La investigación de experiencia de usuario genera solicitudes, entrevistas, invitaciones y respuestas abiertas. Automatizar parte de la coordinación puede dejar más tiempo para investigar, pero interpretar lo que dicen las personas sigue siendo un trabajo humano.
El artículo de Make del 21 de noviembre de 2024 resumía una sesión de TechTalks celebrada en Praga. Participaron Michaela Hráčková Pyšňáková, Senior UX Researcher, y Eva Čižmariková, Product Designer de Make.
Esta adaptación presenta sus cuatro casos como experiencias relatadas en 2024. No son pruebas realizadas por este sitio ni una confirmación de los requisitos actuales de cada integración.
Del exceso de tareas a una mejora concreta
Según el artículo, el equipo de UX era pequeño y recibía una demanda elevada de investigación. Michaela y Eva buscaban reducir la carga administrativa para dedicar más atención al trabajo creativo y al contacto con usuarios.
No empezaron por sustituir la investigación con IA. Identificaron tareas de coordinación y análisis donde una automatización podía apoyar al equipo.
1. Registrar y priorizar solicitudes de investigación
El equipo necesitaba seguir las peticiones recibidas y comunicar si habían sido aprobadas. El caso descrito utilizaba dos escenarios para:
- Recoger solicitudes mediante Google Forms, Google Sheets y Google Docs.
- Avisar al equipo de UX por Slack cuando llegaba una petición.
- Informar a los interesados de una aprobación y sugerir los siguientes pasos.
La utilidad estaba en hacer visible la solicitud y evitar comunicaciones repetidas a mano.
Lectura editorial: enviar una notificación de aprobación no significa que la prioridad deba decidirse automáticamente. Deja claro quién evalúa la petición y qué información necesita para hacerlo.
2. Preparar invitaciones e incentivos
Reclutar participantes exigía enviar mensajes personalizados y llevar un registro de lo enviado. El artículo describía un escenario con Google Sheets y Gmail.
Los mensajes utilizaban campos como nombre, tipo de plan e incentivo. El flujo también permitía seguir quién había recibido invitaciones e incentivos.
Recomendación editorial: revisa los campos antes del envío y evita repetir una invitación por procesar dos veces la misma fila. Comprueba por separado las reglas de participación y compensación; el caso no acredita políticas actuales sobre incentivos.
3. Compartir resúmenes de entrevistas
El original explicaba que una investigación podía durar varios meses. Esperar al informe final limitaba la colaboración con otros equipos.
Para compartir información antes, el escenario descrito recogía transcripciones de entrevistas de Zoom, utilizaba OpenAI para generar un resumen y lo publicaba en un canal de Slack dedicado.
El objetivo era facilitar el acceso a lo aprendido, no demostrar que una síntesis automática fuera siempre fiel.
Criterio editorial: contrasta el resumen con la transcripción antes de difundir conclusiones importantes. Revisa también qué datos de participantes se envían a cada proveedor y qué autorización corresponde.
4. Encontrar temas en respuestas abiertas
Las respuestas cualitativas pueden contener información valiosa, pero clasificarlas una a una consume tiempo. Michaela y Eva describían un flujo con OpenAI y Google Sheets que asignaba etiquetas a temas recurrentes y contaba su frecuencia.
Entre los ejemplos de etiquetas estaban «fácil de usar» y «ahorra tiempo». Esa clasificación ayudaba a observar patrones, sin eliminar la necesidad de interpretar el contexto.
La idea que Michaela compartió en la sesión era tratar la IA como apoyo: una persona con experiencia debe seguir revisando el análisis.
Un intento que no funcionó bien
Eva también contó una dificultad concreta: un escenario que intentaba generar perfiles de usuario a partir de notas de entrevistas no resultó fiable. Le faltaba contexto que el análisis humano sí podía aportar.
Ese límite es importante. Un resumen o una etiqueta pueden ser útiles como apoyo, pero construir una representación de los usuarios exige una interpretación más amplia.
Aportación editorial: cuando pruebes una automatización de investigación, decide qué salidas sirven como borrador y cuáles necesitan validación antes de orientar decisiones de producto.
Qué se puede aprender del caso
Empieza por una tarea administrativa o analítica concreta, comprueba que el resultado ayuda al equipo y conserva la revisión donde el contexto sea decisivo.
Puedes consultar la grabación de Eva y Michaela enlazada por Make. Antes de reproducir los escenarios, revisa los requisitos actuales de las aplicaciones elegidas; este relato no garantiza compatibilidad, precios ni seguridad de una nueva implantación.