Usuarios sintéticos vs. usuarios reales en UX Research

En aventuras laborales previas, me tocó enfrentar más de una vez esa encrucijada que todos conocemos: tenemos un prototipo digital listo para validar, pero el cronograma de entrega esta muy próximo y los tiempos del proyecto se extendieron por revisiones del proyecto o alguna tarea de último momento.

Es la fricción clásica de lo que hacemos al dar servicio de UX a proyectos, donde la usabilidad muchas veces se posterga por la rapidez de los entregables, y terminamos lanzando productos cruzando los dedos para que el usuario no se pierda en el flujo.

Hoy, la tecnología nos propone un atajo tentador: los "usuarios sintéticos". Prometen estar disponibles 24/7, no cobran incentivos y responden en segundos. Ante esta inmediatez, es inevitable preguntarse: ¿estamos ante la solución mágica que profesionalizará nuestros tiempos de respuesta o es solo un espejismo que nos aleja de la realidad?

Intentar reclutar un viernes por la tarde puede ser tan frustrante como buscar un repuesto para un auto de los años 70 y no poder encontrarlo, pero ¿vale la pena cambiar ese esfuerzo por un usuario de laboratorio?

¿Qué son exactamente estos "amigos imaginarios " de la tecnología?

Para no enredarnos con tecnicismos vacíos, digamos que los usuarios sintéticos son perfiles generados por modelos de lenguaje (LLMs) que simulan comportamientos, opiniones y decisiones de segmentos específicos. No son simples "personas" estáticas en un PDF o un PPT; son modelos dinámicos construidos a partir de datasets gigantescos —foros, blogs y datos de uso— que plataformas como Uxia o Synthetic Users permiten "entrevistar" o trestear un flujo.

Desde mi perspectiva de curiosidad permanente, me parece fascinante cómo estas herramientas buscan afinar la experiencia desde la etapa de discovery. Es como tener un simulador de vuelo para el diseño de productos: nos permite estrellar ideas rápido y sin heridos, ayudándonos a entender mejor el terreno antes de construir el avión definitivo.

La velocidad de la luz vs. la profundidad del alma

La gran promesa aquí es la escala. Mientras que coordinar a cinco humanos reales puede tomarnos semanas de correos de ida y vuelta, la IA puede procesar miles de variantes en lo que te demoras en servirte un café.

Sin embargo, Nielsen Norman Group (NNG) mantienen un escepticismo saludable. La IA tiende a ser "visualista"; un estudio de UX Studio reveló que modelos como ChatGPT suelen enfocarse más en la estética del diseño que en la fricción real de la interacción. La IA "ve" la interfaz, pero no "siente" la distracción de una oficina ruidosa ni la frustración de un botón que no carga mientras el usuario corre a buscar a sus hijos al colegio.

• "La investigación sintética no puede proporcionar datos fiables para tests de usabilidad y no reemplaza la prueba con participantes humanos."

El humano aporta lo inesperado y las contradicciones genuinas. La IA nos entrega el promedio de lo que ya existe, pero el usuario de carne y hueso nos regala el insight disruptivo que nace del error o del uso no previsto.

El peligro de los espejismos: sesgos y alucinaciones cuantitativas

Desde la experiencia, me parece que usar datos sintéticos para decisiones de alto impacto requiere de un criterio clínico. Confiar ciegamente en ellos sería como intentar ajustar un motor con un destornillador mientras el auto va a 100 km/h: lo más probable es que termines rompiendo algo.

Los modelos heredan los sesgos de sus datos de entrenamiento y pueden distorsionar la realidad de forma preocupante. Un caso documentado mostró cómo la IA sobreestimó la participación electoral en un 83%, cuando la cifra real era del 49%. Si aplicamos ese nivel de error a una proyección de negocio o a la accesibilidad de una herramienta financiera para minorías, el riesgo es inaceptable. Como consultor, mi rol es recordarles que estos "usuarios de laboratorio" pueden alucinar comportamientos que no existen en el contexto local o cultural de tu público real.

El modelo híbrido: cómo ser un estratega inteligente

¿Significa esto que debemos ignorar la IA? Para nada. El secreto está en ser un estratega inteligente y adoptar un enfoque híbrido. Podemos usar a los usuarios sintéticos como un filtro inicial para el 70-80% de las dudas obvias, reservando el valioso tiempo de los humanos para lo verdaderamente crítico.

Aquí algunas buenas prácticas para no perder el norte:

1. Context Enrichment (RAG): No nos conformemos con la IA "de fábrica". Se debería nutrir los modelos con datos propios —tickets de soporte, transcripciones de entrevistas pasadas o analítica— mediante técnicas de Retrieval-Augmented Generation. Esto hace que tus "amigos imaginarios" sean mucho más inteligentes y apegados a la realidad.

2. Desk Research y Ppreparación: Usa la IA para explorar comportamientos típicos de un segmento antes de salir a terreno. Ayudará a llegar a la entrevista real con preguntas mucho más filosas.

3. Refinamiento de Guías: Probar guiones de prueba o encuestas con la IA para detectar ambigüedades. Si una máquina no entiende una instrucción, un humano con prisa tampoco lo hará.

4. Validación de Journeys Core: Para flujos críticos como pagos, seguridad o salud, la validación final debería ser siempre humana. No deleguar la ética de un producto a un algoritmo.

5. Transparencia con los Stakeholders: Ser honesto con el equipo. Documentar claramente qué insights vienen de simulaciones y cuáles son evidencias humanas. La profesionalización de nuestra disciplina depende de esta honestidad técnica.

Hacia un diseño con más humanidad

El futuro del diseño de productos digitales no se trata de reemplazar la empatía, sino de potenciarla. La IA es un copiloto extraordinario para disminuir la fricción, pero el volante de la estrategia siempre debe estar en manos de quien entiende que detrás de cada pantalla hay una vida compleja.

Recordando algunos proyectos, podría decir que cuando tenemos más talento que recursos y más pasión que oportunidades, la verdadera inteligencia está en saber usar cada herramienta en su justa medida. La IA nos da velocidad, pero los humanos nos dan la verdad.

Al final del día, toda mejora puede ser potenciada desde la investigación oportuna.