5 de noviembre de 2026Actualizado el Fathy Shalaby16 min de lectura
¿Qué hace un AI product manager? Rol, responsabilidades y habilidades
Un AI product manager decide dónde encaja la IA, define cómo se comporta cuando se equivoca, fija el nivel de evaluación y es responsable del resultado. Responsabilidades, habilidades, una comparación de roles y una descripción de puesto para copiar.
Un AI product manager decide qué problema de usuario merece resolverse con IA, define cómo debe comportarse el sistema cuando acierta, cuando duda y cuando se equivoca, fija el nivel de evaluación antes del lanzamiento y se hace responsable de si la función mejora el trabajo del usuario después de salir. El rol conserva el criterio de producto habitual y añade decisiones sobre datos, comportamiento del modelo, coste, riesgo y supervisión humana.
Ideas clave
El título abarca tres trabajos distintos. Un PM que usa herramientas de IA, un PM que es responsable de una función de IA y un PM de un producto nativo de IA. Solo los dos últimos necesitan las habilidades de abajo.
La evaluación es la nueva spec. La IA generativa da salidas distintas para la misma entrada, así que el AI PM escribe casos de prueba y un umbral de aprobación, no solo requisitos (SVPG, 2024).
La adopción ya no es lo difícil. El 88 % de las organizaciones usa IA en al menos una función, pero solo alrededor de un tercio la está escalando (McKinsey, 2025).
El trabajo continúa después del lanzamiento. Las actualizaciones del modelo, los cambios de prompt y el nuevo comportamiento de los usuarios mueven la calidad, así que alguien tiene que volver a ejecutar las evals y vigilar las tasas de corrección.
Una buena descripción de puesto de AI PM nombra un área de producto, un resultado y el límite con ingeniería. Copia la plantilla de abajo.
¿Qué es un AI product manager?
Un AI product manager es un product manager cuyas decisiones determinan cómo se comporta un sistema de IA dentro de un producto. Marty Cagan y Marily Nika definen la gestión de producto de IA como la creación de productos impulsados por IA, y no como el uso de herramientas de IA por parte de los PM (SVPG, 2024).
Trabajo de producto normal, con la IA ayudando en síntesis de investigación, redacción y análisis
No. Eso es todo PM hoy
Un PM de una función de IA
Una función que usa un modelo dentro de un producto más grande, como sugerencias de respuesta o búsqueda con IA
Sí
Un PM de un producto nativo de IA
Un producto donde la IA es central en el flujo de trabajo y la calidad depende de cómo se manejan la incertidumbre y las excepciones
Sí, en profundidad
Las herramientas ya están en todas partes. En la encuesta de 2026 de Product Institute a 309 líderes de producto, el 85 % dijo usar herramientas de IA en el trabajo de producto y el 70 % dijo haber lanzado funciones con IA (Product Institute, 2026). Usar ChatGPT para resumir entrevistas no convierte a nadie en AI PM. Ser responsable del comportamiento de una función de IA, sí.
Por qué existe el rol ahora
Andrew Ng sostuvo en enero de 2025 que la gestión de producto de IA necesita un conjunto de habilidades distinto al de la gestión de producto de software tradicional, y predijo una demanda muy fuerte de buenos AI PM (The Batch, 2025). Los datos de contratación apuntan en la misma dirección: el 2,5 % de las ofertas de empleo en EE. UU. mencionan ya habilidades de IA, un 55 % más que el año anterior (Lightcast sobre el AI Index 2026 de Stanford).
La razón de fondo es que la salida de la IA es incierta. Cagan y Nika lo dicen claro: «Generative AI, by its nature, is probabilistic, not deterministic.» La misma entrada puede producir salidas distintas, lo que cambia cómo un PM escribe requisitos, prueba la calidad y planifica un lanzamiento.
¿Qué hace un AI product manager en el día a día?
La semana de un AI PM mezcla el trabajo de producto ordinario con tres ciclos propios de la IA: revisar salidas, actualizar el conjunto de evaluación y equilibrar calidad, velocidad y coste.
Esta es una semana ilustrativa para una PM responsable de una función de IA que redacta respuestas para un equipo de soporte:
Día
Actividad principal
Qué produce
Lunes
Revisar con la responsable de soporte 40 borradores marcados la semana pasada
6 nuevos casos de fallo añadidos al conjunto de evaluación
Martes
Dos llamadas con clientes sobre dónde los agentes siguen reescribiendo borradores
Una nota sobre los dos tipos de ticket con mayor tasa de corrección
Miércoles
Sesión de compromisos con el ingeniero sobre un modelo más barato
Decisión: probar el modelo más barato solo con tickets rutinarios
Jueves
Ejecutar el conjunto de evaluación con ambos modelos; leer cada fallo crítico
Nota de go/no-go con tasas de aprobación por tipo de ticket
Viernes
Revisión semanal de resultados: aceptación, distancia de edición, tiempo de gestión
Una actualización de un párrafo y la apuesta de la semana siguiente
En este ejemplo, aproximadamente un tercio de la semana se va en leer salidas reales. Un PM que solo lee dashboards pasará por alto el fallo que importa a un grupo de clientes clave. Las herramientas de este ciclo se tratan en el stack nativo de IA para PM técnicos.
¿Cuáles son las responsabilidades principales de un AI product manager?
Estas responsabilidades aparecen en los equipos bien dirigidos, aproximadamente en el orden en que una función las atraviesa.
1. Decidir si la IA tiene cabida en la solución
Empieza con un usuario, una situación y la tarea que intenta completar. Después pregunta si hace falta IA. Las Rules of Machine Learning de Google, escritas por Martin Zinkevich, abren con: «Don't be afraid to launch a product without machine learning.» (Google). Un flujo basado en reglas, un mejor cuadro de búsqueda o un formulario más simple suelen resolver el problema con menos incertidumbre.
Escribe qué recibe el sistema, qué devuelve y qué puede hacer la persona a continuación. Decide si la IA debe sugerir, resumir, ordenar, generar o actuar.
Después especifica el comportamiento ante fallos:
¿Qué pasa cuando la entrada está incompleta o fuera de alcance?
¿Cuándo debe el sistema abstenerse, hacer una pregunta de seguimiento o traspasar a una persona?
¿Puede el usuario revisar, editar o deshacer el resultado?
¿Qué no debe hacer nunca, sea cual sea el prompt?
Las 18 Guidelines for Human-AI Interaction de Microsoft Research, validadas con 49 profesionales del diseño en 20 productos de IA, son una lista de comprobación útil aquí. Las dos primeras pautas son dejar claro qué puede hacer el sistema y con qué nivel de acierto (Microsoft Research, 2019).
3. Fijar el nivel de evaluación antes de pulir la demo
Una demo convincente no es un listón de calidad. El AI PM convierte «suficientemente bueno» en casos de prueba realistas y un umbral de aprobación que el equipo acuerda antes del lanzamiento, sustituyendo la revisión por intuición por evals estructuradas (Aman Khan en Lenny's Newsletter, 2025).
Un ejemplo práctico, con cifras ilustrativas para la función de respuestas de soporte:
Escribe una rúbrica de tres niveles: enviar tal cual, enviar tras retoques leves, inutilizable.
Marca 10 de los 20 casos de fallo como críticos, como prometer un reembolso que la política no permite.
Fija el listón de lanzamiento: al menos el 85 % de los tickets rutinarios utilizables, al menos el 60 % de los casos límite utilizables, cero fallos críticos.
Lee los resultados por tipo de ticket, no solo la media. Una tasa de aprobación global del 90 % puede esconder una tasa del 40 % en los tickets de facturación.
Los desarrolladores ya notan este problema: el 66 % en la encuesta de Stack Overflow de 2025 citó las respuestas de IA casi correctas como su principal frustración (Stack Overflow, 2025). Tus usuarios también lo notarán. El método detallado está en nuestra guía sobre un marco de evaluación de IA para equipos de producto.
4. Equilibrar coste, latencia y calidad con ingeniería
Cagan y Nika señalan los compromisos entre precisión, velocidad, coste y experiencia de usuario como decisiones de producto de IA (SVPG, 2024). En la práctica, el PM y el ingeniero acuerdan:
El coste por tarea completada con éxito, no el coste por llamada
La latencia que el usuario tolerará para esta tarea
Qué datos puede leer, almacenar o enviar el sistema a un proveedor de modelos
El umbral de calidad que justifica un modelo más caro
El PM es responsable del problema y del listón de aceptación; ingeniería es responsable del diseño técnico y de la calidad en producción.
5. Planificar un lanzamiento acorde al riesgo
Un borrador que una persona revisa necesita un despliegue distinto al de una acción de IA que cambia datos de clientes o envía un mensaje. Define un responsable, un kill switch, un plan de reversión y una forma de inspeccionar los fallos.
Comprueba pronto las obligaciones regulatorias. Desde el 2 de agosto de 2026, el artículo 50 de la Ley de IA de la UE exige informar a las personas cuando interactúan con un sistema de IA salvo que sea evidente, y exige marcar el contenido sintético, con una transición hasta el 2 de diciembre de 2026 para los sistemas generativos que ya estén en el mercado (Cooley, 2026). Eso cambia la interfaz, así que también es una decisión de producto.
Para un vocabulario de riesgo común, el NIST AI Risk Management Framework, voluntario (publicado el 26 de enero de 2023, con un Perfil de IA generativa añadido el 26 de julio de 2024), agrupa el trabajo en Govern, Map, Measure y Manage. No sustituye una revisión legal o de seguridad específica del sector.
6. Ser responsable del resultado después del lanzamiento
El uso por sí solo no prueba valor; una función popular puede añadir trabajo de revisión. Haz seguimiento de si los usuarios aceptan, editan o descartan las salidas, cuánto tarda la tarea de principio a fin y qué carga de soporte genera. La regla 2 de las Rules of ML de Google es diseñar e implementar métricas antes que nada, y se aplica igual a las funciones con LLM (Google).
7. Mantener conectado el razonamiento
Guarda juntos la evidencia, la decisión, el contrato de comportamiento, los resultados de evaluación y el resultado del lanzamiento, de modo que cuando la calidad cambie tras una actualización del modelo el equipo pueda ver qué se había supuesto. La versión a nivel de equipo de este ciclo está en gestión de producto nativa de IA para equipos pequeños.
¿Quién opera y mejora un producto de IA después del lanzamiento?
El AI PM es responsable del resultado y del listón de calidad tras el lanzamiento; ingeniería es responsable de la fiabilidad del sistema. En empresas más grandes, un equipo de ML o de plataforma puede ser dueño de la capa del modelo.
El trabajo posterior al lanzamiento de una función de IA suele incluir:
Volver a ejecutar el conjunto de evaluación ante cada cambio de modelo, prompt o retrieval, antes de que salga
Muestrear salidas en vivo cada semana y añadir los nuevos fallos al conjunto de evaluación
Vigilar las tasas de corrección y abandono por segmento de usuario, no solo en agregado
Revisar el coste por tarea completada con éxito a medida que crece el volumen
Decidir cuándo retirar la función si deja de ganarse su sitio
La encuesta de McKinsey de 2025 a 1.993 encuestados halló que el 62 % de las organizaciones experimenta con agentes de IA, pero solo el 23 % los está escalando (McKinsey, 2025). La responsabilidad posterior al lanzamiento explica buena parte de la diferencia.
¿Qué habilidades necesita un AI product manager?
Andrew Ng enumera cinco habilidades para los AI PM: dominio técnico de la IA, desarrollo iterativo, dominio de los datos, gestión de la ambigüedad y aprendizaje continuo (The Batch, 2025). En términos cotidianos:
Habilidad
Cómo se ve en la práctica
Cómo demostrarla en una entrevista
Product discovery
Encuentra un problema concreto de usuario y lo prueba con comportamiento real
Un problema que descartaste tras cinco conversaciones con clientes
Cultura de IA
Entiende a nivel conceptual las salidas variables, los límites de contexto, el retrieval y los compromisos del fine-tuning
Explicar por qué una función falló con documentos largos
Diseño de evaluación
Convierte una expectativa de calidad en casos de prueba, una rúbrica y un umbral de aprobación
Recorrer un conjunto de evaluación que construiste
Criterio sobre datos
Sabe qué datos necesita la función, de quién son y qué cubre el consentimiento
Un problema de acceso a datos que resolviste
Razonamiento de compromisos
Pondera precisión, latencia, coste por tarea y confianza del usuario
Una elección de modelo o proveedor que hiciste y por qué
Riesgo y supervisión
Diseña rutas de abstención, traspaso y deshacer; conoce las reglas de información
Un modo de fallo para el que diseñaste una salida
Medición de resultados
Vincula el comportamiento del modelo con el éxito de la tarea, la retención y los ingresos
La métrica que vigilarías en la primera semana
Un AI PM no tiene que ser investigador de machine learning. Sí necesita leer salidas en bruto, hacer preguntas informadas y, como señala Ng, construir cada vez más prototipos por sí mismo.
AI product manager vs PM tradicional vs ML product manager: ¿cuál es la diferencia?
Los tres títulos se solapan, pero cada uno pone el peso en decisiones distintas. «ML product manager» es el título más antiguo, usado sobre todo para productos basados en modelos entrenados como ranking, recomendaciones y detección de fraude. «AI product manager» suele significar hoy un PM que trabaja con modelos generativos y agentes, aunque muchas empresas usan los títulos de forma intercambiable.
PM tradicional
ML product manager
AI product manager (IA generativa)
Producto típico
Software de flujos de trabajo, funciones SaaS
Recomendaciones, ranking de búsqueda, puntuaciones de fraude, previsiones
Asistentes, redacción, resúmenes, agentes que ejecutan acciones
Comportamiento del sistema
Determinista: misma entrada, misma salida
Estadístico: tasas de error predecibles en una tarea definida
Probabilístico y abierto: salida libre, amplio rango de entradas
Principal artefacto de calidad
Requisitos y criterios de aceptación
Métricas de modelo offline (precisión, recall) más pruebas A/B
Conjuntos de evaluación con rúbricas, revisión humana, muestreo de salidas en vivo
Trabajo con datos
Analítica e instrumentación
Datos de entrenamiento, etiquetas, pipelines de features
Fuentes de retrieval, contexto, prompts, datos de feedback
Mayor riesgo de fallo
Construir lo equivocado
Deriva del modelo, datos de entrenamiento sesgados
Respuestas erróneas con aplomo, acciones inseguras, coste impredecible
Trabaja más de cerca con
Diseño, ingeniería
Científicos de datos, ingenieros de ML
Ingenieros, diseñadores, revisores de dominio, legal
Patrón de lanzamiento
Lanzar, medir, iterar
Modo shadow y luego prueba A/B
Despliegue escalonado, revisión humana primero, puerta de evaluación en cada cambio
En un equipo pequeño, una sola persona suele cubrir los tres. Las habilidades se transfieren; cambia la ponderación. Junto a un ingeniero de IA o ML, que es dueño del modelo, el retrieval y las salvaguardas, el AI PM es responsable del problema, del contrato de comportamiento y del listón de evaluación. Para ver cómo el abaratamiento de construir está remodelando estos roles, consulta qué significa el debate sobre la proporción PM-ingeniero.
Plantilla de descripción de puesto de AI product manager
Copia esta descripción de puesto de AI product manager y sustituye las partes entre corchetes. Está escrita para atraer a personas que son responsables de resultados y no de volumen de prompts.
AI Product Manager, [área de producto]
Sobre el puesto
Serás responsable de [área de producto / función de IA], usada por
[quién] para [tarea que intenta completar]. Decidirás dónde encaja la
IA en el flujo de trabajo, cómo debe comportarse cuando duda o se
equivoca, y si está mejorando [métrica de resultado]. Reportas a
[nombre/cargo] y trabajas a diario con [N] ingenieros, [N]
diseñador(es) y [revisores de dominio].
Qué harás
- Encontrar y dimensionar problemas de usuario mediante entrevistas,
datos de soporte y analítica de producto; decidir cuándo la IA no es
la respuesta correcta.
- Escribir contratos de comportamiento: entradas, salidas, límites,
reglas de abstención y traspaso, y lo que el sistema nunca debe
hacer.
- Construir y mantener el conjunto de evaluación con ingeniería; fijar
el umbral de aprobación para el lanzamiento y para cada cambio de
modelo o prompt.
- Equilibrar coste, latencia y calidad, incluidas las elecciones de
modelo y proveedor, con un objetivo claro de coste por tarea
completada con éxito.
- Planificar despliegues escalonados con un responsable, monitorización
y una vía de reversión; trabajar con legal en las obligaciones de
información y de datos.
- Ser responsable de los resultados posteriores al lanzamiento: tasas
de aceptación, corrección y abandono, tiempo de tarea, carga de
soporte e impacto en ingresos.
- Mantener documentadas la evidencia, las decisiones y los resultados
para que el equipo pueda explicar por qué el producto se comporta
como lo hace.
Cómo se ve el éxito
- 30 días: puedes explicar los 5 principales modos de fallo a partir
de leer salidas reales, y el conjunto de evaluación los cubre.
- 90 días: un cambio de IA lanzado a través de una puerta de
evaluación acordada, con un efecto medido en [métrica de resultado].
- 180 días: un ciclo de revisión regular (muestreo semanal de salidas,
revisión mensual de resultados) que funciona sin que tengas que
perseguirlo.
Qué aportas
- [N]+ años en gestión de producto o en un rol muy cercano.
- Experiencia lanzando al menos una función cuya calidad de salida
era incierta (ML, búsqueda, recomendaciones o IA generativa).
- Suficiente profundidad técnica para prototipar con una API de
modelos y leer un informe de evaluación; no necesitas entrenar
modelos.
- Soltura con los datos: sabes escribir o leer SQL básico y analítica.
- Evidencia de customer discovery, no solo de entrega.
- Deseable: experiencia en [dominio] o con flujos de revisión humana.
Antes de publicarla, comprueba que el rol nombra un área de producto y da al PM acceso real a clientes y a salidas en bruto. Sin ambas cosas, el puesto es coordinación, no gestión de producto.
¿Cómo saber si un rol de AI PM está bien definido?
Tanto si contratas como si te postulas, comprueba cuatro cosas: el rol nombra un usuario, un área de producto y un resultado; el PM puede decidir que la IA no es la respuesta; el PM define con ingeniería la evaluación y el despliegue; y el éxito se mide en resultados, no en prompts escritos ni demos lanzadas. Si un solo rol es responsable de estrategia, arquitectura de modelos, ciencia de datos, cumplimiento y QA sin un área definida, son varios trabajos con un solo título. La propia regla práctica de Ng sitúa las proporciones típicas ingeniero:PM entre 4:1 y 10:1, siendo 6:1 lo habitual (The Batch, 2025). Un AI PM que cubre 30 ingenieros en cinco funciones de IA no tendrá tiempo de leer salidas, que es la parte del trabajo que no se puede omitir.
Errores comunes de los AI product managers
Empezar por el modelo. Un modelo nuevo no es un problema de usuario. Empezar ahí produce demos, no productos.
Lanzar según promedios. Una tasa de aprobación global esconde el segmento donde la función falla gravemente.
Tratar el conjunto de evaluación como terminado. Sin casos nuevos de fallos en vivo, deja de medir el producto que la gente usa.
Ignorar el coste hasta la factura. El coste por tarea completada con éxito puede dispararse cuando crece el uso o el contexto se alarga.
Medir aperturas en lugar de resultados. Una función en la que se hace clic y que luego se edita mucho puede estar añadiendo trabajo.
Dejar la información al usuario para el final. Decir a los usuarios que hablan con una IA cambia la interfaz. Diséñalo desde el principio.
Dónde encaja Specky
Specky es un sistema de producto nativo de IA que mantiene en un solo lugar el razonamiento detrás de una función de IA. Lee llamadas con clientes, feedback, Slack, Jira y analítica en un Product Graph, redacta PRD con la evidencia de clientes citada en línea y comprueba tras el lanzamiento si la apuesta funcionó. Para un primer borrador de la spec de una función de IA, prueba el generador de PRD gratuito o lee nuestra guía de PRD con IA.
Preguntas frecuentes
¿Qué es un AI product manager?
Un AI product manager es un PM cuyas decisiones determinan cómo se comporta un sistema de IA dentro de un producto. Elige dónde encaja la IA, define su comportamiento y sus límites, fija el nivel de evaluación y es responsable del resultado tras el lanzamiento. Un PM que solo usa herramientas de IA para su propio trabajo no es un AI PM en este sentido; hoy lo hace todo PM.
¿Cuáles son las principales responsabilidades de un AI product manager?
Las principales responsabilidades son decidir si la IA encaja con el problema, escribir el contrato de comportamiento incluido el manejo de fallos, construir con ingeniería el conjunto de evaluación y el listón de lanzamiento, equilibrar coste y calidad, planificar un despliegue acorde al riesgo y ser responsable de los resultados posteriores al lanzamiento. Las obligaciones de información y de datos, como el artículo 50 de la Ley de IA de la UE, forman parte de ese trabajo.
¿Cuál es la diferencia entre un ML product manager y un AI product manager?
Un ML product manager trabaja tradicionalmente en productos de modelos entrenados como ranking, recomendaciones o puntuaciones de fraude, con métricas offline como precisión y recall. Un AI product manager suele trabajar con modelos generativos y agentes, donde las salidas son abiertas y la calidad se juzga con conjuntos de evaluación y revisión humana. Muchas empresas usan los títulos de forma intercambiable.
¿Necesita un AI product manager formación técnica?
Necesita fluidez técnica, no un perfil investigador. Un AI PM debe entender a nivel conceptual cómo funcionan los modelos, el contexto, el retrieval y la evaluación, poder prototipar con una API de modelos y leer un informe de evaluación. Andrew Ng incluye el dominio técnico de la IA y el dominio de los datos entre las habilidades centrales de un AI PM, junto con la gestión de la ambigüedad.
¿Cómo te conviertes en AI product manager?
Lanza una función cuya calidad de salida sea incierta y luego muestra cómo la mediste: un pequeño conjunto de evaluación, un contrato de comportamiento con modos de fallo y lo que cambiaste después de leer las salidas. Ese portafolio vale más que un certificado. Nuestra página para aspirantes a AI PM enumera puntos de partida prácticos.
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