Si armás producto con herramientas no-code como Lovable, Base44, Replit o v0, seguro te pasó esto: le pedís a la IA una funcionalidad que suena simple, como "agregá login con Google", y te la resuelve en minutos. Pero cuando le pedís algo con más capas, tipo un sistema de permisos por rol o una integración de pagos con reglas especiales, no sabés si confiarle la tarea entera o mejor cortar por lo sano y llamar a un dev.
Esa incertidumbre es uno de los frenos más grandes para los PMs y creadores no-code hoy. No es que la IA no pueda con tareas difíciles, es que no hay una forma clara de saber en qué momento realmente está lista para eso. Un caso que publicó Anthropic sobre cómo trabaja el equipo de Cursor da una pista concreta de cómo pensar ese límite.
Por qué a un product manager no-code le cuesta calibrar qué delegarle a la IA
El problema no es técnico solamente, es de criterio. Vos como PM no programás línea por línea, entonces evaluar si una tarea es "fácil" o "de las difíciles de verdad" para una IA se vuelve un salto de fe. Y ese salto de fe sale caro cuando falla justo en la parte crítica de tu producto.
Los dos primeros ejemplos de la lista son tareas simples, del tipo que casi cualquier herramienta de IA resuelve bien hoy. Los últimos tres son parte de ese 1% de problemas realmente difíciles, donde un error no es un detalle estético sino algo que puede costarte plata o la confianza de un cliente.
- Cambiar un texto de un botón o ajustar un color de fondo
- Armar una pantalla nueva siguiendo un diseño ya definido
- Migrar datos entre dos sistemas manteniendo la integridad de la información
- Implementar lógica de permisos donde un error deja ver información que no debería
- Integrar un proveedor de pagos con reglas de negocio específicas de tu mercado
Qué mostró el caso de Cursor con Claude Fable 5
El 17 de julio, Anthropic publicó un caso de estudio donde el equipo de Cursor, el editor de código con IA, contó cómo evaluó en qué punto Claude Fable 5 estaba realmente listo para resolver ese 1% de problemas de programación más difíciles, y no solo las tareas simples que cualquier modelo resuelve bien.
Lo valioso de este caso no es solo el resultado técnico, sino el proceso: Cursor no asumió que un modelo nuevo servía para todo por default. Armó un criterio propio para decidir en qué momento un problema complejo se le podía confiar a la IA sin supervisión estrecha, y en qué casos todavía convenía que un humano se quedara con el control final.
Para un equipo de producto no-code, esta forma de pensar es más importante que el detalle técnico de qué modelo usaron. Lo que importa es la pregunta de fondo que se hicieron antes de confiar: no "¿la IA puede hacer esto?", sino "¿en qué punto comprobamos que realmente puede, antes de apostar algo importante a esa capacidad?". Esa pregunta se puede trasladar a cualquier herramienta, sea Lovable, Base44, Replit o v0.
Cómo trasladar ese criterio a tu propio proyecto no-code
No hace falta ser Cursor ni tener un equipo de ingenieros para aplicar esta misma lógica. Como PM o creador no-code, podés armar tu propia versión simplificada de ese criterio antes de delegarle una tarea compleja a la IA.
- Preguntate primero qué pasa si la IA se equivoca en esa tarea puntual: ¿es un detalle visual o afecta plata, datos sensibles o seguridad?
- Empezá siempre probando la tarea difícil en un entorno de prueba, nunca directo en producción
- Pedile a la IA que te explique su razonamiento antes de aplicar el cambio, no solo el resultado final
- Si la tarea toca pagos, permisos o datos personales, sumá una revisión humana como paso obligatorio, no opcional
- Guardá un registro de qué tipo de tareas difíciles la IA resolvió bien y cuáles no, para ir afinando tu propio criterio con el tiempo
Día 29 del curso de ArtiLearn: Claude Code y los modelos detrás de tus herramientas no-code
En el curso de 30 días de ArtiLearn, el día 29 está dedicado a Claude Code, la herramienta de programación con IA de Anthropic, que usa justamente modelos como Claude Fable 5 detrás de escena, el mismo que se ve en el caso de Cursor. En apenas 15 minutos por día se puede entender cómo funcionan estos modelos por dentro, algo que ayuda mucho a calibrar mejor qué delegarle a cualquier herramienta no-code que uses en tu trabajo diario.
Entender cuándo una IA está lista para un problema difícil, y cuándo todavía no, es hoy una de las habilidades más subestimadas para cualquiera que arma producto sin escribir código. No se trata de desconfiar de la tecnología, sino de tener un criterio propio antes de apostar tu producto a una tarea que todavía puede fallar.