UX Research · IA Aplicada
IA + UX Research en Trazur Cursos
Rediseño de una plataforma de e-learning en trazabilidad ganadera para productores rurales uruguayos, combinando investigación UX tradicional con análisis asistido por IA bajo validación humana.
Investigar IA y UX en un contexto donde la conectividad no puede darse por sentada.
Este trabajo investiga cómo la inteligencia artificial puede acelerar la UX Research y el rediseño de Trazur Cursos, sin reemplazar el juicio humano ni la validación con usuarios reales.
- Diagnóstico
- Investigación comparativa: heurísticas + IA
- Hallazgos y persona
- Prototipado y propuesta de rediseño
- Validación con usuarios reales
Este caso fue mi Trabajo de Grado. Tuve un rol central en la investigación UX, el análisis asistido por IA y el diseño de la propuesta, trabajando junto a Renzo Morandi y con la tutoría de Alejandra Capocasale; lo que sigue documenta el trabajo completo del equipo.
Alcance: trabajo académico, validado mediante heurísticas, IA y prototipado — todavía no con usuarios reales del perfil objetivo. Los porcentajes de este caso son metas del rediseño, no resultados medidos.
Uruguay es referencia mundial en trazabilidad ganadera. La capacitación digital sostiene ese estándar, pero no llega igual a todos.
Los trabajadores rurales, los principales destinatarios de estos cursos, enfrentan baja alfabetización digital, conectividad limitada y barreras geográficas y culturales que dificultan el acceso a la formación.
Trazur Cursos enfrenta esos mismos desafíos: navegación compleja, microcopy poco accesible y baja finalización de cursos. Este proyecto parte de ahí: rediseñar la experiencia de aprendizaje digital para ese contexto.
Una plataforma funcional, pero con fricciones para parte de su público principal.
Trazur Cursos tenía navegación confusa, textos extensos, poco feedback visual y fricción real en la inscripción y la compra. Para un productor rural con baja alfabetización digital y conexión intermitente, cada uno de esos obstáculos podía significar abandonar el curso.
La dirección de trabajo fue clara desde el diagnóstico: simplificar la arquitectura de información, escribir microcopy accesible, mostrar estados de navegación claros y sumar un asistente contextual — apoyándonos en IA para acelerar el análisis, siempre bajo validación humana (más en Método y Hallazgos clave).
Profundizar cómo la IA puede mejorar la UX de una plataforma e-learning rural sobre trazabilidad ganadera.
Objetivos específicos
- Explorar usos de IA en investigación UX.
- Evaluar herramientas de IA en análisis de usabilidad.
- Proponer un rediseño funcional basado en evidencia.
Señales iniciales (diagnóstico)
- Tasa de rebote alta en páginas de curso.
- Porcentaje elevado de inscripciones incompletas.
- Scroll profundo y desorientación, visibles en los mapas de calor de Clarity.
- Dificultad en los flujos de compra y en la comprensión de textos, según simulaciones exploratorias con Synthetic Users.
Metas del rediseño
Objetivos de impacto definidos antes del rediseño — no resultados medidos (ver Impacto esperado).
Una estrategia comparativa: métodos tradicionales y herramientas de IA, siempre leídas en conjunto.
Comparamos métodos tradicionales de UX Research con herramientas asistidas por IA para diagnosticar la plataforma; cada enfoque aportó un tipo de evidencia diferente.
Heurísticas de Nielsen. Identificaron problemas de consistencia, navegación y feedback — la base del diagnóstico inicial.
Google Analytics. Reveló una tasa de rebote alta y clics erráticos en las páginas de curso.
Microsoft Clarity. Los mapas de calor mostraron scroll profundo y desorientación, especialmente en mobile.
Synthetic Users. Simulación exploratoria: generó hipótesis sobre trabas en el flujo de compra y en la comprensión de texto — apoyo para priorizar, no un equivalente a analítica de comportamiento real ni a pruebas con usuarios reales.
Benchmarking. Comparada con plataformas similares, Trazur mostró carencias estructurales en navegación y usabilidad.
¿Puede la IA acelerar una evaluación heurística sin perder profundidad?
Para responder esa pregunta, comparamos una evaluación heurística manual con el mismo ejercicio realizado por tres modelos de IA (ChatGPT, Gemini y LLaMA 3), observando qué encontraba cada uno, qué se le escapaba y con qué profundidad.
| Herramienta | Aspectos destacados positivos | Principales problemas detectados | Estilo y profundidad del análisis |
|---|---|---|---|
| Manual | Observaciones precisas y realistas. Considera restricciones reales del usuario. | Texto excesivo, navegación confusa, errores en feedback. | Exhaustivo y empático, basado en experiencia directa. |
| ChatGPT | Buen orden temático. Destaca principios de Nielsen. Sugiere IA como asistencia. | Omite barreras reales. Sensibilidad contextual limitada. | Metódico y claro, pero algo genérico. |
| Gemini | Lenguaje accesible. Sugerencias concretas y buenas prácticas. | Poca jerarquización. Análisis superficial, sin ejemplos claros. | Sintético y apto para no expertos. |
| LLaMA 3 (POE) | Buen desglose por heurística. Problemas y soluciones con referencias actuales. | Observaciones repetidas. Poca contextualización. | Técnico, directo y moderno, aunque menos personalizado. |
El análisis manual siguió siendo el más preciso y sensible al contexto real de uso, apoyado en experiencia directa. Los modelos de IA aceleraron el proceso y ordenaron bien los hallazgos según heurísticas conocidas, pero mostraron límites reales: ChatGPT tendió a omitir barreras reales del usuario; Gemini entregó un análisis más superficial; LLaMA fue técnico pero repetitivo y menos personalizado. Lectura honesta: la IA acelera la primera pasada, no reemplaza el criterio de quien investiga.
La evaluación combinada — métodos tradicionales y herramientas de IA — reveló patrones de confusión y fricciones críticas.
- Navegación confusa y poco intuitiva.
- Textos extensos y microcopy poco accesible.
- Falta de feedback visual — errores, carga, estados.
- Scroll excesivo en mobile, que generaba desorientación.
- Fricción en inscripción y compra, que llevaba al abandono.
Evaluación UX: herramientas y hallazgos
Seis fuentes de evidencia, cada una con un ángulo distinto: se leen en conjunto, no por separado.
-
Heurísticas de Nielsen
Problemas de consistencia, navegación confusa, falta de feedback visual.
-
Microsoft Clarity
Mapas de calor y profundidad de scroll revelan desorientación y falta de foco.
-
Google Analytics
Datos cuantitativos sobre rebotes, clics erráticos y tiempo en página.
-
Synthetic Users
Simulación exploratoria: sugirió dificultades en flujos de compra y comprensión de textos, a validar con usuarios reales.
-
Benchmarking
Comparación con plataformas similares mostró carencias en estructura y usabilidad.
-
Comparativa IA vs. manual
La IA complementa y agiliza el análisis, pero requiere interpretación y validación.
A partir de los hallazgos, una persona arquetipo para priorizar el rediseño.
Navegación confusa, textos densos, feedback débil y fricción en inscripción/pago: a partir de esos hallazgos sintetizamos una persona arquetipo, su journey end-to-end y un flujo ideal para el camino crítico — inscribirse, cursar, certificar. Estos artefactos guían el rediseño y la priorización de mejoras.
Juan Pablo Techera
Productor ganadero familiar.
- Edad: 53
- Sexo: masculino
- Estudios: ciclo básico completo
- Nivel de alfabetización digital: bajo
- Localización: Tacuarembó, Uruguay
- Dispositivo principal: celular Android gama media, con conexión intermitente
Biografía
Juan Pablo tiene 53 años y vive en Rincón del Sauce, Tacuarembó. Dirige un establecimiento ganadero familiar junto con su esposa e hijo. Tiene conocimientos prácticos del campo pero escasa formación formal en tecnología. Accede a internet a través de su celular Android, con conexión irregular. Es autodidacta y valora las herramientas que le permiten seguir aprendiendo sin dejar de lado su trabajo cotidiano.
Objetivos
- Cumplir con la normativa de trazabilidad sin depender de terceros.
- Aprender a registrar y consultar datos del ganado de forma autónoma.
- Formarse para transmitirle el manejo de la información a su hijo.
Frustraciones
- Plataformas lentas o que no cargan con mala señal.
- Textos largos o sin ejemplos prácticos.
- Pasos de inscripción que requieren ayuda externa.
Intereses
- Producción ganadera eficiente dentro de la norma.
- Tecnologías aplicadas al agro.
- Capacitación accesible para personas del campo.
Me gustaría que me llevara de la mano, porque en estas cosas me pierdo fácil.
Juan Pablo Techera, productor ganadero familiarPersona “Juan Pablo” — elaboración propia, Trabajo de Grado 2025.
El recorrido de Juan Pablo, de la búsqueda a la certificación.
El mapa cubre seis etapas, con las acciones, pensamientos, puntos de dolor y oportunidades de Juan Pablo en cada una, desde el primer clic hasta el certificado descargado.
Puntos de dolor más relevantes
- En la búsqueda: nombres parecidos y resultados poco claros en los buscadores.
- En la inscripción: el formulario traba el registro y no hay ayuda visible en el momento.
- Durante el curso: no hay señal clara de avance, y cortar la conexión obliga a repetir módulos.
- En la evaluación: el proceso de certificación es confuso, con pasos poco claros para completar el curso.
Cada decisión de rediseño responde a un hallazgo concreto — no a una preferencia estética.
Navegación confusa
- Hallazgo
- Heurísticas y Google Analytics mostraron una arquitectura de información poco clara, con rebotes altos en páginas de curso.
- Decisión de diseño
- Simplificar la arquitectura de información, con jerarquía clara desde el Home.
Textos y microcopy poco accesibles
- Hallazgo
- Las heurísticas y las simulaciones exploratorias con Synthetic Users señalaron textos extensos y difíciles de entender para el perfil objetivo.
- Decisión de diseño
- Reescribir el microcopy en lenguaje claro, con pasos cortos en la inscripción.
Falta de feedback visual
- Hallazgo
- Se identificaron estados de carga, error y avance poco visibles o inexistentes.
- Decisión de diseño
- Sumar estados de navegación explícitos y una barra de progreso durante el curso.
Fricción en inscripción y compra
- Hallazgo
- Microsoft Clarity mostró scroll excesivo y desorientación en mobile; la simulación con Synthetic Users señaló posibles trabas en el flujo de compra.
- Decisión de diseño
- Reducir la inscripción a pasos cortos, con un asistente contextual en los puntos más críticos.
Tres niveles de fidelidad para validar hipótesis antes de comprometer una dirección visual final.
-
Baja fidelidad (Balsamiq)Definió los flujos principales — inscripción, catálogo, checkout — sin distracciones visuales.
-
Media fidelidad (Relume)Testeó jerarquía, navegación simplificada y microcopy accesible.
-
Alta fidelidadIntegró una propuesta visual con barra de progreso, estados claros de curso aprobado y un asistente virtual contextual (chatbot) para reducir dudas en tiempo real.
Un flujo unificado, con pasos cortos, feedback visible y un asistente en los puntos críticos.
Cada paso del flujo responde a un hallazgo puntual de las secciones anteriores y, en conjunto, apunta a las metas del rediseño.
- Home con acceso directo a cursos y jerarquía clara.
- Curso con beneficios, requisitos y un único CTA.
- Inscripción en pasos cortos, con estados visibles.
- Checkout y confirmación de compra claros.
- Cursado con barra de progreso y asistente contextual para dudas.
- Certificado accesible al finalizar.
Flujo de usuario ideal
-
Catálogo de cursos
Inicio -
- Punto de dolor
- Arquitectura de información poco clara, con rebotes altos en las páginas de curso.
- Decisión de diseño
- Simplificar la arquitectura de información, con jerarquía clara desde el Home.
- Evidencia
- Heurísticas (Nielsen) y Google Analytics.
-
- Punto de dolor
- Textos extensos y difíciles de entender para el perfil objetivo.
- Decisión de diseño
- Reescribir el microcopy en lenguaje claro y dejar un solo llamado a la acción.
- Evidencia
- Heurísticas y simulación exploratoria con Synthetic Users.
-
- Punto de dolor
- Scroll excesivo y desorientación en mobile durante el flujo de inscripción.
- Decisión de diseño
- Reducir la inscripción a pasos cortos, con estados de navegación explícitos.
- Evidencia
- Microsoft Clarity — mapas de calor y profundidad de scroll.
-
- Decisión de diseño
- El alta no expulsa del checkout: se resuelve en el camino y se vuelve a la compra.
-
- Asistencia de IA
- Asistente virtual contextual (chatbot) para reducir dudas en tiempo real.
- Decisión de diseño
- Ubicar la asistencia en los puntos más críticos, no como un widget global permanente.
- Evidencia
- Synthetic Users — posibles trabas en el flujo de compra, a validar con usuarios reales.
-
- Punto de dolor
- Estados de carga, error y avance poco visibles o inexistentes.
- Decisión de diseño
- Confirmación explícita, sin ambigüedad sobre el estado de la transacción.
-
- Decisión de diseño
- Un único lugar donde la persona ve sus cursos, su progreso y sus certificados.
- Asistencia de IA
- El asistente queda disponible para dudas sobre la cuenta y el avance.
-
- Punto de dolor
- Falta de feedback visual sobre el avance dentro del curso.
- Decisión de diseño
- Sumar una barra de progreso durante el curso y estados claros de avance.
- Evidencia
- Heurísticas (Nielsen) — visibilidad del estado del sistema.
-
- Decisión de diseño
- Estados claros de curso aprobado, definidos en el prototipo de alta fidelidad.
-
- Decisión de diseño
- La barra de progreso muestra exactamente qué módulo falta, así que volver no se siente un castigo.
-
- Decisión de diseño
- Cerrar el ciclo con un estado de aprobación explícito antes del certificado.
-
- Decisión de diseño
- Certificado disponible en la propia plataforma al aprobar el curso.
- Valor de negocio
- El flujo ideal unifica el proceso en la plataforma: el recorrido se cierra dentro del producto.
-
Fin
Certificado descargado
Asistente virtual inteligente disponible en puntos clave.
Hipótesis de diseño fundamentada en heurísticas y prototipado — todavía sin validar con usuarios reales del perfil objetivo (ver Próximos pasos).
Cómo se va a medir esto, no solo qué se espera.
Las metas cuantitativas ya están definidas en Objetivos y KPIs. Todavía no hay datos reales que las confirmen — la propuesta no fue desplegada en producción ni medida con usuarios reales.
Medir el impacto real requiere desplegar el rediseño y observarlo en uso: Google Analytics y Microsoft Clarity para rebote, tiempo de inscripción y comportamiento de navegación; finalización de curso y descarga de certificado como tareas completadas; y pruebas de usabilidad con el perfil objetivo para validar comprensión y satisfacción. Sin ese ciclo, las metas siguen siendo una hipótesis de diseño, no un resultado.
Lo que este proyecto todavía no puede afirmar.
- Synthetic Users es un generador de hipótesis, no un reemplazo de analítica de comportamiento real ni de pruebas con personas reales.
- Todavía no se hicieron pruebas de usabilidad con productores rurales reales del perfil objetivo.
- El análisis con IA mostró límites de sensibilidad contextual: en algunos casos omitió barreras reales o entregó lecturas superficiales (ver IA en el análisis).
- Este es un proyecto académico, no un producto en producción — las metas del rediseño siguen sin medir (ver Impacto esperado).
Cómo convertir esta propuesta de rediseño en una mejora validada y medida.
Validar con usuarios reales
Pruebas de usabilidad con el perfil objetivo (remotas y presenciales), midiendo tareas clave: inscripción, comienzo del curso y descarga del certificado. En paralelo, verificación en terreno con conectividad limitada y dispositivos de gama media/baja.
Iterar copy, componentes y accesibilidad
Ajustar copy y componentes según evidencia real — claridad del CTA único, estados, mensajes de error — y correr un checklist de accesibilidad WCAG AA: contraste, tamaño táctil, foco visible, teclado y estados.
Desplegar de forma incremental, con instrumentación
Lanzamiento incremental en producción con Google Analytics y Microsoft Clarity activos — eventos, embudos, heatmaps — para comparar contra la línea base, y ajustar el peso de imágenes, video y caché según el rendimiento real con conectividad limitada.
Pilotar el asistente contextual
Piloto del asistente con FAQs y glosario, monitoreando dudas frecuentes para refinar sus prompts y sus límites.
Documentar el proceso de IA en UX Research
Avanzar en una guía práctica de IA aplicada a UX Research — prompts, criterios éticos, flujo de validación — pensada para equipos con recursos limitados.
Lo que más me llevo de este proyecto.
Reflexión
La IA acelera, no reemplaza.
Este proyecto fue un ejercicio profundo de investigación y diseño. La IA potenció el análisis, la priorización y las variantes de copy — pero la validación humana siguió siendo irremplazable para la accesibilidad, el contexto y las decisiones finales.
- Método híbrido = profundidad + eficiencia. Combinar heurísticas y analítica con IA mejoró los tiempos sin perder interpretación ni empatía de diseño.
- El verdadero desafío no es diseñar con IA, sino diseñar para personas reales: quienes navegan con señal inestable, usan un celular básico y aprenden mientras trabajan en el campo.
- Medir y aprender en ciclo corto: instrumentar KPIs, lanzar en pequeño, observar comportamiento real e iterar.
El resumen visual completo del Trabajo de Grado.
Heurísticas, método, prototipos y conclusiones, en un solo póster.