La IA está en todas partes, en cómo escribimos, en cómo investigamos, en cómo prototipamos y también en cómo tomamos decisiones de producto. Pero que podamos usarla no significa que debamos hacerlo siempre ni que el resultado sea automáticamente mejor. Nos sentamos con Nacho Bassino, VP de Producto, de AI, Product Ops en dLocal, autor y divulgador en la intersección entre estrategia, producto e inteligencia artificial y con una trayectoria muy larga liderando equipos de producto, para aterrizar qué usos de la IA tienen sentido hoy para product management y cuáles son puro ruido; cómo integrarla desde el research a la creación, pasando por el prototipado y qué cambia cuando empezamos a confiar en insights generados por modelos.
Hablamos de límites, de riesgos, de sesgos y sobre todo de responsabilidad.
Si te dedicas al producto y estás intentando separar lo útil de lo seductor, este episodio es para ti.
¡Sigue el podcast Realworld!
Escucha el episodio en Spotify, Apple Podcast o YouTube Music.
Suscríbete a nuestro canal en YouTube para no perderte ni un episodio.
¿Qué quieres que sepamos de ti?
Estoy en la cuarta fase de mi carrera. La primera fue como desarrollador de software. Después pasé a product management, que estudié hace más de 15 años, casi 18. Luego tuve una tercera fase como consultor, ayudando a compañías con su práctica de producto. Y la cuarta, la que más me llenó profesionalmente, es compartir lo que aprendí y lo que sigo aprendiendo: dar clases, acompañar con coaching, escribir, hacer comunidad. Me llena mucho y siento que aporta valor a la comunidad.
¿Cuánto crees que te ha ayudado haber empezado como desarrollador para ser lo que eres hoy?
Mucho. Siempre digo que los product managers pueden venir de cualquier disciplina, y eso trae fortalezas y debilidades. Yo nunca fui bueno en diseño y sigo apoyándome en buenos product designers. Si vienes de diseño, quizá necesitas apoyarte más en construir relación con el equipo técnico. A mí el background técnico me ayudó a detectar mi fortaleza y a apalancar mis debilidades para ser más completo.
Estás en dLocal en un puesto muy interesante. ¿A qué te dedicas?
Soy VP de Producto de AI, Product Ops y el servicio SCORE. En AI lo dividimos en dos grandes grupos. Uno: servicios para conectar la AI y facilitar que el resto de equipos consuma herramientas de AI (reconocimiento de texto, generación con LLM, creación de imágenes) mediante un gateway. Dos: habilitar a cualquier persona en dLocal —no importa su rol— para usar herramientas de IA y crear sus propios agentes. Hacemos mucho agentic development. Buscamos ser una empresa muy lean y desde el equipo de AI damos soporte para aprovechar esa potencia.
¿En qué partes del trabajo de producto tiene sentido usar IA y en cuáles no?
Yo soy muy bullish con la IA. Creo que en prácticamente todo el ciclo de desarrollo de producto, end to end, no solo se puede usar: hay que usarla. Donde es más difícil extraer un valor potente es en lo que requiere empatía real con otros seres humanos: entrevistas, stakeholder management… Ahí puede ayudar en la preparación, pero la última milla la cubrimos nosotros con nuestros “cerebros de carne”.
Vamos a dejar de pensar en product manager, developer o product designer… y vamos hacia AI builders.
¿Por qué hay personas en contra o que no la utilizan?
Veo dos vertientes. Una: no tienen contexto o herramientas por barreras organizativas (procurement, dudas de si se puede usar, etc.). La otra, más “real”, es que todavía no entendieron el impacto profundo que esto va a tener. Durante años, discovery y agilidad eran cruciales porque el coste de desarrollo era alto. En poco tiempo, el coste de desarrollo va a ser prácticamente cero, y eso obliga a repensarlo todo. Hay gente que se resiste: “tengo que hablar con el desarrollador”, “tengo que tener X dailies”… quizá no.
Las capacidades de inteligencia artificial que tenemos hoy son las peores que vamos a tener en el resto de nuestras vidas.
Totalmente. En Runroom nos ha cambiado por completo la forma de desarrollar.
En dLocal estamos trabajando mucho en agentic development: un agente toma un ticket de Jira, lo implementa y abre un pull request. Hoy estamos en un 42% de pull requests aceptados sin intervención humana. Eso cambia cómo concebimos el trabajo. Y siempre digo: las capacidades de IA que tenemos hoy son las peores que vamos a tener en el resto de nuestras vidas. Que hoy no pueda hacer X no es una excusa para no adaptarse.
¿Cómo usáis la IA en research dentro del ciclo de producto?
dLocal es muy enterprise, así que discovery es distinto a un B2C. Servimos a pocas compañías muy grandes. Hay mucho de conversaciones profundas con clientes para extraer insights y mucho de investigación regulatoria, de APIs, de cómo hacerlo dentro de la compañía: un discovery más interno. Codificamos base de conocimiento para responder rápido a requisitos de compliance y ejecución. Y en equipos más orientados a usuarios, lo más potente es la detección de patrones.
Antes era muy costoso juntar entrevistas, encuestas, NPS, reviews… y al final no lo juntábamos. Hoy puedes tener un robot 24/7 encontrando patrones entre fuentes dispersas. Eso no reemplaza el juicio humano, pero cambia el juego: si en vez de gastar 10 horas navegando información gasto 1, y dedico 9 a pensar implicancias, me vuelvo más estratégico y puedo generar más impacto.
¿Dónde no confías en ella?
En la parte que requiere empatía real: la última milla de entrevistas, double check, generar conexión. Y también en estrategia cuando falta contexto: si tengo que darle cinco años de historia de compañía, mercado, competidores, partnerships… es difícil empaquetar todo eso para que la IA lo use, mientras que una persona que vive ahí lo tiene en la cabeza.
Usuarios sintéticos: he visto gente crear un “GPT buyer persona” con cuatro frases y tratarlo como usuario real. ¿Qué opinas?
No recomiendo usuarios sintéticos para validación de nuevas ideas. Al final reduces a un patrón con sesgos: sesgos de lo capturado, de tu base actual, y no representa cómo se comportaría un usuario ante un producto nuevo. ¿Para qué sí sirve? Para preparación: probar si una entrevista tiene sentido, detectar puntos flojos, mejorar preguntas para seguir un hilo o hipótesis.
Y otro uso interesante: stakeholders. Si tengo un CFO escéptico, puedo “codificar” su perfil y ensayar mi pitch de roadmap para anticipar preguntas difíciles. La conversación real sigue siendo humana, pero llegas mucho mejor preparado.
¿Y para ideación?
Muy potente para generar volumen. Antes dependía de energía, tiempo y con quién te juntabas. Ahora puedes pedir 100 ideas en cinco minutos. Luego aplicas tu juicio, pero te da un recurso casi infinito.
¿Qué recomendaciones das a product managers sobre habilidades y herramientas?
La primera: no obsesionarse con qué curso hacer. Lo más importante es hacer. Piensa tu ciclo: discovery, preparación de entrevistas, síntesis, exploración de datos… y pregúntate: “¿cómo hago esto con IA?”. Te pones a trabajar y el propio AI te guía. Ahí emergen patrones: dominar interfaces tipo chat, construir agentes custom para tareas repetidas, crear un coach para priorización, personas sintéticas para preparación, etc.
Y luego vienen cosas vistosas como vibe coding, pero el truco es ese mindset.
Si tú no estás trabajando en reemplazar tu trabajo con AI, el de al lado lo va a hacer y te va a reemplazar completamente
¿En qué momento del prototipado la IA aporta valor real?
Cambia todo el ciclo de validación. Antes: entrevistas, definición, ideación, diseñador, prototipo, developer para algo funcional… semanas. Hoy: termino de hablar con el usuario, pido ideas a un modelo, las paso a una herramienta de prototipado, vuelvo y le enseño algo funcional en minutos. Es absurdo lo que acelera.
El año pasado escribí: “La IA acaba de hacer mis 15 años de experiencia obsoletos”. La forma de trabajar será completamente distinta. La IA tiene la experiencia combinada de muchísimos PMs y te pone niveles arriba. La pregunta es: ¿hasta cuándo? ¿Cuánto falta para que un niño con guía de IA haga product management como nosotros? Y mi filosofía es: si tú no estás trabajando en reemplazar tu trabajo con IA, alguien al lado lo hará y te reemplazará. Mejor ser tú quien va un paso adelante.
¿Has cambiado decisiones de producto gracias a insights generados por IA?
Más que cambiar, nos ayuda a formarlas. Con deep research puedes investigar cientos de fuentes y sintetizar en minutos. Antes no era viable. Entonces ya lo usamos desde el inicio para construir decisiones.
¿Qué procesos ha mejorado clarísimamente?
Research para estrategia en mercados como crypto, donde una compañía de payments necesita entender evolución y tendencias: lo que llevaba semanas ahora es un puntapié fuerte. Prototipado: acelera y robustece lo que viene después porque validas antes. Y análisis de datos: un humano mirando dashboards no puede sacar patrones como la IA. Le das una big table histórica y puede encontrar patrones mucho más fuertes.
¿Algún caso donde usar IA haya generado problemas?
Sí. Intentamos automatizar procesos para ganar velocidad y prometimos nuevas capacidades de negocio (por ejemplo, reconciliación y reportes más rápidos a clientes). Pero no se pudo, porque el pipeline de datos previo no estaba resuelto. Los humanos lo hacían de forma artesanal (copiar-pegar, unir fuentes), y sin ese contexto la IA no podía. Eso nos metió en problemas porque habíamos planteado timelines agresivos y meses después seguimos trabajando en ello.
Al poner IA en el producto, ¿qué nuevas responsabilidades asumimos como PM?
Dos cosas. Una: con GenAI, las respuestas no son deterministas. Hay que diseñar interfaces preparadas para variación. Dos: evaluación, las famosas evals. Antes escribíamos criterios de aceptación; ahora necesitamos evaluar relevancia y calidad con “judges”, decidir si una respuesta entra en patrones aceptables. Es un “esquina” nuevo, con una perspectiva distinta.
Nosotros estamos con observabilidad y economía de modelos (tokenomics), y es un campo brutal.
Total. Hay que optimizar llamadas, elegir modelos, observabilidad (prompt, respuesta, parámetros). Cambia el tipo de trazabilidad. Y además, ajustes pequeños pueden dar ganancias sistémicas enormes: en coste, precisión, velocidad, según el punto del flujo.
¿Te preocupa el impacto social de los productos de IA?
Me preocupa más el periodo de transición. A largo plazo creo que será beneficioso: muchas decisiones de producto hoy las toma gente sin criterio, y la IA puede elevar el promedio. Pero si se automatiza una parte enorme del trabajo en poco tiempo, ¿qué pasa con la sociedad? Eso me inquieta más: el impacto económico y social del cambio.
Incluso si paráramos hoy el desarrollo de IA, el impacto sería bestial igualmente.
Sí. Mucho de lo que no aprovechamos aún no es por falta de “inteligencia”, sino por falta de contexto: organizaciones sin conocimiento estructurado y aplicaciones listas para consumo. Eso se resolverá con ingeniería y foco. Cuando se resuelva, una parte enorme del trabajo manual dejará de ser necesaria.
¿Cómo creas impacto tú?
Lo separo en dos. En dLocal, la compañía procesa pagos en mercados emergentes: habilita acceso a servicios usando medios locales, incluso sin tarjeta de crédito. Eso tiene impacto. Y desde mi rol, mi mayor impacto es habilitar equipos para hacer mejores productos más rápido: dar contexto estratégico, voice of customer, ways of working.
La otra pata es comunidad: transmitir lo aprendido, comunidad de aprendizaje en Product Direction, videos, artículos, libros. Si ayudas a que otros hagan mejores productos, el usuario final recibe mejores experiencias.
Dentro de 10 años, ¿qué te gustaría que se dijera del papel de los PM en la adopción de IA?
Que fuimos pioneros. La IA está borrando roles: PM, developer, designer… y vamos hacia “AI builders” con un set de skills para construir pipelines y productos apoyados en IA. El PM está en la intersección entre negocio, usuario y tecnología, y la IA permite ir una milla extra: prototipar, codificar, ejecutar. Me gustaría que los PM lideren esa transición.
¿Algo que te hubiese gustado añadir?
Me gustó el roller coaster: emoción y luego impacto social. Me gustaría cerrar en positivo: viene una etapa increíblemente divertida, que nos quita trabajo repetitivo. Hay que marcar tendencia. Si dudas si adoptarlo: es absoluto. Si tú no lo adoptas, el de al lado lo hará y te quedas fuera. La recomendación es practicar y meterte en tema.
La conversación con Nacho deja una idea clara: la IA puede ser un acelerador brutal. El producto aporta velocidad, alternativas y síntesis, pero no puede sustituir el juicio, el contexto y la responsabilidad de decidir qué problema merece ser resuelto y a qué coste. También nos llevamos un recordatorio importante. Cuando usamos IA para entender a los usuarios, el riesgo no es solo equivocarnos, es empobrecer la mirada, perder matices, invisibilizar a quién no encaja en los datos y confundir una respuesta bien escrita con una verdad humana. Y cuando metemos IA dentro del producto, el rol de product manager se vuelve más exigente. Yo diría que no basta con entregar valor, sino que hay que responder por los efectos secundarios, los incentivos que creamos y el impacto social de lo que ponemos en el mundo. Un fuerte abrazo y os espero en el mundo real.