La investigación de usuarios desempeña un papel valioso en el desarrollo de productos y servicios, ayudando a identificar puntos de fricción en etapas tempranas, cuando eliminar estos obstáculos cuesta significativamente menos que abordarlos más adelante. La investigación sugiere que las empresas que invierten en una experiencia de usuario mejorada durante la fase de concepto reducen los plazos de desarrollo de productos en un 33 a un 50%.

\n

Sin embargo, la investigación de usuarios depende de la premisa de que los participantes participan de buena fe; una participación deshonesta puede contaminar los datos y, en última instancia, afectar negativamente al producto final.

\n

La novedad de este desafío no es nueva para nuestra disciplina. Hace años dirigí dos grupos focales consecutivos para dos clientes distintos, y la misma persona asistió a ambos grupos, reclutada por agencias diferentes bajo nombres diferentes. Lo que ha cambiado en los últimos años es la escala y la sofisticación del problema.

\n

IA e impostores en la investigación remota

\n

Durante la pandemia de COVID-19, la reclutación y recopilación de datos en línea se volvió esencial para mantener la distancia física al realizar investigación de usuarios. Los métodos remotos se han mantenido populares por varias razones, como la reducción de desplazamientos y costos logísticos, y la possibilité de alcanzar a participantes en una mayor dispersión geográfica.

\n

Desafortunadamente, las mismas características que hacen atractiva la investigación remota han abierto la puerta a una industria de “participantes profesionales” que aprovechan el anonimato digital y las barreras bajas para la verificación de identidad para obtener ingresos complementarios mediante la participación incentivada.

\n

Esto, combinado con herramientas de IA cada vez más accesibles, ha creado un entorno fértil para la participación fraudulenta en la investigación de usuarios. Datos de la iniciativa Global de Calidad de Datos de la Market Research Society indican que el 95% de los investigadores cualitativos encuestados reportaron fraude por parte de participantes en los últimos 12 meses.

\n

Los participantes no genuinos pueden distorsionar los temas de un estudio, ocultar necesidades reales de los usuarios y llevar a los equipos a conclusiones que se desvían de su mercado objetivo. Un estudio de caso de 2025 informó que la proporción de respuestas utilizables cayó de aproximadamente el 75% a alrededor del 10% tras la entrada de submissions fraudulentas en la muestra.

\n

Mantener fuera de la investigación a participantes no genuinos sin comprometer la accesibilidad y la sensibilidad

\n

Existe una tentación real en el clima actual de tratar a cualquier participante que no active su cámara, o que experimente constantemente problemas de audio, como un posible fraude. Sin embargo, la vigilancia no puede socavar la sensibilidad hacia las necesidades individuales y los temas de accesibilidad.

\n

Los usuarios pueden tener una razón legítima para no usar video, comunicarse brevemente o tener dificultad para articular sus experiencias. Por ello, los investigadores deben adoptar un enfoque orientado a identificar patrones de comportamiento sospechoso en lugar de basarse en una sola pieza de evidencia y descartar a un participante como inauténtico.

\n

Las señales de alerta pueden surgir ya en la fase de aplicación y filtrado. Un flujo inesperado de candidaturas de personas pertenecientes a grupos minoritarios que normalmente son difíciles de alcanzar puede ser una oportunidad, pero debe examinarse más de cerca.

\n

Un estudio sobre impostores en grupos focales en línea publicado en la International Journal of Social Research Methodology señala que recibir la mayoría de las candidaturas de padres hombres en un estudio que previamente tenía una participación mayoritariamente femenina fue una señal de alerta temprana.

\n

Direcciones de correo electrónico similares y poco habituales son otra señal de alerta común. Direcciones de correo con nombres comunes y una cadena de números (por ejemplo, john.doe1172@gmail.com) no son evidencia concluyente de fraude, pero sí un punto de datos útil para establecer patrones de comportamiento sospechoso.

\n

Uno de los indicadores más comunes de participación no genuina es la inconsistencia entre lo que dice un participante durante el filtrado y lo que ocurre durante la sesión. Algunos afirman usar un producto a diario y, sin embargo, tienen dificultad para nombrar funciones básicas o describir una interacción reciente con él. Preguntas abiertas sobre experiencias recientes y personales pueden ayudar a desentrañar estas discrepancias. Los participantes pueden tener dificultad para describir eventos específicos, cronologías o terminología relacionada con el tema de investigación.

\n

Algunos participantes cuestionables parecen distraídos o desinteresados durante las entrevistas, dando respuestas de una palabra, sin seguir el hilo de las preguntas o resistiéndose a la interacción con el investigador. Esto no es evidencia de fraude aislada. Los participantes pueden estar nerviosos, cansados, incómodos o poco familiarizados con la investigación cualitativa, pero dicho comportamiento debe generar sospechas cuando se presenta junto con otros signos.

\n

Filtrado, respuesta ante participación de impostores sospechosa y qué hacer cuando se sospecha de participantes no genuinos a mitad del estudio

\n

Los investigadores deben ser conscientes de posibles fraudes en todas las etapas del proceso, incluyendo la ejecución de la investigación misma.

\n

Los datos de un participante que haya mentido de forma demostrable sobre su elegibilidad deben excluirse del análisis. Los investigadores también deben revisar lo ocurrido con el equipo en general. Cada incidente puede revelar debilidades en el proceso de reclutamiento o filtrado que podrían afectar a otros participantes del estudio.

\n

Un marco operativo sólido para respuestas prácticas puede desglosarse en cinco pasos:

\n

\n
1. Pausar y clarificar la discrepancia aparente.

\n

2. Terminar la sesión si no se puede establecer la elegibilidad.

\n

3. Documentar y reportar el incidente a través del proceso de investigación o reclutamiento adecuado.

\n

4. Excluir datos poco fiables del análisis.

\n

5. Revisar el proceso y fortalecer el filtrado cuando sea necesario.

\n

\n

Hacia un proceso de investigación más resiliente

\n

La investigación de usuarios sigue siendo y seguirá siendo una herramienta valiosa para las empresas que buscan refinar y desarrollar sus productos. Realizar esta investigación de forma remota ha ampliado el alcance geográfico, reducido barreras logísticas y permitido la participación de personas que de otro modo podrían quedar excluidas. Sin embargo, sería ingenuo suponer que la tendencia actual de participación no genuina impulsada por IA se marchará pronto.

\n

La IA está contribuyendo al problema, pero también puede apoyar los esfuerzos para abordarlo. El reconocimiento de patrones puede ayudar a los investigadores a identificar participantes repetidos y agrupaciones de respuestas sospechosas u otros comportamientos de reclutamiento inusuales.

\n

A medida que las empresas incrementan la investigación de usuarios para construir y desplegar nuevos productos y servicios digitales, los impostores están poniendo en riesgo la validez y el valor de estos esfuerzos. Encontrar contramedidas efectivas será, por tanto, esencial para mantener la validez de la investigación de usuarios.

\n

Hemos presentado la mejor herramienta de documentación TI.

\n

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica actual.

\n

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

\n