En la fase de descubrimiento de problemas la IA puede acelerar la síntesis, orientar para realizar mejores entrevistas y enriquecer las señales débiles, pero no puede compensar una entrevista deficiente ni generar de la nada una comprensión genuina del cliente.

El descubrimiento de productos tiene dos funciones complementarias:

• El descubrimiento del problema: plantea ¿Quién tiene un problema relevante? ¿En qué contexto surge? ¿Qué tarea intentan realizar actualmente? ¿En qué consiste ese problema? ¿Cuál es su gravedad y frecuencia, y ​​en qué medida está desatendido?
• El descubrimiento de la solución: plantea ¿Qué solución tiene más probabilidades de abordar ese problema de manera utilizable, viable, factible y diferenciada?

La IA transforma la velocidad y la mecánica de ambos procesos. Sin embargo, no elimina la necesidad de hablar con los clientes, observar su comportamiento ni tomar decisiones estratégicas complejas.

Si los equipos crean productos para seres humanos, hablar con seres humanos sigue siendo esencial. En la fase de descubrimiento de productos el principio de “basura entra, basura sale” sigue vigente; solo que ahora la basura puede presentarse en forma de un informe de insights magníficamente estructurado pero desconectado de la realidad. La implicación práctica es sencilla: utilicemos la IA para ampliar la capacidad de aprendizaje del equipo, no para evitar el aprendizaje.

IA para el descubrimiento de problemas

El objetivo de la fase de descubrimiento de problemas es identificar necesidades no satisfechas, puntos de dolor y los resultados que los usuarios necesitan obtener (Jobs-To-Be-Done). Las conversaciones humanas auténticas siguen siendo insustituibles, pero la IA puede hacer que cada etapa de la investigación sea más eficaz.

El mayor peligro al identificar problemas es utilizar la IA para eliminar la interacción humana. Si los datos de entrada son defectuosos, la síntesis mediante IA solo acelera la toma de malas decisiones.

Sintetizar el feedback sin perder la evidencia

La mayoría de las organizaciones de producto ya poseen un activo de descubrimiento valioso pero infrautilizado: tickets de soporte, notas de llamadas de ventas, entrevistas de cancelación, comentarios de NPS, reseñas de aplicaciones, publicaciones en comunidades, grabaciones de onboarding, actualizaciones de éxito del cliente y datos de uso del producto.

Si bien la empatía humana es necesaria para comprender la esencia emocional del dolor de un usuario, la IA destaca en el procesamiento de grandes volúmenes de comentarios no estructurados.

En lugar de leer cientos de conversaciones manualmente, la IA puede identificar temas recurrentes, agrupar problemas similares, detectar lenguaje emocional y resaltar comportamientos contradictorios de los clientes. La clave está en no pedirle conclusiones a la IA, sino en pedirle que organice la evidencia.

La IA puede procesar este material mucho más rápido de lo que un equipo humano podría hacerlo manualmente. Puede:

• Transcribir y resumir entrevistas con clientes.
• Clasificar el feedback recibido según segmento de cliente, área del producto, flujo de trabajo, sentimiento y urgencia.
• Agrupar quejas recurrentes o resultados deseados a partir de cientos de comentarios espontáneos.
• Detectar frases recurrentes, puntos de fricción, necesidades no satisfechas y soluciones alternativas.
• Comparar temas entre cohortes de clientes; por ejemplo, administradores corporativos frente a usuarios finales, clientes nuevos frente a antiguos, o cuentas retenidas frente a cuentas perdidas.
• Convertir evidencia no estructurada en un repositorio de investigación consultable. En particular, mediante búsqueda semántica en investigaciones previas: consultar repositorios de hallazgos anteriores (por ejemplo: ¿Qué nos han dicho los usuarios empresariales sobre nuestro modelo de permisos en los últimos seis meses?) para evitar repetir investigaciones que el equipo ya ha realizado.
• Redactar borradores de resúmenes de entrevistas, expresiones de oportunidad y versiones iniciales de árboles de oportunidad-solución a partir de material de investigación real.

Pero la palabra clave es «borrador». La síntesis generada por IA debe permitir rastrear la información hasta la evidencia original.

Un modelo operativo sólido consiste en:

• Proporcionar a la IA un corpus delimitado: por ejemplo, 30 entrevistas de un segmento específico o 500 tickets de soporte etiquetados del último trimestre.
• Pedirle que extraiga temas y adjunte fragmentos de la fuente, identificadores de cliente, fechas y niveles de confianza.
• Pedirle que separe la evidencia directa de las inferencias.
• Hacer que un investigador, product manager, diseñador o experto en la materia revise el material de origen detrás de cada hallazgo relevante.
• Convertir los temas en hipótesis para validar, no en conclusiones para implementar.

Algunos expertos sostienen que la síntesis debe comenzar con el cliente individual antes de pasar a identificar patrones entre varios clientes. Un enfoque de «resumen de entrevista» aborda un fallo común de la IA: pasar demasiado rápido a temas generales y simplificar en exceso el contexto único, la secuencia de eventos y las limitaciones de la historia de cada persona.

Por ejemplo, un resumen de IA podría concluir que «los clientes quieren mejores informes». Sin embargo, una revisión más detallada de las historias individuales podría revelar tres problemas subyacentes fundamentalmente distintos:

• Los líderes financieros necesitan evidencia para la aprobación del presupuesto.
• Los gerentes de operaciones necesitan identificar excepciones antes de incumplir los acuerdos de nivel de servicio (SLA).
• Los usuarios de primera línea necesitan explicar una transacción fallida a un cliente en tiempo real.

Una solicitud de funcionalidad. Tres tareas. Tres oportunidades distintas. Solo las historias subyacentes revelan qué problema vale la pena resolver.

IA para mejorar la entrevista, no solo para analizarla

La calidad de la fase de descubrimiento está limitada por la calidad de la conversación. La IA puede ayudar a los equipos de producto a ser mejores entrevistadores antes, durante y después de la investigación.

Antes de una entrevista, utilicemos la IA para:

• Convertir las suposiciones conocidas en una guía de conversación neutral.
• Identificar preguntas tendenciosas, hipotéticas o sesgadas hacia una solución específica.
• Redactar criterios de reclutamiento y cuestionarios de filtrado específicos para cada segmento.
• Generar preguntas de seguimiento basadas en relatos o historias.
• Revisar investigaciones previas y resaltar qué aspectos aún se desconocen.

Durante o después de una entrevista, la IA puede:

• Señalar momentos en los que el entrevistador aceptó una respuesta vaga en lugar de profundizar.
• Identificar generalizaciones sin fundamento, como «siempre hago esto» o «todos en mi equipo piensan eso».
• Detectar la falta de contexto: desencadenante, cronología, actores, herramientas, soluciones alternativas, implicaciones y resultado deseado.
• Recomendar preguntas de seguimiento como: «¿Podrías explicarme paso a paso la última vez que sucedió eso?» o «¿Qué hiciste después?».
• Ofrecer orientación a los entrevistadores basándose en criterios de evaluación definidos.

Se puede trasladar un enfoque estructurado de entrevistas basadas en relatos a un Entrenador de Entrevistas (Interview Coach) impulsado por IA, el cual evalúa las entrevistas y ofrece feedback sobre si el entrevistador estableció el contexto, obtuvo una narrativa real, construyó una cronología y redirigió las generalizaciones poco útiles.

Se trata de un uso de la IA de mucho mayor valor que simplemente preguntar a un modelo: «¿Qué aprendí de esta transcripción?». Mejora la calidad de la información recopilada antes de que esta llegue a la etapa de síntesis.

En lugar de sustituir las llamadas con los clientes, la IA puede actuar como un entrenador de entrevistas, ya sea en tiempo real o tras finalizar la llamada. Al entrenar modelos de lenguaje extensos (LLM) con tipos de entrevista estructuradas (como la entrevista basada en relatos), la IA puede analizar las transcripciones para identificar:

• Cuándo el entrevistador formuló preguntas inductivas en lugar de indagar sobre comportamientos pasados ​​especí
• Momentos en los que el cliente generalizó (“Solemos hacer X”) en lugar de compartir una historia concreta (“El martes pasado, cuando ocurrió X…”).
• Oportunidades perdidas para explorar los puntos de fricción del cliente o sus necesidades no expresadas.

Al utilizar la IA para evaluar la técnica de entrevista, los equipos recopilan datos cualitativos más ricos y de mayor integridad.

Utiliza entrevistadores de IA para enriquecer las señales

Las entrevistas moderadas por IA implican que participantes reales conversan con un agente de IA. No deben confundirse con la investigación con usuarios sintéticos, donde el «encuestado» es generado por un modelo. La moderación mediante IA permite recopilar comentarios cualitativos a una escala mayor de la que puede gestionar un equipo de investigación humano, además de adaptar las preguntas de seguimiento a las respuestas del participante.

Algunas aplicaciones útiles incluyen:

• Seguimiento posterior al onboarding: «Has completado la configuración. ¿Qué resultó confuso, inesperadamente difícil o quedó sin resolver?». Feedback dentro del producto: cuando un usuario comenta “esto es frustrante”, un agente de IA puede preguntar qué intentaba hacer, en qué punto falló el flujo de trabajo y qué alternativa probó.
• Investigación sobre abandono o reducción de plan: una conversación asíncrona permite recopilar un contexto más rico que una encuesta de salida de una sola pregunta.
• Escucha continua del cliente: recopilación de información cualitativa estructurada entre entrevistas más profundas dirigidas por humanos.
• Obtención de opiniones sobre conceptos iniciales a gran escala, una vez que el equipo cuenta con una pregunta clara y una muestra de participantes adecuada.

Un entrevistador de IA puede resultar valioso cuando un cliente ofrece una señal superficial, pero debe utilizarse para invitar a profundizar (“cuéntame más”), en lugar de para sustituir la conversación humana habitual.

Existen limitaciones importantes: los entrevistadores de IA pueden plantear preguntas de seguimiento poco eficaces, pasar por alto matices emocionales, gestionar mal la ambigüedad o no detectar cuándo es necesario profundizar en un tema. Asimismo, resultan inadecuados como método único para abordar temas delicados, mercados novedosos, cambios estratégicos de rumbo o relaciones con clientes corporativos de alto valor. Los investigadores humanos siguen siendo los responsables del diseño de la investigación, el criterio ético, la interpretación de los datos y la decisión sobre qué evidencias resultan suficientes.

En el siguiente post seguiremos hablando de cómo utilizar la IA para el descubrimiento de producto.

El post “IA y descubrimiento de producto (1)” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]