La auditoría del insight: cuando la síntesis inventa un dolor que nadie mencionó

Le pides a una IA que resuma cincuenta respuestas de una encuesta de satisfacción. Devuelve un párrafo redondo: "los encuestados reportan frustración recurrente con la demora en la atención, especialmente fuera del horario comercial." Suena exacto, suena específico, hasta tiene el detalle de "fuera del horario comercial" que parece un dato fino, minado con cuidado. Apruebas la propuesta basada en esto. Semanas después, alguien abre las cincuenta respuestas originales para verificar un número, y no encuentra ninguna mención a "horario comercial" en ningún lado. La IA juntó dos patrones sueltos (frustración con la demora, un comentario aislado sobre un fin de semana) y cosió los dos en un insight que parece un tercer hecho, pero no lo es. Nadie mintió a propósito. La IA solo hizo lo que hace: llenar el vacío con lo que suena plausible.

Le pides un análisis de variación de costos sobre una planilla de 300 filas. La IA devuelve: "el aumento del 12% se concentra principalmente en gastos de viaje en el segundo semestre." Llevas eso al directorio como causa raíz. Solo que nadie lo verificó fila por fila, y en realidad la mayor parte del aumento vino de un reajuste de contrato de software que la IA ni citó, infirió "viaje" porque dos filas de viaje estaban levemente por encima del promedio. El número de la presentación estaba correcto (12%); la causa estaba inventada. Y fue la causa la que se convirtió en decisión.

Le pides a la IA que resuma los puntos de riesgo de treinta contratos de proveedor. Devuelve: "la mayoría de los contratos presenta cláusula de rescisión unilateral desfavorable para el cliente." Parece un patrón serio, digno de renegociación masiva. Solo que al verificar contrato por contrato, apenas cuatro de los treinta tenían esa cláusula, y la IA generalizó a partir de esos cuatro porque eran los que tenían lenguaje más parecido entre sí. La acción de renegociar treinta contratos por causa de cuatro es un error caro, y solo existe porque nadie volvió al texto original antes de actuar.

Le pides una lectura de mil comentarios de redes sociales sobre una campaña. La IA devuelve: "el público percibe la marca como distante y demasiado corporativa." Ya estás diseñando el cambio de tono para el próximo trimestre. Entonces alguien filtra los comentarios originales por la palabra "corporativa" y encuentra tres menciones, de mil. La IA tomó un tono general de queja (variado, disperso) y lo resumió como si fuera un consenso específico. El cambio de marca se iba a construir sobre tres voces disfrazadas de mayoría.

Le pides una lectura de las respuestas abiertas de la encuesta de clima. La IA devuelve: "los colaboradores sienten que el liderazgo no reconoce el esfuerzo extra." El liderazgo arma un programa de reconocimiento sobre esto. Solo que, al auditar, la frase "esfuerzo extra" nunca aparece, y lo que existe son dos respuestas aisladas sobre horas extra no pagadas, un tema diferente. El programa correcto (reconocimiento) se construyó para resolver el problema equivocado (compensación), porque nadie verificó la fuente antes de actuar.

Le pides a la IA que sintetice los tickets de soporte del trimestre. Devuelve: "los usuarios reportan confusión recurrente en el flujo de exportación de datos." Esa frase se convierte en una prioridad en el roadmap del próximo sprint. Al abrir los tickets originales, aparecen cuatro quejas sobre exportación, pero ninguna menciona "confusión", reportan un bug específico de formato. El equipo va a rediseñar un flujo que en realidad solo necesitaba una corrección puntual, porque el insight generalizó el problema equivocado.

Le pides un análisis de las llamadas de ventas perdidas del mes. La IA devuelve: "el principal motivo de pérdida es la percepción de precio alto frente a la competencia." Apruebas un descuento agresivo para el próximo trimestre. Al escuchar de nuevo las llamadas, el precio aparece en tres de cuarenta llamadas perdidas, y el motivo más común de verdad era el plazo de implementación. Ibas a cortar margen para resolver un problema que casi nadie tenía, e ibas a dejar el problema real (plazo) sin solución.

Le pides a la IA que analice los relatos de retraso en el centro de distribución. Devuelve: "la mayor causa de retraso es la falta de capacitación del equipo del turno nocturno." Se diseña un programa de capacitación entero sobre esto. Al verificar los relatos originales, la mención a "capacitación" aparece una vez, de un supervisor, sobre un empleado nuevo específico. La causa real, presente en quince relatos, era una falla recurrente en el sistema de ruteo, que nadie había preguntado porque el insight de la IA ya había "resuelto" el asunto.

Le pides a la IA que lea cien respuestas de una auditoría interna de cumplimiento. Devuelve: "hay un patrón de desconocimiento de la política de retención de datos entre los equipos de campo." Se dispara una capacitación obligatoria para toda la empresa. Al auditar las cien respuestas, solo seis mencionan la política de retención, y las seis son del mismo equipo. El "patrón" generalizado para toda la empresa era, en realidad, un problema localizado en un único equipo, y la solución a escala se convirtió en desperdicio de tiempo de todos.

Le pides una lectura de los relatos de bug reportados por los usuarios beta. La IA devuelve: "los usuarios reportan lentitud generalizada en la aplicación en conexiones móviles." El equipo de ingeniería prioriza una refactorización de rendimiento de semanas. Al releer los relatos originales, la lentitud en conexión móvil aparece en dos relatos, de un total de ochenta, y ambos citan el mismo dispositivo antiguo. La "generalización" era un caso aislado de hardware, y el equipo casi gastó un sprint entero resolviendo un problema que afectaba, prácticamente, a nadie.

Recibes de vuelta la síntesis de sesenta entrevistas de usuario sobre el flujo de checkout, hecha por una IA conectada a tu repositorio de investigación. El texto es excelente: "los usuarios reportan sentir inseguridad durante el checkout, principalmente por no confiar en la pantalla de confirmación de pago." Es el tipo de frase que ya parece un insight listo para convertirse en prioridad de sprint, con ese olor a cosa seria, emocional, urgente. Lo llevas al roadmap. El equipo de diseño ya está esbozando una pantalla de confirmación nueva, más robusta, con sellos de seguridad y texto reforzado. Antes de aprobar el rediseño entero, alguien del equipo hace la pregunta molesta: "¿en cuántas de las sesenta entrevistas esto realmente se dijo, con esas palabras o algo parecido?" Vuelves al repositorio, filtras por "inseguridad", "confianza", "checkout". Encuentras dos menciones, de dos personas diferentes, ninguna de ellas hablando de la pantalla de confirmación específicamente, una se quejaba del tiempo de carga, la otra de no saber si le habían cobrado la tarjeta dos veces. La IA tomó esos dos fragmentos de malestar genérico y armó, sola, una narrativa específica y coherente que sonaba real, pero que no existía en las palabras de nadie. El rediseño iba a resolver un problema que la investigación no sostenía, y iba a dejar sin solución los dos problemas reales que estaban escondidos detrás de la frase bonita.

Le pides una síntesis de veinte entrevistas con clientes estratégicos sobre la entrada a un nuevo mercado. La IA devuelve: "hay fuerte demanda reprimida por una versión simplificada del producto en ese mercado." El directorio aprueba la inversión basado en esto. Meses después, al releer las transcripciones, aparecen solo dos menciones sueltas de dos clientes diferentes, ninguna de ellas usando la palabra "demanda" o "simplificada". La IA extrapoló una tendencia de mercado a partir de una señal demasiado débil para sostener una inversión de ese tamaño.