A poco más de un mes de la final de Connect’Up 2026, los participantes del concurso de emprendimiento balear organizado por el Grup Serra y patrocinado por CaixaBank asistieron ayer al módulo «MVP y métricas». Lo impartieron Belisa Rus y Alexei Rueda, cofundadores de Comenta Labs, que compitieron en la categoría Start en 2021.

Rus explica cómo la inteligencia artificial ha acelerado y abaratado la construcción de productos, por qué eso no evita tener que validar con usuarios reales y qué métricas permiten distinguir la tracción del ruido. Su conclusión: lanzar ya no es lo difícil, el reto ahora es llegar al cliente.

—En una fase inicial, ¿cómo se determina qué parte del producto debe entrar en el MVP para validar una hipótesis de negocio sin confundir validación con desarrollo prematuro?
—Empezamos por la hipótesis, no por las funcionalidades. Le pedimos al equipo que identifique qué tiene que ser cierto para que el negocio funcione, y cuál de esas cosas es la más incierta. Normalmente no es técnica: es si el cliente tiene el problema, si lo prioriza y si pagaría por resolverlo. El MVP debería centrarse en comprobar eso. La IA ha cambiado mucho este punto. Hoy es posible tener en pocos días una primera versión publicada, con usuarios reales e incluso cobrando. Eso supone una ventaja enorme, porque permite validar con personas usando el producto y no con suposiciones. Pero también trae un riesgo nuevo: cuando construir es tan rápido, es fácil caer en la tentación de añadir funcionalidades antes de haber comprobado lo esencial. Por eso recomendamos salir al mercado con algo pequeño que resuelva bien una sola cosa. El desarrollo prematuro empieza justo ahí, cuando se construye para un escenario que todavía no sabemos si existe.

—¿Qué métricas considera realmente útiles para saber si un MVP está generando señales de tracción y cuáles pueden inducir a una lectura equivocada del mercado?
—Las que más información dan son las que implican un compromiso por parte del usuario: que pague, que vuelva por iniciativa propia o que recomiende el producto a otra persona. De todas ellas, la retención es probablemente la más honesta, porque indica si el producto se ha hecho un hueco en el día a día de alguien. En el lado contrario están las métricas de vanidad: visitas, descargas, seguidores, registros o la longitud de una lista de espera. Son fáciles de conseguir y dan una sensación de avance, pero dicen poco sobre si el producto aporta valor. Un buen lanzamiento en redes o una pequeña campaña pueden multiplicarlas en un día, y una semana después no queda casi nada. Hoy, que lanzar es tan fácil y rápido, caer en ellas es todavía más habitual. Eso no significa que haya que ignorarlas, sino leerlas junto a lo que ocurre después: cuántas de esas personas llegan a usar el producto de verdad, cuántas vuelven y cuántas acaban pagando. Ahí es donde se ve si hay tracción o solo ruido.

—¿Cómo cambia el sistema de métricas cuando una startup pasa de validar una necesidad a validar un modelo de negocio y, después, una capacidad real de crecimiento?
—Cambia porque cambia la pregunta. Al principio se trata de entender si el problema existe y cómo lo vive el cliente, y ahí pesa mucho hablar con usuarios. Después, la pregunta es si están dispuestos a pagar, a qué precio y cuánto cuesta conseguir cada cliente. Y cuando se habla de crecimiento, lo importante es si ese resultado se puede repetir de forma sostenida y a través de qué canales.
Lo que sí ha cambiado es la velocidad a la que se recorre ese camino. Con la IA, cada ciclo de lanzar, medir y ajustar se ha acortado muchísimo, y equivocarse sale mucho más barato que antes. Se pueden probar más ideas, más mensajes y más canales en el mismo tiempo. Pero el producto puede evolucionar mucho más deprisa que el negocio, y el error más común sigue siendo invertir en crecer cuando todavía no está claro que los usuarios se quedan.

—Cuando los datos no acompañan, ¿cómo se distingue entre un problema de producto, un problema de ejecución y una propuesta de valor que no está encontrando mercado?
—Una primera pista es ver en qué punto se pierde la gente. Si casi nadie llega, conviene revisar el mensaje y los canales antes de tocar el producto. Si llegan y abandonan pronto, suele fallar la experiencia o la forma de explicar el valor. Y si lo entienden y aun así no les interesa, probablemente haya que replantear la propuesta o el cliente al que se dirige. Hoy el primer caso es el más frecuente. Con barreras de entrada tan bajas, casi cualquiera puede construir un producto decente, y el reto está en que la gente correcta lo encuentre. Muchas veces el producto no falla: falla el go-to-market. La IA ayuda mucho a analizar datos y comportamiento, pero el porqué sigue saliendo de hablar con usuarios, tanto con los que se van como con los que se quedan.

—Desde vuestra experiencia desarrollando productos digitales, ¿hasta qué punto la IA está reduciendo los tiempos y costes de construcción sin alterar la necesidad de validar con usuarios reales?
—Mucho. Hoy se puede poner un producto en el mercado en días y con un coste muy inferior al de hace unos años. Eso abarata el error: si una idea no funciona, se descarta y se prueba la siguiente sin haber quemado meses ni presupuesto. Cuando el proyecto crece, sigue siendo necesaria una ingeniería sólida: arquitectura, seguridad, calidad y mantenimiento. Pero la barrera para empezar ha bajado muchísimo. Lo que no ha cambiado es la premisa de base: hay que resolver un problema real para alguien concreto, y eso solo lo confirman los usuarios. De hecho, ahora importa más que nunca. Si lanzar es fácil para ti, también lo es para todos, y hay más competencia en cada nicho. La parte difícil ya no es construir, sino llegar al cliente y convencerle. El go-to-market se ha convertido en el verdadero cuello de botella.

—La IA permite hoy prototipar, analizar comportamiento y plantear iteraciones con mucha más rapidez. ¿Qué decisiones sobre producto y métricas siguen necesitando necesariamente criterio humano y conocimiento del negocio?
—Las decisiones de dirección: qué problema priorizar, para qué cliente, qué se deja fuera y cuándo seguir o cambiar de rumbo. También qué se va a medir y qué se considerará un buen resultado, a ser posible antes de lanzar. La IA puede construir, proponer alternativas y analizar datos con mucha rapidez, pero no conoce el contexto del negocio ni la relación con los clientes. Y cuando el ciclo es tan corto, se toman muchas más decisiones en menos tiempo, así que el criterio pesa todavía más. Cuando ejecutar es tan rápido, lo más valioso pasa a ser saber qué ejecutar y cómo llevarlo al mercado.