Mi setup de producto con IA

Llevo tiempo dándole vueltas a cómo adaptar el ciclo de desarrollo de producto a toda esta vorágine que nos trae la AI. No solo desde la parte de código, sino viendo cómo encajan producto, diseño, negocio y desarrollo en un flujo cada vez más asistido. Cada vez veo más claro que la diferencia no está solo en generar código más rápido, sino en conectar mejor el contexto, aplicar mejor criterio y asumir responsabilidad. A día de hoy este es mi setup: ▪️ Gestión de producto Linear para gestionar roadmap, tareas y bugs. Producto ya no escribe tickets a mano. Usa su AI assistant de preferencia (ya sea ChatGPT, Claude, Gemini, etc) para pensar propuestas, estructurar problemas, generar tickets, refinar criterios de aceptación o detectar edge cases. Los devs igual, consumen estos tickets desde Claude Code. ▪️ Knowledge base Notion como base de conocimiento compartida. Ahí viven PRDs, decisiones, glosarios de términos, contexto de dominio, documentación funcional, research, aprendizajes de negocio y todo lo que ayuda a que producto, diseño y tecnología hablen el mismo idioma (Domain Driven Design). Lo mismo, el proceso de "thinking" se puede hacer perfectamente utilizando NotionAI o conectando ChatGPT (o el que sea) vía MCP para luego "persistir" el resultado en la página concreta. El contexto tiene que poder alimentarlo gente no técnica sin fricción. Por eso, de momento estoy evitando soluciones git-based. Tener un editor web a día de hoy me sigue pareciendo clave. ▪️ Desarrollo Una vez entramos en desarrollo, lo divido en varias etapas: 🔸 Exploración: entender el problema y obtener contexto (Linear, Notion, ADRs, etc) 🔸 Plan: Definimos arquitectura, tomamos decisiones técnicas en base a las necesidades del producto y lo bajamos a OpenSpec para convertir requisitos en una especificación técnica clara antes de implementar. 🔸 Implementación: Agentes especializados con sus herramientas, skills, testing, convenciones de código. 🔸 Revisión: No solo revisar código. Revisar decisiones, trade-offs, riesgos y deuda técnica. 🔸 Despliegue: validar, observar y revisar errores. ▪️ Feedback de producción Sentry para capturar errores. Un buen sistema de logs para poder investigar incidencias y dar más contexto a los tickets. La idea es que el assistant pueda ayudar a entender qué ha pasado, cruzar contexto y proponer hipótesis que alimenten los tickets de Linear. --- Obviamente, todo este setup depende mucho del contexto de cada producto. Las herramientas, permisos, modelos y flujos se tienen que adaptar a los requisitos de confidencialidad, seguridad y compliance de cada caso. La toma de decisiones, el manejo del riesgo, la mantenibilidad y la escalabilidad siguen siendo responsabilidad del ingeniero/a. Ahora más que nunca, la mentalidad de producto y negocio va a marcar la diferencia. Me encantaría saber cómo lo estáis montando ¿Qué herramientas o prácticas os están funcionando para conectar producto, diseño, negocio y desarrollo con AI?