4 de noviembre de 2026Actualizado el Fathy Shalaby12 min de lectura
¿Qué debería construir a continuación? Un marco de decisión para product builders
Una forma práctica para fundadores en solitario y product engineers de elegir lo siguiente que van a construir a partir de evidencias de clientes, uso del producto y pequeñas pruebas, y no de la petición más ruidosa ni de la última idea de IA.
¿Qué debería construir a continuación? Construye lo más pequeño que elimine un obstáculo bien documentado para un usuario concreto que hace una tarea importante. Si la evidencia es débil, tu siguiente paso es una prueba para aprender, no más código. Las herramientas de programación con IA hacen que lanzar un cambio sea barato; no te dicen si ese cambio importa. El marco que sigue ayuda a fundadores en solitario y product engineers a decidir en unos 15 minutos a la semana.
Ideas clave
El 80 % de las funcionalidades de un producto de software medio se usan poco o nunca (Pendo, 2019). Construir lo equivocado es lo normal, no la excepción.
El encaje producto-mercado deficiente fue un factor en el 43 % de los cierres de startups con capital riesgo que CB Insights analizó desde 2023 (CB Insights, 2026).
Empieza por un usuario y una tarea, no por una lista de funcionalidades. Cuenta usuarios y situaciones distintos, no menciones.
Ajusta el siguiente movimiento a tu mayor incógnita: entrevista, prototipo, prueba de demanda, spike técnico o desarrollo.
Las puntuaciones como RICE estructuran una discusión; no son un veredicto cuando los datos de entrada son suposiciones.
¿Cómo decides qué construir a continuación?
Cinco pasos, en orden:
Nombra al usuario y la tarea. ¿Quién tiene dificultades, haciendo qué, en qué situación?
Reúne señales. Comportamiento reciente, soluciones alternativas y fuentes originales, no un montón de ideas.
Comprueba la evidencia. Quién tiene el problema, cuándo ocurrió por última vez, cuánto cuesta y qué demostraría que te equivocas.
Elige entre construir o probar. Escoge el movimiento que resuelva la incógnita más importante.
Define lo mínimo útil que construir con criterios de aceptación, una barrera de protección y una fecha de revisión.
El resto de esta guía recorre cada paso y después te da una revisión semanal, un ejemplo de puntuación resuelto y un prompt de IA que organiza la evidencia sin inventarla.
Antes de comparar ideas, nombra quién tiene dificultades y qué intenta terminar. «Mejorar el onboarding» es demasiado amplio. «Ayudar a un fundador en solitario a convertir una llamada con un cliente en un brief que un ingeniero pueda implementar» es lo bastante concreto como para investigarlo.
Este es el núcleo del enfoque de jobs-to-be-done. Clayton Christensen y sus colegas sostuvieron en HBR que la innovación sigue siendo cuestión de suerte mientras los equipos se centran en los productos en lugar de entender por qué los clientes toman sus decisiones; en la encuesta de McKinsey que citan, el 84 % de los directivos calificó la innovación como extremadamente importante, mientras que el 94 % estaba insatisfecho con el rendimiento innovador de su organización (HBR, 2016).
Escribe una frase:
[Persona] intenta [tarea] cuando [contexto], pero [obstáculo]. Hoy [solución alternativa], lo que le cuesta [tiempo, esfuerzo, riesgo o resultado perdido].
Mantén juntos el usuario, la situación y la solución alternativa. Una petición como «añadir una exportación» puede significar compartir un informe, conservar un registro de auditoría o pasar datos a otro flujo de trabajo. Son problemas distintos con soluciones distintas. Nuestra plantilla de enunciado de problema de producto ayuda a convertir una petición en un problema comprobable.
¿Qué señales cuentan como evidencia de lo que hay que construir a continuación?
Reúne un pequeño conjunto de señales recientes de las personas a las que quieres servir:
Una persona que intenta completar el flujo de trabajo principal y no lo consigue.
Soluciones alternativas repetidas en mensajes de soporte o conversaciones con clientes.
Un usuario que vuelve a la misma tarea y se atasca en el mismo punto.
Una petición de funcionalidad con un ejemplo claro y reciente detrás.
Una métrica de producto que apunta a fricción, seguida de conversaciones que la explican.
Un riesgo estratégico o técnico que podría hacer poco fiable la promesa actual del producto.
Una señal resulta útil cuando tiene contexto: quién la vivió, qué estaba haciendo, cuándo ocurrió y qué hizo después. Guarda un enlace a la llamada, el ticket o el evento original. No dejes que un resumen sustituya a la evidencia.
No todas las señales valen lo mismo:
Señal más fuerte
Señal más débil
«El martes pasado exporté a una hoja de cálculo y arreglé las fechas a mano»
«Probablemente lo usaría»
Una solución alternativa que alguien mantiene cada semana
Un cumplido sobre la demo
Dinero o tiempo ya gastados en una solución
Una petición de funcionalidad sin ejemplo
La misma caída en los datos y en las entrevistas
Una sola cuenta que se hace oír
Un usuario que vuelve y se atasca otra vez
Un comentario de la IA diciendo que la idea es prometedora
The Mom Test, de Rob Fitzpatrick, se construye alrededor de esta distinción: cómo evitar comentarios sesgados en las conversaciones con clientes y saber si alguien va a comprar de verdad (The Mom Test). Para las notas de entrevistas, nuestra plantilla de síntesis de entrevistas con clientes separa lo que alguien hizo o dijo de la interpretación que podrías sentirte tentado a hacer.
¿Qué solidez tiene la evidencia de cada opción?
Para cada problema candidato, pregúntate:
¿Quién lo tiene? ¿Puedes nombrar el rol o el segmento a partir de evidencias, y no de una persona genérica?
¿Cuándo ocurrió por última vez? ¿Puede alguien describir una situación real y reciente?
¿Con qué frecuencia o a qué coste? ¿Interrumpe una tarea importante, genera trabajo manual repetido, retrasa una decisión o añade riesgo?
¿Qué hacen hoy? Una solución alternativa que la gente repite, mantiene o paga muestra más urgencia que los elogios.
¿Qué demostraría que esto es falso? Busca personas que no lo experimentan, una causa distinta o una solución existente más sencilla.
Cuenta situaciones y usuarios distintos, no menciones. Diez notas copiadas de un mismo cliente no son diez clientes. Un único caso de alto impacto aún puede merecer atención; llámalo riesgo concentrado en lugar de demanda amplia.
¿Construyes o haces antes una prueba?
Una buena decisión de producto no siempre termina en un ticket. Ajusta la siguiente acción a la mayor incertidumbre:
Lo que todavía no sabes
Siguiente movimiento pequeño
¿Es un problema real y doloroso para el usuario objetivo?
Entrevista a personas que lo vivieron hace poco; pregunta por la última vez y por la solución alternativa actual.
¿Los usuarios entienden el flujo propuesto?
Enseña un prototipo básico y observa una tarea real sin guiar.
¿Alguien dará un paso significativo hacia esta oferta?
Haz una prueba de demanda honesta con una promesa clara y una acción medible.
¿Puede el equipo entregarlo de forma segura y fiable?
Construye un spike técnico acotado con restricciones explícitas y casos de fallo.
¿Se entiende bien el problema y la solución tiene poco riesgo?
Lanza el cambio completo más pequeño y luego observa el uso y las barreras de protección.
Al principio, la prueba más barata suele ser hacer el trabajo a mano. El ensayo de Paul Graham Do Things That Don't Scale sostiene que reclutar usuarios manualmente y hacer algo «laboriosamente imposible de escalar» para arrancar es casi universal en las startups que triunfan (Paul Graham, 2013). Si ya tienes un prototipo, nuestro plan de validación de producto en 7 días explica una forma enfocada de probar el uso real. Unas pocas conversaciones o clics pueden orientar la siguiente prueba; no demuestran que exista un mercado. Para la pregunta anterior de si toda la idea se sostiene, consulta nuestra guía para validar una idea de SaaS.
¿Cómo priorizas lo que construir a continuación sin falsa precisión?
Cuando quedan varios candidatos, compáralos primero en lenguaje llano:
Importancia para el usuario: ¿qué tan central es esta tarea para el cliente objetivo?
Solidez de la evidencia: ¿comportamiento observado y fuentes originales, o sobre todo suposiciones?
Alcance: ¿a cuántos de los usuarios adecuados les ocurre esta situación?
Momento y riesgo: ¿qué empeora si esperas?
Esfuerzo y reversibilidad: ¿cuál es la prueba útil más pequeña y cuánto cuesta cambiar de rumbo?
Si quieres un número, RICE es el modelo más extendido. Sean McBride, de Intercom, lo definió como Reach (personas por periodo) multiplicado por Impact (3 enorme, 2 alto, 1 medio, 0,5 bajo, 0,25 mínimo) multiplicado por Confidence (100 % alta, 80 % media, 50 % baja), dividido entre Effort en personas-mes (Intercom, 2018). Puedes hacer las cuentas con nuestra calculadora RICE gratuita.
Ejemplo resuelto: tres candidatos para un fundador en solitario
Un ejemplo ilustrativo, no datos reales. Un fundador en solitario tiene unos 400 usuarios activos por trimestre y tres candidatos:
Candidato
Reach (por trimestre)
Impact
Confidence
Effort (personas-mes)
Puntuación RICE
A. Importación guiada de CSV
120 cuentas nuevas que llegan a la importación
2
80 %
1
192
B. Integración con Slack
60
1
50 %
2
15
C. Resumen de informes con IA
300
0,5
50 %
1,5
50
Las puntuaciones apuntan a A. Pero lo que decide es la evidencia que hay detrás:
El 80 % de confianza de A se apoya en que 5 de los 7 entrevistados recientemente describen una solución alternativa para la importación, y en un embudo que muestra que el 45 % de las cuentas nuevas se atascan en la importación. Eso es sólido.
B parecía popular: 9 peticiones. Pero 6 venían de una sola cuenta, así que son 4 usuarios distintos. Es una petición concentrada, no demanda amplia.
El alcance de C es una suposición: nadie ha pedido resúmenes, y un 50 % de confianza es generoso.
La decisión: construir una versión acotada de A con una revisión en dos semanas, escribir a los cuatro usuarios detrás de B para entender la tarea y aparcar C hasta que alguien describa el problema que resuelve. Una puntuación de 192 no es más objetiva que una de 150 si los datos de entrada son suposiciones; guarda la fuente y la confianza junto a cada número. Para un backlog dominado por peticiones, nuestra guía sobre cómo priorizar peticiones de funcionalidades en un equipo pequeño profundiza más.
¿Qué es lo mínimo útil que construir?
Una vez que decides construir, escribe el resultado para el usuario antes que los detalles de implementación:
Usuario objetivo y momento: ¿quién hará qué?
Evidencia del problema: ¿qué observación respalda el cambio?
Comportamiento esperado: ¿qué debería resultar más fácil o posible?
Fuera de alcance: ¿qué trabajo adyacente tentador queda excluido?
Criterios de aceptación: ¿qué puede verificar una persona en la experiencia terminada?
Barrera de protección: ¿qué no debe empeorar?
Fecha de revisión: ¿cuándo comprobarás si ayudó?
Esto mantiene a un agente de programación con IA o a un compañero centrado en el problema real. Un brief puede incluir restricciones técnicas, pero no dejes que el plan de implementación redefina en silencio la necesidad del usuario. Cuando la decisión está lista, la plantilla de PRD para agentes de programación con IA hace que el trabajo sea revisable.
¿Cómo haces una revisión semanal de «¿qué debería construir a continuación?»?
Quince minutos, una vez a la semana:
Reúne la evidencia más reciente en un solo lugar, con enlaces originales y fechas.
Agrupa las señales que describen el mismo problema de usuario; no mezcles tipos de usuario distintos porque hayan usado palabras parecidas.
Escribe el enunciado de problema más sólido y una explicación alternativa plausible.
Marca qué es observado, qué es inferido y qué es desconocido.
Elige el movimiento que resuelva la incógnita más importante: investigar, probar, construir, aplazar o parar.
Anota quién es responsable de la decisión y cuándo revisarás el resultado.
El árbol de oportunidades y soluciones (opportunity solution tree) de Teresa Torres es una imagen útil de esta misma lógica: un resultado deseado en la raíz, necesidades y puntos de dolor de los clientes como oportunidades debajo, y luego las soluciones y las pruebas de supuestos que las comparan (Product Talk, 2023). El resultado semanal puede ser un pequeño lanzamiento, una llamada con un cliente o la decisión de no construir. Los tres son progreso si reducen la incertidumbre sobre un problema importante. Cuando el próximo trimestre necesite forma, nuestro método de planificación de producto en 90 días para startups encadena estas decisiones semanales en un plan.
¿Cómo puede ayudar la IA a decidir qué construir sin delegar tu criterio?
Usa la IA para organizar la evidencia, no para inventar demanda. Dale material de origen que puedas usar y luego pide:
Agrupa estas señales de producto por problema de usuario. Para cada grupo, enumera los ID de origen y las observaciones exactas que lo respaldan. Separa hechos observados, interpretaciones y suposiciones. Incluye contraevidencias y contexto que falte. No inventes citas de clientes, tamaños de muestra, datos de uso, tamaño de mercado ni urgencia. Sugiere dos pruebas siguientes de bajo coste, explica qué demostraría y qué no demostraría cada una, y deja la decisión de construir al product owner.
Comprueba cada afirmación generada con la fuente. Si la respuesta no puede señalar una evidencia, trátala como una hipótesis que hay que probar. Desconfía especialmente de una IA que te diga que una idea es prometedora: no tiene acceso al comportamiento de tus usuarios.
¿Qué errores llevan a los builders a construir lo equivocado?
Construir lo que pidió el cliente que más se hace oír. Las seis peticiones de una cuenta no son seis clientes.
Tomar los cumplidos por demanda. «Se ve genial» no cuesta nada decirlo. Una solución alternativa que alguien mantiene le cuesta cada semana.
Lanzar amplitud para parecer completo. La cifra del 80 % de Pendo es el aspecto que tiene la amplitud acumulada.
Saltarse la fecha de revisión. Sin ella, nadie comprueba si el cambio ayudó, y la siguiente decisión vuelve a partir de la opinión.
Dejar que la ideación con IA fije la hoja de ruta. Las ideas generadas son baratas y seguras de sí mismas; la evidencia no es ni lo uno ni lo otro.
¿Dónde encaja Specky?
Gran parte del esfuerzo de este marco consiste en mantener la evidencia unida a las decisiones. Specky incorpora llamadas con clientes, feedback, Slack, Jira y analítica en un Product Graph, agrupa las señales por problema con enlaces a las fuentes originales y ofrece puntuación RICE con sugerencias de IA que puedes cambiar. Las specs y los tickets llevan citas en línea, y tras el lanzamiento Specky comprueba si el cambio hizo lo que debía.
Preguntas frecuentes
¿Cómo sé qué construir a continuación?
Elige el movimiento que mejor aborde un problema de usuario importante que puedas respaldar con evidencia: situaciones recientes y concretas de usuarios distintos, idealmente confirmadas por datos de comportamiento. Si el problema o la solución siguen siendo inciertos, haz la prueba útil más pequeña antes de ampliar el alcance. Si nada tiene evidencia sólida, tu siguiente paso son conversaciones con clientes, no código.
¿Qué debería construir a continuación un fundador en solitario?
Empieza por el momento en que un usuario objetivo llega al valor central de tu producto. Observa a una persona real intentar esa tarea, encuentra el mayor obstáculo y prueba una mejora concreta. Evita construir un conjunto amplio de funcionalidades para que el producto parezca completo; la mayoría de las funcionalidades se usan poco, y un fundador en solitario no puede permitirse mantenerlas.
¿Debería construir lo que piden los clientes?
Trata las peticiones como señales, no como especificaciones. Pregunta qué intentaba hacer la persona, qué pasó y qué solución alternativa usa ahora. Varias peticiones distintas pueden apuntar a un problema compartido, y la misma funcionalidad pedida puede resolver problemas distintos para usuarios distintos. Cuenta usuarios distintos, no menciones.
¿Es RICE una buena forma de decidir qué construir a continuación?
RICE es útil para estructurar una comparación: reach, impact, confidence y effort hacen explícitas las compensaciones. Se vuelve engañoso cuando los datos de entrada son suposiciones presentadas como datos. Guarda la evidencia y la confianza junto a cada puntuación, contrasta el alcance con usuarios distintos y deja que un responsable con nombre tome la decisión final.
¿Puede la IA elegir mi hoja de ruta de producto?
La IA puede resumir el feedback que le des, encontrar lenguaje repetido, redactar hipótesis y comparar opciones según los criterios que le indiques. No puede convertir la falta de evidencia en demanda de clientes ni asumir las consecuencias de una decisión. Mantén los enlaces a las fuentes y toma la decisión con las personas responsables del producto.
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