Le pasé a una IA un análisis cualitativo que me había tomado dos meses. Esto es lo que pasó (y lo que sigo procesando)

Todo empezó por curiosidad. No iba a probar nada, no quería validar la IA ni defender lo cualitativo, no tenía hipótesis. Solo había visto un challenge de Storytelling with Data hace unos días y pensé: y si paso por un GEM de Gemini ese estudio que hice en 2024, ese de las 21 entrevistas que me tomó dos meses analizar a mano, con hojitas impresas que llevaba para todos lados y códigos que iba armando primero en mi cabeza antes de pasarlos al Excel. Qué podía salir mal, e iba a aprender un montón.

Bueno, aprendí un montón. Pero no de lo que pensaba.

El experimento, contado seco

En 2024 hice un estudio para un cliente de una industria que no puedo nombrar acá, pero sí puedo decir el tamaño del trabajo: 21 entrevistas en profundidad, más una encuesta complementaria que para este ejercicio dejé fuera. En ese momento no tenía software de pago para análisis cualitativo, así que el flujo fue manual de principio a fin. Grabé las sesiones, las volví a escuchar una por una y transcribí todo en Word. Después codifiqué cada entrevista a mano, llevé los códigos a un Excel anotando la fuente de cada código por entrevistado, armé patrones, y de ahí saqué la presentación de resultados.

El análisis combinaba dos lógicas, como suelo trabajar: una deductiva, con precódigos definidos a partir de los objetivos del estudio (más cercana a cómo aprendí a trabajar en UX), y una inductiva más cercana a grounded theory (con la que me formé en psicología y en el magíster, y con la que me siento más cómoda).

Sin contar la ejecución de las entrevistas, que fue otro trabajo completo de coordinación y conducción, el análisis solo me tomó entre 60 y 80 horas. No recuerdo el número exacto, pero fueron dos meses de trabajo, varios fines de semana, y mucho café.

El experimento de hace unos días: armar un GEM en Gemini, conectarlo con las transcripciones, pedirle el mismo análisis. Me tomó 5 horas configurarlo. Tres horas más para que entregara los resultados estructurados en tablas, distinguiendo qué entrevistado dijo qué, como me importaba en 2024.

Los códigos deductivos que me devolvió fueron prácticamente los mismos que los míos. Eso lo esperaba.

Los códigos inductivos, también. Eso no lo esperaba, y es lo que más me removió.

Antes de seguir, algo importante sobre el insumo.

Lo que la IA analizó no era materia prima cualquiera. Eran 21 entrevistas hechas con un propósito específico, con personas reclutadas porque cumplían criterios que importaban para lo que el cliente necesitaba entender. Y a esas 21 las antecedió un trabajo que el GEM no podría haber hecho.

Hubo un kickoff con el cliente para entender qué le dolía, qué hipótesis tenía, qué decisiones quería tomar después con los hallazgos. De ese kickoff salieron los criterios de reclutamiento: a quién buscábamos, por qué a esos y no a otros. Después se planificó la etapa de entrevistas, se diseñó el guion, y se iteró ese guion con el equipo. Las preguntas no eran genéricas, apuntaban a las fricciones específicas que ya habíamos detectado en conversaciones previas. Apuntaban al dolor real, no a uno hipotético.

Y en el camino hacia esas 21 entrevistas se agendaron otras 16 que no se concretaron. Personas que confirmaron y no llegaron. Yo estuve ahí, esperando.

Digo todo esto porque cuando la IA me devolvió códigos casi idénticos a los míos, era fácil pensar “qué impresionante, replicó mi análisis”. Y sí, pero replicó un análisis que se hizo sobre un material que era bueno. Y el material era bueno porque hubo decisiones humanas antes de que existiera siquiera la primera transcripción.

La primera incomodidad

Los códigos inductivos, los que se supone “emergen” de los datos, los que no se van a buscar porque vienen de lo implícito, aparecieron casi idénticos a los que yo construí en 2024. Con énfasis levemente distintos, sí. Pero ahí estaban.

Y al leerlos sentí algo que no anticipé: un desapego raro con los hallazgos.

En 2024 esos códigos eran míos. Sabía de dónde venía cada uno, quién lo había dicho, en qué contexto, por qué se había armado ese y no otro, qué prioridad le asignaba al ponerlo en el reporte. Cuando un código aparecía citado por un entrevistado específico, yo recordaba la pausa antes de decirlo, o la cara, o la frase que vino después.

Al leer los resultados que me entregó la IA, los reconocía, pero no los habitaba. Era como leer el resumen de un libro que escribí yo. Estaba todo. Y al mismo tiempo no estaba nada — esa textura de “yo estuve ahí, yo sé por qué este código pesa más que el otro” no se transfería.

No sé si a otras personas que hacen análisis cualitativo les pasa lo mismo. Yo me quedé mirando el horizonte un buen rato.

El primer aprendizaje que sí puedo nombrar

Acá viene lo que ya pude integrar, aunque haya pasado poco tiempo.

Las 5 horas que me tomó configurar el GEM no fueron 5 horas de “la IA es rápida”. Fueron 5 horas de yo operacionalizando mi propio proceso de análisis cualitativo.

Para que el GEM funcionara tuve que pensar, paso a paso, qué hago primero cuando me siento frente a una transcripción. Qué hago después. Cómo decido qué es un código y qué no. Cuándo paso de códigos a patrones. Cómo distingo un código deductivo de uno inductivo en la práctica, no en la teoría. Cuándo me detengo a releer en vez de seguir avanzando. Qué tipo de entregable produzco y para quién.

Todo eso lo llevaba haciendo años. Pero nunca lo había escrito. Era oficio implícito, decisiones automatizadas por experiencia, una lógica interna que funcionaba pero que no había mirado desde afuera.

El GEM me obligó a mirarla desde afuera. De manera sistemática. Y eso, para alguien que viene de la psicología clínica donde uno mismo es el instrumento, es un movimiento incómodo y revelador a la vez.

Ese fue el aprendizaje claro número uno: la IA no me ahorró 65 horas de trabajo. Me obligó a hacer explícito un trabajo que llevaba años haciendo implícito. Y ahora que está explícito, lo veo distinto. No mejor ni peor, distinto.

Lo que la IA no hizo

Acá viene el segundo aprendizaje, y es el que más me importa para seguir trabajando con clientes.

Cuando entregué los resultados en 2024, no hice un solo informe. Hice tres miradas dentro de la misma presentación. Una para stakeholders del cliente, con énfasis en lo estratégico y en cómo los hallazgos afectaban decisiones de negocio. Otra para el equipo de producto, con foco en oportunidades concretas de iteración. Y otra para ingeniería, con énfasis en los hallazgos que tocaban arquitectura técnica y feasibilidad. Misma data, tres lecturas, tres niveles de abstracción.

El GEM, por defecto, me entregó un único resultado, plano, orientado principalmente a producto. No porque sea limitada — porque nunca le di ese contexto. Nunca le dije quiénes iban a leer esto, qué decisiones iban a tomar a partir de los hallazgos, qué nivel de abstracción servía para cada audiencia. Tampoco vio las pantallas del producto, ni los flujos, ni el contexto del equipo. Y eso era información que yo sí tenía y que usé sin pensar al armar la presentación.

Hay algo importante ahí: el análisis cualitativo es solo una parte del trabajo. La otra parte, igual de pesada, es la interpretación situada, leer los hallazgos en función de quién va a usarlos, para qué, en qué contexto, con qué nivel de poder de decisión. Eso es lo que un cliente B2B contrata cuando contrata investigación. No la codificación, sino la lectura de los datos.

La IA puede asistir la codificación. La interpretación situada, hasta donde he visto, sigue siendo trabajo humano. Y no porque la IA sea “limitada”, sino porque el contexto del cliente, las dinámicas internas, los equipos, las prioridades en tensión, son información que la IA simplemente no tiene. Yo tampoco la tenía completa, pero tenía mucha más.

Lo que sigo procesando

Hasta acá los aprendizajes nítidos. Lo que sigue es lo que aún me remueve y todavía no integro del todo.

El desapego. Sigo sin saber qué hacer con la sensación de leer hallazgos propios sin habitarlos. No me había pasado antes. Tengo una hipótesis: que cuando uno hace el análisis a mano, el proceso mismo es parte del conocimiento. No es solo qué encontraste, sino cómo lo encontraste, qué pensaste al leer cierta cita, qué descartaste y por qué. Cuando la IA hace ese proceso, los resultados llegan limpios pero sin la memoria del trayecto. Y esa memoria del trayecto era, sin que yo lo supiera, parte importante de cómo defendía después los hallazgos en una reunión.

No sé si esto es un problema a resolver o una característica nueva a la que voy a adaptarme. Por ahora lo nombro y lo dejo en pregunta.

Bateson volviendo. Estos días saqué una fotocopia vieja de un libro de Bateson. Bateson era central en la formación en terapia sistémica de la que fui parte. Sistemas, contextos, partes que solo se entienden en relación con otras partes.

Lo que pasó con el GEM se puede leer en términos sistémicos: la IA no es un sustituto, es una parte nueva del sistema en el que hago research. Cambia las otras partes, las obliga a hacerse visibles, redistribuye lo que cada parte hace. No reemplaza al sistema.

Esa lectura me sirve. Pero todavía la estoy desarrollando.

La pregunta gremial. Esta es la más incómoda y la dejo al final porque no la tengo resuelta. Cuando empecé a escribir esto, pensé en no publicarlo. Pensé que iba a sonar como traición a otras personas que trabajamos cualitativamente, que están pasando por la misma pregunta sin decirlo en voz alta. Pensé que iba a sonar como “soy reemplazable”, lo cual no es lo que estoy diciendo, pero podía leerse de ese modo.

Sigo pensando que el riesgo existe. Pero también pienso que aunque queramos cerrar los ojos esto no desaparece. Si quienes hacemos cualitativo no escribimos sobre esto, la conversación va a quedar en manos de quienes nunca hicieron análisis cualitativo, y la respuesta de mercado va a ser una caricatura. Prefiero que esté esta voz, aunque sea procesando, antes que solo la voz de quien vende cursos de “IA reemplaza al researcher”.

Lo que cambié en mi práctica desde entonces

Desde este experimento, dos cosas cambiaron en cómo trabajo:

Una. Estoy escribiendo mi proceso. Como documento de trabajo interno. Si tuve que destilar mi flujo para que un GEM lo siguiera, tiene sentido tenerlo documentado para mí también. Para usarlo en otros estudios, para iterarlo, para que en algún momento pueda enseñarlo mejor que ahora.

Dos. Cuando uso IA en análisis, ahora lo pienso como “yo lo haría”, no como lo que espero que la IA haga por mí. No sé si se entiende esa diferencia. Le doy contexto del cliente, las audiencias del informe, las decisiones que se van a tomar con los hallazgos. Antes no lo hacía porque asumía que la IA solo necesitaba los datos. Ahora entiendo que la IA, sin contexto situado, entrega análisis técnicamente correcto pero estratégicamente plano. Ese contexto sigue siendo mi trabajo. Y probablemente sea cada vez más mi trabajo principal.

Hay una frase de Cole Knaflic, la autora del challenge de Storytelling with Data que disparó todo esto, que me quedó dando vueltas. En el video Data Storytelling in the Age of AI, hacia el minuto 2:36, ella dice: “What AI still can’t do, however, is decide what matters. AI doesn’t know what’s right for this specific audience at this specific moment in time.” Lo que la IA todavía no puede hacer es decidir qué importa. La IA no sabe qué es lo correcto para esta audiencia específica, en este momento específico.

Creo que con el análisis cualitativo pasa lo mismo, pero un nivel más adentro. La IA puede codificar pero no puede decidir qué historia están contando los códigos, ni para quién, ni con qué énfasis. Eso sigue (aún) siendo nuestro.

---

Fuentes

• Cole Nussbaumer Knaflic. Data Storytelling in the Age of AI: What is the human role when AI can generate anything? [Video, YouTube]. Cita textual del minuto 2:36. Enlace:
• Storytelling with Data Community. May 2026 Challenge: Human + AI. Enlace: https://community.storytellingwithdata.com/challenges/may-2026-human-ai