¿Puede la IA sustituir la investigación con usuarios? No puede conocer a Awad.

En esta página

1. Ideas clave
2. ¿Qué nos contaron diez ganaderos que un modelo no podría?
3. ¿Qué hace bien la IA en la investigación con usuarios?
4. ¿Dónde falla la IA en la investigación con usuarios?
5. ¿Qué dice la evidencia?
6. ¿Está la IA quitando empleos de UX?
7. ¿Cómo está cambiando el trabajo de UX?
8. ¿Por qué prosperará la carrera de UX?
9. Preguntas frecuentes
10. Fuentes

En mayo de 2026, ux-skill necesitaba una página de inicio nueva. ux-skill es el motor de diseño que desarrollo. Su razón de ser es detectar las huellas que hacen que las interfaces creadas con IA se parezcan todas. Así que hicimos lo evidente: pasar nuestro propio recomendador por nuestro propio brief, una landing de herramienta para desarrolladores con tono editorial, seguro, sereno y cinematográfico. Inter como tipografía de titulares, los degradados de morado a azul y las tres tarjetas iguales estaban en la lista de prohibidos.

Doce segundos después, el motor respondió. Cormorant Garamond sobre crema, con un acento siena cálido. Es, casi exactamente, la landing de claude.ai.

El motor había cumplido todas las reglas del brief. Leyó «editorial» y «sereno» y fue a por la coincidencia de mayor similitud, que era el aspecto que las herramientas de IA de la categoría ya habían publicado. Abrimos dos errores contra nosotros mismos. La etiqueta editorial daba demasiado peso a una familia de serifas de libro. La etiqueta serena estaba codificada como «lienzo claro obligatorio», así que las paletas casi negras nunca tenían opción. Tras las correcciones, el mismo brief devolvió un lienzo carbón, un único acento ámbar y Fraunces, un sistema que ninguno de nosotros habría elegido solo por gusto.

ux-skill no hace llamadas a ningún modelo de lenguaje. Es un motor de puntuación determinista, y aun así hizo lo que hace un modelo ante una pregunta conocida: dar la respuesta más probable. La respuesta más probable es la media de lo que ya existe.

Conviene tener presente esa imagen, porque es todo el argumento sobre la IA y la investigación con usuarios. Si pides a un modelo que haga de tu usuario, obtienes al usuario más probable. La investigación existe para encontrar a la persona que no lo es.

Ideas clave

• La IA no puede sustituir la investigación con usuarios. Puede redactar el guion, transcribir y traducir las sesiones, ordenar las notas, listar los estados de error y escribir el primer borrador del informe.
• Un usuario sintético es la media de lo que ha leído un modelo. Nielsen Norman Group comprobó que los usuarios sintéticos son complacientes, dan la misma importancia a todo y cuentan experiencias que nunca han vivido.
• Cuanto más específico es el usuario, peor la simulación. El ejemplo de NN/g de dónde no usar usuarios sintéticos es un agricultor de arroz en Vietnam. Un ganadero del Golfo es el mismo caso.
• El mercado laboral UX se estabiliza, el acceso sigue siendo difícil y el valor pasa de producir pantallas al criterio, la investigación, los sistemas y el gusto.
• Usar la IA como describe NN/g: como a un becario. Darle contexto y límites, y contrastar cada línea con una cita real.

¿Qué nos contaron diez ganaderos que un modelo no podría?

En 2023 estaba diseñando Wfrah, una aplicación para criadores de ovejas y cabras del Golfo. Antes de que existiera una sola pantalla, el fundador, Abdullatif, nos explicó a qué nos enfrentábamos. Los ganaderos llevan el negocio como les enseñaron sus padres y no creen que una aplicación conozca a sus animales mejor que ellos.

Así que fuimos a escuchar. Diez entrevistas en profundidad con ganaderos de distinta experiencia, además de tiempo observando las herramientas que ya utilizaban. Si preguntas a un ganadero por qué la explotación pierde dinero, responde siempre lo mismo: el pienso es caro y los compradores pagan poco.

Esa es la respuesta que se dice en voz alta, y las respuestas que se dicen en voz alta son las que acaban escritas. Cualquier sistema entrenado con lo que la gente escribe te la devolvería tal cual.

Las entrevistas mostraron lo que había debajo. Muchos ganaderos no sabían calcular con las fórmulas las necesidades nutricionales diarias de su rebaño, y la convicción de que la culpa era del mercado les hacía pasar por alto la nutrición y la gestión. Lo más útil de la aplicación acabó siendo una calculadora nutricional que hace las cuentas para cada animal y cada etapa de crecimiento. Nadie la pidió. Las entrevistas mostraron cuántos la necesitaban.

La investigación se convirtió en un único personaje, Awad. Está orgulloso de trabajar como lo ha hecho su familia durante generaciones, le frustra lo difícil que es gestionar el rebaño y le pica la curiosidad de si hay una forma mejor. Esa tensión, orgullo y curiosidad a la vez, fue todo el brief de diseño: una aplicación que da lecciones a Awad lo pierde, y una que le muestra algo útil en la primera pantalla quizá lo retenga.

Awad es ficticio, construido a partir de diez entrevistas reales. Esa es la diferencia entre un personaje y un usuario sintético, y el resto de este texto depende de ella.

¿Qué hace bien la IA en la investigación con usuarios?

Más de lo que admiten sus críticos. Mi guía del proceso de diseño tiene un párrafo «con Claude» bajo muchos de sus métodos. El patrón es siempre el mismo: el modelo redacta, ordena y lista. Una persona decide.

La guía de Nielsen Norman Group sobre cómo acelerar la investigación con IA, revisada por última vez en enero de 2026, llega al mismo punto. La IA resulta más útil en las fases de planificación y análisis, y más floja en el medio, donde alguien tiene que ver a una persona usar un producto.

Redactar el guion. La página en blanco es lo más lento al planificar una entrevista. Pego la pregunta de investigación y pido un guion de 30 minutos sobre la última vez que esa persona hizo la tarea, sin preguntas hipotéticas, sin preguntas que nombren una función y con una marca en cualquier pregunta que sugiera su propia respuesta. Después borro todas las preguntas del tipo «¿lo usarías?» que se cuelan de todos modos. NN/g vio lo mismo con las tareas de prueba: la IA suele escribir tareas dirigidas o condicionantes, incluso con buenos ejemplos y reglas explícitas. El borrador ahorra una hora. La edición sigue siendo tuya.

Transcribir y ordenar. Tras las sesiones, aquí el modelo se gana el sueldo. Pego las transcripciones y pido cada observación en una línea, con el identificador del participante y una cita literal, y después una propuesta de grupos, con una regla: nada dicho por un solo participante se convierte en tema. Ordenar es lo que los modelos hacen bien. Lo que hay que cazar es que rellenen los huecos con hallazgos verosímiles. NN/g lo dice claro: los grupos de la IA suelen formarse por palabras clave y muchas notas acaban en «otros».

Listar estados de error. Aquí la IA supera a la mayoría de los diseñadores con prisa. Dale un camino feliz y pídele todos los fallos de cada paso: entrada no válida, tiempo de espera agotado, sin conexión, doble toque, permiso denegado, datos vacíos. Después comprueba que cada estado diga a la persona qué ha ido mal y cómo arreglarlo. En el mostrador de Dot, el mensaje para un teléfono demasiado corto dice «No se ha añadido nada. Al teléfono le falta 1 dígito». Un modelo listará ese estado. La regla de que todo fallo empiece por «No se ha añadido nada», porque la primera duda de un cajero tras un error es si la operación pasó, salió de diseñar para la persona que está en el mostrador.

¿Dónde falla la IA en la investigación con usuarios?

En la única tarea para la que existe la investigación: averiguar qué es cierto de personas que aún no has conocido. El fallo tiene nombre. Un usuario sintético es un perfil generado por IA que imita a un grupo de usuarios y responde a preguntas de entrevista como si fuera uno de ellos. Hay productos que lo venden como investigación sin usuarios.

Nielsen Norman Group probó usuarios sintéticos contra tres estudios que ya había hecho con personas reales. Esto es lo que encontró.

Quiere agradar. Los alumnos reales de un estudio sobre formación en línea admitieron que empezaban cursos y no los terminaban. Los usuarios sintéticos dijeron haber completado todos los cursos que mencionaron. Los participantes reales casi siempre ignoraban los foros de debate porque las interacciones resultaban forzadas. Los usuarios sintéticos elogiaron los foros extensamente. La explicación de NN/g es que el modelo se entrena con literatura sobre por qué los foros son buenos para aprender, y bueno para ti no es lo mismo que usado por ti.

Le importa todo. Al preguntarle qué hace atractivo un curso, un usuario sintético enumeró siete factores con el mismo entusiasmo. A las personas reales les importan unas cosas mucho más que otras, y esa jerarquía es el objetivo de la investigación. Una lista de siete necesidades iguales no dice qué construir primero.

Recuerda cosas que nunca pasaron. Un modelo no ha usado tu producto, así que sus historias sobre experiencias pasadas son inventadas. NN/g señala que los perfiles son más precisos en sus opiniones que en sus relatos, justo al revés de lo que necesita la investigación, donde el relato es la prueba. Al presentar una idea de reparto con drones a un representante médico sintético, este la calificó de posible punto de inflexión.

Es plano. La frase más afilada de NN/g es que los usuarios sintéticos parecen una aproximación plana a las experiencias de decenas de miles de personas, porque lo son. Es otra vez la historia de mi página de inicio. El motor no falló en las cuentas. Devolvió el centro del grupo.

Cuanto más específico es el usuario, peor funciona. El consejo de NN/g es evitar los usuarios sintéticos con poblaciones de nicho o especializadas, y su ejemplo es un agricultor de arroz en Vietnam, porque los datos del modelo sobre esa persona son escasos. Awad es exactamente ese caso. Un ganadero del Golfo que aprendió el oficio de su padre no escribió gran parte del texto con el que se entrenó un modelo. Tampoco un cajero en un mostrador concurrido.

Lo que se dice y lo que se hace. La segunda brecha es la conducta. Los modelos manejan bien las palabras, y la investigación suele tratar del espacio entre lo que se dice y lo que se hace. En el ejemplo de Bunn que uso en mis plantillas, Rana, la usuaria, llama trampa a la tarifa por entrega tardía durante su entrevista. En las notas se ve que revisa la tarifa dos veces antes de pagar, una en el menú y otra en la caja. La cita y la conducta juntas son el hallazgo. Una transcripción solo tiene la cita.

NN/g dice lo mismo de las pruebas de usabilidad: ni una persona ni una herramienta de IA pueden analizar una sesión de usabilidad solo a partir de la transcripción, porque la gente no dice cada clic y a menudo hace una cosa mientras dice otra. Su guía de 2026 sigue desaconsejando que la IA modere pruebas de usabilidad. Que Rana compruebe la tarifa dos veces es una conducta. Solo se obtiene mirando.

No sabe valorar la fuente. Un buen investigador se hace preguntas que un modelo no se hace: si el entrevistador condicionó la respuesta, si el participante sentía vergüenza, si esa persona encajaba siquiera en el reclutamiento. NN/g enumera justo esas cuestiones como juicio informado por el contexto, fuera del alcance de las herramientas actuales.

¿Qué dice la evidencia?

Quienes estudian esto coinciden en el panorama: la IA está en todas partes en el trabajo de investigación y casi nadie se fía de ella sin comprobarla.

Conviene leer juntos los dos datos de Figma. El 78% se siente más rápido y el 32% se fía del resultado. Esa brecha es el trabajo. Alguien tiene que revisar lo hecho, y quien revisa debe saber cómo es lo verdadero.

El estudio de MeasuringU es la prueba más limpia del problema de la media. Al pedirle que encontrase elementos en la navegación de la web del IRS, ChatGPT los encontró con mucha más frecuencia que las personas. Un participante que nunca se pierde no sirve en una prueba pensada para descubrir dónde se pierde la gente. Sus valoraciones de lo difícil que sería cada tarea se acercaron bastante a lo que declararon las personas. Pudo predecir la opinión. No pudo reproducir la conducta.

El veredicto de NN/g: usar usuarios sintéticos, si acaso, para la investigación documental y las hipótesis antes de un estudio real. Nunca presentar su resultado como hallazgos, y extremar el cuidado allí donde la investigación ya es difícil de conseguir, porque es donde una imitación barata reemplaza a lo auténtico.

¿Está la IA quitando empleos de UX?

No como prometían los titulares de 2023. El informe State of UX 2026 de Nielsen Norman Group describe el arco: un auge de contratación tras la pandemia, una fuerte caída de 2023 a 2024 al apretarse los presupuestos y una estabilización desde finales de 2024 a lo largo de 2025. También nombra el relato que agravó la caída: la publicidad en torno a la IA sugería que las nuevas herramientas podían sustituir rápidamente a diseñadores e investigadores. NN/g dice que no era cierto, pero sí conveniente para recortar costes.

La recuperación es desigual. Los perfiles sénior y los generalistas vuelven más rápido. Los puestos de acceso siguen escaseando y son muy competidos, y NN/g espera que 2026 siga igual. La encuesta de User Interviews muestra la misma presión desde dentro: el 49% de los investigadores ve con pesimismo el futuro del sector, 26 puntos más, y el 67% es pesimista sobre las oportunidades profesionales.

También muestra lo que los titulares pasan por alto. El 21% dijo que su empresa había despedido a investigadores, más o menos como en 2024, y los investigadores no se vieron más afectados que el diseño o la ingeniería. El 35% fue ascendido o asumió más responsabilidad, y el 20% pasó a una función nueva. La lectura del propio informe es que la investigación puede estar dejando de ser un puesto para convertirse en una habilidad que otros puestos necesitan. Quizá haya menos personas con el título. Hacen falta más personas que hagan el trabajo.

Así que la respuesta honesta es que la IA no eliminó el empleo. Subió el listón del empleo, y el listón es más alto en la puerta de entrada.

¿Cómo está cambiando el trabajo de UX?

El trabajo pasa de producir pantallas a decidir qué deben ser. NN/g lo dice sin rodeos: la interfaz ya no es un factor diferencial. Los sistemas de diseño abarataron producir interfaces y las herramientas de IA lo amplifican. En sus palabras, si te limitas a juntar componentes de un sistema de diseño, ya eres sustituible por la IA. Lo que no es fácil de automatizar: el gusto cultivado, el contexto basado en investigación, el pensamiento crítico y el juicio cuidadoso.

Lo veo en mi propio trabajo. En el mostrador de Dot, las pantallas nunca fueron lo difícil. La primera versión pedía primero el importe, después un país, luego el teléfono y, por último, un botón: seis toques más la escritura, sin nada enfocado al abrir la pantalla. Cualquier herramienta puede dibujar esa pantalla. La reconstrucción partió de una línea de la especificación: un cajero cansado en un mostrador concurrido, con una mano en el teléfono y otra en el vaso. Primero el teléfono, el campo de importe recibe el foco solo y atender a un cliente habitual cuesta ahora dos toques.

El valor subió aguas arriba, a una frase sobre una persona. Mi guía del proceso de diseño lo dice así: la IA abarata construir, así que el error caro se desplaza aguas arriba, a construir rápido lo que no hacía falta. De ahí salen cuatro cambios.

De pantallas a sistemas. Cuando un sistema de diseño y un modelo pueden montar una pantalla, el trabajo del diseñador es el sistema: tokens, patrones y las reglas de cada estado. Por eso ux-skill compila un sistema nuevo para cada brief, y por eso escribí que las especificaciones de marca son datos de entrenamiento, no plantillas.

De producir a juzgar. El texto de NN/g sobre el gusto en la era de la IA sostiene que la capacidad técnica no equivale al gusto, y que la selección y el criterio son lo que hace destacar un trabajo cuando cualquiera puede producir algo. Mi error de la página de inicio es la prueba en miniatura. El motor produjo un sistema perfectamente competente. Saber que no era el nuestro requirió a alguien capaz de ver la categoría en la que había caído.

Del usuario medio al usuario concreto. Los valores por defecto convergen. Cuando leímos 150 repositorios de shadcn/ui, los proyectos con más estrellas usaban una de dos tipografías y un primario gris. El diseñador al que merece la pena contratar es quien sabe decir para quién es esto, con detalle y con pruebas.

Del inglés primero al contexto local. Es donde la brecha es mayor y donde trabajo yo. Cuando revisamos 179 startups de MENA con financiación, el 44% no tenía web en árabe. Un personaje traducido de una plantilla en inglés recoge lo que esperaba el autor inglés, y un modelo que aprendió sobre todo de texto en inglés tiene el mismo problema. La versión árabe de mi plantilla de personaje gratuita se escribió en árabe por esa razón, con una biografía que suena a alguien de Amán. La advertencia de NN/g sobre usuarios de nicho se aplica a escala de país: cuanto menos escribe en línea una población, menos la conoce un modelo.

¿Por qué prosperará la carrera de UX?

Porque todas las fuerzas de esta historia encarecen lo único que solo pueden hacer las personas. Las pantallas se abaratan, así que importa más saber cuál importa. Construir es más rápido, así que construir lo equivocado sale más caro. Las funciones de IA se multiplican, y NN/g espera que la confianza sea un gran problema de diseño en 2026, que es primero un problema de investigación. En la encuesta de Figma, el 52% de quienes crean con IA dijo que el diseño importa más en los productos de IA que en los tradicionales, y el 95% dijo que al menos lo mismo.

Lo que eso significa para una carrera, en concreto:

Qué aprender.

• Entrevistar y observar. Las dos habilidades que un modelo no puede ejercer. Haz tú la entrevista con usuarios, pregunta por la última vez y observa a las personas hacer la tarea donde la hacen normalmente.
• Síntesis con trazabilidad. Un mapa de afinidad donde cada nota lleva un identificador de participante. Es también la forma de comprobar cómo ordenó el modelo.
• Pruebas de usabilidad. Observa a cinco personas. La recomendación de NN/g sigue siendo no dejar que la IA las modere. La plantilla de prueba de usabilidad gratuita registra cada hallazgo con su cita como prueba.
• Sistemas. Tokens, componentes, estados, traspaso.
• Tu contexto local. El idioma, el mostrador, el bolígrafo, el teléfono con mala luz. Cuanto más específicos son tus usuarios, más vale este conocimiento.
• Trabajar con IA. Más del 80% de los diseñadores y desarrolladores de la encuesta de Figma dice que aprender a trabajar con IA será esencial. Aprende a darle instrucciones, a acotarla y a comprobarla.

Qué dejar de hacer.

• Tratar un montón de pantallas como el entregable. Entrega la decisión y la evidencia que la respalda.
• Pedir a un modelo que haga de tu usuario y luego diseñar para sus respuestas.
• Hacer entrevistas del tipo «¿usarías esto?». Tanto las personas como los modelos dicen que sí con gusto.
• Presentar resúmenes de IA como hallazgos. NN/g lo considera poco ético cuando la fuente es sintética, y daña la imagen que la organización tiene de la investigación.

Cómo usar la IA como un investigador júnior al que revisas. NN/g dice que la IA funciona mejor como un becario: con instrucciones amplias, contexto, límites y correcciones. Trátala así.

1. Dale instrucciones como a una persona recién llegada. La pregunta de investigación, los participantes, lo que ya sabes. Sin contexto, NN/g comprobó que los hallazgos salían vagos y sin jerarquía.
2. Dale una plantilla. Comete menos errores rellenando un buen formulario que inventando uno.
3. Exige fuentes. Cada observación con un identificador de participante y una cita literal. Cada afirmación de la investigación documental con un enlace que luego abras.
4. Prohíbe los huecos inventados. Dile que deje un campo vacío cuando las notas no lo respalden. Después borra cualquier línea sin identificador.
5. Quédate con las decisiones. Redactar tres enunciados del problema es cosa del modelo. Elegir el problema es tuyo, igual que fijar la gravedad de un hallazgo. El modelo no puede saber qué retraso cuesta dinero.
6. Nunca dejes que sea el usuario. Si usas un usuario sintético, que sea para ensayar tu guion o listar temas antes de las entrevistas reales, y etiqueta todo lo que diga como hipótesis.

El conjunto completo de instrucciones, método por método, está en la guía del proceso de diseño, y las nueve plantillas gratuitas que usa están en la tienda.

Nada de esto es nuevo. Nadie quiere tu producto, quieren el resultado, y el resultado vive en una persona a la que hay que ir a conocer. La IA aceleró todo lo que rodea a ese encuentro. No lo hizo opcional.

Preguntas frecuentes

¿Puede la IA sustituir la investigación con usuarios?

No. Un modelo redacta guiones, ordena transcripciones de entrevistas y lista estados de error con soltura. No puede decirte qué hace Awad en su corral, ni por qué Rana revisa las tarifas dos veces. Si le pides que haga de tu usuario, obtienes la media de lo que leyó, que es justo la suposición que la investigación existe para poner a prueba.

¿Sustituirá la IA a los diseñadores UX?

No a quienes aportan el criterio. El State of UX 2026 de Nielsen Norman Group dice que los diseñadores que solo montan componentes de un sistema de diseño ya son sustituibles por la IA, y que el gusto, el contexto basado en investigación, el pensamiento crítico y el juicio son difíciles de automatizar. El oficio se desplaza hacia eso.

¿Es UX una buena carrera en 2026?

Sí, con una entrada más difícil. NN/g informa de que el mercado laboral UX se estabilizó desde finales de 2024 a lo largo de 2025, con los puestos sénior y generalistas recuperándose más rápido que los de acceso. En la encuesta de User Interviews de 2025, el 35% de los investigadores fue ascendido o asumió más responsabilidad. Destacan los júnior que saben entrevistar, sintetizar y probar, y que conocen un mercado local.

¿Puede ChatGPT hacer investigación con usuarios?

Puede hacer una parte: investigación documental, redacción de guiones, transcripción, un primer borrador de agrupación y borradores de informe. No puede observar conductas, y cuando hace de usuario tiende a asentir, a valorar todo como importante y a inventar experiencias pasadas. En una prueba de árboles de MeasuringU encontró las respuestas correctas con mucha más frecuencia que las personas reales, lo que lo volvió inútil como participante.

¿Qué son los usuarios sintéticos?

Perfiles generados por IA que imitan a un grupo de usuarios y responden a preguntas de investigación como si fueran miembros de él. NN/g recomienda usarlos, si acaso, solo para investigación documental e hipótesis antes de la investigación real, nunca como hallazgos, y evitarlos con usuarios de nicho o especializados.

¿Puede la IA analizar pruebas de usabilidad?

No de forma fiable. NN/g dice que ni una persona ni una herramienta de IA pueden analizar una sesión de usabilidad solo a partir de la transcripción, porque la gente no dice todo lo que hace, y su guía de 2026 sigue desaconsejando que la IA modere pruebas de usabilidad. La IA puede transcribir las sesiones y redactar la lista de hallazgos. Tú fijas la gravedad y compruebas cada cita.

Fuentes

1. cómo acelerar la investigación con IA nngroup.com
2. probó usuarios sintéticos nngroup.com
3. User Interviews, State of User Research 2025 userinterviews.com
4. Figma, informe de IA 2025 figma.com
5. MeasuringU, ChatGPT en tree testing measuringu.com
6. State of UX 2026 nngroup.com
7. el gusto en la era de la IA nngroup.com