El caso más limpio procede de un ensayo controlado aleatorizado con 100 participantes, 50 diseñadores de producto y 50 gestores de producto, que realizaron tres tareas estandarizadas con o sin acceso a Figma Make [1]. La cifra agregada es atractiva. La lectura que hacemos se centra en otro dato: las ganancias fueron mayores entre los gestores de producto, y para los diseñadores profesionales los beneficios resultaron dependientes de la tarea [1]. Un solo número esconde dos productos distintos: uno que amplía quién puede diseñar y otro que solo a veces acelera a quien ya sabe hacerlo.
Cuando se varía el tipo de tarea, ocurre lo mismo. Graphionale convierte los razonamientos lineales de un LLM en grafos de argumentos interactivos, y en un estudio con N=204 los razonamientos gráficos no mejoraron la decisión de forma uniforme [10]. En tareas de razonamiento verbal mejoraron la calibración de confianza, aunque los participantes los percibieron como más exigentes cognitivamente y menos satisfactorios [10]. La interfaz que más ayuda no es la que más gusta, y además depende de la modalidad.
Medir lo que se mueve, no lo que se esperaba
La heterogeneidad no es solo entre personas. También aparece entre métricas. En una interfaz híbrida de gestión de contenidos con un agente conectado por MCP (N=73), la asistencia de IA redujo de forma significativa los clics, las navegaciones y el desplazamiento, pero el tiempo de tarea no difirió entre condiciones [11]. Los autores sugieren que el beneficio real de estas interfaces es reducir el esfuerzo de interacción, no aumentar la velocidad [11]. Un equipo que solo midiera tiempo concluiría que el agente no aporta nada.
Las entrevistas moderadas por IA igualan en profundidad a las humanas, cubren más temas y, con presupuesto constante, recuperan más necesidades del cliente [Fuente 4].
Simular al usuario medio es simular a nadie
Si los efectos dependen del usuario, también deben hacerlo las herramientas de evaluación. KNOWSIM modela de forma explícita el estado de conocimiento del usuario como un grafo de unidades de información con prerrequisitos. Al aplicarlo a 9 LLMs muestra que el mejor modelo cambia según el nivel de conocimiento del usuario: son interacciones aptitud-tratamiento que la evaluación estándar no detecta [12]. En simulación de usuarios con agentes, el contenido actitudinal predijo las reacciones mucho mejor que los perfiles demográficos [5]. Lo mismo se observa en los gemelos digitales construidos con entrevistas, que superan a las personas basadas solo en datos demográficos [4]. La demografía es la forma más barata de fingir que se ha segmentado.
Donde la regla sí debe ser fija
Defender la heterogeneidad no significa renunciar a los invariantes. El trabajo sobre arquitectura de elección en interfaces financieras ofrece el contrapunto que nos parece correcto. Define la equidad como una restricción verificable mediante conteo de pasos de navegación, entradas obligatorias y confirmaciones: ningún componente del flujo de salida debe superar a su equivalente en el flujo de entrada [6]. Este criterio no depende de quién sea el usuario, y justamente por eso protege a todos.
Nuestra posición, por tanto, separa dos capas. Los suelos éticos deben ser universales y auditables. La capa adaptativa debe responder al modelo mental, al rol y al conocimiento de cada usuario. Nielsen Norman Group sostiene que los modelos mentales sobre la IA dictan cómo se usa [2]. Weiss estructura la colaboración en dos ejes, autonomía e iniciativa, que dan lugar a patrones distintos: instrucción, delegación, asistencia y cocreación [7]. Leemos ambos marcos como un mandato práctico. No hay que elegir un patrón para el producto, sino decidir qué patrón corresponde a qué usuario en qué tarea, y medir cada combinación con la métrica que realmente cambia.
Fuentes consultadas
- Remy Stewart, Olabode Anise, Andrew Hogan, and Augustus Griffin. Does AI Save Time on Product Design? A Randomized Controlled Experiment of AI Prompt-to-Design Workflows. arXiv:2609.26725, 2026.
- Modelos mentales de IA en usuarios: precisión, uso y diseño de sistemas. ver
- Divulgación del uso de IA: el marco PACED y efectos sobre confianza y autenticidad percibida. ver
- Yuting Deng, Jingxuan Liu, Olivier Toubia, and Naman Jain. AI-Moderated Interviews for Market Research and Digital Twins Calibration. arXiv:2609.29143, 2026.
- Ljubisa Bojic, Tijana Stanic, Joerg Matthes, Agariadne Dwinggo Samala, Bojana Dinic, and Jue Wang. Thinking Less to Simulate Better: Intuitive Prompting Improves LLM Agents Simulating Individual Social Media Reactions, Including Unfamiliar Content. arXiv:2609.30563, 2026.
- Oluwadamilola Awakan, Tawan Aroonwechkul, Roshan Gunjoor, Supriya Khadka, and Sanchari Das. Redesigning Trust: Replacing Dark Patterns with Fair Choice Architecture in Financial Interfaces. arXiv:2609.30475, 2026.
- Michael Weiss. Human-AI Collaboration: From Paradoxes to Patterns. arXiv:2609.36481, 2026.
- Xinyi Zhang, Jingting He, Zicheng Zhu, and Yuxin Su. ASIDE: From Conflict Participants to Co-Observers Through Dyadic Spectator Reflection. arXiv:2608.05690, 2026.
- Xinshuang Liu, Runfa Blark Li, Shaoxiu Wei, Xin Lin, and Truong Nguyen. Unified Agent: Managing Interactions across Devices. arXiv:2608.05729, 2026.
- Xinru Wang, Zhexuan Ma, Ming Yin, Shuai Ma, and Thomas W Malone. Graphionale: How Graph Visualizations of LLM Rationales Affect Human Decision Making. arXiv:2608.27932, 2026.
- Gavin Dizon, Tyrone Justin Sta Maria, Jordan Aiko Deja, and Yasuyuki Sumi. Delegating or Doing? Understanding User Behavior in Hybrid Human-Agent Interfaces. arXiv:2608.19551, 2026.
- Yoonjoo Lee, Hyoungwook Jin, Tae Soo Kim, Shaoyang Zhang, Philippe Laban, and Q. Vera Liao. KnowSim: Evaluating Information Calibration in LLM Assistants with User Simulators that Learn. arXiv:2608.17150, 2026.
Publicado
Actualizado
Seguir leyendo
Piezas del mismo hilo de trabajo.
Diseñar IA según el estado del usuario: por qué importaUX
Los productos con IA ignoran lo que el usuario sabe y pretende. Evidencia de cinco líneas de investigación y cómo diseñar la interacción con ese estado.
Parte de alguna de las mismas fuentes que este artículo.
Leer el artículo →Interfaces con IA que entienden al usuario: cómo diseñarlasUX
Las interfaces con IA fallan al inferir qué sabe y qué busca el usuario. Tres decisiones de diseño para mostrar esa inferencia antes de actuar.
Parte de alguna de las mismas fuentes que este artículo.
Leer el artículo →Diseño UX con IA: clasificar bien antes de diseñarUX
Bajo «diseño de IA» conviven cuatro tipos de trabajo y al menos cinco tipos de equipo humano-IA. Cómo distinguirlos antes de contratar o diseñar.
Leer el artículo →UX para inteligencia artificial: nuevas formas de diseñarUX
La UX para inteligencia artificial exige diseñadores que evalúen resultados impredecibles, preparen el contexto del modelo y negocien la autonomía.
Leer el artículo →Diseñar interfaces para agentes: más allá del promptUX
Cómo diseñar la interfaz de un agente de IA: curar el contexto que usa, mostrar lo que sabe y permitir supervisar su trabajo mientras se ejecuta.
Parte de alguna de las mismas fuentes que este artículo.
Leer el artículo →Marketing digital con IA: infraestructura de conocimientoIA y marketing
Qué es el marketing digital con IA: decisiones con evidencia verificable, flujos que guardan conocimiento y crédito para cada paso, no solo el final.
Leer el artículo →