# Atomic research: hallazgos reutilizables en lugar de informes que nadie vuelve a leer

> Atomic research guarda hallazgos como unidades pequeñas (observación, evidencia, etiquetas) reutilizables entre estudios. Estructura, taxonomía y cuándo usarlo.

*Tags: ux, investigacion, operaciones, repositorio, conocimiento*

---


> [!info] Definición Rápida
> **Atomic research** es un enfoque para guardar los hallazgos de investigación como unidades pequeñas y reutilizables, llamadas *nuggets*, en lugar de dentro de informes largos. Cada nugget es una observación etiquetada, respaldada por evidencia, que puede combinarse con otros para responder preguntas nuevas.


## ¿De dónde viene?

Tomer Sharon y Daniel Pidcock lo desarrollaron de forma paralela, inspirados en el diseño atómico de Brad Frost, según User Interviews. Sharon, entonces en WeWork, creó Polaris, una plantilla de repositorio atómico. Koji cuenta que Pidcock lo presentó en 2018 en UX Brighton, después de que su equipo repitiera estudios porque las respuestas anteriores eran difíciles de encontrar.

Ese es el problema que resuelve: los informes se leen una vez, se archivan y su conocimiento se pierde. Cuando llega un equipo nuevo, repite estudios que otro ya hizo.

## ¿Qué es un nugget?

Según Sharon, un nugget es una observación etiquetada respaldada por evidencia. Koji lo describe como la unidad más pequeña de investigación que aún conserva significado: más que una cita y menos que un informe completo. Tiene tres partes:

- **Observación:** lo que se aprendió, tanto el qué como el porqué.
- **Evidencia:** la prueba, como un clip de video corto, una captura, audio o texto.
- **Etiquetas:** palabras clave para filtrar y buscar.

Ejemplo ilustrativo de nugget: "Una usuaria no encuentra el botón de cancelar la suscripción porque lo busca en el menú de ayuda". Va acompañado de un clip de 20 segundos y etiquetas como "suscripciones" y "navegación".

## ¿Cómo se distingue un hecho de un insight?

Pidcock propone una cadena de cuatro elementos, que Koji llama EFIR:

| Elemento | Qué es | Ejemplo ilustrativo |
|---|---|---|
| Experimento | El estudio o la sesión que lo produjo | Entrevistas con clientes del plan anual |
| Hecho | Una observación de una sola experiencia | "Tres de cinco personas buscan la cancelación en el menú de ayuda" |
| Insight | La interpretación derivada de los hechos | "La cancelación no está donde los usuarios esperan" |
| Recomendación | La acción que se deriva del insight | "Añadir la opción de cancelar en la página de la cuenta" |

Esta separación evita un error frecuente: llamar "insight" a cualquier cosa. Un hecho no es una conclusión. Según Koji, los niveles se enlazan de muchos a muchos, de modo que un hecho puede respaldar varios insights y un insight puede apoyarse en varios hechos.

## ¿Cómo se diseña un repositorio?

User Interviews describe un proceso de siete pasos:

1. Establecer una taxonomía.
2. Hacer la investigación como siempre, sin cambiar el método.
3. Identificar hechos de una sola experiencia (citas sin sesgo, observaciones, estadísticas).
4. Derivar insights de los hechos.
5. Identificar oportunidades o recomendaciones.
6. Registrar el nugget con observación, evidencia y etiquetas.
7. Compartirlo por varios canales.

La herramienta es secundaria. Koji menciona Airtable y Notion como opciones de hoja de cálculo o base de datos, y plataformas dedicadas como Dovetail, Notably, Marvin, Condens, EnjoyHQ y Glean.ly. Según Koji, la mayoría de los equipos supera una hoja de cálculo hacia los 500 nuggets.

La pieza más importante es la **taxonomía**, el vocabulario de etiquetas. Koji la llama la decisión inicial más importante: con etiquetas de texto libre, un mismo tema se fragmenta en muchas etiquetas, y recomienda un conjunto pequeño por nugget, de tres a seis, tomadas de un vocabulario controlado. User Interviews propone cinco familias de etiquetas:

- **Procedimentales:** fecha, fuente, método de investigación, tipo de evidencia.
- **Demográficas:** edad, ubicación.
- **De experiencia:** frecuencia o magnitud de la observación, estado emocional del participante.
- **De negocio:** rango de ingresos, unidad de negocio, línea de producto.
- **De diseño de servicio:** recorrido, acto, escena, personaje.

La misma fuente avisa de que la taxonomía debe poder cambiar a medida que cambian tu conocimiento del cliente y tus objetivos.

## ¿Qué valor da con el tiempo?

Con un repositorio puedes buscar patrones que se repiten entre estudios: momentos de frustración o de placer a lo largo de un recorrido, por ejemplo. También puedes combinar hechos de estudios distintos para respaldar un insight con más evidencia. Así el conocimiento deja de envejecer dentro de un informe archivado.

## ¿Cuándo NO conviene?

Atomic research tiene costos. Koji señala que la crítica más citada es que etiquetar es lento, y estima que atomizar y etiquetar un estudio de 60 participantes añade entre uno y medio y dos días al trabajo normal de redactar el informe. User Interviews recoge otras críticas: se pierde contexto al separar un hallazgo de su estudio, convertir informes antiguos lleva tiempo y encaja mal con la investigación cuantitativa. Sharon propone que el trabajo cuantitativo corra en paralelo para explicar el porqué de las métricas.

Un repositorio puede volverse un cementerio si nadie lo consulta. Sin el hábito de buscar antes de investigar, los nuggets no tienen efecto. Y un equipo pequeño que hace dos estudios al año probablemente no necesite un repositorio complejo.

Sharon identifica tres situaciones donde funciona mejor: organizaciones grandes y dispersas, organizaciones con muchos clientes y experiencias entregadas en varios canales. Los nuggets se usan junto a los informes, no en su lugar: el informe conserva el contexto que un nugget puede perder.

## Ejemplo

Ejemplo ilustrativo: una empresa de seguros hace cuatro estudios en un año, uno de ellos sobre la contratación. Cada estudio produce nuggets con etiquetas de proceso, tipo de cliente y etapa del recorrido. Al final del año, al buscar "renovación" y "confusión", el equipo encuentra once nuggets de tres estudios distintos que apuntan al mismo problema con el aviso de vencimiento. Ningún informe lo mostraba de forma clara, pero el repositorio lo hizo visible. El equipo convierte el patrón en un insight y en una recomendación para el próximo trimestre.

## Errores comunes

- **Guardar informes enteros** en el repositorio y llamarlo atomic research.
- **Tener etiquetas de texto libre**, de modo que cada persona las usa distinto.
- **Confundir hechos con insights**, y presentar opiniones como datos.
- **Etiquetar tarde**, cuando ya nadie recuerda el contexto de la sesión.
- **Crear una taxonomía enorme** desde el inicio.
- **No crear el hábito de buscar** antes de hacer un estudio nuevo.

Para capturar y compartir hallazgos en el momento, la [presentación de hallazgos](/es/wiki/investigacion/presentar-hallazgos/) explica cómo convertirlos en decisiones. Si la investigación combina métodos, la [triangulación](/es/wiki/investigacion/triangulacion/) ayuda a cruzar nuggets de distintas fuentes. Y para el método base de donde salen las observaciones, las [entrevistas de usuario](/es/wiki/investigacion/entrevistas-de-usuario/) son el punto de partida habitual.

## Fuentes

- [Atomic Research: The Complete Guide to Research Nuggets and Insight Repositories, Koji](https://www.koji.so/docs/atomic-research-nuggets-guide)
- [Atomic research nuggets, User Interviews (UX Research Field Guide, capítulo de la versión de 2019)](https://userinterviews.com/ux-research-field-guide-chapter/atomic-research-nuggets)


---

Source: https://www.fernandoux.com/es/wiki/investigacion/atomic-research/
