# UX para inteligencia artificial: las nuevas formas de interacción exigen nuevos roles de diseño > Published: 2026-09-16T10:00:00+00:00 > Updated: 2026-09-16T10:05:00.009+00:00 --- ## UX para inteligencia artificial: las nuevas formas de interacción exigen nuevos roles de diseño La interacción con IA no se resuelve añadiendo un campo de chat a una interfaz existente. Las nuevas formas de interacción que la IA introduce —agentes que actúan por cuenta propia, interfaces generadas en tiempo real, voz emocionalmente modulada, sistemas probabilísticos que deciden qué mostrar— requieren que los diseñadores abandonen el rol de especificadores de pantallas y asuman tres funciones inéditas: críticos evaluadores de outputs que no pueden predecir, arquitectos de contexto que alimenta modelos en lugar de píxeles, y negociadores de autonomía entre personas y máquinas. Creemos que quien siga pensando la UX de IA como 'diseño conversacional' está resolviendo el problema equivocado. ## El fin de la especificación determinista El modelo tradicional de diseño asume una cadena limpia: el diseñador especifica, ingeniería implementa, QA valida. Herramientas como Figma han perfeccionado este flujo, pero lo mantienen anclado a un supuesto determinista: que cada comportamiento del sistema puede definirse de antemano [Fuente 1]. Los sistemas de IA generativa quiebran ese supuesto. Son probabilísticos: el modelo decide qué incluir en una respuesta, cómo formularla, qué omitir. El ejemplo que ofrece Nielsen Norman Group es revelador: ante «¿Qué tiempo hace hoy?», la IA puede reportar una probabilidad de lluvia del 30% diciendo «es poco probable que llueva» —técnicamente correcto, prácticamente engañoso para alguien que necesita decidir si lleva paraguas [Fuente 1]. No hay especificación en Figma que cubra todas las maneras en que un modelo puede fallar en ese juicio. La respuesta de Nielsen Norman Group no es más prompts ni más guardrails mecánicos: es la **crítica de diseño** como competencia central. Esto significa 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 respuesta del sistema [Fuente 1]. La lectura que hacemos es que este movimiento transforma al diseñador UX de autor de interfaces a juez de outputs — un rol que no existía hace tres años y para el que la mayoría de equipos no tiene ni proceso ni vocabulario. ## El contexto como nuevo artefacto de diseño Nielsen Norman Group documenta una evolución en dos fases: primero el *prompt engineering*, donde el éxito dependía de formular la instrucción correcta; luego el *context engineering*, donde los equipos reconocieron que un prompt aislado es insuficiente y que lo que importa es una colección concisa de orientación específica al contexto: instrucciones, conocimiento recuperado, herramientas, memoria seleccionada y estado [Fuente 3]. La tarea del diseñador se desplaza de escribir prompts a orquestar contexto, y esta orquestación aplica principios de arquitectura de información —una disciplina madura de UX— a un dominio que apenas está naciendo [Fuente 3]. Este desplazamiento tiene una consecuencia concreta en los entregables. Según Nielsen Norman Group, a medida que más trabajo de interfaz es generado por IA, la salida de la investigación y el diseño ya no son documentos escritos para humanos, sino **contexto curado que guía a la IA** [Fuente 8]. Un modelo entrenado sobre miles de pantallas de búsqueda producirá una pantalla de búsqueda *promedio* si no recibe contexto sobre los usuarios específicos, el dominio, los estándares del equipo ni los hallazgos de investigación. Si ese conocimiento no está en el contexto, el modelo diseña sin él [Fuente 8]. Nielsen Norman Group propone el término **UX-Context Design** para esta práctica: usar el conocimiento UX para informar el diseño generado por IA mediante su incorporación sistemática al contexto que el modelo recibe [Fuente 8]. Lo que antes era un research report que leía un product manager, ahora es un fragmento de contexto que lee un LLM. El destinatario cambió; el rigor del conocimiento que necesita, no. ## Agentes, autonomía y el problema del control La forma de interacción más radicalmente nueva no es el chat, sino el agente: un sistema que persigue un objetivo mediante la toma de acciones de forma iterativa, evaluando el progreso y determinando sus propios pasos siguientes [Fuente 6]. Cuando Nielsen Norman Group estudió las funcionalidades de agente de Qwen con seis participantes, la mayoría usándolas por primera vez, emergieron cuatro lecciones que definen el espacio de diseño: soportar la descubribilidad activa de capacidades, reutilizar patrones familiares para reducir la curva de aprendizaje, manejar datos personales con cuidado explícito, y proteger la autonomía del usuario frente a decisiones irreversibles del agente [Fuente 6]. ## Políticas por adelantado (POLICY): el usuario define reglas reutilizables antes de la ejecución. Reduce interrupciones de 18.0 a 10.9 en tiempo real, pero bloquea menos overreach que la aprobación humana acción por acción (−20.1 puntos porcentuales vs. HITL) [Fuente 11]. **Aprobación humana en vivo (HITL)**: máximo bloqueo de acciones fuera de mandato, pero con carga de interacción constante. El tiempo total de intervención con POLICY —incluyendo configuración— no fue significativamente menor [Fuente 11]. ## Los constructores inesperados: vibe architects y modelos mentales intuitivos Hay un fenómeno que complica cualquier diseño de interacción para IA: según Nielsen Norman Group, la IA generativa está permitiendo que la capacidad técnica de las personas supere su conocimiento técnico formal de maneras sin precedente [Fuente 4]. Los llamados *vibe architects* — personas no desarrolladoras que construyen sistemas IA agénticos complejos basándose en intuición, horas de experimentación y fuentes informales como YouTube y Reddit — logran arquitectar sistemas sin comprender con exactitud cómo funcionan [Fuente 4]. Esto implica que la UX para IA debe contemplar usuarios cuyo modelo mental del sistema es fundamentalmente experimental, no formal, y que la documentación oficial y los patrones de onboarding tradicionales pueden ser insuficientes para este perfil [Fuente 4]. Las nuevas formas de interacción con IA no se limitan a texto. EmoSay demuestra que la brecha semántico-afectiva — la distancia entre el significado denotativo del texto sintetizado y su capacidad de transmitir estados emocionales — puede reducirse mediante modulación con prompts emocionales discretos y audio espacializado de alta fidelidad en entornos de Realidad Extendida [Fuente 12]. Los resultados muestran una correlación positiva fuerte entre la expresividad emocional de la voz y la sensación de presencia del usuario [Fuente 12]. Esto señala un vector de interacción que la mayoría de equipos de producto aún no están considerando: la IA no solo responde, sino que *suena* de una manera que altera la experiencia subjetiva del usuario. **74.76** — Puntuación SUS de EmoSay (System Usability Scale) (Indica usabilidad robusta e integración fluida dentro del flujo de trabajo XR, según los autores del sistema [Fuente 12].) ## La investigación también necesita nuevas herramientas No podemos diseñar nuevas formas de interacción si las estudiamos con métodos antiguos. Zhu, Friedman, Weatherwax y Eiben señalan que los prototipos estáticos ofrecen oportunidades limitadas para estudiar la interacción con sistemas IA en vivo, y que las transcripciones de conversación revelan poco sobre cómo los usuarios formulan, revisan y dudan sobre los prompts antes de enviarlos [Fuente 7]. Su plataforma HARP permite colocar participantes en escenarios simulados controlados con agentes IA configurables, registrando señales conductuales granulares: tiempo de composición del prompt, latencia de respuesta, eliminaciones y pausas de pulsación de teclas [Fuente 7]. La lectura que hacemos es que la investigación UX para IA necesita instrumentación que capture la *deliberación*, no solo el resultado — porque en la interacción con IA, gran parte de la experiencia ocurre antes de pulsar Enter. ## La competencia que lo atraviesa todo Creemos que hay un hilo que conecta la crítica de outputs, la arquitectura de contexto, el diseño de control de agentes y la investigación instrumentada: lo que Nielsen Norman Group llama **product sense**, definido como la capacidad de predecir qué decisiones de producto tendrán éxito basándose en patrones aprendidos a través de la experimentación, y de saber cuándo esos patrones aplican [Fuente 9]. La presión que identifican es clara: la IA puede manejar muchas tareas que antes hacían valiosos a los constructores de producto, lo que obliga a diseñadores e ingenieros a decidir *qué* construir, no solo *cómo* construirlo [Fuente 9]. Las nuevas formas de interacción con IA no son solo un problema de patrones de UI; son un problema de juicio sobre qué interacciones merecen existir. ## Fuentes consultadas - Crítica de diseño como competencia central en sistemas IA: de especificaciones deterministas a criterios de evaluación. [ver](https://www.nngroup.com/articles/ai-era-critique/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Economía conductual aplicada al diseño UX: fricción, motivación y brecha intención-acción. [ver](https://www.nngroup.com/articles/behavioral-economics-for-ux/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Arquitectura de contexto: principios de arquitectura de información aplicados a sistemas IA. [ver](https://www.nngroup.com/articles/context-architecture/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Vibe architects: usuarios no técnicos como constructores de sistemas IA agénticos. [ver](https://www.nngroup.com/articles/vibe-architects/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Reporte de UX orientado a resultados de negocio: métricas y baselines. [ver](https://www.nngroup.com/articles/reporting-ux-business-outcomes/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Diseño de agentes IA para usuarios: lecciones de estudios de usabilidad. [ver](https://www.nngroup.com/articles/designing-ai-agents/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Zeshu Zhu, Natalie Friedman, Kevin Weatherwax, and Emily Eiben. HARP: The Human--AI Research Platform. [arXiv:2607.20773](https://arxiv.org/abs/2607.20773v1), 2026. - UX-Context Design: el contexto como entregable UX en interfaces generadas por IA. [ver](https://www.nngroup.com/articles/ux-context-design/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Definición de 'product sense' y su relevancia en la era de la IA. [ver](https://www.nngroup.com/articles/product-sense-definition/?utm_source=rss&utm_medium=feed&utm_campaign=rss-syndication) - Himel Ghosh, Ahmed Mosharafa, and Georg Groh. AutoJourn: Multi-Perspective Summarisation, Bias Detection and Bias Neutralisation for LLM-Generated News in Automated Journalism. [arXiv:2607.18983](https://arxiv.org/abs/2607.18983v1), 2026. - Ting Yan. Do User-Authored Permission Policies Improve Protection Against AI Agent Overreach?. [arXiv:2608.27443](https://arxiv.org/abs/2608.27443v1), 2026. - Sikiru Ademola Adewale, Sunday D. Ubur, Nikitha Donekal Chandrashekar, Onyeka Emebo, and Denis Gračanin. EmoSay: Artificial Intelligence-Driven Text-to-Emotional-Speech System for Affective Communication in Extended Reality. [arXiv:2608.26566](https://arxiv.org/abs/2608.26566v1), 2026. El diseñador que siga pensando la UX de IA como 'diseño conversacional' está resolviendo el problema equivocado. Hay tres roles que asumir ahora.