Del artefacto al contexto: el colapso de la especificación determinista
El modelo clásico de diseño asume que el diseñador especifica comportamientos exactos, ingeniería los implementa y QA los valida. Nielsen Norman Group documenta cómo los sistemas de IA generativa rompen este contrato: el modelo toma decisiones de diseño —qué incluir, cómo formular— sin que el diseñador pueda anticipar cada caso posible [9]. El ejemplo de la pregunta meteorológica es revelador: una probabilidad de lluvia del 30% es técnicamente "poco probable", pero para la mayoría de usuarios es información que debería cambiar su conducta. Ninguna especificación en Figma captura esa ambigüedad.
La respuesta no es más especificación, sino un cambio de naturaleza del entregable. Nielsen Norman Group propone que la salida de la investigación y el diseño se desplace hacia contexto curado que guía a la IA [2]. Un modelo de IA entrenado sobre miles de pantallas de búsqueda producirá una pantalla de búsqueda promedio; si el conocimiento sobre usuarios específicos, dominio y hallazgos de investigación no está en el contexto que recibe, el modelo diseña sin él [2]. La mediocridad estadística no es un fallo del modelo — es la consecuencia directa de un diseño que no arquitectó su contexto.
Tipo 1–2: generar variaciones de componentes y diseñar interfaces conversacionales requieren habilidades de diseño visual e interacción relativamente convencionales, amplificadas por IA.
Tipo 3–4: estructurar datos para agentes y definir comportamiento de LLMs exigen capacidad de crítica evaluativa y arquitectura de contexto — competencias que la mayoría de programas de formación en diseño no cubren [Fuente 11, Fuente 9].
La competencia que atraviesa los cuatro tipos es lo que Nielsen Norman Group denomina product sense: la capacidad de predecir qué decisiones de producto tendrán éxito basándose en patrones aprendidos mediante experimentación, y saber cuándo esos patrones aplican [1]. La definición tiene dos componentes — reconocimiento de patrones y juicio de aplicabilidad — que son exactamente lo que un curador de contexto necesita: saber qué conocimiento incluir y cuándo ese conocimiento es relevante para el caso concreto del modelo.
El fenómeno de los vibe architects — personas no desarrolladoras que construyen sistemas agénticos complejos basándose en intuición experimental [6] — es la prueba de que la capacidad técnica ya puede superar el conocimiento técnico formal. Esto amplifica la urgencia de que los diseñadores profesionales definan su valor diferencial más allá de la ejecución.
La crisis de legitimidad: medir para sobrevivir
Nada de lo anterior importa si el equipo de UX no puede demostrar que su trabajo produce resultados. Nielsen Norman Group es directo: los equipos de UX rara vez pierden presupuesto porque su trabajo carezca de valor, sino porque reportan de forma inadecuada [5]. La brecha es lingüística — UX habla de actividad y métricas de usabilidad mientras los ejecutivos operan en ingresos, costes, riesgo, velocidad y retención. Los equipos que no cruzan esa brecha son categorizados como centros de coste y recortados.
El problema es estructural, no táctico. Nielsen Norman Group documenta que los hallazgos de investigación son reconocidos superficialmente por los gestores de producto y luego archivados sin traducirse en decisiones de roadmap, porque los investigadores los presentan cuando las decisiones ya están parcialmente tomadas [10]. Las estrategias que funcionan — incorporación temprana al proceso de planificación, vinculación con métricas del PM, recomendaciones accionables en el momento oportuno — requieren que el equipo UX entienda las restricciones del gestor de producto y hable su idioma [10]. El RAS permite medir retrospectivamente si esas tácticas están produciendo adopción real [12]. Creemos que un equipo que no mide su research breakage está tomando decisiones de inversión a ciegas.
El diseño de agentes: donde todo converge
Los agentes de IA — sistemas que persiguen objetivos mediante acciones iterativas, evaluando progreso y determinando sus propios pasos [4] — son el campo donde la arquitectura de contexto, la crítica evaluativa y la conexión con negocio colisionan. El estudio de usabilidad de Nielsen Norman Group sobre Qwen revela que los principios no son exóticos: descubribilidad activa, reutilización de patrones familiares, manejo cuidadoso de datos personales y protección de la autonomía del usuario [4]. Pero aplicar estos principios a un sistema probabilístico que toma decisiones autónomas requiere una forma distinta de especificación — criterios de evaluación, no wireframes.
La posición de IDO
La lectura que hacemos es que el diseño UX en la era agéntica no se degrada — se redefine en un nivel de abstracción superior. El diseñador que solo produce pantallas compite con el modelo que las genera. El diseñador que arquitecta el contexto que gobierna qué pantallas se generan, bajo qué criterios de calidad, y puede demostrar con datos que esa arquitectura produce resultados de negocio, ocupa una posición que ningún modelo puede ocupar por sí solo. Las tres competencias — arquitectura de contexto [7], crítica evaluativa de outputs probabilísticos [9] y reporte orientado a outcomes de negocio [5] — no son opcionales ni secuenciales. Son simultáneas.
Fuentes consultadas
- Definición de 'product sense' y su relevancia en la era de la IA. ver
- UX-Context Design: el contexto como entregable UX en interfaces generadas por IA. ver
- Zeshu Zhu, Natalie Friedman, Kevin Weatherwax, and Emily Eiben. HARP: The Human--AI Research Platform. arXiv:2607.20773, 2026.
- Diseño de agentes IA para usuarios: lecciones de estudios de usabilidad. ver
- Reporte de UX orientado a resultados de negocio: métricas y baselines. ver
- Vibe architects: usuarios no técnicos como constructores de sistemas IA agénticos. ver
- Arquitectura de contexto: principios de arquitectura de información aplicados a sistemas IA. ver
- Economía conductual aplicada al diseño UX: fricción, motivación y brecha intención-acción. ver
- Crítica de diseño como competencia central en sistemas IA: de especificaciones deterministas a criterios de evaluación. ver
- Integración de recomendaciones de investigación en el roadmap de producto. ver
- Taxonomía de los cuatro tipos de trabajo de diseño con IA. ver
- Recommendation-Adoption Score (RAS): medición de impacto y asignación de recursos en investigación UX. ver