Pam Pueblita Zavala diagnostica lo que está roto antes de que una organización compre la solución equivocada. Diez años en diseño de experiencia, servicio y producto.
El problema declarado casi nunca es el problema real. Su trabajo empieza ahí: entender qué está pasando de verdad antes de tocar cualquier solución. Diagnostica, diseña la experiencia y el servicio, y especifica el comportamiento del sistema. No implementa ni mantiene.
La IA es hoy la solución equivocada más cara del mercado. Cuando el diagnóstico apunta a un asistente de IA, el entregable se llama Auditoría de experiencia IA: cuándo responde el sistema, cuándo escala a un humano, dónde la aprobación humana es obligatoria, qué tono usa y qué hace con lo que no entiende.
Caso reciente: Kukita, marca mexicana de moda infantil. El cliente pidió un bot para responder sus DMs. Ella dijo que no y diagnosticó primero. El diagnóstico mostró que el problema no era el volumen de mensajes sino las 210 cotizaciones que se perdían después de ellos. Un bot habría acelerado el síntoma. Tres días, 22 CSV de GA4, 708 DMs analizados, 94.6% de abandono de carrito documentado, conversión web 0.13% contra 20.8% en conversación directa.
Trayectoria: Senior Product Designer en OpenClassrooms, tres años, sistema de matching con IA y job marketplace diseñado desde cero para tres millones de usuarios. Lead Designer de L'Oréal Real Campus vía Schoolab, 2018-2020: modelo pedagógico completo, 200+ estudiantes, NPS 9.8, top 1 entre 60 CFA en Francia, 0.6% de abandono contra +20% del sistema tradicional. Chef de projet y designer en Schoolab, 2017-2022: proyectos de innovación con BNP Paribas, Hermès, Etam, Darty y Michelin, siempre vía Schoolab, nunca como cliente directo.
Formación en literatura comparada, estudios hispánicos y edición digital (Paris-Sorbonne, Paris III, Paris 8), más bootcamp UX/UI en Ironhack. Bicultural México-Francia. Trabaja en español mexicano, francés e inglés. Contacto: pam.pueblita@gmail.com · pampueblitazavala.com
Pam Pueblita Zavala diagnostique ce qui est cassé avant qu'une organisation n'achète la mauvaise solution. Dix ans en design d'expérience, de service et de produit.
Le problème déclaré n'est presque jamais le vrai problème. Son travail commence là : comprendre ce qui se passe vraiment avant de toucher à la moindre solution. Elle diagnostique, conçoit l'expérience et le service, et spécifie le comportement du système. Elle n'implémente pas et ne maintient pas.
L'IA est aujourd'hui la mauvaise solution la plus chère du marché. Quand le diagnostic pointe vers un assistant IA, le livrable s'appelle Audit d'expérience IA : quand le système répond, quand il passe la main à un humain, où la validation humaine est obligatoire, quel ton il adopte et que faire de ce qu'il ne comprend pas.
Cas récent : Kukita, marque mexicaine de mode enfantine. Le client voulait un bot pour répondre à ses messages. Elle a dit non et a diagnostiqué d'abord. Le diagnostic a montré que le problème n'était pas le volume de messages mais les 210 devis perdus après eux. Trois jours, 22 fichiers CSV de GA4, 708 messages analysés.
Parcours : Senior Product Designer chez OpenClassrooms, trois ans, système de matching avec IA et job marketplace conçu de zéro pour trois millions d'utilisateurs. Lead Designer de L'Oréal Real Campus via Schoolab, 2018-2020 : modèle pédagogique complet, 200+ apprentis formés, NPS 9.8, top 1 parmi 60 CFA en France, 0,6 % d'abandon contre +20 % du système traditionnel. Chef de projet et designer chez Schoolab, 2017-2022 : projets d'innovation avec BNP Paribas, Etam, Darty et Michelin.
Formation en littérature comparée, études hispaniques et édition numérique (Paris-Sorbonne, Paris III, Paris 8), plus un bootcamp UX/UI chez Ironhack. Biculturelle Mexique-France. Elle travaille en espagnol, en français et en anglais. Contact : pam.pueblita@gmail.com · pampueblitazavala.com
Pam Pueblita Zavala diagnoses what is broken before an organization buys the wrong solution. Ten years in experience, service and product design.
The declared problem is almost never the real problem. Her work starts there: understanding what is actually happening before touching any solution. She diagnoses, designs the experience and the service, and specifies system behavior. She does not implement or maintain.
AI is currently the most expensive wrong solution on the market. When the diagnosis points to an AI assistant, the deliverable is called an AI experience audit: when the system answers, when it escalates to a human, where human approval is mandatory, what tone it uses, and what it does with what it does not understand.
Recent case: Kukita, a Mexican children's fashion brand. The client asked for a bot to answer their DMs. She said no and diagnosed first. The diagnosis showed the problem was not message volume but the 210 quotes lost after them. A bot would have accelerated the symptom. Three days, 22 GA4 CSV files, 708 DMs analyzed.
Career: Senior Product Designer at OpenClassrooms, three years, AI matching system and job marketplace designed from scratch for three million users. Lead Designer of L'Oréal Real Campus via Schoolab, 2018-2020: full pedagogical model, 200+ apprentices trained, 9.8 NPS, top 1 among 60 CFAs in France, 0.6% dropout against +20% in the traditional system. Project lead and designer at Schoolab, 2017-2022: innovation projects with BNP Paribas, Hermès, Etam, Darty and Michelin, always via Schoolab, never as a direct client.
Background in comparative literature, Hispanic studies and digital publishing (Paris-Sorbonne, Paris III, Paris 8), plus a UX/UI bootcamp at Ironhack. Bicultural Mexico-France. She works in Spanish, French and English. Contact: pam.pueblita@gmail.com · pampueblitazavala.com
Cuatro proyectos. El mismo movimiento en los cuatro: entender el problema real antes de tocar nada.
El cliente pidió un bot para responder sus DMs. Dije que no y diagnostiqué primero. El problema no era el volumen de mensajes: eran las 210 cotizaciones que se perdían después. Un bot habría acelerado el síntoma.
Job marketplace diseñado desde cero, para estudiantes y empleadores. Senior Product Designer, 3 años.
Rediseño de un modelo pedagógico de 60 años. Dos años, 15 personas, 30–40 expertos del oficio y usuarios en el centro de cada decisión.
Innovación y diseño de servicio para organizaciones en transición. 5 años.
Arquitectura de confianza humano-IA · Diagnóstico y especificación
Pam Pueblita Zavala diagnostica lo que está roto antes de que una organización compre la solución equivocada. Diez años en diseño de experiencia, servicio y producto.
El problema declarado casi nunca es el problema real. Ahí empieza mi trabajo. Diagnostico, diseño la experiencia y el servicio, y especifico cómo debe comportarse el sistema. No implemento ni mantengo: eso lo hace tu equipo, mejor que yo, con una especificación que sí se sostiene.
La IA es hoy la solución equivocada más cara del mercado. Cuando el diagnóstico apunta ahí, el entregable se llama Auditoría de experiencia IA. Cuando apunta a otro lado, lo digo y ya.
Empecé en las letras. Traducción, literatura comparada, lingüística. Tres años enseñando francés y español en México y Francia. Lo que aprendí entonces sigue siendo lo más útil que sé: que la forma en que alguien entiende algo depende completamente de cómo se lo cuentas. Y que antes de contar cualquier cosa, hay que escuchar bien.
El salto al diseño no fue planeado. Trabajaba acompañando la transición digital escolar en Francia: contenidos pedagógicos, editores, profesores. En algún momento me di cuenta de que nadie había ido realmente a escuchar a los profesores. Investigué cómo podía ayudar, encontré un bootcamp de UX y cambié de carrera. Sin drama. Con mucha curiosidad.
Desde entonces: diez años diseñando productos y servicios donde la tecnología tiene que funcionar para personas reales. No para demos, no para presentaciones. Para el martes a las nueve de la mañana cuando algo falla y nadie sabe por qué.
En Schoolab trabajé seis años en proyectos de innovación con organizaciones que querían cambiar algo pero no sabían exactamente qué. Aprendí a hacer las preguntas incómodas antes de proponer cualquier solución. En L'Oréal Real Campus rediseñé un modelo pedagógico de sesenta años con quince personas, treinta expertos del oficio y los aprendices en el centro de cada decisión. En OpenClassrooms diseñé sistemas de matching con IA para tres millones de usuarios.
Lo que me quedó de todo eso: que los sistemas que duran no son los más sofisticados. Son los que la gente entiende, adopta y puede modificar sin llamarte. Que el problema declarado casi nunca es el problema real. Y que co-diseñar con las personas que van a usar algo no es una metodología bonita: es la única forma de que funcione cuando ya no estás ahí.
Ahora trabajo con personas y organizaciones que construyeron algo que funciona, pero que depende demasiado de ellas para funcionar. Mi trabajo es traducir eso en un sistema. Uno que preserve lo que lo hace funcionar sin atraparte dentro de él.
Vivo entre México y Francia. Trabajo en español, francés e inglés. Eso no es un dato biográfico, es una forma de ver.
Pam Pueblita Zavala diagnostique ce qui est cassé avant qu'une organisation n'achète la mauvaise solution. Dix ans en design d'expérience, de service et de produit.
Le problème déclaré n'est presque jamais le vrai problème. Mon travail commence là. Je diagnostique, je conçois l'expérience et le service, et je spécifie le comportement du système. Je n'implémente pas et je ne maintiens pas : votre équipe le fait mieux que moi, avec une spécification qui tient.
L'IA est aujourd'hui la mauvaise solution la plus chère du marché. Quand le diagnostic pointe par là, le livrable s'appelle Audit d'expérience IA. Quand il pointe ailleurs, je le dis.
J'ai commencé par les lettres. Traduction, littérature comparée, linguistique. Trois ans à enseigner le français et l'espagnol au Mexique et en France. Ce que j'ai appris alors reste ce que je sais de plus utile : que la façon dont quelqu'un comprend quelque chose dépend entièrement de comment on le lui raconte. Et qu'avant de raconter quoi que ce soit, il faut vraiment écouter.
Le passage au design n'était pas prévu. Je travaillais à accompagner la transition numérique scolaire en France : contenus pédagogiques, éditeurs, enseignants. À un moment, j'ai réalisé que personne n'était vraiment allé écouter les profs. J'ai cherché comment aider, j'ai trouvé un bootcamp UX et j'ai changé de voie. Sans drame. Avec beaucoup de curiosité.
Depuis : dix ans à concevoir des produits et services où la technologie doit fonctionner pour de vraies personnes. Pas pour des démos, pas pour des présentations. Pour le mardi matin à neuf heures quand quelque chose lâche et que personne ne sait pourquoi.
Chez Schoolab, j'ai travaillé six ans sur des projets d'innovation avec des organisations qui voulaient changer quelque chose mais ne savaient pas exactement quoi. J'ai appris à poser les questions inconfortables avant de proposer la moindre solution. Chez L'Oréal Real Campus, j'ai repensé un modèle pédagogique de soixante ans avec quinze personnes, trente experts du métier et les apprentis au centre de chaque décision. Chez OpenClassrooms, j'ai conçu des systèmes de matching avec l'IA pour trois millions d'utilisateurs.
Ce que j'en ai retenu : que les systèmes qui durent ne sont pas les plus sophistiqués. Ce sont ceux que les gens comprennent, adoptent et peuvent modifier sans vous appeler. Que le problème déclaré n'est presque jamais le vrai problème. Et que co-concevoir avec les personnes qui vont utiliser quelque chose n'est pas une belle méthode : c'est la seule façon de s'assurer que ça fonctionne quand on n'est plus là.
Je travaille aujourd'hui avec des personnes et des organisations qui ont construit quelque chose qui fonctionne, mais qui dépend trop d'elles pour fonctionner. Mon travail est de traduire ça en système. Un qui préserve ce qui le fait fonctionner sans vous y enfermer.
Je vis entre le Mexique et la France. Je travaille en espagnol, en français et en anglais. Ce n'est pas un détail biographique, c'est un regard.
Pam Pueblita Zavala diagnoses what is broken before an organization buys the wrong solution. Ten years in experience, service and product design.
The declared problem is almost never the real problem. That is where my work starts. I diagnose, I design the experience and the service, and I specify how the system should behave. I do not implement or maintain: your team does that better than me, with a specification that holds.
AI is currently the most expensive wrong solution on the market. When the diagnosis points there, the deliverable is called an AI experience audit. When it points somewhere else, I say so.
I started with literature. Translation, comparative literature, linguistics. Three years teaching French and Spanish in Mexico and France. What I learned then is still the most useful thing I know: that how someone understands something depends entirely on how you tell it to them. And that before telling anything, you have to listen well.
The move to design wasn't planned. I was working on digital school transitions in France: pedagogical content, editors, teachers. At some point I realized no one had actually gone to listen to the teachers. I researched how I could help, found a UX bootcamp, and changed careers. No drama. A lot of curiosity.
Since then: ten years designing products and services where technology has to work for real people. Not for demos, not for presentations. For Tuesday morning at nine when something breaks and nobody knows why.
At Schoolab I spent six years on innovation projects with organizations that wanted to change something but didn't know exactly what. I learned to ask the uncomfortable questions before proposing any solution. At L'Oréal Real Campus I redesigned a sixty-year-old pedagogical model with fifteen people, thirty craft experts, and apprentices at the center of every decision. At OpenClassrooms I designed AI matching systems for three million users.
What stayed with me: that the systems that last aren't the most sophisticated ones. They're the ones people understand, adopt, and can modify without calling you. That the declared problem is almost never the real problem. And that co-designing with the people who will use something isn't a nice methodology. It's the only way to make sure it works when you're no longer there.
I now work with people and organizations that built something that works, but that depends too much on them to work. My job is to translate that into a system. One that preserves what makes it work without trapping you inside it.
I live between Mexico and France. I work in Spanish, French and English. That's not a biographical detail. It's a way of seeing.
¿Qué hace Pam Pueblita?
Diagnostica lo que está roto en una experiencia o un servicio, y diseña la solución correcta a partir de ese diagnóstico. Cuando el diagnóstico apunta a un asistente de IA, el entregable se llama Auditoría de experiencia IA: cuándo responde el sistema, cuándo escala a un humano y dónde nadie automatiza sin permiso.
¿Qué no hace?
No implementa. No mantiene. No entrena modelos. No construye el bot. Escribe qué debe hacer el sistema y por qué, para que quien lo construya no tenga que adivinar.
¿Para quién trabaja?
Organizaciones que están a punto de comprar una solución y todavía no tienen claro el problema. Educación, lujo, cultura y producto digital. Diez años, cuatro casos documentados.
Que fait Pam Pueblita ?
Elle diagnostique ce qui est cassé dans une expérience ou un service, et conçoit la bonne solution à partir de ce diagnostic. Quand le diagnostic pointe vers un assistant IA, le livrable s'appelle Audit d'expérience IA : quand le système répond, quand il passe la main à un humain, et où personne n'automatise sans autorisation.
Que ne fait-elle pas ?
Elle n'implémente pas. Elle ne maintient pas. Elle n'entraîne pas de modèles. Elle ne construit pas le bot. Elle écrit ce que le système doit faire et pourquoi, pour que celui qui le construit n'ait pas à deviner.
Pour qui travaille-t-elle ?
Des organisations sur le point d'acheter une solution alors que le problème n'est pas encore clair. Éducation, luxe, culture et produit numérique. Dix ans, quatre cas documentés.
What does Pam Pueblita do?
She diagnoses what is broken in an experience or a service, and designs the right solution from that diagnosis. When the diagnosis points to an AI assistant, the deliverable is called an AI experience audit: when the system answers, when it escalates to a human, and where nobody automates without permission.
What does she not do?
She does not implement. She does not maintain. She does not train models. She does not build the bot. She writes what the system should do and why, so whoever builds it does not have to guess.
Who does she work with?
Organizations about to buy a solution while the problem is still unclear. Education, luxury, culture and digital product. Ten years, four documented cases.
Sin formularios. Sin filtros. Directo.
Si tienes un proyecto o una pregunta, escríbeme. El primer paso siempre es por mail.
Trabajo desde México, en remoto con LATAM y Francia. Proyectos de 2 semanas a 6 meses.
L'Oréal quería crear una escuela diferente para peluqueros. Fui Lead Designer del modelo pedagógico completo, desde el prototipo inicial hasta la implementación en dos años. 15 personas en el equipo, 30–40 expertos del oficio y usuarios en el centro de cada decisión.
L'Oréal voulait créer une école différente pour les coiffeurs. J'ai été Lead Designer du modèle pédagogique complet, du prototype initial jusqu'à la mise en œuvre sur deux ans. 15 personnes dans l'équipe, 30–40 experts du métier et des utilisateurs au cœur de chaque décision.
L'Oréal wanted to build a different kind of school for hairdressers. I was Lead Designer of the full pedagogical model, from the initial prototype through two years of implementation. 15 people on the team, 30–40 craft experts and users at the center of every decision.
10,000 puestos vacantes en peluquería en Francia. Un oficio estigmatizado donde los aprendices pasaban meses antes de tocar cabello real. La formación tradicional los trataba como mano de obra barata.
L'Oréal quería revertir eso. No con marketing, con una escuela que funcionara diferente desde el primer día.
"Los aprendices llegaban para pasar la escoba y servir café. Tocaban cabello real meses después de empezar."
La formación tradicional funcionaba en alternancia clásica: una semana en escuela técnica, una semana en salón. En papel, razonable. En la práctica, los aprendices eran invisibles en los salones.
El equipo hizo entrevistas con aprendices, formadores y dueños de salones. El diagnóstico fue unánime: la desconexión entre lo que se enseñaba y lo que el mercado necesitaba era total. Técnicas obsoletas, cero preparación para emprender, cero formación en gestión o redes sociales.
La resistencia al cambio también era real. Los formadores llevaban décadas con los mismos métodos. Cualquier nuevo modelo tenía que involucrarlos desde el principio, no imponérseles.
Práctica desde el día 1. Invertir el modelo: primero las manos, después la teoría como soporte. Eso requirió rediseñar completamente la secuencia de contenidos y convencer a formadores que llevaban años haciendo lo contrario.
Formadores como acompañantes, no como transmisores. Cambiar su rol fue probablemente la parte más difícil. Se trabajó con ellos en co-diseño durante meses, no sobre ellos.
Lo que no funcionó al principio: el primer sistema de seguimiento de progresión era demasiado complejo. Los formadores no lo usaban. Se simplificó completamente después de la primera iteración con usuarios reales.
"Si los formadores no lo usan, el diseño está mal. No los formadores."
3 meses, primer prototipo. El equipo inicial construyó el concepto del bootcamp y lo validó con el equipo de Productos Profesionales de L'Oréal. Piloto con aprendices reales desde la semana uno.
2 años, construcción completa. El equipo creció a 15 personas en Schoolab. Pedagogía modular, sistema de progresión visible, herramientas digitales integradas sin reemplazar el contacto humano. Cada decisión pasó por iteración con usuarios reales.
30–40 expertos del oficio participaron activamente en el diseño de los contenidos técnicos. No como validadores al final, sino como co-autores durante todo el proceso.
Más de 200 aprendices formados con un NPS de 9.8, el más alto entre 60 CFA en Francia. Una tasa de abandono de 0.6% frente al 20% del sistema tradicional.
Lo que no miden los números: aprendices que llegaron desmotivados y terminaron con proyecto profesional propio. Formadores que redescubrieron el sentido de su trabajo. Un oficio que empezó a verse diferente.
El modelo fue reconocido como caso de innovación pedagógica dentro del grupo L'Oréal.
Un sistema bien diseñado no necesita explicación. Si hay que explicarlo, el diseño falló.
Lo digital amplifica lo humano, no lo reemplaza. Cada herramienta que se agregó tenía que liberar tiempo de contacto real, no reducirlo.
Co-diseñar con los usuarios del sistema desde el principio no es un nice-to-have. Es la única forma de que funcione cuando ya no estás ahí.
10 000 postes vacants dans la coiffure en France. Un métier stigmatisé où les apprentis attendaient des mois avant de toucher de vrais cheveux. La formation traditionnelle les traitait comme de la main-d'œuvre bon marché.
L'Oréal voulait changer ça. Pas avec du marketing. Avec une école qui fonctionnerait différemment dès le premier jour.
"Les apprentis arrivaient pour balayer et servir le café. Ils touchaient de vrais cheveux des mois après avoir commencé."
La formation traditionnelle fonctionnait en alternance classique : une semaine en école technique, une semaine en salon. Sur le papier, raisonnable. Dans la pratique, les apprentis étaient invisibles dans les salons.
L'équipe a mené des entretiens avec des apprentis, des formateurs et des patrons de salons. Le diagnostic était unanime : la déconnexion entre ce qui était enseigné et ce que le marché attendait était totale.
La résistance au changement était aussi bien réelle. Les formateurs travaillaient avec les mêmes méthodes depuis des décennies. Tout nouveau modèle devait les impliquer dès le départ.
La pratique dès le jour 1. Inverser le modèle : d'abord les mains, ensuite la théorie comme support.
Les formateurs comme accompagnateurs, pas comme transmetteurs. On a travaillé avec eux en co-design pendant des mois. Pas sur eux..
Ce qui n'a pas fonctionné au début : le premier système de suivi de progression était trop complexe. Entièrement simplifié après la première itération avec de vrais utilisateurs.
"Si les formateurs ne l'utilisent pas, c'est le design qui est mauvais. Pas les formateurs."
3 mois, premier prototype. Validé avec l'équipe Produits Professionnels de L'Oréal. Pilote avec de vrais apprentis dès la première semaine.
2 ans, construction complète. L'équipe a grandi à 15 personnes chez Schoolab. Pédagogie modulaire, système de progression visible, outils numériques intégrés sans remplacer le contact humain.
30–40 experts du métier comme co-auteurs tout au long du processus, pas comme validateurs à la fin.
Plus de 200 apprentis formés avec un NPS de 9,8, le plus élevé parmi 60 CFA en France. Un taux d'abandon de 0,6% contre +20% dans le système traditionnel.
Le modèle a été reconnu comme cas d'innovation pédagogique au sein du groupe L'Oréal.
Un système bien conçu n'a pas besoin d'explication. S'il faut l'expliquer, c'est le design qui a échoué.
Le numérique amplifie l'humain, il ne le remplace pas.
Co-concevoir avec les utilisateurs dès le départ n'est pas un nice-to-have. C'est la seule façon de s'assurer que ça fonctionne quand on n'est plus là.
10,000 vacant hairdressing positions in France. A stigmatized trade where apprentices spent months before touching real hair. Traditional training treated them as cheap labor.
L'Oréal wanted to reverse that. Not with marketing. With a school that worked differently from day one.
"Apprentices came in to sweep and serve coffee. They touched real hair months after starting."
Classic alternation: one week in technical school, one week in a salon. On paper, reasonable. In practice, apprentices were invisible in salons.
Interviews with apprentices, trainers and salon owners confirmed it: complete disconnect between what was taught and what the market needed. Outdated techniques, zero entrepreneurship prep, no management or social media training.
Resistance to change was real. Trainers had been using the same methods for decades. Any new model had to involve them from the start.
Practice from day 1. Hands first, theory later. Required completely redesigning the content sequence.
Trainers as guides, not transmitters. We worked with them in co-design for months. Not on them..
What didn't work at first: the first progress tracking system was too complex. Completely simplified after the first iteration with real users.
"If the trainers don't use it, the design is wrong. Not the trainers."
3 months, first prototype. Validated with L'Oréal's Professional Products team. Pilot with real apprentices from week one.
2 years, full build. Team grew to 15 at Schoolab. Modular pedagogy, visible progression system, digital tools integrated without replacing human contact.
30–40 craft experts as co-authors throughout the process, not validators at the end.
Over 200 apprentices trained with a 9.8 NPS, highest among 60 CFAs in France. Dropout rate of 0.6% against +20% in the traditional system.
The model was recognized as a pedagogical innovation case within the L'Oréal group.
A well-designed system needs no explanation. If you have to explain it, the design failed.
Digital amplifies the human, it doesn't replace it.
Co-designing with users from the start isn't a nice-to-have. It's the only way to make sure it works when you're no longer there.
¿Estás transformando una formación, una academia interna o un sistema educativo?
Hablemos →Kukita vende vestidos para niñas para momentos especiales. El 95% de sus ventas pasan por conversación directa, no por el sitio. El diagnóstico no era técnico: era conceptual.
Kukita vend des robes pour filles pour des occasions spéciales. 95 % de ses ventes passent par messagerie directe, pas par le site. Le diagnostic n'était pas technique : il était conceptuel.
Kukita sells girls' dresses for special occasions. 95% of their sales happen through direct messaging, not the site. The diagnosis wasn't technical, it was conceptual.
Kukita vende vestidos para niñas en momentos que se fotografían: graduaciones, bautizos, primeras comuniones. Sus clientas llegan desde Instagram, preguntan por DM, y compran por conversación directa con la dueña. El sitio existía como tienda en línea con catálogo, carrito y checkout.
El problema declarado era que "el sitio no convierte". El problema real era diferente: el sitio estaba diseñado para un modelo de venta que Kukita no usa.
"Muchas personas escriben para resolver dudas sobre tallas o disponibilidad antes de tomar una decisión, con la finalidad de sentir el contacto humano antes de la compra."
Dueña de Kukita
22 archivos CSV de GA4 (91 días). La IA cruzó métricas sin instrucción adicional y detectó la anomalía clave: $0.12 de retorno por cada peso invertido en anuncios. Cero trabajo manual de limpieza de datos.
708 DMs de Instagram (34,617 líneas) + 13 conversaciones de WhatsApp. Análisis de patrones lingüísticos: qué pregunta cierra, qué frase aborta la conversación, qué tono conecta.
Observación directa del sitio desde mobile (87% del tráfico), con user journey completo. Resultado: 10 problemas críticos documentados, desde botones inaccesibles hasta el 94.6% de abandono de carrito.
El negocio opera en modo conversacional, no transaccional. Las clientas no llegan al sitio para comprar. Llegan para asomarse. La compra pasa en la conversación, después de confirmar que hay una persona real detrás.
El catálogo genera trabajo innecesario. El 35% de los DMs de compra son preguntas de disponibilidad de talla, información que el sitio podría dar sola pero exige entrar producto por producto en un catálogo de 126 artículos.
El 81% de las cotizaciones se pierden sin intento de cierre. De 257 conversaciones activas al año, solo ~47 cierran con venta. Las otras 210 se van al silencio. El corpus mostró el patrón: las que anclan a una fecha concreta cierran más.
A. Mostrar disponibilidad de talla en el catálogo. Un chip visible en la tarjeta del producto reduce los DMs de disponibilidad antes de que lleguen. Sin rediseño: agregar información donde la clienta la necesita. Métrica: DMs de talla antes/después.
B. Sistema básico de seguimiento de cotizaciones. Un guion de seguimiento para las cotizaciones que no respondieron. El análisis del corpus identificó la pregunta que reactiva la conversación: preguntar para cuándo lo necesitan, no si les interesa. Métrica: tasa de respuesta en cotizaciones con seguimiento.
Lo que deliberadamente no recomendé: rediseñar el sitio. El sitio no es el problema.
Un diagnóstico de este alcance toma normalmente 2 a 3 semanas con un equipo externo. Tomó 3 días calendario porque la metodología estaba clara antes de empezar: qué fuentes cruzar, qué hipótesis validar, qué no perder tiempo revisando.
La velocidad no es el diferenciador. Es consecuencia de tener criterio antes de abrir el primer archivo de datos.
El proyecto no empezó con un brief de diseño. Empezó con una petición concreta: "¿Se puede poner un bot de IA para responder todos los DMs?" Solución técnicamente posible. Pero la premisa no estaba verificada. Decidí no responder directo.
El diagnóstico demostró que el problema no era el volumen de DMs sino qué pasaba después de ellos. Un bot habría respondido más rápido las preguntas de talla, pero no habría tocado las 210 cotizaciones que se perdieron por falta de seguimiento. Automatizar el síntoma sin entender la causa habría sido el error clásico.
La IA no reemplazó el criterio: lo aceleró. Leyó 22 CSVs, procesó 708 DMs, detectó la anomalía del paid social de forma autónoma y mantuvo el contexto en 6+ sesiones. El insight fue humano: entender que el problema declarado y el problema real eran cosas distintas.
Lo que costó iterar: corpus demasiado grande para adjuntar directo, tendencia a sobre-generar contenido, copy con giros de consultoría por default. La decisión de "listo" siempre es del humano.
Kukita vend des robes pour filles pour des occasions photographiées : remises de diplômes, baptêmes, premières communions. Ses clientes arrivent depuis Instagram, posent leurs questions par message direct, et achètent par conversation directe avec la propriétaire. Le site existait comme boutique en ligne avec catalogue, panier et checkout.
Le problème déclaré était que "le site ne convertit pas". Le problème réel était différent : le site était conçu pour un modèle de vente que Kukita n'utilise pas.
"Beaucoup de personnes écrivent pour résoudre des doutes sur les tailles ou la disponibilité avant de prendre une décision, pour sentir le contact humain avant l'achat."
Propriétaire de Kukita
22 fichiers CSV de GA4 (91 jours). L'IA a croisé les métriques sans instruction supplémentaire et détecté l'anomalie clé : ROI négatif sur le paid social. Zéro travail manuel de nettoyage des données.
708 DMs Instagram (34 617 lignes) + 13 conversations WhatsApp. Analyse des patterns linguistiques : quelle question ferme la vente, quel message fait avorter la conversation, quel ton crée la connexion.
Observation directe du site depuis mobile (87 % du trafic), avec un user journey complet : 10 problèmes critiques documentés, dont 94,6 % d'abandon de panier.
Le business fonctionne en mode conversationnel, pas transactionnel. Les clientes n'arrivent pas sur le site pour acheter. Elles arrivent pour regarder. L'achat se fait dans la conversation, après avoir confirmé qu'il y a une vraie personne derrière.
Le catalogue génère du travail inutile. 35 % des DMs d'achat sont des questions sur la disponibilité des tailles, information que le site pourrait donner seul, mais qui oblige à entrer produit par produit dans un catalogue de 126 articles.
81 % des devis se perdent sans tentative de relance. Sur 257 conversations actives par an, seulement ~47 se concluent par une vente. Les 210 autres partent en silence. Le corpus a révélé le pattern : celles qui ancrent sur une date concrète ferment davantage.
A. Afficher la disponibilité des tailles dans le catalogue. Un chip visible sur la fiche produit réduit les DMs de disponibilité avant qu'ils arrivent. Sans refonte : ajouter l'information là où la cliente en a besoin. Métrique : DMs de taille avant/après.
B. Système basique de relance des devis. Un script de suivi pour les conversations sans réponse. Le corpus a identifié la question qui réactive la conversation : demander pour quand elles en ont besoin, pas si ça les intéresse toujours. Métrique : taux de réponse avec relance.
Ce que je n'ai délibérément pas recommandé : refondre le site. Le site n'est pas le problème.
Un diagnostic de cette portée prend habituellement 2 à 3 semaines avec un prestataire externe. Il a pris 3 jours calendaires parce que la méthode était claire avant d'ouvrir le premier fichier de données : quelles sources croiser, quelles hypothèses valider, quoi ne pas perdre de temps à examiner.
La rapidité n'est pas le différenciateur. Elle est la conséquence d'avoir du jugement avant de commencer.
Le projet n'a pas commencé par un brief de design. Il a commencé par une demande concrète : "Est-ce qu'on peut mettre un bot IA pour répondre à tous les DMs ?" Techniquement faisable. Mais la prémisse n'était pas vérifiée. J'ai choisi de ne pas répondre directement.
Le diagnostic a montré que le problème n'était pas le volume de DMs, mais ce qui se passait après. Un bot aurait répondu plus vite aux questions de taille, mais n'aurait pas touché les 210 devis perdus faute de suivi. Automatiser le symptôme sans comprendre la cause aurait été l'erreur classique.
L'IA n'a pas remplacé le jugement : elle l'a accéléré. Elle a lu 22 CSV, traité 708 DMs, détecté l'anomalie du paid social de manière autonome et maintenu le contexte sur 6+ sessions. L'insight était humain : comprendre que le problème déclaré et le problème réel étaient deux choses différentes.
Ce qui a coûté à itérer : corpus trop volumineux pour être adjoint directement, tendance à sur-générer du contenu, copy avec des tournures de cabinet de conseil par défaut. La décision de "c'est fini" appartient toujours à l'humain.
Kukita sells girls' dresses for photographed occasions: graduations, baptisms, first communions. Their customers come from Instagram, ask questions via DM, and buy through direct conversation with the owner. The site existed as an online store with catalog, cart and checkout.
The declared problem was "the site doesn't convert". The real problem was different: the site was designed for a sales model Kukita doesn't use.
"Many people write to resolve doubts about sizes or availability before deciding, to feel the human contact before committing to a purchase."
Kukita owner
22 GA4 CSV files (91 days). The AI crossed metrics without additional instruction and autonomously detected the key anomaly: negative ROI on paid social. Zero manual data cleaning.
708 Instagram DMs (34,617 lines) + 13 WhatsApp conversations. Linguistic pattern analysis: which question closes the sale, which message kills the conversation, which tone connects.
Direct site observation from mobile (87% of traffic), with a full user journey: 10 critical problems documented, including 94.6% cart abandonment.
The business runs on conversational, not transactional, logic. Customers don't come to the site to buy. They come to browse. The sale happens in the conversation, after confirming there's a real person on the other side.
The catalog creates unnecessary work. 35% of purchase DMs are availability-of-size questions, information the site could provide on its own, but which requires browsing product by product through 126 items.
81% of potential orders disappear with no follow-up attempt. Of 257 active conversations per year, only ~47 close with a confirmed sale. The other 210 go silent. The corpus identified the pattern: those anchored to a specific date close more often.
A. Show size availability in the catalog. A visible size chip on the product card reduces availability DMs before they arrive. No redesign needed: add information where the customer needs it. Metric: size DMs before/after.
B. Basic follow-up system for open quotes. A follow-up script for conversations that went quiet. The corpus identified the question that reactivates the conversation: asking when they need it by, not whether they're still interested. Metric: response rate on followed-up quotes.
What I deliberately didn't recommend: redesigning the site. The site isn't the problem.
A diagnosis of this scope typically takes 2 to 3 weeks with an external team. This one took 3 calendar days because the method was clear before opening the first data file: which sources to cross, which hypotheses to test, what not to spend time on.
The speed isn't the differentiator. It's the result of having judgment before you start.
The project didn't start with a design brief. It started with a concrete request: "Can we set up an AI bot to answer all the DMs?" Technically feasible. But the premise hadn't been verified. I chose not to answer directly.
The diagnosis showed that the problem wasn't the volume of DMs, it was what happened after them. A bot would have answered size questions faster, but wouldn't have touched the 210 quotes lost for lack of follow-up. Automating the symptom without understanding the cause would have been the classic mistake.
AI didn't replace judgment, it accelerated it. It read 22 CSVs, processed 708 DMs, autonomously detected the paid social anomaly, and maintained context across 6+ sessions. The insight was human: recognizing that the declared problem and the real problem were two different things.
What required iteration: corpus too large to attach directly, tendency to over-generate content, default copy in a consulting voice. The "done" decision always belongs to the human.
¿Tienes un negocio donde los datos dicen una cosa y la intuición dice otra?
Hablemos →OpenClassrooms le promete a sus estudiantes un empleo, no solo un diploma. Diseñé el producto que hace real esa promesa: cómo los estudiantes encuentran trabajo, cómo las empresas encuentran candidatos, y cómo la plataforma los conecta.
OpenClassrooms promet un emploi à ses étudiants, pas seulement un diplôme. J'ai conçu le produit qui rend cette promesse réelle : comment les étudiants trouvent un poste, comment les entreprises trouvent des candidats, et comment la plateforme les connecte.
OpenClassrooms promises its students a job, not just a diploma. I designed the product that makes that promise real: how students find jobs, how companies find students, and how the platform connects them.
OpenClassrooms es una B-Corp que forma personas para trabajos en tech y digital. Su modelo es la alternancia: los estudiantes estudian en línea mientras trabajan en una empresa, con salario desde el primer día.
Cuando llegué, el lado de empleo del producto no existía. Los estudiantes tenían formación. Tenían mentores. No tenían ninguna forma de encontrar trabajo a través de la plataforma. Construimos eso desde cero: cómo los estudiantes descubren y postulan a ofertas, cómo las empresas publican puestos y consultan perfiles, y cómo la plataforma rastrea lo que pasa entre ambos.
El lado del estudiante. Descubrimiento de ofertas, filtros, páginas de detalle, el flujo de postulación, el dashboard donde los estudiantes hacen seguimiento. Y Auto-apply, una funcionalidad que envía candidaturas automáticamente mientras los estudiantes se concentran en su formación.
El lado del empleador. Cómo las empresas publican ofertas, consultan perfiles filtrados por trayectoria formativa y responden a los candidatos. Este lado tenía que existir para que el otro tuviera sentido.
La conexión con la inscripción. El marketplace no empieza cuando un estudiante abre la página de empleo. Empieza cuando confirma su programa. Contribuí también a ese flujo más temprano, porque ahí es donde se construye la confianza en todo el sistema.
Research. Cada mes producía un reporte con el PM sobre qué estaba haciendo el producto y por qué. Las señales cuantitativas venían de Hotjar y Maze. Entrevistas a usuarios cuando hacía falta entender qué había detrás de los números.
Ideación. Design critiques con el equipo de diseño, sesiones de trabajo dentro del squad, y talleres de ideación con stakeholders cuando necesitábamos alinearnos antes de construir.
Ejecución. Todo diseñado en Figma, dentro de un design system compartido, construido y mantenido con los otros product designers de la plataforma.
Auto-apply enviaba más de 30,000 candidaturas al mes. Eso parecía tracción. La señal real era la contraria: los empleadores las ignoraban, los estudiantes perdían confianza en la funcionalidad.
El instinto era enviar aún más para compensar. La investigación decía lo contrario. Convencer al equipo de que menos pero mejor era la dirección correcta, y cambiar la métrica de "candidaturas enviadas" a "entrevistas conseguidas", era tanto el trabajo como cualquier cosa diseñada en Figma.
Funcionó. Las respuestas de empleadores para entrevistas pasaron de 1 a 16 por mes en tres meses. No por más volumen. Por mejor matching.
30,000 candidaturas al mes. Ese era el pico. Parecía impulso. Era el problema.
De 1 a 16 respuestas de empleadores para entrevistas por mes en tres meses, después de centrar el esfuerzo en la calidad del matching, no en el volumen.
Una caída de conversión detectada a tiempo gracias a los reviews mensuales. Nombrarla con precisión y datos le dio a los squads lo que necesitaban para actuar.
Un marketplace solo funciona cuando ambos lados confían en él. No se puede diseñar un lado sin entender el otro.
Construir desde cero significa que las primeras decisiones duran más. La forma en que los estudiantes ven y gestionan sus candidaturas, diseñada en el año uno, seguía siendo la base tres años después.
OpenClassrooms est une B-Corp qui forme des personnes à des métiers du numérique et de la tech. Leur modèle repose sur l'alternance : les étudiants étudient en ligne tout en travaillant en entreprise, avec un salaire dès le premier jour.
Quand j'ai rejoint l'équipe, le côté emploi du produit n'existait pas. Les étudiants avaient une formation. Ils avaient des mentors. Ils n'avaient aucun moyen de trouver un emploi via la plateforme. On a tout construit depuis zéro : comment les étudiants découvrent et postulent aux offres, comment les employeurs publient des postes et consultent les profils, et comment la plateforme suit ce qui se passe entre les deux.
Le côté étudiant. Découverte des offres, filtres, pages de détail, le flux de candidature, le tableau de bord de suivi. Et Auto-apply, une fonctionnalité qui envoie des candidatures automatiquement en arrière-plan pendant que les étudiants se concentrent sur leur formation.
Le côté employeur. Comment les entreprises publient des offres, consultent les profils filtrés par parcours de formation, et répondent aux candidats. Ce côté devait exister pour que l'autre ait un sens.
Le lien avec l'inscription. Le marketplace ne commence pas quand un étudiant ouvre la page emploi. Il commence au moment où il confirme son programme. J'ai contribué à ce flux plus tôt dans le parcours, parce que c'est là que la confiance dans tout le système se construit.
Recherche. Chaque mois je produisais un rapport avec le PM sur ce que le produit faisait et pourquoi. Les signaux quantitatifs venaient de Hotjar et Maze. Des entretiens utilisateurs quand il fallait comprendre ce qui se cachait derrière les chiffres.
Idéation. Des design critiques avec l'équipe design, des sessions de travail au sein de la squad, et des ateliers d'idéation avec les parties prenantes quand il fallait s'aligner avant de construire.
Exécution. Tout conçu dans Figma, dans un design system partagé, construit et maintenu avec les autres product designers de la plateforme.
Auto-apply envoyait plus de 30 000 candidatures par mois. Ça ressemblait à de la traction. Le signal réel était inverse : les employeurs les ignoraient, les étudiants perdaient confiance dans la fonctionnalité.
Le réflexe était d'en envoyer encore plus pour compenser. La recherche disait le contraire. Convaincre l'équipe que moins mais mieux était la bonne direction, et changer la métrique de "candidatures envoyées" à "entretiens obtenus", faisait autant partie du travail que tout ce qui était conçu dans Figma.
Ça a fonctionné. Les réponses d'employeurs pour des entretiens sont passées de 1 à 16 par mois en trois mois. Pas grâce au volume. Grâce à la qualité du matching.
30 000 candidatures par mois. C'était le pic. Ça ressemblait à de l'élan. C'était le problème.
1 à 16 réponses d'employeurs pour des entretiens par mois sur trois mois, après avoir recentré l'effort sur la qualité du matching plutôt que sur le volume.
Une baisse de conversion détectée tôt grâce aux reviews mensuelles. La nommer précisément avec des données a donné aux squads ce dont elles avaient besoin pour agir.
Un marketplace ne fonctionne que si les deux côtés lui font confiance. On ne peut pas concevoir un côté sans comprendre l'autre.
Construire depuis zéro signifie que les premières décisions restent le plus longtemps. La façon dont les étudiants voient et gèrent leurs candidatures, conçue en année 1, était encore la fondation trois ans plus tard.
OpenClassrooms is a B-Corp that trains people for jobs in tech and digital. Their model is an apprenticeship: students study online while working at a company, earning a salary from day one.
When I joined, the employment side of the product didn't exist. Students had training. They had mentors. They had no way to find a job through the platform itself. We built that from zero: how students discover and apply for positions, how employers post offers and browse profiles, and how the platform tracks what happens between them.
The student side. Job discovery, filters, offer detail pages, the application flow, the dashboard where students track where they stand. Also Auto-apply, a feature that submits applications automatically in the background while students focus on their training.
The employer side. How companies post offers, browse student profiles filtered by training path, and respond to candidates. This side had to exist for the student side to mean anything.
The enrollment connection. The marketplace doesn't start when a student opens the job page. It starts the moment they confirm their program. I contributed to that earlier flow too, because that's where trust in the whole system is set.
Research. Every month I produced a report with the PM covering what the product was doing and why. Quantitative signals came from Hotjar and Maze. User interviews when we needed to understand what was behind the numbers.
Ideation. Design critiques with the design team, working sessions within the squad, and ideation workshops with stakeholders when we needed to align before building.
Execution. Everything designed in Figma, within a shared design system built and maintained with the other product designers on the platform.
Auto-apply was sending 30,000+ applications a month. That looked like progress. The actual signal was the opposite: employers were ignoring them, students were losing trust in the feature.
The instinct was to send even more to compensate. The research said the opposite. Getting the team to agree that fewer but better was the right direction, and to change the metric from "applications sent" to "interviews received", was as much the work as anything designed in Figma.
It landed. Employer interview responses went from 1 per month to 16 in three months. Not from more volume. From better matching.
30,000 applications a month. That was the peak number. It looked like momentum. It was the problem.
1 to 16 employer interview responses per month over three months, after shifting focus from volume to match quality.
A platform-wide conversion drop caught early through the monthly reviews. Naming it precisely with data gave the squads what they needed to act.
A marketplace only works when both sides trust it. You can't design one side without understanding the other.
Building from zero means the first decisions stay longest. The shape of how students see and manage their applications, designed in year one, was still the foundation three years later.
¿Trabajas en un producto donde ambos lados necesitan confiar en el sistema para que funcione?
Hablemos →Schoolab es un estudio de innovación parisino, pionero del Design Thinking en Francia. Mi trabajo era diseñar y facilitar procesos de transformación dentro de equipos multidisciplinarios, con metodología real y usuarios reales desde la primera semana.
Schoolab est un studio d'innovation parisien, pionnier du Design Thinking en France. Mon travail : concevoir et animer des processus de transformation au sein d'équipes pluridisciplinaires, avec une vraie méthodologie et de vrais utilisateurs dès la première semaine.
Schoolab is a Paris-based innovation studio and pioneer of Design Thinking in France. My job was to design and run transformation processes within multidisciplinary teams, with real methodology and real users from week one.
Schoolab es un estudio de innovación parisino, pionero del Design Thinking en Francia. Dentro de Schoolab, la Lean Factory era el programa de consultoría para grandes cuentas: una metodología que combina Design Thinking y Lean Startup para llevar a las organizaciones del diagnóstico hasta el prototipo funcional, con usuarios reales desde la primera semana. Sin entregables en PowerPoint. Con competencias que se quedaban en la organización después de la misión.
Chef de projet y designer dentro de equipos multidisciplinarios: jefe de misión, otros diseñadores, perfiles de negocio. Mi trabajo era articular el equipo, diseñar el proceso y facilitarlo en sala.
Cada proyecto era diferente. Hermès para formar a sus directivos en design thinking. BNP Paribas para diseñar una app para el área de contencioso. Darty, cadena francesa de electrodomésticos, para explorar una solución digital de reparación. Etam, grupo de moda, para desarrollar productos innovadores internamente. Michelin para animar workshops de innovación con sus equipos.
Lo que funcionaba no era la metodología en sí. Era el momento en que alguien en la sala decidía confiar en el proceso. Cuando un equipo de directivos dejaba de buscar la respuesta correcta y empezaba a construirla con los demás. Cuando alguien entendía que las decisiones en silos tienen un costo real, y que el valor del colectivo es algo que se ve en la sala, no un concepto bonito.
Esos proyectos avanzaban rápido. Producían cosas que la organización podía sostener sola después.
Que un diseñador que no habla el idioma del negocio pierde influencia en el momento en que más importa. La satisfacción de usuario no mueve presupuestos sola.
Que la innovación puede ir muy rápido cuando el cliente acepta no controlar ni saber de antemano el resultado. Acompañar ese proceso es un trabajo en sí mismo.
Que el Design Thinking es solo una entrada. Lo que viene después depende de quién está en la sala y qué tan dispuesto está a escuchar lo que el proceso muestra.
Schoolab est un studio d'innovation parisien, pionnier du Design Thinking en France. La Lean Factory, c'était le programme grands comptes : du diagnostic jusqu'au prototype fonctionnel, avec de vrais utilisateurs dès la première semaine. Pas de livrables PowerPoint. Des compétences qui restaient dans l'organisation après la mission.
Chef de projet et designer au sein d'équipes pluridisciplinaires : chef de mission, autres designers, profils business. Mon rôle : articuler l'équipe, concevoir le processus et l'animer en salle.
BNP Paribas pour une app dans le service contentieux. Etam pour faire émerger des produits innovants en interne. Darty pour explorer une solution digitale d'aide à la réparation. Michelin pour animer des workshops d'innovation avec ses équipes.
Ce qui fonctionnait vraiment n'était pas la méthodologie. C'était le moment où quelqu'un dans la salle décidait de faire confiance au processus. Quand une équipe de dirigeants arrêtait de chercher la bonne réponse et commençait à la construire avec les autres. Quand quelqu'un comprenait que les décisions en silos ont un coût réel.
Ces projets avançaient vite. Ils produisaient des choses que l'organisation pouvait porter seule ensuite.
Qu'un designer qui ne parle pas le langage du business perd son influence au moment où ça compte. La satisfaction utilisateur ne fait pas bouger les budgets seule.
Que l'innovation va vite quand le client accepte de ne pas contrôler le résultat à l'avance. Accompagner ça, c'est un métier en soi.
Que le Design Thinking n'est qu'une entrée. Ce qui vient après dépend de qui est dans la salle.
Schoolab is a Paris-based innovation studio and pioneer of Design Thinking in France. The Lean Factory was their large-account consulting program: a methodology combining Design Thinking and Lean Startup to take organizations from diagnosis to functional prototype, with real users from week one. No PowerPoint deliverables. Competencies that stayed in the organization after the engagement.
Project lead and designer within multidisciplinary teams: mission lead, other designers, business profiles. My role was to coordinate the team, design the process, and facilitate it in the room.
Hermès to train their executives in design thinking. BNP Paribas to design an app for their debt collection unit. Darty, a French home appliances retailer, to explore a digital repair solution. Etam, a fashion group, to develop innovative products internally. Michelin to run innovation workshops with their teams.
What actually worked wasn't the methodology itself. It was the moment when someone in the room decided to trust the process. When a team of executives stopped looking for the right answer and started building it together. When someone understood that silo decisions have a real cost, and that collective intelligence isn't a nice concept, it's something you can see in the room.
Those projects moved fast. They produced things the organization could sustain on its own afterward.
That a designer who doesn't speak the language of business loses influence at the moment it matters most. User satisfaction metrics don't move budgets on their own.
That innovation can move very fast when the client accepts not controlling or knowing the outcome in advance. Helping them through that is a job in itself.
That Design Thinking is just a starting point. What comes after depends on who's in the room and how willing they are to hear what the process shows.
¿Estás en un proceso de cambio donde el equipo todavía no soltó el control del resultado?
Hablemos →