Mohammed Cherifi sostiene que la IA física necesita una disciplina propia de gestión de producto porque un sistema inteligente no se mide solo por su precisión, sino por todo lo que debe ocurrir para cumplir la promesa al cliente. En su ejemplo, un robot móvil puede detectar patrones térmicos inusuales alrededor de bombas y motores en una planta, pero esa capacidad no sirve de mucho si las rutas bloqueadas impiden inspeccionar equipos o si las alertas inciertas saturan a los técnicos.
El punto central es que la decisión de producto cambia según el contexto operativo. Si un cliente pide inspecciones durante la producción, en lugar de rondas programadas por pasillos despejados, el equipo debe decidir si apoya esa modalidad, si limita la oferta a accesos programados o si apunta a plantas con rutas más predecibles. Cada opción modifica cobertura, permisos del robot, trabajo humano y costo de servir. Para Cherifi, eso ya no es solo una decisión técnica: es una decisión de producto con consecuencias en varias funciones.
El autor propone tratar la gestión de producto de la IA física como una disciplina distinta, definida por decidir qué valor deben entregar los sistemas físicos inteligentes, para quién y con qué compromisos técnicos, humanos, operativos y económicos. Su alcance, dice, comienza con la selección del problema y se extiende hasta el desarrollo, la operación, la adaptación y el retiro del producto.
Cherifi afirma que la unidad de gestión debe ser el producto operado completo. En su caso, eso incluye robot, sensores, modelos de IA, distribución de la fábrica, responsabilidades de los técnicos y flujo de mantenimiento. Un detector de anomalías preciso resuelve solo una parte del resultado; si el robot no puede llegar al equipo o los técnicos no pueden revisar sus hallazgos, la promesa comercial cambia.
A partir de ahí, detalla cinco responsabilidades. Primero, seleccionar la oportunidad: identificar al comprador, a quienes hacen el trabajo y el resultado por el que vale pagar. Segundo, descubrir en condiciones reales: estudiar acceso a equipos, carga de máquinas, conectividad, tráfico de pasillos y decisiones de los técnicos junto con el desempeño del modelo. Tercero, diseñar un producto repetible: definir qué robot, sensores, interfaces y capacidades de servicio forman parte de la oferta. Cuarto, gobernar el despliegue y la autonomía: especificar qué puede hacer el sistema, bajo qué condiciones y con qué apoyo humano. Quinto, gestionar el valor continuo: usar información de campo para revisar resultados, demanda y economía del producto.
Cherifi añade que el líder de producto necesita autoridad delegada para conectar esas responsabilidades: elegir clientes objetivo, moldear compromisos, priorizar inversión y revisar la oferta cuando fallan sus supuestos. Ingeniería, garantía y operaciones conservan sus decisiones especializadas y sus derechos de veto, pero la dirección de producto debe incorporar esos criterios en la oferta final.
La lectura para el mercado es clara: cuando la automatización entra al mundo físico, la ventaja competitiva no depende solo de la inteligencia del modelo, sino de la capacidad de convertir esa inteligencia en un servicio rentable, repetible y gobernable. Capital busca reglas claras. También busca productos que no prometan más de lo que pueden entregar en planta, en campo y en la cuenta de resultados.
Los números primero. La disciplina importa porque el flujo de caja no lo genera un detector aislado, sino un sistema completo que funcione. Cuando la burocracia interna separa tecnología, operación y responsabilidad, sube el riesgo de entregar una promesa incompleta y de encarecer el producto para el cliente. El mercado ya votó: la IA física tendrá valor solo si alguien responde por el conjunto, no por una parte brillante del conjunto.
