En 2026, pregunta a dos responsables de producto de la misma empresa qué distingue a un PM sénior de uno intermedio y lo habitual es recibir dos respuestas que apenas se tocan. Uno hablará de autonomía y de «visión»; el otro, de saber diseñar un experimento que no engañe. Ninguno se equivoca del todo, y ahí está el problema: cada uno forma a su equipo según su propia respuesta, y la empresa acaba con PMs que comparten cargo pero no criterio.
Unos aprendieron discovery, otros solo delivery. Unos adquirieron buena intuición de negocio, otros solo aprendieron a mover tickets. Unos entienden métricas y experimentos, otros se quedaron en narrativa y coordinación.
Durante muchos años esa variabilidad fue tolerable, porque el aprendizaje del PM ocurría «sobre la marcha»: una mezcla de observación, mentoría puntual, exposición a proyectos reales y experiencia acumulada en reuniones, roadmaps y lanzamientos. El modelo funcionó mientras el entorno pedía sobre todo coordinación, criterio generalista y capacidad de traducir necesidades del negocio en ejecución de producto.
En 2026 ese modelo ya se queda corto. El rol crece y, además, ahora se mide. Entender a usuarios, negocio y stakeholders sigue siendo la base. Pero el PM también tiene que trabajar con IA, diseñar experimentos fiables, leer el comportamiento de los usuarios y pensar en cómo gana dinero el producto. Habla con ingeniería a un nivel más técnico y aprende en ciclos mucho más cortos. Cuando el trabajo se mide, la diferencia entre dos PM deja de ser de estilo: se ve en los resultados del trimestre.
La IA es el motor más visible de este cambio, pero no el único. También pesan la velocidad de los experimentos y el auge de los productos que crecen por sí mismos (product-led). El PM responde cada vez más por los ingresos y por lo que deja cada cliente. Y la empresa necesita que todos sus equipos decidan con el mismo criterio. Con un producto cada vez más medible, un rol de PM definido a medias sale caro. La empresa tiene que saber qué sabe hacer cada PM, cómo se forma, cómo se mide su progreso y qué relación tiene eso con los resultados.
Por eso la formación de PM se parece cada vez menos a un onboarding general. Se acerca a lo que ya tienen ingeniería, ventas o liderazgo: un mapa escrito de competencias, una academia interna, evaluaciones con criterios claros, rutas de crecimiento por nivel y herramientas que dan feedback más rápido.
Las empresas no pueden seguir dependiendo solo de que cada manager «forme bien» a sus PM. La pregunta cambia de sujeto. Antes era «¿este PM aprende rápido?»; ahora es «¿tenemos un sistema fiable para formar PM que se desenvuelvan en entornos complejos?». Las academias de PM son la respuesta más visible a esa pregunta, aunque, como se verá, no deberían ser el primer paso.
Por qué la formación PM tiene que cambiar de raíz
La razón principal por la que la formación de PM debe transformarse es que el trabajo del PM ya no es estable ni suficientemente explicable con los marcos clásicos. Antes, muchas decisiones se apoyaban en análisis de mercado, investigación puntual, priorización semiestructurada y una ejecución razonablemente secuencial.
Hoy el PM trabaja dentro de un sistema mucho más dinámico. Los cambios en comportamiento de usuarios se observan casi en tiempo real. Los equipos experimentan con mayor frecuencia. La IA introduce nuevas posibilidades, pero también nuevas restricciones y riesgos. La monetización ha entrado en las decisiones cotidianas del producto: qué se incluye en el plan gratuito, cuándo aparece el paywall, qué feature justifica un upgrade. Un programa pensado para el PM de hace diez años no prepara para casi nada de esto.
La IA acelera el cambio por una razón sencilla. Quita al PM parte del trabajo manual, pero le exige más criterio. Un PM de 2026 tiene que saber qué puede hacer una función de IA y qué no. También cuánto tarda en responder, cuánto cuesta, cómo puede fallar y cómo encaja en el uso real del producto.
Nadie le pide que sea ingeniero de machine learning. Se le pide que piense con precisión en valor, riesgo y viabilidad cuando la IA forma parte del producto. Ese criterio no se puede improvisar.
Cuando la IA está dentro del producto, la formación deja además de ser una cuestión de buenas prácticas. Una empresa que no enseña a sus PM cómo funciona el modelo, cómo falla y cómo se supervisa decide peor y, cuando algo sale mal delante de un cliente, tampoco sabe explicar qué controles tenía ni quién los revisó.
A esto se suma el hecho de que muchas organizaciones ya operan con ciclos de experimentación mucho más rápidos. No basta con «creer en los datos». Hace falta formular hipótesis, diseñar pruebas, seleccionar métricas, interpretar resultados y distinguir señal de ruido.
La diferencia tiene consecuencias muy prácticas: un PM que detiene una prueba la primera mañana en que el panel marca «significativo» declara ganadoras pruebas que no movieron nada.
Un ejercicio de academia lo pone a prueba en diez minutos. Se entrega a cada PM el panel de un test con siete días de datos, una mejora del 6% y un p-valor de 0,04, y se le pide una decisión por escrito. La respuesta madura empieza preguntando cuánto tráfico se planificó, cuándo debía terminar la prueba y cuántas veces se miró el panel antes.
En otras palabras, la experimentación deja de ser una especialidad lateral y pasa a ser una competencia central. Eso también obliga a rediseñar la formación. Un PM que nunca aprendió a pensar experimentalmente puede ejecutar bien procesos, pero quedará limitado en cuanto haya que explicar por qué se movió una métrica.
El avance de modelos product-led termina de cerrar el círculo. Si el producto es responsable de más partes del crecimiento, del onboarding, de la monetización y de la retención, entonces el PM necesita entender mejor los bucles de crecimiento, la activación, pricing, arquitectura de conversión y economía del producto. Una noción genérica de «estrategia de producto» no alcanza para decidir, por ejemplo, si una caída de conversión viene del pricing o de una activación débil.
El nuevo estándar: frameworks formales de competencias
Antes de diseñar un solo curso, conviene ponerse de acuerdo sobre qué capacidades importan y en qué grado. En 2026, las empresas medianas y grandes tienden a formalizar la capacidad PM mediante marcos de competencias explícitos. Esto significa que dejan de confiar en descripciones vagas del rol y empiezan a definir con mayor precisión qué se espera de un PM en distintos niveles y dominios. Sin una matriz clara de capacidades, la evolución del PM depende demasiado del estilo del manager, del contexto del equipo y de la suerte del proyecto en el que trabaje.
Un buen mapa de competencias suele tener cuatro áreas. Conviene verlas como pisos de un edificio, no como casillas sueltas.
La base son los datos y los experimentos. Aquí entran los embudos, las cohortes, la medición de eventos, la segmentación y los tests A/B bien diseñados. Sin esta base, todo lo demás se decide a ojo.
Encima está la ejecución: descubrir problemas, resumir lo que dicen los usuarios, priorizar, escribir requisitos claros y entender lo técnico lo suficiente para llevar una idea hasta producción. En este piso la evidencia se convierte en algo que el equipo puede construir.
La estrategia usa los dos pisos anteriores para mirar más lejos. Incluye la visión de producto, el análisis del mercado, saber dónde la IA aporta valor de verdad, preparar casos de negocio y elegir una North Star Metric, la métrica principal que guía al equipo.
Arriba están el liderazgo y la colaboración: convencer sin tener autoridad, alinear a ingeniería, diseño, research y negocio, resolver conflictos y contar las decisiones con claridad. Gracias a esta área, las decisiones de las otras tres sobreviven al contacto con el resto de la organización.
Un PM brillante en estrategia y débil en datos produce visiones que nadie puede verificar; uno fuerte en datos y débil en liderazgo tiene razón en reuniones donde nadie le hace caso.
Estos frameworks convierten algo difuso en un sistema evaluable. Un PM deja de ser «bueno» o «flojo» en términos genéricos y pasa a ser observado a través de capacidades concretas. Esto mejora el desarrollo, la contratación, la promoción y la calidad de las expectativas entre equipos. También reduce uno de los grandes problemas de muchas organizaciones: que distintos managers entienden «ser PM» de maneras radicalmente distintas.
En 2026, esta formalización pesa todavía más porque el rol incorpora nuevas capas, sobre todo en IA, analítica y monetización. Sin un marco común, la organización corre el riesgo de producir PMs muy desiguales: algunos fuertes en delivery, otros en estrategia, otros en growth, pero pocos verdaderamente completos. Las matrices de competencia buscan precisamente corregir esa asimetría.
Un detalle práctico decide si el framework sirve: cada término necesita una definición escrita. «Activación», por ejemplo, tiene que nombrar el evento concreto en el que un usuario nuevo obtiene por primera vez el valor central del producto. Si cada equipo la define a su manera, la matriz acaba comparando cosas distintas con la misma palabra.
Matrices de seniority: definir qué significa crecer como PM
Un listado de dominios no dice qué nivel de cada uno se espera de un Associate y cuál de un Lead. Dos personas pueden dominar la experimentación y estar, aun así, en etapas muy distintas: una sabe ejecutar el test A/B que otro diseñó, la otra decide qué merece testearse en todo un portafolio.
Para eso existen las matrices de seniority. Durante mucho tiempo, el crecimiento del PM estuvo marcado por señales difusas: «más ownership», «más visión», «mejor comunicación», «más liderazgo». En 2026 eso ya no basta. Las empresas que quieren escalar capacidad PM necesitan describir con más claridad qué distingue a un Associate de un PM intermedio, a un Senior de un Lead, y a un Group PM o PM Manager de un Principal individual contributor.
El nivel ya no depende solo del tamaño del producto ni de cuánta autonomía parece tener alguien. Cuenta lo que la persona sabe hacer y hasta dónde llega su impacto. Un Associate (PM1) piensa con orden, ejecuta tareas acotadas, lee datos básicos y trabaja dentro de procesos que ya existen.
Un PM de nivel medio (PM2) se hace cargo de un problema completo. Investiga por su cuenta, ejecuta experimentos con soltura y colabora bien con otras áreas. Un Senior lidera iniciativas más complejas. Junta lo que dicen los usuarios con los números del negocio y decide cuando nada está claro.
Un Lead o Principal trabaja por encima de los equipos. Piensa en el conjunto de productos, influye en la organización, forma a otros PM y crea prácticas que otros equipos reutilizan.
La progresión pasa a medirse en competencias más que en peldaños jerárquicos. Crecer como PM en 2026 significa demostrar mayor capacidad para razonar con sistemas. Y eso obliga a que la formación desarrolle juicio, algo que ningún tutorial de herramientas enseña.
Bing dejó el ejemplo clásico del valor de ese juicio. Un ingeniero probó un cambio menor en cómo se mostraban los titulares de los anuncios, una idea que llevaba más de seis meses olvidada en el backlog (el episodio lo relatan Kohavi y Thomke en HBR, 2017). El cambio aumentó los ingresos un 12%, más de 100 millones de dólares al año solo en Estados Unidos. Nadie la había priorizado porque parecía poca cosa.
La lección para una matriz de seniority es concreta: el tráfico disponible limita cuántas pruebas bien dimensionadas puede correr un equipo, y elegir cuáles es una competencia en sí misma. Pongamos un producto con tráfico para 24 pruebas fiables al año: si dedica 10 a variaciones cosméticas, ha gastado más del 40% de su capacidad de aprendizaje antes de empezar. Decidir qué merece una de esas plazas es precisamente lo que distingue a un Lead.
Academias internas de PM: de iniciativa puntual a infraestructura organizacional
Frameworks y matrices dicen qué debe saber un PM en cada nivel, pero por sí mismos no enseñan nada. De eso se encarga la academia interna. Organiza el aprendizaje alrededor de las tareas reales de la empresa y de las carencias que muestran sus PM. Funciona como un sistema continuo que combina fundamentos, especialidades, simulaciones, feedback y evaluación. La idea es simple: si la capacidad de los PM importa tanto, la empresa no puede dejarla al azar y necesita su propia forma de desarrollarla.
Una academia interna sólida suele empezar por un currículo base. Ese núcleo cubre fundamentos de PM, research de usuarios, definición de problemas, discovery, priorización y colaboración interfuncional. Pero ahí no termina.
Sobre esa base aparecen rutas avanzadas, orientadas a growth, datos, monetización, IA, modelado de ingresos, alfabetización técnica o trabajo con productos B2B, móviles o de plataforma. La profesión ya no es homogénea. Un PM que trabaja en onboarding y growth no necesita exactamente el mismo tipo de profundidad que uno que opera en una capa más de infraestructura o uno que diseña productos intensivos en IA. La academia permite crear un tronco común sin borrar las diferencias reales de contexto.
Otra pieza esencial de estas academias son las simulaciones. Un PM aprende mucho más cuando se le obliga a operar en escenarios complejos y no solo a absorber teoría. Diseñar un MVP con restricciones reales, defender un backlog experimental, negociar alcance con ingeniería, interpretar métricas ambiguas, reconfigurar un onboarding en caída o decidir si una capacidad de IA merece priorización son ejercicios mucho más valiosos que repetir frameworks en abstracto. Para estos ejercicios funcionan bien los modelos de escenarios, que permiten comparar decisiones estratégicas bajo supuestos distintos.
Las comunidades de práctica (lo que muchas empresas llaman guilds) completan el sistema. En 2026, muchas academias internas no se limitan a clases. Crean espacios estables donde PM de growth, IA, research, móvil o monetización compartan casos, errores, experimentos y marcos de decisión. Esa dimensión comunitaria importa porque el aprendizaje PM no es solo acumulación individual. También depende del lenguaje común que la organización construye.
IA como acelerador del upskilling PM
La IA tiene aquí un doble papel: es materia de estudio para el PM y, a la vez, cambia el modo en que se imparte su formación. Quien usa a diario un asistente para resumir entrevistas aprende también, casi sin proponérselo, dónde suele equivocarse ese asistente. En 2026, el upskilling impulsado por IA empieza a ser una capa habitual dentro de academias y sistemas de enablement. Lo que aporta es un aprendizaje que se adapta a cada persona y llega antes al caso concreto: un PM flojo en lectura de cohortes no tiene por qué repasar desde cero los fundamentos de discovery.
Una de las aplicaciones más útiles será la personalización de rutas de aprendizaje. No todos los PM tienen las mismas brechas. Algunos fallan en diseño experimental, otros en comunicación estratégica, otros en lectura de métricas o en colaboración técnica. La IA puede ayudar a detectar esas lagunas a partir de evaluaciones, artefactos producidos y patrones de desempeño, y sugerir rutas más específicas de mejora. Esto evita el problema típico de las formaciones genéricas, donde todos reciben el mismo contenido aunque necesiten cosas distintas.
Otra aplicación importante será el aprendizaje basado en escenarios. Los PM aprenden especialmente bien cuando se enfrentan a decisiones ambiguas: una feature clave cae en uso, una cohorte de activación empeora, una capacidad de IA daña la experiencia, el pricing deja de sostener el margen, una integración técnica amenaza el roadmap. La IA puede simular este tipo de escenarios y convertirlos en materiales de práctica frecuentes. Eso acerca mucho más la formación a la realidad del rol que un curso expositivo clásico.
También crecerá el feedback automatizado sobre artefactos de PM. Un asistente podrá revisar en minutos PRD, hipótesis, OKR, roadmaps, marcos de priorización o el plan de comunicación con stakeholders. Sus observaciones no reemplazan el criterio de un líder sénior, pero aceleran mucho el ciclo de aprendizaje.
Lo mismo ocurrirá con «coaches» de experimentación apoyados por IA, que ayuden a redactar hipótesis, revisar métricas o detectar errores comunes en interpretación de resultados. En este frente ganan peso las herramientas de experimentación, que encuadran cada prueba en un proceso de evaluación más disciplinado.
Nada de esto sustituye la formación: la vuelve más personalizada, más frecuente y más basada en simulación. Un modelo puede señalar que una hipótesis no se puede refutar, pero la conversación con un líder que ya se equivocó en algo parecido sigue siendo insustituible.
Formación interfuncional: el nuevo estándar de excelencia
El juicio de producto rara vez se ejerce en solitario, y por eso la formación PM de 2026 es cada vez más interfuncional. Durante años, muchas empresas entrenaron a los PM como si fueran una función separada que luego «coordina» con el resto. Esa visión se queda corta en productos cada vez más complejos. El buen PM entiende lo suficiente de diseño, datos, research, ingeniería y go-to-market como para elegir mejor entre alternativas que se excluyen, y los programas más maduros sientan a esas funciones en la misma sala.
La primera ganancia es la alineación. Cuando PMs, diseñadores, ingenieros y analistas comparten parte del lenguaje formativo, es más fácil construir decisiones coherentes. También se igualan las expectativas. Muchas tensiones entre áreas vienen de conceptos mal entendidos más que de desacuerdos de fondo.
Los ciclos se acortan, porque la colaboración mejora cuando existe una base común sobre cómo pensar problemas, hipótesis, restricciones y resultados. Y el producto lo nota: las decisiones llegan integradas desde el diseño y se corrigen menos en la fase final.
Cómo se medirá el impacto de la formación PM
¿Cómo se sabe si todo esto funciona? Un programa que solo reporta horas de curso y encuestas de satisfacción no responde a esa pregunta, y la formación PM dejará de justificarse por intuición. Las organizaciones empezarán a pedir evidencia de impacto.
Y esa medición se moverá en varias capas. La primera será la de habilidades. Se evaluará si los PM realmente progresan en estrategia, discovery, experimentación, alfabetización técnica, monetización e IA. Para eso sirven las plataformas de evaluación de capacidades, que ayudan a estructurar evaluaciones más comparables y menos dependientes de percepción subjetiva.
La segunda capa será la del rendimiento del producto. Una buena formación debería reflejarse en ciclos de experimentación más rápidos, menos retrabajo, mayor claridad en prioridades, mejoras más consistentes en activación y retención, mejor calidad de los artefactos y decisiones más sólidas en contextos ambiguos.
La tercera capa será organizacional: menos intervención innecesaria de managers, mayor alineamiento entre equipos, mejor calidad del debate interfuncional y menos fricción por falta de criterio común.
Por último, habrá una capa económica. En un entorno donde el PM influye más sobre monetización, pricing, growth y unit economics, las empresas querrán ver si la inversión en formación también mejora los resultados financieros. No se tratará de atribuir cada punto de margen a un curso, pero sí de conectar la calidad del sistema PM con la calidad de las decisiones que afectan al negocio. Para esa conexión ayuda modelar escenarios y resultados con mayor rigor.
Medir las cuatro capas a la vez es caro, así que conviene empezar por un par de indicadores. Uno de resultado: el porcentaje de decisiones de roadmap que se registran con hipótesis, métrica principal y criterio de parada antes de ejecutarse; si pasa de una minoría a la mayoría en dos trimestres, la formación está cambiando conductas. Y uno de control: la rotación de PM. Una academia que sube el listón sin abrir rutas de promoción suele formar a gente que se va, y ese coste aparece en la siguiente ronda de contratación.
Por qué las empresas invertirán más en esta formación
Con datos de impacto sobre la mesa, invertir en academias y enablement PM se convierte en una cuenta económica: un PM insuficientemente preparado genera deuda de producto, desperdicio organizacional y decisiones incoherentes. En muchas compañías, mejorar la capacidad PM será más rentable que seguir contratando sin mejorar el sistema que los hace crecer.
Además, las academias internas crean algo que el mercado externo difícilmente ofrece a escala: una forma de producir talento alineado con la realidad específica de la empresa. No sustituyen la contratación, pero reducen la dependencia de que el mercado entregue perfiles «perfectos». También aceleran promociones internas y dan más consistencia a la evolución entre niveles. En 2026, esto ya pesa como ventaja competitiva, bastante más allá de la política de RR. HH.
Queda la objeción del director financiero: formar sale más caro que contratar a quien ya sabe. Hagamos la cuenta con cifras ilustrativas. Una academia para 30 PM, con tres horas semanales durante diez semanas, consume 900 horas; a 50 euros por hora de coste cargado son 45.000 euros, sin contar el contenido. Contratar a un PM sénior con un salario de 70.000 euros y una comisión de selección del 20% cuesta 14.000 euros solo en honorarios, más tres a seis meses hasta que conoce el producto. La academia equivale, por tanto, a unas tres contrataciones en honorarios, y llega a 30 personas.
Contratar sí compensa en una situación concreta: equipos de menos de diez PM que necesitan cubrir una competencia muy específica (por ejemplo, pricing en marketplaces) que nadie dentro domina. Ahí se contrata a la persona y se le pide que enseñe al resto. Por encima de ese tamaño, o cuando la brecha es de criterio común y no de conocimiento escaso, formar dentro sale más barato.
Para una empresa que hoy forma a sus PM por exposición, el primer paso no exige presupuesto de academia. Basta con escribir el framework de competencias en una página, con los cuatro dominios descritos arriba, y pedir a cada manager que sitúe en él a sus PM. Si dos managers colocan perfiles parecidos en niveles distintos, el diagnóstico ya está hecho: falta criterio común, y la matriz de seniority es lo siguiente que hay que construir. Las simulaciones y la capa de IA llegan después, cuando se sabe qué brechas cubrir.
El orden importa porque cada pieza se apoya en la anterior. Una academia sin framework enseña contenidos sin saber a qué nivel apuntan; una herramienta de IA sin evaluación previa personaliza rutas hacia ninguna parte. En 2026 el PM tiene que conectar discovery, datos, experimentación, estrategia, monetización, colaboración técnica e IA en una misma lógica de decisión, y esa conexión rara vez surge sola por exposición a proyectos.
Por eso la primera señal de que el sistema funciona llega mucho antes que cualquier mejora en los productos, que tarda trimestres en notarse. Es más modesta: dos managers sitúan al mismo PM en el mismo nivel de la matriz sin necesidad de discutirlo.