En 2003, secuenciar el genoma humano costó 3.000 millones de dólares y tardó 13 años. Hoy tarda alrededor de un día.
Lo curioso es que la ciencia no cambió. Nadie descubrió nada nuevo sobre el ADN ni se salteó un paso del proceso. Cambió la velocidad a la que ese conocimiento se podía aplicar: hardware más eficiente y algoritmos que hacen en paralelo lo que antes iba en serie.
El resultado tampoco es un genoma "más barato": es el mismo genoma, con el mismo rigor, ahora al alcance de cualquier hospital en menos de 24 horas.
Con los Discoveries en SHIFTA nos pasa algo parecido. No vamos más rápido porque salteemos pasos. Vamos más rápido porque dejamos de perder tiempo donde antes lo perdíamos.
¿Para qué sirve este proceso?
Pensamos el Discovery como un juego de rol. Sos un extraterrestre que aterriza en un planeta desconocido y tiene que entender el entorno, a los usuarios y el problema. Eso lleva tiempo, ojo crítico y un método.
Usamos estos cinco pasos para emprendedores y startups que necesitaban acortar tiempos y costos. Lo que antes tomaba dos o tres meses, hoy lo hacemos en dos o tres semanas.
La IA no reemplaza el proceso; lo acelera y abre la mirada.
Nuestros cinco pasos
- Conceptualización del problema
Todo arranca cuando un cliente nos trae una idea, que casi siempre viene disfrazada de solución. Nuestro trabajo es validar que esa solución responda a un problema real de personas concretas, y que el negocio valga la pena.
Son dos horas de trabajo junto al cliente para identificar dos cosas: el problema que resolvería la solución propuesta, y quiénes son los usuarios que lo tienen y podrían beneficiarse.
Acá no usamos IA, y es a propósito. Lo que necesitamos en esta etapa no se "extrae", se escucha. Es el cimiento de todo lo que viene después.
-Research
Con el problema y el público definidos, investigamos a los potenciales usuarios y validamos hipótesis. Acá si empezamos a usar IA.
Entrevistas en simultáneo
Diseñamos el guión con criterio experto (las preguntas que hacés son cruciales) y usamos plataformas como Autentic para correrlas en paralelo. En una hora, la IA entrevista a 20 personas; un researcher tardaría 20 horas. Después, el experto analiza los resultados.
Volviendo al genoma: no se aceleró porque alguien leyera más rápido, sino porque las máquinas procesaron en paralelo lo que antes iba paso a paso. Con las entrevistas es igual. Lo que no cambia es quién decide qué preguntar y a quién.
Análisis de datos
Usamos Dovetail para el análisis cualitativo y ChatGPT para el cuantitativo, a partir de bases de datos en crudo. La IA suele encontrar patrones que no saltan a la vista, y mucho más rápido.
Un caso: para un cliente que quería darle un servicio a vendedores de Mercado Libre, los datos mostraron que la oportunidad era enorme, pero que los usuarios que respondieron la encuesta no necesitaban ese servicio. Con eso pudimos moldear la solución antes de gastar un peso en desarrollo.
Benchmarking y proto-personas
Para analizar competidores, subimos el análisis a ChatGPT y le pedimos que arme el perfil de usuario que usaría cada producto. Es un buen punto de partida para hipotetizar a qué segmento apunta cada uno.
Visualización de encuestas
Cuando los paneles de reclutamiento entregan datos en bruto, los subimos a NotebookLM y le pedimos las visualizaciones. Eso acelera la lectura y nos da material para conversaciones más ricas con el cliente.
-Diseño de solución
Acá nos ponemos más técnicos. Trabajamos con Spec-Driven Development: especificamos antes de diseñar.
La spec funcional es el documento donde aterriza todo lo anterior: objetivo, usuarios, alcance, no-alcance, flujos y criterios de éxito. Todo lo que se exploró y validó encuentra ahí su forma concreta.
ObjetivoUsuariosAlcanceNo-alcanceFlujosCriterios de éxito
El research alimenta directamente esas especificaciones. En un proyecto, la hipótesis inicial era integrar la solución con un CRM líder, dando por hecho que el mercado lo pedía.
La investigación mostró otra cosa: el uso de CRMs estaba muy repartido entre los usuarios y esa integración no se justificaba. Actualizamos la spec antes de diseñar y nos ahorramos semanas de desarrollo. Y eso no lo decidió la IA; lo decidieron los usuarios.
- Prototipado
Acá es donde se siente la velocidad. Un prototipo que antes llevaba un mes hoy demora una semana. Uno que llevaba tres días se hace en tres horas.
Trabajamos con IA en todo esto, desde visualizar una idea durante el Discovery hasta armar un demo para inversores.
Con Claude Design, el trabajo previo (quiénes son los usuarios, qué problema resuelve el producto, cómo fluye) se traduce directo en interfaces. El cliente ve algo muy parecido a lo que será su producto antes de que un desarrollador escriba una sola línea de código.
Eso cambia algo más que el calendario: adelanta el momento en que el cliente puede ver, tocar y cuestionar lo que está construyendo. El prototipo llega cuando todavía hay tiempo, y presupuesto, para cambiarlo.
Algo que aprendimos: cuanto más claro está el problema antes de prototipar, mejor sale. La IA traduce bien las ideas bien definidas. Las vagas también las traduce rápido, pero salen mal.
05- Pitch Deck + Asistente
Al final entregamos un Pitch Deck completo hecho por humanos (en 2026 hay que aclararlo) con la propuesta de valor, listo para presentar a inversores o stakeholders.
Además cargamos todo el material en un NotebookLM: informes, bases de datos, el pitch. El cliente queda con un asset interactivo: puede hacerle preguntas al proceso, pedir resúmenes, generar nuevos slides, videos, gráficos y hasta un podcast con los resultados del Discovery.
En la práctica, se queda un asistente que conoce todo lo que investigamos y que puede consultar cuando quiera. Es de las cosas que más valor generan al cierre.
Lo que la IA habilita y lo que pone en riesgo
Sí, la IA acelera. Conecta ideas que antes no se veían, simula escenarios, baja la fricción operativa y propone cosas que a uno solo no se le hubieran ocurrido.
Pero también tiene un riesgo. Puede dar una ilusión de profundidad y aplanar los insights. Tiende a reforzar sesgos con lo que ya existe en vez de encontrar lo que todavía no existe. Y cuando le falta contexto, devuelve respuestas que suenan sólidas sin serlo.
El genoma secuenciado en 24hs sigue necesitando un médico que lo interprete. La velocidad no reemplaza el criterio; lo libera para usarlo donde de verdad hace falta. Si nadie con criterio revisa los resultados, el que paga el error es el cliente.
Lo que aprendimos (hasta ahora)
- Si nunca hablaste con usuarios, no es Discovery. La IA analiza, sintetiza y encuentra patrones, pero no reemplaza la conversación con alguien que tiene el problema de verdad.
- Si no hay un experto revisando los resultados, vas a tener errores.
- Si no revisás lo que devuelve, ponés en riesgo al cliente.
- La IA y el experto no se reemplazan; se amplifican.
Al final, el diferencial no es usar IA. Es saber pensar con ella
**
Nota: Este artículo está basado en una charla del equipo de UX de Shifta, que fue presentada en un evento del Design Ops Chapter Latam hosteado en nuestras oficinas en mayo de 2026.