El paradoja del investigador

En los debates sobre la IA en la investigación de usuarios, la pregunta más habitual es si las herramientas empezarán a sustituir a los investigadores. En la práctica, el problema más relevante está en otro lugar: el coste operativo del trabajo que comienza después de terminar una entrevista, prueba o encuesta. La transcripción, la organización del material, la síntesis y la traducción de observaciones en decisiones han ralentizado históricamente a los equipos más que la propia investigación. Aquí es donde la IA está generando hoy su impacto más tangible: no como sustituto del juicio humano, sino como una forma de acortar el camino entre el material en bruto y una pregunta de diseño significativa.

Una entrevista de una hora no termina cuando acaba la conversación. Se expande en transcripción, codificación, síntesis, construcción de entendimiento compartido en el equipo y el esfuerzo necesario para convertir observaciones en algo realmente utilizable.

El informe de Maze de 2026 indica que el 66% de los encuestados afirma que la demanda de investigación de usuarios es mayor que un año antes, frente al 55% del año previo: un aumento de 11 puntos, aproximadamente un 20% interanual. Al mismo tiempo, el 69% ya utiliza IA en al menos algunos proyectos de investigación, un incremento de 19 puntos respecto al año anterior. El informe State of User Research 2025 de User Interviews muestra un patrón paralelo: el uso de IA alcanza el 80%, aunque los resultados y las percepciones siguen siendo mixtos.

La automatización ha penetrado rápidamente en los flujos de trabajo de investigación no porque la interpretación humana haya dejado de ser importante, sino porque la carga operativa alrededor de la investigación ha dejado de seguir el ritmo.

Nota sobre las fuentes: este artículo se basa principalmente en encuestas realizadas por proveedores de herramientas - el Future of User Research Report 2026 de Maze (casi 500 encuestados, diciembre de 2025–enero de 2026), el State of User Research 2025 de User Interviews (485 encuestados) y el State of Research Operations de User Interviews (21 especialistas en ReOps) - junto con las guías prácticas del Nielsen Norman Group. Se trata de fotografías de mercado, no de estudios longitudinales. Las conclusiones deben interpretarse como observaciones prácticas y direccionales, no como leyes universales.

Dónde la IA realmente ayuda en el ciclo de investigación

En la práctica, las mejoras significativas aparecen en tres fases: planificación, ejecución y análisis.

Planificación: mejores borradores, no mejores preguntas

En la planificación, la IA funciona bien como herramienta para explorar variantes: esbozar planes de investigación, generar posibles preguntas, organizar áreas de exploración y producir materiales de apoyo. No sustituye al investigador en la definición del problema, la elección del método o la evaluación de qué preguntas son realmente pertinentes. Nielsen Norman Group señala que la IA puede ayudar con planes, preguntas, métodos y materiales, siempre que reciba suficiente contexto y que sus propuestas se editen en lugar de aceptarse sin más. También advierte explícitamente contra pedir “un plan de investigación completo” en un solo prompt, ya que las solicitudes genéricas tienden a producir planes genéricos.

En Mindsailors utilizamos modelos de lenguaje para ampliar el abanico de posibles preguntas, no para fijar la agenda. En un proyecto industrial sobre altas tasas de rechazo en el ensamblaje final de un dispositivo médico, introdujimos informes de fallos anonimizados en un modelo para generar formas alternativas de plantear el problema y explorar causas raíz. El modelo aportó perspectivas adicionales, pero la guía final de entrevistas solo tomó forma después de contrastar esas sugerencias con la realidad del proyecto y sus limitaciones técnicas.

Ejecución: capacidad, no matices

En la ejecución, las mejoras más claras provienen de delegar en la IA el trabajo repetitivo. Maze indica que los equipos utilizan la IA principalmente para transcripción, síntesis y generación de preguntas de investigación, en línea con la visión de Nielsen Norman Group de que la IA es más útil en planificación y análisis. Lo que cambia primero no es cómo los equipos interpretan los datos, sino cuánto material pueden procesar en el mismo tiempo.

Aquí es clave una distinción práctica. La investigación actitudinal -entrevistas, encuestas, feedback abierto - genera datos textuales que la IA puede transcribir, etiquetar y agrupar con fiabilidad razonable. La investigación conductual -observar cómo los usuarios interactúan realmente con una interfaz o dispositivo- sigue siendo mucho más difícil de delegar. Nielsen Norman Group es claro: las herramientas actuales no pueden observar correctamente pruebas de usabilidad porque, a diferencia de un investigador experimentado, no entienden el comportamiento en contexto.

Análisis y señales continuas

Para el análisis, Nielsen Norman Group recomienda usar la IA como un primer procesamiento: transcribir, resumir, agrupar y hacer una codificación preliminar que luego revisa una persona. Este primer paso más rápido reduce significativamente la distancia entre notas en bruto y algo que pueda analizarse en profundidad.

En equipos más maduros, esta misma infraestructura puede funcionar de forma continua. Sistemas de procesamiento del lenguaje natural (NLP) pueden analizar reseñas de apps, tickets de soporte, comentarios en redes sociales y analítica de producto para generar una señal de feedback persistente que no se detiene entre estudios formales. La detección de temas no tiene que esperar al siguiente sprint. Cuando la analítica detecta un patrón inusual o un pico en una categoría de soporte, las herramientas asistidas por IA ayudan a identificar rápidamente qué investigar después con usuarios reales.

En este modelo, la investigación deja de ser una serie de proyectos aislados y pasa a ser una señal continua capaz de orientar decisiones de producto, no solo comentarlas a posteriori.

Democratización y límites de la automatización

A medida que la IA reduce el coste de procesar inputs de investigación, más personas dentro de la organización pueden acercarse a datos reales de usuarios. Maze señala que, además de investigadores, el 39% de las organizaciones cuenta con product managers realizando investigación, el 35% involucra a investigadores de mercado y el 23% tiene perfiles de marketing liderando estudios. Esta democratización puede mejorar la adopción de insights, porque quienes toman decisiones ven la evidencia directamente en lugar de una presentación final.

Pero los mismos datos muestran una brecha clara de soporte. Aunque el 61% de las organizaciones ofrece herramientas y plantillas a no investigadores, menos de la mitad proporciona apoyo de especialistas, formación estructurada o repositorios de investigación, y un 13% no ofrece ningún soporte. El estudio de Research Operations de User Interviews añade que los especialistas en democratización ven aumentar las necesidades de gobernanza y control de calidad a medida que las herramientas asistidas por IA se vuelven más accesibles -y más fáciles de usar mal.

En paralelo, los encuestados de Maze identifican la interpretación de matices y emociones (82%), la toma de decisiones éticas (80%) y la formulación de las preguntas correctas (76%) como áreas donde la intervención humana sigue siendo esencial.

Lo que no aparece en la transcripción

El punto no es que la IA no pueda ayudar en el análisis. Es que no puede detectar lo que no está en la transcripción: el atajo que el usuario nunca verbaliza, la contradicción que importa más que el patrón, o la queja que en realidad habla de valores y no de funcionalidades. Eso sigue siendo trabajo humano.

Riesgos: exceso de confianza, infra-inversión y gobernanza

Con la IA ya integrada en los flujos de investigación, los principales riesgos no están en la herramienta, sino en cómo se utiliza.

Exceso de confianza en los resultados. Nielsen Norman Group advierte repetidamente que el análisis con IA puede incluir errores, sugerencias metodológicas débiles, agrupaciones superficiales, omisiones o incluso detalles inventados. Su recomendación es clara: no externalizar el análisis a la IA; tratarla como un primer paso que siempre requiere revisión humana de códigos, agrupaciones y conclusiones.

Usar la eficiencia para justificar la infra-inversión. El informe de User Interviews de 2025 y su resumen conjunto con UserTesting describen un escenario de “alta adopción, alta ansiedad”: el 80% usa IA, pero el 41% la percibe negativamente; el 91% se preocupa por la precisión y las alucinaciones; el 63% teme que la IA devalúe el insight humano. Al mismo tiempo, los investigadores reportan presión presupuestaria y menos oportunidades, por lo que si una organización usa la IA solo para reducir costes, es fácil convertir mayor capacidad en resultados más rápidos pero más superficiales.

Democratización sin estándares. Los especialistas en ReOps describen un aumento de las necesidades de gobernanza y control de calidad a medida que más perfiles no especializados realizan estudios asistidos por IA. Sin estándares compartidos, principios claros y formación, la democratización puede propagar evidencia débil con la misma eficiencia con la que amplía el acceso.

Privacidad y gobernanza de datos. Los equipos de ReOps asumen cada vez más la responsabilidad de garantizar que las herramientas de IA gestionen correctamente los datos personales, no utilicen información sensible para entrenar modelos sin autorización y cumplan con requisitos internos de almacenamiento y seguridad. Nielsen Norman Group recomienda igualmente ser cuidadoso con lo que se comparte con sistemas de IA durante planificación y análisis. A medida que la IA se convierte en infraestructura básica, la privacidad pasa de ser una checklist puntual a una responsabilidad operativa continua.

Para los propios investigadores, esta tensión también se refleja en la percepción de la profesión. User Interviews señala que el uso de IA aumenta, pero muchos profesionales cuestionan su impacto en la calidad, su valor percibido y la evolución de su rol. No es resistencia a la automatización; es una disciplina redefiniendo qué significa la experiencia en un entorno automatizado.

Qué significa esto para el diseño de producto y el I+D

En el desarrollo de productos físicos, este patrón resulta especialmente evidente. La IA no cambia lo que define una buena solución, pero puede acelerar de forma significativa la exploración de variantes, la organización de señales tempranas y el filtrado de direcciones con potencial. Esto es crucial cuando el coste de una mala decisión no es perder un sprint, sino meses de ingeniería, prototipado o desarrollo de utillajes mal enfocados.

En nuestro caso, esto se ve con claridad en la evaluación de conceptos. En proyectos recientes hemos utilizado volúmenes básicos en SolidWorks combinados con herramientas generativas de imagen para producir variaciones tipo boceto con mayor rapidez y probar un abanico más amplio de direcciones. Esto permite descartar opciones que entran en conflicto con las necesidades del usuario, las restricciones de fabricación o la lógica de marca antes de invertir en conceptos pulidos.

El mismo patrón aparece a mayor escala. La iniciativa A.I.R. de Nike combina input de atletas, diseño computacional, prototipado rápido en 3D e IA para reducir ciclos de desarrollo de calzado que antes llevaban semanas o meses a periodos mucho más cortos, permitiendo muchas más iteraciones antes de producir. Mondelez informa que el uso de IA para explorar combinaciones de ingredientes y restricciones de forma virtual redujo los tiempos de desarrollo de snacks en un factor de cinco y contribuyó a decenas de lanzamientos, incluido Gluten-Free Golden Oreo.

Los detalles varían entre calzado o alimentación, pero la lógica es la misma que aplicamos en nuestros proyectos: usar la IA para ampliar y filtrar el espacio de opciones en fases tempranas, y dejar que la investigación de usuarios, las limitaciones de ingeniería y la experiencia del equipo decidan en qué direcciones merece la pena invertir.

Aquí es donde vemos el valor real de la IA en el desarrollo de producto físico: en las primeras etapas de la investigación de diseño y el I+D, ampliando el abanico de posibilidades sin delegar en la IA la decisión final. Acertar en la investigación y el planteamiento inicial es donde el proyecto gana su presupuesto… o lo pierde de forma irreversible.

La pregunta que ahora importa

A estas alturas, la cuestión ya no es si usar IA en investigación de usuarios. Para muchos equipos forma parte del día a día en planificación, análisis e informes. Lo que realmente importa es qué hace la organización con el tiempo y la capacidad que recupera.

En Mindsailors, la IA se utiliza donde aporta más valor y menos riesgo: en fases tempranas de planificación, en la organización de datos procedentes de múltiples fuentes durante conversaciones con clientes, y en la exploración rápida de nuevas direcciones y perspectivas no convencionales.

Las organizaciones que recuperan ese tiempo pueden emplearlo en investigación mejor, más frecuente y más precisa… o simplemente en producir resultados superficiales más rápido. La ventaja será para quienes sepan distinguir la diferencia.