Clase 149 — Prototipos y aprendizaje temprano

Parte: 12 — Producto e innovación
Nivel: Etapa 3 — Manager → Gerente
Duración sugerida: 150–180 minutos · Estándar: deep-class-v2

🎯 Propósito

Un prototipo sirve para aprender antes de incurrir en el costo completo de construcción. Su fidelidad debe ser la mínima necesaria para probar la pregunta específica: desirability, comprensión, flujo, factibilidad o integración. Confundir prototipo con producto lleva a sobreinvertir antes de resolver la incertidumbre principal.

La salida de esta parte es convertir problemas de clientes en productos validados y outcomes medibles. En esta clase, esa progresión se concreta al exigir que cada afirmación sobre prototipos y aprendizaje temprano termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

📚 Resultados de aprendizaje

Al finalizar podrás:

1. Distinguir prototype, fidelity, desirability risk, usability risk, technical spike mediante observables, no por memoria verbal.
2. Explicar por qué esas distinciones cambian una decisión de manager → gerente.
3. Aplicar la secuencia 1. formular pregunta de aprendizaje → 2. elegir incertidumbre dominante → 3. seleccionar fidelidad mínima → 4. observar conducta durante prueba → 5. registrar evidencia y decidir siguiente incremento conservando supuestos, alternativas y trazabilidad.
4. Interpretar task success, time-on-task, critical misunderstandings sin confundir señal, explicación y causalidad.
5. Resolver el caso ejecutivo con al menos dos opciones plausibles y un criterio explícito de stop/revisión.
6. Contrastar dos obras de referencia y explicar dónde sus lentes son complementarias o entran en tensión.

🧭 Agenda

🧩 Conceptos centrales

🧠 Modelo mental

1. formular pregunta de aprendizaje → 2. elegir incertidumbre dominante → 3. seleccionar fidelidad mínima → 4. observar conducta durante prueba → 5. registrar evidencia y decidir siguiente incremento

La secuencia nace del problema de esta clase: Un prototipo sirve para aprender antes de incurrir en el costo completo de construcción. Su fidelidad debe ser la mínima necesaria para probar la pregunta específica: desirability, comprensión, flujo, factibilidad o integración. Confundir prototipo con producto lleva a sobreinvertir antes de resolver la incertidumbre principal. El método es útil mientras las condiciones permitan observar las señales requeridas. No elimina incertidumbre; la hace visible y obliga a decidir proporcionalmente a la evidencia. Límite principal: Prototipos de baja fidelidad no responden bien preguntas de performance, seguridad o confianza visual. El tipo de prototipo debe corresponder al riesgo que se intenta reducir.

📖 Desarrollo

1. prototype: mecanismo central

prototype se entiende aquí como representación temporal para probar una hipótesis. Esta es la pieza causal o estructural desde la que se inicia prototipos y aprendizaje temprano: antes de formular pregunta de aprendizaje, el gerente debe poder señalar qué cambia en el sistema si el concepto está presente y qué debería observar si no lo está. Una definición que no produce predicciones observables todavía es demasiado vaga para dirigir.

La lectura rectora de este bloque es Marty Cagan — Inspired. Su aporte se usa para examinar equipos de producto, discovery, riesgos de producto y outcomes. Aplica esa lente al caso sin convertirla en dogma: escribe una proposición de la obra que apoye tu diagnóstico, una condición del caso que la limite y una consecuencia práctica. La evidencia mínima es task success; regístrala con periodo, unidad, población y baseline.

Relaciona el mecanismo con fidelity. Si ambos cambian juntos, no concluyas causalidad automáticamente: identifica una tercera variable o mecanismo alternativo que también pueda explicar el patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.

2. fidelity: frontera conceptual y error de clasificación

Definición operacional: nivel de detalle y realismo del prototipo. Su valor está en distinguirlo de prototype y desirability risk. En una decisión real, clasificar una situación en la categoría equivocada cambia la intervención: puedes asignar autoridad donde faltaba información, medir un output cuando debías observar un proceso o tratar una restricción como si fuera una preferencia.

Contrasta el problema con Teresa Torres — Continuous Discovery Habits, que aporta una mirada sobre discovery continuo, oportunidades, experimentos y decisiones basadas en evidencia. Formula dos mini-casos: uno que sí satisface la definición de fidelity y otro que solo se parece superficialmente. Luego pregunta qué señal distinguiría ambos; para esta clase, time-on-task es una candidata, pero debe combinarse con evidencia cualitativa o documental cuando el fenómeno no sea directamente medible.

Antes de elegir incertidumbre dominante, registra explícitamente qué decisión sería errónea si esta frontera conceptual se ignora. Esa frase convierte el vocabulario en criterio gerencial.

3. desirability risk: operacionalización y medición

desirability risk significa incertidumbre sobre si el usuario quiere o valora la solución. El problema ya no es definirlo, sino operacionalizarlo: qué contar, durante qué ventana, con qué denominador, contra qué baseline y con qué segmentación. Una métrica útil conserva suficiente contexto para no confundir mejora local con mejora del sistema.

Clayton M. Christensen et al. — Competing Against Luck orienta este bloque mediante jobs to be done y comprensión causal de por qué un cliente elige una solución. Usa esa perspectiva para diseñar una ficha de medición: señal → fórmula/criterio → fuente → frecuencia → owner → interpretación permitida → interpretación prohibida. La señal asignada es critical misunderstandings. Si no existe un dato confiable, la salida correcta no es inventar precisión: diseña el mecanismo de captura y declara la incertidumbre.

Al llegar a seleccionar fidelidad mínima, compara tendencia, distribución y casos atípicos. Pregunta además si el indicador es leading o lagging y si puede ser manipulado por quienes son evaluados con él. La medición debe informar una decisión; nunca convertirse en el objetivo que reemplaza al fenómeno.

4. usability risk: trade-offs y efectos de segundo orden

Definición: incertidumbre sobre si puede comprenderla y usarla. Este concepto obliga a abandonar la idea de que prototipos y aprendizaje temprano tiene una solución gratuita. Toda intervención consume autonomía, tiempo, caja, capacidad, atención, reputación o tolerancia al riesgo. Por eso, antes de observar conducta durante prueba, se comparan al menos dos alternativas plausibles y se explicita qué se sacrifica en cada una.

Melissa Perri — Escaping the Build Trap aporta una lente sobre perspectiva de Producto aplicada al problema de la clase. Úsala para construir una matriz beneficio / costo / reversibilidad / stakeholder afectado / señal temprana. La evidencia prototype iteration count ayuda a detectar si el trade-off está ocurriendo como se esperaba, pero no elimina la necesidad de observar efectos laterales fuera del KPI principal.

Haz un pre-mortem de prototipos y aprendizaje temprano: supone que la opción recomendada fracasó seis meses después y enumera tres mecanismos que podrían explicarlo. Al menos uno debe provenir de un efecto de segundo orden asociado a usability risk y otro de una hipótesis del caso que nunca fue validada.

5. technical spike: gobernanza, límites e integración

technical spike se define como experimento corto para reducir incertidumbre técnica y cierra el circuito porque traduce análisis en responsabilidad. La pregunta ejecutiva es quién decide, quién ejecuta, quién debe ser consultado, qué evidencia queda registrada y qué condición obliga a detener, corregir o escalar.

Rob Fitzpatrick — The Mom Test se utiliza para estudiar perspectiva de Customer discovery aplicada al problema de la clase y contrastar la recomendación final. Al ejecutar registrar evidencia y decidir siguiente incremento, deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento. Esa trazabilidad protege contra el sesgo retrospectivo y mejora las revisiones posteriores.

La frontera de esta clase es explícita: Prototipos de baja fidelidad no responden bien preguntas de performance, seguridad o confianza visual. El tipo de prototipo debe corresponder al riesgo que se intenta reducir.. Conviértela en una regla operativa: si ocurre X → no aplicar automáticamente → consultar/escalar/revalidar. Integrar prototype, fidelity, desirability risk, usability risk y technical spike significa poder explicar qué parte del diagnóstico sostiene la decisión y cuál sigue siendo una apuesta.

6. Integración: de conceptos a una decisión defendible

La síntesis de prototipos y aprendizaje temprano no consiste en sumar cinco definiciones. Empieza por prototype, contrasta fidelity con desirability risk, incorpora usability risk como restricción o mecanismo y usa technical spike para cerrar el ciclo. Si el análisis no puede explicar cuál de esas piezas cambió la recomendación, todavía no hay comprensión transferible.

Aplica ahora la secuencia 1. formular pregunta de aprendizaje → 2. elegir incertidumbre dominante → 3. seleccionar fidelidad mínima → 4. observar conducta durante prueba → 5. registrar evidencia y decidir siguiente incremento. Para cada paso conserva tres columnas: evidencia utilizada, alternativa descartada y razón. Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado y evita reescribir la historia después de conocer el desenlace.

📚 Lectura comparada

Las obras no cumplen el mismo papel. Esta tabla señala el lente que debes buscar; después de leer, escribe una discrepancia real entre al menos dos fuentes.

En prototipos y aprendizaje temprano, la lectura se evalúa por uso, no por cantidad de páginas. La nota debe indicar qué tesis de las fuentes modifica tu lectura de prototype, qué evidencia del caso tensiona esa tesis y qué decisión concreta cambiarías después del contraste.

🧮 Ejemplo trabajado

Situación: Un equipo dedica seis semanas a un prototipo visual perfecto para probar si ejecutivos aceptarían delegar una aprobación. Un mockup de una tarde y cinco sesiones podrían haber revelado que la política interna lo prohíbe.

Paso 1 — formular pregunta de aprendizaje. La gerencia escribe primero el supuesto asociado a prototype y evita convertirlo en hecho. Luego busca task success para contrastarlo en el caso de prototipos y aprendizaje temprano. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.

Paso 2 — elegir incertidumbre dominante. La gerencia escribe primero el supuesto asociado a fidelity y evita convertirlo en hecho. Luego busca time-on-task para contrastarlo en el caso de prototipos y aprendizaje temprano. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.

Paso 3 — seleccionar fidelidad mínima. La gerencia escribe primero el supuesto asociado a desirability risk y evita convertirlo en hecho. Luego busca critical misunderstandings para contrastarlo en el caso de prototipos y aprendizaje temprano. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.

Paso 4 — observar conducta durante prueba. La gerencia escribe primero el supuesto asociado a usability risk y evita convertirlo en hecho. Luego busca prototype iteration count para contrastarlo en el caso de prototipos y aprendizaje temprano. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.

Paso 5 — registrar evidencia y decidir siguiente incremento. La gerencia escribe primero el supuesto asociado a technical spike y evita convertirlo en hecho. Luego busca learning cost para contrastarlo en el caso de prototipos y aprendizaje temprano. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.

Síntesis del caso. La recomendación debe terminar con responsable, fecha, evidencia de éxito y señal de stop. En prototipos y aprendizaje temprano, omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.

🔀 Comparación y límites

Frontera de aplicación: Prototipos de baja fidelidad no responden bien preguntas de performance, seguridad o confianza visual. El tipo de prototipo debe corresponder al riesgo que se intenta reducir.

🪜 De profesional a owner

El cambio de nivel en prototipos y aprendizaje temprano aumenta el número de personas, dinero, dependencias y consecuencias que quedan dentro de la decisión. Por eso la misma herramienta debe volverse más explícita en evidencia, gobernanza y revisión a medida que crece el alcance.

🏢 Caso ejecutivo

Un equipo dedica seis semanas a un prototipo visual perfecto para probar si ejecutivos aceptarían delegar una aprobación. Un mockup de una tarde y cinco sesiones podrían haber revelado que la política interna lo prohíbe.

Entrega un decision brief de prototipos y aprendizaje temprano que contenga: (a) hechos y fuentes; (b) hipótesis; (c) dos opciones realmente defendibles; (d) efecto sobre personas, cliente, operación, caja y riesgo; (e) recomendación; (f) condición que haría cambiarla; (g) dueño y fecha de revisión. Utiliza al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta.

🧪 Práctica

1. Reconstruye el caso de prototipos y aprendizaje temprano con una tabla hecho / interpretación / hipótesis / decisión.
2. Ejecuta 1. formular pregunta de aprendizaje → 2. elegir incertidumbre dominante → 3. seleccionar fidelidad mínima → 4. observar conducta durante prueba → 5. registrar evidencia y decidir siguiente incremento y adjunta evidencia para cada transición entre pasos.
3. Calcula o documenta task success, time-on-task; si no existe dato, diseña cómo obtenerlo.
4. Escribe una alternativa que contradiga tu preferencia inicial y haz un pre-mortem específico del caso.
5. Lee dos referencias, registra una coincidencia y una tensión, y modifica el brief si corresponde.
6. Repite la decisión desde el rol de CEO/owner: identifica qué cambia al aumentar el alcance y la irreversibilidad.

⚠️ Errores frecuentes

❓ Preguntas de comprobación

1. Explica la diferencia entre prototype y fidelity usando un ejemplo donde elegir mal cambie la decisión.
2. ¿Qué observarías para validar desirability risk y qué observación obligaría a rechazar tu interpretación?
3. Aplica formular pregunta de aprendizaje → elegir incertidumbre dominante al caso de la clase. ¿Qué dato todavía falta?
4. ¿Por qué task success no basta por sí sola para atribuir causalidad?
5. Compara dos fuentes de la tabla de lectura. ¿Dónde podrían llevar a recomendaciones distintas para prototipos y aprendizaje temprano?
6. ¿Qué decisión equivocada podría producirse si se ignora este límite: Prototipos de baja fidelidad no responden bien preguntas de performance, seguridad o confianza visual. El tipo de prototipo debe corresponder al riesgo que se intenta reducir.?

📥 Entregable

Guarda en portfolio/149-prototipos-y-aprendizaje-temprano/:

• product-evidence-brief.md con el problema específico de prototipos y aprendizaje temprano, evidencia, alternativas, decisión y gobernanza;
• reading-note.md contrastando las fuentes de prototipos y aprendizaje temprano con edición/páginas consultadas;
• decision-journal.md registrando los supuestos de prototype, confianza, responsable y revisión;
• red-team.md con la objeción más fuerte al caso Un equipo dedica seis semanas a un prototipo visual perfecto para probar si ejecutivos aceptarían delegar una aprobación. Un mockup de una tarde y cinco sesiones podrían haber revelado que la política interna lo prohíbe. y el dato que podría invalidar la recomendación.

📗 Fuentes y verificación

• Marty Cagan — Inspired (Shroff, 2008). Uso en esta clase: equipos de producto, discovery, riesgos de producto y outcomes. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9789352131501.
• Teresa Torres — Continuous Discovery Habits (Product Talk LLC, 2021). Uso en esta clase: discovery continuo, oportunidades, experimentos y decisiones basadas en evidencia. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9781736633304.
• Clayton M. Christensen et al. — Competing Against Luck (HarperBusiness, 2016). Uso en esta clase: jobs to be done y comprensión causal de por qué un cliente elige una solución. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9780062435613.
• Melissa Perri — Escaping the Build Trap (O'Reilly, 2019). Uso en esta clase: perspectiva de Producto aplicada al problema de la clase. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9781491973790.
• Rob Fitzpatrick — The Mom Test (CreateSpace, 2014). Uso en esta clase: perspectiva de Customer discovery aplicada al problema de la clase. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9781492180746.
• David J. Bland & Alexander Osterwalder — Testing Business Ideas (Wiley, 2019). Uso en esta clase: hipótesis de negocio, experimentos, evidencia y reducción de riesgo. Lectura selectiva sobre prototipos y aprendizaje temprano. Localizador: ISBN-13 9781119551447.
• Susan A. Ambrose et al. — How Learning Works (John Wiley & Sons, Incorporated, 2010). Uso en esta clase: diseñar los objetivos, la práctica y el feedback de prototipos y aprendizaje temprano sobre conocimiento previo verificable. Localizador: ISBN-13 9780470617601.
• Peter C. Brown, Henry L. Roediger III & Mark A. McDaniel — Make It Stick (Harvard University Press, 2014). Uso en esta clase: justificar la recuperación inicial y las preguntas de comprobación de prototipos y aprendizaje temprano. Localizador: ISBN-13 9780674986572.
• Grant Wiggins & Jay McTighe — Understanding by Design (Pearson Education, Inc., 2006). Uso en esta clase: derivar el entregable de prototipos y aprendizaje temprano desde el desempeño observable y no desde el temario. Localizador: ISBN-13 9780131950849.
• Anders Ericsson & Robert Pool — Peak (Penguin Random House, 2016). Uso en esta clase: convertir la práctica de prototipos y aprendizaje temprano en práctica deliberada con criterios explícitos. Localizador: ISBN-13 9781473513143.
• William Ellet — The Case Study Handbook (Harvard Business Review Press, 2018). Uso en esta clase: estructurar el caso ejecutivo de prototipos y aprendizaje temprano como problema, evidencia, alternativas y recomendación. Localizador: ISBN-13 9781633696150.

Regla de fuentes para Prototipos y aprendizaje temprano: las obras anteriores estructuran las perspectivas de esta materia; cualquier norma, ley, impuesto o estándar vivo mencionado en prototipos y aprendizaje temprano debe comprobarse nuevamente en su fuente primaria vigente. El desarrollo es original y no reproduce capítulos protegidos.