# ai-workflow-wardley-mapping-obsidian-youtube-2025-04-23

## Veille

Flujo de trabajo de IA para generar Wardley Maps, capacidades de prompts LLM, grafo de Obsidian, clustering con NetworkX, arranque estratégico - Tutorial en vídeo

## Titre Article

AI Workflow for Creating Wardley Maps (Video Tutorial)

## Date

2025-04-23

## URL

https://www.youtube.com/watch?v=uU1fSE0piXM

## Keywords

automatización de Wardley Mapping, prompts LLM, descomposición de capacidades, OpenAI API, canvas de Obsidian, clustering con NetworkX, eje Y de la cadena de valor, relaciones de grafo, arranque estratégico, salida JSON, relaciones entre capacidades, categorización por proximidad, excelencia operativa

## Authors

Auteur vidéo (Product Manager ERP/Business Intelligence)

## Ton

**Perfil:** Tutorial de practicante | Primera persona, pedagógico | Registro pedagógico-demostrativo | Nivel técnico intermedio a experto

El profesional PM/BI adopta una voz de tutorial de YouTube que combina demostración práctica y explicación conceptual. Un lenguaje técnico accesible (prompts LLM, canvas de Obsidian, clustering con NetworkX) guía al espectador a lo largo del flujo de trabajo. El formato de vídeo permite la demostración visual de un proceso de automatización complejo. Tono de un practicante entusiasta que comparte un flujo de trabajo descubierto, más que el de un experto con autoridad. Estructura de tutorial clásica (problema → solución → implementación) que facilita el aprendizaje. Típico de los canales de YouTube de profesionales que comparten flujos de trabajo y descubrimientos personales, dirigidos a colegas curiosos por automatizar sus herramientas de pensamiento estratégico.

## Pense-betes

- **Objetivo**: usar IA para poner en marcha un Wardley Map y obtener rápidamente un punto de partida sólido
- **Stack de herramientas**: OpenAI API + Obsidian + Python NetworkX + frontend personalizado
- **Prompt 1 - Capacidades**: "Soy product manager de [producto]. Formula las capacidades como 'la capacidad de [espacio en blanco]'. Descompón usando 'es una función de la capacidad de'. Devuelve un JSON."
- **Ejemplo de capacidad**: "comprar el almuerzo para el equipo" → descompuesta en planificar comidas equilibradas, obtener ingredientes de calidad, preparar comidas de forma eficiente, adaptarse a preferencias/alergias
- **Integración con Obsidian**: las capacidades se colocan en Obsidian, las relaciones se enlazan automáticamente (padre → subcapacidades)
- **Eje Y de Wardley**: más arriba = más cerca del cliente, más abajo = abstracto/invisible para el cliente
- **Prompt 2 - Posicionamiento en el eje Y**: categorizar las capacidades según su proximidad a distintos roles (líderes de excelencia operativa → COO → gestores de programas estratégicos → coaches/diseñadores → ingenieros de operaciones/IT → ingenieros de plataforma/datos → capas de infraestructura/utilidad)
- **Solicitar siempre la justificación**: "asignar un nivel + aportar la justificación" permite el ajuste fino y "entrar en el razonamiento del LLM"
- **Prompt 3 - Relaciones**: "identifica relaciones significativas: capacidades funcionalmente similares O habilitadoras. Devuelve un JSON con pair (dos IDs relacionados) + type (similar/enables) + una explicación clara"
- **Barrido aleatorio**: insertar las capacidades al azar, análisis estricto, como "recorrer una tabla y trazar líneas entre elementos similares"
- **Ejemplo de relación**: "analizar insights de datos" ↔ "análisis de tendencias" = similar (ambas centradas en analizar datos para extraer insights)
- **Clustering con NetworkX**: librería Python de análisis de grafos sociales, identifica clústeres dentro de cada nivel
- **Canvas final**: capacidades organizadas por nivel (eje Y) + clúster (aproximación al eje X), usando la función de agrupación de Obsidian
- **Navegación por la cadena de valor**: ejemplo, "un líder quiere priorización" → descender por la pila → identificar los distintos elementos implicados
- **El arranque no es el final**: "esto es solo el comienzo, ahora toca dedicar tiempo a aprender el dominio en profundidad"

## RésuméDe400mots

**Objetivo y contexto metodológico**

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

**Arquitectura técnica: stack y herramientas**

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

**Tres prompts secuenciales estructurados**

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

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

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

**Clustering con NetworkX y canvas final**

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

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

**Navegación por la cadena de valor y filosofía del arranque**

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

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

**Implicaciones metodológicas**

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

**Transferibilidad más allá del Wardley Mapping**

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

## GrapheDeConnaissance

- workflow IA Wardley —utilise→ OpenAI API (TECHNOLOGIE, 0.97)
- workflow IA Wardley —utilise→ Obsidian (TECHNOLOGIE, 0.97)
- workflow IA Wardley —utilise→ NetworkX (TECHNOLOGIE, 0.97)
- NetworkX —permet→ clustering de graphe de capacités (CONCEPT, 0.95)
- Obsidian —permet→ visualisation des relations parent-enfant de capacités (CONCEPT, 0.95)
- Wardley Map —utilise→ axe Y basé sur proximité client (CONCEPT, 0.97)
- LLM —améliore→ bootstrapping de cartographie stratégique (METHODOLOGIE, 0.95)
- décomposition de capacités —permet→ hiérarchie parent-enfant en JSON (CONCEPT, 0.95)
- rationale de prompt —améliore→ qualité des outputs LLM (CONCEPT, 0.9)
- workflow IA Wardley —s_applique_à→ product managers ERP/BI (CONCEPT, 0.88)

---
Canonical: https://www.thekb.eu/es/fiches/ai-workflow-wardley-mapping-obsidian-youtube-2025-04-23/