CASO DE ESTUDIO

MAPIA

De problema a producto en 6 semanas

Para finalizar el Programa de Dirección de Producto impartido por Íñigo Medina en Instituto Tramontana, teníamos que construir un producto digital en seis semanas. Junto a Paula Carrasco (Mercado Libre) y Asier García (Chubbyapps), decidimos resolver un problema que Asier vivía cada día: personalizar decenas de correos de prensa manualmente. Asier sabía que la personalización funcionaba — mejoraba sus tasas de respuesta — pero no era escalable. Así nació MAPIA.

Resumen

Duración: 6 semanas
Equipo: Paula Carrasco, Asier García y yo
Resultado: MVP funcional de plataforma de personalización de emails con IA

El problema

Las herramientas de email marketing (Mailchimp, etc.) solo insertan tags básicos — nombre, empresa — que resultan evidentes y poco efectivas. Nadie quiere sentirse un número más en una lista de distribución.

Asier validó que personalizar cada email manualmente (mencionar último contacto, conectar noticia con intereses del periodista) mejoraba significativamente la respuesta. Pero el proceso lo agotaba y no podía escalar.

El reto: ¿Podíamos automatizar la personalización profunda sin perder autenticidad?

La solución

MAPIA (Mails Automáticos Personalizados por IA): plataforma que genera emails personalizados masivamente usando IA, alimentándose de contexto real de cada destinatario.

Decisión de scope: Solo personalización masiva. CRM, envíos, analytics quedaron deliberadamente fuera del MVP.

Mi rol

En un equipo pequeño y multidisciplinar es donde los perfiles se difuminan y donde el trabajo conjunto es lo importante, todos aportábamos donde podíamos. Por mi parte puse especial foco en el research, diseño y desarrollo tecnológico del MCP.

Proceso (6 semanas)

Semana 1: Definición

Prototipo inicial en Lovable. Validación de concepto sin invertir demasiado esfuerzo. Lovable generó más funcionalidades de las que pedimos, lo que nos obligó a ser más explícitos sobre lo que NO queríamos construir.

Semana 2: User research

Conversaciones con usuarios potenciales revelaron insights críticos:

Alfredo Lores (marketing):
Ya hacía procesos similares manualmente. Necesitaba integración con CRM. Su preocupación: «Que no parezca robot».

Emma González (comunicación):
Enviaba notas sin personalizar por falta de tiempo. Le bastaba ajustar tono (formal/informal). Su miedo: «Me da terror delegar en IA algo tan personal».

Conclusiones clave:

• Sí hay demanda para personalización auténtica
• Confianza en IA es barrera a abordar
• Datos personales están «en la cabeza», no en bases de datos estructuradas

Semana 3: Pivote estratégico

Problemas técnicos con Gmail OAuth nos forzaron a pivotar a Mailchimp. Resultó ser mejor decisión: ~70% cuota de mercado, usuarios con audiencias ya creadas, producto más validable, publicable en su marketplace.

Stack final: OAuth2 para Mailchimp + API transaccional + notas de contactos como fuente de personalización.

Semana 4: Bloqueos técnicos

La API de Mandrill no funcionaba. Días depurando. Perplexity me dio la respuesta: requería cuenta de pago (mal documentado por Mailchimp). Compré dominio (mapia.tech), configuré DNS (SPF, DKIM), migré a Resend.

Estos días frustrantes me convirtieron en un apasionado del vibe coding — aprendí a construir software con IA mediante prompts.

Semana 5: Ejecución

Migración a Resend completada, conexión Mailchimp, selección de audiencias, personalización básica, envío masivo funcional.

Añadí gestor de notas de contactos integrado (más simple que interfaz nativa Mailchimp) para generar adherencia.

Semana 6: Polish

Landing page funcionando y foco en branding: añadí plátanos como una especie de logotipo, dándole personalidad al producto al tiempo que hacía un guiño directo al mono de Mailchimp. Descubrimos «funcionalidad» inesperada: adaptación automática a idioma al idioma del destinatario si estaba indicado en las notas.

Resultados

Validación técnica: Mailchimp + OpenAI + Resend integrados
Feedback: Positivo de múltiples perfiles (PR, marketing, ventas)
Nuevos procesos: de conceptualizar y diseñar a implementar directamente una aplicación funcional

Riesgos identificados

Identificamos varios riesgos que requerían validación:

• Adherencia limitada: Para usuarios puntuales (notas de prensa ocasionales), el ROI de configurar el sistema podría ser bajo
• Dependencia técnica: Lovable es una «caja negra» que dificulta escalar o migrar a infraestructura propia
• Tamaño de mercado: El nicho podría no expandirse fácilmente a base de usuarios más amplia
• Sin moat: Mailchimp podría añadir esta funcionalidad. No tenemos «hard-to-copy»
• Confianza en IA: Barrera psicológica expresada por usuarios como Emma: «Me da terror delegar algo tan personal»

Aprendizajes clave

Vibe coding

• No especular, hacer preguntas técnicas a la IA para entender cómo funcionan las cosas
• Copia errores directamente en prompts
• Construye por partes, valida antes de integrar
• Rollback sin miedo — a veces es más rápido que depurar

Producto

• Mejores productos nacen de frustraciones personales
• Sin límites claros, el producto se vuelve amalgama de features
• Feedback real > especulación — ship early
• Pivotes = ajustes con nueva información, no fracasos

Research

• «Terror a delegar en IA» señala barrera real del producto
• Datos en la cabeza vs sistemas estructurados = crítico para arquitectura

Reflexión

MAPIA demostró que es posible construir productos funcionales en semanas con herramientas modernas. Pero el verdadero valor fueron los aprendizajes sobre toma de decisiones bajo presión, pivotes efectivos, y mantener foco en resolver problemas reales.

El proceso me transformó: de conceptualizar productos y coordinar developers, a prototipar directamente conversando con IA. Esta capacidad de «pensar en código» es cada vez más valiosa para product managers.