El discovery tiene dos mitades que se parecen y no lo son. Una es pensar: generar opciones, cuestionar supuestos, encuadrar el problema, ampliar el espacio de lo que podrías construir. La otra es decidir: averiguar qué es cierto de verdad sobre usuarios reales y apostar por ello. La IA es genuinamente excelente en la primera mitad. Es calladamente peligrosa en la segunda. Y la razón de que sea peligrosa es justo que es tan buena en la primera que el borde entre ambas se difumina.
Le pides a un modelo que te ayude a pensar un problema y lo hace, bien. Luego, en la misma conversación, en el mismo registro seguro, te dice qué quieren los usuarios. Nada señala que cruzaste una línea de razonar a afirmar. La salida se ve idéntica. Esa costura, donde la ayuda-para-pensar resbala a decidir-por-ti sin ningún cambio de tono, es donde el discovery asistido por IA se tuerce.
socia para pensar
- Amplía las opciones
- Pone a prueba argumentos
- Reencuadra el problema
- Estructura el caos
socia para decidir
- Afirma qué quieren los usuarios
- Nunca los conoció
- Conjetura disfrazada de hecho
Dónde se gana su sitio la IA
Para la mitad de pensar, un modelo es una de las mejores socias que puedes tener, y conviene concretar por qué:
- Amplía el espacio de opciones. A solas, exploras las dos o tres soluciones que ya tenías en mente. Pídele a un modelo diez ángulos más y la mayoría son inútiles, pero dos son cosas a las que no habrías llegado, y el discovery vive de las opciones que no tenías ya.
- Pone a prueba un argumento. Dale tu razonamiento y pregúntale por dónde se rompe. Un modelo es un abogado del diablo incansable y sin ego que no se pone a la defensiva cuando le rebates. Eso es raro y útil.
- Reencuadra. Estás atascado viendo el problema de una forma. Te ofrece otros tres encuadres, y uno disuelve aquello en lo que estabas atascado.
- Estructura el caos. Tienes cuarenta observaciones dispersas. Te ayuda a encontrar los clusters y nombrar los patrones. Tú sigues decidiendo qué patrones son reales, pero el ordenar es trabajo real que hace bien.
Cada una de estas mantiene al humano como quien decide. El modelo expande, presiona y organiza tu pensamiento. No concluye por ti. Usado así hace el discovery más rápido y más ancho sin tocar la parte que tiene que seguir siendo tuya.
Dónde toma el mando calladamente
El peligro no es que la IA dé malas respuestas en el discovery. Es que da respuestas seguras, fluidas y plausibles a preguntas que solo se pueden responder con contacto con la realidad, y la seguridad es indistinguible de la que muestra cuando acierta.
Pregúntale a un modelo con qué luchan tus usuarios y te lo dirá, en prosa limpia, una lista de dolores. Algunos estarán bien. Ha leído lo suficiente como para que sus priors no sean inútiles. Pero nunca ha conocido a tus usuarios, ni los ha visto trabajar, ni ha visto dónde se atascan de verdad. Está generando la respuesta más probable a «con qué luchan los usuarios de algo así», que es una pregunta distinta de «con qué luchan tus usuarios», y el hueco entre esas dos preguntas es el trabajo entero del discovery.
El modo de fallo es sutil porque la salida tiene buena pinta. Una lista plausible de dolores de usuario se siente como progreso. Se lee como un hallazgo de investigación. Y si lo dejas, se convierte en uno, colándose en tu deck y tu roadmap con el estatus epistémico de algo que aprendiste de los usuarios, cuando su estatus real es algo que un modelo supuso. Este es el modo de fallo del slop de IA con ropa de discovery: más artefactos, más insights de tono seguro, ningún contacto extra con la verdad.
Blanqueo: el pecado concreto que evitar
Hay un movimiento que hace más daño que cualquier otro, y merece un nombre. Blanqueo es cuando una hipótesis que generó un modelo se cita después como si fuera evidencia que te dio un usuario.
Pasa poco a poco y sin malicia. El lunes haces lluvia de ideas con un modelo y sugiere que los usuarios probablemente abandonan el flujo en el paso de pago. Eso es una hipótesis, una decente. El jueves está en un doc como «los usuarios abandonan en el pago». A la semana siguiente alguien construye contra ello como un hecho conocido. Nadie mintió. En cada paso la afirmación perdió un poco de su «creemos» y ganó un poco de «sabemos», hasta que la suposición de un modelo dirige una decisión de construcción con la autoridad de la investigación.
La defensa no es dejar de usar IA en el discovery. Es mantener la provenance de cada afirmación despiadadamente visible. Esta hipótesis vino de un modelo. Esta vino de una sesión con un usuario. Esta vino de datos de uso. No son el mismo tipo de cosa y nunca hay que dejar que parezcan lo mismo, porque todo el valor del discovery es saber cuáles de tus creencias son evidencia de carga y cuáles suposiciones plausibles esperando prueba. En el momento en que esas dos se difuminan, estás haciendo producto como una feature factory, construyendo contra ficción segura y llamando progreso al movimiento.
Mantener la línea afilada en la práctica
En concreto, unos cuantos hábitos evitan que la socia-para-pensar se vuelva socia-para-decidir:
- Etiqueta la fuente de cada afirmación, siempre. Generada por modelo, de usuario, de datos. Si una creencia de tu discovery no puede decir de dónde vino, todavía no es evidencia, sea cual sea su tono.
- Nunca dejes que un modelo resuma investigación en conclusiones sin supervisión. Alisará la incertidumbre, tirará la cita que contradice y te entregará una historia limpia. Limpia es justo lo que la investigación de usuarios no es, y el caos que quita es donde suele esconderse la señal real.
- Úsalo para generar hipótesis, y luego trátalas como deudas. Cada dolor sugerido por el modelo es algo a validar, no algo que sabes. Se ha ganado una prueba, no un sitio en el roadmap.
- Pídele que argumente contra tu conclusión, no solo a favor. Su complacencia es una trampa. Apoyará con gusto lo que sea que te inclina. Apunta su fluidez a tu propia posición y se vuelve mucho más útil.
Nada de esto es fricción por la fricción. El objetivo de las etiquetas y de los prompts adversariales es preservar, a través de un proceso rápido y fluido, la única distinción que el discovery existe para proteger: la diferencia entre lo que tienes razones para creer y lo que simplemente te han contado de forma plausible. Pierde esa distinción y cada decisión de abajo hereda una confianza que nunca se ganó, que es como un equipo acaba seguro de un mercado que en realidad nunca miró.
Dónde encaja PaellaDoc
Por eso en PaellaDoc la provenance no es una ocurrencia tardía, es la estructura. Una hipótesis que generó un modelo y un hallazgo que te dio un usuario son tipos de nodo distintos, y siguen siendo distintos. Puedes usar IA para ampliar y presionar tu pensamiento todo lo que quieras, porque el sistema no dejará que una suposición adquiera calladamente la autoridad de la evidencia. Cuando una decisión se apoya en una afirmación, puedes ver sobre qué descansa de verdad: un usuario, un número, o una frase plausible que escribió un modelo.
Usa la IA para la mitad del discovery en la que es brillante. Deja que amplíe tus opciones, rompa tus argumentos, organice tu caos. Solo mantén la mano en la decisión, y mantén la línea entre lo que crees y lo que sabes lo bastante brillante como para que ningún párrafo fluido la emborrone. El modelo es una socia estupenda para pensar. Nunca ha conocido a tus usuarios. No dejes que finja que sí.
Preguntas frecuentes
¿La IA puede hacer el discovery por ti?
Puede hacer la mitad de pensar, no la de decidir. La IA es estupenda para ampliar el espacio de opciones, poner a prueba un argumento, reencuadrar un problema y estructurar observaciones dispersas. Es peligrosa en cuanto empieza a decirte qué quieren los usuarios reales, porque nunca los ha conocido. Úsala para expandir y presionar tu pensamiento; la decisión, y el contacto con la realidad, siguen siendo tuyos.
¿La IA puede decirme qué quieren mis usuarios?
No, aunque sonará como si pudiera. Pregúntale a un modelo con qué luchan tus usuarios y genera la respuesta más probable a «con qué luchan los usuarios de algo así», que es una pregunta distinta de con qué luchan tus usuarios. Ese hueco es el trabajo entero del discovery. La respuesta es una hipótesis plausible, no un hallazgo, hasta que un usuario real la confirma.
¿Qué es el blanqueo en el discovery asistido por IA?
Blanqueo es cuando una hipótesis que generó un modelo se cita después como si fuera evidencia que te dio un usuario. Pasa poco a poco: una lluvia de ideas del lunes se vuelve un doc el jueves y una decisión de construcción a la semana siguiente, perdiendo un poco de «creemos» y ganando un poco de «sabemos» en cada paso. Nadie mintió, pero la suposición de un modelo acaba con la autoridad de la investigación.
¿Cómo evito que las hipótesis de la IA se vuelvan evidencia falsa?
Mantén la provenance despiadadamente visible. Etiqueta cada afirmación por fuente: generada por modelo, de usuario o de datos, y nunca dejes que parezcan lo mismo. Trata cada dolor sugerido por el modelo como una deuda a validar, no un hecho sobre el que construir. Nunca dejes que un modelo resuma investigación en conclusiones sin supervisión, alisa la incertidumbre y tira la cita que contradice. Si una creencia no puede decir de dónde vino, todavía no es evidencia.