¿Qué es la brecha entre investigar y decidir?
Es la distancia entre lo que un equipo sabe de sus usuarios y lo que termina cambiando en el producto. La mayoría de las organizaciones que desarrollan productos digitales o sistemas con inteligencia artificial tiene entrevistas, tickets de soporte, comentarios, analítica de uso y prototipos evaluados. El problema rara vez es la falta de datos: es que ese conocimiento no llega a la decisión, o llega sin una forma de comprobar si la decisión funcionó.
Cuando un sistema con IA no alcanza la adopción esperada, la explicación habitual es técnica: faltan datos limpios, integración o infraestructura. Pero hay sistemas que funcionan correctamente en las pruebas y aun así la gente no los usa, los usa con desconfianza o vuelve al canal de siempre. Este informe revisa la literatura académica sobre esa brecha y se limita a las tres afirmaciones que la evidencia sostiene.
El cuello de botella es la integración, no la recolección
La investigación de usuarios suele quedar desacoplada de las decisiones de producto. No por falta de calidad, sino porque no existe un mecanismo formal que la conecte con el desarrollo.
Un estudio de Jennifer L. Martin (Universidad de Nottingham) y Julie Barnett (Brunel University), publicado en 2012, siguió en terreno el desarrollo de un dispositivo médico lo muestra con claridad. El equipo hizo entrevistas de requisitos y evaluó el prototipo en su contexto real. La observación reveló algo concreto: el tiempo de configuración y captura frustraba a profesionales y pacientes, y podía frenar la adopción. Los resultados se entregaron en un informe de 39 páginas y una presentación en una reunión ordinaria. Hubo acuerdo verbal, pero el proyecto siguió su plan original, y al cierre nadie pidió los resultados de usabilidad. Investigación y desarrollo corrían como líneas separadas, sin dependencias que obligaran a una a modificar a la otra.
Un estudio de 2026 en cuatro organizaciones de software y doce profesionales encontró el mismo patrón: la investigación UX se usa principalmente para descubrir requisitos, pero sus resultados rara vez se estructuran o comunican de forma visible para los equipos ágiles. Los problemas recurrentes fueron la documentación débil, la baja prioridad de UX, la escasez de recursos, la poca participación de usuarios y el conflicto entre velocidad e investigación. Lo que ayudaba: historias de usuario con criterios de aceptación, prototipos, comunicación frecuente y un repositorio central de hallazgos.
En empresas de software, cuando el feedback de los clientes llega tarde o sin mecanismos para analizarlo, la priorización se decide por opinión y se invierte sin validar contra necesidades reales. Es el llamado bucle abierto.
Medir contra una línea base mejora el aprendizaje
Un ciclo explícito de hipótesis, intervención y medición crea una condición para aprender que una lista de necesidades no ofrece. En tres empresas de software, un modelo de hipótesis, experimento y desarrollo guiado por datos acortó el ciclo de feedback. En una muestra de más de 35.000 start-ups tecnológicas seguida por investigadores de Harvard Business School y Duke University, la adopción de pruebas A/B se asoció con una mejora de desempeño de entre 30% y 100% al cabo de un año, efecto que los autores atribuyen al aprendizaje organizacional: escalar las ideas que funcionan y abandonar rápido las que no.
La medición también tiene un límite documentado. En sitios de periódicos, adoptar pruebas A/B redujo la probabilidad de cambios radicales y favoreció los incrementales. La prueba refutable dice si una intervención funcionó; no reemplaza la pregunta estratégica de qué vale la pena intentar. En un sistema con IA, medir dice cuánto y observar a usuarios reales dice por qué.
La adopción de la IA no depende solo de que funcione
Una revisión de 2024 de Afroogh y colegas, publicada en Humanities and Social Sciences Communications, sintetiza que la confianza regula la difusión de la IA: cuando crece, la adopción tiende a subir; cuando cae, a bajar. Pero «no confían en la IA» no es un hallazgo operable hasta descomponerlo en conductas.
En Merlin Bird ID, la aplicación del Cornell Lab of Ornithology que identifica aves desde una foto o un audio, sus 20 usuarios aceptaban las respuestas solo después de verificarlas y se negaban a usarla cuando equivocarse costaba más. El dominio y el contexto definían la decisión. Verificar, aceptar, ignorar, delegar o abandonar son conductas distintas, y cada una pide una corrección distinta.
En siete estudios con usuarios realizados por Jennifer Wang y Angela Moulden, presentados en la conferencia CHI en 2021, de funcionalidades empresariales con IA, una métrica compuesta por eficiencia, comprensión, control y protección de datos se correlacionó con confianza, seguridad percibida y satisfacción, y explicó cerca del 60% de la variación en satisfacción, más que preguntar directamente por confianza. Es evidencia correlacional y de un contexto corporativo concreto: sirve como modelo para desagregar, no como tasa universal.
Qué implica para quien decide
La inversión en IA puede seguir creciendo sobre un uso que no crece. El usuario que abandona no deja rastro en los tableros, y las correcciones se deciden por opinión, sin forma de saber si funcionaron. Tres preguntas ordenan la conversación: dónde están los hallazgos que ya se tienen y quién decidió sobre cada uno; si existe una línea base del flujo que más importa; y si se habla de «confianza» o de conductas observables.
Preguntas frecuentes
¿Por qué un sistema con IA puede tener baja adopción si funciona bien técnicamente?
Porque la adopción depende también de la confianza, el contexto, la verificación, el control y la utilidad para el trabajo. Que la funcionalidad esté disponible es solo el punto de partida.
¿Qué es el bucle abierto en desarrollo de producto?
Es la situación en que el feedback de los clientes llega tarde o sin mecanismos para analizarlo, y la priorización termina decidiéndose por opinión en vez de validarse contra necesidades reales.
¿Cómo se mide la confianza en una funcionalidad con IA?
Descomponiéndola en dimensiones y conductas. Un modelo probado en siete estudios con usuarios realizados por Jennifer Wang y Angela Moulden, presentados en la conferencia CHI en 2021, usa eficiencia, comprensión, control y protección de datos, y predice la satisfacción mejor que preguntar directamente por confianza.