La primera fase del design thinking exige acercarse a las personas, observar lo que hacen y comprender el contexto en el que toman decisiones. Es tentador pedirle a una IA que describa al usuario tipo y empezar a diseñar desde ahí. El problema es que aunque la IA nos dé una respuesta convincente puede seguir siendo una suposición y tenemos que ser conscientes de que no hablamos de usuarios reales.

La IA resulta más útil cuando mejora la calidad de nuestra investigación y nos ayuda a preparar preguntas, analizar información que ya tenemos, ordenar lo observado y reconocer lo que todavía no sabemos. En muchas organizaciones, esa información está en el CRM o en encuestas a usuarios y es conveniente escuchar esas señales antes de diseñar una nueva solución. Sin ser cerrado, ya que podemos usar otras técnicas como la observación directa, focus group o técnicas de inmersión, vamos a comentar acerca de tres fuentes de datos.

Empezar por los datos que ya tenemos

El CRM puede mostrar en qué momentos aparecen incidencias, qué consultas se repiten o qué segmentos abandonan un servicio. Una encuesta puede recoger necesidades expresadas con las palabras de los usuarios y permitirnos comparar respuestas entre grupos. La IA puede ayudarnos a explorar ambas fuentes, siempre que tengamos acceso autorizado a ellas y utilicemos una herramienta adecuada para esos datos. Antes de compartir un archivo, conviene retirar identificadores personales que no sean necesarios para el análisis. Otra opción es que tengamos nuestro CRM conectado a nuestra IA favorita, con lo que ya tendría acceso a nuestra información.

La distinción es importante, mientras que un patrón en el CRM muestra qué ocurre, no explica por sí solo por qué ocurre. Con una encuesta puede ocurrir lo mismo, ya que aporta respuestas, pero también depende de a quién preguntamos y de cómo formulamos las preguntas. Por lo tanto, podemos usar estos resultados para sacar las conclusiones oportunas en la fase de insights, no para atribuir motivaciones que nadie ha expresado.

Un prompt para explorar el CRM

Te proporcionaré una exportación autorizada del CRM [podemos tener concedido acceso], sin identificadores personales, y un diccionario de sus campos: [adjuntar datos y describir periodo, unidad de análisis y significado de cada variable]. Nuestro objetivo es comprender [problema-desafío o recorrido del usuario]. Antes de interpretar, comprueba datos ausentes, duplicados, periodos incompletos y el número de casos por segmento. Después, identifica patrones en consultas, incidencias, abandonos o recurrencia; muestra para cada hallazgo los datos, denominadores y segmentos afectados. Distingue hechos de posibles explicaciones. No atribuyas causas ni necesidades no observadas. Termina con un listado de preguntas para contrastar mediante entrevistas.

Un prompt para analizar encuestas

Estamos investigando este desafío de diseño: [describir el desafío, las personas afectadas y el contexto, sin dar por supuesta una solución]. Analiza estas respuestas de una encuesta a usuarios: [adjuntar cuestionario, respuestas anonimizadas y descripción de la muestra]. Identifica qué preguntas aportan evidencia para comprender el desafío y qué aspectos no cubre la encuesta. Para cada hallazgo, indica la pregunta y el segmento de origen, el número de respuestas; en las respuestas abiertas, incluye citas literales anonimizadas. Señala diferencias entre grupos, respuestas minoritarias y posibles sesgos de la muestra. Distingue lo que muestran los datos de nuestras interpretaciones; no infieras causas ni inventes testimonios. Termina con las preguntas que deberíamos explorar en entrevistas y explica cómo podrían cambiar nuestra comprensión del desafío.

Si disponemos de las dos fuentes, podemos pedir a la IA una tabla que cruce patrón observado, respuesta declarada, posible interpretación y pregunta pendiente. Esa tabla hace visibles las coincidencias, pero también las discrepancias que más pueden enseñarnos. Todo esto nos puede ayudar a preparar convenientemente la determinación de insights.

Antes de la entrevista: preparar preguntas que abran la conversación

Una pregunta como ¿Te resultaría útil una aplicación que resolviera este problema? invita a valorar una posible solución. En la fase de empatía nos interesa algo anterior, y es qué ocurre hoy, cómo actúa la persona y qué significado tiene esa experiencia para ella. Podemos usar este prompt:

Estamos investigando cómo [grupo de personas] vive [situación-desafío]. Todavía no queremos proponer soluciones. Prepara ocho preguntas abiertas para una entrevista de 20 minutos. Pregunta por experiencias recientes, decisiones concretas, dificultades y alternativas que ya utilizan. Revisa tus preguntas e indica cuáles podrían sugerir una respuesta o dar por supuesta una necesidad.

El resultado es un guion inicial. Conviene adaptarlo al contexto y dejar espacio para seguir pistas inesperadas durante la conversación.

Después de la entrevista: distinguir datos de interpretaciones

Al analizar notas, es fácil convertir una frase aislada en una conclusión general. La IA puede ayudarnos a hacer visible ese salto.

Analiza estas notas de entrevistas anonimizadas: [pegar notas]. Organiza la respuesta en cuatro apartados: 1) hechos observados, 2) frases literales de los participantes, 3) posibles interpretaciones y 4) preguntas pendientes. Vincula cada interpretación con la evidencia disponible. Si los datos no permiten sostener una conclusión, indícalo expresamente. No inventes testimonios.

Esta distinción es importante, por ejemplo, es distinto afirmar «Tres participantes abandonaron el formulario en el mismo paso» que es una observación, mientras que decir «El formulario les genera desconfianza» es una hipótesis que debemos investigar.

Antes de pasar a definir: buscar lo que falta

Una síntesis ordenada puede dar una falsa sensación de comprensión, especialmente cuando reunimos CRM, encuestas y entrevistas. Por eso haría una última consulta:

A partir de estos hallazgos de CRM, encuestas y entrevistas: [pegar síntesis con fuentes], identifica perspectivas ausentes, contradicciones entre fuentes y supuestos que estamos tratando como hechos. Señala qué evidencia respalda cada hallazgo y qué datos lo cuestionan. Propón cinco preguntas prioritarias para la siguiente ronda de entrevistas u observaciones. Explica qué decisión de diseño podría cambiar con cada respuesta.

Así, la IA no cierra la fase de empatía, si no que nos ayuda a decidir a quién escuchar y qué observar a continuación. Por supuesto, toda esta fase de empatía supone un ciclo que involucra las siguientes fases:

Un apunte sobre los usuarios sintéticos

Habréis oido hablar de usuarios sintéticos, pero la pregunta es si son fiables. Un usuario sintético es un perfil simulado mediante IA que responde a preguntas o reacciona ante un producto como si fuera un determinado tipo de usuario. Se configura con una descripción del perfil demográfico, psicográfico y de comportamiento. Sus respuestas pueden ayudarnos a ensayar escenarios y detectar preguntas que aún no hemos hecho. No son testimonios reales ni constituyen una muestra representativa, pero expresan lo que genera el modelo a partir de los datos y supuestos que le proporcionamos.

¿Hasta qué punto son fiables? No existe un porcentaje de fiabilidad aplicable a todos los usos. Te dejo algunos datos de investigaciones, por ejemplo en un estudio sobre una aplicación de transporte, ocho configuraciones de usuarios sintéticos señalaron varios problemas de usabilidad que también habían detectado usuarios reales, pero pasaron por alto incidencias que solo se apreciaban durante el uso, como información de salidas que llegaba tarde (Simaremare y Edison, 2026)

Una investigación más amplia comparó 15 modelos de IA con datos de siete encuestas realizadas a personas en distintos ámbitos sociales. Cuando los modelos recibían información limitada sobre cada perfil, sus respuestas tendían a reducir la diversidad observada en la población y a exagerar las relaciones entre características y respuestas. El estudio evalúa datos sintéticos para investigación social, no pruebas de productos, por eso no permite asignar una tasa de acierto a una entrevista simulada. Las cautelas que muestran los propios autores es que una respuesta verosímil puede ocultar diferencias y experiencias que importan para innovar. (Xie y colaboradores, 2026)

Es un tema con posibilidades y riesgos suficientes para dedicarle un próximo número en profundidad: cómo se construyen estos perfiles, qué pueden aportar a la innovación y dónde necesitamos seguir preguntando a personas reales.

La regla que mantendría durante todo el proceso

Podemos pedir a la IA que simule posibles reacciones para ensayar una entrevista o detectar preguntas que necesiten revisión. Esas respuestas sirven para prepararnos y no son testimonios de usuarios ni validan una necesidad.

La fase de empatía mejora cuando combinamos una escucha humana cuidadosa, los datos disponibles y un análisis sistemático de toda la información. La IA puede ayudarnos a formular mejores preguntas, explorar el CRM y las encuestas, y examinar nuestras conclusiones, pero las experiencias que dan sentido al proyecto siguen viniendo de las personas.

Para reflexionar: ¿Cómo analizas el conocimiento del usuario a la hora de plantear tus proyectos de innovación?

Suscríbete al Newsletter de IA para Innovación en Linkedin Suscribirte en LinkedIn

Referencias metodológicas

• Design Thinking Bootleg · Stanford d.school](https://dschool.stanford.edu/tools/design-thinking-bootleg)
• The design thinking process · IDEO (https://designthinking.ideo.com/process)
• Simaremare y Edison (2026), Active Personas for Synthetic User Feedback: A Design Science Study](https://doi.org/10.1007/978-3-032-14518-5_20)
• Xie y colaboradores (2026), Evaluating the statistical realism of LLM-generated social science data](https://doi.org/10.1073/pnas.2538145123)