Leer la historia del 1:0,5 como una tendencia. Fue una propuesta aislada sobre la que su propia fuente tenía dudas.
Dónde encaja Specky
Cuando las decisiones de producto son el cuello de botella, la solución suele ser un acceso más rápido a la evidencia, no más reuniones. Specky es un sistema de producto nativo de IA que lee llamadas con clientes, feedback, Slack, Jira y analítica y los integra en un Product Graph, y redacta specs con la evidencia de clientes citada en línea, para que ingenieros y agentes de código vean por qué se construye algo. Los equipos de 3 a 10 personas que contratan a su primer PM pueden conocer Specky para startups.
Preguntas frecuentes
¿Cuál es una proporción normal entre product managers e ingenieros?
Una proporción normal es de un product manager por entre 4 y 10 ingenieros, con 1:6 como regla general habitual. Los datos de Pave de 2024 la sitúan cerca de 1:5 en empresas de menos de 100 empleados y de 1:11 en las de más de 3.000. La cifra adecuada para tu equipo depende de la complejidad del producto, el acceso a clientes y cuánto trabajo de producto hacen ya los ingenieros y los fundadores.
¿Cuántos ingenieros por product manager debería tener una startup?
Una startup antes del product-market fit normalmente no tiene un PM dedicado; un fundador hace ese papel. Cuando hay varios ingenieros repartidos en más de un área de producto, los datos de Pave y Synq sitúan a las empresas pequeñas y a las scaleups en aproximadamente 1:5 a 1:8. Cuenta el tiempo de producto del fundador antes de contratar, porque a menudo cubre más de lo que sugiere su cargo.
¿Qué significa un PM por cada 0,5 ingenieros?
Significa un product manager por medio puesto de ingeniería, o dos PMs por cada ingeniero. Andrew Ng describió a un equipo que lo proponía en una charla de junio de 2025 y dijo que no sabía si era una buena idea. Es una propuesta aislada que ilustra el giro hacia decidir como cuello de botella, no un benchmark del sector.
¿Cambia la IA la proporción PM-ingenieros?
La IA está bajando la proporción en algunos equipos porque la programación se acelera más que las decisiones de producto. Ng escribió en abril de 2026 que algunos equipos han pasado de cerca de 8:1 hacia 1:1. Aun así, la evidencia sobre las aceleraciones en ingeniería es mixta, así que la mayoría de los equipos deberían resolver los cuellos de botella de decisión y revisión antes de tocar la plantilla.
¿Cuántos product managers hacen falta para 100 ingenieros?
En el rango típico de 1:6 a 1:10, 100 ingenieros necesitarían normalmente entre 10 y 17 PMs. Menos es razonable si muchos ingenieros trabajan en plataforma o infraestructura, o si los ingenieros hacen su propia discovery. Pueden hacer falta más si hay muchas superficies de cara al cliente o productos regulados. Planifica por área de producto, no solo por plantilla.
¿Cuál es la proporción ideal entre diseñadores y product managers?
Ken Norton prefiere un diseñador por PM en superficies de cara al usuario, con un PM, un diseñador y un tech lead como equipo central. Muchas empresas tienen menos diseñadores que PMs, sobre todo en productos de plataforma e internos. Si el trabajo de diseño se acumula detrás de las decisiones, añadir solo PMs no acelerará la entrega.
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