GuíaAvanzado

Ingeniería de Producto con IA

Ya sabes llamar a un LLM desde código. Esta guía te enseña lo que sigue: decidir si una feature necesita IA, diseñarla para que la gente confíe en ella, ponerle un umbral de calidad que alguien firma, aprender de cómo falla con usuarios reales, saber cuánto cuesta cada resultado que entrega y decidir con datos si sigue, cambia o se apaga. Es el trabajo de un AI product engineer: ser dueño de si la feature sirve, no solo de si compila. Lo aprendes llevando de la idea a la decisión una feature de **Tallyfern**, una app de facturación para freelancers: **Nudge**, que redacta el recordatorio de pago de una factura vencida en el tono del freelancer. Primero la comparas contra otras cinco ideas del backlog y eliges el nivel de autonomía; escribes la apuesta con métricas en tres capas antes de construir; diseñas el editor (aviso de IA, atribución de cada dato, edición, deshacer, respaldo honesto, streaming); conviertes "que funcione bien" en un spec con compuertas y dueños; lees cien sesiones de una beta, codificas sus fallas y decides dónde vive cada arreglo; comparas la beta v1 con la v2 en las tres capas; llevas el costo por llamada a costo por factura cobrada y de ahí a precio y planes; y cierras con un memo de decisión que puedes defender en una entrevista. Todo el código corre en tu laptop sin llave de API, con un modelo simulado y datos deterministas: ves los mismos números que en la guía. Si quieres, un modo `--live` opcional llama a la API de Claude por centavos. Los datos de mercado (encuestas de desarrolladores, modelos de precio de productos con IA, el artículo 50 del EU AI Act) vienen con su fuente y su fecha.