# Declaración de hipótesis: creemos que, sabremos que

> Una declaración de hipótesis escribe una creencia de producto y lo que la refutaría. Formato de Lean UX, orden por riesgo y cómo evitar métricas elegidas tarde.

*Tags: ux, artefacto, lean, validacion, producto*

---


> [!info] Definición Rápida
> Una **declaración de hipótesis** es una frase que escribe una creencia sobre el producto en dos partes: lo que se espera lograr para los usuarios y el negocio, y la condición observable que demostraría que esa creencia es falsa. Convierte una idea o un requisito en algo que se puede probar.


## ¿Qué es una declaración de hipótesis?

Es el puente entre una idea y un experimento. En lugar de escribir "añadir un botón de ayuda en el pago", el equipo escribe qué cree que pasará si lo añade, para quién y cómo sabrá si se equivoca.

Lean UX es el enfoque de Jeff Gothelf y Josh Seiden. Según O'Reilly, se apoya en tres bases: el diseño de experiencia de usuario, el desarrollo ágil y Lean Startup, de Eric Ries, con su ciclo de construir, medir y aprender. En ese enfoque cada diseño se trata como una hipótesis que se valida con datos de clientes, y la declaración de hipótesis es el formato para escribirla.

## ¿Cuál es el formato?

Gothelf propone una estructura en dos partes. La primera describe la creencia:

> Creemos que [resultado de negocio] se logrará si [usuarios] consiguen [beneficio] con [funcionalidad].

La segunda es la línea de falsación, la condición que te diría que la creencia está equivocada:

> Sabremos que nos equivocamos si [comportamiento observable] no llega a [nivel] para [fecha].

La segunda parte es la que hace útil la hipótesis. Si no puedes escribir qué resultado la desmentiría, todavía es una opinión.

Ejemplo ilustrativo: "Creemos que la retención de la app subirá si los usuarios nuevos completan su perfil con la función de sugerencias. Sabremos que nos equivocamos si menos del 40 % de los usuarios nuevos completa el perfil en las dos primeras semanas." La hipótesis tiene un resultado, un grupo, un beneficio, una función, un umbral y un plazo.

Para escribir la tuya, rellena los huecos en este orden:

1. **Resultado de negocio.** Qué número del negocio debería moverse (retención, conversión, tickets de soporte).
2. **Usuarios.** El grupo concreto, no "todos".
3. **Beneficio.** Qué logra esa persona que antes no lograba.
4. **Funcionalidad.** La solución que vas a probar, una sola.
5. **Comportamiento, nivel y fecha.** Qué vas a observar, con qué umbral y hasta cuándo.

## ¿Por qué le importa a un diseñador?

Porque la mayoría de las discusiones de diseño se resuelven por preferencia: "a mí me gusta más esta versión". Una hipótesis cambia la pregunta a "qué comportamiento demostraría que esta versión funciona", y eso permite diseñar la prueba junto con la pantalla.

También ayuda a priorizar. Un diseñador que escribe la hipótesis antes de dibujar sabe qué pantalla es necesaria para probarla y cuál puede esperar. Y da a producto, ingeniería y negocio un lenguaje común: todos ven la misma apuesta y la misma condición de fracaso.

## ¿Cómo elegir qué probar primero?

Ordena los supuestos por riesgo: cuáles cambiarían más el plan si resultaran falsos. El seminario de UIE sobre hipótesis en Lean UX lo resume así: no intentes probar todas las ideas, prueba las más arriesgadas. Y empieza por el experimento más simple que te dé aprendizaje.

Algunas reglas prácticas:

- **Una hipótesis por funcionalidad**, para que un resultado no se atribuya a otra cosa.
- **El experimento más barato primero.** Gothelf señala que, en funciones de IA, la versión más barata suele ser un prompt y un modelo, sin interfaz, evaluados con entradas reales antes de construir la pantalla.
- **Un experimento a la vez** cuando sea posible, para evitar que los resultados se contaminen entre sí.

## ¿Cómo evitar trampas al evaluar?

El error más común es elegir la métrica después de ver los datos. Wikipedia define las *vanity metrics* como mediciones que dan la imagen más favorable posible pero no reflejan los motores reales del negocio. Conviene desconfiar de cualquier métrica que aparezca solo cuando la hipótesis funciona.

Por eso la línea de falsación se escribe antes de construir. El artículo de Gothelf sobre convertir una hipótesis en una evaluación de IA insiste en acordar el éxito antes de ver resultados, para no reconstruir la historia después: una predicción escrita no se revisa en silencio. Si el umbral era 40 % y el resultado es 38 %, la hipótesis queda en duda, aunque el equipo prefiera el resultado.

Un matiz para el diseño: apóyate en datos reales de tus usuarios, no en supuestos. Gothelf lo plantea para las evaluaciones de IA: las entradas inventadas dicen sobre todo cómo responde el modelo a tus propias suposiciones. Si no tienes una referencia para el umbral, una prueba piloto puede servir para fijarlo.

## ¿Cuándo NO conviene usar hipótesis?

Si la decisión ya está tomada por razones legales o de seguridad, una hipótesis no cambia nada. Tampoco sirve para cambios de bajo riesgo que se pueden revertir en un día, donde escribir la hipótesis cuesta más que el experimento.

Hay además límites prácticos: no siempre es viable prototipar, a veces la prueba cuesta más de lo que aporta, y un equipo sin práctica puede interpretar mal los resultados. Una hipótesis mal escrita da una falsa sensación de rigor.

## Ejemplo

Ejemplo ilustrativo: un equipo de una plataforma de cursos sospecha que los estudiantes abandonan la lección tres porque el video es demasiado largo. Escribe: "Creemos que los estudiantes terminarán más lecciones si el video se divide en fragmentos de cinco minutos. Sabremos que nos equivocamos si el porcentaje de lecciones terminadas no sube al menos cinco puntos en tres semanas." Prueban la versión fragmentada con la mitad de los estudiantes, con el umbral fijado antes. Al final, el aumento es de tres puntos. La hipótesis se considera no confirmada, y el equipo busca otra causa antes de cambiar el diseño de todas las lecciones.

## Errores comunes

- **Escribir una hipótesis sin línea de falsación**, de modo que cualquier resultado parece un éxito.
- **Mezclar varias funcionalidades** en una misma hipótesis.
- **Cambiar el umbral** después de ver los datos.
- **Elegir la métrica que sí mejoró** y olvidar la que empeoró.
- **Convertir la hipótesis en un requisito** con fecha de entrega, cuando debía ser una pregunta.
- **Escribir muchas hipótesis a la vez** sin priorizar por riesgo.

Para validar la creencia con personas antes de construir, [[concept-testing|concept testing]] es el método natural. Si el experimento necesita simular una respuesta, [[wizard-of-oz|Wizard of Oz]] permite probar la interacción sin construirla. Y para dar seguimiento al resultado, la [revisión post-lanzamiento](/es/wiki/procesos/revision-post-lanzamiento/) ayuda a comparar la meta con lo que pasó.

## Fuentes

- [How to turn a Lean UX hypothesis into an AI eval before you build anything, Jeff Gothelf](https://jeffgothelf.com/blog/how-to-turn-a-lean-ux-hypothesis-into-an-ai-eval-before-you-build-anything/)
- [The 3 foundations of Lean UX, Josh Seiden y Jeff Gothelf, O'Reilly](https://oreilly.com/ideas/the-3-foundations-of-lean-ux)
- [Lean startup (vanity metrics), Wikipedia](https://en.wikipedia.org/wiki/Lean_startup)
- [Lean UX: Forming & Testing Hypotheses, UIE (seminario)](https://aycl.uie.com/virtual_seminars/lean_ux_forming_testing_hypotheses)


---

Source: https://www.fernandoux.com/es/wiki/artefactos/declaracion-de-hipotesis/
