Herramientas de research con IA: repositorios como Dovetail y Condens
Los repositorios de research guardan notas, citas y temas. Dovetail y Condens suman IA. Qué mirar al elegir y cómo probar su precisión. Guía práctica.
¿Qué problema resuelven?
Un equipo de producto hace decenas de entrevistas al año. Sin un repositorio, los hallazgos viven en documentos sueltos, en hilos de chat y en la memoria de quien hizo la sesión. Cuando alguien pregunta “¿ya hablamos con usuarios sobre esto?”, nadie sabe responder.
Un repositorio centraliza el material. La IA añade la capa que cuesta más tiempo: leer todo, encontrar patrones y devolver citas. La decisión sigue siendo del equipo.
¿Qué ofrecen Dovetail y Condens?
Ambas son herramientas maduras de repositorio. Sus planes y precios cambian con frecuencia; esto es lo que mostraban sus páginas oficiales el 6 de noviembre de 2026:
| Aspecto | Dovetail | Condens |
|---|---|---|
| Prueba o plan gratuito | Su página de precios no lista plan gratuito | Prueba de 15 días sin tarjeta |
| Planes | Bronze (tarifa anual de plataforma más créditos por dato procesado), Silver y Gold bajo cotización | Lite desde 15 €/mes (165 €/año), Business desde 6.000 €/año, Enterprise a medida |
| IA destacada | Agentes, chat, agrupación en temas; gemelos digitales desde Silver | Transcripción con IA, etiquetas sugeridas, resúmenes, preguntas a tus datos; conexión con ChatGPT y Claude desde Business |
| Privacidad | Exclusión del entrenamiento de IA desde Silver; redacción con IA en Gold | Anonimización que crece por plan; alojamiento UE o EE. UU., RGPD y DPA |
Condens afirma que su IA responde a partir de los datos del proyecto, con salvaguardas, y que la última palabra sobre cada resultado es de la persona. Dovetail se describe como un repositorio con análisis de IA encima; esa descripción viene de un artículo de Great Question, una plataforma competidora, y ni ese texto ni las páginas de precios miden la precisión del etiquetado automático. Por eso la prueba de la sección siguiente importa más que cualquier comparativa.
¿Cómo se usa en un proyecto?
Un flujo razonable:
- Define un marco de temas antes de subir nada: qué preguntas responde el estudio.
- Sube las transcripciones y deja que la IA proponga agrupaciones.
- Revisa cada agrupación y fusiona, separa o renombra temas.
- Conecta cada hallazgo con sus citas y con el participante que lo dijo, sin datos personales.
- Deja el repositorio consultable para el siguiente equipo.
Este flujo se conecta con la organización de afinidades con IA y con la síntesis de entrevistas. Si las transcripciones no están bien hechas, el repositorio solo guarda ruido bien ordenado: revisa antes el paso de transcripción.
¿Cómo probar la precisión antes de comprar?
Haz una prueba corta con tu material:
- Toma tres entrevistas reales, anonimizadas.
- Etiqueta a mano unas 50 citas con tus propios temas.
- Pide a la herramienta que agrupe las mismas entrevistas.
- Cuenta cuántas citas coinciden con tu etiqueta, cuántas caen en un tema erróneo y cuántas no aparecen.
- Decide con esos números, no con la demo del proveedor.
Esta prueba cuesta una tarde y evita contratar una herramienta que se equivoca en tu tipo de entrevistas.
¿Cuándo NO conviene?
- Si tu equipo hace una o dos entrevistas al trimestre: una hoja de cálculo basta.
- Si el material tiene datos sensibles y la herramienta no ofrece el acuerdo de tratamiento que necesitas.
- Si nadie se hará cargo de mantener el repositorio: sin dueño, se llena de etiquetas inconsistentes.
- Si buscas reclutar participantes o correr estudios. Esas son otras categorías de herramientas.
Ejemplo
Ejemplo ilustrativo: un equipo de producto acumula dos años de entrevistas en documentos sueltos. Elige una herramienta de repositorio, hace la prueba con cincuenta citas etiquetadas a mano y encuentra que la IA agrupa bien las quejas de facturación, pero confunde las de soporte con las de onboarding. Decide usar la agrupación como borrador y mantener la revisión manual de los temas de soporte.
Lo que aprendió: la herramienta sirvió, pero el número real vino de su propia prueba, no del folleto.
¿Cómo estructurar un hallazgo en el repositorio?
Un repositorio útil no guarda solo citas. Cada hallazgo debería tener la misma estructura, para que se pueda buscar y comparar dentro de seis meses:
| Campo | Qué guardar | Ejemplo |
|---|---|---|
| Afirmación | Una frase con sujeto y conducta | “Quienes pagan en cuotas abandonan si no ven el total final” |
| Evidencia | Dos o tres citas con su marca de tiempo | Cita de P03, minuto 12:40 |
| Participantes | Cuántos y de qué segmento respaldan el hallazgo | 5 de 8, segmento viajeros frecuentes |
| Estudio y fecha | Qué investigación lo produjo y cuándo | Entrevistas de pagos, sept. 2026 |
| Estado | Si está validado o es una hipótesis | Hipótesis, pendiente de prueba |
El campo de estado es el que más se descuida. Sin él, una hipótesis de hace un año parece un hecho confirmado.
¿Cómo mantenerlo vivo?
Un repositorio abandonado es peor que no tener uno, porque da una falsa sensación de historial. Dos prácticas ayudan: asignar a una persona la responsabilidad de revisar las etiquetas cada trimestre, y fusionar etiquetas casi idénticas antes de que se multipliquen. Revisa también qué hallazgos se usaron en decisiones reales; los que nadie consulta pueden archivarse.
Errores comunes
- Elegir por la demo, con datos preparados por el proveedor.
- Subir material sin anonimizar y sin revisar el acuerdo de datos.
- Aceptar las agrupaciones de IA sin revisarlas.
- Crear decenas de etiquetas casi iguales que nadie volverá a usar.
- Pensar que el repositorio reemplaza el criterio de quien investiga.