Usuarios sintéticos y prototipos generados por IA pueden acelerar el descubrimiento de productos, pero nunca como sustitutos de la realidad del cliente.

Seguimos analizando cómo aplicar la IA para el descubrimiento de productos, en particular, para la fase inicial del descubrimiento de problemas de mercado.

Usuarios sintéticos: excelentes para formular hipótesis, pero nunca una fuente de evidencia

Los usuarios sintéticos son una de las herramientas de IA más controvertidas en la gestión de productos. No son clientes reales, sino perfiles generados por IA, configurados para simular la demografía, los flujos de trabajo y los puntos de dolor de los clientes y que reproducen un comportamiento verosímil de estos.

Pueden resultar útiles para la investigación documental, la preparación de guías de discusión, la identificación de suposiciones, la generación de objeciones, la exploración de casos límite, la puesta a prueba del lenguaje y la formulación de preguntas para investigaciones reales, comparando mensajes dirigidos a distintos perfiles de usuario (personas).

Por ejemplo, un product manager que se prepare para entrevistar a administradores de TI podría proporcionar a un sistema de usuarios sintéticos información verificada de investigaciones previas con clientes, una descripción clara del flujo de trabajo y las limitaciones conocidas. El objetivo no debería ser “dime qué piensan los administradores de TI”, sino más bien: “Enumera las suposiciones de nuestro concepto actual que un administrador de TI probablemente cuestionaría. Para cada suposición, propón una pregunta de entrevista neutral que permita ponerla a prueba con un participante real”.

Este enfoque es productivo porque el resultado es un plan de investigación mejorado, no una validación ficticia.

Dónde destacan los usuarios sintéticos: sirven para realizar pruebas heurísticas iniciales. Antes de presentar un prototipo, una encuesta o un enfoque de comunicación a clientes reales, conviene someterlos a la evaluación de personas sintéticas para detectar fallos evidentes de usabilidad, terminología confusa u obstáculos obvios en el flujo de trabajo.

Dónde fallan los usuarios sintéticos: no pueden reemplazar la intención de compra humana real, los matices emocionales ni los comportamientos inesperados en casos límite. Los usuarios sintéticos no deben utilizarse para determinar si existe un problema, validar la disposición a pagar, estimar la demanda, evaluar la accesibilidad, sustituir las pruebas de usabilidad ni aprobar inversiones importantes en productos. Carecen de experiencias vitales, no pueden utilizar el producto, tienden a ofrecer respuestas plausibles y complacientes, y a menudo no reflejan adecuadamente las contradicciones, los casos límite ni la diversidad del comportamiento real de los clientes.

Los usuarios sintéticos generan generalizaciones, no experiencias vividas. Estudios académicos recientes llegan a una conclusión similar: aunque los usuarios sintéticos pueden aproximarse a patrones poblacionales en ciertos contextos, no pueden sustituir los insights provenientes de personas reales.

Cuanto más novedosa, trascendental, específica de un contexto local, emocionalmente compleja o poco representada sea la población de clientes, menos fiables resultan los usuarios sintéticos. Depender exclusivamente de usuarios sintéticos para validar un producto conduce a una demanda ilusoria (o “alucinada”).

En otras palabras, los usuarios sintéticos son menos eficaces precisamente en el tipo de descubrimiento abierto que ayuda a los equipos a hallar algo genuinamente nuevo.

¿Pueden los prototipos creados con IA ayudar a comprender el espacio del problema?

Paradójicamente, sí; pero solo si se utilizan como herramienta de descubrimiento en lugar de como un producto final que defender. La cuestión no es prohibir el vibe coding ni el prototipado con IA, sino invertir su uso. En lugar de usar la IA para construir soluciones, podemos usar prototipos de IA para analizar problemas. De hecho, esta podría llegar a ser su aplicación de mayor valor. La mayoría de la gente piensa que los prototipos responden preguntas. Los mejores prototipos las plantean.

Si el prototipado tradicional consiste en mostrar la solución, el prototipado en el espacio del problema busca provocar la verdad.

Pidamos a los clientes que realicen una tarea real utilizando el prototipo. Observemos dónde dudan, qué pasan por alto y qué flujos de trabajo idean. El objetivo no es demostrar que el diseño funciona, sino descubrir si hemos comprendido el problema correctamente.

La clave reside en tratar los prototipos como puntos de partida para conversar con los usuarios, y no como soluciones terminadas que hay que defender a toda costa. El flujo de trabajo recomendado ilustra esto: explorar el espacio del problema, definir la funcionalidad, alinearla con el sistema de diseño, explorar 3 o 4 soluciones divergentes y, finalmente, realizar pruebas con usuarios reales antes de compartir el trabajo con el equipo de ingeniería.

El prototipo se convierte en una provocación. Su propósito no es validar la interfaz. Consiste en exponer suposiciones invisibles: el prototipo ya no es el destino, sino la guía de la entrevista.

Cómo evitar la trampa: disciplina frente a velocidad

La IA debe reducir el coste de la curiosidad, no rebajar los estándares de evidencia.

Usémosla para organizar el ruido, afinar preguntas, orientar a los investigadores, enriquecer señales débiles, sacar a la luz suposiciones y probar rápidamente hipótesis de solución contrapuestas. Pero no permitamos que los resúmenes fluidos, las personas sintéticas o los prototipos pulidos suplanten la realidad del cliente.

Los mejores equipos de producto no serán aquellos que utilicen la IA para dejar de hablar con los clientes. Serán ellos quienes utilicen la IA para escuchar de manera más sistemática, aprender más rápidamente y preservar el juicio humano necesario para decidir qué vale realmente la pena construir.

En el próximo post analizaremos cómo definir un flujo de trabajo con IA centrado primero en el descubrimiento.

El post “IA y descubrimiento de producto (2)” 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.]