La ilusión del término único
Hughes y Habli analizaron 53 artículos sobre equipos humano-IA y descubrieron que bajo el mismo rótulo coexisten al menos cinco configuraciones de equipo radicalmente distintas: desde la IA como simple asistente hasta modelos de equanimidad grupal donde humano e IA operan como pares [1]. Cada clúster «representa una combinación única de características a nivel holístico de equipo», lo que invalida la transferencia directa de hallazgos entre estudios que dicen investigar lo mismo pero estudian relaciones estructuralmente diferentes. El problema no es académico: si un equipo de producto importa un patrón de interacción validado en una configuración AI Assistant y lo aplica a un sistema donde la IA opera con equanimidad pareada, está diseñando sobre evidencia que no le pertenece.
La relación no es una sesión repetida
Sumida et al. estudiaron 24 participantes a lo largo de 10 sesiones con un agente conversacional con memoria y documentaron algo que la intuición de diseño solía asumir pero que carecía de evidencia longitudinal: las relaciones humano-IA no se construyen por acumulación lineal, sino que están puntuadas por puntos de inflexión discretos —caídas y subidas abruptas— parcialmente trazables en el comportamiento multimodal del usuario [3]. La lectura que hacemos es que diseñar para uso repetido exige un modelo de relación, no solo un modelo de interacción. Los surges de disfrute persisten más fiablemente que los crashes se recuperan, lo que implica una asimetría fundamental: el coste de un fallo relacional no se compensa con un acierto equivalente.
La calidad conversacional modela intensamente el disfrute inmediato de una sesión, pero no se transfiere entre sesiones [Fuente 3]. Es un activo de sesión, no de relación.
La memoria percibida está condicionada relacionalmente: la predice el estado relacional previo más que la capacidad real del sistema [3]. Es un activo acumulativo, pero subjetivo y frágil.
De especificar comportamiento a articular criterios de evaluación
La naturaleza probabilística de los sistemas con IA generativa rompe el contrato implícito del diseño tradicional: el diseñador especifica, ingeniería implementa exactamente lo especificado, QA valida contra la especificación [7]. Cuando un LLM decide qué incluir en una respuesta y cómo formularla, no existe especificación determinista posible para cada caso. Nielsen Norman Group propone que la competencia clave del diseñador pasa a ser la crítica: articular criterios de evaluación que codifiquen necesidades del usuario, juicio de diseño e investigación, y estándares de calidad [7]. Creemos que esta transición es la más profunda que enfrenta la disciplina, porque desplaza al diseñador de autor de la experiencia a juez de la experiencia generada por otro agente.
Este desplazamiento se materializa operativamente en lo que Nielsen Norman Group denomina arquitectura de contexto: la aplicación de principios de arquitectura de información a sistemas IA, donde el diseñador ya no escribe prompts sino que orquesta contexto — instrucciones, conocimiento recuperado, herramientas, memoria seleccionada y estado [9]. La evolución de prompt engineering a context engineering no es un refinamiento incremental; es un cambio de unidad de diseño, de la instrucción individual a la composición del entorno informacional completo del agente.
El usuario que construye sin entender lo que construye
Nielsen Norman Group documenta la emergencia de los «vibe architects»: personas no desarrolladoras que construyen sistemas IA agénticos complejos basándose en intuición desarrollada a través de experimentación, vídeos de YouTube y foros de Reddit, sin conocer con exactitud cómo están haciendo lo que hacen [10]. La brecha entre capacidad técnica lograda y comprensión técnica formal es inédita. Ninguna tecnología anterior había permitido que la capacidad de una persona superase su conocimiento formal de esta manera. El riesgo que identificamos no es que estos usuarios fallen — es que tengan éxito sin modelo mental fiable, creando sistemas que funcionan por razones que nadie en la organización puede articular ni auditar.
Este fenómeno conecta con el clúster de «dependencia emergente no planificada» de la taxonomía de Hughes y Habli [1]: los vibe architects generan exactamente ese tipo de configuración humano-IA.
La brecha entre investigación producida e investigación adoptada
Nada de lo anterior importa si la investigación UX no llega al producto. Nielsen Norman Group identifica un patrón estructural: los hallazgos de investigación son reconocidos superficialmente por los gestores de producto y luego archivados sin traducirse en decisiones de roadmap, porque los equipos UX presentan hallazgos cuando las decisiones ya están parcialmente tomadas y lo hacen en términos de comportamiento de usuario, no de métricas de negocio [6]. El Recommendation-Adoption Score (RAS) cuantifica esta pérdida como «research breakage»: la brecha entre el valor que la investigación genera y el que efectivamente se concreta en el producto [4].
La lectura que hacemos es que la sofisticación creciente del diseño UX para IA — taxonomías de equipo, arquitectura de contexto, criterios de evaluación probabilísticos — se vuelve académica si los equipos siguen reportando actividad (tests, citas de usuarios) en lugar de resultados de negocio. Nielsen Norman Group señala que los equipos UX rara vez pierden conversaciones de presupuesto porque su trabajo carezca de valor, sino porque reportan de forma inadecuada [11]. El hábito de establecer baselines antes de cualquier intervención de diseño es la condición mínima para que el impacto sea demostrable [11].
La posición de IDO
El campo UX para productos con IA necesita resolver tres problemas simultáneos que operan a escalas diferentes. Primero, un problema de clasificación: dejar de tratar «diseño de IA» y «equipo humano-IA» como categorías unitarias y adoptar las taxonomías disponibles [1][5] para que la evidencia se aplique donde corresponde. Segundo, un problema de competencias: el diseñador de sistemas probabilísticos no especifica comportamiento sino que articula criterios de evaluación [7] y orquesta contexto [9], lo que exige un perfil profesional que la mayoría de organizaciones aún no han definido con precisión. Tercero, un problema de impacto organizacional: mientras el research breakage siga sin medirse [4] y los hallazgos se presenten fuera de tiempo y en el idioma equivocado [6], la capacidad de diseño más sofisticada del mundo no llegará al usuario. Creemos que estos tres problemas están encadenados: sin clasificación precisa no hay evidencia aplicable, sin competencias adecuadas no hay criterios fiables, y sin impacto organizacional demostrable no hay recursos para sostener ninguno de los dos anteriores.
Fuentes consultadas
- Nathan Hughes and Ibrahim Habli. What Types of Human-AI Teams Exist?. arXiv:2607.02198, 2026.
- Xiaolin Wen, Feng Liang, Yuanye Ma, Qishuang Fu, Zhengyu Sun, Feng Zhu, Can Liu, and Yong Wang. ManiScope: LLM-Assisted Visual Analytics of Cryptocurrency Manipulation Risk. arXiv:2607.11451, 2026.
- Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, and Yoichi Matsuyama. Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction. arXiv:2607.14593, 2026.
- Recommendation-Adoption Score (RAS): medición de impacto y asignación de recursos en investigación UX. ver
- Taxonomía de los cuatro tipos de trabajo de diseño con IA. ver
- Integración de recomendaciones de investigación en el roadmap de producto. ver
- Crítica de diseño como competencia central en sistemas IA: de especificaciones deterministas a criterios de evaluación. ver
- Economía conductual aplicada al diseño UX: fricción, motivación y brecha intención-acción. ver
- Arquitectura de contexto: principios de arquitectura de información aplicados a sistemas IA. ver
- Vibe architects: usuarios no técnicos como constructores de sistemas IA agénticos. ver
- Reporte de UX orientado a resultados de negocio: métricas y baselines. ver
- Diseño de agentes IA para usuarios: lecciones de estudios de usabilidad. ver