IA en la síntesis de investigación: qué hace y qué cuesta

La IA no reemplaza la lectura de la entrevista. Reemplaza la parte mecánica de agrupar lo que ya leíste. El error es pedir la síntesis antes de tener el dato limpio. Con la transcripción cruda, el modelo agrupa ruido con la misma confianza con la que agrupa un hallazgo, y el resultado sale mejor escrito de lo que el material justifica.

Las cinco etapas y qué es mecánico en cada una

La investigación cualitativa pasa por cinco etapas. Sepáralas antes de abrir la herramienta.

Recolección es la entrevista, la sesión, las notas que tomaste mientras la persona hablaba. Casi nada aquí es mecánico. La pregunta de seguimiento depende de lo que la persona acaba de decir y de la pausa anterior.

Limpieza es transcripción, corrección de nombres, corte de muletillas, marcado de quién habló. Esta etapa es mecánica, y el modelo la resuelve bien.

Codificación es pegar una etiqueta en un pasaje. La mitad mecánica aplica un libro de códigos que ya escribiste. La otra mitad nota el pasaje que no entra en ningún código, y esa mitad se queda contigo.

Agrupación es poner los pasajes codificados uno al lado del otro y buscar un patrón. La mitad mecánica es el orden. La mitad de criterio es decidir qué patrón importa para la decisión que viene.

Decisión es elegir qué significa el hallazgo para el producto. Esta etapa siempre queda en manos de una persona, porque la decisión necesita a alguien que responda por ella, y un modelo no ocupa ese lugar.

Dónde la IA acelera de verdad

Cinco pasos se vuelven más rápidos, y cada uno tiene un mecanismo detrás.

Limpieza de transcripción. Puntuación, marcado de hablante y marca de tiempo son reglas, y una regla es barata de automatizar.
Primera pasada sobre el libro de códigos. Dale treinta fragmentos al modelo y pregunta qué etiquetas se repiten. Recibes una lista para corregir, no un libro de códigos.
Búsqueda dentro del material. Pregunta dónde aparece un tema. Encontrar un pasaje es búsqueda, y la búsqueda es mecánica.
Conversión de formato. Un resumen de sesión para otro equipo, una tabla de temas, un borrador traducido de una cita que ya elegiste.
Formato rígido. Un informe con secciones fijas y citas estandarizadas. Nielsen Norman Group cuenta que usa IA en su propio proceso editorial (en inglés) para ese tipo de acabado, y quien juzga el texto sigue siendo una persona.

El patrón es el mismo en los cinco casos. La IA acorta la distancia entre el material que ya leíste y el artefacto que lo carga. El post sobre IA en el flujo de diseño aplica la misma división al trabajo de diseño en conjunto.

Dónde contamina el resultado

Aquí el mayor riesgo no es el error. Es el texto demasiado fluido.

Conviene conocer cuatro fallas, porque todas parecen aciertos.

Desacuerdo aplanado. El modelo resume lo que pegas, y resumir es comprimir hacia el promedio. El participante que estuvo en desacuerdo con los otros siete termina en una frase dentro de un párrafo sobre el tema. Su motivo desaparece primero.

Patrón inventado. Si pides temas, recibes temas. El pedido ya implica que el patrón existe, así que el modelo produce uno. Una lista de temas no prueba que el tema esté en el dato.

La excepción perdida. El caso que contradice el promedio suele ser el hallazgo. Un sistema ajustado para ser útil alisa la excepción, porque la excepción parece ruido al lado de la mayoría.

Contexto perdido. La pausa, el tema que la persona evitó, la frase que llegó después de un silencio largo. Esas señales viven en la grabación, no en el resumen, y rara vez sobreviven a una etapa de compresión.

Desconfía también de cualquier número del resumen que no tenga una línea de transcripción detrás. Por el mismo motivo, este texto describe mecanismos y no cita tasas.

Una salida es un ejemplo, no una evaluación

Una síntesis ejecutada una vez es una muestra. Nielsen Norman Group recuerda que la generación no es determinista (en inglés), así que el mismo pedido da versiones mejores y peores. Si tu síntesis salió de un solo intento, muestra el intento, no el método. El post sobre cómo evaluar la salida de una IA explica el método con más detalle.

Datos personales: qué no puede salir de tus manos

Anonimiza antes de pegar, no después.

Nombre, empleador, ciudad y equipo. El cargo identifica a la persona en un equipo de cuatro.
La cita directa es la parte más identificable de una transcripción. Una frase sobre el jefe es una firma cuando el equipo tiene un solo jefe.
Salud, dinero, situación legal, credenciales, menores y todo lo que esté bajo un consentimiento que no nombró a un tercero que procese los datos.
Grabación y nota cruda. Un fragmento limpio carga menos riesgo que el archivo completo.

Lee el consentimiento contra el flujo de trabajo. El documento dice qué pasa con la grabación, y un servicio de modelo es un destinatario nuevo que el documento probablemente no nombra. Revisa retención, entrenamiento con tu entrada y la región donde ocurre el procesamiento. La Política de Uso de Anthropic (en inglés) separa estándares universales de casos de consumo con riesgo elevado de daño, y un flujo de investigación debe leerse contra esa división. Las prácticas de IA responsable de Google (en inglés) ponen privacidad y seguridad en el mismo marco. Nielsen Norman Group documenta un equipo de investigación que borró su planilla de participantes apenas terminó el reclutamiento (en inglés), por razones de privacidad. Trata el dato como algo que tiene fecha de vida.

Cómo revisar la salida antes de que sea un hallazgo

Vuelve a la fuente en cada afirmación. Si el resumen dice que los participantes encontraron confuso el flujo, abre las transcripciones y cuenta.
Lee lo que el resumen cortó, además de lo que guardó. Empieza por el participante que estuvo en desacuerdo.
Corre el mismo pedido tres veces y compara. Las diferencias muestran dónde el sistema está inseguro.
Pide el contraejemplo. Pregunta qué fragmento contradice el tema. El modelo responde eso cuando preguntas, y rara vez lo ofrece solo.
Mantén el material crudo al lado de la salida. Un hallazgo que no puedes rastrear hasta una línea es una corazonada con mejor gramática.
Trata la lista de temas como hipótesis, nunca como resultado.
Registra quién aprobó la versión final. Para Nielsen Norman Group, la IA ayuda a escribir, pero la responsabilidad por el texto es de quien firma (en inglés).

Lo que sigue en manos de quien investiga

La pregunta. El modelo responde lo que preguntas, y elegir la pregunta es el primer acto de interpretación.
El criterio de qué cuenta como hallazgo.
La excepción. Alguien tiene que defender el caso que contradice el promedio en una sala donde el promedio es popular.
La lectura de la experiencia de una persona. El modelo no tiene acceso al contexto de una vida.
La firma. La responsabilidad no se delega a un servicio sin nombre en el informe.

Dónde divergen los artículos de NN/g entre sí

Dos de los cuatro artículos tiran hacia lados opuestos sobre quién define el método. Stop Making Your Team Figure Out AI on Their Own (en inglés) sostiene que dejar a cada persona sola produce caos y riesgo. El equipo de operaciones debe probar las herramientas primero y apoyar la adopción con una guía estructurada. AI Can Help Write an Article, but It Can’t Stand Behind It (en inglés) dice lo contrario sobre método dentro de la misma casa. Ahí, NN/g no prescribe cómo escribe el autor ni cómo piensa.

También difieren sobre el valor de una salida. Supercharge UX Research by Automating Workflows and Repetitive Tasks (en inglés) presenta la automatización como vía para codificar y analizar respuestas a medida que llegan. One AI Output Is an Example, Not an Evaluation (en inglés) trata una salida aislada como muestra que no sostiene una decisión, y pide corridas repetidas antes de que cuente.

El punto en que coinciden es pequeño, pero útil. La automatización queda en la parte repetitiva, y el criterio sigue con una persona.