El emprendimiento que fracasó porque la IA reemplazó la investigación de usuario real
La idea del cuarto producto era la más técnicamente ambiciosa del período: una herramienta de diagnóstico de calidad de datos de marketing para empresas que usaban CRM y plataformas de analytics, que identificaba de forma automática inconsistencias en los datos, campos mal configurados y métricas calculadas de forma incorrecta. Era el tipo de problema que cualquier profesional de marketing que había gestionado un CRM había experimentado y que ninguna herramienta disponible en el mercado latinoamericano resolvía de forma accesible.
El error crítico ocurrió en la fase de diseño del producto: en lugar de realizar las 8 conversaciones de diagnóstico con usuarios reales que el protocolo de validación establecía, confié en el análisis de IA de foros de profesionales de marketing, de posts en LinkedIn sobre problemas de datos y de reviews de herramientas similares en el mercado anglosajón. El análisis producía una lista de problemas de datos que los usuarios reportaban con mayor frecuencia y una propuesta de funcionalidades que parecía responder a esos problemas de forma directa.
Lo que el análisis de IA no podía capturar era la prioridad relativa de esos problemas en el contexto específico de las empresas colombianas medianas que eran el mercado objetivo. Los foros anglosajones reportaban problemas de datos en el contexto de equipos con analistas de datos dedicados y con procesos de gestión de datos relativamente maduros. Las empresas colombianas medianas del mercado objetivo no tenían analistas de datos dedicados y su mayor problema no era la inconsistencia de los datos existentes sino la ausencia de datos de calidad básica que cualquier análisis pudiera usar.
Descubrí esa diferencia en la primera reunión con un prospecto del mercado objetivo, 6 semanas después de haber comenzado el desarrollo del producto. La herramienta que había diseñado resolvía el problema incorrecto para el mercado correcto. En lugar de ayudar a diagnosticar la calidad de datos existentes, el mercado necesitaba ayuda para configurar correctamente los sistemas de datos desde el principio.
Cerré el desarrollo del producto en la semana 8 después del primer feedback negativo del mercado. Las 8 conversaciones que el protocolo requería y que había reemplazado por el análisis de IA hubieran revelado ese insight en 2 días de trabajo de investigación. Las 8 semanas de desarrollo invertidas en el producto incorrecto costaron aproximadamente 12.000 dólares de tiempo del equipo. La investigación de usuario que omití hubiera costado 2 días.