7 de octubre de 2026Actualizado el Fathy Shalaby13 min de lectura
Un grafo de decisiones para equipos pequeños de IA: contexto que se acumula
A los equipos pequeños no les faltan notas. Les faltan los vínculos entre evidencia, decisiones, trabajo y resultados. Un modelo práctico de grafo de decisiones, un registro para copiar y la prueba que muestra si el tuyo funciona.
Un grafo de decisiones es un registro que vincula cuatro cosas: la señal que cambió lo que creía un equipo, la decisión que tomó, el trabajo que esa decisión produjo y el resultado que volvió. Los equipos pequeños nativos de IA lo necesitan porque su contexto vive en dos o tres cabezas. Sin los vínculos, «¿por qué construimos esto?» se responde de memoria, o no se responde.
Ideas clave
Los equipos dedican más del 25 % de su semana laboral a buscar información, según el State of Teams 2025 de Atlassian (Atlassian, 2025). El contexto de decisión que falta es una parte importante de esa búsqueda.
La antigüedad mediana en el empleo en EE. UU. fue de 4,1 años en enero de 2026, y de 3,0 años para los trabajadores de 25 a 34 años (BLS, 2026). En un equipo pequeño, la persona que sabe el porqué se irá antes de lo que crees.
Los ingenieros resolvieron la mitad de este problema en 2011: el architecture decision record de Michael Nygard tiene cinco campos y existe para evitar la «aceptación ciega o la reversión ciega» de decisiones antiguas (Nygard, 2011).
Un registro de decisiones enumera elecciones. Un grafo las conecta con la evidencia previa y con los resultados posteriores. Esas conexiones son las que permiten que el equipo aprenda.
Una prueba te dice si el tuyo funciona: ¿puede un compañero nuevo ir de una señal de cliente a la decisión, el trabajo y el resultado sin preguntar a nadie?
¿Por qué pierden los equipos pequeños su contexto de producto?
A los equipos de producto pequeños rara vez les falta información. Tienen información que no se puede usar dos veces.
Se hace una entrevista con un cliente. Un fundador toma una decisión. Un ingeniero lanza un cambio. Una métrica se mueve, o no. Tres meses después, el equipo recuerda fragmentos de la historia pero no la cadena que unía la señal con la decisión. La versión cara de lo que se llama «memoria de producto» es un montón de notas exactas tras las cuales el equipo sigue preguntándose por qué.
Tres cosas lo empeoran en los equipos pequeños nativos de IA:
El contexto lo llevan una o dos personas. Parece eficiente hasta que alguien se incorpora, cambia una prioridad o quien tomó la decisión no recuerda el razonamiento seis meses después.
La gente se va. Con una antigüedad mediana de 3,0 años para los de 25 a 34 años (BLS, 2026), un equipo de cinco debe esperar salidas regulares. Como cuenta aproximada, no como pronóstico: si cada persona se queda unos tres años, un equipo de cinco pierde a alguien más o menos cada siete meses.
La IA acelera la producción, no el registro del razonamiento. Un agente de programación puede producir una función en una tarde. No registra por qué valía la pena construirla, y reconstruirá con gusto algo que el equipo descartó el trimestre pasado si nadie lo dejó por escrito.
¿Qué diferencia hay entre conocimiento almacenado y contexto utilizable?
Un documento te dice lo que alguien escribió. El contexto utilizable te dice qué creía el equipo, qué evidencia moldeó esa creencia, qué cambió después y qué sigue siendo incierto.
Un documento suele organizarse en torno a un evento: un resumen de entrevista, un PRD, una actualización del roadmap, una nota de lanzamiento, un informe de estado. Una decisión se organiza en torno a una pregunta:
¿Qué problema de los clientes deberíamos resolver primero?
¿Qué estamos asumiendo?
¿Qué haría que esta apuesta fuera errónea?
¿Qué trabajo sigue si nos comprometemos?
¿Cuándo sabremos si funcionó?
La primera estructura sirve para recuperar. La segunda sirve para juzgar. Una carpeta de documentos bien escritos puede fallarle igualmente al equipo, porque nunca se registraron las relaciones entre ellos.
Registro de decisiones frente a grafo de decisiones y wiki
¿Cómo es un grafo de decisiones? Señal → Decisión → Trabajo → Resultado
Una versión práctica se construye en torno a cuatro objetos conectados.
1. Señal
Una señal es algo que podría cambiar lo que haces: una petición repetida de clientes, un patrón de soporte, una observación de entrevista, un cambio de uso, una objeción de ventas, una restricción técnica. Una señal no es automáticamente un requisito. Es evidencia que merece interpretación.
Una decisión registra el compromiso que asumió el equipo en respuesta a la señal. Una decisión duradera tiene cinco partes:
La pregunta que se responde.
La elección hecha.
Las alternativas consideradas.
La evidencia y las suposiciones detrás.
La condición que haría que el equipo la revisara.
El quinto campo convierte un registro en un sistema de aprendizaje. Sin él, el registro es un archivo de opiniones. Con él, el equipo puede saber si una decisión fue errónea, prematura o acertada para la información que tenía entonces.
Esto refleja el architecture decision record que propuso Nygard en 2011, con Title, Context, Decision, Status y Consequences (Nygard, 2011). Su argumento también vale para las decisiones de producto: quien llega y se topa con una decisión sin explicación solo puede aceptarla a ciegas o revertirla a ciegas, y ambas cosas son arriesgadas.
3. Trabajo
El trabajo es la expresión concreta de la decisión: una especificación, un experimento, un ticket, un prototipo, un flujo de trabajo o una conversación con un cliente.
Vincular el trabajo con las decisiones evita un fallo común. Los equipos mantienen una conversación estratégica meditada y luego producen trabajo sin relación visible con ella. Cuando decisión y trabajo están conectados, puedes comprobar si la implementación realmente pone a prueba la creencia que debía probar.
4. Resultado
Un resultado es lo que ocurrió después de que el trabajo llegara a los usuarios o al equipo. No tiene por qué ser una métrica perfecta. Puede ser un cambio medido, una respuesta de un cliente, un experimento fallido, un resultado tardío o un explícito «todavía no lo sabemos».
Lo que importa es que el resultado vuelva a la decisión original. De lo contrario, cada lanzamiento empieza una historia nueva y el equipo pierde la oportunidad de mejorar su criterio.
¿Cómo se relaciona con un opportunity solution tree?
El opportunity solution tree de Teresa Torres, presentado en 2016, relaciona un resultado con oportunidades, soluciones y pruebas de suposiciones (Product Talk, 2023). El árbol es el plan del discovery. El grafo es el registro de lo que elegiste por el camino y de lo que pasó después. Encajan: cada solución con la que te comprometes se convierte en un nodo de decisión, y cada prueba de suposición se convierte en trabajo con un resultado asociado.
¿Cómo sabes que funciona? La prueba del compañero nuevo
Puedes comprobar si tu contexto de producto es utilizable con una pregunta:
¿Puede un compañero nuevo ir de una señal observada a la decisión resultante, al trabajo que creó y a la evidencia que volvió, sin preguntar a nadie?
Si la respuesta es no, el problema no es la búsqueda. Las conexiones nunca se hicieron.
Uno útil te permite moverte en ambas direcciones:
De una señal de cliente a las decisiones que influyó.
De una decisión de vuelta a la evidencia que la justificó.
De una decisión a las especificaciones, experimentos y tickets que creó.
De un resultado de vuelta a la suposición original.
De una declaración de estrategia al trabajo actual que supuestamente la respalda.
Por eso un grafo supera a una carpeta de resúmenes. El valor no está en que cada elemento esté disponible, sino en la relación visible entre los elementos. Para el modelo de datos detrás de esto, consulta nuestra explicación de los grafos de conocimiento para la gestión de producto.
¿Qué decisiones merecen un registro completo?
No toda elección necesita cinco campos. La carta a los accionistas de 2016 de Jeff Bezos separa las decisiones reversibles, o «puertas de doble sentido», que pueden seguir un proceso ligero, del resto. También sostenía que la mayoría de las decisiones deberían tomarse con alrededor del 70 % de la información que desearías tener (Amazon, 2017).
Una regla viable para un equipo pequeño:
Registro completo para decisiones caras de revertir: precios, modelo de datos, un nuevo segmento de clientes, eliminar una función, cualquier cosa que lleve más de dos semanas de desarrollo.
Una línea para puertas de doble sentido: retoques de texto, pequeños cambios de UX, herramientas internas. Anota la elección y la señal, omite el resto.
Siempre registra la condición de revisión cuando decidas con información incompleta. Si decides con un 70 % de confianza, escribe qué tendría que mostrar el 30 % que falta para que cambies de opinión.
Plantilla de registro de decisión para copiar
Pega esto en la herramienta que uses. Cada línea entre corchetes debería ser un enlace, no una paráfrasis.
Decisión: [una frase, lo bastante concreta como para poder ser errónea]
Pregunta que responde: [la pregunta de producto]
Responsable (aprobador): [un nombre]
Colaboradores: [nombres]
Fecha de la decisión:
Señales: [enlaces a entrevistas, tickets, eventos]
Lo que las señales no demuestran: [una línea]
Alternativas consideradas: [2-3 opciones y por qué no]
Suposiciones: [las creencias que deben cumplirse]
Confianza: [p. ej., 60 %]
Trabajo creado: [enlaces a especificación, tickets, experimento]
Resultado esperado: [métrica o comportamiento, y para cuándo]
Revisar si: [condición que reabre la decisión]
Resultado observado: [se rellena después, con enlace]
La línea de responsable sigue el play DACI de Atlassian, que insiste en un solo aprobador entre los roles Driver, Approver, Contributors e Informed; está pensado para 3 a 6 personas y dura unos 60 minutos (Atlassian). Un único aprobador con nombre deja claro a quién preguntar cuando se activa la condición de revisión.
¿Cómo se lleva el flujo de trabajo a la práctica?
Empieza con una pregunta de producto real, no con un proyecto de migración.
Ejemplo práctico (ilustrativo). Una startup de IA de cuatro personas se pregunta: «¿Deberíamos invertir en reducir el tiempo que pasa desde una señal de cliente hasta una decisión de producto utilizable?»
Reúne la evidencia. Junta las 6 notas de entrevista, los 14 mensajes de soporte y la tendencia de uso que atañen a la pregunta. Mantén cada fuente enlazada. Una afirmación sintetizada es más fiable cuando el equipo puede abrir aquello de donde procede.
Registra la decisión con un nivel de confianza. «Construir un digest semanal de evidencia para el fundador, con un 65 % de confianza en que reduce el tiempo de decisión.» La confianza es una previsión que se compara después, no una exhibición de certeza.
Conéctala con una pieza pequeña de trabajo. Un prototipo de dos semanas, enviado a 5 socios de diseño. El trabajo debe hacer la decisión más comprobable, no solo mantener ocupado al equipo.
Define el camino de vuelta antes de lanzar. «Si el tiempo mediano desde la señal hasta la decisión no baja de 12 días a menos de 7 en 6 semanas, revisar.» Pon la fecha de comprobación en el calendario.
Cierra el ciclo. Seis semanas después, registra lo que pasó y vincúlalo a la decisión, aunque la respuesta sea «poco claro». A lo largo de un trimestre, compara la confianza declarada con la frecuencia con que las apuestas dieron fruto. Esa comparación es lo que mejora el criterio del equipo.
El resultado útil no es un resumen más bonito. Es un camino más corto entre la evidencia y la acción responsable.
¿Qué cambia para un equipo pequeño?
Los compañeros nuevos entienden no solo qué se construye, sino por qué existe.
Los fundadores dejan de responder de memoria a la misma pregunta de contexto.
Los PM dedican menos tiempo a reconstruir el estado y más a comprobar si el producto avanza hacia el resultado previsto.
Los ingenieros y los agentes de programación ven la decisión detrás de una petición en lugar de una tarea aislada. Esto importa más a medida que más tickets van directamente a un agente; consulta nuestra guía para dar contexto de producto a los agentes de programación con IA.
Las decisiones erróneas se convierten en lecciones, no en reproches. Un buen registro no protege la decisión. Protege el proceso de razonamiento al hacer visibles las suposiciones.
Errores comunes
Registrar decisiones sin señales. Un registro de conclusiones sin enlaces a la evidencia es un archivo de opiniones.
Omitir la condición de revisión. Sin ella, nadie sabe cuándo ha caducado una decisión.
Tratar los resúmenes de IA como fuentes. Un tema generado es un puntero a la evidencia, no evidencia. Conserva los enlaces originales.
Escribir los registros a posteriori. El razonamiento reconstruido es un razonamiento complaciente. Escribe el registro cuando decides.
Registrar cada puerta de doble sentido. Si la plantilla se siente como burocracia, la gente deja de usarla. Reserva el registro completo para las elecciones caras.
No rellenar nunca el resultado. Un grafo con los campos de resultado vacíos es un registro de decisiones con pasos de más.
Dónde encaja Specky
En Specky, este es el ciclo en torno al cual se construye el producto: las señales de llamadas, feedback, Slack, Jira y analítica llegan al Product Graph con sus fuentes; el registro de decisiones guarda la elección y cita la evidencia que la respalda; las especificaciones y los tickets llevan citas en línea; y tras el lanzamiento puedes comprobar si la apuesta funcionó. Tu equipo sigue tomando la decisión. Los vínculos se crean mientras trabajas, en lugar de reconstruirse después.
Preguntas frecuentes
¿Qué es un grafo de decisiones en la gestión de producto?
Es un registro conectado de decisiones de producto. Cada decisión enlaza hacia atrás con las señales que la informaron (entrevistas, tickets, datos de uso) y hacia delante con el trabajo que creó y el resultado medido después. A diferencia de un registro de decisiones plano, permite a cualquiera rastrear una función lanzada hasta su evidencia, o una queja de un cliente hasta todas las decisiones que influyó.
¿En qué se diferencia un grafo de decisiones de un registro de decisiones?
Un registro de decisiones es una lista de entradas: qué se decidió, quién, cuándo. Un grafo añade vínculos a ambos lados de cada entrada, hacia la evidencia previa y hacia el trabajo y el resultado posteriores. El registro te dice qué pasó. El grafo te dice si el razonamiento resistió, y eso es lo que mejora las decisiones futuras.
¿Qué es la memoria de producto?
La memoria de producto es un nombre informal para el conocimiento acumulado de un equipo sobre por qué su producto es como es: la evidencia de clientes, las decisiones, los compromisos y los resultados detrás de cada función. Las notas y los documentos almacenan fragmentos. Solo resulta utilizable cuando esos fragmentos están vinculados, de modo que alguien nuevo pueda seguir el razonamiento sin preguntar a quienes estuvieron allí.
¿Cuánto tiempo lleva vincular las decisiones?
Menos de lo que se teme. Un registro completo es una página corta de texto cuando la evidencia ya está enlazada, y la mayoría de las puertas de doble sentido necesitan una sola línea. El coste mayor es el hábito de vincular trabajo y resultados con las decisiones. Los equipos que lo omiten pagan después, con ese más del 25 % de la semana laboral que, según Atlassian, la gente dedica a buscar información.
¿Los equipos pequeños realmente lo necesitan?
Los equipos pequeños son los que más lo necesitan, porque el contexto está concentrado en muy pocas personas. Con una antigüedad mediana de unos 3 años entre los trabajadores más jóvenes, quien sabe por qué se tomó una decisión a menudo se habrá ido tras unos pocos ciclos de producto. Una página de decisiones vinculadas cuesta menos que volver a discutir decisiones antiguas cada vez que se incorpora alguien.
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