Extending the UXR Point of View Pyramid: A Generative AI-Augmented Methodology for Human-Centred AI Systems

Resumen Técnico: Extensión de la Pirámide del Punto de Vista (PoV) de UXR para Sistemas de IA Centrados en el Humano

Planteamiento del Problema
La Investigación de la Experiencia del Usuario (UXR) se enfrenta a un desafío persistente: traducir evidencia empírica compleja en narrativas estratégicas que informen de manera creíble al diseño y la gobernanza. Este desafío se ve exacerbado en contextos financieros de alto riesgo, específicamente dentro del sector de la gestión de deuda en el Reino Unido. El aumento de la deuda de los hogares y las presiones por el coste de vida han intensificado la dependencia de tecnologías financieras impulsadas por IA para la evaluación del crédito, la estructuración de los reembolsos y la detección de vulnerabilidad. Estos sistemas operan dentro de entornos sociotécnicos complejos caracterizados por restricciones regulatorias, opacidad algorítmica y riesgos elevados para los consumidores vulnerables.

El marco actual del Punto de Vista (PoV) de UXR, aunque eficaz para el diseño de productos generales, no fue diseñado originalmente para sistemas financieros mediados por IA donde la interpretabilidad, la equidad y la rendición de cuentas son primordiales. Además, la integración de la IA Generativa (GenAI) en los flujos de trabajo de investigación introduce riesgos de "externalización epistémica", reducción de la trazabilidad y amplificación de sesgos estructurales. En la gestión de deudas, el uso de IA no estructurada conlleva el riesgo de generar narrativas persuasivas pero débilmente fundamentadas que podrían influir negamente en las políticas de reembolso y en las estrategias de tratamiento del usuario. El problema central abordado es cómo integrar sistemáticamente la GenAI en la pirámide de PoV de UXR para apoyar las tecnologías de gestión de deuda de IA Centrada en el Humano (HCAI), preservando al mismo tiempo la responsabilidad humana, el rigor metodológico y la defensa regulatoria.

Metodología
El estudio emplea una metodología de taller de PoV de UXR aumentada por IA Generativa, fundamentada en los servicios financieros del Reino Unido y en los sistemas de apoyo a la deuda mediados por IA. En lugar de adoptar un único lente analítico, la investigación aplica una síntesis multiperspectiva que combina los principios de HCAI, marcos de vulnerabilidad financiera, requisitos de defensa regulatoria y modelos de ciclos de decisión situacionales.

La metodología se estructura en cuatro etapas distintas, formalizando una Pirámide de PoV Aumentada por IA:

1. Mapeo de Prácticas y Generación de Hipótesis con Soporte de GenAI:

   • Entrada: Artefactos de taller estructurados, conocimiento operativo específico del dominio (p. ej., modelado de capacidad de pago, entrevistas de dificultades económicas) y documentación de gobernanza.
   • Proceso: La GenAI es dirigida mediante prompts estructurados para sintetizar las prácticas existentes, identificar brechas epistémicas y proponer hipótesis que vinculen los conocimientos apoyados por IA con la defensa regulatoria.
   • Restricción: Las hipótesis generadas por la IA se tratan como provisionales y requieren validación humana frente al conocimiento del dominio y los requisitos de gobernanza.

2. Gobernanza Fundacional y Mapeo de Hoja de Ruta de Partes Interesadas:

   • Proceso: La GenAI simula el mapeo de partes interesadas, el análisis de impacto de vulnerabilidad y la planificación de alineación regulatoria.
   • Salida: Una hoja de ruta compartida que vincula los objetivos de investigación, la responsabilidad institucional y las salvaguardas de mitigación de daños. Esta etapa identifica los riesgos cognitivos, emocionales y financieros introducidos por los sistemas de decisión de IA opacos.

3. Generación de Insights y Desarrollo de "Plays" Enfocados en la Deuda:

   • Proceso: El estudio operacionaliza el modelo de "Bloques de Construcción" (Fundación, Recolección de Datos, Generación de Insights, Traducción de PoV) para producir "Tarjetas de Playbook" estructuradas.
   • Mecanismo: La GenAI agrupa iterativamente los insights empíricos y traduce los hallazgos validados en artefactos orientados al diseño y la gobernanza.
   • Validación: Un flujo de trabajo estructurado requiere la triangulación entre narrativas cualitativas de dificultades económicas, métricas cuantitativas de reembolso y estándares de cumplimiento antes de su aceptación.

4. Construcción de Narrativas de PoV y Comunicación con Partes Interesadas:

   • Proceso: Los "Plays" validados se sintetizan en narrativas de PoV de UXR específicas para cada parte interesada.
   • Papel de la GenAI: Apoya el refinamiento estructural y de fraseo, mientras que la autoridad interpretativa permanece estrictamente con el equipo de investigación humano.
   • Salida: Narrativas coherentes adecuadas para instituciones financieras, oficiales de cumplimiento y equipos de producto, asegurando la alineación con la defensa regulatoria del Reino Unido.

Contribuciones Clave
El artículo contribuye con un marco metodológico formalizado para la integración de GenAI en los flujos de trabajo de UXR dentro de entornos financieros regulados:

• La Pirámide de PoV Aumentada por IA: Una extensión del marco tradicional de PoV de UXR que integra la GenAI como un "mecanismo de soporte epistémico" en lugar de una autoridad analítica.
• Arquitectura de Prompts Estructurada: Un conjunto específico de estrategias de prompting (exploratorias, contrastivas, contrafactuales e interrogación ética) diseñadas para mitigar el sesgo de compresión narrativa, identificar inequidades en los umbrales de capacidad de pago y asegurar la trazabilidad de la evidencia.
• Sistema de Tarjetas de Playbook habilitado por IA: Un conjunto de 10 objetos de frontera (boundary objects) (Tarjetas de Play) que funcionan entre los equipos de UX, cumplimiento y gobernanza de IA. Estas tarjetas formalizan la integración defendible de la GenAI, detallando el propósito, plantillas de prompts, pasos de validación humana y puntos de control éticos.
• Pilares de PoV Alineados con las Partes Interesadas: La identificación de cuatro pilares transversales para los PoV de gestión de deuda: Trazabilidad, Sensibilidad a la Equidad, Interpretabilidad y Pruebas de Estrés Ético.

Resultados
La aplicación de esta metodología produjo salidas específicas y accionables:

• Diez Hipótesis Estructuradas: Generadas a partir de patrones analíticos recurrentes, estas hipótesis vinculan los flujos de trabajo apoyados por IA con resultados tales como la reducción del sesgo de compresión narrativa (H1), la mejora en la identificación de inequidades de capacidad de pago mediante prompting contrafactual (H2) y la mejora de la trazabilidad de auditoría mediante el etiquetado de evidencia (H5).
• Mapeo de Partes Interesadas: Un mapeo detallado de cinco grupos primarios (Clientes con Vulnerabilidad Financiera, Oficiales de Cumplimiento, Investigadores de UX, Científicos de Datos y Líderes de Producto), resaltando tensiones sistémicas como "Transparencia vs. secreto competitivo del modelo" y "Eficiencia de automatización vs. protección de la vulnerabilidad".
• Diez Tarjetas de Playbook: Artefactos concretos que abordan problemas específicos como la "Compresión de Narrativa de Dificultades Económicas", el "Sesgo de Volatilidad de Ingresos" y la "Síntesis de IA no Trazable". Cada tarjeta prescribe una intervención de gobernanza específica (p. ej., simulaciones contrafactuales de ingresos, prompts de interrogación de sesgos).
• Cuatro Pilares de PoV: La síntesis de los plays validados en un marco narrativo que enfatiza que cada insight apoyado por IA debe ser auditable, el modelado de capacidad de pago debe considerar la volatilidad de los ingresos, los resultados del modelo deben ser comunicables entre equipos y la simulación contrafactual debe estar integrada antes del despliegue.

Significancia y Reivindicaciones
El artículo posiciona su significancia como un avance en la metodología de UXR para entornos de IA financiera de alto riesgo. Reivindica:

• Operacionalizar la IA Centrada en el Humano (HCAI): Al posicionar la GenAI como una capa de aumento en lugar de una autoridad epistémica, el marco se alinea con la guía que aboga por una supervisión estructurada en entornos de decisión apoyados por IA.
• Desplazar la Evaluación de Equidad hacia Etapas Previas (Upstream): Al integrar el prompting contrafactual y la interrogación de sesgos en la fase de síntesis de investigación (construcción de PoV), el marco aleja la evaluación de la equidad de las auditorías post-hoc y la introduce en el ciclo de diseño y gobernanza.
• Reencuadrar los Artefactos de UXR como Infraestructura de Gobernanza: El trabajo redefine los resultados de UXR no solo como guías de diseño, sino como infraestructura crítica que media entre el modelado financiero, el cumplimiento regulatorio (específicamente el Deber de Consumo de la FCA) y la protección del consumidor.

Los autores mantienen una postura modesta respecto a las limitaciones, reconociendo que la GenAI sigue siendo probabilística y vulnerable a las alucinaciones y la amplificación de sesgos. Afirman que el prompting estructurado y los flujos de trabajo de validación mitigan, pero no eliminan, estos riesgos. En consecuencia, el marco se presenta como una disciplina metodológica que mejora la trazabilidad y el rigor interpretativo, pero que depende de la madurez organizacional y la supervisión humana para funcionar eficazmente. El artículo concluye que el trabajo futuro requiere una validación longitudinal mediante estudios de caso aplicados para evaluar mejoras medibles en las métricas de equidad y el rendimiento de las auditorías regulatorias.