De la entrevista al patrón: cien voces se convierten en un tema rastreable
Cien entrevistas, sesiones o tickets se convierten en temas reales cuando cada tema carga la cita exacta que lo sostiene. Sin eso, el patrón bonito que la IA encontró puede ser su opinión disfrazada de dato.
Tienes una pila de conversaciones con gente que dejó de usar lo que construiste, grabada, transcrita, una carpeta repleta. Lees las primeras con atención total, sientes el patrón repitiéndose, y después de un rato ya estás pasando la vista por arriba, cansado, creyendo que captaste el mensaje. Una IA lee el lote entero con el mismo cuidado desde la primera línea hasta la última, sin cansarse a la mitad. El riesgo vive justo ahí: también puede entregarte un patrón bonito que nadie dijo de verdad, si no exiges la cita exacta detrás de cada tema.
Tienes doscientas transacciones marcadas como excepción en una auditoría trimestral, cada una con una nota de justificación del analista que la autorizó. Leer nota por nota tomaría días, así que le pides a la IA que encuentre el patrón detrás de las excepciones. Devuelve un tema redondo: "falla recurrente en la aprobación de límite de crédito". Bonito, solo que sin el número de la transacción, sin el nombre del analista, sin la fecha. Un tema de auditoría sin el rastro hasta la transacción exacta no es un hallazgo, es una intuición vestida de conclusión, y no sobrevive diez minutos en la sala del auditor externo.
Tienes sesenta testimonios de una demanda colectiva, cada uno transcrito. Para sostener el argumento del caso, necesitas mostrar que un patrón de conducta se repite entre los declarantes, no que un cliente dijo algo aislado. Le pides a la IA que levante los temas recurrentes en los testimonios, y te entrega un resumen elegante de "patrón de inducción en la venta". Sin la página exacta y el nombre del declarante detrás de cada fragmento citado, ese tema no entra en el escrito: se anula en la primera réplica de la otra parte, porque no apunta a dónde, en el expediente, se dijo eso.
Tienes quinientos tickets de soporte y reseñas sobre el mismo producto, acumulados en el trimestre. Para decidir qué se vuelve prioridad de comunicación, le pides a la IA que encuentre el tema recurrente detrás de las quejas. Devuelve algo redondo, tipo "frustración con el tiempo de entrega". Sin el número del ticket y la fecha de al menos dos quejas diferentes detrás de eso, no sabes si es un patrón real o el eco de un cliente insatisfecho que escribió tres veces. Una campaña construida sobre un tema sin cita es una campaña construida sobre viento.
Tienes doscientas entrevistas de salida de los últimos dos años, cada una con la transcripción guardada. Pedirle a la IA que encuentre el motivo recurrente de salida es rápido, pero si el tema "falta de plan de carrera claro" viene sin señalar al menos dos personas diferentes que dijeron eso, con fecha y cargo, no tienes un hallazgo de RRHH, tienes una intuición que puede costar caro en una decisión de retención que afecta el presupuesto del año entero.
Tienes setenta sesiones de entrevista de descubrimiento guardadas en tu repositorio de investigación, sobre una función que el equipo quiere priorizar. La IA lee las setenta y devuelve un tema bonito: "los usuarios quieren más automatización en el flujo de aprobación". Antes de que ese tema se convierta en línea del PRD, verificas cuántas de las setenta sesiones sostienen eso, y cuál es la cita exacta en cada una. Sin ese rastro, la función entra al roadmap sostenida por un resumen que suena bien, no por un patrón que existe de verdad.
Tienes ciento veinte grabaciones de llamadas de negocios perdidos en el trimestre. Descubrir el motivo recurrente de pérdida ayudaría a todo el equipo a ajustar el discurso, así que le pides a la IA que sintetice. Entrega un tema redondo: "precio percibido como demasiado alto frente al competidor". Sin el número de la llamada y el nombre del prospecto detrás de al menos dos menciones, ese tema no se convierte en capacitación de ventas: se vuelve una intuición cara que el equipo va a repetir sin saber si es real.
Tienes noventa informes de incidente del último semestre, cada uno con la causa raíz anotada por el equipo que apagó el incendio. Pedirle a la IA que encuentre el patrón recurrente detrás de los incidentes es tentador, y devuelve algo elegante: "falla de comunicación en el cambio de turno". Sin el número del ticket y el turno exacto detrás de al menos dos incidentes, ese tema no se convierte en cambio de proceso: se vuelve una hipótesis que nadie puede auditar después, cuando el incidente se repita.
Tienes los relatos del canal de denuncias de los últimos dos años, cada uno con fecha y área registradas. Pedirle a la IA que encuentre el riesgo recurrente detrás de los relatos es rápido, pero si el tema "conflicto de interés en la aprobación de proveedor" viene sin señalar el número del caso y al menos dos ocurrencias distintas, ese hallazgo no sobrevive una auditoría externa: se vuelve suposición, y una suposición sin rastro es exactamente el tipo de brecha que reprueba un programa de compliance.
Tienes ciento cincuenta tickets de bug abiertos en el último mes sobre el mismo módulo. La IA lee todos y devuelve un tema redondo: "error de sincronización en conexión lenta". Antes de priorizar el sprint sobre eso, verificas cuántos tickets, cuáles números, qué fragmento del log de cada uno sostiene ese tema. Sin ese rastro, el equipo puede gastar un sprint entero cazando una causa raíz que la IA inventó por analogía, no por patrón real en los datos.
Martes por la mañana y tienes 84 entrevistas de onboarding grabadas en los últimos dos meses, el comité de design review es el viernes. Todos abandonan en el mismo segundo paso del flujo, eso ya lo sabes por el número: caída del 40%. Lo que falta es el porqué, y está disperso en esas 84 conversaciones de 20 minutos cada una, nadie en el equipo tiene 28 horas para escuchar todo con la misma atención. Subes las transcripciones a una IA y pides los temas recurrentes detrás del abandono. Devuelve cinco temas elegantes, con nombre bonito y resumen redondo, tipo "sobrecarga cognitiva en el formulario inicial". Ahí viene la pregunta que separa a quien hace investigación de quien hace ficción: ¿cuántas de las 84 personas dijeron eso, y dónde exactamente en la transcripción? Si la IA no señala al menos dos voces diferentes con la frase casi literal, ese tema no es un patrón, es un resumen bonito que inventó para complacerte.
Entrevistaste a treinta ejecutivos de empresas de tu sector para un estudio que se va a convertir en presentación de directorio. Pedirle a la IA que sintetice los temas estratégicos recurrentes ahorra semanas, pero el directorio va a preguntar cuántos de los treinta dijeron eso, y quién. Si el tema viene sin el nombre del ejecutivo, o el cargo cuando el acuerdo es anonimizar, y la cita casi literal detrás, no sube al slide: se vuelve opinión de la IA vestida de investigación de mercado, y un buen directorio siempre pregunta por la fuente.
Oye, déjame contarte una escena que quien ya hizo investigación de verdad reconoce al instante. Juntas decenas de entrevistas de gente que abandonó tu producto, el comité de decisión está agendado, y el problema no es falta de dato, es demasiado dato para leer con el mismo cuidado desde el primer registro hasta el último. Una IA resuelve el volumen sin cansarse. El problema es que también puede entregarte un tema hermoso, redondo, aplaudiéndote, que nadie en tu investigación dijo de verdad. Y entonces llevas una decisión de diseño al viernes sostenida en ficción con cara de dato.
La idea central de esta lección. Después de conectar la investigación viva (lección anterior), el siguiente trabajo es la síntesis a escala: tomar un volumen grande de entrevistas, sesiones o tickets y transformarlo en temas recurrentes, sin perder la cita exacta que sostiene cada uno. La ganancia de una IA que lee es procesar ochenta y cuatro entrevistas con el mismo cuidado que dedicarías a las primeras diez, algo que ningún equipo humano hace sin cansarse. El riesgo, que la séptima lección de esta trilla va a profundizar, es el tema bonito que nadie dijo de verdad. La regla que resuelve esto es simple de enunciar y tediosa de seguir: todo tema necesita un número mínimo de citas reales, de participantes diferentes, cada una apuntando a la fuente exacta. Sin eso, no es tema. Es opinión de la IA disfrazada de dato.
01Cien voces caben en la mesa de la IA, cinco cabían en la tuya
Vamos a nombrar el límite que siempre existió antes de esto. Una persona leyendo entrevistas de investigación logra mantener atención real en cinco, diez, tal vez quince relatos antes de empezar a pasar la vista por arriba y ver patrón donde solo hay cansancio. No es falta de competencia, es límite humano real, la misma razón por la que la vieja prueba de usabilidad con cinco personas se convirtió en regla de oro: cinco ya captan la mayoría de los problemas grandes, y leer más que eso con el mismo cuidado empezaba a costar demasiado para la ganancia marginal.
La IA cambia esa cuenta. Lee la entrevista número ochenta y cuatro con el mismo cuidado que dedicó a la primera. Esto es un giro real: ya no estás eligiendo entre analizar rápido y superficial o analizar a fondo en una muestra pequeña. Se puede analizar a fondo el volumen entero. Es la misma ganancia de quien pasó a leer el contrato entero antes de tocar una cláusula, solo que aquí el material es la voz de ochenta y cuatro personas.
Bien, pero aquí vive la trampa, y es la segunda mitad de la lección.
02Tema sin cita es opinión de la IA disfrazada de dato
Un tema de investigación real no nace de "sentí que era eso". Nace de gente diferente diciendo, cada una con sus propias palabras, una variación de lo mismo. Cuando le pides a la IA que sintetice ochenta y cuatro entrevistas, es demasiado buena encontrando una forma elegante de resumir. Demasiado buena es el problema: puede producir un tema con nombre bonito y resumen redondo aunque solo dos personas, o una sola, hayan dicho algo parecido a eso. Y no avisa la diferencia, a menos que la exijas.
Para el cuadro. Todo tema necesita pasar tres preguntas antes de convertirse en decisión: cuántas personas diferentes dijeron una variación de esto, el mínimo práctico es dos, de preferencia tres; cuál es la cita casi literal de cada una; y dónde, exactamente, está, quién, en qué entrevista o ticket, en qué fragmento. Si la IA no responde las tres, lo que tienes no es un tema, es una hipótesis con ropa de dato. Trátalo como hipótesis: interesante, pero todavía no decide nada solo.
Fíjate que esta regla no desconfía de la IA por desconfiar. Ataca un sesgo bien documentado: un modelo de lenguaje está entrenado para producir texto coherente y bien formado, y el texto coherente parece verdadero incluso cuando no lo es. La cita rastreable es el antídoto simple para esa apariencia: obliga al tema a apuntar hacia afuera de sí mismo, hacia una fuente que existe fuera de la síntesis, y que puedes verificar con tus propias manos si lo necesitas.
03El esqueleto humano que la IA acelera, no sustituye
Nada de esto es nuevo. El análisis temático en investigación cualitativa es un oficio con décadas de método, y el más usado hasta hoy sigue un guion parecido: lees el material, marcas fragmentos que llaman la atención, codificas, agrupas esos fragmentos en temas candidatos, revisas si el tema aguanta el material entero o si es solo una impresión, y solo entonces nombras el tema de forma definitiva. Ese guion es el esqueleto. La IA no cambia el esqueleto por otro: acelera cada etapa de él, principalmente la etapa más lenta para un humano, que es leer y codificar un volumen grande sin perder el hilo.
Donde ayuda de verdad es aquí: pedirle que codifique el material entero, agrupe los fragmentos candidatos, y te devuelva, junto con cada tema, la lista de fragmentos que lo sostienen. Donde estorba es si te saltas la etapa de verificar si el tema aguanta el material, y aceptas el resumen bonito sin abrir la lista de citas detrás. El trabajo que sigue siendo tuyo es decidir si el tema aguanta. Es la misma regla de leer, hacer, mostrar para verificar que abrió esta trilla: la IA lee y sintetiza, tú verificas antes de aprobar.
Ahora construye
Toma un conjunto de frases o fragmentos de investigación que tengas a mano (entrevistas, reseñas, tickets, sesiones de prueba, lo que corresponda a tu caso real). Pídele a una IA que agrupe ese material en tres o cuatro temas recurrentes.
Para cada tema que devuelva, exige las tres respuestas antes de aceptarlo:
- CUÁNTAS personas diferentes dijeron una variación de esto, ¿al menos dos?
- CUÁL es la cita casi literal de cada una?
- DÓNDE exactamente está esa cita (quién, en qué entrevista o ticket, en qué fragmento)?
Marca cada tema como CONFIRMADO (pasó las tres preguntas, con al menos dos citas de personas diferentes) o HIPÓTESIS (no pasó, guárdalo para investigar después, pero no decidas sobre él todavía). Al final, debes tener una lista corta de temas confirmados, listos para convertirse en decisión de diseño, y tal vez una o dos hipótesis que solo una prueba real va a confirmar.
Por qué el mínimo de dos citas no es una regla arbitraria
El número mínimo de citas de participantes diferentes ataca un sesgo específico y bien conocido en investigación cualitativa: la voz más articulada o más intensa en una entrevista tiende a pegarse a la memoria, y en el resumen de una IA, más de lo que representa en realidad al grupo entero. Una persona que describió su frustración con detalle vívido puede convertirse, sola, en un tema entero, mientras treinta personas que sintieron lo mismo de forma más tibia quedan fuera del resumen. Exigir al menos dos voces diferentes, de preferencia tres, no elimina ese sesgo, pero crea un filtro simple: si solo una persona dijo eso con esas palabras, el hallazgo es una cita interesante para guardar, no un tema para basar una decisión de producto. Es el mismo principio de la señal de consenso que la trilla de marketing usa para marca: una voz aislada es anécdota, varias voces independientes diciendo lo mismo es patrón.
Practica
1. ¿Cuál es la diferencia esencial entre un tema de investigación real y un resumen bonito que la IA inventó?
2. ¿Por qué es importante el número mínimo de citas de participantes diferentes por tema?
3. ¿Cuál es el riesgo de pedirle a una IA que sintetice ochenta y cuatro entrevistas de una vez?
4. La IA devuelve un tema elegante sobre sobrecarga cognitiva en el formulario, pero no señala ninguna cita específica. ¿Qué hacer?
5. Esta lección enseña la regla de la cita rastreable para evitar el tema fantasma. ¿Qué lección futura de esta trilla profundiza ese mismo riesgo?
¿Listo? Cerremos juntos el mensaje de esta lección. No cambiaste la investigación por un atajo, cambiaste el techo humano de diez entrevistas leídas con cuidado por el techo de ochenta y cuatro leídas con el mismo cuidado, sin cansarte. El precio de este giro es vigilar una sola cosa: todo tema necesita al menos dos voces diferentes, con la cita casi literal y la fuente exacta detrás. Sin eso, lo que parece un patrón es solo la IA siendo demasiado buena sonando convincente. Guarda esta regla, porque vuelve con fuerza más adelante, cuando la síntesis empiece a inventar un dolor que nadie sintió de verdad. Siguiente.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.