19 de noviembre de 2026

Prueba de usabilidad: por qué cinco personas bastan (y qué se les escapa)

Cinco participantes encuentran el 91% de los problemas más comunes — y solo el 38% de todos. Cómo montar la prueba, qué hacer con las grabaciones y cuándo cinco no bastan.

Rodrigo Carvalho Rodrigo Carvalho

Prueba de usabilidad: por qué cinco personas bastan (y qué se les escapa)

Hiciste cinco sesiones, anotaste doce problemas y alguien preguntó: “¿y si hubiéramos probado con cincuenta?”. La respuesta corta es que cincuenta personas probablemente mostrarían los mismos doce problemas — más algunos raros que quizá nunca corrijas.

El problema es que la regla de los 5 usuarios se volvió eslogan y perdió la condición que la sostenía. No dice que cinco personas revelan el 85% de los problemas de tu producto. Dice algo mucho más estrecho — y entender esa diferencia cambia cómo planeas la prueba, cuánto tiempo reservas para el análisis y qué prometes en la reunión de resultados.

La cuenta que se volvió regla

La fórmula viene de Jakob Nielsen y Tom Landauer, en 1993: con n participantes encuentras N(1-(1-L)^n) problemas, donde L es la probabilidad de que un solo participante tropiece con un problema. Con el L promedio del 31% medido en varios proyectos, cinco participantes llegan al 85%.

Fíjate en lo que quedó fuera del eslogan: ese 85% corresponde a los problemas que afectan a más o menos un tercio de los usuarios. No son el 85% de todos los problemas de la interfaz. Nielsen lo escribió explícitamente en el artículo original — la recomendación era hacer tres rondas de cinco, corrigiendo entre ellas, no una sola ronda.

La lógica de fondo sigue siendo válida: los problemas comunes aparecen rápido, los raros necesitan mucha gente. Por eso una prueba con cinco sirve para decidir qué corregir esta semana y no sirve para afirmar que el producto “ya no tiene problemas”.

Qué pasa cuando verificas la cuenta con datos reales

El equipo de MeasuringU hizo esa verificación con siete bases de estudios de usabilidad: 231 participantes y 406 problemas e insights catalogados. Después separaron los problemas por frecuencia y midieron cuánto captaron los cinco primeros participantes en cada franja.

Frecuencia del problemaProblemas en los 7 estudiosEncontrados por los 5 primeros
Afecta al 31% al 100% de los usuarios3591% (32)
Afecta al 20% al 30% de los usuarios2763% (17)
Afecta al 5% al 19% de los usuarios16440% (65)
Afecta hasta el 5% de los usuarios18022% (39)
Todos los problemas40638% (153)

Los cinco primeros participantes encontraron el 91% de los problemas más comunes — y el 38% del total. Es decir: la regla funciona para lo que promete, y lo que promete es bastante menos de lo que la mayoría de los equipos anuncia. El análisis completo desglosa las siete bases con la frecuencia promedio de cada estudio.

Esto no es un argumento para probar con 50 personas. Es un argumento para no tratar una ronda de cinco como auditoría final. Cinco personas dicen “el flujo de registro se trabó en tres de cinco” — lo que ya es motivo suficiente para corregirlo mañana por la mañana.

Entonces, ¿cuántas personas necesito?

La pregunta correcta es “para qué objetivo”. Los tres casos que aparecen en la práctica:

  • Descubrir problemas y entender el porqué: 5 participantes por ronda, una ronda por versión del prototipo. Quien ya hace pruebas con frecuencia reserva de 3 a 5 sesiones por ciclo. La NN/g recomienda cinco para un estudio cualitativo con un solo grupo de usuarios.
  • Medir, comparar versiones o demostrar mejoras: aquí necesitas números, y los números con cinco personas son ruido. Los estudios cuantitativos suelen pedir decenas de participantes, y la precisión crece despacio: para reducir el margen de error a la mitad, el tamaño de la muestra tiene que cuadruplicarse.
  • Cubrir perfiles muy distintos (principiante, usuario avanzado, administrador, cliente antiguo): cada grupo es un estudio. Cinco en total, mezclando perfiles, esconde justo las diferencias que querías ver.

Si la prueba es con cinco, no hagas tres tareas por participante sino tareas cortas y específicas. Una sesión de 60 minutos con cuatro tareas largas produce cansancio y silencio, no insight.

El cuello de botella no es la sesión, es el análisis

Esta es la parte que suele reventar el cronograma. Un estudio de la NN/g con 50 equipos que probaron sitios comerciales por primera vez midió 39 horas para hacer la prueba completa: planificar, escribir tareas, reclutar, correr cinco sesiones, analizar y escribir el informe. Con experiencia, el mismo ciclo cabe en dos días de trabajo — pero la sesión en sí nunca fue la tajada más grande.

La prueba no moderada no resuelve esto. Ahorra el tiempo de conducción, no el de análisis: alguien sigue teniendo que ver (o leer) las cinco grabaciones y convertir eso en una decisión. La NN/g lo dice sin rodeos: el tiempo que ahorras corriendo sesiones tiende a reaparecer en la fase de análisis.

Por eso la grabación importa más que la herramienta de reclutamiento. Si tienes que revisar 5 horas de video para recordar en qué momento el participante 3 abandonó, la prueba costó el doble.

El think-aloud cambia el comportamiento — y casi nadie lo controla

Pedirle a la persona que piense en voz alta es el estándar del área, y el estándar tiene un costo conocido. Cuando el moderador relaja el protocolo y empieza a preguntar “¿qué esperabas aquí?”, el comportamiento cambia: un estudio comparativo mostró tareas más largas, más navegación entre páginas, más desplazamiento y mayor carga mental durante la verbalización relajada.

La revisión de Hertzum sobre el tema resume el impasse: el think-aloud clásico puede no alterar el comportamiento, pero también aporta poco más de lo que ya ves en la pantalla; el relajado aporta información pero altera el desempeño. Él sugiere una salida práctica: separar ejecución de comentario, usando la grabación para una entrevista retrospectiva. También vale saber el tamaño del fenómeno: en uno de los estudios, solo el 38% al 44% de las verbalizaciones en think-aloud relajado tenían relevancia media o alta para identificar problemas. El resto es conversación.

Dos consecuencias prácticas:

  1. Si el objetivo es comparar tiempo de tarea o tasa de finalización, deja que la persona ejecute en silencio y comente después, con el video en mano.
  2. Si el objetivo es entender el modelo mental, el think-aloud ayuda — pero el moderador entrenado debe saber que cada pregunta suya contamina el dato que viene después.

Cómo convertir una grabación en un hallazgo

El flujo de abajo es el que sobrevive a la falta de tiempo. Funciona con cualquier herramienta de grabación, y el paso 2 es donde desaparece la mayor parte del trabajo.

  1. Graba pantalla y audio de la sesión. En Mac, QuickTime guarda .mov; en Windows, la Grabación de pantalla de Xbox Game Bar guarda .mp4; OBS guarda .webm o .mkv. Un archivo por participante, con el perfil y la fecha en el nombre.
  2. Transcribe antes de mirar. Leer es más rápido que escuchar, y puedes buscar por palabra. Una sesión de 60 minutos se convierte en texto en pocos minutos; la transcripción de audio largo tiene límites de duración y de plan que conviene revisar antes de subir cinco archivos de una vez.
  3. Marca tres cosas por participante, no treinta. Resultado de la tarea (completó, completó con esfuerzo, abandonó), la frase de fricción (“creí que este botón iba a guardar”) y la severidad. Treinta hallazgos en el informe es lo mismo que ninguno: nadie corrige treinta.
  4. Agrupa por paso del flujo, no por participante. El hallazgo es “3 de 5 no encontraron el campo de cupón”, no “el participante 2 se confundió”.
  5. Registra la decisión. Cada hallazgo se vuelve una línea con responsable y próxima acción — el mismo mecanismo de cualquier checklist que sale de una reunión. Un hallazgo sin responsable vuelve en la próxima ronda.

En Sintesy, ese camino es subir el video, transcribir, resumir y generar el checklist. Los formatos de video aceptados incluyen .mp4, .mov, .webm y .avi, así que el archivo de QuickTime, de Zoom o de OBS entra directo. Una vez transcrito, puedes preguntar en el chat en qué punto se trabó cada participante y comparar las respuestas — sin volver a escuchar las cinco sesiones.

Un aviso honesto sobre el plan: en el gratuito, el archivo enviado tiene un límite de 20 MB, lo que normalmente obliga a exportar solo el audio de la sesión, y la transcripción vuelve truncada en textos largos. Para analizar cinco sesiones completas, el plan Pro acepta archivos de hasta 2 GB y no trunca el resultado. Si solo quieres el mapa de las cinco conversaciones, el gratuito alcanza; si quieres el documento completo para citarlo en el informe, no.

Si necesitas un número, usa el SUS — y no con cinco personas

La System Usability Scale es el cuestionario de 10 preguntas que devuelve una nota de 0 a 100. El promedio histórico de los sistemas evaluados es 68; por encima de 80 estás en la franja que la literatura llama buena usabilidad. Es una forma barata de tener un número comparable entre versiones.

Solo no le pidas al SUS lo que no entrega. Con cinco respondientes, la nota sirve para una conversación interna, no para afirmar una mejora estadística. Si la decisión depende de la diferencia entre 68 y 74, el estudio dejó de ser cualitativo y el tamaño de la muestra cambió de orden de magnitud.

Errores que aparecen en casi toda prueba

  • Tarea que entrega la respuesta: “haz clic en Finalizar compra” no es tarea, es instrucción. “Compra un artículo y recíbelo en casa” es tarea.
  • Instrucción que solo funciona en vivo: en una prueba no moderada no hay moderador para corregir el malentendido. Reescribe hasta que la instrucción se sostenga sola y haz un piloto antes.
  • Moderador que explica: cada explicación tuya es una hipótesis que acabas de matar.
  • Ningún registro de lo que ya se corrigió: sin línea de base, la segunda prueba no demuestra ninguna evolución.
  • Reclutar en tu propio equipo: un colega prueba el producto sabiendo demasiado. Cinco personas de la empresa no son cinco usuarios.

Qué prueban realmente cinco personas

Prueban que existe fricción en los caminos más usados, y muestran dónde. No prueban que el producto sea bueno, ni que los problemas raros no existan, ni que la versión nueva sea mejor que la anterior.

En la práctica, eso alcanza para trabajar. La pregunta que cierra la prueba no es “¿cuántos problemas quedan?” sino “¿qué corregimos antes de la próxima ronda?”. Cinco personas responden esa pregunta con holgura — siempre que alguien lea las cinco grabaciones y escriba la respuesta.