Cómo usar la IA para investigar como un investigador

Lee la transcripción:

Estamos probando la transcripción automática de nuestros podcasts con un software. Por favor, disculpa los errores, ya que el bot no es 100% preciso.

Hannah Clark: Desde tiempos inmemoriales, las personas han realizado investigaciones de manera deficiente. No necesitábamos la IA para tomar atajos mal calculados o sacar conclusiones generales a partir de datos escasos, o crear arquetipos incómodos moldeados por suposiciones y entrevistas a usuarios poco útiles. Así que ahora que la IA está aquí, no sorprende que la comunidad investigadora tema que esta tecnología pueda causar aún más estragos en la calidad de la investigación. Pero, en el episodio de hoy, exploramos formas en las que la IA puede realmente ayudar a estandarizar y democratizar la buena investigación a escala.

Mi invitada hoy es Cori Widen, Líder de Investigación de Usuarios en Photoroom. Si aún no conoces Photoroom, la empresa está recibiendo mucha atención por las formas innovadoras en que están usando la IA, y Cori me dio una fascinante perspectiva de cómo todo esto comienza desde el ámbito cultural. Hablamos sobre cómo la mentalidad de la empresa fomenta el entusiasmo por explorar posibilidades, así como algunos métodos prácticos para que los equipos utilicen la IA para valorar, realizar y aprovechar una gran investigación. Empecemos.

Ah, por cierto, tenemos conversaciones como esta cada semana. Así que si esto te interesa, ¿por qué no te suscribes? Ahora, entremos en materia.

Bienvenidos de nuevo al podcast de Product Manager. Hoy estoy aquí con Cori Widen. Ella es la Líder de Investigación de Usuarios en Photoroom.

Cori, muchas gracias por sacar tiempo en tu agenda para reunirte conmigo.

Cori Widen: Muchas gracias. Estoy muy contenta de estar aquí.

Hannah Clark: Yo igual. Y de hecho, Cori ha estado colaborando conmigo desde hace mucho tiempo y esta es una de las primeras veces que realmente hemos podido hablar y no solo comunicarnos por correo. Así que esto es muy emocionante. Siento que hablo con una vieja amiga o una amiga por correspondencia.

Cori Widen: Sí. Muy emocionante. Estoy de acuerdo.

Hannah Clark: Vamos a empezar como siempre. ¿Podrías contarme un poco sobre tu trayectoria y cómo llegaste hasta aquí?

Cori Widen: Sí, claro. Llevo en la industria tecnológica alrededor de 13 años.

Durante la mayor parte de ese tiempo, trabajé en marketing de producto, pero como suele pasar, los métodos de investigación formaban parte de mi trabajo: entrevistar a usuarios, cosas así. Y, en algún momento, simplemente decidí que eso era lo que más me gustaba: la investigación de usuarios.

Así que pasé a ser investigadora a tiempo completo primero en Lightrix, y ahora en Photoroom. Lidero la investigación de usuarios en Photoroom.

Hannah Clark: Genial. Así que hoy nos centraremos en formas avaladas por investigadores para usar la IA con fines de investigación, que es un tema candente en este momento. Así que empezaremos por un asunto polémico: usar la IA para análisis cualitativos.

¿Cuál es tu metodología actual para combinar IA y trabajo manual de forma que te sientas bien, que puedas darle tu propio visto bueno? ¿Y cómo ha evolucionado eso con el tiempo?

Cori Widen: Sin duda es controversial y diría que, antes de explicar dónde estoy ahora, cuento un poco cómo evolucionó: También era reticente.

Creo que toda la comunidad investigadora. Por un lado, porque no confiaba en que la IA hiciera un buen trabajo, y, al principio, realmente no lo hacía. Esto era muy comprensible. Y la otra razón, que no se menciona lo suficiente, es que me encantaba mi trabajo. No esperaba que la IA viniera a decirme "déjame mejorarlo".

"Déjame resolver este problema de dolor". Me gustaban cosas como el análisis cualitativo, el proceso de hacerlo yo misma. Así que al principio no me emocionaba demasiado, pero se volvió evidente que había que averiguar cómo utilizarla o quedarse atrás. Así que, cuando empecé a usar IA para análisis cualitativo, mi primer proceso fue replicar exactamente mi proceso manual de siempre junto a la IA y comparar las experiencias, viendo qué hacía bien la IA, qué no, y cómo podía dar con ese punto dulce de fiabilidad.

Ha sido mucho prueba y error, y creo que este proceso siempre irá evolucionando porque la IA siempre evoluciona. Pero actualmente, te contaré dónde estoy en este momento. Bien, creo que ayuda tener un ejemplo concreto. Por ejemplo, si estoy analizando un proyecto de investigación estratégica, y la mayoría de los datos son entrevistas de usuario.

Lo que hago es tener todas las transcripciones dentro de un proyecto. Las almacenamos, usamos Dovetail, y luego usamos una herramienta llamada Dust para consultar a la IA en base a todas las transcripciones de Dovetail. Así que básicamente uso la IA para hacer preguntas sobre un conjunto de transcripciones de un proyecto.

Lo que hago es tener delante mis preguntas de investigación, que las he creado manualmente. Empiezo a pedirle a la IA que busque frases relacionadas con nuestras preguntas de investigación, ¿verdad? Por ejemplo, si quiero conocer los puntos de dolor en un determinado flujo, le pido a la IA que encuentre frases de las transcripciones de usuarios.

Que se refieran a esa pregunta de investigación. Esto lo que hace es reemplazar el proceso de etiquetar manualmente las entrevistas. Creo que muchos investigadores usan diferentes herramientas para etiquetar entrevistas manualmente según temas y preguntas de investigación. Y ahora uso la IA para eso. Después, agrupo las frases por cada tema, las pongo en un tablero de Miro y hago diagramas de afinidad, que siempre ha sido mi proceso de análisis de entrevistas.

Eso todavía lo hago manualmente. Y a partir del diagrama de afinidad, saco mis hallazgos para el proyecto. El otro lugar donde uso la IA aquí es que paso mis hallazgos por la IA y le digo "estos son mis hallazgos" y le pido que discrepe conmigo o que encuentre cosas opuestas a mis conclusiones en las transcripciones, para ver si me estoy perdiendo algo, detectar sesgos, etc.

Ese es mi proceso Frankenstein de análisis manual+IA.

Hannah Clark: Has mencionado que tu opinión sobre la IA ha cambiado. Creo que muchos hemos tenido un recorrido similar: algo de aprensión que ha evolucionado. ¿Cómo ha cambiado para ti?

Cori Widen: Sí, sin duda. Al principio sentía mucha presión en las empresas para ver cómo usar la IA.

Y era algo sin dirección, ¿verdad? "Esto te va a hacer más eficiente, va a ayudarte a hacer mejor tu trabajo, etc.". Y no sabía bien cómo aplicarla y la mayoría de mis intentos al principio no eran muy buenos. No me reemplazaba en ninguna parte del proceso de investigación.

Sin embargo, esa presión no desapareció. Así que gradualmente, a medida que ChatGPT fue mejorando en manejar grandes volúmenes de datos, acepté y comencé a hacer scripts personalizados para cosas básicas, como resumir una entrevista, etc. Eso me abrió un poco la mente, pero el gran punto de inflexión fue, de hecho, cuando llegué a Photoroom, porque Photoroom es muy singular en su enfoque hacia la IA, tanto de cara al usuario como internamente.

¿Hay presión para incorporarla? Sí. Pero describiría esa presión como emoción. Todo el mundo está muy emocionado encontrando casos de uso con su campo y profesión usando IA.

Hay un ambiente de compartir logros. A la gente de verdad le interesa saber cómo usas la IA, etc. Ese entorno hizo que pasara de "Uf, soy investigadora y tengo que aprender a usar IA" a que realmente sea una parte divertida e interesante de mi trabajo.

Hannah Clark: Genial. Quiero ahondar un poco más en la cultura de Photoroom luego, porque es realmente interesante y creo que puede influir mucho en la adopción de la IA en empresas.

Pero hablemos un poco sobre asistentes de IA, porque mencionaste que tu forma de usar la IA ha cambiado, y usarla eficazmente ha sido un cambio radical; todos sabemos que los asistentes de IA están de moda y sé que has creado algunos para tu proceso. ¿Qué tipos específicos has creado y qué problemas te han solucionado últimamente?

Cori Widen: Se me ocurren dos principales. Uno se llama "Explorador de entrevistas de usuario" (Mining User Interviews), no es un nombre muy creativo, pero describe lo que hace. Cada entrevista de usuario en Photoroom se almacena en Dovetail, luego tenemos las transcripciones mediante API y podemos hacer preguntas. Así lo utilizamos.

Resuelve diferentes problemas tanto para mí, Becky (mi compañera de investigación) y otros interesados. Para nosotras, es fundamental en el análisis: así encontramos frases, en vez de etiquetar manualmente, etc. Para los interesados, es una manera de, sin pasar por nosotras ni buscar informes, explorar todas las entrevistas hechas hasta ahora.

Pueden preguntar casi cualquier cosa de los usuarios o de usuarios de la competencia. "Dame una lista de los desafíos que ha tenido la gente con, por ejemplo, fondos de IA o alguna función de Photoroom". Ahorra tiempo y acerca a los interesados al usuario al buscar y consultar la información ellos mismos.

Eso por un lado. El otro es más reciente y es un generador de guías de entrevista. Sé que lo tocaremos más adelante, pero mucha gente en Photoroom realiza entrevistas y hay bastante margen de mejora en el tiempo disponible para preparar buenas guías antes de entrevistar, y en el conocimiento de buenas prácticas: cómo preguntar para generar los hallazgos deseados.

Así que el generador de guías de entrevista recibe como input "¿Qué quieres aprender?", "¿Quiénes son los usuarios que vas a entrevistar?" y "¿Qué quieres descubrir?" y genera una guía acorde a buenas prácticas. El efecto es que, sin importar tu experiencia, generas una guía que no hace preguntas tendenciosas, no pide al usuario predecir su comportamiento, etc.

Hannah Clark: Es muy potente porque estoy viendo que la IA no solo amplía la productividad, sino también la habilidad de las personas al transferir conocimiento, lo cual es una forma genial de aprovechar la tecnología. Así que es interesante ver este enfoque más avanzado directamente.

Ahora, hablemos de la ingeniería de prompts. Es otro tema enorme. Todos intentan mejorar y se comenta mucho dar mucho contexto, pero es más sutil que eso.

¿Qué técnicas específicas has descubierto que realmente han mejorado la calidad de los resultados que obtienes al hacer análisis de investigación de usuarios?

Cori Widen: Antes que nada, igual que todos, estoy siempre intentando entenderlo y a veces me desespero, ¿por qué no me entiende?

Pero hay cosas que he encontrado útiles, especialmente en el análisis. Primero, cualquier pregunta que le hago a la IA, la planteo de dos o tres formas distintas. Porque no es humana y es imposible saber cómo interpreta la pregunta; a menudo obtengo frases o transcripciones distintas cambiando un poco la pregunta.

Así que, cuando analizo un proyecto y quiero asegurarme de capturar todos los puntos relevantes sobre un tema, uso varios prompts, cada uno formulado de forma diferente. Además, siempre "molesto" a la IA pidiendo más ejemplos, porque aunque pido una lista exhaustiva, nunca lo es.

Siempre hay más. Así que siempre pido más. Otra cosa que aprendí es que si hablo con una persona, puedo preguntar varias cosas a la vez, entusiasmarme. Eso NO funciona con IA. Procuro siempre hacer prompts que tengan solo una pregunta.

Y, aunque se habla mucho de dar todo el contexto posible, en mi experiencia, creo que existe el exceso de contexto. Empieza a dar prioridad a algunas cosas e ignora otras.

Así que busco ese equilibrio, que en mi caso tiende incluso a menos contexto.

Hannah Clark: Interesante. Sí, depende de dónde uses el contexto. Es bueno saberlo porque es la primera vez que escucho que alguien diga "yo no uso todo el contexto".

Hablando de matices perdidos, mencionaste antes ese problema de la IA de perder matices en los datos o presentar datos limitados como tendencias. Hay cosas que la mayoría de los investigadores captaría, pero al transferir conocimiento a otros, eso no siempre sucede.

¿Cómo validas el análisis de la IA y aseguras que no te pierdes datos relevantes o atípicos?, y más importante, ¿cómo garantizas que ese conocimiento sí se traslada a otros interesados?

Cori Widen: Sí, son preguntas fundamentales.

Cuando analizo un proyecto, rara vez pido hallazgos a la IA. Le pido encontrar cosas relevantes y luego, como humana, extraigo los insights. Pero ese asistente de entrevistas de usuario que mencioné antes sí se usa a veces para cosas fuera de proyectos estratégicos.

Le preguntamos sobre usuarios, ¿qué problemas tienen los usuarios con X?, etc. Creo que esto es todo un reto, y tengo dos reglas que siempre sigo en estos casos. Primero, cuando le pido a la IA un insight, le pido que cite cada transcripción que haya usado.

Así, a veces cita dos entrevistas de cientos y yo puedo ir, ver esas transcripciones y decidir si es válido. Uso mi criterio humano porque sé de dónde ha sacado la conclusión. La segunda: siempre pido los casos atípicos.

Si me da un insight, le pido "dame todos los ejemplos de usuarios que sean lo contrario a este insight". Así, reviso todos los datos y saco mi conclusión, pero de forma más matizada. Sobre el uso del agente de IA por los interesados:

Creamos una guía para usarlo, en Notion, accesible a toda la empresa. Son recursos que algunos usan y otros no. Así que sigue siendo un reto: cuando tienes algo que se supone debe abrir los datos de usuario a toda la empresa, ¿cómo logras que todos tengan criterios alineados?

No tengo aún la respuesta definitiva.

Hannah Clark: Sí. Creo que es una cuestión abierta, porque esto demuestra el valor de tener siempre una supervisión humana. Da igual para qué uses la IA, necesitas ser experto en el área para verificar el trabajo, tratarla como un colaborador a tu cargo más que como a un igual que tú.

Sí, es algo con lo que mucha gente se topa: ¿cómo logramos que el conocimiento interno esté alineado con quien usa la IA?

Ya que hablamos tanto de valores y funcionamiento empresarial, podemos entrar en valores de Photoroom que te han permitido trabajar así con la IA. Hablemos de los valores de Photoroom sobre el uso de la IA.

Mencionaste varias veces la cultura de Photoroom como motor de tu adopción y compromiso con esta tecnología. ¿Qué significa democratizar la investigación? ¿Y cómo ha cambiado la forma en que los interesados usan y valoran tus hallazgos de UX?

Cori Widen: Sí. Lo que más me atrajo de Photoroom al principio fue lo centrados en el usuario que estaban. El liderazgo invertía tiempo entrevistando usuarios. Y me di cuenta en el proceso de selección que se esperaba que la gente hablara con usuarios y analizara datos cualitativos, además de cuantitativos.

No en todas las empresas se da esto. Y, usar esas interacciones o datos cualitativos para la toma de decisiones ya era habitual antes de llegar yo. Me daba algo de miedo, porque he de reconocer que mi enfoque a la democratización era más del otro extremo: la investigación es cosa de investigadores.

Está bien si PMs y diseñadores hablan con usuarios, pero no veía la democratización total como el mejor camino. Pero aprendí mucho en Photoroom. Decidí abrirme a probar algo distinto. Lo que he visto y aprendido es que, en una empresa donde se espera que la gente trate con usuarios y use los datos cualitativos,

Se valora más la investigación y se usan más los insights. Esto es un dolor común para los investigadores: tener que luchar para que se consideren los hallazgos.

Pero en Photoroom, la cultura favorece el hambre por los insights. Y el gran miedo de los investigadores en un entorno tan democratizador es que, no se haga bien. Ese era mi miedo, porque investigar requiere habilidades específicas, y también he visto que en un ambiente donde la gente interactúa con usuarios, están deseosos de aprender buenas prácticas.

Todo el mundo quiere hacer buenas entrevistas si las hace habitualmente y quiere que los tests de usabilidad sean precisos. Así que una parte genial de nuestro trabajo como investigadores es facilitar esos aprendizajes cuando hay carencias.

Hannah Clark: Y creo que especialmente cuando hablamos de actitud hacia las mejores prácticas de investigación, una vez que te das cuenta de cuánta pericia y matiz implica hacer buenas entrevistas de usuario es cuando te percatas de todo lo que desconocías.

Cori Widen: Sí, totalmente de acuerdo.

Hannah Clark: Sí, hicimos un episodio genial con Steve Portigal hace unos años sobre entrevistas de usuario, y nunca había hecho ninguna, más allá del podcast, y en veinte minutos me di cuenta del impacto que puede tener tu conducta en el resultado.

Es genial que haya esa inquietud compartida por mejorar y saber cómo hablar mejor con los usuarios. Me resulta interesantísimo.

Cori Widen: Es gracioso porque Steve escribió un libro llamado "Interviewing Users".

Literalmente, escribió un libro sobre el tema, que he regalado a los interesados; ha pasado más de una vez que se sorprenden: "¿Hay un libro entero sobre esto?" y sí, lo hay. Hay mucho que aprender.

Hannah Clark: Sí. Es genial, porque como dices, todas las empresas buscan incorporar los comentarios reales de los usuarios en sus productos, pero necesitas suficiente feedback y además de calidad para que sea útil. Así que me entusiasma ver cómo la IA refuerza el rol del investigador. Eso es muy bueno. Soy muy pro-investigador, por si no se nota.

De cara al futuro, ¿cómo crees que la investigación UX seguirá beneficiándose de la IA? ¿Ves capacidades al alcance que aún no tenemos?

Cori Widen: No tengo suficiente conocimiento técnico para decirte cuán buena será la tecnología y cuándo, pero pensando en cómo cambiará el rol del investigador según evolucione y se adopte la IA, una cosa que he notado es que ahora tengo mucho más tiempo para colaborar con stakeholders, gracias a lo eficiente que me vuelve la IA.

Si tuviera que hacer una predicción, sería que la función de investigación pasará de ser solamente ejecutar estudios y compartir hallazgos a, sí, seguir investigando cuando sea necesario, pero también dedicar mucho más tiempo a colaborar con stakeholders, hacer brainstorming y explorar soluciones.

Porque tendremos tiempo para ello y la credibilidad e información para aportar valor más rápido.

Hannah Clark: Para quienes recién empiezan a incorporar la IA en sus flujos, has dado muchos consejos prácticos hoy, muy útiles y aplicables. Pero, ¿alguna recomendación para quienes no tienen manual de buenas prácticas y empiezan desde cero?

Cori Widen: Honestamente creo que lo primero es cambiar la mentalidad. Aceptar que esto ya está pasando.

Sé que es difícil, pero al hacerlo, mucha gente recomienda empezar con tareas pequeñas. Yo opino lo contrario: lo mejor es lanzarse y usar la IA para tu análisis cualitativo.

Descubre en qué partes puede ayudarte, y esas partes suelen ser las más complejas y lentas. Mi consejo se basa en mi propio proceso: usa la IA para reemplazar el etiquetado manual, extrae fragmentos en tus datos de usuario —ya sean tests, entrevistas, lo que sea— categoriza la información y haz tu análisis a partir de ahí.

Creo que para que realmente te emociones usando la IA en investigación, tiene que impactar tu flujo de trabajo de verdad, y el ahorro de tiempo y esfuerzo es monumental.

Hannah Clark: Para terminar, ¿cuál ha sido tu mayor sorpresa usando la IA?, ¿el momento clave?

Cori Widen: Dos cosas. El momento clave para mí —que quizá sea obvio para otros— fue darme cuenta de que como ser humana sigo aportando al proceso: usar IA no es delegar todo, es saber qué hace mejor cada uno y unirlo para un gran análisis cualitativo. Ese fue un aprendizaje. El otro fue un comentario que recibí en Photoroom: temían que la investigación, tradicionalmente lenta, hiciera que los hallazgos llegaran muy tarde.

Pero luego me dijeron "has sido rápida". Y la razón es que he adoptado la IA en las partes cruciales del proceso. Sin ella, no sería así de ágil. Saber eso me hace más valiosa dentro del equipo; fue un gran momento de revelación.

Hannah Clark: Es genial. Debe ser muy gratificante tener esa nueva ventaja.

Gracias por acompañarnos hoy, Cori. Me encantan estas charlas sobre investigación, siempre aprendo muchísimo y hoy resumimos mucho conocimiento en solo 25 minutos. Gracias por todo. ¿Dónde pueden seguir tu trabajo en línea quienes nos escuchan?

Cori Widen: La verdad, no soy muy activa en redes. Pero siempre me alegra conectar con otros investigadores en LinkedIn, así que adelante.

Hannah Clark: Genial. Muchas gracias por estar aquí.

Cori Widen: Gracias a ti.

Hannah Clark: Gracias por escucharnos. Para más ideas, guías prácticas y reseñas, suscríbete a nuestro boletín en theproductmanager.com/subscribe. Puedes escuchar más charlas como esta suscribiéndote a Product Manager en cualquier plataforma de podcasts.