Cómo Definir el Alcance de una App Web con IA: La Cadena de 6 Prompts (De Idea a SOW)

Cómo Definir el Alcance de una App Web con IA: La Cadena de 6 Prompts (De Idea a SOW)

En nuestros últimos cinco proyectos de scoping con clientes, la parte que antes consumía entre 12 y 16 horas de llamadas de discovery bajó a unas 3 horas de trabajo con IA más una revisión humana de 1 hora. Corremos todo el proceso dentro de un único Claude Project para que el contexto se mantenga. ¿El problema? La IA falló en tres cosas concretas cada vez. Así que añadimos una compuerta humana antes de que nada llegue al cliente.

Esta es la cadena real de 6 prompts que usamos, el artefacto que produce cada prompt, un ejemplo completo trabajado y los modos de fallo que tienes que detectar tú mismo.

¿Puede la IA definir el alcance de un proyecto de app web? Sí. La IA puede redactar el scope completo (declaración del problema, historias de usuario, funcionalidades, prioridades MoSCoW y un statement of work) en pocas horas en lugar de días. Lo que no puede hacer es validar ese borrador. Inventa requisitos y subestima el esfuerzo, por lo que una compuerta humana es obligatoria antes de la firma.

Puntos clave

• La IA redacta un scope completo de app web en horas, no días, pero no puede validar su propio resultado.
• La cadena son seis prompts: problema, historias de usuario, funcionalidades, MoSCoW, estimación, SOW.
• La IA inventa integraciones y subestima los casos extremos, así que ejecuta siempre una compuerta humana.
• Usa Claude Projects o ChatGPT Projects para la cadena; los agentes llegan después de que el scope esté firmado.

La IA puede escribir tu primer borrador de scope en una tarde. Solo que no sabe cuándo se equivoca.

¿Qué Es el Scoping Asistido por IA (y Qué NO Es)?

El scoping asistido por IA significa usar una serie de prompts LLM para convertir una idea en bruto en artefactos de scope estructurados: requisitos, historias de usuario, una lista de funcionalidades, prioridades y un statement of work. La IA hace el borrador y la estructuración. Un humano sigue tomando las decisiones, manteniendo las conversaciones con los stakeholders y validando.

¿Le está haciendo la IA el trabajo de pensar? No exactamente. Es rápida en la recopilación de requisitos con IA, esa parte donde te quedas mirando una página en blanco e intentas traducir "quiero una app de reservas" en algo que un desarrollador pueda presupuestar. En cambio, es mala para saber qué necesita realmente el cliente frente a lo que suena plausible.

Algunas cosas que el scoping asistido por IA no es: no es autónomo, no reemplaza hablar con stakeholders reales y no garantiza precisión. El modelo escribirá con gusto una especificación bien formateada y segura de sí misma para una funcionalidad que nadie pidió.

Este artículo asume que ya entiendes el proceso de scoping en sí. Si quieres los fundamentos, nuestra guía de scoping paso a paso explica el proceso base sin IA, los 7 pasos y la estructura completa del documento de scope. Aquí nos quedamos en la capa de IA: qué prompt, en qué orden y dónde falla.

La Cadena de Prompts de Scoping con IA de un Vistazo

La cadena son seis prompts ejecutados en secuencia, donde cada uno alimenta su resultado al siguiente. En orden: (1) problema y objetivos, (2) historias de usuario, (3) lista de funcionalidades, (4) priorización MoSCoW, (5) estimación de esfuerzo, coste y plazo, y (6) el borrador del SOW. Ejecútalos dentro de un mismo proyecto para que el contexto persista.

Aquí está la parte interesante: como cada prompt se construye sobre el anterior, no tienes que explicar tu app seis veces. El modelo ya conoce el problema cuando escribe las historias de usuario, y ya conoce las historias cuando prioriza funcionalidades.

1. Problema y objetivos: convierte una idea en bruto en una declaración del problema más objetivos SMART.
2. Historias de usuario: transforma los objetivos en historias de usuario con criterios de aceptación.
3. Lista de funcionalidades: deriva un inventario concreto de funcionalidades a partir de las historias.
4. Priorización MoSCoW: clasifica las funcionalidades en Must, Should, Could, Won't.
5. Estimación: produce un esfuerzo, rango de coste y plazo.
6. Borrador del SOW: ensambla todo en un statement of work.

También es un conjunto limpio de prompts de IA para gestión de proyectos en general, pero hemos afinado cada prompt específicamente para apps web (tech stack, integraciones, casos extremos). Ese ajuste es lo que separa un scope utilizable de uno genérico.

El truco no es un prompt mágico. Son seis prompts que se pasan el resultado el uno al otro.

¿Cómo Se Ejecuta la Cadena, Paso a Paso?

Ejecutas la cadena de arriba a abajo dentro de un Claude Project o ChatGPT Project, pegando cada prompt en orden y dejando que la respuesta anterior permanezca en contexto. A continuación, los seis pasos simples con los prompts exactos que usamos. Cada uno es específico para apps web a propósito, porque los prompts genéricos de análisis de negocio producen scopes genéricos.

Una nota antes de empezar: reemplaza los marcadores entre corchetes con tus propios datos, y nunca aceptes el primer resultado como definitivo. El movimiento profesional es leer cada resultado, corregirlo y luego ejecutar el siguiente prompt.

Prompt 1: Declaración del problema y objetivos

Eres un product manager senior definiendo el alcance de una aplicación web.
Esta es la idea en bruto: [describe la app en 2-4 frases].
Los usuarios objetivo son [quiénes]. El negocio quiere [resultado].

Escribe:
1. Un párrafo de declaración del problema.
2. 3-5 objetivos SMART con métricas de éxito.
3. 3 supuestos que estás haciendo y que debo confirmar.
Marca lo que sea poco claro en lugar de inventar.

Esto produce tu sección de visión general y objetivos. Pro tip: la línea de "3 supuestos" está haciendo un trabajo pesado. Saca a la superficie las lagunas que la IA de otro modo habría tapado.

Prompt 2: Historias de usuario

Actuando como el mismo product manager, convierte los objetivos anteriores en
historias de usuario para una app web. Usa el formato:
"Como [rol], quiero [acción], para poder [beneficio]."
Cubre todos los roles de usuario. Para cada historia, añade 2-3 criterios de
aceptación. Agrupa las historias por área de funcionalidad.

Ahora tienes requisitos funcionales. Es el paso de generador de historias de usuario con IA. Ojo: tiende a olvidar los roles de administrador y los casos extremos, así que vuelve a pedirle: "ahora añade historias para administradores, pagos fallidos y estados vacíos."

Prompt 3: Lista de funcionalidades

Basándote en las historias de usuario anteriores, produce un inventario plano de
funcionalidades para esta app web. Agrupa las funcionalidades en: núcleo, cuenta
y autenticación, administración, integraciones y notificaciones. Señala cualquier
funcionalidad que requiera un servicio de terceros o API.

Esta es tu lista candidata de funcionalidades dentro del scope. Observa este paso de cerca, porque es donde la IA empieza a inventar integraciones (más sobre eso luego).

Prompt 4: Priorización MoSCoW

Prioriza la lista de funcionalidades usando MoSCoW (Must, Should, Could, Won't)
para un primer lanzamiento (MVP). Para cada funcionalidad da una razón en una
línea. Asume un presupuesto de MVP de 3 meses y sé implacable:
la mayoría de funcionalidades NO deben ser "Must."

Esto etiqueta tus elementos dentro y fuera del scope. La instrucción "sé implacable" importa; sin ella el modelo marca casi todo como Must.

Prompt 5: Estimación de esfuerzo, coste y plazo

Estima el esfuerzo, coste y plazo solo para las funcionalidades Must. Asume un
stack de [ej. Next.js, Supabase, Stripe] y un equipo de [N] desarrolladores.
Desglosa la estimación por funcionalidad en días. Indica cada supuesto. Da un
RANGO de coste, no un número único, y señala las 3 estimaciones más arriesgadas.

Este es el input de tu generador de alcance de trabajo con IA para presupuesto y plazo. Exige siempre un rango y los supuestos, porque un número único y confiado es el resultado más peligroso que la IA te puede dar.

Prompt 6: Borrador del SOW

Ensambla todo lo anterior en un borrador de statement of work para un cliente.
Incluye: visión general, objetivos y métricas de éxito, funcionalidades dentro
del scope, elementos explícitamente fuera del scope, plazo, rango de presupuesto,
entregables, supuestos y una sección de firma. Marca con [REVISAR] cualquier
sección donde tengas incertidumbre.

Las etiquetas [REVISAR] se convierten en tu checklist de la compuerta humana. Este paso ensambla el recorrido de idea a SOW que toda la cadena prometía.

Mapa Prompt → Sección del Documento de Scope

Cada prompt no solo responde una pregunta, rellena una sección específica del documento que entregas al cliente. Este mapa es lo que reemplaza la típica plantilla de 11 secciones: en lugar de memorizar un esqueleto, ejecutas la cadena y el documento se ensambla solo. Aquí está qué prompt produce qué entregable.

Cuando terminas el Prompt 6, tienes un primer borrador completo de un documento que un cliente puede leer y firmar, no un montón de notas desconectadas.

Cada prompt no solo responde una pregunta. Rellena una sección concreta del documento que entregarás al cliente.

Un Ejemplo Completo Trabajado: Definiendo el Alcance de un SaaS de Citas

Aquí está la cadena ejecutada de principio a fin en un caso concreto: un SaaS de citas para una pequeña cadena dental. Es un ejemplo ilustrativo, no un entregable real de cliente, y sí, encontramos dos errores en el resultado de la IA, que corregimos en la sección de compuerta humana más abajo.

Resultado del Prompt 1 (problema y objetivos). Problema: una cadena dental de tres ubicaciones pierde reservas por el "teléfono juego del teléfono" y las ausencias. Objetivos: reducir las ausencias un 30% mediante recordatorios, permitir a los pacientes reservar online y dar al personal de recepción un calendario compartido. Supuestos señalados: zona horaria única, solo español, sin facturación de seguros.

Resultado del Prompt 2 (muestra de historias de usuario).

• Como paciente, quiero reservar una cita online, para no tener que llamar por teléfono.
• Como paciente, quiero un recordatorio por SMS, para no olvidar mi cita.
• Como personal de recepción, quiero ver las tres ubicaciones en un solo calendario, para poder gestionar los solapamientos.

Resultado del Prompt 3 (lista de funcionalidades, resumida). Reserva online, sincronización de calendario, recordatorios por SMS y email, cuentas de pacientes, administración multisede, informes básicos y un paso de pagos (este último fue inventado; nadie lo pidió).

Resultado del Prompt 4 (grid MoSCoW).

Resultado del Prompt 5 (estimación, resumida). Asumiendo Next.js, Supabase y Twilio con dos desarrolladores: las funcionalidades Must suponen aproximadamente 45 a 60 días-desarrollador, un rango de coste de unos $35K a $55K y un plazo de 8 a 10 semanas. Estimación más arriesgada señalada: la lógica del calendario multisede.

Resultado del Prompt 6 (extracto del SOW). "Dentro del scope: reserva online, calendario compartido multisede, recordatorios SMS (Twilio), cuentas de pacientes. Fuera del scope: pagos, seguros, móvil nativa. Plazo: 8-10 semanas. Rango de presupuesto: $35K-$55K. [REVISAR] Confirmar Twilio vs proveedor SMS alternativo con el cliente."

Echa un vistazo y verás cómo tomó forma un scope real y firmable en una sola sesión. Si planeas añadir funcionalidades inteligentes más adelante, nuestra guía para añadir funciones de IA a tu app recoge el testigo donde este lo deja.

¿Cómo Se Estiman Coste y Plazo con IA?

Pides al modelo que desglose la estimación por funcionalidad en días, que asuma un tech stack específico, que indique cada supuesto y que devuelva un rango en lugar de un número. Luego compruebas ese rango contra los niveles conocidos del mercado, porque la IA casi siempre ancla demasiado hacia el optimismo en cuanto a esfuerzo.

Trata las estimaciones de IA como un punto de partida, nunca como una cotización. La instrucción más útil es "señala las tres estimaciones más arriesgadas", que te dice exactamente dónde aplicar tu propio criterio. Aquí están los niveles contra los que verificamos cada estimación de IA.

Estos rangos se alinean con los benchmarks publicados de agencias y marketplaces; la investigación de costes de desarrollo de apps de Clutch es un punto de referencia público razonable. Si tu estimación de IA aterriza muy por debajo del nivel correspondiente, probablemente ha pasado por alto casos extremos. Este es también el momento de plantearse la pregunta más amplia: construir vs. comprar. Un scope que se dispara más allá del nivel complejo a veces argumenta a favor de comprar en lugar de construir.

¿Qué Herramienta de IA Usar para Cada Tarea?

Para la cadena completa, usa Claude Projects o ChatGPT Projects, porque ambos persisten el contexto entre prompts de forma que el resultado se lleva al siguiente sin re-pegar. Usa un agente autónomo solo después de que el scope esté firmado y estés generando artefactos repetibles. Para el scoping puntual, Projects gana al agente siempre.

Corremos la cadena en Claude Projects para los pasos de contexto largo (historias de usuario, ensamblaje del SOW) y usamos ChatGPT cuando queremos una segunda opinión sobre la estimación. Según la documentación de Projects de Anthropic, un Project mantiene contexto e instrucciones compartidos a lo largo de una conversación, que es exactamente lo que necesita un flujo de trabajo de seis prompts en claude projects para requisitos. Los Projects de OpenAI funcionan igual para los prompts de ChatGPT en desarrollo de software.

Una técnica que vale la pena copiar: divide el rol de la IA según el paso. Dile "actúa como product manager" para las historias de usuario y "actúa como ingeniero senior" para la estimación. El cambio de rol cambia cómo razona, y la persona de ingeniero es notablemente más conservadora en cuanto a esfuerzo.

Una vez que el scope se entrega y empieza el desarrollo, la pregunta sobre herramientas se desplaza a los agentes de codificación con IA, que es una decisión completamente diferente.

¿Dónde Se Equivoca la IA en el Scoping? La Compuerta de Validación Humana

La IA falla en el scoping de formas predecibles: alucina integraciones que nadie pidió, subestima los casos extremos y los estados de error, e inventa requisitos de compliance o silenciosamente omite los reales. También ancla las estimaciones de coste con demasiado optimismo. Nada de esto es raro; ocurre en prácticamente cada ejecución, por eso la compuerta humana no es negociable.

Los requisitos malos son caros ya los escriba un humano o un modelo. La investigación Pulse of the Profession del PMI encontró que la recopilación imprecisa de requisitos es una causa primaria de fracaso en aproximadamente el 37% de los proyectos fallidos, así que el objetivo de la compuerta es pillar esos fallos antes de que lleguen a una cotización, no después.

La solución es una checklist corta que una persona ejecuta antes de que ningún scope llegue al cliente:

• Elimina las funcionalidades inventadas: quita todo (pagos, exportaciones, integraciones) que el cliente nunca pidió.
• Añade los casos extremos que faltan: pagos fallidos, estados vacíos, permisos, gestión de errores.
• Verifica cada integración: confirma que cada servicio de terceros nombrado es real, necesario y tiene presupuesto.
• Comprueba las afirmaciones de compliance: confirma o corrige cualquier requisito de autenticación, privacidad o regulación que la IA haya afirmado.
• Ajusta la estimación: corrige los números optimistas según tu propia velocidad, especialmente los marcados como arriesgados.

La IA definirá con confianza el alcance de un flujo de pagos que inventó. Tu trabajo es eliminar las partes que nadie pidió.

Lo Que Aprendimos Ejecutando Esto en Scopes Reales de Clientes

En nuestros últimos scopes de clientes, el discovery que antes llevaba unas 12 a 16 horas de llamadas y redacción ahora produce un primer borrador de SOW en unas 2 a 3 horas de trabajo con IA más 1 hora de revisión humana. Son rangos honestos de nuestras propias ejecuciones, no un titular de precisión, y la hora humana es la que nunca recortaremos.

Ejecutamos la cadena en Claude Projects, con ChatGPT como sanity-check de las estimaciones. El tiempo ahorrado es real, pero el valor está en pillar los mismos tres fallos en cada ejecución:

1. Inventa integraciones. Un paso de pagos en el ejemplo dental que nadie pidió. Casi todos los scopes tenían al menos una funcionalidad fantasma.
2. Subestima los casos extremos. Los estados de error, los estados vacíos y los flujos de administración están sistemáticamente ausentes o infravalorados, que es donde los presupuestos reales se desbocan.
3. Maneja mal el compliance y la autenticación. A veces alucina un requisito, a veces omite uno real. Nunca nos fiamos de esto.

Por eso añadimos la compuerta humana anterior como paso fijo. La cadena escribe el borrador rápido; la compuerta es lo que hace que sea seguro enviarlo. Saltarse la compuerta es simplemente enviar una suposición bien formateada y confiada.

Cómo Techsy Aborda el Scoping Asistido por IA

Esta cadena más la compuerta humana es el flujo exacto que ejecutamos para clientes que construyen apps web. Redactamos rápido con IA y luego una persona que ha entregado builds reales valida cada línea antes de que se convierta en una cotización. Si prefieres delegar el scope a un equipo que hace esto a diario, eso es lo que hacemos. Obtienes un SOW defendible sin pagar dos semanas de llamadas de discovery primero.

Preguntas Frecuentes

¿Puede la IA escribir el scope de un proyecto o un SOW?

Sí, la IA puede redactar un scope completo de proyecto o un statement of work, incluyendo el problema, las historias de usuario, las funcionalidades, las prioridades, el plazo y el rango de presupuesto. Ejecuta una cadena de seis prompts dentro de un Claude Project o ChatGPT Project. El borrador es fiable como punto de partida, pero un humano debe validarlo antes de la firma.

¿Cuál es la mejor herramienta de IA para definir el alcance de un proyecto de software?

Claude Projects y ChatGPT Projects son las mejores herramientas para el scoping, porque ambos persisten el contexto a lo largo de la cadena de prompts de forma que cada resultado alimenta al siguiente. Usamos Claude Projects para los pasos de contexto largo como las historias de usuario y el ensamblaje del SOW, y ChatGPT como segunda opinión en las estimaciones. Los agentes son más adecuados para el trabajo de desarrollo posterior al scope.

¿Cómo usas ChatGPT o Claude para recopilar requisitos?

Ejecuta la cadena de prompts en orden: pide una declaración del problema y objetivos, luego historias de usuario con criterios de aceptación, luego una lista de funcionalidades, luego las prioridades MoSCoW. Mantén todo en un mismo Project para que el contexto persista. El resultado de cada prompt se convierte en el input del siguiente, que es lo que hace que la recopilación de requisitos con IA sea rápida.

¿Puede la IA estimar el coste y el plazo de un proyecto de software?

Sí, solo como punto de partida. Pide al modelo que desglose la estimación por funcionalidad en días, que asuma un stack específico, que indique sus supuestos y que devuelva un rango. Luego comprueba contra los niveles del mercado: $10K-$50K para un MVP simple, hasta $150K+ para apps complejas. La IA tiende a anclar con demasiado optimismo.

¿Es realmente fiable un scope generado por IA?

Fiable para un primer borrador, no para la firma. La IA produce un scope bien estructurado rápidamente, pero inventa integraciones, subestima los casos extremos y maneja mal el compliance en casi todas las ejecuciones. Trata el resultado como un borrador rápido, luego ejecuta una compuerta de validación humana para eliminar las funcionalidades inventadas y añadir los casos extremos que faltan antes de que alguien firme.

¿Cómo convierto una idea en bruto en una especificación con IA?

Empieza con el Prompt 1: pega tu idea en dos a cuatro frases y pide a la IA que escriba una declaración del problema, objetivos SMART y los supuestos que está haciendo. Luego ejecuta los cinco prompts siguientes en secuencia. En el Prompt 6 tienes un borrador de SOW. Toda la cadena lleva unas pocas horas en lugar de días.

¿El scoping asistido por IA reemplaza una fase de discovery?

No, comprime el discovery en lugar de reemplazarlo. Sigues necesitando conversaciones reales con stakeholders para saber qué quiere realmente el cliente. La IA se encarga del borrador y la estructuración, convirtiendo tus notas en requisitos y un SOW en horas. Los humanos siguen validando, priorizando y tomando las decisiones finales sobre el scope.

¿Cuánto tiempo lleva definir el alcance de una app web con IA?

En nuestra experiencia, un primer borrador de SOW lleva unas 2 a 3 horas de trabajo con IA más aproximadamente 1 hora de revisión humana, frente a las 12 a 16 horas de discovery manual y redacción. El tiempo con IA es rápido; la hora de revisión no es negociable, porque es donde detectas las funcionalidades que la IA inventó y los casos extremos que pasó por alto.