El diseñador como arquitecto de contexto: por qué la UX en la era de la IA es un problema de juicio, no de producción.

Los sistemas de IA generativa son probabilísticos: el modelo toma decisiones de diseño — qué incluir, cómo formularlo — sin que el diseñador pueda especificar cada caso posible [10]. La respuesta que propone NNg no es intentar más especificaciones, sino desplazar la competencia central del diseñador hacia la crítica: articular criterios de evaluación que codifiquen el entendimiento de las necesidades del usuario, el juicio de diseño fundamentado en investigación y los estándares de calidad de la respuesta del sistema [10]. La lectura que hacemos es que esta competencia — evaluar outputs, no solo generarlos — se convierte en la línea que separa al diseñador que aporta valor del que es sustituible por el propio modelo.

NNg documenta la emergencia de los vibe architects: personas no desarrolladoras que construyen sistemas IA agénticos complejos basándose en intuición desarrollada a través de horas de experimentación, YouTube y Reddit, sin conocer con exactitud cómo están haciendo lo que hacen [7]. La IA generativa está permitiendo que la capacidad técnica de las personas supere su conocimiento técnico formal de maneras que ninguna tecnología anterior había logrado [7]. Este fenómeno crea una brecha entre capacidad lograda y comprensión formal que el diseño debe mitigar — no bloquear, pero sí hacer visible.

Las cuatro lecciones del estudio de usabilidad de Qwen refuerzan esta tensión desde el otro extremo — el del usuario consumidor de agentes, no constructor. Los usuarios necesitan descubribilidad activa de las capacidades del agente, patrones familiares que reduzcan la curva de aprendizaje, tratamiento explícito de datos personales y, sobre todo, protección de su autonomía: el diseño debe preservar la capacidad del usuario de entender, redirigir y controlar las acciones del agente [5]. La autonomía del usuario no es un nice-to-have ético; es un requisito funcional cuando el sistema toma decisiones iterativas por cuenta propia.

Investigar la interacción con agentes IA requiere instrumentos que los métodos HCI convencionales no proporcionan. Zhu et al. desarrollan HARP, una plataforma que permite colocar participantes en escenarios simulados con agentes IA en vivo y configurables, registrando no solo las interacciones completadas sino el comportamiento previo al envío del prompt: tiempo de composición, eliminaciones, pausas de pulsación [4]. Los prototipos estáticos ofrecen oportunidades limitadas para estudiar la interacción con sistemas IA en vivo, y las transcripciones revelan poco sobre cómo los usuarios formulan, revisan y dudan antes de enviar [4]. Sin esta granularidad conductual, las decisiones de diseño de agentes se basan en suposiciones sobre un proceso que nadie observa directamente.

AutoJourn ofrece otro modelo de transparencia accionable: expone al usuario los clusters de perspectivas, permite comparar resúmenes por postura y aplicar reescrituras conscientes del sesgo directamente en la interfaz [1]. No se trata de explicabilidad decorativa — aquí está cómo funciona el modelo — sino de transparencia que permite al usuario actuar: inspeccionar, comparar, corregir. Creemos que esta es la dirección correcta para la UX de sistemas IA de producción de contenido: hacer el proceso interno no solo visible sino manipulable.

La economía conductual añade una capa que la investigación de usabilidad clásica no cubre. NNg señala que este campo permite identificar fricción oculta que no es de usabilidad técnica sino de motivación, confianza o percepción de esfuerzo [9]. La brecha intención-acción — las personas tienen la intención de actuar pero no completan — se explica por emociones, hábitos, incertidumbre, señales sociales, riesgo percibido y la manera en que la información es presentada [9]. En interfaces de agentes IA, donde el usuario debe decidir si confiar en una acción autónoma del sistema, estos factores conductuales son más determinantes que cualquier métrica de latencia.

La posición que defendemos es esta: el equipo de UX que no sepa curar contexto, articular criterios de evaluación, medir con baselines y comunicar en idioma de negocio no desaparecerá por falta de herramientas de IA — desaparecerá porque no habrá demostrado por qué debería seguir existiendo.