Colapso del Product Market Fit

Sobre como el impacto de la Inteligencia Artificial está provocando el colapso del encaje en el mercado de muchos productos.

La Inteligencia Artificial está destruyendo modelos de negocio que parecían perfectamente consolidados. Hoy os traigo la traducción de uno de los mejores artículos que he leído explicando este fenómeno: Product Market Fit Collapse, directamente desde Reforge, sin duda la mejor escuela de producto ahí fuera. ¡Disfrutadlo!

---

El ciclo constante del Product Market Fit

El Product Market Fit es un hito clave, pero suele malinterpretarse como un momento estático en el tiempo. La realidad es que tu base de clientes cambia continuamente y las expectativas de los consumidores siempre crecen. Una vez logres el Product Market Fit inicial, no solo debes mantenerlo, sino expandirlo.

Casey Winters y Fareed Mosavat crearon el framework del Product Market Fit Treadmill en el curso de Estrategia de Producto de Reforge para ayudar a visualizarlo:

• En los primeros días de un producto, este no tiene Product Market Fit, representado por la línea azul debajo de la línea marrón.

• A medida que se acerca al Product Market Fit, el desempeño de la empresa aumenta y cruza el umbral de PMF.

• Pero este umbral de PMF no es estático. Continúa subiendo porque las expectativas de los consumidores crecen constantemente.

Los cambios tecnológicos aceleran el umbral del PMF

En los cambios tecnológicos, el umbral del PMF se acelera. Podemos verlo como un ligero aumento en la pendiente del umbral de PMF. En anteriores cambios tecnológicos esta aceleración se dio gradualmente. Las expectativas de los consumidores no cambiaron instantáneamente.

Por ejemplo, en la era de la telefonía móvil, los teléfonos inteligentes tardaron años en alcanzar una adopción masiva y, las redes, el hardware y los ecosistemas en madurar. Del mismo modo, en los primeros tiempos de Internet, se tardó bastante en generalizar los ordenadores personales en todos los hogares y en que las conexiones de banda ancha fueran lo bastante rápidas para ofrecer experiencias online atractivas.

Esta “lenta” aceleración dio a las empresas un respiro para adaptarse. Incluso si empezaban a perder su Product Market Fit debido a la evolución de los estándares y las expectativas de los usuarios, esta erosión solía producirse a lo largo de los años, lo que daba tiempo a los líderes de producto a planificar respuestas, recopilar datos y corregir el rumbo. Pero con la IA está ocurriendo algo diferente.

La IA puede causar una inflexión en el umbral del PMF y provocar su colapso

Con la IA, cuando un caso de uso funciona, la adopción es mucho más rápida. Existen potentes herramientas de IA a un coste mínimo o nulo, y los usuarios pueden incorporarlas a sus flujos de trabajo de inmediato. Como mínimo, la IA está provocando que la pendiente del umbral de PMF sea mucho más pronunciada que en anteriores cambios tecnológicos, y cuando un caso de uso realmente encaja, el umbral de PMF “se dispara”.

Las expectativas de los clientes no están aumentando a un ritmo predecible y lineal durante largos periodos de tiempo, sino de forma exponencial. De repente, las soluciones “suficientemente buenas” parecen obsoletas cuando los usuarios se dan cuenta de que pueden recibir respuestas más eficientes, hiper personalizadas y casi instantáneas de las plataformas impulsadas por IA. Esto crea el colapso del Product Market Fit.

Este ritmo acelerado significa que una vez que la IA demuestra su valor para un caso de uso determinado, las soluciones actuales corren el riesgo de perder su PMF casi “de la noche a la mañana”. No hay un largo periodo de ajuste para prepararse ante las cambiantes condiciones del mercado. No hay tiempo para esperar datos concluyentes ni para una planificación estratégica a largo plazo. La ventana para la adaptación se cierra de golpe incluso antes de que se reconozca la gravedad de la amenaza. Como resultado, algunas empresas que prosperaron durante cambios tecnológicos anteriores pueden encontrarse en dificultades, o incluso desaparecer.

Ejemplos de colapso de Product Market Fit

Permitidme exponer primero algunos ejemplos de colapso del PMF, y luego hablaré de por qué creo que veremos ocurrir más.

Ejemplo: Chegg

El colapso

En enero de 2024 Chegg estaba valorada en 1.200 millones de dólares. En octubre de 2024 (9 meses después) en 150. Un descenso del 90% en 9 meses, perdiendo medio millón de suscriptores en ese tiempo. En septiembre de 2024, sus ingresos de los últimos 12 meses fueron de 662,08 millones de dólares, por lo que si cotiza a 1/4 de esa cifra, significa que el mercado cree que esencialmente va a ir a 0.

¿Qué ha ocurrido?

Chegg ofrece ayuda con los deberes a los estudiantes a través de un modelo de suscripción. El principal valor añadido eran las respuestas de alta calidad escritas por humanos.

Si lo miramos a través de la lente de su modelo de crecimiento, su principal bucle de crecimiento se basaba en la generación de contenido. Las respuestas de mayor calidad se distribuían a través de SEO y otros canales, lo que generaba más suscriptores y participación, lo que llevaba a conseguir más respuestas de calidad.

Cuando OpenAI lanzó ChatGPT, los estudiantes podían introducir sus deberes y obtener una respuesta personalizada inmediata. La respuesta no siempre era correcta, pero el hecho de que fuera instantánea, barata/gratuita, junto a otros atributos, crearon un valor 10X y una distribución inmediata.

ChatGPT rompió el bucle de Chegg. A medida que los suscriptores se daban de baja, se generaba menos contenido, lo que llevaba a adquirir menos suscriptores, lo que llevaba a disminuir la facturación, lo que reducía las posibilidades de crear nuevo contenido.

El problema

Como señala Casey Winters:

“Curiosamente, Chegg ya ha pasado por esto antes, en la transición de los soportes físicos a los digitales. Pero esa transición se produjo con la suficiente lentitud como para pasar del alquiler de libros de texto a la ayuda con los deberes. Con la IA fue mucho más rápido. Así que incluso para un equipo que sabía cómo adaptar las amenazas al modelo de negocio, no pudieron superar esta.”

Chegg no tenía ninguna posibilidad. Las expectativas de los clientes se dispararon, perdieron inmediatamente el encaje del producto en el mercado y los usuarios empezaron a cambiar a tal ritmo que Chegg no tuvo tiempo de responder. Innovar para salir de un problema cuando se tiene un negocio establecido de ese tamaño lleva tiempo.

Ahora están atrapados en una espiral mortal de cancelaciones de suscripciones, que les lleva a pérdidas, a la disminución de caja, a despidos y a la falta de tiempo y recursos para encontrar una salida. Los negocios de suscripción que se basan en el acceso a la información sobre hechos o cosas que los modelos de IA pueden responder son muy vulnerables.

Ejemplo: Stack Overflow

El colapso

GitHub Copilot y ChatGPT se lanzaron a finales de 2021. El tráfico a Stack Overflow comenzó a disminuir inmediatamente. La magnitud de la caída sido debatida públicamente entre Stack Overflow y desarrolladores externos. No importa la cantidad específica, ha sido significativa e impactante.

¿Qué ocurrió?

Si lo miramos a través de la lente de su modelo de crecimiento, el bucle de crecimiento central de Stack Overflow era un bucle de contenido generado por la comunidad y distribuido por la empresa. Un desarrollador hacía una pregunta → Otro desarrollador respondía a esa pregunta para obtener capital social → La empresa distribuía ese contenido a través de SEO y otros canales → Lo que atraía a más usuarios y creadores de contenido.

Cuando se lanzaron GitHub Copilot y otras soluciones, los usuarios podían:

• Obtener respuestas al instante frente a esperar que te respondan o tener que buscar una pregunta similar.

• Recibir la respuesta directamente en tu entorno de desarrollo frente a tener que buscar en Stack Overflow.

• Recibir respuestas personalizadas al código que estaban escribiendo en ese momento.

Sí, el código generado por IA contiene algunos errores. Pero el valor combinado era alto, las expectativas de los clientes se dispararon y Stack Overflow perdió su encaje en el mercado. Su bucle de crecimiento principal comenzó a romperse. La gente empezó a votar, ver, etc, menos, lo que disminuyó el incentivo de los usuarios en publicar respuestas. Basta con echar un vistazo a las métricas en este post.

El problema

Stack Overflow ha respondido lanzando cosas como OverflowAI y cerrando acuerdos de licencia con modelos fundacionales. El problema no es sólo que su bucle de crecimiento principal esté roto, sino que no están integrados donde los desarrolladores esperan generar este contenido con IA (directamente en los entornos de programación). Los modelos de negocio basados en contenido generado por la comunidad son especialmente vulnerables a la irrupción de la IA si no son los primeros en aprovechar ese contenido en una solución de IA.

Ejemplo: Shutterstock + Getty

El colapso (¿cercano?)

Aunque el colapso aún no se ha producido, parece inminente en el sector de la fotografía de stock. Shutterstock y Getty Images se fusionaron recientemente como respuesta a la amenaza de la IA. Estos negocios se han visto amenazados a medida que los modelos basados en imágenes y herramientas como Midjourney han ido mejorando.

¿Qué está ocurriendo?

Tanto el modelo de crecimiento de Shutterstock como el de Getty se basan en la aportación de contenido por parte de colaboradores, que atraen a clientes de pago, de los cuales se llevan una comisión por cada venta. Si el flujo de dinero se detiene, los colaboradores empiezan a contribuir menos, y la espiral se invierte.

A medida que los modelos de imagen de GenAI mejoren, el resultado está escrito. Podrás generar instantáneamente una imagen muy personalizada en cualquier estilo que desees dentro de la herramienta de diseño que estés utilizando. Un valor 10 veces superior al uso de fotografías genéricas de stock.

Los modelos todavía no llegan a cubrir todos los casos de uso y estilos, y los usuarios todavía están aprendiendo a guiarlos para lo que quieren. Pero parece que el colapso se acerca.

El problema

Está claro que ambas empresas reconocen la amenaza y están reinvirtiendo en nuevas soluciones de IA. Pero, ¿podrán evitarlo? En mi opinión, es poco probable. Están lidiando con la ruptura de su bucle de crecimiento principal y, al mismo tiempo, no son dueños del nuevo punto de contacto del hábito del usuario (las herramientas de diseño).

Se avecina más colapso del PMF

Todos mis ejemplos hasta ahora han sido de empresas basadas en generación de contenidos. Éstas han sido las más vulnerables debido a las capacidades de los primeros modelos de IA generativa. ¿Se detiene ahí el colapso del PMF? No lo creo.

Las capacidades de estos modelos de IA están progresando a un ritmo exponencial. A continuación se muestra cómo han progresado los modelos de OpenAI en un conjunto de puntos de referencia. La última versión de o3 de OpenAI apunta a que la tecnología ya ha superado el punto de inflexión de la curva.

Pero hay un desfase entre la tecnología más avanzada y los nuevos productos desarrollados con ella. Los equipos de producto tardan tiempo en encontrar la mejor manera de aprovechar una nueva tecnología con nuevas prestaciones. La mayoría de los productos existentes aún se construyen con modelos como GPT-3 o GPT-4.

Pronto saldrán al mercado nuevos productos basados en o1 y o3. Como muestra la curva de referencia, sus capacidades no serán cada vez mejores, sino mucho mejores. A medida que lo hagan, veremos cómo aumentan las expectativas de los clientes en más categorías, lo que dará lugar a más ejemplos de colapso de la PMF. Creo que esta imagen inspirada en Nancy Rademaker lo visualiza bien.

Cómo evitar el colapso del Product Market Fit

Como profesionales del producto, ¿qué podemos hacer al respecto? Es una tarea extremadamente difícil. El reto, como dice Casey Winters, es:

“Netflix y Chegg tuvieron éxito en la transición de los medios físicos (películas, libros de texto) a los digitales. Pero otros como Redbox y Gamefly no lo hicieron. Para evitar el colapso de la PMF hay que predecirlo con mucha antelación y, luego, apostar la empresa.”

Hay tres áreas que hay que dominar:

• Entender cómo están cambiando las expectativas de tus clientes.

• Evaluar tu nivel de riesgo de colapso de PMF.

• Asignar tus apuestas en tu cartera de productos en consecuencia.

Hablemos un poco de cada una.

Entender cómo están cambiando las expectativas de los clientes

Cómo están cambiando las expectativas de los clientes a nivel microeconómico

El primer paso consiste en tomar el pulso a la evolución de las expectativas de los clientes en torno a sus casos de uso. En muchas empresas, comprender a los clientes es un proceso brutal:

• Un equipo de producto tiene algunas preguntas que quiere entender.

• A continuación, se alinean con un equipo de investigación de usuarios para ejecutar algunas investigaciones.

• Ese equipo de investigación ejecuta el estudio, sintetiza los resultados y los presenta al equipo de producto (a menudo meses después).

• Estos resultados se acumulan en PowerPoint y Google Drive.

En muchas empresas, a los equipos de producto ni siquiera se les permite hablar directamente con los clientes. Este proceso tiene tres problemas:

• Demasiado lento: El proceso puede tardar meses en obtener respuestas.

• Alta fricción: El proceso para obtener respuestas de los clientes es de tan alta fricción que los equipos de producto empiezan a no molestarse en absoluto.

• Desconexión: Los equipos de producto están desconectados de los matices y el contexto de las conversaciones reales.

Hablamos de algunos de estos en los diferentes tipos de Feedback Fragmentation Tax que existen en la mayoría de las organizaciones. Creo que una de las formas en que los equipos de producto nativos de IA trabajarán de forma diferente es repensar este proceso.

Esto es lo que resolvemos con Reforge Insight Analytics. El producto agrega todas las fuentes de comentarios de los clientes, utiliza IA para ayudarle a analizar y explorar los datos, y luego los pone directamente en las herramientas que los equipos ya están utilizando en tiempo real.

Tanto si utilizas algo como Reforge Insight Analytics como si no, las expectativas de los clientes están cambiando demasiado rápido. Si este proceso está roto, las probabilidades de colapso del PMF aumentan.

Cómo están cambiando las expectativas de los clientes a nivel macroeconómico

También es útil entender cómo la IA está cambiando las expectativas de los clientes en todos los productos tecnológicos. Algunos ejemplos:

“Un lugar para crear” → “Crea por mí”

Muchos productos de software que utilizamos hoy en día son herramientas que nos permiten crear diferentes contenidos y experiencias. Canva, Notion, Google Docs, Gmail, etc. Pero, ¿y si ese trabajo lo hicieran por nosotros? La IA está cambiando las expectativas de los clientes de “dame una herramienta donde pueda crear” a “haz el trabajo por mí.”

“Talla única; lo personalizo” → “Hecho a medida para mí”

Muchos B2B están hechos de una manera que requiere que el cliente haga una fuerte personalización de su proceso, flujo de trabajo y datos. Tomemos como ejemplo la categoría CRM. Configurar un CRM requiere tanto trabajo que existe una industria de servicios multimillonaria en torno a los integradores de sistemas que configuran Salesforce y otros CRM para satisfacer sus necesidades. Pero, ¿y si eso no fuera necesario?

Tareas manuales → Tareas automatizadas

Muchos productos requieren que realices muchas tareas manuales para que el equipo obtenga valor de ellos. Como equipo de producto, probablemente el mejor ejemplo sea JIRA, y el tiempo invertido creando tareas, manteniéndolas actualizadas y preparadas a lo largo del tiempo. O la categoría CRM que requiere que los representantes de ventas pasen horas interminables introduciendo datos sobre sus conversaciones y acuerdos. Pero, ¿y si se automatizaran?

Pagar por asientos o por mes → Pagar por trabajo realizado

En los últimos 25 años, los consumidores han pagado por asiento o por mes. El cliente hace algún cálculo aproximado en su cabeza si su uso del producto es aproximadamente de mayor valor que lo que está pagando. El valor real está a un paso del precio. Pero, ¿y si se pudiera pagar por el valor real?

Entendiendo tu riesgo de colapso del Product Market Fit

El segundo punto consiste en evaluar el nivel de riesgo de colapso del encaje del producto al mercado. Profundizo mucho más en este tema en AI Strategy con Ravi Mehta, pero he aquí algunos de los puntos más destacados

1. ¿Cómo de directa es la relación con el cliente?

Hay productos que tienen un control estricto sobre la relación con el cliente (por ejemplo, Github). Hay otros (por ejemplo, Stack Overflow) en los que Google o algún otro canal tienden a ser la vía principal por la que los usuarios entran y vuelven al producto. La adecuación del producto al mercado será más fácil de mantener y defender cuanto más controlemos la relación con el cliente. Una forma de evaluar esto es medir el porcentaje de tus usuarios que llegan directamente a tu producto frente a los que lo hacen a través de un intermediario.

2. ¿Cuál es la frecuencia de sus casos de uso?

En Retention + Engagement nos centramos en definir los casos de uso e identificar su frecuencia natural. Hay productos de baja frecuencia que se utilizan de 1 a 2 veces al año (por ejemplo, en el sector Viajes) y productos de alta frecuencia que se utilizan a diario (por ejemplo, Slack).

En mi opinión, los productos de baja frecuencia corren un mayor riesgo. La naturaleza de baja frecuencia proporciona oportunidades más fáciles para que un usuario cambie la próxima vez que surja la necesidad. El hábito no es tan fuerte. Los productos de alta frecuencia tienen un hábito establecido con los usuarios y los hábitos pueden ser difíciles de romper incluso si hay una alternativa mejor en el mercado. Aprende a determinar tu frecuencia natural aquí.

3. ¿Controlas el flujo de trabajo de creación?

El “caso de uso definitivo” de la IA suele emerger exactamente donde el usuario crea algo: en el entorno de programación (por ejemplo, GitHub Copilot), la superficie de escritura (por ejemplo, Notion AI) o el lienzo de diseño (por ejemplo, Figma). Si tu producto se sitúa «aguas abajo» o fuera de estas superficies de creación en lugar de donde los usuarios trabajan a diario, es más fácil ser sustituido. La IA puede integrarse directamente en el flujo de trabajo y ser una alternativa más fluida frente a abandonar su entorno (como salir de un entorno de programación para ir a Stack Overflow).

4. ¿Tienes datos propios?

Los datos son el nuevo petróleo (esta vez de verdad) en el mundo de la IA. Específicamente los datos propietarios a los que los LLM y modelos fundacionales no tienen acceso. Si los datos (o el contenido) están disponibles y pueden ser ingeridos por los grandes modelos lingüísticos, entonces eso no es defendible. Cuantos más datos privados poseamos, menor será el riesgo de colapso del mercado de productos.

5. ¿Qué rompería nuestro bucle principal de crecimiento?

Tienes que entender tu modelo de crecimiento en profundidad. No te limites a mapear tus bucles de crecimiento; entiende por qué un usuario da cada paso en el bucle. Si ese “por qué” se fractura, la espiral comienza a girar en sentido negativo. Por ejemplo, los modelos de crecimiento que se basan en contenidos generados por la comunidad pueden deshacerse rápidamente si desaparecen los incentivos para los usuarios. Esto es lo que estamos viendo en el caso de Stack Overflow.

6. ¿Hasta qué punto están avanzados tecnológicamente tus clientes?

Fareed Mosavat tiene razón:

“Estamos viendo la verdadera disrupción hoy en la punta de la curva de adopción (código, diseño, tecnología, estudiantes). Las empresas que atienden a clientes menos expertos son probablemente menos susceptibles.”

Cuanto más al frente se sitúe tu público en la curva de adopción de nuevos productos, más rápido se romperá tu encaje de producto en el mercado. Estos usuarios están dispuestos a probar cosas nuevas, romper viejos hábitos y tienen poca lealtad si surge una alternativa claramente mejor.

Asignación de cartera de estrategia de productos

En el curso de estrategia de producto de Reforge, Fareed y Casey hablan de los 5 tipos de trabajo de producto:

• Product Market Fit: Pasar de cero a uno en la adaptación inicial del producto al mercado.

• Funcionalidades: Crear y capturar valor ampliando la funcionalidad y el mercado de un producto en áreas incrementales y adyacentes.

• Crecimiento: Crear y captar valor acelerando la adopción y el uso por parte del mercado existente.

• Escala: centrarse en los cuellos de botella para garantizar que el equipo pueda seguir avanzando y asumir nuevos niveles de trabajo de ampliación de funciones, crecimiento y ajuste del producto al mercado.

• Expansión del PMF: Aumentar el techo de la adecuación del PMF de forma no incremental mediante la expansión a un mercado adyacente, a un producto adyacente o a ambos.

Una parte fundamental de la estrategia de producto consiste en comprender cómo distribuir las apuestas de producto entre los distintos segmentos. Dependiendo de tu evaluación y de tu nivel de riesgo de colapso del PMF, es probable que desees asignar una mayor cantidad de recursos a su expansión o a un verdadero trabajo de PMF, aunque los datos existentes del uso del producto no lo indiquen.

Esto es sólo el principio

Todavía estamos al principio del cambio tecnológico de la IA.

• Las capacidades de la IA progresan a un ritmo exponencial.

• Los seres humanos acabamos de empezar a crear nuevas experiencias con ella.

• Tenemos los dispositivos para ejecutar IA en nuestras manos, lo que reducirá la fricción de la adopción en comparación con los cambios tecnológicos anteriores.

Todo esto hace que el ciclo del PMF como mínimo se acelere, y que, como máximo, haya más puntos de «inflexión» que provoquen más casos de colapso del ajuste del mercado de productos.

Algunas recomendaciones para concluir:

• Eche un vistazo a Reforge Insight Analytics

• Los cursos Estrategia de producto y Estrategia de IA de Reforge le ayudarán a reflexionar sobre este intenso entorno estratégico.

• El curso Mastering Customer Feedback de Reforge para descubrir las expectativas cambiantes de sus clientes.