Objetivo y contexto metodológico

Tutorial en vídeo que demuestra un flujo de trabajo práctico que utiliza IA (LLM) para poner en marcha la creación de un Wardley Map. El autor, product manager en el ámbito ERP/Business Intelligence, busca explorar un espacio de producto y obtener rápidamente un punto de partida sólido en lugar de empezar desde una página en blanco. El enfoque reconoce que el Wardley Mapping manual es largo y complejo, y propone una automatización parcial para acelerar la fase inicial de exploración estratégica.

Arquitectura técnica: stack y herramientas

El flujo de trabajo se apoya en cuatro componentes: (1) la OpenAI API para generar capacidades y relaciones mediante prompts estructurados; (2) Obsidian como herramienta de gestión del conocimiento que aprovecha su grafo de relaciones nativo; (3) Python con la librería NetworkX para el análisis de clustering al estilo de grafos sociales; (4) un frontend personalizado (opcional) para facilitar la introducción de prompts y capacidades. La integración fluida permite pasar las salidas JSON del LLM directamente a Obsidian, exportarlas luego a Python para un análisis avanzado, y volver a importar los datos enriquecidos en el canvas de Obsidian.

Tres prompts secuenciales estructurados

Prompt 1 - Descomposición de capacidades: formato estricto: "Soy product manager de [producto] en [espacio]. Formula las capacidades como 'la capacidad de [espacio en blanco]'. Descompón las capacidades usando '... es una función de la capacidad de...' Devuelve los resultados en JSON." Ejemplo concreto: "comprar el almuerzo para el equipo" (capacidad de nivel superior) descompuesta automáticamente en subcapacidades: planificar comidas equilibradas, obtener ingredientes de calidad, preparar comidas de forma eficiente, adaptarse a preferencias/alergias. La descomposición crea relaciones jerárquicas padre → hijo enlazadas automáticamente en el grafo de Obsidian.

Prompt 2 - Posicionamiento en el eje Y: los Wardley Maps usan un eje Y que representa la proximidad al cliente (arriba = visible para el cliente, abajo = infraestructura abstracta/invisible). El prompt categoriza las capacidades según su proximidad a los distintos roles de una cadena de valor orientada a la excelencia operativa: (nivel 1) líderes de excelencia operativa, COO, gestores de programas estratégicos; (nivel 2) coaches, diseñadores; (nivel 3) ingenieros de operaciones/IT; (nivel 4) ingenieros de plataforma y de datos; (nivel 5) capas de infraestructura/utilidad. Punto crucial: solicitar siempre la justificación junto con la asignación de nivel. Esto permite "entrar en el razonamiento del LLM" y facilita el ajuste iterativo. El autor señala que este prompt requirió un ajuste previo, entre bastidores, para su dominio específico.

Prompt 3 - Relaciones entre capacidades: "Dada una lista de capacidades (cada una con ID, nombre, descripción), identifica relaciones significativas. Ya sea funcionalmente similares O bien habilitadoras. Sé muy preciso. Devuelve un JSON con: pair (dos IDs de capacidades relacionadas), type (similar/enables), reason (explicación clara)." Estrategia: insertar las capacidades al azar, análisis estricto, como recorrer una tabla y trazar líneas entre elementos similares. Ejemplo de salida: "analizar insights de datos" ↔ "análisis de tendencias" = similar (ambas centradas en el análisis de datos); "analizar insights de datos" habilita "inteligencia accionable" (deriva inteligencia a partir de patrones de datos). Esto enriquece las relaciones más allá de la simple jerarquía padre-hijo.

Clustering con NetworkX y canvas final

Tras crear las capacidades, las relaciones jerárquicas, las relaciones de similitud/habilitación y los niveles del eje Y, el flujo de trabajo usa la librería Python NetworkX (un estándar para el análisis de grafos sociales) para identificar clústeres dentro de cada nivel. El análisis de la densidad de conexiones, como en una red social, asigna IDs de clúster. Resultado: cada capacidad tiene (1) un nivel en el eje Y (proximidad al cliente), (2) un ID de clúster (agrupación lógica dentro del nivel), (3) enlaces padre-hijo, (4) enlaces de similitud/habilitación con sus justificaciones.

Los datos enriquecidos se importan al canvas de Obsidian, donde se visualizan las capacidades. El autor utiliza la función de agrupación de Obsidian para mejorar la legibilidad. El clustering de NetworkX a veces produce agrupaciones acertadas (ejemplo: "entradas con marca de tiempo, rastros de auditoría de acciones clave, conservación de datos históricos" agrupadas juntas).

Navegación por la cadena de valor y filosofía del arranque

El canvas permite navegar por la cadena de valor: ejemplo, "un líder quiere priorización" (parte superior del mapa) → descender por la pila nivel a nivel → identificar los distintos elementos implicados en la priorización. Una demostración concreta de cómo una necesidad de alto nivel se descompone en capacidades progresivamente más abstractas/de infraestructura.

Lección clave: el autor subraya: "esto es solo el comienzo, solo para ponerlo en marcha". La salida de la IA no es el mapa final sino un punto de partida acelerado. La intención: "luego dedicar mucho tiempo a aprender el dominio en profundidad". La IA reduce la fricción inicial de la página en blanco y permite al product manager comenzar de inmediato la iteración y el refinamiento con una estructura base sólida, en lugar de semanas de mapeo manual.

Implicaciones metodológicas

El flujo de trabajo demuestra una aumentación pragmática con IA: ni una estrategia totalmente automatizada (imposible dados los matices y el contexto implicados), ni totalmente manual (demasiado lenta). El enfoque híbrido aprovecha los puntos fuertes del LLM (reconocimiento de patrones, descomposición lógica, identificación de relaciones) reconociendo a la vez que la experiencia humana sigue siendo indispensable para la validación, el ajuste de los prompts (mediante las justificaciones) y el aprendizaje profundo del dominio tras el arranque. Las justificaciones sistemáticas crean un bucle de retroalimentación que permite al profesional comprender el razonamiento del LLM, ajustar iterativamente los prompts y mejorar la calidad de la salida.

Transferibilidad más allá del Wardley Mapping

Aunque se centra en los Wardley Maps, las técnicas son generalizables: la descomposición de capacidades, la categorización por proximidad, la identificación de relaciones y el análisis de clustering se aplican a otros marcos estratégicos que requieren un pensamiento estructurado sobre cadenas de valor, dependencias y capas de abstracción. El stack Obsidian + NetworkX + LLM API resulta especialmente potente para los knowledge workers que exploran dominios complejos.