Building the research operations system that made GenAI possibleConstruyendo el sistema de research operations que hizo posible la GenAI

The problemEl problema

As UX research grew across a Fortune 500 auto-finance company, the things that made research useful broke down. Insights lived in personal drives, team tools, and one-off documents. There was no shared way to find what had already been learned, and no view into whether research was changing product decisions. The company was paying for an expensive third-party repository tool that nobody really used, while researchers consolidated findings by hand.Conforme creció el UX research en una financiera automotriz Fortune 500, lo que hacía útil al research se rompió. Los insights vivían en discos personales, herramientas por equipo y documentos sueltos. No había forma compartida de encontrar lo ya aprendido, ni visibilidad de si el research cambiaba decisiones de producto. La empresa pagaba por una herramienta de repositorio externa y cara que casi nadie usaba, mientras las investigadoras consolidaban hallazgos a mano.

• Teams re-ran research that already existed because they couldn't find the prior work.Los equipos repetían research que ya existía porque no lo encontraban.
• Retrieval depended on knowing who'd done it and asking them directly.Recuperar un hallazgo dependía de saber quién lo hizo y preguntarle.
• There was no path to AI: you can't point GenAI at fragmented, inconsistently tagged data and get useful answers.No había camino a la IA: no puedes apuntar GenAI a datos fragmentados y mal etiquetados y esperar respuestas útiles.

The service systemEl sistema de servicio

I designed a four-pillar system to solve all three problems at once. Not a single tool, but an operations platform where each piece made the others work.Diseñé un sistema de cuatro pilares para resolver los tres problemas a la vez. No una herramienta, sino una plataforma operativa donde cada pieza hacía funcionar a las demás.

• Standardized research operationsOperaciones de research estandarizadas: governance, templates by methodology, and a shared framework for how research gets planned, run, stored, and archived.gobernanza, plantillas por metodología y un marco común de cómo se planea, ejecuta, guarda y archiva el research.
• Change management and internal commsGestión del cambio y comunicación interna: a system nobody uses doesn't exist, so I built the case with leadership and set up the channels that drove adoption.un sistema que nadie usa no existe, así que construí el caso con liderazgo y armé los canales que impulsaron la adopción.
• Unified knowledge hubHub de conocimiento unificado: a centralized Airtable repository built from stakeholder interviews, migrated research, and an information architecture that put everything in one searchable place.un repositorio central en Airtable construido con entrevistas de stakeholders, research migrado y una arquitectura de información que puso todo en un lugar buscable.
• GenAI insights toolHerramienta de insights con GenAI: I was product owner for a GenAI layer on top of the hub. I wrote the system instructions and master prompt, led concept validation for the agentic assistant, and owned the roadmap from 2024 pitch to deployment.fui product owner de una capa de GenAI sobre el hub. Escribí las instrucciones del sistema y el master prompt, lideré la validación de concepto del asistente agéntico y fui dueña del roadmap del pitch 2024 al despliegue.

The AI layerLa capa de IA

Even a well-organized repository still needed manual search. The AI layer made retrieval conversational: it takes a natural-language question, pulls the relevant insights across the whole repository, and turns them into a summary instead of raw documents. The repository held years of work across teams, sources, and methods, more than any researcher could hold in their head. AI turned storage into retrieval.Aun con un repositorio bien organizado, encontrar el insight correcto seguía requiriendo búsqueda manual. La capa de IA volvió conversacional la recuperación: toma una pregunta en lenguaje natural, jala los insights relevantes de todo el repositorio y los vuelve un resumen en vez de documentos crudos. El repositorio guardaba años de trabajo de varios equipos, fuentes y métodos, más de lo que cualquier investigadora puede tener en la cabeza. La IA convirtió el almacenamiento en recuperación.

Key deliverablesEntregables clave

• Knowledge baseBase de conocimiento: a centralized repository with standardized tagging and search. Before, insights were spread across four-plus tools and personal drives. After, one searchable source of truth.un repositorio central con etiquetado y búsqueda estandarizados. Antes, insights regados en 4+ herramientas y discos personales. Después, una sola fuente de verdad buscable.
• Templates and frameworksPlantillas y marcos: documentation standardized by methodology. Before, everyone invented their own format. After, the whole practice documented the same way.documentación estandarizada por metodología. Antes, cada quien inventaba su formato. Después, toda la práctica documentando igual.
• Repository + AIRepositorio + IA: a GenAI retrieval tool that answers natural-language questions. Before, finding prior research meant knowing who did it. After, conversational search across years of findings.una herramienta de recuperación con GenAI que responde preguntas en lenguaje natural. Antes, encontrar research previo requería saber quién lo hizo. Después, búsqueda conversacional en años de hallazgos.

OutcomesResultados

Significant projected tool savings, replacing a tool with no adoption with one people actually used. Built to scale: designed to support 20+ concurrent projects, 20 product designers, 3 researchers, and several engaged stakeholders per product. It cut duplicate research, scaled insight access without adding headcount, and left a reusable operations foundation behind.Ahorro proyectado significativo en herramientas, al reemplazar una sin adopción por una que la gente sí usaba. Hecho para escalar: diseñado para soportar 20+ proyectos simultáneos, 20 product designers, 3 investigadoras y varios stakeholders activos por producto. Cortó research duplicado, escaló el acceso a insights sin sumar personal y dejó una base operativa reutilizable.

What was hard, and what I'd do differentlyLo difícil, y qué haría distinto

When I started, none of this existed and nobody was asking for it. I had to make the case for why it should exist while I was designing and shipping it. Next time I'd build a quantitative impact tracker from day one, so the value story rests on measured numbers, not projections.Cuando empecé, nada de esto existía y nadie lo pedía. Tuve que construir el argumento de por qué debía existir mientras lo diseñaba y lo entregaba. La próxima vez armaría un tracker de impacto cuantitativo desde el día uno, para que la historia de valor se apoye en números medidos, no en proyecciones.