Ya está lejos de ser una novedad el impacto de la "Inteligencia artificial (IA)" en todo tipo de campos, desde los bastante polémicos como las aplicaciones militares hasta toda la enorme variedad de aplicaciones comerciales en video, texto, imagen y demás.
La investigación en diseño y UX no es una excepción.
Foto de UX Indonesia en Unsplash
En el último par de años hemos sido testigos de la aparición de herramientas que prometen revolucionar la forma en que nos aproximamos a nuestros usuarios, que prometen aumentar nuestras capacidades como investigadores y/o optimizar al máximo nuestros procesos.
Conviene entonces pararnos un momento y analizar: ¿qué está cambiando realmente? ¿Cómo nos impactan estos cambios en lo que hacemos?
Una de las tendencias más visibles es el uso de herramientas de IA para reducir la carga operativa e incrementar la eficiencia en los procesos de investigación.
Servicios como el chat de Gemini, ChatGPT, Claude, NotebookLM (basado en Gemini) o las nuevas funcionalidades de Deep Research aligeran el trabajo de generación y pulido de fichas e instrumentos de investigación, nos ayudan a plantear objetivos, propuestas metodológicas, definir nuestras muestras de usuario y armar instrumentos en menos tiempo, con más referencias e incluso, con un poco de cariño, con un estilo más acorde a lo que esperan nuestros stakeholders.
Nos ayudan también a analizar grandes cantidades de datos, identificar patrones y tendencias y reducir la carga en la revisión de fuentes y el resumen de puntos clave en la investigación de escritorio.
Otras herramientas como v0, Tempo Labs o Bolt nos permiten pasar vertiginosamente rápido de las definiciones conceptuales a los prototipos, alimentando la cantidad y calidad de estímulos que podemos ofrecer a los sujetos de estudio para comprender sus decisiones, comportamientos, etc.
En suma, existen ya cientos de herramientas que ayudan a quien ejecuta investigación de usuario a hacerlo de forma más eficiente y eficaz, reduciendo la duración y la carga general del trabajo. Todo ello permite:
Son entonces, herramientas que nos aumentan en el sentido de hacernos más eficientes, capaces de mayor producción o de producción más profunda, de mayor calidad.
A la par de estas herramientas, ya han aparecido también otras que operan bajo otros principios o que los extreman en el ecosistema:
Por un lado, herramientas como Genway permiten generar agentes IA que se conectan a las videollamadas y entrevistan a los usuarios siguiendo un guión previamente definido, lo cual potencialmente aumenta la escala de las investigaciones cualitativas exponencialmente. Hace un par de generaciones de herramientas, una de las decisiones típicas de un investigador tenía que ver con optar por métodos que permitieran recoger información con menor profundidad pero mayor alcance (por ejemplo, encuestas) u optar por otros con mayor profundidad pero menor alcance (por ejemplo, entrevistas).
La promesa: Este tipo de herramientas busca suspender ese tradeoff, la promesa es obtener mayor profundidad a mayor escala, la muestra estadísticamente representativa, el censo y la entrevista a profundidad, todo en uno.
En paralelo, herramientas como Synthetic Users nos permiten simular usuarios con las características que hayamos definido en nuestra muestra. Aquí también la propuesta de valor toca un gran dolor de la investigación, lograr conseguir sujetos de estudio que calcen con los perfiles de interés en la cantidad requerida. La solución planteada es generar representaciones lo más fidedignas posibles del comportamiento de usuarios de diversas segmentaciones y hacer que estas representaciones interactúen con los estímulos que queramos presentarles para obtener un resultado razonablemente similar al que obtendríamos de las personas reales.
La promesa: Este tipo de herramientas promete entonces reducir a virtualmente 0 la dificultad en el acceso al feedback de los sujetos de estudio.
En ambos casos estamos ante beneficios potenciales de gran impacto en cómo se lleva una investigación, capaces de dejar en ridículo las típicas estimaciones de equipo, muestra de usuarios y duración total en las fases de discovery de proyecto, exploraciones, testeos, etc.
En ambos casos, es responsable hacernos preguntas de gran calado:
Si jugamos con la idea del investigador autómata
Si jugamos con la idea del sujeto de estudio simulado, conviene también preguntarnos:
En suma ¿es valioso el conocimiento generado sobre las personas en un proceso en el que éstas prácticamente no intervienen?
Está claro que las herramientas basadas en IA tienen el potencial de transformar la investigación de usuarios de maneras tremendas y emocionantes. Por experiencia propia puedo afirmar que las ganancias en tiempos y productividad son impresionantes. Abrazando este incremento en la potencia de nuestras capacidades como investigadores, efectivamente podemos lograr resultados más profundos y significativos y, aunque suene trillado, podemos hacerlo "en la mitad del tiempo y con la mitad de dinero" (factores que la investigación aplicada no puede dejar de lado).
Foto de Christophe Hautier en Unsplash
Sin embargo, este mar que nos toca navegar no es para nada calmo, debemos ser prudentes y manejarnos con criterio profesional para no caer de lleno en la trampa del reemplazo. Si bien recurrir a combinaciones de aumentación del investigador, de uso de sujetos de estudio simulados y de investigadores autómatas puede darnos un abanico mayor de posibilidades para enfrentarnos a retos de diseño e investigación, es importante tener claridad del tipo de ejercicio que estamos haciendo y ponderar la información obtenida de acuerdo a ello.
Bien entendida, la disponibilidad de estas herramientas da mayor realce a nuestra - muy humana - capacidad de entendimiento para reflexionar sobre la idoneidad de nuestros métodos y la calidad de sus resultados según las necesidades que tengamos.
