16 de octubre de 2026Actualizado el Fathy Shalaby13 min de lectura
Los cuatro riesgos de producto: qué cuenta como evidencia para cada uno
La IA abarató demostrar la viabilidad técnica. El valor, la usabilidad y la viabilidad de negocio siguen necesitando su propia evidencia, y una gran demo de prototipo vale menos de lo que parece. El Risk Receipt te muestra lo que de verdad has reducido.
Los cuatro riesgos de producto son el valor (¿los clientes lo comprarán o lo usarán?), la usabilidad (¿sabrán cómo usarlo?), la factibilidad (¿podemos construirlo?) y la viabilidad (¿funciona para el negocio?). El marco de Marty Cagan sigue vigente, pero la IA cambió la economía: ahora probar la factibilidad es barato, mientras que los otros tres riesgos siguen necesitando su propia evidencia. Una demo de prototipo dice mucho menos sobre el valor de lo que parece.
Ideas clave
Los cuatro grandes riesgos de Cagan son independientes: la evidencia de uno dice poco sobre otro (SVPG, 2017).
En el análisis de 2026 de CB Insights sobre 385 startups con capital de riesgo que fracasaron y cuya causa se conoce, el 43 % citó un mal product-market fit y el 19 % una economía unitaria insostenible. Son problemas de valor y de viabilidad, no de construcción (CB Insights, 2026).
Cinco usuarios de prueba encuentran alrededor del 85 % de los problemas de usabilidad, así que esa evidencia es barata de conseguir (Nielsen Norman Group, 2000).
La evidencia de valor es comportamiento con un coste asociado, y suele recogerse antes de que la gente vea tu solución.
Un Risk Receipt reúne cada afirmación, su evidencia y un veredicto honesto («cuenta / débil / sin verificar / sin examinar»), para que nadie confunda cuatro llamadas de demo agradables con validación.
¿Cuáles son los cuatro riesgos de producto?
Cagan expuso los cuatro grandes riesgos en un artículo de SVPG de 2017, y se han convertido en la lista de comprobación estándar del product discovery (SVPG, 2017):
Riesgo
La pregunta
Responsable en el modelo de Cagan
Evidencia más sólida
Evidencia más débil
Valor
¿Los clientes lo comprarán, o los usuarios elegirán usarlo?
Product manager
Comportamiento con coste: pilotos, preventas, soluciones alternativas por las que ya pagan
Intentos de tareas sin ayuda por parte de usuarios objetivo
Recorridos con stakeholders, «se ve limpio»
Factibilidad
¿Pueden los ingenieros construirlo con el tiempo, las habilidades y la tecnología que tenemos?
Lead engineer
Un camino funcional con datos realistas, con una lista de lo que se omitió
Una demo del camino feliz con datos de prueba
Viabilidad
¿Funciona para el resto del negocio?
Product manager
Coste de servicio, precios probados con un comprador, visto bueno de ventas, legal y soporte
«Ya veremos lo del precio más adelante»
En palabras de Cagan, la viabilidad es «si esta solución también funciona para los distintos aspectos de nuestro negocio». Eso abarca precios, coste de servicio, ventas, aspectos legales, cumplimiento normativo y soporte.
Los cuatro riesgos son independientes. Una funcionalidad puede ser trivial de construir, perfectamente usable y aun así no tener ningún valor. Puede tener un valor evidente y no ser viable, por ejemplo cuando cada uso cuesta más en inferencia de lo que paga el cliente.
¿Por qué la IA cambió qué riesgos de producto importan más?
Cuando construir era caro, la factibilidad era la puerta tras la que se acumulaba todo. Los equipos dedicaban el tiempo de discovery a los otros tres riesgos mientras ingeniería estimaba. Ahora que un prototipo funcional lleva una tarde, la cola ha desaparecido, y con ella la pausa forzada en la que antes se examinaban los demás riesgos.
Benedikt Kantus lo dijo sin rodeos en un ensayo de octubre de 2026: «AI has made feasibility almost trivial. It has not touched the other three.» (Leading in Product, 2026).
Los datos de fracasos coinciden en dónde mueren los productos. CB Insights estudió 431 empresas con capital de riesgo que cerraron desde 2023 y pudo identificar las causas de 385. «Se quedaron sin capital» encabezaba la lista con un 70 %, pero el informe lo considera la causa final y no la raíz. Por debajo: mal product-market fit con un 43 %, mal momento con un 29 % y economía unitaria insostenible con un 19 % (CB Insights, 2026). Y en los productos que sí sobreviven, el análisis de Pendo de 2019 encontró que el 80 % de las funcionalidades del producto medio se usan poco o nada (Pendo, 2019). El riesgo caro es el de valor, no el de construcción.
¿Está realmente resuelta la factibilidad?
Para prototipos, en su mayor parte. Para producción, no tanto. En el ensayo aleatorizado de METR, 16 desarrolladores de código abierto con experiencia, trabajando en 246 incidencias reales de sus propios repositorios, tardaron un 19 % más con las herramientas de IA de principios de 2025, aunque habían previsto una aceleración del 24 % y después creyeron haber sido un 20 % más rápidos (METR, 2025). Un seguimiento de febrero de 2026 con 57 desarrolladores encontró solo evidencia débil de una aceleración, con intervalos de confianza que incluyen el cero, y el propio METR advierte de que los datos son una medida poco fiable (METR, 2026). La lectura honesta: la primera versión es barata; los casos límite, la fiabilidad y el mantenimiento no son gratis.
¿Qué es un Risk Receipt?
El problema no es que los PM hayan dejado de preocuparse por los otros riesgos. Es que un prototipo pulido da la sensación de ser evidencia de los cuatro. Se lo enseñas a cinco personas, oyes «esto es genial», y el equipo sale convencido de que el valor, la usabilidad y la viabilidad están cubiertos. Cada riesgo tiene su propia moneda de evidencia, y la mayoría de los equipos paga con la equivocada.
Un Risk Receipt es un registro breve que adjuntas a cualquier apuesta de producto importante. Para cada uno de los cuatro riesgos de producto responde tres preguntas:
¿Cuál es la afirmación? Una frase, lo bastante concreta como para poder estar equivocada.
¿Qué evidencia tenemos y de qué tipo es? Enlazada a la fuente, no parafraseada.
¿Cuenta realmente esa evidencia para este riesgo? Esta es la parte que los equipos se saltan.
La tercera pregunta es la clave. La evidencia tiene un tipo de cambio. Alguna es moneda fuerte para un riesgo y casi no vale nada para otro.
¿Qué cuenta como evidencia para cada riesgo?
Valor: paga con comportamiento, no con cumplidos
Cuenta: clientes que describen el problema sin que se lo pidas, con un ejemplo reciente y concreto. Soluciones alternativas que ya usan (hojas de cálculo, scripts, procesos manuales) y que les cuestan tiempo real. Compromisos con un coste asociado: un hueco en el calendario, un piloto con sus datos, una preventa, una presentación a su jefe.
No cuenta: «Lo usaría.» El entusiasmo durante una demo. El porcentaje de clics de un prototipo en una sesión moderada. Votos en un tablero de ideas de gente que nunca pagará.
La señal de alerta: si la evidencia más fuerte de valor es alguien reaccionando a tu prototipo, has recogido evidencia de usabilidad y la has etiquetado como valor. La gente reacciona con educación a cualquier cosa que parezca competente. La evidencia de valor suele venir de antes de que vieran tu solución, de cómo hablan del problema. Formas baratas de conseguirla son una prueba de puerta falsa o una página de interés en preventa.
Usabilidad: paga con tareas observadas, no con opiniones
Cuenta: ver a un usuario objetivo real intentar una tarea real sin ayuda y anotar dónde duda o fracasa. Completar la tarea al primer intento. Las preguntas que hace en voz alta.
No cuenta: «Se ve limpio.» Un recorrido con stakeholders. Que tu propio equipo lo use a diario (ya sabe dónde está todo).
La señal de alerta: si nadie fuera del equipo ha intentado una tarea por su cuenta, la usabilidad está sin verificar, por muy bueno que parezca el prototipo.
Este es el único riesgo en el que el prototipado con IA ayuda de verdad. Un prototipo clicable y con datos reales te da observación de tareas reales semanas antes que una maqueta estática. Es una mejora real, pero solo para un riesgo. Nuestra plantilla de test de usabilidad explica cómo llevar a cabo las sesiones.
Factibilidad: paga con un camino funcional, incluidas las partes feas
Cuenta: un prototipo que funciona con volúmenes de datos realistas, permisos reales y latencia real. La lista honesta de un ingeniero con lo que el prototipo omitió: autenticación, migraciones, estados de error, la integración con límite de peticiones.
No cuenta: una demo del camino feliz con datos de prueba.
La señal de alerta: pregunta «¿qué no tuvo que manejar este prototipo?». Si la respuesta es larga, la factibilidad se ha reducido en parte, no del todo.
Viabilidad: paga con números que alguien ajeno a producto firmaría
Cuenta: una estimación del coste de servicio (en funcionalidades de IA, el coste por uso al volumen esperado). Una hipótesis de precio que le hayas dicho en voz alta a un comprador. Una consulta con quien lleve soporte, ventas, seguridad o legal. En B2B, si el proceso de compras de un comprador lo permite.
No cuenta: «Ya veremos lo del precio más adelante.» Suponer que el coste de uso es despreciable porque el prototipo era barato de ejecutar para una sola persona.
La señal de alerta: si nadie fuera del equipo de producto ha visto la apuesta, la viabilidad está sin examinar.
Un ejemplo práctico: cuatro clientes contentos, un recibo vacío
Imagina que eres un equipo fundador de dos personas que construye una herramienta B2B, y una llamada con un cliente te da una idea: un asistente de IA que redacta las actualizaciones de estado semanales a partir de la actividad del proyecto. Lo prototipas en un fin de semana. Funciona. Se lo enseñas a cuatro clientes en llamadas. Los cuatro dicen que les encanta.
Este es el Risk Receipt honesto:
Riesgo
Afirmación
Evidencia
¿Cuenta?
Valor
Los líderes de equipo usarán borradores semanales en lugar de escribir ellos mismos las actualizaciones
4 reacciones positivas en la demo
Débil: reacciones a una solución, no comportamiento. Nadie describió escribir actualizaciones como un problema antes de que se la enseñaras.
Usabilidad
Los líderes pueden revisar y enviar un borrador en menos de 5 minutos
Nada observado
Sin verificar: nadie lo probó por su cuenta.
Factibilidad
Los borradores siguen siendo precisos con datos reales de proyectos
Prototipo de fin de semana en tu propio espacio de trabajo
Parcial: sin prueba en un espacio de trabajo desordenado de un cliente.
Viabilidad
El coste por borrador se mantiene muy por debajo de lo que cobra el plan
No estimado
Sin examinar
Cuatro llamadas entusiastas, y el recibo dice que no has reducido casi nada. Eso no es motivo para descartar la idea. Es motivo para hacer tres comprobaciones baratas antes de construir la versión de producción:
Valor: vuelve con dos de esos clientes y pregúntales cómo escriben hoy las actualizaciones, cuánto tardan y qué pasó la última vez que una se retrasó. Escucha si aparece una solución alternativa.
Usabilidad: dale a un cliente el prototipo con sus propios datos y míralo usarlo, sin guía, durante un ciclo.
Viabilidad: multiplica el coste de modelo por borrador por el volumen semanal realista de toda tu base de clientes y compáralo con el precio del plan.
Las cuentas de la viabilidad (números ilustrativos). Supón que un borrador cuesta 0,06 € en llamadas al modelo en tu propio espacio de trabajo, pero un espacio de trabajo real de cliente tiene 5 veces más actividad, es decir, 0,30 € por borrador. Un cliente con 40 líderes de equipo genera 160 borradores al mes, o 48 € de coste de modelo, frente a un plan de 60 € al mes. Eso es el 80 % de los ingresos consumido por una sola funcionalidad. Mejor saberlo el día tres que en el mes tres.
Cada comprobación lleva días, no semanas. Ese es el verdadero dividendo de la factibilidad barata: puedes permitirte comprar evidencia real de los otros tres riesgos antes de comprometerte.
¿Cuántos clientes o usuarios necesitas para cada riesgo?
Usabilidad: bastan números pequeños. El análisis de Nielsen encontró que 5 usuarios descubren alrededor del 85 % de los problemas de usabilidad, y recomendó tres rondas de 5 con correcciones entre medias en lugar de una ronda de 15 (Nielsen Norman Group, 2000).
Valor: la cantidad importa menos que el coste de la señal. Dos clientes que te dan cada uno un piloto con sus propios datos pesan más que veinte que dicen «suena genial». Busca al menos 3 compromisos independientes antes de dar el valor por reducido en un segmento.
Factibilidad: una ejecución realista, revisada por el ingeniero que será responsable, más una lista escrita de lo que se omitió.
Viabilidad: un modelo de costes con supuestos explícitos y una conversación con cada área que tenga que dar el sí (ventas, soporte, legal o seguridad).
Son puntos de partida para un equipo pequeño, no valores de referencia.
¿Por qué los recibos son mejores que una lista de comprobación de discovery?
Podrías convertir los cuatro riesgos en una lista de comprobación. Los equipos lo hacen. Las listas fallan de forma predecible: alguien marca «valor validado» porque una demo salió bien, y la marca oculta cuál fue la evidencia.
Un recibo mantiene la evidencia unida a la afirmación. Tres meses después, cuando la funcionalidad rinde por debajo de lo esperado y alguien pregunta «¿por qué construimos esto?», la respuesta no es un recuerdo ni una diapositiva. Es un registro: esto creíamos, esto vimos, estos son los riesgos que dejamos abiertos a sabiendas. Para ver la estructura que mantiene esos registros enlazados con el tiempo, consulta nuestro grafo de decisiones para equipos pequeños de IA. Si tu equipo entrega sin recibos, compáralo con las 10 señales de alerta de una feature factory.
Esto último importa. Entregar con un riesgo abierto suele ser la decisión correcta, porque los equipos pequeños no pueden permitirse reducirlo todo. El error es entregar con un riesgo abierto que creías cerrado.
Errores frecuentes
Contar las reacciones en la demo como valor. El error más común. Las reacciones son, como mucho, evidencia de usabilidad.
Probar la usabilidad con gente de dentro. Los compañeros y los clientes amigos ya conocen la lógica del producto.
Tratar un prototipo como prueba de factibilidad en producción. Pide siempre la lista de lo omitido.
Dejar la viabilidad para «más adelante». Sobre todo en las funcionalidades de IA, el coste por uso puede convertir una funcionalidad querida en una que da pérdidas.
Intentar reducir todos los riesgos. Elige el riesgo o los dos riesgos que matarían la apuesta y compra primero evidencia para esos. Nuestra guía de mapeo de supuestos ayuda a ordenarlos.
Cómo usamos los Risk Receipts en Specky
Las señales de clientes (notas de entrevistas, hilos de soporte, transcripciones de llamadas, eventos de analítica) llegan al Product Graph como nodos tipados, cada uno con su fuente. Un insight o una decisión redactados citan los nodos concretos en los que se apoyan, de modo que «cuatro clientes lo adoraron» no pueda convertirse sin que nadie lo note en «los clientes necesitan esto». Para la comprobación de valor, Alex, el agente de investigación con IA de Specky, puede hacer entrevistas cortas sobre el proceso actual de los clientes antes de que vean tu solución, y las transcripciones vuelven como evidencia. Para la demanda temprana, una página de validación mide si la gente realiza una acción que tiene un coste. El criterio sobre qué riesgos dejar abiertos sigue siendo tuyo.
Empieza esta semana con un recibo
No necesitas una herramienta para empezar. Elige la apuesta que más ilusión le hace ahora mismo a tu equipo, la del mejor prototipo. Escribe cuatro líneas:
Si la apuesta más emocionante tiene el recibo más vacío, has encontrado adónde debería ir tu próxima semana de discovery. También puedes esbozar los supuestos de forma visual con la herramienta gratuita de mapa de supuestos.
La factibilidad era la pregunta cara. Ahora es la barata. Los equipos que ganen este ciclo no serán los que construyan más rápido. Serán los que puedan mostrar qué sabían cuando decidieron.
Preguntas frecuentes
¿Cuáles son los cuatro grandes riesgos de Marty Cagan?
Son el riesgo de valor (¿los clientes lo comprarán o elegirán usarlo?), el riesgo de usabilidad (¿los usuarios pueden descubrir cómo usarlo?), el riesgo de factibilidad (¿pueden los ingenieros construirlo con el tiempo, las habilidades y la tecnología disponibles?) y el riesgo de viabilidad de negocio (¿funciona para el resto del negocio?). Cagan los publicó en SVPG en 2017 y asigna el valor y la viabilidad al product manager.
¿Cuál de los cuatro riesgos de producto se subestima más a menudo?
El riesgo de valor. Un prototipo funcional y unas reacciones educadas crean una fuerte sensación de validación que no está respaldada por comportamiento. El estudio de CB Insights de 2026 encontró que el 43 % de las startups fracasadas con causa conocida citó un mal product-market fit. La viabilidad queda muy cerca en las funcionalidades de IA, donde el coste por uso puede superar al precio.
¿Un prototipo prueba el riesgo de valor?
Pocas veces por sí solo. Enseñar un prototipo prueba sobre todo la usabilidad y algo de factibilidad. La evidencia de valor viene de un comportamiento con coste: gente que describe el problema sin que se lo pidas, soluciones alternativas existentes, pilotos, preventas o presentaciones a otras personas. Puedes usar un prototipo en una prueba de valor, por ejemplo pidiendo un piloto de pago, pero la reacción por sí sola no cuenta.
¿Cómo se prueba el riesgo de viabilidad de negocio?
Anota los números que alguien ajeno a producto tendría que aprobar: coste de servicio por cliente, precio esperado, carga de soporte y cualquier restricción legal, de seguridad o de compras. Luego enséñaselos a esas personas. En las funcionalidades de IA, multiplica el coste por uso por un volumen realista y compáralo con el precio del plan antes de comprometerte a construir.
¿Hizo la IA que el riesgo de factibilidad desapareciera?
No, hizo barata la primera versión. Los prototipos ahora llevan horas, pero el trabajo de producción en bases de código maduras es otra cosa: el ensayo de METR de 2025 encontró que desarrolladores con experiencia tardaban un 19 % más con herramientas de IA en sus propios repositorios, y su seguimiento de 2026 halló solo evidencia débil de una aceleración. Sigue preguntando qué no tuvo que manejar un prototipo.
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