# Síntesis de entrevistas con IA: qué delegar y qué no > Sintetizar entrevistas es pasar de transcripciones a temas y hallazgos. La IA ayuda a codificar y agrupar, pero pierde precisión cuando el tema se complica. *Tags: ia, research, entrevistas, sintesis* --- > [!info] Definición Rápida > **La síntesis de entrevistas** es el proceso de convertir transcripciones de varias conversaciones en temas, patrones y hallazgos que el equipo puede usar para decidir. La IA puede acelerar la codificación y la agrupación, pero la interpretación sigue siendo trabajo humano. ## ¿Qué pasos tiene la síntesis? Aunque cada equipo lo organiza distinto, la síntesis tiene cuatro pasos: 1. **Codificar**: marcar fragmentos de la transcripción con una etiqueta. 2. **Agrupar**: juntar etiquetas relacionadas en temas. Si trabajas con notas sueltas en vez de transcripciones, mira [[affinity-mapping-con-ia|affinity mapping con IA]]. 3. **Contrastar**: buscar casos que no encajan y participantes que piensan distinto. 4. **Concluir**: escribir qué significa cada tema para el producto, con sus citas. La IA entra bien en los pasos 1 y 2. Los pasos 3 y 4 necesitan a alguien que conozca el contexto del producto y del usuario. Para las entrevistas en sí, mira [[guiones-de-entrevista-con-ia|guiones de entrevista con IA]]; para comparar herramientas que ya traen síntesis integrada, [[herramientas-de-research-con-ia|herramientas de research con IA]]. ## ¿Qué dice la evidencia sobre el acuerdo con humanos? Un informe de marzo de 2024 (Kirsten y colegas, arXiv 2403.06607) comparó a GPT-3.5 Turbo y GPT-4 con codificadores humanos. Usó transcripciones en alemán de un estudio con 47 participantes sobre seguridad y privacidad digital. Midió el acuerdo con el kappa de Cohen (1 es acuerdo perfecto) en tres tareas con codebooks de distinto tamaño: | Tarea (nº de códigos) | Entre humanos | GPT-4 vs. humano | GPT-3.5 vs. humano | |---|---|---|---| | A: dispositivos conectados (18) | 0,97 | 0,94 a 0,97 | 0,74 a 0,85 | | B: apps y servicios (24) | 0,83 | 0,74 a 0,75 | 0,56 a 0,60 | | C: fuentes de consejo (32) | 0,63 | 0,55 a 0,58 | 0,34 a 0,43 | Tres lecturas útiles. En la tarea más simple, GPT-4 igualó a los humanos. Al crecer el codebook y el contexto, el acuerdo bajó para todos, y la distancia entre humanos y modelo creció. Y poner ejemplos en el prompt no mejoró mucho el acuerdo, pero redujo los errores de formato y los códigos inventados. Son modelos de 2024: los actuales pueden rendir mejor, y por eso el dato que importa es el de tus propias entrevistas. Un preprint más reciente (Jain y colegas, arXiv 2512.20352) probó Gemini 2.5 Pro, GPT-4o y Claude 3.5 Sonnet con seis ejecuciones cada uno sobre una sola transcripción de terapia con arte psicodélico, como prueba de concepto. El kappa entre ejecuciones superó 0,80 en los tres modelos. Dos matices: ese kappa mide qué tan parecidas son las ejecuciones entre sí, no si el análisis es correcto, y cada modelo encontró un número distinto de temas (6, 5 y 4). Un modelo puede ser coherente consigo mismo y aun así omitir temas. ## ¿Cómo se aplica con criterio? Un flujo que funciona en equipos pequeños: 1. Define un codebook corto, de 10 a 20 códigos, con ejemplos de qué sí y qué no entra. El estudio anterior sugiere que cuanto más largo, más difícil para todos. 2. Pide a la IA que codifique cinco entrevistas, con cada código y su cita textual. 3. Revisa 30 fragmentos al azar contra el audio o la transcripción original. 4. Si dos personas del equipo codifican una misma entrevista, compara; el desacuerdo te dice dónde el codebook es ambiguo. 5. Ajusta el codebook y solo después codifica el resto. 6. Presenta los temas con citas, no con porcentajes sin contexto. Un detalle importante: el resultado de la IA es un borrador de agrupación. No lo lleves a la reunión como si fuera el hallazgo. Y si te preocupa qué sesgos introduce el modelo, revisa [[sesgos-de-ia-en-research|sesgos de la IA en el research]]. ## ¿Qué tareas no conviene delegar? - Decidir qué tema es el más importante para el negocio. - Interpretar silencios, tonos o contradicciones entre lo que dice el usuario y lo que hace. - Cerrar una síntesis sin contraste con casos que no encajan. - Presentar a stakeholders un "resumen" sin citas verificadas. - Sustituir las entrevistas por usuarios sintéticos. Nielsen Norman Group (Rosala y Moran, junio de 2024) concluye que sirven para investigar un tema desde el escritorio y generar hipótesis, pero no para decidir. Tienden a complacer y a exagerar el comportamiento positivo, y sus listas de necesidades no muestran prioridad. Si el grupo es de nicho, la advertencia es más fuerte. ## Ejemplo Ejemplo ilustrativo: una diseñadora tiene nueve entrevistas sobre la renovación de un seguro. Pide a la IA que codifique con un codebook de 14 códigos. Revisa 30 fragmentos y encuentra que el modelo confunde "precio alto" con "no entiendo el precio", dos problemas distintos. Ajusta el codebook, separa los dos códigos y vuelve a codificar. Los temas finales son tres, y cada uno tiene citas que ella verificó contra el audio. Lo que aprendió: la IA acortó el trabajo de codificar, pero el ajuste del codebook fue lo que dio fiabilidad. ## ¿Cuándo dejar de codificar? No hay un número fijo de entrevistas. Un criterio práctico, no una regla científica: sigue codificando mientras las entrevistas nuevas aporten temas nuevos o cambien el peso de los existentes. Cuando tres entrevistas seguidas solo confirman lo que ya tienes, la síntesis está cerca de estabilizarse. Eso no significa que el tema esté agotado para todos los usuarios; significa que, para el grupo que estudias, ya tienes una imagen estable. Si un grupo importante no aparece en la muestra, la síntesis está incompleta aunque se haya estabilizado. ## ¿Cómo presentar una síntesis sin perder credibilidad? Una síntesis se juzga por cómo se presenta. Una estructura que funciona para equipos de producto: - **Un tema por diapositiva o sección**, con el nombre escrito como afirmación: "Los usuarios no saben cuándo se cobra la cuota" es mejor que "Cobros". - **Número de participantes** que respaldan el tema, sin porcentajes que suenen a estadística si la muestra es pequeña. "Cuatro de nueve" es más honesto que "44 %". - **Dos citas por tema**, elegidas por claridad, no por lo dramáticas que sean. - **Un contraejemplo**: al menos un caso que no encaja, y lo que sugiere. - **Qué implica para el producto** y qué todavía no sabemos. Esta última sección es la que más valor aporta a quien decide. Una síntesis que solo dice qué pasó, sin decir qué hacer ni qué falta por probar, deja a los stakeholders con la pregunta de siempre. ## Errores comunes - Aceptar la primera agrupación sin revisar una muestra de citas. - Usar un codebook demasiado largo o ambiguo. - Confundir frecuencia con importancia: un tema mencionado por tres personas puede ser más grave que uno mencionado por diez. - Dejar que la IA escriba la conclusión sin que el equipo la discuta. - Confundir la coherencia del modelo (que repita el mismo resultado) con que el resultado sea correcto. - No guardar la versión del codebook ni del modelo usado. ## Fuentes - [Decoding Complexity: Exploring Human-AI Concordance in Qualitative Coding (arXiv 2403.06607)](https://arxiv.org/abs/2403.06607) - [A multi-LLM thematic analysis framework with dual reliability metrics (arXiv 2512.20352)](https://arxiv.org/abs/2512.20352) - [Synthetic Users: If, When, and How to Use AI-Generated "Research" (Nielsen Norman Group)](https://www.nngroup.com/articles/synthetic-users/) --- Source: https://www.fernandoux.com/es/wiki/ia/sintesis-de-entrevistas-con-ia/