Conectar la investigación viva: Dovetail, Hotjar y los tickets como corpus
Sin dato real conectado, la IA sintetiza insight de UX a partir del usuario promedio de entrenamiento, no de tu usuario real. Esta lección conecta la IA al repositorio de investigación (Dovetail), a la grabación de sesión (Hotjar), a los tickets de soporte y a las transcripciones de entrevista, y enseña el principio de la síntesis anclada: todo insight apunta de vuelta a una fuente real, o no vale.
Le preguntas a una IA genérica "¿por qué los usuarios abandonan el registro en el segundo paso?" y devuelve una respuesta bien escrita, llena de motivos plausibles: formulario largo, falta de confianza, solicitud de dato sensible demasiado pronto. Suena correcto porque es lo que suele pasar en productos parecidos. Solo que ninguna de esas frases apunta a una sesión real de tu producto, a un ticket de soporte real, a una entrevista que alguien realmente hizo. Es un insight bonito, genérico, que hasta puede ser correcto por casualidad, pero que nadie puede defender en una reunión cuando le preguntan "¿de dónde sale esto?".
Le preguntas a una IA genérica por qué subió la morosidad en el trimestre, y devuelve un razonamiento plausible sobre tasas e ingreso comprometido. Suena bien escrito. Solo que ninguna frase apunta al extracto real, al historial de pago de tu cliente específico. Es una hipótesis de manual, no una conclusión que resista la pregunta del auditor "¿de dónde salió ese número?".
Le preguntas a una IA genérica por qué ese tipo de contrato suele generar litigio, y devuelve un razonamiento jurídico coherente, lleno de jurisprudencia plausible. Suena sólido. Solo que ninguna frase apunta al expediente real de tu despacho, al historial de ese cliente específico. Es doctrina genérica, no una tesis que sobrevive a la pregunta del juez "cite el precedente exacto".
Le preguntas a una IA genérica por qué la campaña no convirtió, y devuelve un razonamiento bonito sobre creativo desgastado y público saturado. Suena plausible. Solo que ninguna frase apunta al dato real de tu campaña, al comentario real que el cliente dejó en el anuncio. Es teoría de manual de marketing, no una conclusión que aguanta la pregunta del director "muestra el dato".
Le preguntas a una IA genérica por qué subió el turnover en ese equipo, y devuelve un razonamiento plausible sobre carga de trabajo y falta de reconocimiento. Suena bien escrito. Solo que ninguna frase apunta a una entrevista de salida real, al comentario real de la encuesta de clima de ese equipo específico. Es teoría de RRHH genérica, no una conclusión que resiste la pregunta del director "¿quién dijo eso?".
Le preguntas a una IA genérica por qué la feature nueva tiene baja adopción, y devuelve motivos plausibles: onboarding confuso, valor no percibido. Suena correcto. Solo que ninguna frase apunta a un ticket real de soporte, a una sesión grabada real de un usuario trabándose ahí. Es intuición de PM experimentado, no un insight rastreable que sobrevive a la pregunta del equipo "¿dónde está la evidencia?".
Le preguntas a una IA genérica por qué los leads no cierran, y devuelve un razonamiento plausible sobre precio y timing. Suena bien construido. Solo que ninguna frase apunta a una llamada grabada real, a un correo de rechazo real de ese prospecto específico. Es intuición de vendedor experimentado, no una conclusión que resiste la pregunta del gerente "muestra la transcripción".
Le preguntas a una IA genérica por qué empeoró el SLA del turno nocturno, y devuelve un razonamiento plausible sobre escala reducida y fatiga. Suena correcto. Solo que ninguna frase apunta al registro real de ese turno, al ticket real que se trabó. Es hipótesis de manual operativo, no una causa raíz que sobrevive a la pregunta del gestor "¿qué ticket prueba eso?".
Le preguntas a una IA genérica por qué falló un control en la auditoría, y devuelve un razonamiento plausible sobre falla de proceso. Suena bien escrito. Solo que ninguna frase apunta al registro real de evidencia, al log real de ese incidente. Es suposición de manual de compliance, no una constatación que sobrevive a la pregunta del auditor "¿dónde está la evidencia?".
Le preguntas a una IA genérica por qué el bug aparece solo en producción, y devuelve hipótesis plausibles sobre entorno y concurrencia de datos. Suena técnico y correcto. Solo que ninguna frase apunta al log real, al stack trace real de ese incidente específico. Es intuición de ingeniero sénior, no un diagnóstico que sobrevive a la pregunta del equipo "muestra el log".
Le preguntas a una IA genérica "¿por qué los usuarios abandonan el onboarding en el segundo paso?" y devuelve una respuesta competente, bien estructurada: formulario demasiado largo, solicitud de permiso demasiado pronto, falta de valor percibido al inicio. Cada frase suena plausible porque es exactamente lo que suele pasar en onboarding de productos parecidos, el patrón que aprendió viendo miles de casos. Casi lo pones directo en el informe de investigación. Solo que ninguna de esas frases apunta a una sesión real grabada en Hotjar de tu producto, a un ticket real de soporte, a una cita real de entrevista con un usuario que realmente abandonó ahí. Es un insight de manual de UX, correcto en general, y no tienes cómo defenderlo en una reunión de producto cuando alguien pregunte "¿dónde está la evidencia de que es justo eso, en nuestro caso?". La respuesta correcta exige conectar la IA a tu corpus real antes de pedir la síntesis, no después.
Le preguntas a una IA genérica por qué la expansión al nuevo mercado va lenta, y devuelve un razonamiento competente sobre barrera cultural y competencia local. Suena correcto. Solo que ninguna frase apunta a una entrevista real con el cliente de ese mercado, a un informe de campo real. Es hipótesis de libro de estrategia, no un análisis que sobrevive a la pregunta del directorio "¿cuál fue la fuente primaria?".
Oye, déjame mostrarte una escena que se repite todo el tiempo en equipos de UX que ya usan IA, y que pasa desapercibida justamente porque la respuesta sale tan bien escrita. Le preguntas a la IA por qué los usuarios abandonan un flujo, devuelve un párrafo competente, lleno de motivo plausible, y el equipo lo aprueba como si fuera investigación. Solo que no es investigación. Es una buena intuición genérica, vestida de conclusión. Esta lección existe para cerrar esa brecha, y toma prestado un beat que otras trillas de este curso ya usaron: conectar la IA a la fuente real de tus propios datos, antes de pedirle que piense.
La idea central de esta lección. Sin una conexión real, la IA sintetiza un insight de UX a partir de lo que aprendió que es común en productos parecidos, el usuario promedio de su entrenamiento, no tu usuario real. La corrección es conectar la IA a tus fuentes vivas de investigación: el repositorio de investigación (Dovetail), la grabación de sesión y el heatmap (Hotjar), los tickets de soporte, las transcripciones de entrevista. Es el mismo beat "conectar a los datos" que otras trillas de este curso ya instalaron en finanzas y en marketing, solo que aquí el dato que conectas es la experiencia real de tu usuario. Y junto con esto viene un principio que organiza todo: síntesis anclada. Todo insight que la IA genere necesita apuntar de vuelta a una fuente real, una cita, una sesión, un ticket específico. Si el insight no apunta a ningún lado, no es insight, es opinión bien escrita.
01El corpus que ya tienes, disperso y sin conexión
Aquí está la ironía. La mayoría de los equipos de UX ya produce un corpus enorme de dato real todos los días, solo que disperso. Hay grabación de sesión guardada en Hotjar, con el momento exacto en que el usuario duda antes de hacer clic. Hay entrevista transcrita y etiquetada en Dovetail, con la frase literal del participante. Hay ticket de soporte en el help desk, contando exactamente dónde se trabó la persona. Hay review de tienda de aplicaciones, quejándose de un botón específico. Ese es el material bruto de la verdad sobre tu usuario, y en la práctica vive aislado, cada fuente en su rincón, sin conversar con las demás ni con la IA que usas para sintetizar.
Cuando le preguntas a la IA sin conectar nada de esto, no tiene otra opción que llenar el vacío con lo que aprendió en otro lugar: el patrón promedio de internet entero sobre onboarding, sobre checkout, sobre cualquier flujo común. No es culpa de la IA. Es la pregunta equivocada hecha en el orden equivocado. Primero conectas la fuente, después pides la síntesis, nunca al revés.
02Síntesis anclada: el insight que apunta a algún lugar
Llegamos al principio que sostiene toda esta lección, y que vas a usar en toda investigación de aquí en adelante. Lo llamamos síntesis anclada, y la regla es simple de enunciar y difícil de mantener sin disciplina: todo insight que la IA genere necesita apuntar de vuelta a una fuente real y específica. No "los usuarios suelen quejarse de formulario largo" suelto en el aire. Sí "tres participantes de la entrevista de marzo (sesión 04, sesión 07, sesión 11) usaron literalmente la palabra 'agotador' al llegar al campo de dirección, y la grabación de Hotjar de la sesión 12 muestra una duda de 8 segundos exactamente ahí".
Fíjate en la diferencia práctica. El primer tipo de frase es irrefutable e inútil al mismo tiempo: suena a verdad, pero nadie puede verificarla ni cuestionarla. El segundo tipo es verificable: cualquier persona del equipo puede abrir la sesión 12 y ver la duda con sus propios ojos. Es la diferencia entre un insight que defiendes en una reunión y uno que solo esperas que nadie cuestione.
Para el cuadro. Antes de aceptar cualquier insight de UX generado por IA, haz una sola pregunta: "¿apunta a dónde?". Si la respuesta es una cita, una sesión, un ticket, un número de entrevista, el insight se queda. Si la respuesta es silencio o "es lo que suele pasar", el insight es hipótesis, no conclusión, y necesita marcarse como tal antes de ir al informe.
03Conectando de verdad: lo que cambia en tu flujo de trabajo
En la práctica, conectar la IA a la investigación viva significa dar acceso real a las fuentes antes de pedir cualquier síntesis, de la misma forma en que finanzas conecta la IA a la planilla de origen y marketing conecta la IA al catálogo de producto. Tres conexiones concretas hacen la mayor parte del trabajo:
- Repositorio de investigación (Dovetail o equivalente). Es donde la entrevista ya vive transcrita y etiquetada. Conectar aquí significa que, cuando pides un tema, la IA busca la cita literal antes de resumir, en vez de inventar una frase genérica de usuario.
- Grabación de sesión y heatmap (Hotjar o equivalente). Es el comportamiento real, sin filtro de memoria ni de educación del participante (lo que hace es más confiable que lo que recuerda haber hecho). Conectar aquí le da a la IA el dato de dónde realmente ocurre la duda, el clic equivocado y el abandono.
- Tickets de soporte y reviews. Es la queja espontánea, no provocada por pregunta de investigador. Conectar aquí trae el vocabulario exacto que el usuario usa cuando está realmente frustrado, sin filtro de entrevista formal.
El antídoto aquí es el mismo de la deuda de contexto que ya viste en la lección 1.1 de este curso: la IA que lee tu corpus real antes de actuar trabaja con tu contexto, en vez de adivinar. Aplicado a la investigación, leer primero significa buscar la cita, la sesión, el ticket, antes de escribir cualquier frase de síntesis. Hacerlo sin leer primero es la receta exacta del insight suelto que nadie puede defender.
Por qué un corpus grande sin etiqueta no resuelve solo
Conectar la fuente no es solo meter todo en un repositorio y esperar la magia. Un Dovetail lleno de entrevista sin etiqueta consistente es casi tan inútil como no tener ninguna entrevista, porque la IA (y el humano) no puede navegar hasta la fuente correcta cuando la necesita. El trabajo que sostiene la síntesis anclada es el de tagging disciplinado: cada fragmento de entrevista marcado con el tema que ilustra, cada sesión de Hotjar anotada con el momento exacto del problema, cada ticket categorizado por el tipo de fricción. Ese trabajo de organización parece burocrático y aburrido, pero es el que marca la diferencia entre pedir "resume los temas de UX del último trimestre" y recibir un resumen genérico versus recibir un resumen en el que cada tema viene con el enlace directo a la sesión 12, a la entrevista 07, al ticket #4821. La próxima lección de esta trilla (N.ux.3) toma exactamente ese punto: cómo transformar cien entrevistas sueltas en patrón rastreable, sin perder el hilo hasta la fuente original. Y, más adelante (N.ux.7), vas a aprender a auditar el momento en que incluso un corpus bien conectado puede generar una síntesis que inventa un dolor que nadie mencionó de verdad, porque conectar la fuente reduce el riesgo, pero no elimina por sí solo la necesidad de verificar.
Ahora construye
Tu ejercicio en esta lección es armar el Mapa del Corpus de tu producto: una lista simple que se convierte en tu punto de partida para cualquier síntesis de aquí en adelante. Toma tu tarea real o tu propio producto y responde.
FRENTE 1 · LO QUE YA TIENES
- Enumera las fuentes de investigación viva que ya existen en tu producto hoy: repositorio de entrevista, grabación de sesión, ticket de soporte, review de tienda, encuesta de satisfacción. Marca cuáles están activas y cuáles están olvidadas.
- Para cada fuente activa, anota: ¿está conectada de alguna forma a la IA que usas para sintetizar, o todavía copias y pegas fragmentos sueltos?
FRENTE 2 · LA PRUEBA DEL ANCLAJE
- Toma el último insight de UX que alguien de tu equipo presentó en una reunión (puede ser tuyo). Haz la pregunta de esta lección: "¿apunta a dónde?". ¿Cita una sesión, una entrevista, un ticket específico, o es una frase suelta y plausible?
- Si es suelto, reescribe ese mismo insight de una forma que solo pueda afirmarse si alguien realmente va a verificar la fuente (aunque todavía no tengas la fuente a mano ahora).
FRENTE 3 · LA PRÓXIMA CONEXIÓN
- Elige una fuente pendiente del frente 1 (la que está parada, sin conexión) y escribe en una frase el primer paso práctico para conectarla: exportar, etiquetar, dar acceso a la IA.
Al final, tienes un mapa de tres columnas: lo que ya existe, lo que ya está anclado, y lo que falta conectar. Ese mapa es la base literal de la próxima lección, donde esas fuentes sueltas se convierten en patrón con cita rastreable.
Practica
1. ¿Por qué una IA, sin conexión a fuentes reales de investigación, tiende a generar insights genéricos sobre por qué los usuarios abandonan un flujo?
2. ¿Qué caracteriza a un insight de UX construido por 'síntesis anclada', según esta lección?
3. ¿Qué pregunta recomienda la lección hacer antes de aceptar cualquier insight de UX generado por IA?
4. ¿Cómo se aplica a la investigación de UX el concepto de 'deuda de contexto' de la lección 1.1, según esta lección?
¿Listo? Cerremos juntos el mensaje de esta lección. Ya tienes el corpus de investigación real, solo que disperso: entrevista en Dovetail, sesión grabada en Hotjar, queja en los tickets de soporte. Conectar ese corpus a la IA antes de pedir cualquier síntesis es lo que separa un insight defendible de una intuición bien escrita. Y la prueba que llevas de aquí en adelante es una sola pregunta: ¿ese insight apunta a dónde? Si apunta a una cita, una sesión, un ticket específico, es síntesis anclada y se sostiene en una reunión. Si no apunta a ningún lado, es hipótesis suelta, y necesita tratarse como tal hasta que vayas a buscar la fuente real. En la próxima lección, aprendes a transformar ese corpus conectado en patrón rastreable, tema por tema, sin perder el hilo hasta quién dijo qué.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.