Un modelo puede leer cuarenta entrevistas de usuario y devolverte seis temas limpios en un minuto. Los temas están articulados. Están bien organizados. Suenan a insight. Y esta es la pregunta que decide si valen algo: ¿puedes pinchar en un tema y ver las frases reales, de usuarios reales, que lo produjeron? Si puedes, el modelo hizo trabajo real. Si no puedes, el modelo te escribió un ensayo plausible sobre tus usuarios y estás a punto de tomar decisiones sobre él como si fuera evidencia.
Ese hueco es todo el asunto. La IA en research de usuarios es de verdad útil y de verdad peligrosa, y la versión útil y la peligrosa se ven casi idénticas en la diapositiva. Distinguirlas es la habilidad que importa ahora.
Síntesis y sustitución no están en un espectro
Son actos distintos, y confundirlos es el error de raíz.
síntesis
- Comprime evidencia real
- Temas enlazados a citas
- Amplifica lo que existe
sustitución
- Fabrica evidencia
- Sin fuente real
- Conjetura como hallazgo
La síntesis coge evidencia que reuniste de verdad y la comprime. Hablaste con personas reales, tienes las transcripciones, y el modelo te ayuda a encontrar los patrones a lo largo de más material del que podrías sostener en la cabeza a la vez. La evidencia existía antes de que el modelo la tocara. El modelo la hizo legible. Esto es una ganancia real, y es la razón para usar IA en research: el cuello de botella de la síntesis nunca fue el insight, fueron las horas de lectura, y eso es justo lo que un modelo quita.
La sustitución fabrica evidencia que nunca se reunió. No hablaste con nadie, así que le pides al modelo que haga de usuario, genere la persona, simule qué diría «alguien así». Lo que vuelve es fluido y seguro y completamente desatado de cualquier persona real. Es el prejuicio del modelo sobre los usuarios, disfrazado de datos. Por bueno que sea el modelo, no puede reportar un hecho sobre tus usuarios que ningún usuario aportó, porque ese hecho no existe en nada que haya leído. Solo puede producir una conjetura bien formada.
No son dos puntos de un espectro donde un poco de sustitución es un poco arriesgado. Son distintos en naturaleza. Uno amplifica evidencia. El otro la fabrica. Todo fallo serio del research asistido por IA viene de hacer lo segundo llamándolo lo primero.
El blanqueo de evidencia
Así entra de verdad la fabricación en un equipo real, porque nadie se propone inventarse cosas. Se blanquea a través de pasos que cada uno parece razonable.
Un investigador corre ocho entrevistas reales, que es una muestra pequeña, así que le pide al modelo que «extrapole lo que probablemente sienten otros usuarios». El modelo obedece. Ahora la presentación tiene afirmaciones respaldadas por ocho personas y afirmaciones respaldadas por nadie, formateadas igual. Una semana después alguien saca un bullet de la presentación a un doc de estrategia. El bullet ya no lleva ninguna marca de dónde salió. Otra semana, es una línea en una decisión: «los usuarios quieren esto». Nadie mintió. Pero una afirmación que el modelo inventó está ahora en una decisión con exactamente la misma autoridad que una afirmación que ocho humanos hicieron de verdad, y ya nadie las distingue.
Eso es blanqueo de evidencia: el proceso por el que la conjetura de un modelo pierde su fuente y adquiere la credibilidad de un hallazgo según se mueve por tus documentos. Es la forma concreta que toma el modo de fallo del slop de IA en research, donde una salida fluida y bien formateada se confunde con una validada porque nada en el formato anuncia la diferencia. El blanqueo no es una gran mentira. Es el lento desprendimiento de una afirmación de su origen, una copia de aspecto razonable cada vez.
La regla: cada afirmación apunta a una frase
La disciplina que previene todo esto es una frase. Un hallazgo de research solo es tan fuerte como la frase cruda a la que puedas rastrearlo.
En la práctica eso significa que los temas sintetizados siguen enlazados a las citas de origen, para siempre, no solo en el primer borrador. Cuando un hallazgo dice «los usuarios abandonan en el onboarding porque no confían en la importación», puedes expandirlo y ver a las cuatro personas que dijeron algo en ese sentido, con sus palabras. Un hallazgo que no puedes expandir en citas reales es un hallazgo que deberías tratar como hipótesis, no como evidencia, por muy seguro que suene el resumen.
Esto también arregla el problema de la muestra pequeña sin maquillarlo. Ocho entrevistas son ocho entrevistas. El movimiento no es que el modelo las infle en un centenar falso. Es decir con claridad «cuatro de ocho usuarios chocaron con esto», mantenerlo enlazado a esos cuatro, y tratarlo como una señal que merece una prueba más grande, no como un hecho zanjado. El modelo te ayuda a ver el patrón en los ocho. No le toca inventar los noventa y dos con los que nunca hablaste. Nombrar la muestra tal cual no es una debilidad del research. Es la diferencia entre research y una historia persuasiva.
Qué le está permitido hacer al modelo, con precisión
Ayuda ser concreto sobre el límite, porque «usa la IA con cuidado» no significa nada. Al modelo le está permitido comprimir, agrupar y sacar a la superficie: juntar frases parecidas, proponer temas candidatos, señalar una cita que se te pasó, redactar el resumen que vas a cotejar contra las fuentes. Todo eso opera sobre evidencia que existe y sigue apuntando a ella.
Al modelo no le está permitido originar una afirmación sobre usuarios de la nada: ninguna entrevista simulada haciendo de una real, ninguna persona respondiendo preguntas que ningún humano respondió, ninguna extrapolación presentada como hallazgo en vez de como conjetura. La prueba es siempre la misma. Señala a la persona que dijo esto. Si puedes, es research. Si la única fuente es el modelo, es la opinión del modelo sobre tus usuarios, y va en la columna de hipótesis con una nota de ir a averiguarlo, no en la columna de evidencia dirigiendo una decisión.
Este es el mismo estándar que atraviesa todo lo que construyo, la misma razón por la que el trabajo de product management en la era IA se desplazó de producir artefactos a diseñar el sistema que separa lo que se sabe de lo que se asume. El research es donde esa separación es más fácil de perder, porque un tema fluido se siente como conocimiento aunque no haya nada real debajo.
Dónde encaja PaellaDoc
PaellaDoc mantiene intacto el enlace entre un hallazgo y su evidencia según el research pasa a decisiones. Un tema sintetizado sigue conectado a las frases que lo produjeron, y una decisión que cita el tema puede rastrearse a través de él hasta los usuarios reales que dijeron la cosa, para que una afirmación no pueda desprenderse en silencio de su fuente según viaja por la memoria de tu producto. El objetivo no es frenar el research. Es hacer el blanqueo estructuralmente difícil, para que el resumen seguro y el hallazgo validado dejen de ser intercambiables.
La IA quitó el tedio del research, que es un regalo real, y lo quitó quitando la fricción que antes mantenía separadas las conjeturas y los hallazgos. Conseguir el regalo sin la falsificación significa sostener una línea sin excepción: ninguna afirmación sobre tus usuarios que no puedas rastrear hasta un usuario.
Preguntas frecuentes
¿La IA puede hacer research de usuarios?
Puede sintetizar research que reuniste de verdad, no reemplazar el reunirlo. Un modelo lee cuarenta entrevistas y devuelve seis temas limpios en un minuto, y eso es una ganancia real porque el cuello de botella de la síntesis eran las horas de lectura, no el insight. Lo que no puede es originar un hecho sobre tus usuarios que ningún usuario aportó. Ese hecho no existe en nada que haya leído, así que solo puede producir una conjetura bien formada.
¿Cuál es la diferencia entre síntesis y sustitución?
La síntesis comprime evidencia que existía antes de que el modelo la tocara: personas reales, transcripciones reales, patrones hechos legibles. La sustitución fabrica evidencia que nunca se reunió: una persona simulada respondiendo preguntas que ningún humano respondió. Son distintas en naturaleza, no dos puntos de un espectro. Una amplifica evidencia, la otra la fabrica, y todo fallo serio del research asistido por IA es hacer lo segundo llamándolo lo primero.
¿Qué es el blanqueo de evidencia en research?
Es el proceso por el que la conjetura de un modelo pierde su fuente y adquiere la credibilidad de un hallazgo según se mueve por tus documentos. Un modelo extrapola más allá de ocho entrevistas reales, la presentación formatea las afirmaciones inventadas igual que las reales, un bullet pasa a un doc de estrategia sin su fuente, y una semana después es una decisión. Nadie mintió, pero una conjetura carga ahora con la autoridad de ocho humanos.
¿Puedo usar IA para generar usuarios sintéticos o personas?
No como evidencia. Una persona respondiendo preguntas que ningún humano respondió es el prejuicio del modelo sobre los usuarios disfrazado de datos, y va en la columna de hipótesis con una nota de ir a averiguarlo, no en la de evidencia dirigiendo una decisión. La regla es una frase: cada afirmación apunta a una frase de un usuario. Si puedes nombrar a la persona real que lo dijo, es research; si la única fuente es el modelo, es opinión.