¿Qué es Design Thinking (DT)?
El Design Thinking (DT) es un enfoque avanzado de resolución de problemas centrado en el ser humano que combina
- investigación profunda
- creatividad estructurada
- y validación temprana.
A diferencia de los métodos tradicionales que parten de requisitos supuestos, DT comienza por comprender qué problema realmente vale la pena resolver, antes de decidir cómo resolverlo.
En su esencia, DT integra cinco etapas cíclicas: empatizar, definir, idear, prototipar y testear. Los documentos que analizamos destacan tres aportes críticos del DT:
- permite descubrir necesidades reales del usuario (Design Thinking–Introducción),
- reduce riesgo y retrabajo mediante prototipos tempranos (DT y PMI-ACP/Test Management),
- disminuye la carga cognitiva del equipo al clarificar el problema y eliminar complejidad innecesaria (Managing Cognitive Load with AI).
Una analogía útil: gestión de riesgos en etapas tempranas
Aplicar DT es como encender las luces largas antes de conducir de noche. Sin DT, avanzás apenas viendo unos metros; el equipo “avanza a ciegas”, y cualquier obstáculo aparece tarde. Con DT, iluminás kilómetros de contexto: entendés quién es el usuario, qué le duele y qué consecuencias tiene equivocarse. DT no elimina los riesgos, pero permite anticiparlos cuando aún son baratos.
DT para Project Managers y Test Managers
Para quienes lideran proyectos ágiles (PMI-ACP), DT alimenta la visión, las épicas y el backlog con información verificada, no con supuestos. Para Testing (ISTQB/Holistic), DT define los riesgos de negocio, los flujos críticos y los criterios que orientan la estrategia de pruebas desde el día uno.
El papel de la IA Generativa
La IA actúa como partner cognitivo:
- analiza pain points,
- reduce carga extraneous,
- genera prototipos conceptuales
- y refina historias
acelerando ciclos de descubrimiento sin perder rigor.
Recomendación práctica
Antes del Sprint 0, ejecutá un mini-ciclo DT:
- un mapa de empatía,
- un Problem Statement
- y un prototipo validado.
Eso reduce el 40–60% del riesgo conceptual típico en los primeros sprints.
Relación con el entrenamiento AiU – GenAiA-TE
Hice un pequeño ejercicio para identificar la relación del concepto DT con cada uno de los capítulos del entrenamiento.
✅ 1. Fundamentos de GenAI y LLMs
Intersección con la formación oficial:
– Cómo funcionan los LLM
– Limitaciones cognitivas humanas vs. capacidad del modelo
– IA como asistente de razonamiento
Conceptos abordados aquí:
- IA como cognitive partner (PDF Alder Branch)
- Reducción de carga extraneous mediante IA
- Uso de IA para clarificar requisitos, validar ideas y reducir ruido cognitivo
- Uso de IA para anticipar riesgos mediante análisis temprano
- Riesgos del comportamiento no determinista de LLMs
Correspondencia: directa con el módulo “How LLMs help thinking, not replace thinking”.
✅ 2. Prompt Engineering (Core)
Intersección con la formación oficial:
– Diseño de prompts efectivos
– Minimización del ruido y maximización del foco
– Control del output y reducción de ambigüedad
Conceptos logrados aquí:
- Cómo usar prompts para eliminar extraneous load
- Auditoría de historias de usuario mediante IA
- Proceso “análisis → simplificación → decisión” mediante prompts
- CTA técnico: “Revisa este backlog y elimina carga extraneous…”
- Aplicación de prompts tipo review / simplify / highlight ambiguity / reorganize
Correspondencia: total con módulos “Prompt Patterns” y “Prompting for clarity and reasoning”.
✅ 3. Cognitive Load + GenAI
Intersección con la formación oficial:
– Cómo la IA optimiza la carga cognitiva del usuario
– Relación IA–atención–decisión
– Diseño instruccional asistido por IA
Conceptos logrados aquí:
- Intrinsic vs Extraneous vs Germane Load
- Extraneous load como “asesino silencioso”
- Estructuras que reducen ruido: DT, IA, backlog jerárquico
- IA para detectar contradicciones PO–Dev–QA
- IA para aumentar germane load y aprendizaje profundo del equipo
Correspondencia: directa con “Human-centered design for AI-augmented work”.
✅ 4. GenAI en Product Discovery / Design Thinking
Intersección con la formación oficial:
– Uso de IA en exploración, ideación y prototipado
– IA para reducir ambigüedad en etapas tempranas
– IA para validar hipótesis y acelerar ciclos de aprendizaje
Conceptos logrados aquí:
- DT como método para reducir ruido cognitivo
- IA + DT = claridad estructural para PM/Test Manager
- IA como acelerador para mapear usuarios, journeys, criterios
- Prototipado conceptual asistido por IA
Correspondencia: total con capítulos “GenAI for problem framing” y “GenAI for ideation & prototyping”.
✅ 5. GenAI en Agile Project Management (PMI-ACP alignment)
Intersección con la formación oficial:
– Cómo IA mejora planificación adaptativa
– IA para priorización y gestión de riesgos
– IA como apoyo al liderazgo ágil
Conceptos logrados aquí:
- Relación DT → Roadmap → Backlog → Sprint Planning
- Extraneous load como riesgo estratégico
- IA para detectar riesgos ocultos y ambigüedades
- IA para clarificar objetivos de Sprint y criterios de aceptación
Correspondencia: clara con “GenAI for Agile teams”.
✅ 6. GenAI en Test Management y QA
Intersección con la formación oficial:
– IA para revisión de requisitos
– IA para modelado de pruebas
– IA para detección de inconsistencias
– IA para reducir ambigüedad en validación
Conceptos logrados aquí:
- IA para auditar historias de usuario
- Identificación de señales contradictorias PO–Dev–QA
- Minimización del ruido en la estrategia de pruebas
- Testing temprano a partir de prototipos generados
- Errores típicos como fuentes de extraneous load
Correspondencia: exacta con módulos de “GenAI for Quality Assurance”.
✅ 7. GenAI + Comunicación Efectiva
Intersección con la formación oficial:
– IA para estructurar y mejorar comunicación
– IA para clarificar información compleja
Conceptos logrados aquí:
- Carrousel LinkedIn con mensajes claros
- Reel con guiones minimalistas
- Síntesis narrativa para PM/Test Manager
- IA para transformar complejidad en claridad
Correspondencia: con “AI-assisted Communication & Knowledge Work”.
🧩 Conclusión: el hilo conductor con la formación GenAI oficial
La intersección clave es esta:
Usamos IA para reducir carga cognitiva, clarificar el problema, organizar información y mejorar decisiones en Product Discovery, Project Management y Test Management.
Esto coincide de forma directa con los núcleos temáticos oficiales:
✔ IA como soporte cognitivo
✔ Prompt Engineering aplicado a clarificación
✔ Human-centered AI
✔ GenAI para PM y QA
✔ GenAI para diseño y prototipado
✔ GenAI para reducir errores humanos y riesgos del proyecto
