GuíaBásico

Guía de Descubrimiento y Prototipado

Enseña a validar una apuesta con usuarios reales antes de construirla. Construir es la forma más cara de aprender; esta guía compra evidencia barata sobre las suposiciones riesgosas antes de gastar semanas de ingeniería. Cubre el descubrimiento continuo (discovery) como hábito, no como fase única; entrevistas que no mienten (preguntar por comportamiento pasado, no por intenciones futuras, con el enfoque del Mom Test); el opportunity solution tree para mapear el problema antes de saltar a una solución; cómo convertir una suposición en una hipótesis falsable y diseñar el test más barato que la puede refutar (riskiest assumption test); prototipado con IA: con un agente de código, un prototipo funcional pasó de proyecto a tarea, así que la guía enseña cuándo ese prototipo conviene y cuándo engaña, a usarlo como spec, a tirarlo en vez de llevarlo a producción, a probarlo con usuarios y a evitar la falsa validación, la deuda y los datos reales en un prototipo; cómo evitar el sesgo de confirmación y la brecha say-do; y cómo sintetizar los hallazgos (también con ayuda de un LLM, verificando cada cita contra la fuente) para decidir seguir, pivotar o matar la apuesta. Continúa directamente donde cerró la guía de Pensamiento de Producto: la apuesta `recommendations` de Mercado, con su suposición más riesgosa ya identificada pero sin probar. Toda la lógica de decisión (qué test elegir, cómo pesar la evidencia, cómo actualizar la confianza) se ejecuta en Node.js. Cierra con un proyecto capstone en dos compuertas: un fake door mide la demanda y un prototipo funcional construido con un agente de código mide el valor, hasta llegar a una decisión de discovery.

lecciones
64
módulos
8
disponible en
Inglés · Español
certificado
Sí
acceso
Gratis
Resultados

Lo que vas a poder hacer

  • Entender por qué construir es la forma más cara de aprender, y adoptar el discovery como hábito continuo, no como fase única
  • Entrevistar sin que la gente mienta: preguntar por comportamiento pasado, no por intenciones futuras (el Mom Test)
  • Mapear el espacio del problema con el opportunity solution tree (outcome → opportunities → solutions → experiments) antes de saltar a una solución
  • Convertir una suposición en una hipótesis falsable y diseñar el riskiest assumption test: el más barato que de verdad puede refutarla, ejecutado con `pickTest`
  • Prototipar con IA: elegir entre paper, clickable, fake door, wizard-of-oz y prototipo funcional según la pregunta, sabiendo que con un agente la curva de fidelidad contra costo se invirtió
  • Tratar el prototipo como spec y como código desechable, probarlo con usuarios midiendo comportamiento, y evitar sus riesgos: falsa validación, deuda y datos reales
  • Evitar los sesgos que arruinan el discovery: sesgo de confirmación, preguntas líderes, la brecha say-do; pesar la evidencia por su fuerza (comportamiento observado > opinión declarada)
  • Sintetizar hallazgos de entrevistas contando señales (no ruido), usar un LLM para codificar y agrupar transcripts sin creerle una cita que no verificaste y actualizar la confianza de una apuesta con `updateConfidence`, conectando con el `confidence` de RICE
  • Decidir seguir, pivotar o matar una apuesta con evidencia, aplicado de punta a punta a la apuesta de recomendaciones de Mercado, con un prototipo funcional hecho con un agente, en el proyecto capstone
Antes de empezar

Qué necesitas traer

Es para ti si...

  • Ingenieros que ya identificaron la suposición más riesgosa de una apuesta en la guía de Pensamiento de Producto y necesitan validarla con usuarios reales
  • Devs que quieren correr validaciones baratas y rápidas antes de escribir semanas de código de producción
  • Cualquiera que haya visto un equipo enviar una feature "validada" cuando en realidad solo se le preguntó a la gente qué le gustaría
  • Ingenieros que quieren una alternativa estructurada a adivinar, o a esperar a que un PM o researcher les entregue la decisión ya tomada

Requisitos y materiales

  • Guía de Pensamiento de Producto para Ingenieros completada (o equivalente: outcomes vs. outputs, RICE, encontrar la suposición más riesgosa de una apuesta)
  • Comodidad corriendo scripts sencillos de Node.js (sin dependencias)
  • Para el proyecto final, acceso a un agente de código (recomendado: haber hecho la guía de Trabajo con Agentes de Código); el prototipo de referencia viene completo por si prefieres correrlo sin agente
  • No hace falta experiencia previa en investigación de usuarios ni en entrevistas: la guía la enseña desde cero
Contenido

El temario, módulo por módulo

Abre cualquiera para ver sus lecciones.

Dudas frecuentes

Lo que suele preguntarse

Empieza cuando quieras

Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!