La disciplina de producto ya tiene un estándar validado, que se enseña hoy, para descubrir qué necesita el cliente antes de construir. Lo que nunca resolvió — y no es accidente — es la mitad de adentro: lo que la propia empresa sabe sobre su propia operación, y nunca se preguntó a sí misma.
El framework que existe, tiene nombre y tiene autora
En 2021, la investigadora de producto Teresa Torres publicó Continuous Discovery Habits, y en los años siguientes el libro se convirtió en la referencia más citada de la disciplina — no porque sea reciente, sino porque es el primer framework de descubrimiento de producto construido para correr cada semana, indefinidamente, en vez de una vez por trimestre.
El mecanismo central: un trío de producto — gerente de producto, diseñador, ingeniero — conduce una entrevista estructurada con cliente cada semana, sin excepción, y organiza lo que aprende en un Árbol de Oportunidad y Solución, un mapa visual que liga el resultado deseado a las oportunidades reales encontradas en la conversación, y de esas oportunidades a las soluciones posibles. Torres resume la ganancia central en una frase que resume también el argumento de este texto: lo que importa no es la velocidad de construir. Es el Tiempo hasta Aprender — cuánto tarda entre una idea y su validación real.
Ella misma, en una entrevista pública, criticó el uso más común y más superficial de los OKR — la herramienta de definición de metas creada por Andy Grove en Intel en los años 1970 y hoy estándar en casi toda empresa de tecnología: “vemos a mucha gente adoptando OKR, y el objetivo es ‘lanzar la aplicación Android’. Eso es resultado de trabajo, no resultado de negocio.” Contar entregas no es medir impacto — y Torres señala esto como el error más común entre equipos que creen estar midiendo outcome y están, en la práctica, solo contando output.
Lo que la IA ya cambió en ese framework, este año
En 2026, la propia comunidad que sigue a Torres ya está actualizando el framework para la era de la IA — y el texto más reciente sobre esto, publicado en abril por Perspective AI, expone un número que nadie había calculado antes con claridad: una sola entrevista de treinta minutos, en el modelo clásico de descubrimiento continuo, cuesta entre cuatro y seis horas de trabajo humano — identificar la muestra, extraer la lista de la base de datos, redactar la invitación, agendar, lidiar con reprogramaciones y ausencias (tasa de no comparecencia de 20% a 35% en investigación B2B no incentivada, según el mismo levantamiento), conducir la llamada, transcribir, marcar fragmentos, sintetizar.
Un trío de tres personas dedicando seis horas por semana a una sola entrevista consume cerca del 5% de la capacidad del equipo — y ese presupuesto se derrumba en el primer plazo ajustado, en la primera inestabilidad, en el primer pedido urgente de un ejecutivo. No es falla del framework. Es el costo estructural de hacerlo con gente conduciendo cada etapa manual.
La solución que el propio mercado de producto está adoptando ahora, según el levantamiento de Perspective AI de abril de 2026: la conversación moderada por IA reduce el costo de una entrevista de seis horas humanas a cerca de treinta minutos de revisión del trío — sin eliminar el trío, sin eliminar el juicio humano, solo eliminando el trabajo mecánico de reclutar, agendar y transcribir.
Dónde esto encuentra a Zthex — y dónde no
Continuous Discovery, incluso actualizado con IA, sigue mirando hacia afuera de la empresa — hacia el cliente, hacia el mercado, hacia lo que él quiere y todavía no existe. Es la mitad externa del descubrimiento, y ahora tiene framework validado, autora reconocida y solución de costo comprobada.
La mitad interna nunca recibió el mismo tratamiento. Nadie publicó un Continuous Discovery Habits para la pregunta “qué sabe nuestra propia operación, y nunca se le preguntó al propio equipo”. No es porque el problema sea menor — el MIT ya midió, en el mismo año, que el 95% de los pilotos de IA corporativa fallan exactamente por la ausencia de ese conocimiento interno, no del externo. Es porque la disciplina de producto nació mirando al cliente, y el hábito de mirar hacia adentro nunca se convirtió en framework con nombre.
Ese es el espacio, técnicamente vacío, en el que opera Zthex. La misma lógica de Torres — conversación estructurada, recurrente, con trío definido, midiendo el tiempo hasta que el aprendizaje queda validado — aplicada al lado que la disciplina entera olvidó nombrar: lo que el técnico de mantenimiento, el agente de atención, la consultora de ventas saben sobre su propia operación, y que nunca llegó a ningún Árbol de Oportunidad porque el árbol de Torres fue diseñado para escuchar al cliente, no al colega.
// no competimos con Continuous Discovery. Ocupamos la otra mitad del mismo problema, con el mismo rigor de método — solo que hacia adentro.
OKR, con el rigor que exige su propia crítica
La crítica de Torres al OKR superficial también se aplica, punto por punto, a lo que Zthex entrega — y vale usarla como regla de honestidad, no solo de crítica ajena.
Un objetivo mal diseñado sería: “reducir divergencia operacional”. Eso es output disfrazado — no dice qué cambia en la vida de quien trabaja. Un objetivo bien diseñado, en el estándar que la propia Torres defiende, necesita nombrar el comportamiento o resultado que el número representa: cuántos hallazgos salieron del ciclo con destino definido, y cuántos de esos destinos fueron, de hecho, implementados — no “cuántas conversaciones ocurrieron”, que es output puro, del mismo modo que “lanzar la app Android” lo es.
Por eso el Índice de Divergencia de Zthex se mide como línea de base en el primer ciclo, con la caída evaluada entre ciclos, nunca dentro del mismo — porque prometer una caída en el mismo ciclo sería exactamente el error que Torres nombra: contar el output como si fuera el outcome.
El hueco sigue ahí, esperando un nombre
Continuous Discovery resolvió, con rigor y nombre reconocido, la pregunta “qué quiere el cliente que todavía no construimos”. Nadie, todavía, resolvió con el mismo rigor la pregunta hermana: “qué sabe ya nuestra propia operación, y ningún framework se lo ha preguntado aún”.
Lo que esto enseña sobre método
Tres lecciones, extraídas directo de la fuente primaria, aplicables a cualquier disciplina de descubrimiento — de cliente o de operación interna.
Torres lo probó para el descubrimiento de producto. Vale lo mismo para el descubrimiento operacional: lo que importa no es cuántas conversaciones ocurrieron, es cuánto tardó entre que la operación tuvo un problema y alguien, con autoridad para decidir, se enteró de él.
Seis horas se vuelven treinta minutos porque la IA asume el trabajo mecánico — reclutar, agendar, transcribir — no el juicio. El trío de Torres sigue decidiendo. En Zthex la regla es la misma: AILA conduce la conversación; la validación del hallazgo sigue siendo siempre humana.
Es la lección más simple y la más ignorada — en producto, en operación, en cualquier disciplina que se mida a sí misma.
La mitad de afuera ya tiene framework. La de adentro todavía espera el suyo.
Contenido editorial producido por Zthex. Los hechos sobre terceros provienen de fuentes públicas citadas en el texto.
Zthex estructura la capa de conocimiento que ningún sistema muestra. Conversa con quien ejecuta el trabajo, anonimiza antes de grabar y confronta lo dicho con lo que la política determina y lo que el registro de los sistemas muestra. Cada divergencia se convierte en un hallazgo con origen rastreable.
Republicación firmada e investigación adicional:
zthex.com/es/imprensa
info@zthex.com
