La IA está ampliando el espacio de soluciones. ¿Y el problema?

Cada vez es más fácil crear productos. Todavía hace falta entender para qué los necesita alguien.

«¿Un recomendador en el home? Puede ser».

Pero ¿qué sabemos del que se fue sin comprar? Yo no arrancaría por el modelo. Si lo que le molestó fue el envío, podemos ordenar el catálogo como queramos y va a seguir sin comprar.

Digamos que a esa tienda le urge vender más. Alguien propone recomendaciones porque ya las vio en otro sitio. Con IA, la demo sale rápido; eso ayuda mucho. Mi duda es si vamos a usar el tiempo que nos ahorramos para entender al cliente o para pedirle al equipo el siguiente carrusel.

Ya en la reunión, la discusión puede irse por otro lado: «Ese producto no lo pondría arriba», «¿Y si quitamos una tarjeta?», «¿Esto se actualiza solo?». Y hay que contestarlo, claro. Para dejar lista esa pantalla vamos a necesitar decidir muchas cosas.

La pregunta por el cliente se puede quedar para después. Es lo que yo trataría de evitar.

La tienda es inventada. Elegí un carrusel porque es una función de lo más normal, sin nada especialmente ambicioso. Lo mismo nos puede pasar con algo mucho más pequeño. En algún momento tendríamos que volver a la razón por la que empezamos.

Lo fácil que es empezar a construir

En esa tienda podríamos hacer un buscador, un comparador o un recomendador. Eso es lo que tengo en mente con espacio de soluciones. Y la lista crece. Antes dejábamos fuera varias ideas porque había que escoger en qué gastar el tiempo del equipo. Hoy podríamos montar algunas en pequeño y ver qué pasa. No me gustaría desperdiciar esa posibilidad.

Antes de escoger de esa lista me faltaría entender por qué la gente se va. Igual el sitio funciona bien y lo que falta es que bajemos el envío. O ni siquiera somos la tienda donde pensaba comprar. Eso es lo que me interesa del espacio del problema: poder decir qué está pasando, sin tener que terminar la explicación con una función nueva.

Yo sí pondría un prototipo frente a un comprador para ver qué pasa. Ahí podemos descubrir algo. Me cuesta más justificarlo cuando lo revisamos solo entre nosotros y cada revisión se convierte en una lista de pendientes para lanzarlo. Después de cambiar colores, tarjetas y textos, cuesta aceptar que quizá nos convenga dejarlo. Ya le dedicamos tiempo y se nota.

La primera tarde es una parte chiquita del costo. ¿Qué hacemos con el recomendador el mes siguiente? Alguien va a tener que cuidar que el inventario siga llegando y revisar un pedido que salió mal. Si se cae el servicio, tendremos que mostrar otra cosa. Eso requiere tiempo aunque el código inicial lo haya escrito una IA y haya quedado muy bien.

Por eso no me entusiasma mucho contar funciones lanzadas para demostrar que la IA nos hizo más productivos. Podemos llenar la aplicación de cosas que alguien tendrá que cuidar después. Yo querría saber qué mejoró para quien la usa. Y usaría una parte del tiempo que ahorramos para hablar con esa persona antes de encargar otra función.

El cliente tiene algo que resolver

Con Jobs to Be Done yo preguntaría qué estaba pasando en la vida de esa persona cuando decidió comprar. Lo describe el Christensen Institute como buscar un progreso en ciertas circunstancias. En la cafetera, además de hacer café, está el pendiente de recibir gente y no quedar mal. Eso también entra en la compra. A mí me interesaría preguntar por esa parte, aunque en los datos del sitio no aparezca.

Supón que el sábado se quedan amigos en tu casa. La cafetera dejó de funcionar y necesitas otra para entonces. Ves varias en la tienda, pero ni sabes cuál saldrá buena ni tienes muchas ganas de dedicar la noche a compararlas.

Yo llamaría trabajo a eso que necesitas resolver: elegir una con confianza y tenerla el viernes. También quieres recibir bien a tus amigos y quitarte esa preocupación. Si la tienda entiende esa situación, puede decidir qué información ponerte enfrente para que compres sin tanta vuelta.

Eso ya nos permite investigar algo más concreto que «ayudar al cliente a descubrir productos». Quizá esa persona termine comprando en una tienda cercana porque no confía en la fecha de entrega. Quizá pida una cafetera prestada. O decida que con la prensa francesa alcanza. También competimos con esas opciones.

Podrías estar buscando una cafetera por puro gusto. Ver modelos, comparar accesorios, imaginar cómo quedaría la barra. En esa visita quizá quieras ver mucho más. Por eso me cuesta sacar una conclusión con el dato de que dos personas estuvieron mirando la misma categoría.

Les pediría que me contaran qué hicieron la última vez que compraron. Desde que surgió la idea, sin saltar directamente al momento de entrar a nuestra tienda. Quiero saber qué probaron y qué les dio desconfianza. Si acabaron comprando en otro lado, por algo fue. Me gustaría entenderlo antes de enseñarles mi solución.

Y puede salir una explicación que no esperábamos: no se fiaba de encontrar refacciones después. Entonces tendremos que ver cómo responder a esa duda. El plan que llevábamos para mejorar la entrega puede ser útil, pero quizá no resuelva lo que le impidió comprar a esa persona.

Volvamos a la página de inicio

Supongamos que esas conversaciones sí apuntan a la urgencia. La tienda tiene cafeteras que sirven, pero cuesta ver las diferencias y saber cuáles pueden llegar antes del viernes. Ya tenemos una dificultad concreta sobre la que trabajar.

Y luego va el recomendador y le muestra una cafetera que llega en diez días. Le gustó, sí. Hasta entró a verla. Cuando lee la entrega se acabó la compra: los amigos llegan el sábado. ¿De qué le sirvió que acertáramos en su gusto?

Si entrenamos el modelo para predecir clics, esa interacción podría parecer alentadora. Anticipamos bien el interés. También hicimos que el cliente dedicara tiempo a una opción que no cumplía con su fecha límite.

Elegir el objetivo del sistema tiene consecuencias. En su explicación del sistema de recomendaciones, YouTube cuenta por qué incorporó otras señales además de los clics, entre ellas el tiempo de visualización y las encuestas de satisfacción. Nuestra tienda necesita hacer su propia investigación para decidir qué señales representan una visita que le sirvió al cliente.

La primera condición sería que llegue. Yo le pediría a operaciones que nos dijera cuáles cafeteras se pueden entregar el viernes en esa dirección. Si no podemos responder eso, tenemos un pendiente bastante más urgente que el orden de los productos.

Con esa lista haría la prueba, aunque hubiera que elegir a mano. Pondría tres con sus diferencias y vería qué pasa. Si ayuda a comprar, podemos discutir cómo automatizarlo. Me parece demasiado pronto para encargar un modelo antes de probar esa parte.

Falta hacer las cuentas. Podemos conseguir una venta pagando nosotros un envío carísimo y recibir la cafetera de vuelta unos días después. El pedido entró, pero ¿nos convino? Yo sentaría a quien conoce esos costos antes de elegir la métrica del experimento. Necesitamos ver cuánto queda después de preparar el pedido, entregarlo, atender la devolución y operar el sistema.

Trabajar juntos tiene que cambiar las decisiones

Yo querría que alguien de negocio pudiera decirle al equipo del modelo cuánto podemos pagar por esa entrega. Y que esa conversación ocurra antes de elegir la métrica. Es difícil pedir un recomendador que funcione si esas condiciones aparecen cuando ya lo terminamos.

Y que producto se entere a tiempo si el inventario llega con retraso. Tendríamos que decidir qué le vamos a decir al cliente. Esas son las conversaciones que yo esperaría entre las áreas, mientras todavía se puede cambiar la propuesta. Si esperamos a la entrega del servicio para tenerlas, ya tendremos a varios equipos defendiendo lo que hicieron.

En el caso de la cafetera, me gustaría que las personas responsables de esas áreas revisaran juntas algunas compras que no se concretaron. Que llevaran las entrevistas, los registros de navegación, la información de existencias y entregas, y los costos de los pedidos. También deberían participar soporte y operaciones: a ellos les tocará responder por una mala recomendación.

Seguramente habrá desacuerdos. El área comercial puede querer dar salida a productos que no se venden. Producto puede querer reducir las opciones que aparecen en pantalla. Ingeniería puede descubrir que no existen las señales necesarias para distinguir a quien compra con urgencia de quien solo está mirando. Hay que resolver esas tensiones al diseñar el producto. Ponerle «personalización» al proyecto no las resuelve.

Incluso puede aparecer una posibilidad incómoda: que la siguiente inversión deba ir a actualizar mejor el inventario. Cuesta más lucir ese trabajo en una demo, pero permite confiar en la promesa de entrega. Un equipo que comparte la responsabilidad por el resultado del cliente debería poder tomar esa decisión sin que cada área se atrinchere en su lista de proyectos.

Dejaría por escrito lo que vamos a comprobar. Se lo podríamos contar así al resto del equipo:

Nos da la impresión de que algunos compradores se atoran al elegir y al revisar la entrega. Vamos a mostrar unas pocas cafeteras que sí puedan llegar a tiempo y comparar lo que pase. Queremos ver si compran, si se quedan con la cafetera y si el pedido nos conviene. Podemos estar equivocados sobre el motivo; lo revisaremos con la prueba.

Yo arrancaría la prueba sabiendo quién tiene permiso de pararla y a quién le toca revisar los costos. Y pondría una cita para ver juntos unos pedidos reales. Que no nos pase que el modelo ya está en producción y nadie puede tocar el alcance porque cada equipo prometió otra cosa. Eso también se decide cuando armamos el proyecto.

La prueba también necesita una forma de reconocer la situación que nos interesa. Tal vez tengamos que preguntarle al cliente para cuándo necesita el producto. Suponer que tiene prisa a partir de su historial de navegación requiere otra comprobación. Y habrá que dejar tiempo para observar cancelaciones, entregas que se retrasan y devoluciones. La confirmación del pedido cuenta solo una parte de la historia.

Un resumen de entrevistas puede ayudarnos a ordenar lo que escuchamos. Yo volvería a las palabras del comprador si vamos a apoyar una decisión importante en ellas. Quisiera saber si lo dijo así y qué venía antes. La IA puede ayudar con ese trabajo, pero no tiene cómo reemplazar una conversación que nunca tuvimos.

Me daría gusto que la prueba acabara mostrando que con aclarar la entrega bastaba. Nos habríamos ahorrado bastante mantenimiento. Que la primera idea fuera un recomendador no me parece razón para terminarlo de todos modos. Con el tiempo que ganamos construyendo más rápido, podríamos permitirnos investigar y dejar ideas a medio camino cuando ya no tienen sentido.

He vuelto varias veces a la fecha de entrega porque, para el comprador del ejemplo, ahí se juega la compra. Podemos recomendarle algo precioso y no ayudarlo en nada. Yo querría que el equipo me explicara qué va a pasar con ese pedido, cuánto nos costará y por qué el cliente volvería. Después vemos si hace falta el carrusel.