IA cualitativa: velocidad útil, criterio insustituible

 

Introducción

¿Puede la aceleración que nos regala la inteligencia artificial convivir con la profundidad que exige el análisis cualitativo? El entusiasmo por “hacerlo todo más rápido” convive con el temor de perder aquello que nos diferencia: nuestro criterio, nuestro estilo, nuestra capacidad de leer matices. Es innegable: la IA ya nos ayuda —y mucho— a localizar bibliografía, organizar corpus o transcribir entrevistas en minutos; sin embargo, si preguntamos en general, recibiremos respuestas generales, y ahí se diluye la singularidad analítica que aportamos las y los profesionales. Por tanto, el debate no es si usar o no IA, sino cómo articularla para que agilice sin aplanar.

 

La ilusión de la pregunta genérica

Quienes investigamos sabemos que la calidad de la respuesta depende de la calidad de la pregunta. En IA, esto se traduce en preguntas diferenciadoras que explicitan contexto, propósito y criterios. ¿Qué queremos exactamente? ¿Para qué lo necesitamos? ¿Dónde y cómo debe buscar? Cuando omitimos estas coordenadas, la IA rellena huecos con promedios y lugares comunes.

 

Micro–protocolo para formular “preguntas que piensan” a la IA

• Contexto (mercado, cultura, momento): delimita el “dónde”.

• Objetivo analítico: ¿qué decisión habilitará la respuesta?

• Unidad de análisis: consumidores, momentos de uso, discursos, imaginarios.

• Criterios y estilo: marco teórico, tono (técnico o ejecutivo), extensión, qué excluir.

• Contrastes: pide contraejemplos, discrepancias y límites del hallazgo.

• Trazabilidad: solicita fuentes, supuestos y ambigüedades.

Este brief de IA evita la banalidad y nos ayuda a diferenciarnos desde la propia pregunta.

 

Automatizar no es analizar

La IA es formidable como copista veloz: transcribe, etiqueta, resume. En muchos flujos, delegar la transcripción ahorra tiempo y coste; más aún cuando la herramienta sincroniza audio, texto y vídeo/estímulos, permitiendo revisar entonaciones, pausas y reacciones durante la exposición. Ahora bien, la lectura interpretativa —ese tránsito de “lo que se dijo” a “lo que se quiso decir”— no es mecánica. La entonación del entrevistador, el clima del grupo, la secuencia de estímulos, las alineaciones entre participantes y los silencios significativos pertenecen a un nivel de comprensión donde la IA todavía ve datos y la persona investigadora reconoce sentido.

 

Podemos automatizar la huella, pero no la vivencia del campo. Y el análisis cualitativo nace, precisamente, de esa vivencia.

 

Un apunte sobre neuromarketing y “emociones”

Alguien dirá: “la IA ya analiza emociones”. Es cierto que existen herramientas que detectan señales (expresiones faciales, mirada, respuesta galvánica) o codifican patrones de valencia/activación; pero el porqué de esas emociones —su función, su significado cultural, su relación con la marca y el contexto— sigue siendo materia de interpretación humana. La detección no equivale a comprensión: sin teoría y sin campo vivido, el dato afectivo se queda mudo.

 

El valor del campo vivido y el contexto local

En estudios internacionales es habitual parcelar: alguien modera en cada país, otra persona transcribe y un equipo central arma el informe (a veces incluso el de cada país) con un breve debrief del moderador local.

 

Esa segmentación acorta plazos y abarata costes para el cliente final, pero puede atrofiar el entendimiento de costumbres, guiños culturales, ironías y microcódigos que no viajan en una tabla de highlights. El conocimiento tácito de quien estuvo “en la sala, detrás de la pantalla o moderando una comunidad” —lo que se sintió, lo no dicho, el clima— es difícil de externalizar por completo (Polanyi, 1966). En términos antropológicos se empobrece la descripción densa (Geertz, 1973), y a nivel organizacional se dificulta el sensemaking (Weick, 1995).

 

Además, la presión por abaratar puede traducirse en pedir solo una descarga verbal del campo, en lugar de un informe (o al menos un top line) que ancle hallazgos en evidencia y contraste. ¿Se le está pidiendo a la persona investigadora que hable de memoria y “dé matices” sin haber analizado? Si es así, debilitamos el proceso y penalizamos a quien más valor aporta: quien habitó el dato. Por eso, aunque existan herramientas que “hacen informes”, conviene recordar que la recomendación inteligente la formula quien fue capaz de escuchar con ojos, mirar con oídos y leer con contexto.

 

Colaboración humano–IA: un marco mínimo

Propongo pensar la integración en tres capas complementarias:

1. Automatización (IA): tareas repetitivas y volumétricas (búsqueda, limpieza, transcripción, deduplicación).

2. Orquestación (humana): diseño de la pregunta, el muestreo, los criterios de contraste, los escenarios de interpretación y la triangulación con teoría y negocio.

3. Sentido (humano): elaboración de insights, tensiones y palancas que conectan emoción, motivación y marca, transformando hallazgos en decisiones accionables.

Este marco no compite con la velocidad; la encauza. La IA reduce la fricción operativa; nosotras y nosotros ampliamos la resolución interpretativa.

 

Buenas prácticas para un uso exigente (y humano) de la IA

• Explicita el “para qué” antes del “qué”: la herramienta optimiza lo que se le pide, no lo que se necesita.

• Pide límites y contraargumentos: evita el efecto de “verdad monolítica” y favorece la ambivalencia productiva propia de lo cualitativo.

• Exige trazabilidad: fuentes, supuestos, criterios de inclusión/exclusión y áreas de incertidumbre.

• Reincorpora el campo: revisa fragmentos clave con audio y vídeo; valida interpretaciones con quien moderó.

• No sustituir informe por debrief exprés: al menos un top line por país, elaborado por quien hizo el campo.

• Ancla en teoría: integra marcos (tácito, sentido, cognición dual) para elevar el análisis y protegerlo del lugar común.

Conclusión

Aprovechemos lo que la IA sí ofrece —agilidad— y potenciemos lo que la investigación humana aporta —criterio. La IA es imprescindible porque desbloquea velocidad; pero la velocidad, sin criterio, solo acelera lo indistinto. El desafío no es “defender” el trabajo frente a la máquina, sino reacomodarlo: dejar que la IA haga lo que aplana y reservar para la persona investigadora lo que despliega —matices, recomendaciones inteligentes e insight de marcaque vincula emoción, contexto y acción. En síntesis: que la IA corra; que nosotras y nosotros marquemos el rumbo.

 

Gracias por llegar hasta aquí,

si quieres seguir la conversación, vamos a 📎 LinkedIn 

Alejandra Borce

 

Alejandra Borcel

---

Referencias sugeridas

• Polanyi, M. (1966). The Tacit Dimension.

• Geertz, C. (1973). The Interpretation of Cultures (cap. “Thick Description”).

• Weick, K. (1995). Sensemaking in Organizations.

• Kahneman, D. (2011). Thinking, Fast and Slow.

• Dreyfus, H. & Dreyfus, S. (1986). Mind over Machine.

• Barrett, L. F. (2017). How Emotions are Made.

• Ekman, P. (2003). Emotions Revealed.